中长期水文预报方法研究综述

从传统的水文统计法、成因分析法和现代的模糊数学方法、人工神经网络方法、灰色系统理论方法等方面,系统地总结了国内外中长期水文预报的研究进展情况。对其研究现状进行了评述和分析,指出了当前中长期水文预报模型存在的模型适用性不是这一主要问题。分析认为:①从物理成因上解释预报因子的合理性,使预报模型建立在严格的物理成因的基础上,是今后中长期水文预报应遵循的基本原则;②根据水文要素变化的非线性特点,将各种方法进行耦合,将在中长期水文预报中发挥重要作用;③应积极开展中长期水文预报所需资料的观测与积累,特别是人类活动的影响、全球气候变暖等引起的预报因子及影响因素的变化。     

灰色径向基神经网络技术在水文预报中的应用

分析清河水库中长期水文预报状况、历史资料,提出预报单位年的概念,采取灰色关联度方法选取适当的年份作为典型年,采用径向基神经网络技术,构建清河水库中长期水文预报新模型,并开发了基于VB的中长期水文预报系统。通过近3年的应用检验,取得了较好的效果,较大地提高了清河水库中长期水文预报精度。     

中长期水文预报方法研究综述

对中长期水文预报研究中具有代表性的研究工作进行了回顾,在此基础上对现有的预报方法进行分类和总结,并对我国未来的中长期水文预报技术的发展趋势进行了展望。     

中长期水文预报综合分析理论模式与方法

为了探索提高中长期水文预报的精度，本文依据水文成因，统计与模糊集分析相结合的研究方法论，提出考虑预报因子权重的中长期水文预报综合分析理论模式与方法。     

水文预报方法与中长期水文预报的分析

文章以辽宁省大伙房水库作为研究对象,通过对几种中长期水文预报方法的比较分析,选取出预报精度最高的一种方法。研究结果表明,BP神经网络法在径流中长期预报方面的精度最高,因此可运用该方法对水库径流进行中长期预报,从而为水库引水及调度计划的合理制定提供依据。期望通过文章的研究能够对中长期水文预报方法的推广应用有所帮助。     

水库中长期水文预报风险研究

中长期水文预报的精度与可靠性直接影响到水库年初水量分配方案和控制运用计划的制定,因此。对中长期水文预报的可靠性分析十分重要。文章以柴河水库为例,详细地介绍了水库中长期水文预报的风险分析方法,并首次将均值一次二阶矩法引进到水库中长期水文预报的风险分析中。     

历史演变法在清河水库中长期水文预报中的应用

清河水库采用历史演变法、周期分析外推法、平稳时间序列外推法等多种方法进行中长期水文预报。文中着重对历史演变法的原理进行分析和阐述,通过对三种预报方法进行误差分析,得出历史演变法使清河水库中长期水文预报过更接近实际值,对清河水库中长期水文预报结果起到关键性作用。     

改进的WANN模型在新疆中长期水文预报中的应用研究

引入共轭梯度算法对传统WANN模型求解搜索进行优化,从而提高传统WANN模型计算效率,改善模型求解精度。本文将改进的WANN模型用于新疆某区域中长期水文预报中,并结合区域实测水文数据,对比分析改进的WANN模型在中长期水文预报中的适用性以及预报精度。研究结果表明:相比于传统WANN模型,改进的WANN模型可提高中长期水文预报的精度,模型在中长期降水量和水量的预报误差分别减少8.8%和3.6%,收敛度分别提高0.18和0.17。研究成果对于地区中长期水文预报方法提供参考价值。     

浅谈中长期水文预报方法

由于影响水文要素的各种因素十分复杂，中长期水文预报方法目前尚不够成熟，因此在做中长期水文预测时必须参考诸多因素，采用多种方法综合分析、合理取值；并应结合当地实际不断积累经验，进一步探讨中长期水文预报方法，以提高水文要素长期预报的精度。     

珠江流域中长期水文预报现行主要方法浅析

中长期水文预报是一门边缘学科。目前应用于珠江流域中长期水文预报的主要方法有4种，即历史演变法、周期均值迭加法、转移概率法、数理统计相关分析法。对珠江流域近几年中长期水文预报所有方法的基本原理进行总结，并结合实际对各种方法作进一步的分析。     

坡面产流模式的神经网络模拟

坡面产流是土壤本身特性与外界影响因素相互作用的结果，它们之间具有明显的非线性输入输出关系。在分析坡面产流和神经网络模型具有某些相似的基础上，利用径流站观测资料，建立了小流域坡面产流量的三层前向网络模型（BP算法），并显示了具有较好的模拟预测效果。     

若干水文预报方法综述

将现有水文预报方法分为过程驱动模型方法和数据驱动模型方法两大类.过程驱动模型指以水文学概念为基础,对径流的产流过程与河道演进过程进行模拟,从而进行流量过程预报的模型.过程驱动模型近年在中长期预报方面的发展主要表现在对概念性流域降雨径流模型的结构进行改进,以适应较大时间尺度预报的需要.数据驱动模型则是基本不考虑水文过程的物理机制,而以建立输入输出数据之间的最优数学关系为目标的黑箱子方法.数据驱动模型以回归模型最为常用,近年来由于神经网络模型、非线性时间序列分析模型、模糊数学方法和灰色系统模型等的引进,以及水文数据获取能力和计算能力的发展,数据驱动模型在水文预报中受到了广泛的关注.     

Short-Term Water Demand Forecast Modelling at IIT Kanpur Using Artificial Neural Networks

The efficient operation and management of an existing water supply system require short-term water demand forecasts as inputs. Conventionally, regression and time series analysis have been employed in modelling short-term water demand forecasts. The relatively new technique of artificial neural networks has been proposed as an efficient tool for modelling and forecasting in recent years. The primary objective of this study is to investigate the relatively new technique of artificial neural networks for use in forecasting short-term water demand at the Indian Institute of Technology, Kanpur. Other techniques investigated in this study include regression and time series analysis for comparison purposes. The secondary objective of this study is to investigate the validity of the following two hypotheses: 1) the short-term water demand process at the Indian Institute of Technology, Kanpur campus is a dynamic process mainly driven by the maximum air temperature and interrupted by rainfall occurrences, and 2) occurrence of rainfall is a more significant variable than the rainfall amount itself in modelling the short-term water demand forecasts. The data employed in this study consist of weekly water demand at the Indian Institute of Technology, Kanpur campus, and total weekly rainfall and weekly average maximum air temperature from the City of Kanpur, India. Six different artificial neural network models, five regression models, and two time series models have been developed and compared. The artificial neural network models consistently outperformed the regression and time series models developed in this study. An average absolute error in forecasting of 2.41% was achieved from the best artificial neural network model, which also showed the best correlation between the modelled and targeted water demands. It has been found that the water demand at the Indian Institute of Technology, Kanpur campus is better correlated with the rainfall occurrence rather than the amount of rainfall itself.     

门限人工神经网络模型及其在洪水预报中的应用

结合门限自回归模型与人工神经网络模型的建模思想，首次提出这两种方法的耦合模型，即门限人工神经网络模型，新模型的实质是一种分段非线性化的处理方法，是对现有门限模型分段线性化的很好改进。实例计算结果说明，新模型在洪水的预报中是有效的，在各种非线性时序动态预测中具有普遍意义和广泛的实用价值。     

雨量预报方法的评价模型

建立的雨量预报方法预报水平评价模型,包括预报方法的准确性评价模型和考虑公众感受的评分模型。准确性评价模型包括雨量预报方法的预报水平的整体评价指标,以及针对不同预报时段、预报等级和站点的分项评价指标,公众感受评分模型基于公众对预报偏差的心理感受特点对预报水平给出评分。通过降雨空间插值方法由网格点的雨量预报值得到观测站点的预报值,应用所建立的指标对给定区域的91个站点41 d的雨量实测值和两种预报方法的预报值进行了分析和评价。     

Modular Wavelet–Extreme Learning Machine: a New Approach for Forecasting Daily Rainfall

Water Resources Management - A rainfall forecasting method based on coupling wavelet analysis and a novel artificial neural network technique called extreme learning machine (ELM) is proposed. In...     

不同组合小波神经网络模型对径流预测的适用性

针对水文时间序列的非平稳性特征,以长江三峡宜昌站1904~2003年年平均流量为例,分别建立了小波分析（WA）与BP神经网络和径向基函数神经网络（RBF）耦合的预测模型,探究了两种组合模型的预测效果,并与传统的单一人工神经网络模型对比;并采用5种常见的预测性能评价指标分析预测效果。结果表明：组合模型预测成果的精度较单一模型显著提高;组合和单一模型中RBF网络模型均优于BP网络模型;小波径向基函数神经网络组合模型具有较优的预测精度和泛化能力,是提高预测精度的有效方法,在径流预测中具有可行性。     

Monthly Streamflow Forecasting Using Convolutional Neural Network

Monthly streamflow forecasting is vital for managing water resources. Recently, numerous studies have explored and evidenced the potential of artificial intelligence (AI) models in hydrological forecasting. In this study, the feasibility of the convolutional neural network (CNN), a deep learning method, is explored for monthly streamflow forecasting. CNN can automatically extract critical features from numerous inputs with its convolution–pooling mechanism, which is a distinct advantage compared with other AI models. Hydrological and large-scale atmospheric circulation variables, including rainfall, streamflow, and atmospheric circulation factors are used to establish models and forecast streamflow for Huanren Reservoir and Xiangjiaba Hydropower Station, China. The artificial neural network (ANN) and extreme learning machine (ELM) with inputs identified based on cross-correlation and mutual information analyses are established for comparative analyses. The performances of these models are assessed with several statistical metrics and graphical evaluation methods. The results show that CNN outperforms ANN and ELM in all statistical measures. Moreover, CNN shows better stability in forecasting accuracy.

     

嘉陵江中游段中长期径流预报研究

通过对嘉陵江流域中游段的径流特性及变化规律进行研究,应用目前较为成熟的人工神经网络模型、最近邻抽样回归模型、自回归模型和均生函数模型,对嘉陵江流域中游段年径流进行预报。实例分析和预测结果比较表明:人工神经网络模型与最近邻抽样回归模型能更好地预测嘉陵江中游段的年径流。     

人工神经网络与遗传算法在多泥沙洪水预报中的应用

由于水沙作用机制和演进规律的复杂性，以及河道形态变化等因素，多泥沙洪水预报一直是洪水预报的难点，对高含沙洪水快速、准确的预报是多年来国内外专家十分关注的课题。作者采用具有高度非线性识别能力的人工神经网络与遗传算法相结合的方法，探讨了建立智能预报模型的基本方法，进一步对如何提高预报精度的问题进行了研究，并结合黄河洪水预报实例检验了神经网络模型的可行性。检验结果表明，该方法能够较好地识别多泥沙洪水的演进规律，对水位、流量和含沙量都能进行合理预报。