基于神经网络的年径流预测模型

年径流预测过程可以认为是一种复杂非线性函数关系的逼近过程。人工神经网络具有表达任意非线性映射的特性，在分类、学习和容错方面表现出很好的能力，可以克服常用的如回归分析模型结构更新量大、预报精度低的缺陷。以下着重介绍了ＡＮＮ 基本原理和算法，并结合实例说明了应用方法，并且通过建立年径流预测的人工神经网络模型，为年径流预测提供了具有实用价值的基本理论和实施技术。     

昭通市横江流域水环境质量评价

根据横江流域7个水质监测站2003～2008年水质监测资料,以《地表水环境质量标准》（GB3838～2002）为依据,采用单因子指数法、综合水质指数法及流域面积加权法进行评价,指出横江流域综合水质指数常期处于3级,水功能区水质达标率也处较低水平,2003年以来水质恶化现象严重,重度污染河段为洛泽河和昭鲁河,洒渔河已开始被污染,并根据各河段污染物性质提出合理化的治理建议。     

黄河年降雨-径流BP预测模型研究

采用改进的BP算法,对黄河兰州水文站45年(1956～2000年)的年降雨和径流实测资料进行了分析,建立了基于人工神经网络的年降雨一径流预测模型,研究结果表明：仅用预报前时段的年降雨和径流资料作为输入来预测下一时段的径流,其预报精度较差,但在预报期内有相对误差小于10％的降雨预报值输入时,所建模型对下一时段的径流预测与传统的统计建模方法相比,预报精度较高,能较好地反映黄河上游区的年降雨-径流规律。     

横江流域水环境质量综合评价方法探讨

根据横江流域7个水质监测站2008年监测资料,结合单因子评价法与算术平均、综合指数法与面积加权、综合指数法与径流加权3种方法对其水质进行综合评价,并分析了3种评价方法的优缺点。结果表明,采用单因子评价法与算术平均结果较其他两种方法偏大。建议根据径流对水质的影响程度,选择使用综合指数法与面积加权或综合指数法与径流加权进行流域水环境质量综合评价。     

基于小波消噪的年径流预测SPA模型

集对分析(SPA)的年径流预测就是基于SPA原理从同、异、反3个方面刻画预测模型的误差分布情况,利用联系度描述水文预测模型的预测精度,从而建立预测模型。水文序列的多时间尺度和高度的非线性特性,使得建立的水文预测模型精度往往不高。应用小波消噪的特点,利用汾河水库坝下站1959—1983年的资料建立小波消噪的SPA模型,对1984—1989年的丰枯状态进行预测,将水文预测中的单一预测和综合预测结果分别与实测系列进行对比。结果表明,综合预测模型优于单一预测模型。     

石头河年径流分析与预测

本文首先分析了石头河径流趋势和持续性，再运用加权马尔可夫链对其年径流量进行预测，结果显示，未来短期内石头河径流量有增长的趋势，依据1999年～2003年实测数据预测2004年的径流状态为平水年。     

基于率定量化标准系数的SPA年径流预测

针对集对分析(set pair analysis,SPA)在径流预测中径流集合量化标准仅根据主观经验确定的问题,提出了率定量化标准系数的SPA年径流预测模型,即首先对量化标准系数进行率定,再用SPA模型对径流进行预测。将该模型应用于长江宜昌站,并与经验标准预测结果进行对比。结果表明,率定量化标准后的预测结果能更好、更准确地反映原序列的变化,精度更高。     

西江流域枯季径流模拟预测研究

枯季水文径流预测是现代水文预测预报的一个重要组成部分。随着社会经济发展和人口增加,水资源问题越来越突出,因此开展枯季水文径流模拟预测为准确把握流域枯季水资源水量和水文过程提供依据。西江流域是珠江水系的第一大支流,近年来由于径流量减少,特别是枯季径流变化较大,珠江三角洲河口咸潮上溯年年发生,影响区域生产生活,因此有必要开展枯季径流模拟预测研究。采用多元回归分析和新安江模型研究枯季流量模拟预测过程,为了研究模型在此区域枯季径流模拟预测的适用性,选择西江梧州水文站的数据进行参数率定和验证。经比较分析,认为新安江模型在枯季径流模拟预测中效果较好,模拟预测结果为流量峰值相对误差小于20%,径流深相对误差小于15%,确定性系数值大于0.70,精度较好,说明新安江模型在梧州水文站的枯季径流模拟预测中是适用的。     

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。     

疏勒河年径流量变化特征分析及模拟

根据1972—2011年疏勒河年径流量的实测数据,应用倾斜趋势分析、Mann-Kendall突变趋势检验等方法分析了疏勒河年径流量的变化特征,并利用BP神经网络和粒子群-神经网络对其进行了模拟预测。结果表明:昌马堡、党城湾、双塔堡、潘家庄4个站点年径流量均呈增加趋势,年径流累积距平百分率的倾斜率为每10年分别增加13.87%、4.46%、11.57%、10.49%,年径流量发生显著突变的年份分别为2004、1983、2008、2010年;25a尺度周期是疏勒河流域年径流量变化特征的主控周期。粒子群-神经网络对疏勒河年径流量模拟结果优于BP神经网络,利用优化后的粒子群-神经网络对年径流量进行预测,年降水量在40年均值基础上从增加15%到增加25%时,径流量不会发生显著变化。     

人为活动和气候变化对安阳河流域年径流量的影响研究

为研究人为活动与全球气候变化对安阳河流域水资源的影响,采用了流域水文模型模拟的方法,计算了人为活动和气候变化对流域水资源量的影响及其贡献率,利用聚类分析方法计算了两者的权重,判定了影响安阳河流域年径流量的主要因素。分析结果表明,人为活动是安阳河流域年径流量变化的主要影响因素,气候变化对流域年径流量的影响在流域内存在空间差异。     

河槽调蓄对嫩江下游径流年内分配的影响

嫩江流域水资源规划中出现了径流不平衡现象，通过对干支流主要水文站实测资料分析认为，嫩江支流水量受河道调蓄作用较小，干流水量受河道调蓄作用很大。由于嫩江干流下游河道很强的调蓄作用，造成干流上下游径流年内分配的差异，这也是区间径流某些月份为负值的主要原因。     

澄碧河流域径流年内分配变化规律分析

基于澄碧河流域坝首和平塘水文站1963-2014年逐日实测径流资料,计算其径流年内分配的不均匀系数、完全调节系数和集中度等八个特征指标,分析了近52a来该流域径流年内分配的均匀度,在此基础上,采用线性倾向估计、Mann-Kendall趋势检验法和R/S分析法研究了澄碧河流域径流年内分配特征指数的变化趋势。结果表明:近52a来澄碧河流域径流年内分配不均匀性较强,变化幅度较大;径流年内分配的的洛伦兹不对称系数呈现增加趋势,其余特征指标均呈现减少趋势;年内集中期主要在7月,流域径流年内分布不均匀的主要原因是个别月份径流量较大;八个特征指数的Hurst值均大于0.5,故可预测澄碧河流域径流年内分配的特征指数序列呈现正持续性,与过去整体变化趋势保持一致;随着时间推移,澄碧河流域径流年内分配不均匀性越来越低,逐渐由不均匀向相对均匀转变。     

雅鲁藏布江干流年径流变化趋势及特性分析

为了分析雅鲁藏布江干流的年径流变化趋势,采用趋势分析和小波分析的方法,基于雅鲁藏布江干流羊村和奴下水文站1970~2012径流序列资料,对其干流径流的变化趋势和特性进行分析。结果表明,干流径流呈现一定的增长趋势,但趋势不显著,同时不存在显著的跳跃成分。雅鲁藏布江有较丰富的水资源可供利用,且水量来源较为稳定,受气候变化影响不显著,可为南水北调的大西线调水工程提供水源保障。     

金沙江流域径流年代际变化特性分析

为研究金沙江流域径流年代际的变化特性,采用金沙江流域石鼓站1951~2009年、攀枝花站1966~2009年、屏山站1940~2009年径流资料,对金沙江流域径流年代际变化特性进行了分析,结果表明,自20世纪40年代以来,金沙江流域来水年际径流变化不大,无明显增大或减小趋势。金沙江中游来水自20世纪80年代后呈小幅增加趋势,可能是由于降雨增加所致,形成原因有待进一步深入研究。     

龙川江流域年径流特性的地区综合法分析

针对龙川江流域水文资料短缺的实际问题,使用地区综合法进行径流的分析与计算,并充分利用现有降水径流资料进行3种方案的综合比较。通过成果检验,选定既考虑了下垫面因素,又考虑降水因子的方案3作为分析该区域的最终综合方法,并应用于无资料地区的拟建工程点。结果表明,通过多方案的综合比较,将利用最终选定方案推求出的径流成果与设立水文专用站后的实测资料相比,其精度达到了较高水平。     

基于近邻估计的年径流预测动态 联系数回归模型

集对分析理论为处理确定、不确定系统提供了新的途径,根据集对分析理论建立起来的预测联系数回归模型可以明显改善回归模型的预测精度。对于预测因子结构具有的动态性,文中将利用近邻估计,通过计算各个预测因子的变异系数,来判断预测因子在某次预测中处于强势或者弱势,进而动态地选择预报功能大的强势因子,消除对预报起负面作用的弱势因子的作用,这样很好地体现了预测因子结构中具有的动态性。基于此建立了基于近邻估计的年径流预测动态联系数回归模型（NNE-DCNR）。结果说明：用NNE-DCNR去预测年径流量,预测精度比常用预测方法有显著提高,在水文水资源的预测中具有推广应用价值