秃尾河流域年径流变化特性分析

对流域径流的变化规律进行准确地分析及合理地预测对流域水资源的合理开发、水利工程的建设以及社会经济的发展具有重要的指导意义。利用Mann-Kendall秩次相关检验法和小波分析理论对秃尾河流域的径流变化规律进行分析研究,并建立BP神经网络模型对径流变化进行预测分析。结果表明:秃尾河流域年径流量变化总体上有明显的下降趋势;从小波系数图可以看出年径流过程主要存在2年、8年和19年左右的变化周期,其中19年左右时间尺度为第一主周期,同时发现目前年径流处在枯水期后期,水量有转向增加的趋势;采用BP神经网络法对秃尾河流域高家川站年径流量进行预测,预测结果相对误差仅为5.92%,说明所建立的BP神经网络模型用于该流域的年径流预测得精度较高,是一种有效地年径流预测方法。     

千河流域枯季径流变化规律分析及月径流预报

通过对千河流域枯季径流演变规律的分析研究,建立了适合千河流域枯季月径流预报方案,为冯家山水库水量调度及流域水资源的合理配置提供科学的依据.     

最近邻抽样回归模型及其在枯水期月径流预报中的应用

为合理调配水资源,做好枯季径流预报,可采用最近邻抽样回归模型进行预测。按照最近邻抽样回归模型的基本思路和实现算法,根据长江上游主要控制站——寸滩站1893年1月—2009年12月历史同期月整编资料,对该流域的枯季径流特性进行分析研究,通过建立模型,对模型预测效果进行验证。结果表明：该模型对枯季径流的预报精度较高,可用于作业预报。     

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。     

改进BP神经网络集成模型在径流预测中的应用

为提高径流预测预报的精度和泛化能力,建立了基于3种基本改进算法的BP神经网络集成预测模型。利用ADF单位根检验方法、自相关分析方法确定径流时间序列的平稳性和模型的输入向量。针对BP神经网络标准算法收敛速度慢、易陷入局部极值的缺陷,采用自适应动量梯度法、共轭梯度法和Levenberg-Marquardt法分别改进BP神经网络标准算法,依次构建基于3种改进算法的BP神经网络模型对文山州南利河董湖水文站年径流进行预测,并构建GA-BP预测模型作为对比模型;采用加权平均方法对各单一模型预测结果进行综合集成。结果表明:集成模型对南利河2001-2005年径流预测平均相对误差绝对值为4.67%,最大相对误差绝对值为7.11%,精度和泛化能力均优于各单一模型和GA-BP模型。集成模型克服了单一模型预测精度不高和误差不稳定的缺点,具有较好的预测精度和泛化能力,是提高径流预测预报精度的有效方法。     

小波神经网络在径流预测中的应用

将小波分析与传统的BP神经网络模型进行组合,提出了一种新的径流中长期预测方法。该方法对年径流序列进行Mallat小波分解,将分解后得到的不同尺度下的低频成分和高频成分分别进行Mallat算法重构,对重构系列采用BP神经网络模型进行预测。采用黄河三门峡站1470-2002年的年径流资料进行模型的预测和检验,并与传统的BP神经网络模型进行比较,研究结果表明小波神经网络在径流预测中具有较好的预报精度,可以成功地用于径流模拟和预测。     

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.     

月径流预报建模方法对比分析——以嘉陵江北碚站为例

为提高径流预报的精度,以嘉陵江流域北碚水文站为例,选取1979～2019年径流资料,对比分析月径流预报多种建模方法的预报性能。选择时间序列法作为单变量预报模型的方法,随机森林、BP神经网络和多元线性回归作为多变量预报模型的方法,并应用时变权重进行组合预报,对比单变量与多变量、单一与组合模型预报结果。结果表明：(1)多变量预报模型预报效果更优,与时间序列模型相比,其平均绝对百分比误差减少约20%;(2)随机森林与BP神经网络这两种机器学习方法在单一模型中具有更好的预测能力;(3)时变权重组合预报方法能有效结合单一模型的优点,进一步提高预报精度。研究成果可为中长期径流预报的建模策略制定提供参考。     

基于互信息与神经网络的天山西部山区融雪径流中长期水文预报

为提高天山西部山区融雪径流的预报精度,更好地指导所在区域的工农业生产发展,针对影响预报精度的关键问题(预报因子的选择),基于互信息法、相关系数法、主成分分析法对研究区的预报因子进行优选,采用RBF神经网络以及组合小波BP神经网络模型进行径流预报研究,并进行不同方案的比较。结果表明:①互信息法优选出的预报因子作为模型输入可以提高预报精度;②采用不同优选预报因子作为RBF神经网络以及组合小波BP神经网络模型的输入变量,结果表明RBF神经网络模型的预测精度要好于组合小波BP神经网络模型;③以相对误差作为评价模型精确度的标准,预测效果最好的是基于互信息方法挑选出的预报因子作为RBF神经模型输入数据的模型预测结果。     

珠江梧州水文站枯季月径流预报

梧州站流量作为珠江下游河口地区压咸控制流量,其上游来水的丰枯直接关系到珠江流域枯季水量统一调度的成功实施。基于梧州站枯季(10月-3月)月径流资料,采用逐步回归法提取径流序列的趋势项、周期项,自回归方法预测随机项的组合预测方法建立了梧州站枯季径流预报模型。结果表明:逐步回归与自回归组合的方法在径流预报中取得了较好的预报效果,1月径流预报精度达到甲等,10月、11月、12月、2月以及3月预报精度均达到乙等,可用于实际水文预报工作中。     

基于四种方法的月径流预测研究

径流预测对于水资源的合理开发利用与统筹配置具有重要意义。根据黄土高原地区渭河支流-北洛河状头水文站和泾河张家山站的月径流资料,运用门限自回归模型、神经网络模型、方差分析外推法以及季节水平模型四种方法对其进行预测,观察模拟效果并比较各自优缺点。对于枯水期月径流,季节水平模型对于两站预测合格率均为100%;方差分析外推法对于状头站和张家山站预测合格率分别为90%,80%;门限自回归模型对于两站的预测合格率均为80%;神经网络模型预测两站汛期月径流合格率均为100%。表明季节水平模型适用于枯季月径流的预测,神经网络模型适宜于汛期月径流预测,并且精度良好。     

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。     

基于PCA-SHO-SVM和PCA-SHO-BP模型的径流预测

为提高径流预测精度,研究主成分分析(PCA)、斑鬣狗优化(SHO)算法与支持向量机(SVM)、BP神经网络相融合的预测方法.在样本数据筛选上选取PCA方法进行数据降维,使数据样本简洁且更具代表性.利用SHO算法优化SVM关键参数及BP神经网络权阈值,分别提出PCA-SHO-SVM、PCA-SHO-BP径流量预测模型,并...     

基于Excel技术平台人工神经网络BP模型及应用

本文简要地讲述了人工神经网络模型结构和BP算法,以Microsoft Office Excel加VBA编程为技术平台,创建了人工神经BP网络预测模型.同时,应用该模型预测了吉林省南坪水文站1980-2000年11-3月枯季水资源量.结果表明,预测结果合理,适合枯季径流量预测.同时,该模型能够进一步推广应用到多因子影响下的沙量、洪水、地下水、水质等水文要素的预报.     

人工神经网络方法在水文预测中的应用

基于MATLAB软件,建立BP神经网络模型,以盘龙河干流上下游水文站月均流量和水位为研究对象,对人工神经网络研究方法在水文预测中的应用进行了初步尝试.结果表明该方法预测成功率较高,并分析了该方法在预测过程中的优缺点.     

秦淮河流域东山站水位预报研究

为提高秦淮河流域东山站水位预报的精度,基于BP神经网络算法建立经验预报模型,分别根据降雨历时、起涨水位两种模式对水位涨幅进行预报。分析了两种模式预报结果,选出最优的预报模式,并用混合线性回归模型作为预报精度的参考验证。结果显示,BP神经网络模型的预报精度高于混合线性回归模型,而且BP神经网络模型两种预报模式的结果都达到了乙级标准以上,根据起涨水位的预报模式效果更好。     

基于PSO-BP神经网络的西洞庭湖南咀站径流预测

为建立因子少、预报周期短、预报精度高的西洞庭湖控制性水文站南咀站的月平均径流量预报模型,通过对松滋-太平水系控制性水文站安乡、澧水控制性水文站石龟山站月平均水位、流量以及沙湾站月平均水位进行相关性、因子贡献率分析,确定输入因子,借助PSO-BP神经网络对南咀站1956年1月至2005年12月各月平均径流量进行训练,获取网络结构及参数进而预测2006年1月至 2008年12月各月径流量。结果表明：① 石龟山、安乡站水位对南咀站月平均径流量影响最显著;② 汛期、非汛期的划分一定程度上可提高南咀站月平均径流量预报精度;③ 以安乡、石龟山站月平均水位、流量以及沙湾站月平均水位作为输入因子,PSO-BP神经网络预报效果最好,合格率77.8 %,预报等级为乙级;④ 基于相关性、因子贡献率分析,将安乡、石龟山站作为输入因子,预报合格率降为61.1 %,预报等级降为丙级,但仍满足预报要求。