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。     

基于多重演化模式重构的水文预报模型及应用

因长期受人类活动、气候变化等多重因素作用,水文时间序列表现出多时间尺度、多频率、动态变化、自记忆性等复杂性特征,增加了水文预报结果的不确定性。本文将经验模态分解模型,核主成分分析模型和支持向量机模型耦合,建立了针对复杂性水文时间序列的预报模型,并采用NASH效率系数、自相关系数、相对误差作为模拟预测精度及参数率定的多目标判断标准。模型应用于黄河花园口水文站径流序列的长期水文预报中,结果表明:模型预报时段长,具有较好的预测准确性和实践应用价值。该模型为多重因素作用的复杂性水文时间序列预报提供了一种方法。     

变化环境下气象水文预报研究进展

随着全球气候变化、下垫面改变及高强度人类活动的不断加剧,流域降水、蒸发、径流等气象水文要素都受到直接性的影响,水文序列的一致性假设不复存在。在变化环境下,传统径流预报方法适用性逐步变差,从而对气象水文的精准预报带来挑战。本文分别从气象水文预报的各个环节——多源降水数据融合、数值天气预报、流域水文模型、参数率定、数据同化、集合预报等方面综述了变化环境下的气象水文预报的研究进展。可以看到,国内外学者围绕上述技术都开展了大量研究,并取得了大量成果。未来针对变化环境下气象水文预报研究,将主要围绕以下方向开展:(1)落地和预报降水精度及时空分辨率的进一步提高;(2)水文模型结构的改进及不确定性分析;(3)水文预报误差的描述方法及其可靠性。     

四棵树河中长期径流量预测浅析

本文利用了四棵树河吉勒德水文站（1955年～2008年）的水文、气象等资料,分析了径流中长期变化的规律和影响因素,把河流水量等预报对象作为随机变量,把分析得出的各个影响因素作为预报因子,然后应用回归分析或判别分析的方法对预报因子进行筛选。考虑到水文序列的非平稳性,把水文序列分解成趋势项、周期项、平稳项,然后分项预测,叠加后得到预报结果,以此来预测四棵树河流域2009年的水量趋势。     

潘家口水库枯水期月径流预报

在分析研究流域气候特征及枯季径流来水规律的基础上，用水文气象方法和水文方法分别建立了枯水期月径流预报模型。水文气象方法是先挑选出与预报对象关系最好的气象因子作为预报因子，据此建立预报模型和预报集成模型。水文方法是利用水文序列资料建立自回归模型和多元递推模型。用实测资料对预报模型进行了验证，结果表明：预报精度令人满意。     

水文时间序列逐步回归随机组合预测模型及其应用

由于气候因素和下垫面因素的综合影响,水文时间序列表现出复杂的非线性,包括确定性成分和随机成分,如月径流序列、日均流量序列等。这些预报对象如果不加处理直接用AR（p）建模进行预测误差较大。文中介绍了通过对非平稳序列提取周期项和趋势项后的余差序列建立AR（p）模型进行水文中长期预报的组合预测方法,并以嘉陵江北碚站7月最大洪峰流量序列为例对组合模型进行验证,结果比较满意。     

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%。     

非平稳时间序列极值统计模型及其在气候-水文变化研究中的应用综述

伴随全球气候变暖和平均海平面持续上升,极端气象事件出现的频率增加、强度增大,气候变化已经成为导致水文极值非平稳性的一个重要原因。本文总结了气候-水文变化研究中常用非平稳时间序列极值统计模型的结构以及统计推断方法,从降雨极值变化、洪水极值变化等方面分析了非平稳时间序列极值统计模型在气候-水文变化研究中的典型应用案例。国内外研究表明:非平稳时间序列极值统计模型能体现水文极值随时间或协变量的变化情势,非平稳情况下水文极值重现期和风险的概念和计算方法与传统平稳时间序列的频率分析相比存在显著差异。最后对需要进一步研究的问题进行了展望。     

丹江口水库流域月尺度降雨与径流预报研究

以汉江上游丹江口水库流域为研究区域,通过降雨-气象遥相关分析从74项大气环流因子中筛选出预报因子,建立月降雨量与预报因子间的多元线性回归模型,根据大气环流因子对月降雨量进行预报,并构建研究区域的SWAT模型,以预报的月降雨量作为模型输入,实现月径流量的预报。以2012年逐月降雨及径流为例,模型对降雨和径流预报的合格率均约为83%,预报效果较好。研究表明,根据降雨量-大气环流因子的统计相关关系预报月降雨,并结合水文模型进行径流预报,对研究区域具有一定的适用性。     

变化环境对潮河下游径流一致性的影响

水文分析要求径流资料的时间序列一致性,但变化的环境破坏了径流序列的稳定一致性变化规律。在气候变化和频繁的人类活动的影响下(水利工程建设、植被覆盖改变和城市化建设等),流域的下垫面条件和产流物理机制发生了明显变化,导致径流序列出现变异情况,不能满足频率计算分析水文时间序列一致性的要求和同分布的假定。应用Mann-Kendall非参数秩次检验法、Pettitt检验法、方差分析法对潮河流域下游下会站1976年-2012年的年、月径流和降水时间序列的趋势成分、突变成分、周期成分和随机成分分别进行了检验和识别,并通过对比分析降雨和径流时间序列的成分,推断出气候变化和人类活动对潮河流域下游降水和径流演变过程的影响。     

基于偏互信息法遴选因子的长江中长期径流预报

为提高流域中长期径流预见期和预报精度,以长江流域代表性水文站为例,研究遥相关气候因子对水文站径流的影响,通过偏互信息方法遴选与逐月径流具有显著相关性的气候因子,并采用多元回归方法建模进行中长期径流预报。研究表明:根据偏互信息法选出的输入因子建立的回归方程在建模和试报阶段的拟合优度值都大于0.6,而且入选的气候因子均具有4个月及以上的预见期。可见利用偏互信息法挑选遥相关气候因子进行中长期径流预报能够延长预见期并提供具有较高精度的预报结果。     

基于Matlab神经网络的流域年径流量预测

阐述了运用人工神经网络模型对流域年径流量径流序列做出预报,表明人工神经网络模型在水文预报中具有一定的优势。通过BP神经网络算法得到了适合该神经网络模型的训练算法。以渔峡口站年径流量实测序列为研究对象,在数值试验的基础上建立了年径流序列预报的人工神经网络预报模型结构,提高了该模型的预报准确性。     

变化环境下径流演变的研究方法进展

气候变化和人类活动的双重影响使流域天然径流序列发生时空演变。对变化环境背景下径流序列演变规律、驱动因素的研究及在不同气候模式下对未来径流的预估对流域水资源管理和长期规划具有重要意义。为此对当前变化环境下径流演变趋势检验、径流变化归因分析及未来径流趋势预估的相关研究方法进行了全面的回顾,并进行综合对比分析。结果表明：采用多种检验方法组合优于单一检验,其结果更为可靠;气候变化和人类活动影响程度在不同流域、不同时期差异较大;未来径流预估结果的不确定性源于气候模式、水文模型和降尺度方法等多个方面。研究结果可为变化环境下径流演变及其驱动因素的研究提供新思路和科学参考。     

时间序列分解模型在乌拉斯台河年径流量预测中的应用研究

在剖析了现有年径流量预测方法的基础上,根据乌拉斯台河年径流量(1960年~1989年)序列的长期变化特征,提出了时间序列分解预测模型,即将年径流系列分解为趋势项、周期项、随机项,通过对其各项进行识别、提取,再将各项线性叠加,从而建立年径流量预测模型。从模型的识别过程可得,乌拉斯台河年径流具有不显著的递减趋势和明显的周期变化,同时具有一定的随机性。从模型的检验来看,所建模型具有较好的适应性和预报精度,并且拟合效果较好,说明这种预测方法有一定的实用性。     

基于皮尔逊Ⅲ型分布的汉口站年最小月流量趋势性分析

在变化环境下,对水文时间序列的非一致性研究变得非常重要。经典线性回归模型在传统的水文序列趋势性分析中有广泛的应用,该模型假定水文变量服从正态分布,这与我国现行的水文频率分析计算中推荐选用的皮尔逊Ⅲ型频率分布(简称PⅢ分布)并不相符。提出采用基于PⅢ分布的回归模型对汉口水文站59 a间的年最小月流量序列进行趋势性分析。研究发现基于PⅢ分布的回归模型比基于正态分布的回归模型能更好地揭示水文序列频率分布的时变特征。在此基础上采用灵活性较强的多项式对水文序列的趋势性进行了分析。     

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。     

北江流域径流量分布规律及其变异性分析

以北江流域主要控制性水文站石角站近45年（1956～2000年）径流量序列为基础，分析了北江流域径流变化的基本特征，结果表明径流年内分配不均，年际变化大，年径流量系列呈缓慢上升趋势，并存在2年左右的变化周期，1992年前后发生了一次跃变，但跃变的成因与趋势的成因不一致，趋势与人类活动有关，而跳跃主要受降雨的影响。     

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。     

面向EMD分解的径流分量重构方法对比研究

水文序列非平稳与非线性的复杂变化导致水文序列中长期预测的准确性备受质疑。"分解-预测-重构"模式作为一种新的有效的预测思路近年来备受业界和学者关注。但受到高频分量预测误差大、趋势走向不确定等问题困扰,这种模式在发展过程中仍有诸多需要改进的地方。其中,径流分量的重构方法是控制高频分量误差,提高整体预测精度的关键性措施,其优劣对预测效果实现有着重要的意义。基于经验模态分解(EMD)和自回归模型(AR)建立"分解-预测"耦合模型,结合粒子群优化(PSO)算法,提出PSO重构系数优化法和高频分量剔除+重构系数优化法两种重构方法,结合前人提出的高频分量剔除法,以陕北丁家沟站、关中华县站、陕南白河站为算例,对不同重构方法的效果进行对比研究。研究结果表明:基于高频分量剔除法、PSO重构系数优化法、高频分量剔除+重构系数优化法三种重构方法的预测效果均较好,五项误差评价指标均优于标准重构法,三种重构方法均可不同程度地提高预测精度。对比研究发现:高频分量剔除法在重构过程中剔除了最不稳定且最难预测的高频分量,提高了预测精度,但提升效果有限;PSO重构系数优化法对所有径流分量赋予优化重构系数并重构,可最大程度地实现分量间的平差,有效提高了预测精度;高频分量剔除+重构系数优化法综合上述两种方法的优势,取得了比其他方法更好的预测效果。     

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。