基于改进型MF-DFA的月径流序列多重分形分析

应用改进的多重分形消除趋势波动分析法对长江流域某水文站多年月径流资料进行分析计算,结果显示,月径流序列具有长程相关性和多重分形特征,并采用二项倍增串级模型,对其多重分形谱拟合,表明月径流序列具有较强的多重分形性。通过对其初始序列、重排序列和替代序列进行对比分析,揭示出月径流序列多重分形特征是序列本身的长程相关性和胖尾概率分布共同作用的结果,且胖尾概率分布起主要作用。     

不同时间尺度径流的多重分形特征解析

径流时间序列的变化过程呈现出复杂的非线性特征,分形是非线性时间序列的典型特点。以锦江流域为例,研究了1967年～2018年的年、月尺度平均流量时间序列的多重分形结构特征。分析结果表明,锦江流域过去52年的年、月尺度的平均流量均表现出明显的多重分形特征。其中,年平均流量的波动幅度最小,月平均流量中9月平均流量序列的波动幅度较大,即9月平均流量表现出强烈的多重分形特征;锦江流域10月平均流量波动行为的混乱程度和奇异性最低,而11月平均流量波动行为的混乱程度和奇异性最高。研究说明锦江流域年、月平均流量时间序列具有较为复杂的混乱特性,可为锦江流域年、月平均流量的复杂性规律的解析提供依据。     

克鲁伦河月径流混沌时间序列的LS-SVM和RBF预测

采用相空间重构理论计算实测月径流的延迟时间、嵌入维数、G-P饱和关联维数和Laypunov指数,证明克鲁伦河月径流时间序列存在混沌现象。混沌时间序列的最小二乘支持向量机预测模型涉及参数较少,计算过程简便,训练速度快。RBF神经网络预测模型具有较快的训练速度和较强的非线性映射能力。同时,二者在建模中都引用了径向基函数,从而更加简化了非线性问题的求解。实例表明:将这两种模型应用在月径流时间序列预测上,其运算速度都很快,但在预测精度上,最小二乘支持向量机预测模型要优于径向基神经网络预测模型。     

基于核密度估计的AM-MCMC算法在径流模拟中的应用

无资料或资料稀缺地区的径流概率模拟, 是目前水文研究难点问题之一。 基于此, 利用Kernal核密度估计法估算出流量的月径流概率密度函数, 采用基于自适应采样算法(Adaptive Metropolis algorithm, AM)的马尔可夫链蒙特卡罗(Markov Chain Monte Carlo,MCMC)模拟方法求解, 最后给出月径流量的模拟预测。 实例表明基于Kernel核密度估计的AM-MCMC算法模型计算结果精度较高, 有良好的应用价值, 可在资料较少地区推广使用。     

气候变化下奎屯河流域径流特征分析

近年来,人类经济活动加快以及气候的变化,导致径流特征发生一定的变化,这为径流预报、水资源的合理规划及利用增加了难度。目前,随着气候的变化,奎屯河流域的径流特征也发生了极大的变化。根据1972—2017年奎屯河流域月径流量以及气温、降水实测数据,通过基本统计方法、累计距平法、MK检验等方法,分析了奎屯河流域两条主要河流在气候变化影响下的年内变化、年际变化和周期变化趋势等特性。结果表明:奎屯河与古尔图河年径流序列分布规律较为相似,主要体现在年径流分布较为集中,离散程度小,分布呈正偏,极值数据集中度较好;奎屯河、古尔图河,相对变化幅度均呈现减小的趋势且河流年内分配逐渐趋向均匀,其中奎屯河径流量46 a间平均上升速率为0.38×10~8m~3/10 a;古尔图河平均上升速率为0.214×10~8m~3/10 a;奎屯河、古尔图河年径流序列演化过程分别存在着4～8 a、10～15 a、20～25 a以及5～15 a、20～30 a尺度的周期变化规律,第1主周期分别为23 a和22 a;奎屯河径流量与气温Pearson相关性系数为0.703~(**),呈极显著相关的关系;古尔图河径流量与气温、降水Pearson相关性系数分别为0.698~(**)、0.225~(**),呈极显著相关的关系。     

基于集成学习模型的非平稳月径流预报

针对变化环境下月径流序列的非平稳性日益加剧,传统径流预报模型采用普通学习算法的局限性,基于Bagging和Boosting集成学习算法,构建了随机森林(RF)、梯度提升决策树(GBDT)和轻梯度提升机(LightGBM)3种集成学习模型,融合弹性网(EN)和变分模态分解(VMD),建立VMD-EN-RF、VMD-EN-GBDT和VMD-EN-LightGBM非平稳月径流组合预报模型,并以黄河流域实测月径流为研究对象,评估预报结果的不确定性。结果表明：单一集成学习模型能够提供可靠的预报结果,适用于非平稳月径流预报;融合VMD和EN的集成学习模型预报性能较单一集成学习模型有了显著提高,纳什效率系数提升了15%～20%,均方根误差降低了30%～40%;基于Boosting集成方法构建的集成学习模型优于Bagging集成方法,其中VMD-EN-LightGBM预见期3月内的预报效果优于VMD-EN-RF和VMD-EN-GBDT,在90%置信度的区间预报覆盖率高于90%,表现出良好的性能。     

基于DFA的长江上游径流演化标度特性研究

针对河川径流时序所具有的非线性与非平稳性特征,运用消除趋势波动分析法（Detrended Fluctuation Analysis,DFA）对长江上游控制性水文站-宜昌站1878～2001年的月均流量时序的演化特征进行了研究,以揭示该流域河川径流的长程相关性及其内在规律性。结果表明：长江上游河川径流时序波动具有长程相关性,且其标度指数具有显著的区域性,即在短时间尺度上具有强烈的正持续性,在长时间尺度上具有强烈的负持续性,且其正持续性至多可持续19个月,显示了长江上游流域产汇流系统演化具有复杂的物理机制     

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。     

汉江月径流量混沌特征分析

在介绍混沌运动的特点和相空间重构原理的基础上，探讨了混沌分析的主要定量指标嵌入维数和时间延迟的选取方法。以汉江干流站月径流量序列为例，根据计算的时间延迟，用G—P关联算法和改进的G—P关联算法分别计算关联维数，对两种方法判断月径流的混沌特性进行了分析，结果表明汉江干流安康站、白河站、丹江口站和皇庄站的月径流序列均为随机序列，改进的G—P关联算法能客观地确定出径流量是否为混沌序列。     

基于ASWPD-BO-GRU的月径流量预测模型

为提高月径流量预测精度,并针对传统分解集成径流预测模型错误使用未来数据的问题,提出并建立了基于自适应小波包分解（ASWPD）和贝叶斯优化（BO）的门控循环单元（GRU）月径流量预测模型（ASWPD-BO-GRU）。首先,利用ASWPD对原始月径流量时间序列进行分解,在不使用未来数据的前提下得到4个相对规律的分解子序列,以降低预测难度;然后,利用BO优选分解后的子序列对应的GRU模型超参数;最终,对每个子序列进行预测,将预测结果相加重组得出月径流量预测结果。将提出并建立的模型应用于黑河流域莺落峡水文站月径流量预测中,并与GRU、BO-GRU、WPD-BO-GRU模型（基于传统分解思想对原始月径流量时间序列整体进行分解的预测模型）的预测结果进行对比。结果表明：ASWPD-BO-GRU模型的纳什效率系数（NSE）为0.89,在实例应用中预测精度最高,说明ASWPD-BO-GRU模型在正确分解的前提下具有较高的预测精度和更强的泛化能力。     

月径流序列的混沌特征识别及Volterra自适应预测法的应用

在混沌动力系统相空间重构的基础上,利用关联维数法和最大Lyapunov指数法,对月径流时间序列进行混沌特性识别。然后结合自适应技术的实时递推特性和Volterra级数的非线性表征能力,利用Volterra自适应滤波法可对径流时间序列进行预测。通过江桥站和丰满水库实际月径流序列的预测结果表明,月径流序列中存在着一定的混沌特征。应用Volterra自适应法可以有效地对水文时间序列进行预测,与加权一阶局域预测法相比,能够实现更高精度的多步预测。     

Precipitation Complexity Measurement Using Multifractal Spectra Empirical Mode Decomposition Detrended Fluctuation Analysis

The stability of current methods of complexity measurement are generally Inefficient. In this study, multifractal spectra (MFS) analysis, which depends on empirical mode decomposition detrended fluctuation analysis (EMD–DFA), was used to measure the complexity of the monthly precipitation series from 1964 to 2013 (50 years) of 11 districts in Harbin, Heilongjiang Province, China. By comparing the anti-noise capability of MFS–EMD–DFA with that of conventional complexity measurement approaches, such as sample entropy, Lempel–Ziv complexity, and approx mate entropy, it was established that MFS–EMD–DFA has greater robustness in anti-noise jamming, and thus it could be applied more widely. The precipitation series complexity strength map of the 11 regions was drawn using a geographical information system. This study analyzed the correlation between precipitation and some meteorological factors and then ranked their strengths. The results showed that many meteorological factors have strong connections with the regional precipitation series in the study area. This study provided a solid foundation for further extraction of hydrological information in Harbin and proposed a new method for complexity analysis. The novel MFS–EMD–DFA approach could also be applied to the analysis of multifractal characteristics as well as complexity measurement in various other disciplines.     

改进的模糊模式识别在金沙江径流特性分析中的应用

以模糊c均值算法为基础，通过改进隶属度函数的方法，将金沙江小黄瓜园45年的月平均径流资料进行多维空间中聚类。在聚类基础上，采用基于模糊模式识别的分析方法，得出了该站径流系列的多维丰枯特性及其变化周期。其计算结果与实测径流资料对比，较为符合实际情况，表明该方法能够有效分析径流的周期特性。     

长江上游径流混沌动力特性及其集成预测研究

针对长江上游干流主要站点月径流时间序列强非线性和非平稳特征,引入混沌理论和AdaBoost.RT集成极限学习机方法对其月径流时间序列进行分析和预测。首先,以流域径流非线性动力系统混沌特征参数辨识为切入点,研究并发现了流域内在特性作用下月径流时间序列动力响应的混沌现象,推求了月径流时间序列相空间重构的延迟时间和最佳嵌入维数,在此基础上,以重构相空间时间序列作为输入变量,引入基于自适应动态阈值的改进AdaBoost.RT算法改进极限学习机模型的学习性能,得到最佳的混沌集成学习月径流时间序列预测模型。实例研究结果表明,所提方法和模型能够显著提高单一极限学习机模型的泛化性和稳定性,从而获得更优越的预报性能。     

变化环境下流域气象水文要素的相关性演化

为了探究流域气象水文要素间相关性结构及其演化, 采用交叉小波分析、去趋势波动分析( DFA) 、去趋势互相关分析( DCCA) 和去趋势偏互相关分析( DPXA) 对渭河流域 1960- 2015 年的气象水文数据( 年降水量、年蒸发皿蒸发量、年径流深等) 进行了时频域相关性分析和长程相关性分析, 探讨气象水文要素间的相关性结构变化和长程相关性特征。交叉小波分析表明, 研究期内蒸发、降水、径流任意两因子间相关性在不同时频域存在差异, 相关结构上 存在 1~ 2 和 8 a 的相似主导周期, 宏观上降水2径流间多尺度相关结构发生退化, 共振周期减少。长程相关分析表明, 径流、蒸发和降水序列的 Hurst 指数均大于 0.5, 表现出良好的长持续性特征, 当前降水( 径流、蒸发) 会对未来 某一时刻的降水( 径流、蒸发) 产生影响; DCCA 结果表明, 降水-径流间表现出长程相关性, 而降水-蒸发和径流-蒸发 呈长程反相关性, 呈现出不同的长程互相关结构; DPXA 结果表明, 扣除第三因子影响后, 降水-蒸发和径流-蒸发长程相关性发生突变, 从而降水-径流、降水-蒸发和径流2蒸发两两间均呈长程互相关性, 暗示降水、径流和蒸发三者间 长程相关性的互馈特征, 相比于 DCCA 结果, DPXA 的结果显然更具有说服力。透过滑窗分析可发现降水-径流、降水-蒸发之间的长程互相关性在时域上没有发生突变, 未来降水量的可能增加将引起径流量增大, 并间接引起渭河流域受水量制约的蒸发量增大; 径流-蒸发间长程互相关性于 1962 年由长程反相关突变为长程相关, 随后长程相关性持续增强, 标志着渭河流域未来蒸发的变化可能会引发更大的径流波动。     

基于自适应变分模态分解和长短期记忆网络的月径流预报

准确可靠的月径流预报是流域水旱灾害防治及水资源合理配置的重要依据。原始径流时间序列包含多种频率成分，将时间序列数据分解预处理技术和机器学习模型相结合的混合模型已被用于捕捉径流动态过程。然而，将数据分解技术直接应用于整个时间序列是一种不切实际的方法，会导致部分信息从测试阶段传输到模型的训练过程中。为此，设计了一个用观测数据更新历史样本的自适应动态分解策略，提出基于自适应变分模态分解和长短期记忆网络的分解-预测-集成月径流预测混合模型。首先，采用自适应分解策略对径流时序数据进行变分模态分解，得到不同频率成分的子序列；其次，为每个分解子序列构建长短期记忆神经网络径流预测模型，并采用贝叶斯优化算法优选模型超参数；然后，将子序列的预测结果集成得到径流的最终预测结果；最后，以金沙江上游石鼓水文站月径流预报为研究实例，对比传统的分解策略(“捆绑分解”)和分解方法(离散小波变换和集成经验模态分解),验证所提混合模型的有效性和可行性。结果表明，所提混合模型在数据分解预处理中避免了引入未来信息，并能够进一步提升径流预报精度。     

基于混沌理论的汉江上游安康站1950-2014年逐月降水量特征

通过对安康站1950-2014年逐月降水量的趋势进行分析,发现其降水存在周期变化.基于自相关函数法、C-C关联积分法来确定安康站降水的非线性系统的延迟时间、嵌入维数后,对降水序列进行了相空间重构,并利用G-P关联维法以及最大Lyapunov指数法进行混沌特征识别.结果显示:采用G-P关联维算法分析安康站1950-201...     

窟野河流域径流演变及其驱动因素分析

以黄土高原典型流域窟野河流域为对象,采用有序聚类方法,诊断了近60 a来实测径流演变的阶段性特征,在此基础上,分析了不同阶段实测径流与气候要素之间的响应关系,初步揭示了径流演变的驱动机制。结果表明：近60 a来窟野河流域实测径流量以1980年和1998年为分割点总体呈现阶段性减少趋势,其中,1999年以来减少尤其明显。不同阶段的年降水、径流关系有一定差异,相比而言,汛期（6-10月份）的月降水量与径流量具有相对较好的相关关系;非汛期（11-5月份）的月降水径流关系点群散乱,在月平均气温低于5℃时,月径流量与月平均气温具有较好的正相关性。窟野河流域汛期产流受高强度降水支配,人类活动对河川径流演变的影响有增大趋势。     

黄河天然年径流长期丰枯状态变化特性研究

基于Markov过程分析方法,对黄河陕县528年(1470～1997年)的天然年径流序列进行了分析,结果表明：①黄河年径流在长期的丰枯状态转移中,平水年和偏枯水年的自转移概率均较大,并且无论年径流处于何种初始状态,向偏枯水年转移的概率均大于向偏丰水年转移的概率;②黄河年径流在长期的丰枯状态转移中,出现平水年的状态占优势,而出现丰水年和枯水年的再现时间均较长,并且出现偏枯水年的概率大于出现偏丰水年的概率;③在黄河年径流长期丰枯变化的各态互转移过程中,存在以平水年为状态转移中心的邻态互转移模式,它的存在影响着年径流各态互转移的特性。     

基于Copula函数的大通站水沙特征分析

长江口受人类活动影响较为强烈,其水沙序列一致性遭到破坏。以大通站1965—2019年逐月径流量和来沙量资料为基础,采用滑动窗口算法结合Copula理论的方法,研究长江口来水来沙变化特征及丰枯一致性问题,并分析水沙联合分布模型边缘函数选取不确定性问题。结果表明：（1）受人类活动的影响,大通站水沙组合在1965—2019年间均呈减少趋势,并且在1979和2000年发生突变,水沙序列1965—1979年和1980—2000年阶段最优函数模型均为Clayton模型,2001—2019年则为Frank模型;（2）大通水文站3个阶段水沙序列同步频率分别是84.52%、84.40%和83.20%,远大于丰枯异步频率,揭示了长江上游来水来沙条件具有较强的一致性;（3）PE3-PE3边缘分布组合的95%置信区间小于PE3-GPD组合,说明采用PE3-PE3组合可以减少函数选取的不确定性。通过探讨大通站来水来沙联合变化特征,可为长江口水域水资源管理、河道整治等工作提供参考。