中长期水文预报方法研究综述

对中长期水文预报研究中具有代表性的研究工作进行了回顾,在此基础上对现有的预报方法进行分类和总结,并对我国未来的中长期水文预报技术的发展趋势进行了展望。     

基于改进灰色-周期外延模型的中长期水文预报

通过分析灰色系统理论和周期分析方法在水文预报中的各自特点,建立了灰色-周期外延组合预报模型。针对模型预报误差,采用AR(p)模型对误差序列进行拟合和预测,并据此对原模型预测值进行校正。将改进后的模型应用于中长期径流预报实例计算中,结果表明,改进后的模型更好地利用了实测系列的信息,具有更高的预报精度。     

中长期水文预报的预报区间估计方法

中长期水文预报由于影响因素复杂和目前科学水平的限制,还处于探索、发展阶段,预报手段仍以成因分析(物理因子相关)和数理统计方法为主。其中数理统计方法(方差分析、AR(P)模)是我们经常使用的一种重要方法。在使用数理统计方法进行中长期水文预报时,从理论上来说,给定一个预报区间比给定一个具体预报值更为合理。文章就数理统计法进行中长期水文预报如何给定估计合理预报区间进行初步探讨。     

水文预报方法与中长期水文预报的分析

文章以辽宁省大伙房水库作为研究对象,通过对几种中长期水文预报方法的比较分析,选取出预报精度最高的一种方法。研究结果表明,BP神经网络法在径流中长期预报方面的精度最高,因此可运用该方法对水库径流进行中长期预报,从而为水库引水及调度计划的合理制定提供依据。期望通过文章的研究能够对中长期水文预报方法的推广应用有所帮助。     

浅谈中长期水文预报方法

由于影响水文要素的各种因素十分复杂，中长期水文预报方法目前尚不够成熟，因此在做中长期水文预测时必须参考诸多因素，采用多种方法综合分析、合理取值；并应结合当地实际不断积累经验，进一步探讨中长期水文预报方法，以提高水文要素长期预报的精度。     

基于互信息与神经网络的天山西部山区融雪径流中长期水文预报

为提高天山西部山区融雪径流的预报精度,更好地指导所在区域的工农业生产发展,针对影响预报精度的关键问题(预报因子的选择),基于互信息法、相关系数法、主成分分析法对研究区的预报因子进行优选,采用RBF神经网络以及组合小波BP神经网络模型进行径流预报研究,并进行不同方案的比较。结果表明:①互信息法优选出的预报因子作为模型输入可以提高预报精度;②采用不同优选预报因子作为RBF神经网络以及组合小波BP神经网络模型的输入变量,结果表明RBF神经网络模型的预测精度要好于组合小波BP神经网络模型;③以相对误差作为评价模型精确度的标准,预测效果最好的是基于互信息方法挑选出的预报因子作为RBF神经模型输入数据的模型预测结果。     

灰色径向基神经网络技术在水文预报中的应用

分析清河水库中长期水文预报状况、历史资料,提出预报单位年的概念,采取灰色关联度方法选取适当的年份作为典型年,采用径向基神经网络技术,构建清河水库中长期水文预报新模型,并开发了基于VB的中长期水文预报系统。通过近3年的应用检验,取得了较好的效果,较大地提高了清河水库中长期水文预报精度。     

基于WNN和FRM模型的流域水文中长期预报

选取4个前期预报因子,以模糊识别模型对中长期水文现象进行拟合与预测,用小波神经网络计算预测模型权重,以相关系数大于0.90的回归方程作为拟合方程,对流域水文现象进行中长期预测计算与检验。结果表明:该方法具有一定的合理性和简便性。     

RBF与GRNN神经网络模型在城市需水预测中的应用

针对需水量预测具有受诸多因素影响的复杂、高维和非线性等特性,本文基于RBF与GRNN神经网络算法原理,构建RBF与GRNN神经网络需水预测模型,将模型应用于城市需水预测中,并与基本BP神经网络模型以及灰色GM(1,1)需水预测模型的拟合、预测结果进行了对比分析.结果表明:①RBF与GRNN神经网络模型有着较高的拟合、预测精度,平均相对误差均在5％以内,表明研究建立的RBF与GRNN神经网络模型应用于需水预测是合理可行的,模型泛化能力强,预测精度高,算法稳定,与基本BP网络算法相比,RBF与GRNN网络模型还具有收敛速度快、调整参数少和不易陷入局部极小值等优点,可以更快地预测网络,有着良好的应用前景.②相对而言,RBF与GRNN神经网络模型预测精度要优于基本BP网络和灰色GM(1,1)模型.     

小波神经网络模型在河道流量水位预测中的应用

鉴于BP神经网络学习收敛速度慢、参数选择困难、易陷入局部极值等缺点,提出小波神经网络河道流量水位预测模型,以盘龙河天保站流量水位预测为例进行分析。采用循环算法确定最佳BP神经网络结构,并在相同网络结构及期望误差等条件下,运用GA优化BP神经网络初始权值和阈值,构建传统BP、GA-BP神经网络河道流量水位预测模型作为对比预测模型。结果表明:小波神经网络结合了神经网络与小波分解在函数逼近上的优点,其预测精度高于传统BP和GA-BP网络模型,表明小波神经网络用于河道流量水位预测是合理可行和有效的,可为水文预测预报提供新的途径和方法。且小波神经网络模型具有计算简便、逼近能力强、收敛速度快,能有效避免局部极值等特点,有着广阔的应用前景。     

基于.NET的组件技术在预报调度系统中的应用

目前开发的水文预报调度软件大多是相对独立的,存在着标准化程度低、可扩展性差、数据处理方式单一、资源无法移植等缺陷。针对这些问题,长江水利委员会水文局基于.NET组件技术开发了长江防洪调度系统,不仅满足了长江防洪调度的实际需要,而且实现了软件独立开发、相互调用、可扩展性强等目的,为今后的软件升级开发奠定了良好的基础。侧重介绍了基于.NET组件技术的特点及在水文预报调度软件开发中的应用情况。     

中长期水文预报方法应用研究

文章采用传统预报方法——多元线性回归和新方法——BP网络和投影寻踪技术,分别建立预报模型.利用长江宜昌站8-12月径流资料来研究预报模型的可行性和实用性.研究表明,3个预报模型的精度均在20％以内,尤其是BP模型预报精度均在10％以内,效果较好,具有一定的实用价值.     

基于人工神经网络的洪水水位预报模型

本文利用人工神经网络技术,以确定性系数为目标函数,建立以上游和本站水位资料预报本站未来若干时段洪水水位的预报模型,以探讨神经网络技术在水文预报中的应用。研究成果为提高网络训练速度和预报可能产生的超历史洪水情况,给出了输入/输出层的数据规范化的处理方法。选择珠江三角洲河网地区水位站资料,对预报模型进行检验,结果表明在合理选择输入层单元数据和预见期的条件下,可以取得很好的预报成果。     

基于BP网络的中长期水文预报精度影响分析

文章分析了影响中长期水文预报BP网络模型精度的因素,其中输入层节点数、节点转换函数及网络训练方式的选择对模型精度的影响很大。并结合研究结果,对中长期水文预报BP网络模型的参数优选提出了一些建议。     

奇异谱分析在中长期径流预测中的应用研究

针对目前中长期径流预测精度较低的问题,运用奇异谱分析法对隔河岩水库1951～2009年入库径流资料进行预处理得到重构序列,以达到浓缩主要信息和减小误差的目的。分别采用自回归模型和混沌支持向量机模型对原始序列和处理后的重构序列进行模拟预测。结果表明,应用奇异谱分析法进行资料的预处理可以大大提高中长期径流的预测精度。     

基于芒种日分析的BP模型在中长期汛期降雨量预报中的应用

为提高汛期降雨量中长期预报的精度,采用芒种日分析充分提取有用信息,基于BP神经网络模型,构建了芒种日分析的BP神经网络耦合模型,并将其应用于北京市中长期汛期降雨量的预测。结果表明:相比于常规BP模型,耦合BP模型能够有效提高预报的精度,验证期耦合BP模型模拟值与实测值相关系数为0.78,明显优于常规BP模型的0.42;耦合BP模型较常规BP模型的预报合格率提高了40%。芒种日分析能够充分发掘隐藏在原始数据中的有用信息,降低极端值等噪声数据对预报结果的影响,有效提高了模型的预报精度。将传统节气与人工智能预报技术相结合,为中长期汛期降雨量预报提供了一种新思路。     

水文预报时间序列神经网络模型

本文提出了水文预报的时间序列神经网络模型，并研制开发了相应的计算机软件，其有效性在实例中得到验证。     

基于GIS的分布式托普卡匹水文模型在洪水预报中的应用

本文对托普卡匹(TOPKAPI)水文模型进行了改进,增加了植物截留、降水下渗、土壤水深层渗漏、地下径流等计算模块,并对壤中流计算模块作了相应的调整,将TOPKAPI模型改进成一个较完整的分布式流域水文模型。该改进后的TOPKAPI模型应用于面积约为1万km2的息县以上淮河流域1998年、2002年和2003年汛期洪水的模拟,模型确定性系数均在0.84以上,模拟成果令人满意。该模型可应用于洪水预报、土地利用和环境影响评价、洪水极值分析、无资料地区水文模拟计算等。