不同输入方案对径流预测精度的影响研究

径流预测对合理利用有限的水资源至关重要。基于成因分析法、主成分分析法(PCA法)、核主成分分析法(KPCA法)分别构建3种不同的模型输入方案,并采用自适应模糊推论系统(ANFIS模型)对河南省北汝河汝州水文站月径流量进行预测,依据均方根误差与相关系数对预测精度进行评价,从而明晰不同变量选择方法在径流预测当中的应用效果。结果表明:ANFIS模型适用于研究区的径流预测。PCA法、KPCA法分别构建的模型输入方案与成因分析法得到的方案相比,不但变量数目大幅减少,而且径流预测精度亦有大幅度的提高。与此同时,PCA法较KPCA法更适合重建研究区的径流预测变量方案。另外发现,模型运行时间与输入方案中的变量个数关系紧密,即变量个数越少,运行时间越短。     

基于遗传算法优化极限学习机模型的干旱预测——以云贵高原为例

为准确预测干旱情势,提高防旱抗旱能力,构建了遗传算法优化的极限学习机(GA-ELM)模型进行干旱预测。以近年来干旱频发的云贵高原为研究区,利用该模型以关键致旱因子为输入变量实现了云贵高原中长期干旱预测,并与自适应神经模糊推理系统(Adaptive Neural Fuzzy Inference System,ANFIS)模型、极限学习机(Extreme Learning Machine,ELM)模型的预测结果进行比较。结果表明:GA-ELM模型适用于云贵高原地区的干旱预测;与ELM模型相比,不同时间尺度下GA-ELM模型的干旱预测结果精度均有明显提升;在干旱强度和干旱历时方面,GA-ELM模型的预测精度总体上也优于ANFIS模型。     

基于EMD-LSTM-ANFIS模型的年径流预测研究

为提高径流预测精度,提出基于经验模态分解(EMD)和长短期记忆(LSTM)神经网络、自适应神经模糊推理系统(ANFIS)相结合的径流预测模型。通过EMD将原始径流序列分解成多个更具规律的分量序列,利用自相关函数法(AFM)和虚假最邻近法(FNN)对每个分量序列进行相空间重构,确定输入、输出向量,建立EMD-LSTM-ANFIS预测模型,并构建EMD-LSTM、EMD-ANFIS、LSTM、ANFIS作对比模型,利用建立的5种模型对云南省龙潭站年径流进行预测及对比分析。结果表明:EMD-LSTM-ANFIS模型对实例年径流预测的平均相对误差为3.18%,平均相对误差较EMD-LSTM、EMD-ANFIS、LSTM、ANFIS模型分别降低55.0%、65.2%、68.1%、78.4%,具有更高的预测精度和更强的泛化能力。EMD-LSTM-ANFIS模型用于径流预测是可行和可靠的。     

基于多元变量组合的回归支持向量机集成模型及其应用

为进一步提高径流预测的精度和泛化能力,提出基于多元变量组合的回归支持向量机(SVR)集成年径流预测模型,以云南省龙潭站年均径流预测为例进行实例研究。首先,以实例1—10月月均流量作为预测因子,采用相关分析法确定预测因子与年均径流量的相关系数,按照相关系数大小顺序依次选取预测因子,构建2维输入变量~10维输入变量的9种SVR模型对实例后12年的年均径流量进行预测。最后,采用简单平均(SA)和加权平均(WA)两种集成方法对具有较高预测精度的7种SVR模型的预测结果进行综合集成。结果表明:①SVR模型的预测精度随着输入变量维数的增加明显提高。②SA-SVR和WA-SVR模型对实例后12年年均径流量预测的平均相对误差绝对值分别为1.73%和1.79%,最大相对误差绝对值分别为6.34%和6.47%,精度和泛化能力均优于各SVR模型。相对而言,由于采用多个SVR模型进行集成,SA-SVR模型预测效果略优于WASVR模型。     

加权马尔可夫链在友谊农场降水预测中的应用研究

根据年降水具有相依随机变量的特点及1969~2007年友谊农场年降水量资料,采用统计方法,建立转移概率矩阵,以规范化的各阶自相关系数作为权重,应用加权的马尔可夫链模型预测友谊农场2008年的降水量。结果表明,预测值与实际值吻合,应用加权的马尔科夫链模型预测未来降水量具有较高的可行性。     

蚌埠市年降水量的权马尔可夫链预测

按照降水量丰、偏丰、平、偏枯、枯划分标准，对安徽省蚌埠市1950～2006年年降水量划分5种状态，并对该状态系列进行马氏验证。然后以规范化的各阶自相关系数为权重，建立蚌埠市年降水量的权马尔可夫（Markov）模型，预测未来降水的丰枯变化状况，获得了较为满意的结果。     

基于隶属度修正的加权马尔可夫链的降水预测

应用Fisher最优分割法将榆林地区1951—2015年的年降水序列划分为9个状态,采用规范化的各阶自相关系数为权重,建立了加权马尔可夫链模型。以属于同一状态的所有降水量的均值作为聚类中心,应用模糊C均值聚类(Fuzzy C-Means,FCM)算法中的隶属函数计算隶属度,以隶属度向量作为预测时的初始状态向量。该模型逐年预测了榆林市2006—2015年的降水状态,结果全部与实际情况一致。基于马尔可夫链的预测结果,采用模糊集中的级别特征值理论分别预测了2006—2015年的降水量,所有预测结果的相对误差都在10%以内,初步表明基于隶属度修正的加权马尔可夫链模型是合理可行的。     

基于RBF神经网络的河川年径流量预测

文章以新疆开都河年径流量为研究对象,选用能够模拟输入与输出层非线性关系的径向基函数(radial basis function,RBF)神经网络,构建了河流年径流量预测模型。研究结果表明:通过自相关系数法,选用河流自身前1~5 a径流量作为输入层,当前年径流量作为输出层,利用Matlab软件建立RBF神经网络模型,预测开都河2008—2012年径流量,预测值最小相对误差为3.22%,最大相对误差为7.61%,平均相对误差为5.19%,相关系数为0.863;通过对预测样本实测值与模拟值进行经典统计学分析,2组数据间无显著性差异。这说明RBF人工神经网络模型用于模拟预测河川年径流量是可行的。     

基于互信息的湖泊日水位预测——以西洞庭湖为例

鉴于传统的湖泊水位预测在输入因子选择时具有一定的盲目性,以西洞庭湖为例,利用基于互信息的输入因子选择法建立了日水位预测模型。按河流生态功能将水文年划分为枯水期、汛前涨水期、汛期、汛后退水期4个时期,然后分期计算影响湖泊日水位的自变量与日水位的互信息,并引入广义相关系数将互信息归一化,选出各时期互信息最大的自变量因子作为模型的输入变量。经过模型计算与数据分析可得:F检验结果显著,回归值与实测值的相关度高,剩余标准差小。由此证明用互信息筛选出的因子作为模型的输入变量能取得较好的精度并在实际中易于操作。     

长江源高寒区域河川径流预测方法及其对比分析

为了更好地预测长江源高寒区域水文循环尤其是径流过程的变化规律,根据沱沱河站(1961年-2009年)共49年的降水和径流资料,以降水量作为输入向量,径流量作为目标向量,分别采用偏最小二乘回归估计、改进的BP神经网络和RBF神经网络建立了径流预测模型,并利用Matlab工具软件编程求解。通过三种计算方法预测结果的分析与对比表明:偏最小二乘回归估计模型的径流预测结果基本合理,但该方法需要降水数据作为已知条件,同时要求降水和径流的相关性较高,对于长江源高寒区域来水复杂的地区不是很合适;改进的BP网络模型因受到神经网络学习和训练的随机性影响,需要相当大的运算量,而且预测精度也不高,如果合理选择RBF神经网络模型的周期和spread值,其径流预测结果的精度相对较高,所以是值得推荐的方法。     

基于主成分分析法的ANFIS模型及其应用

利用泾惠渠灌区1981—2010年的地下水埋深数据,采用主成分分析法对影响地下水埋深的7个因子进行分析,结果表明降水量、蒸发量、渠灌引水量、地下水开采量以及渠井用水比5个因子作为主要影响因子,构造ANFIS模型,经训练后模拟结果与实际值较吻合,可以较精确地对未来的地下水埋深进行预测。     

基于广义可加模型的降水空间估算模型

采用太湖流域浙西区33个站点1989—2013年的降水观测资料,基于广义可加模型建立了该区域年降水空间估算模型,得到了该区域分辨率为1 000 m×1 000 m的降水栅格数据。借助多种统计指标,分析了不同预测因子对降水空间估算结果的影响,特别比较了是否将高程作为预测因子情况下的年降水量估算差异。结果表明:加入高程因子作为广义可加模型的预测变量后,无论是模型的优良性还是降水空间估算精度均有所提高,能够更合理地描述浙西区降水空间分布受地形影响的特征。此外,从模型偏态效应图来看,浙西区降水量随着纬度的增加明显减小,随着高程的增加显著增大,而随经度的变化则不明显。     

模糊神经网络水文预报模型在洺河流域的应用

本文选取雨强距离指数(IPD)及其他有关参数等作为自适应神经模糊推理系统(ANFIS)水文预报模型的输入,提出雨强距离指数的定义及其目的和意义。为剖析雨强距离指数在水文预报模型中的应用,分别建立不包含雨强距离指数的模型A与包含该指数的模型B进行对比评价。结果表明,将雨强距离指数作为ANFIS水文预报模型的输入能够提高模型的预报精度。     

基于EEMD-LSTM组合模型石家庄月降水量预测研究

为了探讨EEMD-LSTM算法对石家庄逐月降水量进行预测的可行性,通过对石家庄市1980-2020年降水数据进行分析发现,该地降水具有不稳定性和复杂性。为解决这一问题,采用经验模态分解(EEMD)方法对降水数据进行预处理,并将提取出的各模态每个子序列(IMF)输入到LSTM神经网络中进行预测。结果表明,EEMD-LSTM算法在石家庄逐月降水量预测中具有较好的性能,其预测结果与实际观测值的误差较小,相应的MAE和RMSE分别为2.12、3.13mm,决定系数为0.92。研究表明,EEMD-LSTM算法可作为一种新的有效工具,用于石家庄市降水量预测研究。     

加权马尔科夫链在济南市降水量预测中的应用

依据济南市1960—2014年的降水量资料,采用均方差分级法对年降水量进行分级,将其分为枯水年、偏枯年、平水年、偏丰年、丰水年5个状态,同时验证此序列满足马尔科夫要求。在此基础上,以规范化的各阶自相关系数为权重,建立了适用于济南市年降水量的加权马尔科夫链预测模型,并根据模糊集理论中的级别特征值对降水量进行了预测。结果表明:12015年、2016年济南市的降水量状态均为平水年,年降水量分别为691.21、645.28 mm;2济南市年降水量处于偏枯年及平水年状态的可能性比较大,其重现期分别为5.38、2.34 a。     

加权马尔柯夫链在降水预测中的应用研究

在介绍马尔柯夫链预测基本原理和方法后,针对年降水量是相依随机变量的特点,采取以各阶自相关系数为权重,以某水库1965-2005年降水量的统计资料为实例,用马尔柯夫链模型预测了某水库未来年份的旱涝状态。     

ANN、ANFIS和AR模型在日径流时间序列预测中的应用比较

水文预测是水文学为经济和社会服务的重要方面。其预报结果不仅能为水库优化调度提供决策支持,而且对水电系统的经济运行、航运以及防洪等方面具有重大意义。自回归模型(AR模型)、人工神经网络(ANN)和自适应神经模糊推理系统(ANFIS)在日径流时间序列中应用广泛。将这三种模型应用于桐子林的日径流时间序列预测中,不仅采用纳什系数(NS系数)、均方根误差(RMSE)和平均相对误差(MARE)为评价指标,对三种模型的综合性能进行了比较。而且,在对三种模型预测结果的平均相对误差的阈值统计基础上,分析了三种模型的预测误差分布。同时,通过研究模型性能指标随预见期的变化过程评价了三种模型不同预见期下的预测能力。结果表明ANFIS相对于ANN和AR模型不仅具有更好的模拟能力、泛化能力,而且在相同的预见期下具有更优的模型性能,可以作为日径流时间序列预测的推荐模型。     

DARMA模型在中国日降水量随机模拟中的适用性研究

为提高日降水量随机模拟精度,研究了DARMA模型模拟中国日降水量的普适性。采用中国大陆811个气象站点的日降水系列,建立DARMA(1,1)模型以模拟日降水事件的发生,进行自相关系数、干湿游程概率分布检验,根据Gamma函数随机生成不同湿游程序列日降水量,与DAR(1)模型对比。研究结果表明：中国超过50%的降水为2日及以上的多日降水事件,自相关系数衰减缓慢,符合DARMA模型特征;模拟产生的干湿游程概率分布精度优于DAR模型,优势随着降水量增加更显著,模拟序列统计特征值除均值外均优于DAR模型。DARMA模型适用于中国大陆地区日降水量的随机模拟,是一种可行的日降水量随机模拟模型。     

基于天气预报改进模型ET0实时预报应用

建立了以Penman Monteith(PM)方程计算参考作物需水量(ET0)为因变量,天气预报可测因子(日最高、最低气温、反映天气类型的阴晴指数、风力等级)为自变量的多元回归线性模型,应用自适应神经模糊推理系统(ANFIS)进行修正残差的改进模型.通过与PM计算ET0结果分析,改进模型预测结果相对于多元线性回归模型具有精度高、整体拟合度好,具有较好的预测效果.改进模型的输入项完全可以从当前短期天气预报中获得,且将两种基础方法结合,操作运行简单等优点,在实时灌溉预报中有一定的推广意义,具有实用价值.     

时间序列模型在辽西降水量动态预测的应用

文中结合时间序列模型,对辽宁西部地区的降水量进行了动态预测。研究结果表明:时间序列模型预测的年降水量和区域实测年降水量之间的相关系数达到0.839 6,在4个季节中,夏季预测的降水量相关度最高,达到0.872 5,冬季预测值和实测值相关性最低,为0.590 3,但也可满足降水量预测精度要求。研究成果对于辽宁西部地区降水量动态预测提供参考价值。