基于时间序列分析的地下水动态研究

根据济南市区多年地下水监测资料,采用多元回归模型研究济南岩溶水地下水位动态特征,地下水位年内动态呈明显季节性变化;随时间的推移,年际动态呈现降雨量对地下水位的影响程度逐渐减小、开采量的影响程度逐渐增加的特点.采用时间序列分析法分离了地下水位序列的趋势项、周期项和随机项,建立地下水位预测模型,计算结果与实测值相吻合.为济...     

基于时间序列分析的地下水动态研究

根据济南市区多年地下水监测资料,采用多元回归模型研究济南岩溶水地下水位动态特征,地下水位年内动态呈明显季节性变化;随时间的推移,年际动态呈现降雨量对地下水位的影响程度逐渐减小、开采量的影响程度逐渐增加的特点。采用时间序列分析法分离了地下水位序列的趋势项、周期项和随机项,建立地下水位预测模型,计算结果与实测值相吻合。为济南岩溶水的合理利用、泉水保护、地下水的监测管理提供了科学依据。     

地下水位时间序列的混沌特征分析

将重构相空间理论和加权一阶局域预测模型应用于地下水位时间序列的预测,结果表明:①将重构相空间理论用于一维水文时间序列预测建模,能较好地反映该序列内在的运动机理,揭示水文动力系统复杂的运动规律和演化过程;②应该考虑将混沌理论与其他非线性动力系统的相关理论进行结合来预测地下水位;③模型预测精度较高并具有广泛的实用价值,为进一步研究提供了一个新的思路。     

耦合自相关理论与小波神经网络的地下水模拟预测模型

地下水位演化趋势具有一定的振荡特性,使得其预测工作难以开展.针对该特性,引入自回归理论及小波神经网络(WNN)模型,提出了一种修正的地下水位预测方法.首先,该方法基于自相关理论对地下水位监测数据进行时间序列分析,选择合理先验区间作为预测模型的输入;然后,建立以合理先验区间为输入,当前地下水位为目标的WNN预测模型;最后...     

小波分解与变换法预测地下水位动态

通过小波分解方法将地下水位动态的非平稳时间序列分解为多个细节信号序列和逼近信号序列，然后运用时间序列自回归模型及人工神经元网络模型对各信号序列分别进行模拟预测，模拟结果比单纯用自回归法或人工神经网络模型更接近实测值，说明通过小波分解方法进行地下水位动态模拟和预测是适合的；同时用小波变换方法对地下水位动态进行了宏观分析，使隐藏的规律性显现出来，揭示出地下水位动态变化中除了具有一个水文年内的周期性变化规律外，还存在2～3年间隔的波幅强弱变化，可以推断未来短期内地下水位动态发展仍将延续当前总体下降的趋势，与小波分解方法得到的预 测结果相吻合。     

基于BP神经网络时间序列模型的降水量预测

基于降水过程存在周期性、随机性的特点,应用时间序列典型分解法提取原降水量序列中的趋势成分和周期性成分,对于剩余平稳序列成分,采取BP神经网络模型对其进行模拟;最后建立降水量的BP神经网络时间序列预测模型。以宿迁市近14年的月平均降水资料为实例对该模型进行了具体的应用。结果表明:基于BP神经网络时间序列预测模型可以有效地预测降水量,并和传统的时间序列加法模型进行了比较,结果显示基于BP神经网络的时间序列预测优于传统的时间序列加法模型,模型具有较高的精度和稳定性。     

基于混沌时间序列的地下水动态预报

以重构相空间理论为基础,介绍了混沌时间序列的预测方法,并借助G-P算法、C-C方法和小数据量方法从武威盆地地下水位埋深一维时间序列中提取Lyapunov指数,计算结果表明此时间序列具有混沌特性,在此基础上建立了混沌时间序列的一阶加权局域预测模型,对武威盆地的地下水位埋深进行预测。结果表明,该模型预测精度较高,可有效的对地下水埋深的动态进行预报。     

灰色GM（1,1）模型在地下水位预测中的应用

GM（1,1）模型是一种精度较高的预测模型,该模型不仅操作简单,而且当数据较少、且无法采用统计和其他的预测方法时,该方法是非常有效的。以某地2000—2005年地下水位为原始数据,采用GM（1,1）模型对2006年地下水位进行了预测,达到为该地区的地下水资源的调配提供参考依据。     

基于小波消噪的三江平原井灌区年降水时间序列预测模型

近年来,由于水稻种植发展迅猛,导致三江平原井灌水稻区地下水位普遍下降.天然降水是地下水的重要补给来源,而年降水序列往往含有噪声.为解决上述问题,以853农场为例,对实测年降水资料进行小波消噪、差分和标准化处理,应用时间序列分析方法,建立了降水时间序列预测模型.精度检验结果表明,模型有效性和可靠性较高.该模型揭示了区域降水量的时间变化规律,为853农场乃至整个三江平原充分利用天然降水,合理制定水稻灌溉制度以及地下水资源的可持续利用提供了科学依据.     

径流预测的生命旋回——拓扑模型

针对传统径流预测模型无法反映径流序列随机性,或模拟收敛速度慢、模型参数难以确定等缺点,提出了一种新的径流预报模型——生命旋回——拓扑预测模型。该模型用生命旋回模型模拟预测径流量序列的趋势项,用拓扑模型来对径流残差序列进行修正。将生命旋回——拓扑模型用于黄河唐乃亥水文站径流预测中,平均预测精度达到96.28%,合格率为100%。表明该模型预测精度较高,模型实用可行。     

时间序列模型在吉林西部地下水动态变化预测中的应用

运用时间序列分析理论对吉林西部地下水位动态变化进行了分析和预报。首先采用多项式拟合提取水位动态的趋势分量，而后运用频谱分析方法中的谐波分析提取其中的周期成分，利用自回归（AR）模型模拟随机分量，最后将三者线性叠加建立预报模型，并给出了模型精度检验方法。通过模型分析，可知该区地下水位变化存在两个主要周期（1年和7～9年），揭示了地下水位的季节性变化和多年变化规律。2002年以后的预报结果表明部分地区的地下水位将持续下降，应及时加以控制。     

Groundwater Drought in the Northwestern Districts of Bangladesh

Prolonged absence of groundwater within the operating range of shallow tube-wells during dry season is a common problem in the northwestern districts of Bangladesh in the recent years. In this paper, groundwater scarcity and drought in three northwestern districts of Bangladesh have been investigated. The Cumulative Deficit approach from a threshold groundwater level has been used for the computation of severity of groundwater droughts. Monthly groundwater fluctuation data collected from 85 sites is used for the study. The study shows that groundwater scarcity in 42% area is an every year phenomenon in the region. Analysis of groundwater hydrographs and rainfall time-series reveals that ever increasing groundwater extraction for irrigation in the dry season and recurrent droughts are the causes of groundwater level drop in the region.     

地下水动态预测的自记忆性模型及其应用研究

地下水位动态变化是一个复杂的水文过程，准确地预测地下水位变化情况在水资源开发利用中有着重要意义。本文运用反演建模和自记忆性方程相结合的方法，建立了地下水位动态预测模型。实例表明，该模型具有简洁实用的优点，且有显著的拟合精度和预报准确率。     

大坝监测分析中的时间序列叠合模型

叙述了用时间序列叠合模型建立大坝监测预报模型的2种基本方法：统计-时间序列模型和确定性时序叠合模型。通过统计软件SPSS实现2种时序叠合模型的实例表明，在环境量记录完整的情况下，统计-时间序列模型比单纯的统计回归模型精度要高；在缺少环境量监测或与环境量的因果关系不明显的情况下，用确定性叠合模型分析和预报大坝监测效应量的测值，精度也很高，并能够分离出趋势性分量、周期分量和随机平稳分量，分析的结果简单明了，是大坝监测分析中一种比较好的方法。     

Estimating Regional Groundwater Recharge Using a Hydrological Budget Method

Estimating groundwater recharge is a key component in determining the sustainable yield of groundwater resources in arid and semi-arid areas such as southern California. Estimating groundwater recharge on a regional scale requires developing a water budget that incorporates data on boundary conditions, aquifer properties, groundwater levels, and groundwater production. The hydrological budget method proposed herein is simple, cost-effective, and easy to apply. It utilizes matched pairs of groundwater level measurements, groundwater extraction data, and distributed specific yield information for estimating groundwater recharge. In this method, ARCGIS 9.0 Geostatistical and Spatial Analyst applications are used for interpolating/extrapolating and creating grids for specific yield, bedrock elevation, and raw groundwater data. The annual average groundwater recharge for the Hemet subbasin in western Riverside County, California, from 1997 to 2005 is estimated at 12.5 MCM, with wet and dry periods ranging between 14.9 MCM and 11.7 MCM, respectively. The proposed method utilizes information commonly available to most groundwater management entities, such as groundwater production data, groundwater level measurements, and lithologic information.     

时间序列分析在四平地区地下水水位预报中的应用

本文对四平地区地下水水位观测资料进行了分析,运用时间序列分析方法建立了地下水位预报模型.首先对序列提取了趋势项和周期项,然后利用自回归(AR)模型建立了随机模型,将三者进行线性叠加便得到地下水水位预报模型,最后对已建立的模型进行检验.结果表明,所建立的地下水水位预报模型,具有较高的精度.     

Impact of agricultural development on evapotranspiration trends in the irrigated districts of Pakistan: evidence from 1981 to 2012

Understanding time-series evapotranspiration trends is critical for water-balance assessments and sustainable water management in arid regions. In this paper, an approach is presented to understand time-series evapotranspiration trends by combining remote sensing-based evapotranspiration and agricultural statistics data and applying them to understand district-level water-use trends in the Indus basin irrigation system of Pakistan. The evapotranspiration of most districts in the Punjab increased over the period, whereas in Sindh it generally remained about the same or decreased. The trends in Punjab suggests that the already unsustainable groundwater use in some areas may become more unsustainable.     

小波-神经网络混合模型预测地下水水位

由于过量开采地下水,华北平原的许多城市出现地下水水位持续下降趋势,由此导致了许多严重的环境问题,如地下水枯竭、地面沉降和海水入侵等。为了准确预测城市地下水水位变化,利用小波变换的多尺度分析特征,建立了小波-神经网络混合模型(以下简称"混合模型"),并研究了其在地下水水位预测中的精度。利用北京市平谷区地下水水位观测资料,分别用BP网络和混合模型对该区地下水水位进行了预测。采用均方根误差(RMSE)、平均绝对误差(MAE)和线性相关系数(R)对模型预测的精度进行度量。预测结果表明:混合模型第1至第3个月的地下水水位平均绝对误差分别是0.535,0.598和0.634 m;而BP模型的平均绝对误差分别为0.566,0.824和0.940 m。混合模型的预测误差分别为BP模型的95%,73%和67%。使用混合模型能明显提高预测的精度,显著增加有效预测时段长度。     

时间序列分析在地下水位动态预测中的应用

运用时间序列分析理论,结合SPSS统计分析软件对贺兰县地下水位动态变化进行了模拟和预测。结果表明:研究区地下水位年际变化无明显上升或下降的趋势,这表明研究区地下水补径排条件近年来变化不大。受灌溉和降雨的影响,研究区地下水位变化主要表现为一年的显著周期。将时间序列分析方法应用于地下水位动态预测,可以了解地下水位的变化趋势和周期性。该法计算简单,所需资料较少,短期预测精度较高。但是在实际应用时,数据需要不断及时更新。同时由于没有考虑地下水流系统的动力学机制和未来突变情况,应用时受到了一定限制,还需进一步完善。