耦合数值降雨信息的径流预报方法对比

为优化流域径流预报方案,引入数值降雨预报信息,对比分析了不同预见期下新安江-融雪径流预报模型(XAJ-DDF)、基于总误差分析途径的概率预报模型(HUP)、多因子最近邻抽样回归模型(NNBR)在大渡河上游丹巴断面的日径流预报精度.结果表明,汛期,HUP模型表现最优且稳定,3、7 d预见期NS分别大于0.9、0.7,且伴...     

BFS-HUP模型在潼关站洪水概率预报中的应用

采用马斯京根演算法作为确定性预报模型,并选用贝叶斯预报系统(BFS)的水文不确定性处理器(HUP)作为概率预报模型,获得预报变量的概率分布,实现黄河潼关站洪水的概率预报。将预报变量概率分布的中位数作为定值预报与确定性预报进行对比,发现预报精度有所提高,表明贝叶斯模型的预报校正能力较强。通过设定不同确定性预报精度的情景方案,探讨了确定性预报精度对概率预报可靠度的影响。结果表明,随着确定性预报精度的提高,概率预报区间宽度和离散度均有所减小;HUP洪水概率预报的可靠度对确定性预报的偶然性误差比较敏感,对系统偏差相对不敏感。     

基于PSO-BP神经网络的西洞庭湖南咀站径流预测

为建立因子少、预报周期短、预报精度高的西洞庭湖控制性水文站南咀站的月平均径流量预报模型,通过对松滋-太平水系控制性水文站安乡、澧水控制性水文站石龟山站月平均水位、流量以及沙湾站月平均水位进行相关性、因子贡献率分析,确定输入因子,借助PSO-BP神经网络对南咀站1956年1月至2005年12月各月平均径流量进行训练,获取网络结构及参数进而预测2006年1月至 2008年12月各月径流量。结果表明：① 石龟山、安乡站水位对南咀站月平均径流量影响最显著;② 汛期、非汛期的划分一定程度上可提高南咀站月平均径流量预报精度;③ 以安乡、石龟山站月平均水位、流量以及沙湾站月平均水位作为输入因子,PSO-BP神经网络预报效果最好,合格率77.8 %,预报等级为乙级;④ 基于相关性、因子贡献率分析,将安乡、石龟山站作为输入因子,预报合格率降为61.1 %,预报等级降为丙级,但仍满足预报要求。     

丹江口水库来水情势分析与径流预测

基于丹江口水库1956—2016年逐月平均流量资料,采用数理统计手段分析丹江口水库年径流量的周期性和趋势性;从百项气候系统指数集和太阳黑子数中筛选出预测因子,构建月平均流量与预测因子间的多元线性回归模型和随机森林模型,实现丹江口水库月径流预测。结果表明,丹江口水库年径流量呈显著的减小趋势,并伴随有6～8 a、18～21 a两类尺度的周期振荡特性;以2017年逐月平均流量为例,随机森林模型和多元线性回归模型的预报合格率分别为83.3%、75.0%,预报精度均较好,且随机森林模型的预测精度优于多元线性回归模型,可用于丹江口水库月径流预测。     

基于改进RBF神经网络的新疆黄水沟径流预报

依据新疆黄水沟水文站1961~2005年逐月实测流量资料,采用随机森林模型筛选预报因子,利用筛选的预报因子作为RBF神经网络的输入层,利用RBF神经网络对该河流2006~2013年径流量进行"滚动式"预报,并与实测结果进行对比。结果表明:随机森林模型能有效地筛选影响因子,利用这些因子采用RBF神经网络进行径流预报的相对误差均在10%以内,拟合效果很好;"滚动式"长期径流预报结果相对误差的绝对值均在20%以内。     

巴基斯坦卡洛特水电站实时洪水预报系统设计及运用

针对巴基斯坦卡洛特水电站施工期洪水预测预报问题,结合吉拉姆河流域特性,设计了巴基斯坦卡洛特水电站实时洪水预报系统。对预报系统结构、重要数学模型以及运行流程进行了介绍,并利用"20180420"和"20180807"洪水对预报系统的精确性进行了检验。结果表明:卡拉斯-帕坦区间两场洪水平均洪峰相对误差和峰时误差分别为11.7%和0.5 h,帕坦-卡洛特坝址区间两场洪水平均洪峰相对误差和峰时误差分别为0.55%和0.5 h,结果均满足要求。巴基斯坦卡洛特水电站实时洪水预报系统能较好地对汛期洪水进行预报,为卡洛特水电站施工期防洪度汛提供了科学依据和技术保障。     

全球气象模型 GFDL-SPEAR 月降水预报订正与检验

由于全球气象模型产生的原始预报通常包含复杂的误差,为评估新一代的GFDL-SPEAR模型对我国各二级水资源区的适用性,构建伯努利-伽马-高斯模型开展统计订正的对比实验,从逐月与累计降水2个方面评估预报的相关性、系统偏差、可靠性以及预报精度,从而辨析原始预报的误差并分析预报订正的作用。结果表明：GFDL-SPEAR原始预报与观测呈现良好的相关关系,但包含?20%到50%的系统偏差,导致预报可靠性与预报精度较低;伯努利-伽马-高斯模型能够有效订正系统偏差,生成可靠的预报时间序列,使逐月与累计降水的预报精度分别提高约25%和45%;相比总量订正,逐月订正能够进一步提高预报精度。整体上,订正后的GFDL-SPEAR降水预报可为流域水资源调控与防洪抗旱提供6个月乃至1年预见期的重要信息。     

提高汤河水库后汛期产流预报精度研究

汤河水库洪水预报方案在主汛期的产流、汇流精度均在90％以上，应用效果较好。但在后汛期（8月21日～9月20日）发生的洪水预报径流量比实际入库径流量偏大，预报精度较低，不能满足水库调度的需要。对汤河水库建库后的洪水资料进行了全面计算分析，通过修订模型参数，可使平均预报精度达到82％。     

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。     

灰色动态模型在黑河流域径流预测中的应用

根据黑河流域莺落峡水文站2000-2012年的径流量数据建立灰色动态GM(1,1)模型,对2013-2016年径流量进行预测和分析,并采用残差检验公式对模型精度进行检验。分析后的结果表明:莺落峡水文站年径流量的预测平均相对误差范围在20%以内,符合预测精度要求,因此,还原计算预测的2013年、2014年、2015年和2016年的径流量分别为17.64亿m3、17.81亿m3、17.98亿m3和18.16亿m3。     

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。     

珠江梧州水文站枯季月径流预报

梧州站流量作为珠江下游河口地区压咸控制流量,其上游来水的丰枯直接关系到珠江流域枯季水量统一调度的成功实施。基于梧州站枯季(10月-3月)月径流资料,采用逐步回归法提取径流序列的趋势项、周期项,自回归方法预测随机项的组合预测方法建立了梧州站枯季径流预报模型。结果表明:逐步回归与自回归组合的方法在径流预报中取得了较好的预报效果,1月径流预报精度达到甲等,10月、11月、12月、2月以及3月预报精度均达到乙等,可用于实际水文预报工作中。     

数学模型在漫湾水电站中长期预报中的应用

水文中长期预报作为防灾减灾以及进行水资源优化调度、水电站运行管理的重要依据,一直是水文工作中的重点和难点。为了探究不同数学模型在漫湾水库的适用性,选定人工神经网络、最近邻抽样回归、线性回归3个模型对漫湾水库进行月径流模拟,并将各个模型的模拟径流进行对比和精度评价。最终选定模拟精度较高的最近邻抽样回归方法建立漫湾水库月径流来水预报方案。     

基于物理成因识别的第二松花江汛期径流预报

针对第二松花江流域中长期径流预测精度较低问题,为了分析物理预报因子的作用过程以提高汛期洪水预报精度,选取太阳黑子相对数为物理影响因素,进而识别其影响时滞,以影响时滞期内的太阳黑子相对数作为径流预报因子,以汛期(6—9月份)月平均径流为预报项目,采用BP神经网络识别映射关系,采用历史资料作为训练样本,完成网络训练和检验。以第二松花江干流控制性水利工程丰满水库为例,对2017年汛期月平均径流进行预报。结果表明:丰满水库汛期月平均入库流量为1 400 m~3/s,来水频率为11%,定性预报第二松花江流域2017年为丰水年;2017年丰满水库实际来水141.00亿m~3,为多年均值的112%,为偏丰来水年份,来水定性预报正确。该方法的创新点在于:采用全局敏感性分析方法识别太阳活动的影响时滞,以确定预报因子;采用BP网络模拟预报因子与预报项目的复杂非线性相关关系,以构建预报网络。研究成果为2017年吉林省水文预报和防汛决策提供了重要支撑。     

二滩水电站中期径流序列预测研究

分别利用门限回归模型（TR模型）和人工神经网络模型对二滩水电站的月平均径流量序列进行了预测。通过计算可知，门限回归模型和人工神经网络模型都可以很好地解决月平均径流的预测问题，相对误差总体上都比较小。但门限回归模型计算繁琐，不能及时、快速得到计算结果，而人工神经网络模型计算快速，占用内存小，还有很好的容错性，即使在数据不完全的情况下，也能及时准确地得到径流预报值。考虑到模型自身的特点和优势，在实际运行中推荐使用人工神经网络模型进行月平均流量的计算和预测。     

R/S-GM(1,1)组合模型在径流预测中的应用

基于R/S分析法能提供有效的非线性科学预测,河川径流具有灰色禀性,为了提高河流径流预报精度,提出了R/S分析与灰色理论相结合的河川径流预测方法。该方法可以克服径流灰色预测存在的数据波动较大时预测精度降低的缺陷。将该方法应用到黑河莺落峡站和正义峡站的年径流量、汛期和非汛期径流量6个序列进行径流预测验证。结果表明:两站年径流量和汛期径流量序列的预测精度都在90%左右,非汛期径流量序列在80%以上,各径流序列预测结果与Mann-Kendall趋势检验一致,预测结果可靠,为河流径流量的科学预测提供了一种新方法。     

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。     

基于小波分析的月径流ARIMA预测方法

将一种基于小波分析的自回归滑动平均求和（ARIMA）模型用于月径流的预测。首先利用小波变换良好的局部化特性，将月径流序列分解成不同时间尺度上的子序列；然后对各个子序列利用ARIMA模型进行预测。将采用基于小波分析的ARIMA模型的预测结果与直接使用ARIMA模型的预测结果进行比较，结果表明引入小波变换提高了月径流预报精度。