基于WD-COA-LSTM模型的月降水量预测

为进一步提高月降水量预测精度,提出了基于小波分解（WD）和郊狼优化（COA）算法的长短期记忆神经网络（LSTM）降水量预测模型（WD-COA-LSTM）。首先用小波分解对时间序列进行预处理,消除序列的非平稳性,得到1个低频序列和3个高频序列;然后通过郊狼优化算法对神经网络（LSTM）模型进行参数优化;最后将各子序列预测值叠加得到月降水量预测值。将提出的模型应用于洛阳市栾川县白土镇和洛宁县故县镇两个雨量站的月降水量预测中,并与LSTM、COA-LSTM、WD-LSTM模型预测结果进行对比。结果表明：提出的WD-COA-LSTM模型的预测精度最高,说明小波分解和郊狼优化算法能有效加强LSTM模型预测的精度和泛化能力,为月降水量的预测提供了一种新的途径。     

基于GMS和NCC/GU-WG的晋祠泉水位及流量预测

在综合分析晋祠泉域地质、水文地质资料的基础上,基于GMS建立了泉域三维地质结构模型和分布参数的地下水流数值模型,并结合中国天气发生器(NCC/GU-WG)预测的降雨量数据,模拟了不同岩溶水压采方案下晋祠泉口岩溶水位的变化,并预测了晋祠泉的出流时间和流量。结果表明,从经济和可行性角度来看,逐年压采泉域岩溶水较易实现,且可加快晋祠泉的复流,是较为理想的复流方案。