基于BP神经网络的贝叶斯概率水文预报模型

本文在贝叶斯概率水文预报系统(BFS)框架之上，研究了双牌水库水文预报的不确定性，建立了流量先验分布及似然函数的BP神经网络模型，并通过Markov链Monte Carlo(MCMC)方法求解得到流量后验分布及其统计参数。通过对双牌水库历史洪水的研究结果表明，基于BP神经网络的BFS不仅显著提高了预报精度，而且为防洪决策提供了更多的信息，使得预报人员在决策中能考虑预报的不确定性，定量的估计各种决策的风险和后果。     

基于贝叶斯模型加权平均方法的水文模型不确定性分析

贝叶斯模型加权平均（BMA）方法是通过综合几个模型预报值的后验分布来推断预报量的更可靠概率分布分析工具。它不仅能提供一个综合的预报值,还能提供一个综合的预报区间。本文采用3个水文模型,统一用SCE-UA算法率定参数,得到3组不同的预报值用于BMA方法的综合,着重分析比较BMA和单个模型的预报不确定性区间,来检验贝叶斯模型加权平均方法是否能提高预报的可靠性。结果表明,BMA方法不仅能提高预报精度,还能推求出性质更为优良的预报区间,提高预报的可靠性。     

基于PDM的飞来峡水库实时水文预报模型

水文预报模型是实时预报预警系统的核心。基于新型的概率水文预报PDM(The Probability Distributed Model),构建了北江流域飞来峡水库概率水文预报模型。将整个流域划分为18个子流域,对每个子流域分别建立PDM,并采用历史降雨流量数据序列对各子流域和流域PDM进行参数率定;以横石站为参考站,采用52场次实测历史洪水进行模型验证和精度评定,洪峰预报合格率为99%,精度等级为甲等,模拟精度高,说明了PDM结构和参数取值的合理性,以及模型在该流域的适用性。     

飞来峡水利枢纽基于DEM的分布式流域水文预报模型

利用飞来峡水利枢纽建库运行后的水文资料,建立基于DEM的分布式水文预报模型,对参数进行率定,并进行预报模拟。从模拟结果看,模型确定性系数、洪峰相对误差、径流总量相对误差等指标基本在可接受范围内,对大部分场次洪水的预报精度较好,洪峰流量合格率也较好,但整体上对洪峰的模拟值偏低,预报精度有待进一步提高。今后随着资料的不断延长和积累,对参数进行重新率定,其预报结果可应用于预报作业中。     

贝叶斯概率水文预报研究进展与展望

水文预报不可避免地存在着输入、水文模型参数和结构等不确定性,导致预报结果也具有不确定性。因此,定量估计水文预报的不确定性,实现概率水文预报,不仅可得到比确定性预报更高的精度,而且还能为决策者提供更丰富的预报信息。本文根据不确定性来源的不同,从输入资料、模型结构、模型参数和综合不确定性等方面,详细综述了贝叶斯水文概率预报的研究进展,归纳了精度评定指标和效果检验方法,并展望了贝叶斯概率水文预报未来的研究重点和方向:(1)科学有效地解释、沟通和传播水文预报不确定性信息和概率水文预报产品;(2)建立水文集合概率预报框架,估计并降低水文预报的总不确定性;(3)开展考虑预报变量时空相关性的贝叶斯概率水文预报研究;(4)深入推动概率水文预报信息在风险决策中的应用。     

新安江水文模型在水文预报中的应用

以海南省万泉河流域为研究对象,在新安江水文模型的基础上,通过完善模型结构、优化参数率定等,开展了对模型的改进和实证研究,并对相关结果进行了分析.在万泉河流域1990～2000年加积站和加报站的水量平衡研究中,模拟结果比较符合实测值,证明模型对万泉河流域具有较强的适用性,在流域水资源管理中具有较好的应用前景.     

基于贝叶斯模型平均法的多模型综合预报洪水概率研究

研究对象为淮河流域内的息县、潢川、班台至王家坝区间,在采用新安江模型和降雨径流经验模型进行洪水模拟的基础上,构建了基于BMA洪水概率预报模型与基于BP神经网络的组合预报模型,对比分析了两种方法的预报效果.结果表明,以BMA概率预报的期望值为预报值,12场洪水的平均确定性系数为0.93,整体上优于新安江模型(0.92)和...     

飞来峡水库水文预报浅析

分析了飞来峡水库水文预报工作的重要性 ,介绍了当前水库预报工作开展的情况 ,简述了开展水文预报工作的有利条件 ,提出了预报所面对的困难 ,并对建库后一般洪水的水文预报规律进行了总结     

水文预报不确定性研究进展与展望

归纳了水文预报不确定性的来源与分类，综述了国内外对水文预报不确定性的研究进展以及相关文献、方法与模型，展望了水文预报不确定性研究的发展前景。水文预报不确定性始终存在并制约防洪调度决策的正确性，水文预报结果应该描述为概率的而不是确定的形式，概率水文预报实现了预报与决策的耦合。     

水文时间序列预报的人工神经网络模型

1　引言由于水文现象本身的复杂性 ,目前还很难用物理方法对水文现象进行描述 ,人们主要借助数理统计方法以及其它的一些不确定性方法来描述水文现象 ,以弥补物理方法的不足。不确定性方法主要运用概率统计、时间序列、模糊数学和灰色理论等来探索水文现象。但这些理论和方法都需要具有显式函数 ,而它们往往难以找到 ,或只能以近似表达式进行描述 ,一般都有比较大的误差 ,因此 ,寻找更合理与灵活的理论和方法来充实水文学的研究成了水文工作者多年来不懈的追求 ,人工神经网络途径便是一种尝试。近年来 ,人工神经网络技术已被广泛应用于水文…     

基于贝叶斯网络的黄河径流预测

基于黄河流域1979—2018年的ERA-Interim再分析气候与水文数据,以及CMIP5中10个气候模式下3种典型排放情景(RCP2.6、RCP4.5、RCP8.5)的全球气候变化数据,采用离散数据的处理方法,建立黄河流域贝叶斯网络模型,推断黄河流域近40余年来气候要素对径流的影响概率,预测黄河流域未来径流量。结果表明:1979—2018年黄河天然径流量呈减小趋势,基于贝叶斯网络分区间概率预测预报的径流量也呈减小趋势;黄河流域的不同区间(低、中、高)径流量对气候的敏感程度不同,但径流始终与降水相关性最高;在RCP2.6情景下,黄河流域未来20年、60年的径流量为585.50亿、588.57亿m~3;在RCP4.5情景下,其值为585.42亿、587.53亿m~3;在RCP8.5情景下,其值为593.50亿、585.11亿m~3。     

多模型数据价值分析在渗透率取样优化中的应用

含水层系统的准确认知需要获取大量的数据,但是地下含水层数据的获取成本高昂,需要对数据获取方案进行优化,从而使数据获取过程达到最佳的成本效益。获取数据的价值可以通过系统认知程度的提高或者预测不确定性的降低程度来定量表示。地下含水系统的复杂性决定了使用单一概念模型很难对系统的不确定性进行准确的描述,多模型分析方法可以考虑概念模型导致的不确定性,基于多模型分析的统计决策和方案设计也会相应地更加准确。通过极大似然多模型数据价值分析方法和整数编码差异进化算法,对美国亚利桑那州阿帕奇研究区的气测渗透率取样方案进行了优化,得到了最优的取样位置和取样数量。分析结果表明,方案优化后的数据价值随着取样量的增加呈现先增加后平缓的趋势,数据价值变平缓的转折点对应的取样量即为最优取样量。     

水文模拟与预测中的不确定性研究现状与展望

水文模型是水循环研究、水环境保护、水资源管理等的基本工具,在过去几十年里水文模型一直是水文工作者研究的重点,而水文模型的可靠性和不确定性分析却显得不足和滞后。随着水文模型越来越复杂,在现有数据水平相对缺乏的条件下,水文模拟与预测中的不确定性日益突出。对此分析了与水文模型紧密相关的不确定性的来源,回顾了考虑不确定性的水文模拟和预测主要分析方法,并提出了未来水文模拟与预测的不确定性研究的主要内容和需要注意的问题。     

多模式集合模拟未来气候变化对水稻需水量及水分利用效率的影响

在模拟水稻水分利用对未来气候变化响应的研究中,考虑气候模式以及降尺度方法的不确定性,有助于获取更加稳健的模拟结果。本文采用SDSM和BP神经网络两种统计降尺度模型分别对Had CM3和CGCM3两种大气环流模式的3种气候情景(A1B,A2和B2)进行统计降尺度模拟,再基于贝叶斯模型平均方法(BMA)集合降尺度结果,并由此驱动ORYZA2000水稻模型,模拟21世纪中后期(2050s和2080s)3种情景下水稻生长周期、产量、需水量及水分利用效率。结果表明:BMA相对于简单模型平均法(SA)可以更有效地减小气候模式的偏差;在未来的两个时期内,由于气温的不断升高以及辐射的下降,水稻产量显著下降,生长周期明显缩短;需水量随着辐射的降低而降低,但在2080s,气温的迅速上升带来了需水量的升高,但仍低于历史基准期水平,而需水量的下降并不能抵消产量下降对水分利用效率的负面影响。     

流域水文数据挖掘体系研究

针对流域水文数据存在的海量、复杂、时空性等一系列特点,面向流域防洪与兴利等主题,建立了以数据层、组织层、挖掘层以及决策层为基础的流域水文数据挖掘体系,并从数据仓库、数据挖掘、元数据管理等几个方面建立了该体系的分析流程,为流域防洪和兴利业务提供了新的解决方案。将数据挖掘体系初步应用于流域的预报和调度中,证明在有充足数据的支持下．形成可行的流域预报和调度方案是合理可行的。随着数据管理、数据分析等技术日益完善．以数据仓库、数据挖掘等技术为基础的水文数据挖掘体系将逐步走向实用化。     

基于Copula函数的多变量水文不确定性处理器

传统的水文不确定性处理器(HUP)属于单变量结构类型,只能独立地给出各预见期实际流量的贝叶斯后验概率密度,没有考虑它们之间的内在相关性。本文利用Copula函数推导了贝叶斯转移预报(BTF)方法中后验转移密度的解析表达式,提出了基于Copula函数的贝叶斯转移预报(CBTF)方法和基于Copula函数的多变量水文不确定性处理器(CMHUP),进而发展了基于Copula函数的贝叶斯极值预报(CBEF)方法,并应用于三峡水库入库洪水预报中。结果表明:所提方法实用有效,CBTF方法和CMHUP可以定量地评估三峡水库入库流量转移预报的不确定性,准确揭示了水文预报不确定性在时间上的演变特征,CBEF方法则提供了预见期时段内最大入库流量预报的不确定性信息。所提方法不需要进行线性-正态假设,能够很好地捕捉流量过程的非线性和非正态特征,适用范围更加广泛,对于支撑防洪减灾和水库运行调度具有重要的参考价值。     

分布式水文模型结合气象预报方法初步探讨

为了尽量消除因流域空间非均一性引起的水文模拟不确定性,采用基于GBHM分布式水文模型以及具有明确物理意义的模型参数,利用三峡区间2011年5~6月期间的气象预报信息,探讨该区域实时洪水预报方法,以及不同预见期的洪水预报精度。结果表明,分布式水文模型与气象预报数据结合,能够较好地模拟该区间的洪水过程。该方法在一定预见期内能够对实时洪水过程进行预报,预报精度很大程度上取决于降水预报的准确性。     

基于多模型组合方法的公平水库中长期入库径流预报

准确可靠的水库中长期预报结果对于指导受水区水资源优化配置等具有重要意义。本文首先选取SARIMA 模型、SVM 模型、XGBoost 模型与RF 模型分别构建公平水库月入库径流预报方案,以气象因子的物理机制为基础,在成因分析与随机森林重要性排序的基础上筛选关键预报因子并输入至4 个单一模型中。然后在对比分析各模型优劣的基础上,以线性与非线性组合2 种方式构建组合预报方案。结果表明：RF 模型在4 个单一模型中的模拟结果表现最优,SARIMA 模型的模拟精度随着入库径流量的增加而增加;组合预报模型较任一单一模型的模拟结果均更好,基于神经网络的非线性组合方式能够有效提高验证期的模拟精度,增加模型的泛化能力。