基于贝叶斯模型平均法的多模型综合预报洪水概率研究

研究对象为淮河流域内的息县、潢川、班台至王家坝区间,在采用新安江模型和降雨径流经验模型进行洪水模拟的基础上,构建了基于BMA洪水概率预报模型与基于BP神经网络的组合预报模型,对比分析了两种方法的预报效果.结果表明,以BMA概率预报的期望值为预报值,12场洪水的平均确定性系数为0.93,整体上优于新安江模型(0.92)和...     

BMA方法在黄河龙门站含沙量过程 预报中的应用研究

以黄河流域吴堡站到龙门站为研究区域,建立龙门站含沙量过程的线性动态和BP神经网络两种统计模型,并结合BMA方法给出两种模型的综合预报结果。结果表明,在线性动态模型和BP神经网络模型的基础上,采用BMA方法进行含沙量预报模型的合成预报不仅可以提高预报精度,而且可以提供概率预报值。     

基于k-最近邻筛选的BMA集合预报模型研究

针对冗余训练样本会降低BMA参数求解效率与精度问题,本文提出在BMA运算之前采用k-最近邻(k-nearest neighbor)算法筛选有价值训练样本,并用于BMA参数求解的改进模型。模拟试验在淮河王家坝站进行,分别以k-最近邻筛选、不筛选两种方案为BMA提供训练样本,统计分析两种方案中王家坝站流量模拟结果,评价BMA改进法的性能。模拟结果显示,采用k-最近邻样本筛选方法后,BMA模型对洪水过程以及洪峰的预报精度提升明显;概率预报结果的离散程度降低的同时,可靠性程度获得提升。k-最近邻样本筛选方法的引入,能够有效去除BMA模型训练样本中的冗余数据,以少量的样本获得更可靠的模型参数,改善集合预报性能。     

基于分位点回归模型的洪水概率预报方法

采用分位点回归模型分析洪水预报的不确定性, 提供洪水预报倾向值( 预报概率分布的中位数) 和 90% 置信度的预报区间成果, 实现了洪水概率预报。基于/ 精度2可靠性0 联合评价指标对分位点回归模型计算的预报倾向值 和预报区间成果进行了评估。在信江流域梅港站的应用结果表明: 基于分位点回归模型提供的倾向值定值预报结 果可进一步提升洪水预报的精度; 同时该模型提供的 90% 预报区间结果具有较高的覆盖率( 约 90% ) 且离散度较小 ( 小于 01 20) , 表明预报区间以较窄的宽度包含了绝大多数的实测值, 预报可靠性较强。     

基于多卫星降雨产品和多降雨径流模型的西江流域径流集合模拟

由于水文模拟不确定性的存在,单一模型获得的径流模拟结果难以满足水文精度要求。集合模拟则是减少不确定性,提高模拟精度的有效方法。现有研究多考虑水文模型的结构不确定性,将不同水文模型的径流模拟结果综合起来。但模型输入的不确定性也是水文模拟不确定性的重要来源。因此,基于贝叶斯加权平均(BMA)方法,考虑模型结构和输入的不确定性,设置了3种集合方案,对2种卫星降雨产品(TRMM、CMORPH)输入到3种水文模型(DDRM模型、新安江模型、GR4J模型)得到的径流序列进行集合,对各集合方案的模拟精度和不确定性进行分析。结果发现,不同卫星降雨产品输入到分布式水文模型中所得到的不同模拟序列具有较好的互补性,采用BMA方法对其进行集合模拟可以有效提高模拟精度,减小径流模拟不确定性。     

贝叶斯模型平均法在流域组合预报中的应用

基于贝叶斯模型法的计算框架,应用概率论和统计学的方法针对多个单一子流域水文模型进行分析处理,得到了较为精确的预报结果。该方法与以往单一预报模拟方法相比,具有综合、完整的优点,基于贝叶斯模型平均法的水文模型组合预报可以给出精度较高的预报模拟结果。     

丹江口水库中长期径流量的多模型预报结果分析及综合研究

水库中长期入库径流量的预报方法有多种模型,各有优缺点,预报结果也存在一定差异,应用过程中给实际决策造成了一定困难。本文以丹江口水库月径流量为研究对象,通过分析多种预报模型计算结果的变化规律,将精度和稳定性等作为性能指标,构建以加权平均和最小二乘法原理为基础的综合预报模型,并对丹江口水库月径流预报进行了建模计算。应用结果表明,该综合模型提高了预报精度,增强了预报稳定性,使其具有更高可信度,为入库径流量预报提供了一个有效的分析方法,为水库调度决策提供了便利。     

基于贝叶斯理论的水文多模型预报

水文预报对于防洪、抗旱以及水资源调度等具有重要意义。水文预报通常依靠水文模型来完成,由于受到不同流域特点、产汇流机制等的限制,每个水文模型都具有各自的特点及适用区域。单一模型具有非常大的水文预报不确定性,为了解决单一模型局限性的问题,多模型水文预报常作为降低水文预报不确定性有效方法之一。选用三种常见的水文模型:时变增益水文模型、新安江模型和萨克拉门托模型,在珠江飞来峡流域进行分布式建模,采用相同的输入与初始场,三个模型独立进行模拟,然后对比三个模型的结果,并进行贝叶斯多模型加权平均和简单平均得到多模型平均结果,研究结果表明,贝叶斯模型处理后的结果要比单个模型模拟结果和简单平均处理后的结果准确率高。     

基于多模型集合方法的北江流域月径流预报研究

准确的月径流预报对于水资源优化配置、流域防汛抗旱、开展水量调度、水库群发电优化等具有十分重要的作用。当前工作中常用的月径流预报方法主要有水量平衡模型、数理统计模型、人工神经网络等。研究表明,任何单个模型在月径流预报问题上都无法始终具有最佳预报效果,多模型集合方法为消除模型不确定性、提高月径流预报精度提供了有效途径。以北江流域坪石站、犁市站、横石站和石角站为研究对象,分析对比了季节性自回归模型、两参数月水量平衡模型、人工神经网络的应用效果,并基于BMA(Bayesian Model Averaging)法获取上述站点的多模型集合方案,研究结果表明多模型集合月径流预报的精度相比单模型具有明显提升,不仅具有更高的确定性系数DC(Determination Coefficient),还能有效降低水量误差MAPE(Mean Absolute Percentage Error),能够为流域调度决策提供更好的支持。     

分流量区间BMA方法在小流域暴雨山洪模拟中的应用——以官山小流域为例

小流域山洪灾害具有成灾时间短、突发性强、危害性大、频次多等特点,严重威胁着区域内社会经济发展和人民群众生命财产安全。受当前山区雨洪资料少、产汇流机理不够完善所限,小流域的暴雨洪水模拟存在着可靠性差、精度低的问题。以我国中部秦巴山区山洪灾害典型流域官山小流域为研究对象,搜集了近期代表性较好的10场洪水,以TOPMODEL、TUWMODEL和新安江模型结果为基础,基于分流量区间BMA方法计算模型权重,提出适用于小流域的水文集合预报模型。结果显示,相比单一水文模型,分流量区间BMA方法模拟的洪峰流量、洪量和峰现时间指标的合格率可分别提高4.5%、39.7%和48.9%,为官山小流域洪水模拟提供了一种有效的模拟手段。研究成果对提高山区小流域洪水预报精度具有一定的理论意义和实践价值。     

基于小波变换的隧道大变形组合预测方法

为提高隧道变形预测精度,首先,探讨不同小波变换参数的去噪效果,并将隧道的变形数据分为趋势项和误差项;之后,对趋势项和误差项进行单项预测和组合预测,对比分析本文预测结果,研究本文预测模型的有效性。结果表明:sym8小波函数在采用软阈值选取方法、启发式阈值标准及8层小波分解时的去噪结果最优。采用剔除最大误差倒数法通过对趋势项及误差项进行组合预测可知,趋势项组合预测、误差项组合预测较其单项预测的预测精度分别提高了2.5~3.5倍、4.0~5.4倍,达到了提高预测精度的目的,且也不同程度地提高了预测结果的稳定性。通过对本文预测模型的实例分析,验证了本文预测思路的可行性和有效性,预测结果满足大变形预测的要求,具有较高的可行度。     

Multi-Objective Optimization for Flood Interval Prediction Based on Orthogonal Chaotic NSGA-II and Kernel Extreme Learning Machine

Deterministic flood prediction methods can only provide future point prediction results of the target variable. The intrinsic uncertainties and the fluctuation range of the prediction results cannot be evaluated. This study proposes a flood interval prediction method based on orthogonal chaotic non-dominated sorting genetic algorithm-II (OCNSGA-II) and kernel extreme learning machine (KELM) to estimate the uncertainty of the flood prediction results. The dual-output KELM model is exploited to predict the upper and lower bounds of the possible flood prediction result. The OCNSGA-II algorithm is employed to adjust the hidden layer output weights of the KELM model to minimize the prediction interval normalized average width (PINAW) and maximize the prediction interval coverage probability (PICP). The target variable with a disturbance of ±10% are taken as the initial upper and lower bounds. The superiority of the proposed method has been validated on one a real-world data set collected from the upper reaches of the Yangtze River in China. Results have shown that the proposed model can obtain prediction intervals with higher quality than the conventional single-objective interval prediction models and the other multi-objective benchmark models.

     

TBM净掘进速度预测模型发展现状及参数分析

TBM净掘进速度预测模型能为隧道施工方法选择、施工进度安排和成本估算提供科学依据。本文对国内外32个典型模型开展参数定性和定量分析。根据各模型建模原理可将参数输入过程划分为按逻辑和组合关系输入、作为修正参数输入、直接输入参数三种类型。评价TBM掘进速度的岩体参数以单轴抗压强度、岩石质量指标、隧道与结构面夹角和岩石脆性指数居多,机械参数主要是单刀推力和刀盘转速。通过调整岩体工程特性关键参数影响区间以及引入机械参数,可将钻爆法岩体分类(RMR、RSR、Q_(system))应用到TBM净掘进速度预测。模型参数选取需要权衡简易性和准确性,参数太少虽然简易但影响预测精度,参数过多会导致实际操作繁琐而不利于工程广泛应用。参数选取合理、组合恰当以及权重分配符合实际是净预测模型准确可靠的关键,随着对掘进过程和破岩机理的深入理解,开展与岩-机作用相关的新评价参数研究将是未来发展趋势。     

An Ensemble Hybrid Forecasting Model for Annual Runoff Based on Sample Entropy,Secondary Decomposition,and Long Short-Term Memory Neural Network

Accurate and consistent annual runoff prediction in a region is a hot topic in management, optimization, and monitoring of water resources. A novel prediction model (ESMD-SE-WPD-LSTM) is presented in this study. Firstly, extreme-point symmetric mode decomposition (ESMD) is used to produce several intrinsic mode functions (IMF) and a residual (Res) by decomposing the original runoff series. Secondly, sample entropy (SE) method is employed to measure the complexity of each IMF. Thirdly, wavelet packet decomposition (WPD) is adopted to further decompose the IMF with the maximum SE into several appropriate components. Then long short-term memory (LSTM) model, a deep learning algorithm based recurrent approach, is employed to predict all components. Finally, forecasting results of all components are aggregated to generate the final prediction. The proposed model, which is applied to seven annual series from different areas in China, is evaluated based on four evaluation indexes (R, MAE, MAPE and RMSE). Results indicate that ESMD-SE-WPD-LSTM outperforms other benchmark models in terms of four evaluation indexes. Hence the proposed model can provide higher accuracy and consistency for annual runoff prediction, rendering it an efficient instrument for scientific management and planning of water resources.

     

基于遗传2神经网络的实时水质预测模型

基于高频水质在线监测数据, 结合遗传算法和神经网络模型, 建立基于遗传-神经网络( Improved Genetic Algorithm-Back Propagation Neural Network, IGA2BPNN) 的河流水质预测模型, 实现对河流水质的实时预测预警。 将该方法应用于美国波托马克河流中, 对其水质参数浊度( TURB) 和电导率( SC) 进行实时预测, 并对预测结果进行 性能分析, 以验证基于 IGA2BPNN 的河流水质预测模型的准确性与可靠性。与 BPNN 模型的水质预测结果进行对 比分析, 结果表明: IGA2BPNN 模型对水质参数 TURB 和 SC 有更准确的预测效果。同时, IGA2BPNN 模型对正常 平稳条件下的水质参数 TURB 和 SC 预测结果的区间覆盖率 PICP 分别为 99.81% 和 100% , 预测结果具有一定的 可靠性。IGA2BPNN 水质预测模型可以有效地识别长时间的水质异常或瞬时显著的水质变化情况, 可实现对河流 水质的风险预警, 最终可为河流突发水污染的应急处置措施的制定提供科学依据。     

黏性土粒径分布的多重分形特性及土-水特征曲线的预测研究

土壤粒径分布的分形特性常由单一分维数来描述,这一分形参数可作为土-水特征曲线模型中的常数。但实验证据显示,单一分维数不足以描述某些黏性土在整个粒径范围土粒的分形分布。为了评估粒径分布的多重分形参数预测土-水特征曲线的效能,对3个黏土样实测粒径分布和土-水特征曲线,研究粒径分布的多重分形特性,并利用分形模型预测土-水特征曲线。研究发现,在较为宽泛的粒径范围,土的粒径分布存在3个不同分维数的土粒区域,分维数的大小与土粒区域的粒径大小有关。粒径越大的区域,分维数越大;利用不同区域的分维数预测土-水特征曲线并与实测结果比较,显示模型预测对多重分形参数较为敏感,采用大粒径区域分维数的计算结果与实测数据甚为吻合。虽然多重分形参数精确描述了土粒的分形分布,但在预测土-水特征曲线时应考虑粒径分布分形标度性质的差异。     

A STREAMLINE-BASED PREDICTIVE MODEL FOR ENHANCED-OIL-RECOVERY POTENTIALITY

A pseudo-three-dimensional model of potentiality prediction is proposed for enhanced oil recovery, based on the streamline method described in this article. The potential distribution of the flow through a porous medium under a complicated boundary condition is solved with the boundary element method. Furthermore, the method for tracing streamlines between injection wells and producing wells is presented. Based on the results, a numerical solution can be obtained by solving the seepage problem of the stream-tube with consideration of different methods of Enhanced Oil Recovery（EOR）. The advantage of the method given in this article is that it can obtain dynamic calculation with different well patterns of any shape by easily considering different physicochemical phenomena having less calculation time and good stability. Based on the uniform theory basis-streamline method, different models, including CO2 miscible flooding, polymer flooding, alkaline/surfactant/polymer flooding and microbial flooding, are established in this article.     

空气阻力系数对水滴运动及蒸发的影响

应用喷灌条件下水滴的运动、蒸发及分布模型对水滴的飞行时间、飞行距离以及蒸发率进行了预测,对由五种空气阻力系数计算公式（Bird、Park、Fukui、伊沙叶夫、Wallis）求得的预测值和实测值进行了比较。结果表明：应用Bird、Wallis、Fukui公式预测的水滴飞行时间与实测值的变化趋势一致;五种阻力系数公式中,应用伊沙叶夫公式求得的水滴飞行时间预测值与实测值的相对误差最小;五种阻力系数公式均能较准确地预测水滴飞行距离,其中Park公式的预测精度最高;五种阻力系数公式对于单个水滴蒸发率的预测结果与实测值较接近,而Fukui公式对总体蒸发率的预测值与实测值的平均相对误差最小。     

基于主要驱动因子筛选法和深度学习算法的浙江省动态需水量预测

收集了浙江省2000—2020年各用水行业需水量数据,采用基于Spearman秩相关分析的主要驱动因子筛选法筛选了影响各行业需水量的主要驱动因子,进而构造了改进的长短时记忆(LSTM)神经网络需水量预测模型,对各行业需水量进行动态滚动预测,并将改进LSTM模型的预测结果与传统单变量LSTM预测模型、卷积神经网络模型、支持向量回归模型的预测结果进行了对比。结果表明,基于主要驱动因子筛选法改进的LSTM模型能实时动态滚动预测各行业每年需水量,且预测结果精度高于其他3种模型。     

基于 Embedding-GRU 的水库水位预测模型

为解决因水库数据采集设备能力有限、水文数据不全导致预测水库水位时预测精度较低的问题，以四岭水 库每小时水位监测数据为例，提出基于嵌入式-门控循环单元（Embedding-gated?recurrent?unit，Embedding-GRU）的 水库水位预测模型，即利用 Embedding 方法将单维降雨量数据升维至多维数据，扩大降雨的气候特征，结合 GRU 算法进行水库水位预测。将该模型与传统深度学习算法长短期记忆（long?short-term?memory，LSTM）、门控循环单 元（gated?recurrent?unit，GRU）、双向门控循环单元（bidirectional?recurrent?neural?network，BiGRU）这 3 种模型对比， 结果显示：Embedding-GRU 模型的预测效果均优于其他传统模型，平均绝对误差 EMA和均方根误差 ERMS分别平均 下降 19.6% 和 7.7%，并且在预测次日水库水位的应用场景中决定系数 R2能够达到 0.989?37。结果表明：该模型耦 合多种算法，扩大单变量的气候特征，具有较高预测精度和泛化能力。相较传统模型，基于 Embedding-GRU 的水 库水位预测模型能够对缺少温度、气压、风速、蒸发量等监测数据的水库进行可靠度较高的预测，适用水库范围 更广，为水库日常运维、除险加固提供参考。