水文系统复杂性模型研究及应用

研究水文系统复杂度的计算方法。根据排列熵、近似熵、样本熵和Lopez-Ruiz复杂度,建立了三种基于不同熵算法的水文系统复杂度计算模型。定量描述水文系统的复杂性。以渭河流域林家村、张家山和状头水文站的月平均流量序列为例,计算结果表明:1970年和1990年前后,各站的月平均流量序列复杂度均出现不同程度的变异现象,20世纪70年代初和90年代初,渭河流域人类活动显著增强,使得径流过程复杂性增加。滑动t检验法和斯米尔诺夫定理检验与文中计算结果一致,表明文中模型是合理的。通过本文的研究,以期为定量识别水文系统复杂性提供一种新的方法。     

“水文统计”课程教学内容探讨

文章根据水利、交通和电力工程专业培养方案,回顾了我国"水文统计"课程教学体系的发展,分析了"水文统计"课程国内外教材和专著以及教学内容,归纳总结了新型的课程教学内容。与现有课程教学内容相比,增加了实用的分析计算、新理论和新方法在水文中的应用等,以期完善我国水利、交通和电力高等院校"水文统计"课程的教学体系。     

基于Copula函数的两变量洪水重现期与设计值计算研究

传统的洪水频率分析未考虑洪水特征变量之间的相依性,存在一定局限性。本文应用Kendall重现期原理,研究两变量洪水重现期与设计值计算。以陕北地区无定河流域赵石窑和绥德站的洪水资料为例,采用二元Frank Copula函数构建洪峰流量与洪量联合分布模型,运用最可能超越法与极大似然法分别推求联合重现期、Kendall重现期及同现重现期三类重现期标准下的洪水设计值组合。结果表明两种方法均可推求洪水设计值,且结果无较大差异;在给定重现期条件下,以联合重现期作为计算标准推求的洪水设计值最大,Kendall重现期次之,同现重现期最小。从重现期定义的角度考虑,联合重现期与同现重现期根据各变量值定义的危险区域,存在一定不合理性,但仍可满足特定的应用需要;Kendall重现期根据联合概率值定义危险区域,避免了对危险区域或大或小地估算。一般情况下,推荐采用Kendall重现期作为两变量重现期计算标准。     

蚁群算法在水文频率曲线参数计算中的应用

通过对标准蚁群算法进行修改,提出了一种可以应用于水文频率参数计算的基于网格划分策略的蚁群算法,并以渭河流域4个水文测站的年径流量数据为例,按照OLS准则对皮尔逊Ⅲ型分布参数进行了优化计算.结果表明,蚁群算法参数的估计精度及实际适线效果均优于其他几种常规方法,是一种可行的水文频率分析方法.     

基于Johnson分布的年降水量频率分析

鉴于Johnson分布具有多种变换形式,能够通过复杂的变换曲线实现良好的曲线拟合能力.本文探讨了矩法、分位数法、普通最小二乘法(OLS)、权重最小二乘法(WLS)和对角权重最小二乘法(DWLS)5种Johnson分布参数估计方法并适线拟合,并将Johnson分布与P-Ⅲ分布的适线拟合效果进行对比.选取陕西省陕北地区4个...     

基于可变核的月径流改进非参数解集模型研究

径流序列模拟可为水资源系统规划和管理提供可靠依据.现行非参数解集模型模拟存在难以保持首尾自相关结构一致性,可能会产生大量负径流值的边界问题等不足.本文应用核密度估计理论,综合考虑年径流量和前期一阶月径流量与模拟月径流量的关系,采用可变核带宽方法减小边界影响,构建了月径流改进非参数解集模型,并将该模型与传统相关解集模型进...     

中国内地分区年用水总量预测模型研究

为了完善中国内地大尺度区域用水量预测模型的研究,为水资源科学利用提供支撑,应用ARMA、灰色GM(1,1)及BP神经网络模型原理,建立省级行政区划、流域、地理大区3种尺度的年用水总量预测模型,对模型优选结果进行统计分析,并应用最优模型对2021-2025年各省级行政区用水总量进行预测。结果表明：对于内地省级行政区划尺度,9个行政区的年用水总量最优预测模型为ARMA模型,6个行政区的最优预测模型为灰色GM(1,1)模型,16个行政区的最优预测模型为BP神经网络模型;对于流域尺度,5个流域的年用水总量最优预测模型为ARMA模型,3个流域的最优预测模型为灰色GM(1,1)模型,长江流域的最优预测模型为BP神经网络模型;对于地理大区尺度,北方6区的年用水总量最优预测模型为BP神经网络模型,南方4区的最优预测模型为灰色GM(1,1)模型;2021-2025年内地各省级行政区的年用水总量总体保持稳定。研究结果可为中国内地用水总量的管理提供依据。     

弧底梯形明渠正常水深的直接算法

 通过对弧底梯形明渠均匀流基本方程的数学变换，得到其无量纲正常水深的迭代公式，并从数学上证明了该迭代式的收敛性；通过数值计算选取恰当的迭代初值，再经迭代运算，提出了弧底梯形明渠均匀流水深的直接计算公式。实例计算及误差分析表明： 在工程实用范围内该法最大相对误差为0.7%， 而且克服了以往查图查表法及试算法的缺点，是一种简捷准确的有效方法。     

基于集成学习模型的非平稳月径流预报

针对变化环境下月径流序列的非平稳性日益加剧,传统径流预报模型采用普通学习算法的局限性,基于Bagging和Boosting集成学习算法,构建了随机森林(RF)、梯度提升决策树(GBDT)和轻梯度提升机(LightGBM)3种集成学习模型,融合弹性网(EN)和变分模态分解(VMD),建立VMD-EN-RF、VMD-EN-GBDT和VMD-EN-LightGBM非平稳月径流组合预报模型,并以黄河流域实测月径流为研究对象,评估预报结果的不确定性。结果表明：单一集成学习模型能够提供可靠的预报结果,适用于非平稳月径流预报;融合VMD和EN的集成学习模型预报性能较单一集成学习模型有了显著提高,纳什效率系数提升了15%～20%,均方根误差降低了30%～40%;基于Boosting集成方法构建的集成学习模型优于Bagging集成方法,其中VMD-EN-LightGBM预见期3月内的预报效果优于VMD-EN-RF和VMD-EN-GBDT,在90%置信度的区间预报覆盖率高于90%,表现出良好的性能。     

单变量独立同分布水文事件重现期的计算原理与方法

研究了单变量独立同分布水文事件的重现期的计算原理与方法。根据事件首次发生的期望等待试验次数与连续两次事件间期望间隔试验次数的两种重现期定义,采用数学期望值和概率母函数法,系统地推导了独立同分布水文事件重现期的计算公式。结果表明,单变量独立同分布水文事件在两种定义下的重现期相等。所得计算公式具有严格的数学基础,以期为我国现行水文频率的计算提供理论支撑。