改进的WANN模型在新疆中长期水文预报中的应用研究

引入共轭梯度算法对传统WANN模型求解搜索进行优化,从而提高传统WANN模型计算效率,改善模型求解精度。本文将改进的WANN模型用于新疆某区域中长期水文预报中,并结合区域实测水文数据,对比分析改进的WANN模型在中长期水文预报中的适用性以及预报精度。研究结果表明:相比于传统WANN模型,改进的WANN模型可提高中长期水文预报的精度,模型在中长期降水量和水量的预报误差分别减少8.8%和3.6%,收敛度分别提高0.18和0.17。研究成果对于地区中长期水文预报方法提供参考价值。     

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。     

水文时间序列AR(P)模型阶数的识别

介绍水文时间序列AR(P)模型的建立及其在中长期水文预报中的应用，并对确定模型阶数P的方法进行了总结和分析，力求进一步提高中长期预报的精度。     

基于BP神经网络的金沟河灌区旬来水量预报

考虑到金沟河灌区径流量长期变化的因果关系较为复杂的特性,若采用常规中长期水文预报模型很难达到预测精度要求。结合实际水量数据,采用BP神经网络预测模型对金沟河灌区旬来水量进行预报,并进行模型预报精度验证。结果证明,BP神经网络预测模型完全可以用于中长期水文预报。     

水库中长期水文预报风险研究

中长期水文预报的精度与可靠性直接影响到水库年初水量分配方案和控制运用计划的制定,因此。对中长期水文预报的可靠性分析十分重要。文章以柴河水库为例,详细地介绍了水库中长期水文预报的风险分析方法,并首次将均值一次二阶矩法引进到水库中长期水文预报的风险分析中。     

中长期水文预报综合分析理论模式与方法

为了探索提高中长期水文预报的精度，本文依据水文成因，统计与模糊集分析相结合的研究方法论，提出考虑预报因子权重的中长期水文预报综合分析理论模式与方法。     

中长期水文预报方法研究综述

从传统的水文统计法、成因分析法和现代的模糊数学方法、人工神经网络方法、灰色系统理论方法等方面,系统地总结了国内外中长期水文预报的研究进展情况。对其研究现状进行了评述和分析,指出了当前中长期水文预报模型存在的模型适用性不是这一主要问题。分析认为:①从物理成因上解释预报因子的合理性,使预报模型建立在严格的物理成因的基础上,是今后中长期水文预报应遵循的基本原则;②根据水文要素变化的非线性特点,将各种方法进行耦合,将在中长期水文预报中发挥重要作用;③应积极开展中长期水文预报所需资料的观测与积累,特别是人类活动的影响、全球气候变暖等引起的预报因子及影响因素的变化。     

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。     

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。     

基于灰色系统与RBF神经网络的中长期水文预报

及时、准确的中长期水文预报能有效促进水库管理优化。以非汛期各月径流量为预报因子,通过计算所需预报年份与已有径流资料历史年份的预报因子之间的灰色关联度,遴选出与该年灰色关联度较大的年份作为代表年份。采用MATLAB数学软件构建RBF神经网络预报模型,利用选定的代表年份径流量对目标年份汛期径流量进行预报。以清河水库为例,用该模型预报汛期径流量。结果表明,模型简单可操作、运行速度快、预报效果好。     

Singular Spectrum Analysis and ARIMA Hybrid Model for Annual Runoff Forecasting

High accuracy forecasting of medium and long-term hydrological runoff is beneficial to reservoir operation and management. A hybrid model is proposed for medium and long-term hydrological forecasting in this paper. The hybrid model consists of two methods, Singular Spectrum Analysis (SSA) and Auto Regressive Integrated Moving Average (ARIMA). In this model, the time series of annual runoff are first decomposed into several sub-series corresponding to some tendentious and periodic motions by using SSA and then each sub-series is predicted, respectively, through an appropriate ARIMA model, and lastly a correction procedure is conducted for the sum of the prediction results to ensure the superposed residual to be a pure random series. The annual runoff data of two reservoirs in China are analyzed as case studies. The results have been compared with the predictions made by ARIMA and Singular Spectrum Analysis-Linear Recurrent Formulae (SSA-LRF). It is shown that hybrid model has the best performance.     

ARIMA与ANN组合预测模型在中长期径流预报中的应用

基于时间序列预测模型及BP神经网络,提出了新的组合预测方法.该方法采用三层结构的BP神经网络来构造组合预测模型,运用时间序列模型预测方法得出的预测结果,采用历史滚动法将前5年的预测结果数据作为BP网络的输入,以当前年份的预测结果为网络期望输入,建立了ARIMA-ANN组合预报模型.利用Matlab7神经网络工具箱对塔里木河上游源流卡群水文站的年径流量进行了预报及验证.结果表明:组合模型的预报结果精度高,容错能力强,是中长期径流预报的有效方法.     

长期水文统计预报方法在长江大通站径流预报中的应用

目前以气象要素作为预报因子对水文变量(如径流量)做出预报是常用的一种长期预报方法。介绍了以北半球500hPa高度(H500)、100hPa高度(H100)和西太平洋海温(SST)三个气象场要素作为预报因子，采用逐步回归分析方法，对长江大通站的月径流量、7—10月份的径流总量做预见期为一年的预报。结果表明，建立的统计预报方案满足精度要求，可供实际预报工作参考。     

基于偏互信息法遴选因子的长江中长期径流预报

为提高流域中长期径流预见期和预报精度,以长江流域代表性水文站为例,研究遥相关气候因子对水文站径流的影响,通过偏互信息方法遴选与逐月径流具有显著相关性的气候因子,并采用多元回归方法建模进行中长期径流预报。研究表明:根据偏互信息法选出的输入因子建立的回归方程在建模和试报阶段的拟合优度值都大于0.6,而且入选的气候因子均具有4个月及以上的预见期。可见利用偏互信息法挑选遥相关气候因子进行中长期径流预报能够延长预见期并提供具有较高精度的预报结果。     

基于小波分析的径流分级组合预报模型

为进一步提高径流预报精度、降低预报的不确定性,利用小波分析法提取径流系列的概貌和细节成分;采用BP网络模型、RBF网络模型、SVM模型分别模拟预报,进行径流分级。根据不同级别的径流,对预报结果予以变权重组合,构建了基于小波分析的径流分级组合预报模型,并对其预报结果作了分析和总结。宜昌站中长期径流预报结果表明,组合预报模型能够较好地提高预报精度。     

三水源模型在滦河流域的应用分析

流域洪水预报模型大致可分蓄满产流和超渗产流2种方式,针对滦河流域的地形、地貌及雨洪特性,采用三水源模型,属于蓄满产流方式。介绍三水源模型实时洪水预报系统在滦河流域的应用。利用模型,根据计算误差来实时修正估计结果、模型参数等,使得实时洪水预报系统具有较好的实时修正和动态跟踪能力。实际应用过程中,由于流域实际产流过程是复杂、多样的,蓄满与超渗2种产流方式在同一区域可能同时存在,预报结果与实测数据存在一定误差,但通过实例分析,多数误差在规定的范围内,正常情况下的预报精度较高,基本上满足了水库防汛要求。     

基于多种混合模型的径流预测研究

变化环境下径流的波动不断加大,给径流的精准预报带来新的挑战。基于"分解-合成"策略的混合径流预报模型来提高预报精度是当前研究的热点之一。以往研究聚焦在单一的混合预报模型而忽视了它们的适用性研究。基于此,以渭河流域为例,在优选多元线性回归(MLR)、人工神经网络(ANN)和支持向量机(SVM)单一预报模型的基础上,分别基于经验模态分解(EMD)、集合经验模态分解(EEMD)和小波分解(WD)构建了多种混合模型,并融合了大气环流异常因子的信息。结果表明:(1)SVM模型预测精度高于ANN和MLR;(2)混合预测模型预测精度均高于单一模型,混合模型中WD-SVM的预测精度优于EMD-SVM和EEMD-SVM;(3)融合大气环流异常因子后WD-SVM模型预测精度最高,对极值预报精度的提高较为明显。     

若干水文预报方法综述

将现有水文预报方法分为过程驱动模型方法和数据驱动模型方法两大类.过程驱动模型指以水文学概念为基础,对径流的产流过程与河道演进过程进行模拟,从而进行流量过程预报的模型.过程驱动模型近年在中长期预报方面的发展主要表现在对概念性流域降雨径流模型的结构进行改进,以适应较大时间尺度预报的需要.数据驱动模型则是基本不考虑水文过程的物理机制,而以建立输入输出数据之间的最优数学关系为目标的黑箱子方法.数据驱动模型以回归模型最为常用,近年来由于神经网络模型、非线性时间序列分析模型、模糊数学方法和灰色系统模型等的引进,以及水文数据获取能力和计算能力的发展,数据驱动模型在水文预报中受到了广泛的关注.     

RBF神经网络在邯郸市东武仕水库流量预报中的应用

运用RBF神经网络模型对东武仕水库进行了径流预报,以上一时刻的降雨和径流作为神经网络模型的输入,以径流量作为神经网络模型的输出。结果表明,这样的预测方法是非常有效的并且有着更高的精确度。因此,RBF神经网络模型是一个有效的、高精确度的预测径流的方法,可为水资源管理提供可靠的数据支持。