不同模型在南宁市年降水量预测中的应用比较

以南宁市1961—2015年降水量资料为基础,通过建立灰色GM(1,1)模型、滑动平均改进的GM(1,1)模型以及改进的BP神经网络模型来对南宁市年降水量进行预测研究。结果表明,以上模型均适用于南宁市的年降水量预测,模型精度分别达到了92.2%、96.6%和95.1%。其中以改进的灰色模型与BP神经网络模型预测效果最佳,平均相对误差均控制在了5%以内,充分表明预测模型的适用性与合理性。该研究为城市降水量预测提供了一种新途径,对城市水资源合理规划具有一定的指导意义。     

加权马尔科夫链在榆林市降水量预测中的应用

利用榆林市1951~2013年的年降水量为资料,结合均值-标准差分级方法,运用加权马尔科夫链模型预测榆林地区年降水量范围,并根据模糊集理论预测年降水量。结果表明:(1)榆林市1951~2013年的年降水量序列在α=0.05水平上满足马氏性;(2)预测榆林市2014,2015年年降水量范围分别为457.52~521.32,351.19~457.52 mm;(3)结合模糊集理论预测榆林市2014,2015年降水量与实际观测值的相对误差分别为11.3%,3.4%,预测精度在20%以内。由此可得,加权马尔科夫链模型可用于榆林市年降水量的预测。     

不同改进的ARIMA模型在水文时间序列预测中的应用

为了拓展ARIMA模型在非线性水文时间序列预测中的应用,对其进行了三种不同形式的改进。为了尽可能地保留数据序列的原始信息,分别将ARIMA模型与Daubechies小波分析、经验模态分解法相结合,建立了WAARIMA和EMD-ARIMA预测模型;由于ARIMA模型对非线性项预测较差,而BP神经网络具有高度的非线性映射能力,将二者进行有效结合,建立了一种BP-ANN-ARIMA预测模型。在南宁市年降水量的预测中表明,改进后的模型较原始模型预测能力有了不同程度的提高,各模型预测的相对误差分别为11.2%、10.1%、6.8%、5.1%。     

改进的自适应模糊神经网络在降水量预测中的应用

以吉林省白城市为例,将偏自相关系数(PAC)与自适应模糊神经网络模型(ANFIS)相结合预测年降水量,以年降水量序列自身数据作为输入和输出变量,将预测结果与多元线性回归模型(MLR)的预测结果进行对比。结果表明:ANFIS模型和MLR模型在相关资料缺乏的地区对年降水量的预测结果都是可以接受的,但ANFIS模型的预测精度更高,RMSE值更小,NS值更接近于1;运用偏自相关系数确定输入变量相比主观经验判断更好,利用PCF计算得到延迟系数为5,因此,预测年降水量预测应以预测年前5 a的降水量作为输入变量。     

时间序列模型在辽西降水量动态预测的应用

文中结合时间序列模型,对辽宁西部地区的降水量进行了动态预测。研究结果表明:时间序列模型预测的年降水量和区域实测年降水量之间的相关系数达到0.839 6,在4个季节中,夏季预测的降水量相关度最高,达到0.872 5,冬季预测值和实测值相关性最低,为0.590 3,但也可满足降水量预测精度要求。研究成果对于辽宁西部地区降水量动态预测提供参考价值。     

基于加权马尔可夫链的杭州市年降水量预测

采用加权马尔可夫链模型和模糊及理论中的级别特征值原理,分析了1956—2008年杭州市的年降水量,预测了2009—2011年杭州市的年降水状态和年降水量,预测误差远小于20%的允许误差,说明加权马尔可夫链应用于杭州市年降水量的预测是可行的。最后计算了2012年杭州市年降水状态为4,即偏丰年,年降水量预计为1 621 mm。     

基于小波和ARIMA的黄山市年降水量分析及预测

为研究区域降水时间特征,提高年降水量预测精度,采用Morlet小波对黄山市1957-2016年的年降水量周期进行分析,并基于1957-2011年的年降水量构建了ARIMA模型和小波与ARIMA组合模型,分别对该市2012-2016年的年降水量进行了预测及对比分析。结果表明:黄山市近60a年降水量主要受28a、13a、5a的周期波动影响;采用ARIMA及组合模型预测2012-2016年年降水量的平均相对误差绝对值分别为19.8%和12.3%,组合模型的拟合和预测效果更优;两种方法对2012年、2015年和2016年的年降水量预测误差均较大,可能是这几年降水受ENSO事件影响,降水机制异于常年,致模型预测误差较大。结果可为区域中长期水文预报提供科学依据,对区域旱涝灾害预警管理具有一定应用价值。     

石头口门水库年降水量小波分析与预测

为了给石头口门水库兴利与调度提供可靠的依据,利用小波分析法研究了该水库年降水量的年际变化特征,构建了年降水量自回归模型,并对库区未来的降水量趋势进行了预测。结果表明:建立的模型预测结果比较符合实际,但中长期预测效果较差。     

一种结合小波分析的EMD周期分析方法——以南宁市年降水量为例

针对传统EMD方法中Hilbert变换未必能正确计算出本征模态函数瞬时频率这一问题,采用小波分析替代Hilbert变换来优化EMD方法,为水文时间序列的周期分析提供了一种新途径。并对南宁市1961~2015年降水量时间序列进行了周期分析。结果表明,南宁市年降水量序列经改进的EMD方法分解可得到1个趋势项和4个IMF分量。趋势项表明南宁市历年年降水量呈现出明显的下降趋势;对IMF分量进行小波分析得到了年降水量序列分别具有4~6a、10~13a、25~29a的准周期特征。     

基于小波包分解的 LS-SVM-ARIMA 组合降水预测

针对降水量影响因素众多, 是一种复杂的非平稳、非线性且存在噪声问题的时间序列的特点, 提出一种基于小波包分解的 LS-SVM 与 ARIMA 组合模型的年降水量预测方法。利用小波包将降水序列分解成低频趋势序列和高频细节序列; 应用 LS-SVM 模型预测低频趋势序列, ARIMA 模型预测高频细节序列; 将两个模型的预测结果叠加, 得到年降水量的预测值。实例验证表明: 小波包对时间序列的分解比小波分解更精细, 组合模型预测能够全面的提取降水序列中所包含的信息, 更好地反映年降水量随时间变化规律, 提高了年降水量预测的精准度, 为降水量预测提供一种新方法。     

基于模糊加权马尔科夫模型的晋祠泉域降水预测

由于降水的不确定性和随机性,其预测精度往往难以提高。鉴于此对常用的降水量预测模型马尔科夫链进行了加权和模糊等数学方法的改进,并以晋祠泉域1956—2013年的降水资料为基础,进行了模型的计算、检验和预测。其中1956—2011年的降水资料用于模型计算,2012和2013年的资料用于模型检验,对2014—2020年的降水量进行了预测。结果显示:2012年的降水量预测的相对误差为8.38%,2013年的相对误差为0.65%,远小于水文预报中误差要求的20%。2014—2020年的预测降水量在451.66~480.81 mm之间,降水量变化趋势较平稳,降水年份属于平水年。     

潍坊市不同频率年降水量未来发生时间预测

采用灰色拓扑预测理论,根据潍坊市多年(1958年～1995年)的年降水量,建立了年降水量指标的灰色预测GM(1,1)模型群,并根据模型对潍坊市未来时间的年降水量及发生时间进行了预测,为有关部门进行抗旱防汛决策及制定水资源调度计划提供参考依据。     

对数马尔可夫模型在乌鲁木齐市降水预测中的应用

中长期降水量的预测是气象科学的一个难点问题,也是水文学中的一个重要问题。建立对数马尔可夫模型预测降水量,弥补了传统的马尔可夫模型降水预测中峰值的不准确性,提高了预测精度,并用乌鲁木齐市气象站43年降水资料进行了验证。结果表明,模型预测精度较高,为干旱半干旱区中长期降水量预报提供了一条简便可行的途径。     

潍坊市不同频率年降水量未来发生时间预测

采用灰色拓扑预测理论，根据潍坊市多年（１９５８年￣１９９５年）的年降水量，建立了年降水量指标的灰色预测ＧＭ（１，１）模型群，并根据模型对滩坊市未来时间的年降水量及发生时间进行了预测，为有关部门进行抗旱防汛决策及制定水资源调度计划提供参考依据。     

西北地区未来降水量变化预测

利用MAGGIC/SCENGEN5.3软件中的14个大气环流模型预测了西北地区降水量的变化情况,采用AR4中A1B-AIM、A2ASF和A1FI情景来模拟未来CO2排放情景。结果表明:12050年A2ASF情景下多模型预测西北五省各季节降水量绝对值变化的中位数为-0.2~0.6 mm/d,但预测的极端值范围变化很大;2根据最佳模型预测,最有可能出现干旱的地区及相应季节为陕西的夏季和冬季、甘肃的夏季及新疆的春季、夏季、冬季。建议使用14个大气环流模型模拟和最佳模型预测的中位数区间作为置信区间以应对西北地区因气候变化出现的极端气候状况;314个大气环流模型模拟与最佳模型预测降水量中位数在大部分西北地区可能略有增大,但在气温相应升高情况下,可能出现干旱情况。     

基于WD-COA-LSTM模型的月降水量预测

为进一步提高月降水量预测精度,提出了基于小波分解（WD）和郊狼优化（COA）算法的长短期记忆神经网络（LSTM）降水量预测模型（WD-COA-LSTM）。首先用小波分解对时间序列进行预处理,消除序列的非平稳性,得到1个低频序列和3个高频序列;然后通过郊狼优化算法对神经网络（LSTM）模型进行参数优化;最后将各子序列预测值叠加得到月降水量预测值。将提出的模型应用于洛阳市栾川县白土镇和洛宁县故县镇两个雨量站的月降水量预测中,并与LSTM、COA-LSTM、WD-LSTM模型预测结果进行对比。结果表明：提出的WD-COA-LSTM模型的预测精度最高,说明小波分解和郊狼优化算法能有效加强LSTM模型预测的精度和泛化能力,为月降水量的预测提供了一种新的途径。     

时间序列分析方法在郑州市降水量预报中的应用

根据1971年-2013年郑州市的降水量资料,采用二次多项式拟合提取降水量的趋势分量,采用谐波分析法提取降水量的周期成分,利用自回归模型求解随机成分,最后将三者叠加,构建了郑州市降水量的预报模型。模型计算结果与实测数据对比可知,应用预报模型对降水量进行预报精度较高。因此利用建立的预报模型对2014年-2016三年的降水量进行了预测,为该区水资源的管理提供依据。     

基于主成分分析的SVM分类汛期降水预测模型

采用1960—2008年每年5—9月安徽宣城7县(市)平均降水量作为预报对象,在降水前期逐月74项大气环流特征量、500hPa月平均高度场和月平均海温场中选取预测因子,采用主成分分析方法组合预测因子,建立汛期降水短期气候预测模型。模型预测结果表明,2005—2008年汛期降水量分类预测误差绝对值小于或等于1级,平均误差绝对值0.5级,训练集回预测准确率达100％。该模型可在气候预测业务中使用。     

投影寻踪模型在降水量预测中的应用研究

采用邹平县1952—2014年度降水量序列建立了基于神经网络的投影寻踪自回归耦合模型,并对该县2015—2017年降水量进行预测,预测结果令人满意。     

基于CEEMDAN-BiLSTM的月降水量预测模型

准确预报降水量对防洪防涝、水资源高效开发和利用起着至关重要的作用。由于降水量序列具有较强的非线性和突变性，使得传统的统计预测模型难以准确表征其时序特征。因此，本文提出了基于完全自适应噪声集合经验模态分解（CEEMDAN）和双向长短时记忆网络（BiLSTM）的月降水量预测模型，通过对1960年1月～2013年12月的江西宜春气象站降水量数据进行预测，并与长短时记忆网络模型（LSTM）、BiLSTM、互补集合经验模态分解和长短时记忆网络模型（CEEMD-LSTM）、CEEMD-BiLSTM 和CEEMDAN-LSTM 模型进行了对比。结果表明：基于CEEMDAN 法能够得到具有波动性更小的降水量分量序列，以此构建的BiLSTM 模型能够很好地捕捉降水量序列的变化特征；相较于其他模型，其预测结果的均方根误差、平均绝对误差和平均绝对百分比误差更小，且相关系数更大，即CEEMDAN-BiLSTM 模型在降水量预测上具有更为良好的性能，该模型可为降水量预测提供一种新方法。