基于小波分析预测月径流量的贝叶斯(BPF)预报方法

青铜峡位于宁蒙河段上游,宁蒙灌区的农业用水量很大,故需要对其径流量做出相对准确的预测。运用传统的小波分析方法预测青铜峡的月径流量,并在此基础上建立以减小不确定性为目的的贝叶斯预报方法,可以明显提高传统方法的预报结果。可见,考虑模型及参数的不确定性对确定性模型预测有指导意义。     

潘家口水库枯水期月径流预报

在分析研究流域气候特征及枯季径流来水规律的基础上，用水文气象方法和水文方法分别建立了枯水期月径流预报模型。水文气象方法是先挑选出与预报对象关系最好的气象因子作为预报因子，据此建立预报模型和预报集成模型。水文方法是利用水文序列资料建立自回归模型和多元递推模型。用实测资料对预报模型进行了验证，结果表明：预报精度令人满意。     

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。     

基于小波分析—模糊神经网络的径流预报模型

根据不同的小波分解及重构技术及不同的模糊神经网络模型训练周期,本文提出了四种小波分析与模糊神经网络相结合的径流预报模型,即：基于Mallat算法的母周期径流预报模型、基于Mallat算法的子周期径流预报模型、基于小波包算法的母周期径流预报模型、基于小波包算法的子周期径流预报模型,并阐述了模型建立的原理、结构及步骤。而且,以黄河源区出口水文站——唐乃亥站月径流量为应用实例,采用周期分解系数及模拟效率系数对上述四种模型进行对比评价。结果表明：基于Mallat算法的母周期径流预报模型预报效果最好,基于小波包算法的子周期径流预报模型则模拟效果最差。文中对导致这一现象的主要原因进行了分析, 并对小波分析及模糊神经网络在水文模型中的应用提出了合理化建议。     

基于小波网络的径流多时间尺度分析及预报方法研究

应用Morlet小波的多分辨分析功能,对嫩江和洮儿河汛期径流序列进行了多时间尺度分析,结果显示,嫩江汛期径流具有4年和25年左右的主周期,洮儿河汛期径流具有4年、10年和25年左右的主周期,二者丰枯变化位相基本一致并具有同步性.针对径流时间序列的非线性和多时间尺度特征,将小波分析与人工神经网络结合建立了组合预测模型,模型原理简单,预测精度较高.这证明小波神经网络用于径流中长期预报是可行的.     

潘家口水库枯水期月径流预报方法探讨

根据7种预报因子,建立7个预报方案,并将不同预报方案的预报结果再进行预报集成和预报决策,从而获得定量的枯水期月径流预报值。经用实测资料检验,结果表明方法可行,预报精度令人满意。     

基于四种方法的月径流预测研究

径流预测对于水资源的合理开发利用与统筹配置具有重要意义。根据黄土高原地区渭河支流-北洛河状头水文站和泾河张家山站的月径流资料,运用门限自回归模型、神经网络模型、方差分析外推法以及季节水平模型四种方法对其进行预测,观察模拟效果并比较各自优缺点。对于枯水期月径流,季节水平模型对于两站预测合格率均为100%;方差分析外推法对于状头站和张家山站预测合格率分别为90%,80%;门限自回归模型对于两站的预测合格率均为80%;神经网络模型预测两站汛期月径流合格率均为100%。表明季节水平模型适用于枯季月径流的预测,神经网络模型适宜于汛期月径流预测,并且精度良好。     

基于小波分析技术的中长期径流预测模型研究

针对中长期径流预测精度低的问题,提出了基于小波分析技术的时间序列预测模型。利用小波函数db(5)将年径流序列进行尺度为3的分解,得到相应的低频信号和高频信号,然后对各级分解信号利用ARMA(2,1)模型进行预报,最后将各预报结果叠加合成原始径流的预测值,并与ARMA模型直接预测的年径流值比较,通过实例得出前者预测模型要比后者预测的精度更高、稳定性更好,从而验证了该中长期径流预测模型的有效性。     

基于CEEMD-GRNN组合模型的月径流预测方法

针对径流序列的噪声因素与非线性特性,采用互补集合经验模态分解法(Complete Ensemble Empirical Mode Decomposition, CEEMD)与广义回归神经网络(Generalized Regression Neural Networks, GRNN)的组合模型,对汾河上游上静游站、汾河水库站、寨上站、兰村站1958～2000年的月径流序列进行实例研究,探究3种不同建模方式下的组合模型对预测精度的影响,其中组合模型1使用加权平均集成法将各分量预测结果相加,组合模型2去除高频分量后再使用加权平均集成法将剩余分量预测结果相加,组合模型3去除高频分量后将剩余分量预测结果直接相加;再将组合模型与单一GRNN模型进行对比。结果表明:各模型的确定性系数(NS)均大于0.5,预测结果均具有可信度;不同的月径流资料适用不同的建模方法,对于极差较小的月径流序列,组合模型1预测效果最好,与另外两种组合模型及单一模型相比,平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)分别平均减少26%,17%,23%;对于极差较大的径流序列,组合模型2预测效果最好,与另外两种组合模型及单一模型相比,MAE,MAPE,RMSE分别平均减少30%,28%,33%。组合模型2预测误差总小于组合模型3,即加权平均集成法对提高预测精度有一定作用。三种建模过程的CEEMD-GRNN组合模型预测误差均比单一GRNN模型小,说明组合模型较单一模型更适用于月径流预测。     

基于Volterra模型的月径流预测研究

引入低维混沌动力系统相空间坐标重构的Volterra自适应模型，对多年月均径流序列采用二阶Volterra自适应滤波器进行预测，以大渡河石棉水文站33年的月径流量预测为例进行验证，预测相对误差〈10％的月份占73．3％，相对误差〈20％的月份占90．0％，与人工神经网络预测结果进行对比，表明该方法准确率较高。     

小波网络模型在隔河岩水库径流预测中的应用

基于小波分析与人工神经网络提出一种小波网络模型,模型吸取了小波分析的多分辨功能和人工神经网络的非线性逼近能力,预测精度较好。在清江隔河岩水库年、月径流中长期预测中,得到满意的结果。     

逐步回归和BP神经网络模型的枯季月径流预测

枯季径流是工农业用水的重要来源,分析和预报流域枯季来水情况,可为科学制定用水方案、合理调配水资源提供依据。运用逐步回归模型和BP神经网络模型分别对盘龙河流域枯季月径流进行拟合和预报分析,并采用相关系数、相对误差、合格率对两个模型预测精度进行比较。结果表明BP神经网络模型预测精度更高,预测结果精度满足规范要求,更适用于盘龙河流域枯期月径流的预测。     

最近邻抽样回归模型及其在枯水期月径流预报中的应用

为合理调配水资源,做好枯季径流预报,可采用最近邻抽样回归模型进行预测。按照最近邻抽样回归模型的基本思路和实现算法,根据长江上游主要控制站——寸滩站1893年1月—2009年12月历史同期月整编资料,对该流域的枯季径流特性进行分析研究,通过建立模型,对模型预测效果进行验证。结果表明：该模型对枯季径流的预报精度较高,可用于作业预报。     

季节性AR模型在葛洲坝月径流预报中的应用

自回归模型属于线性平稳模型，只能描述平稳序列的统计特性。当水文序列具有季节性变化时，其统计特性则随季节而变，即随时间而变。文章探讨了季节性自回归模型运用中需注意的一些问题．并将其用来做葛洲坝入库月径流预报，取得了较好的效果。     

中国四大河月径流随机变化特性的探讨

本文依据中国四大河(长江、黄河、松花江、西江)观测资料,用随机水文学的方法探索了四大河月径流时序变化特性和空间变化特性并在此基础上研究了表征月径流变化特性的模型。结果表明简单的季节性一阶自回归模型加上随机项的偏态变换可用来表征月径流的时序变化,主站模型可用来表征月径流的空间变化。结果还表明:长江和黄河月径流量的变化基本上是同步的,长江和松花江的月径流量变化表现出异步的趋势。     

基于小波消噪偏最小二乘回归模型的径流预测

小波消噪方法,可消除原始数据序列存在的噪声;偏最小二乘回归分析方法,可减弱自变量间多重相关性在系统建模中的不利影响。为此,引入基于小波消噪的偏最小二乘回归分析方法进行建模分析,对奴各沙水文站1960-2000年的径流序列进行拟合和预测。结果表明,该模型在径流的拟合和预测中表现较好,具有较高的精度和较好的稳定性,可作为径流预测的有效方法。     

天生桥一级水电站月平均入库流量逐月滚动预测模型

由于江河流域的月平均流量变化与月尺度的短期气候变化密切相关,因此作为一种尝试,将月尺度短期气候变化的逐月滚动预测模型直接用于江河流域的月平均流量预测。文中从短期气候变化的逐月滚动预测模型出发,建立了天生桥一级水电站月平均入库流量的一种逐月滚动预测模型,并用该模型对天生桥一级水电站2004年1月以后的月平均入库流量进行预测,取得了较为满意的效果。     

尼尔基水库枯季径流预报方法分析

利用尼尔基水库52 a径流资料,分析了前后期径流（流量）相关法在尼尔基水库枯季径流预报中的适用情况,认为10月31日平均流量与11月至次年3月的径流量相关性较好,可用于尼尔基水库枯水期径流预报。     

自回归模型在月径流过程概率预报中的应用

把自回归模型用于月径流过程概率预报中。首先根据历史径流的概率分布利用自回归模型预报出一个概率，再根据这个预报出的概率进行径流概率预报。并把这种方法用于三峡电站的入库径流预报中，取得了较好的效果。