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。     

黄河水量调度径流预报方法研究

介绍了服务于黄河水量调度的中长期径流预报技术方法、主要模型、预报系统及应用情况,并对未来黄河流域径流预报发展方向进行展望。黄河中长期径流预报模型从每个控制站点水文序列的影响因子和自身演变规律出发,根据各站点不同时期、不同影响因素,选择适当的统计方法分别建立。非汛期径流预报模型主要以前期径流、降水为预报因子,采用多元回归分析、门限回归分析和时间序列分析等方法建立;汛期径流受降雨影响强烈,流域降水主要受大气环流等因子影响,因此从前期环流因子中挑选预报因子,建立了汛期径流预报模型;天然径流量预报模型主要采用实测径流还原、时间序列分析及大气海洋物理因子相关等方法建立。黄河中长期径流预报模型及预报系统的建立,提高了黄河流域径流预报技术水平和能力,在1999—2018年20 a的水量调度中,提供了准确的年度水量预报和旬月径流预报,其中每年10月中下旬发布的花园口站年度天然径流总量预报平均误差为3.7%,最小预报误差为0.6%。     

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。     

基于产流机制的中长期径流预测RBF神经网络模型研究

从产流的物理过程出发,提出了影响产流的主要因子集,利用逐步回归分析法筛选影响各月径流的主要因子;利用筛选的主要因子建立了逐月径流预报RBF神经网络模型,并进行了实证研究。结果表明,不同月份的径流量主要影响因子不完全相同,存在明显的季节性差异;基于产流机制的RBF神经网络模型对于月尺度的径流过程,具有较好的模拟与预测能力。     

基于EEMD与ANN混合方法的水库月径流预测

为了解决径流序列复杂的非稳态特征并提高径流的预报精度,采用EEMD-ANN组合方法构建径流预报模型,其中EEMD方法通过将非线性非稳态的水文序列分解为多组固有模态分量及趋势项,实现径流序列的稳态化,然后使用ANN方法分别进行预测,进而完成径流序列重构。以黄河龙羊峡水库为例,基于EEMD-ANN预报模型对入库径流量进行了预测,结果表明该方法可较精准地预测径流量。同时,通过对比分析发现,采用EEMD-ANN连续滚动预测月径流量在汛期的预报效果较好,而非汛期可采用同期预报的手段提高径流预报精度。     

基于随机森林和RBF人工神经网络模型的新丰江水库枯季入库径流中长期预报

基于随机森林和RBF人工神经网络构建了新丰江水库枯季入库径流中长期预报模型,首先采用随机森林模型从74个水文气象特征量和前期降雨、径流中筛选预报因子,之后利用筛选的预报因子作为RBF神经网络的输入层,利用RBF神经网络对新丰江水库枯季入库径流每月的流量进行预报。结果表明,基于随机森林和RBF人工神经网络模型的枯季径流中长期预报模型精度较高,其中训练期平均合格率为91.24%,平均相对误差为7.80%,检验期平均合格率为67.31%,平均相对误差为26.73%,模型有较高的可靠性,预报结果可作为东江流域枯季径流预报重要参考依据。     

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。     

多维关联规则挖掘在径流长期预报中的应用

关联规则是一种重要的数据挖掘技术。结合水文长期预报的特殊性,将多维关联规则挖掘方法应用于径流长期预报中。首先根据预报目标初选预报因子,构成长期预报事务数据集。然后对连续属性值进行属性分割,对处理后的数据集进行多维关联规则分析,挖掘出满足最小支持度和最小置信度的强关联规则,解释规则并建立模型。以嫩江江桥站汛期径流量长期预报为例,挖掘出满足要求的强关联规则,这些规则中蕴含着太阳黑子活动、北太平洋海温以及副高强度变化与江桥汛期径流量的关系,说明了多维关联规则挖掘方法应用于径流长期预报研究的可行性。     

基于不同核函数的SVM用于径流预报的比较

为提高径流预报的预测精度,分别采用基于RBF、ERBF的核函数对碧流河水库的年径流量建立了SVM回归模型。径流预报结果表明:基于ERBF核函数的SVM回归方法的预报误差、均方误差均比基于RBF核函数的SVM回归方法的结果小,径流预测精度也高于基于RBF核函数的SVM方法的结果。     

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。     

渭河流域多时间尺度径流变化特征及主控因子

为研究变化环境下渭河流域多时间尺度径流变化特征及影响因素,基于渭河流域咸阳水文站1961—2015年实测径流量数据,分析不同时间尺度上径流的变化趋势,并选取多个气象要素与归一化植被指数（normalized difference vegetation index,NDVI）构建向量自回归（vector autoregression,VAR）模型,量化各影响因素对径流变化的贡献程度,探讨全年、汛期和非汛期径流变化主控因子的差异性。结果表明,1961—2015年渭河流域径流整体呈下降趋势,汛期径流量占比为65.5 %。在年代尺度上径流的丰枯变化存在差异,1970—1979年和1990—1999年径流量呈显著减少趋势;影响汛期和全年尺度径流变化的主控因子均为降水,贡献率达50%,其次是太阳辐射,在汛期和全年的贡献率分别为14.37%、18.45%。非汛期影响径流变化的主控因子为NDVI（贡献率30.08%）与太阳辐射（贡献率30.05%）,且NDVI对径流变化的滞后效应更明显,其他因子贡献大小依次为降水、空气比湿、气温。     

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。     

基于多项式回归模型的枯季径流预报与分析

冶河流域径流的补给来源主要是大气降水,径流和降水主要集中在5月-10月.由于受地质环境条件、流域下垫面因素作用,汛期径流与枯季径流存在良好的相关关系.枯季径流预报采用汛期径流量与枯季径流量建立多项式回归模型,通过对不同阶数的多项式进行对比分析,三阶多项式曲线拟合程度较好.采用符号检验和偏离数值检验法对该曲线进行检验,曲线拟合效果显著.并对枯季径流预报结果进行评价,按照枯季径流预报规范的要求,预报合格率达89.3%.该流域枯季径流,是沿河工业用水、灌溉用水的主要来源,分析和预报冶河枯季径流来水情况,为制定工农业用水方案提供科学依据.     

基于Elman网络的黄河源区径流评估模型

黄河源区来水量对黄河上游乃至整个流域供水有重要影响,研究黄河源区汛期径流变化规律和来水趋势,对黄河流域水量持续利用和优化配置有重要作用.针对黄河唐乃亥水文站近48 a(1959～2006年)径流流量及年降雨情况,利用反馈Elman网络,尝试建立了黄河源区汛期径流评估模型.并利用matlab7所提供的神经网络工具箱对其进行了仿真实验.预报结果表明,该模型能较好地反映唐乃亥水文站汛期径流量的规律.     

耦合二次因子筛选和深度学习的径流预报研究

径流影响因子的有效筛选是径流预报研究的关键环节。然而影响径流的要素众多,且因子间存在复杂的相互作用。现有研究大都采用一次因子筛选的数值驱动模型,且研究结果表明输入因子在空间上存在数据冗余,导致预报效果不佳。基于此,以渭河流域为例,对比分析支持向量回归(SVR)与长短记忆网络模型(LSTM),并选出最优的预报模型为LSTM模型。采用主成分分析法与灰色关联度分析法对输入项进行二次筛选,形成主成分分析、灰色关联度分析法与长短记忆网络的耦合模型。结果表明：(1)LSTM的拟合精度高于SVR;(2)二次筛选输入项提升了预报精度,耦合模型的预报精度均优于单一模型,其中耦合模型相对单一模型的模型精度评价指标均有大幅度提升;(3)灰色系统关联分析耦合模型相比主成分耦合模型的纳什效率系数、确定性系数分别提升了0.13%、0.03%,观测值标准偏差比提升了42.9%。研究表明采用灰色关联度进行二次因子筛选,能够有效提高预报精度。     

基于支持向量回归机的长期径流预报 及不确定性分析

根据汉江流域皇庄站1981-2008年逐月径流量与1980-2007年逐月74项环流指数、北太平洋海温场、500hPa高度场的相关关系,利用逐步回归挑选预报因子,构建基于遗传算法的支持向量回归机模型(GA-SVR),并对2009-2013年逐月径流量进行预报;结果表明,径流预报精度较高,汛期平均相对误差在30%以内,非汛期、年总量平均相对误差在20%以内,均优于随机森林和多元线性回归模型。将GA-SVR模型的预报结果作为概率预报的基础,采用贝叶斯理论中的水文不确定性处理器(HUP)对预报的可靠度进行分析;结果表明,HUP不仅可以提供精度更高的定值预报,还能以置信区间的方式量化预报的可靠度,提供更为丰富的预报信息。     

西营河出山口径流变化规律及其影响因素分析

为了掌握石羊河源头来水情况,依据西营河出山口控制站九条岭水文站实测径流系列资料以及相邻雨量站、气象站观测数据,分析了流域气温、降水、径流、洪水的变化规律。采用kendall相关法、spearman相关法、线性趋势法等3种方法对历年年径流量进行趋势性检验,表明年径流量呈不显著减少趋势;采用有序聚类法、Lee-Heghinan法对年径流量序列跳跃点显著性进行检验,表明年径流量出现1961、1990、2002年3个跳跃年份。建立九条岭站年、汛期、月径流与气温、降水的相关关系,通过枯水期11—次年2月上月径流评估当月径流,采用气温、降水等气候预报因子评估3—10月径流,预测结果可为石羊河流域生态调水、水资源管理和生态环境保护提供重要依据。     

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。     

汉江上游径流情势变化及归因分析

基于 Budyko 框架及径流变化情势指标同气象因子的拟合关系，拓展 Budyko 方程并得到微分方程。选择汉 江上游安康和白河水文站的年均径流、汛期平均径流和非汛期平均径流资料系列，开展径流情势变化及归因研究。 结果表明：所有径流指标均发生变异且明显减小；多元对数线性回归模型拟合的相关系数大于 0.90，能够较好预 估径流变化情势指标，并捕捉到径流变化情势指标同气象参数之间的非线性关系；基于 Budyko 假设的互补关系 法性能优于全微分法，气候（流域下垫面）变化对安康站年均径流量、汛期平均径流量和非汛期平均径流量贡献的 绝对值分别为 35.89%?(64.11%)、34.58%?(65.42%) 和 71.12%(28.88%)，对白河站年均径流量、汛期平均径流量和非 汛期平均径流量贡献的绝对值分别为 34.82%(65.18%)、26.29?%(73.71%) 和 35.11%(64.89%)。     

基于随机森林和RBF神经网络的长期径流预报

基于我国南方某河流1965—1999年每年7月的实测流量资料,首先采用随机森林模型筛选预报因子,之后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2000—2008年每年7月的流量进行了"滚动式"预报,并与实测结果进行了对比。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。