基于小波分析的月径流ARIMA预测方法

将一种基于小波分析的自回归滑动平均求和（ARIMA）模型用于月径流的预测。首先利用小波变换良好的局部化特性，将月径流序列分解成不同时间尺度上的子序列；然后对各个子序列利用ARIMA模型进行预测。将采用基于小波分析的ARIMA模型的预测结果与直接使用ARIMA模型的预测结果进行比较，结果表明引入小波变换提高了月径流预报精度。     

HEC-HMS模型在岢岚流域的应用研究

针对岢岚流域1967—2007年的场次洪水情况,在基于DEM构建数字模型的基础上,采用HEC-HMS模型,选取SCS-CN值法、SCS单位线法、指数衰退法以及马斯京根法分别对流域产流、坡面汇流、基流以及河道汇流进行计算,进而构建洪水预报模型,并对模型的适用性进行研究。结果表明：率定期与验证期各场次洪水的洪峰流量、峰现时间以及径流深均达到合格水平,确定性系数DC均值分别为0.640、0.612,合格率均为71.4%,均达到乙级预报精度,且模型对小型洪水的模拟精度较大中型洪水更高;HEC-HMS模型在岢岚流域的适用性良好,能为岢岚流域未来洪水预报提供新的依据。     

LSTM变体模型在径流预测中的性能及其可解释性

基于湘江流域1999—2013年实测水文气象数据,采用LSTM模型和其变体模型研究多个预见期下不同输入变量和不同模型结构对径流预测结果的影响,评估LSTM模型及其变体模型在短期径流预测中的性能,基于排列重要性法和积分梯度法探究了LSTM模型对流域径流预测的可解释性。结果表明：在历史径流输入数据的基础上增加有效的水文气象变量输入,可以明显改善模型的预测效果,输入变量的改变比模型结构的差异对预测结果的影响更大;随着预见期的增大,降水数据的加入对预测效果表现出不同程度的提升,预见期为1 d时,预测结果的纳什效率系数(NSE)提升2.0%,预见期为2～4 d时,NSE提升可达13.6%;降水和历史径流在预测中起着重要的作用,而前期湿润条件与降水事件的共同作用是湘江流域洪水的主要诱发因素;LSTM模型可反映两种不同的输入输出关系,这两种关系对应于近期降雨和历史降雨两种洪水诱发机制。     

生命旋回——权马尔可夫链模型在径流预测中的应用

针对生命旋回模型无法反映径流序列随机性特点,将其与权马尔可夫链结合,提出了一种新的径流短期预报模型———生命旋回———权马尔可夫链预测模型。该模型用生命旋回模型模拟预测径流量序列的趋势项,用权马尔可夫链模型来对径流残差序列进行修正。将生命旋回———权马尔可夫链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92.46%,合格率为100%,表明该模型预测精度较高,模型实用可行。     

基于HEC-HMS的资料匮乏山区洪水模拟研究

以白花河小流域为例,探讨缺资料地区HEC-HMS模型的适用效果。通过流域DEM等下垫面数据获取流域信息,采用SCS-CN曲线法、SCS单位线法、指数衰退法、马斯京根演算法进行流域产汇流计算及河道洪水演算,构建了HEC-HMS降雨径流模型,结合广东省综合单位线法与推理公式法的结果对模型参数进行率定。结果表明,设计洪水计算结果的误差均小于20%且平均相对误差均小于10%;实测洪水模拟的洪峰流量相对误差小于10%,Nash系数为0.90。HEC-HMS模型进行径流模拟效果较好,可适用于研究区山洪预报。     

改进BP神经网络集成模型在径流预测中的应用

为提高径流预测预报的精度和泛化能力,建立了基于3种基本改进算法的BP神经网络集成预测模型。利用ADF单位根检验方法、自相关分析方法确定径流时间序列的平稳性和模型的输入向量。针对BP神经网络标准算法收敛速度慢、易陷入局部极值的缺陷,采用自适应动量梯度法、共轭梯度法和Levenberg-Marquardt法分别改进BP神经网络标准算法,依次构建基于3种改进算法的BP神经网络模型对文山州南利河董湖水文站年径流进行预测,并构建GA-BP预测模型作为对比模型;采用加权平均方法对各单一模型预测结果进行综合集成。结果表明:集成模型对南利河2001-2005年径流预测平均相对误差绝对值为4.67%,最大相对误差绝对值为7.11%,精度和泛化能力均优于各单一模型和GA-BP模型。集成模型克服了单一模型预测精度不高和误差不稳定的缺点,具有较好的预测精度和泛化能力,是提高径流预测预报精度的有效方法。     

基于小波消噪偏最小二乘回归模型的径流预测

小波消噪方法，可消除原始数据序列存在的噪声；偏最小二乘回归分析方法，可减弱自变量间多重相关性在系统建模中的不利影响。为此，引入基于小波消噪的偏最小二乘回归分析方法进行建模分析，对奴各沙水文站1960-2000年的径流序列进行拟合和预测。结果表明，该模型在径流的拟合和预测中表现较好，具有较高的精度和较好的稳定性，可作为径流预测的有效方法。     

基于混沌时间序列的大坝变形短期预测

将混沌时间序列预测理论应用到大坝变形预测中，根据非线性大坝变形时间序列，运用相空间重构理论，建立了加权一阶局域法、基于最大Lyapunov指数法大坝预测模型，对混沌的大坝变形数据短期预测模型进行了研究，对比分析了各自的特点，并结合实例完成了对大坝变形的预测。计算分析表明，该模型预测误差较小，与传统的自回归模型预测结果相比，基于混沌时间序列的预测方法在大坝变形的短期预测中具有更高的精度。     

基于SWMM和SCS法的城市内涝模拟及雨水管网系统评估

针对郑州市高新区城市排水特点,应用暴雨洪水管理模型(stom water management model,SWMM)模型建立城市排水模型,其中下渗模型采用径流曲线数(soil conservation service curve number,SCS-CN)法体现城市下垫面对城市内涝的影响.利用该模型对不同重现期实测...     

基于参数优化的EEMD-LSSVM年径流组合预测模型

径流预测是水资源管理的基础,其准确性直接影响水资源优化调度的成果。本文针对径流时间序列的内在周期特性,引入一种基于总体经验模态分解（EEMD）的LSSVM组合预测模型,并提出一种基于动态逼近局部搜索粒子群的LSSVM参数寻优方法。基于分解一重构原则,论文首先利用总体经验模式分解法对径流系列进行周期分量提取,然后应用基于参数寻优的LSSVM模型对各分量进行预测和重构。以澧水流域江垭站的年径流预测为例进行模型检验,通过三种预测模型的结果对比,验证了本文组合预测模型的可靠性。     

基于拟合改进的径流灰色预测模型研究

经典灰色模型可用于水文径流预测,但其预测精度较差。为了提高模型精度,基于经典灰色理论,对累加后的数据进行精度更高的多项式拟合,建立基于拟合改进的径流灰色预测模型。该模型简单易行,且计算精度和效率较高。通过对三门峡水库的入库径流资料进行经典和拟合改进灰色预测,表明拟合改进灰色预测模型可有效地对径流进行预测,预测精度较经典灰色模型有较大提高。     

基于EMD的凌河流域降水径流预测模型研究

为提高降水径流预测模型的预测精度,利用经验模态分解法处理非线性复杂信号的优势,再结合BP神经网络,对凌河朝阳水文站1956—2009年的降水量资料进行分解,以分解出的分量作为BP神经网络预测模型的输入,以实测的年径流量作为输出,建立降水径流预测模型。模型检验结果表明:模型预测精度较高,对凌河流域径流量预测具有一定的实用性。     

基于小波分解的AVOA-DELM月径流时间序列预测模型及应用

为提高月径流时间序列预测精度，提出小波分解(WD)-非洲秃鹫优化算法(AVOA)-深度极限学习机(DELM)组合预测模型，并应用于云南省丫勒水文站月径流预测。利用WD对月径流时序数据进行分解，以获得更具规律的子序列分量；通过AVOA优化DELM隐含层神经元数，建立WD-AVOA-DELM模型对各子序列分量进行预测，将预测结果加和重构得到最终月径流预测结果。同时构建基于支持向量机(SVM)、BP神经网络两种预测器的WD-AVOA-SVM、WD-AVOA-BP、AVOA-DELM、AVOA-SVM、AVOA-BP作分析对比模型。结果表明：WD-AVOA-DELM模型对丫勒水文站月径流预测的平均绝对百分比误差为3.02%,预测误差远小于WD-STOA-SVM、WD-AVOA-BP模型，预测精度较AVOA-DELM、AVOA-SVM、AVOA-BP提高1个数量级以上，具有较好的预测效果。WD能科学降低径流序列的复杂性，提高预测精度；AVOA能有效优化DELM关键参数，提高DELM网络性能。     

天然年径流量系列一致性修正方法的改进

天然年径流系列一致性修正是水资源评价计算中的重要部分，在原有方法的基础上对现状条件的确定，降水径流关系线高水部分线型的趋势，降水径流关系线的精度等方面进行了改进，通过对天然年径流系列一致性修正方法的改进，提高了年降水径流关系线的准确性与合理性，使天然年径流量的修正成果更趋合理，可靠。     

基于G-LSTM模型的短期径流预报——以长江上游寸滩断面-三峡入库断面为例

长短时记忆神经网络(LSTM)具有极强的复杂多变量时间序列非线性关系拟合和历史数据认知能力,适用于对径流这类复杂时间序列过程进行模拟和预报。基于LSTM,采用灰色关联分析法(GRA),选取合适的预报因子建立G-LSTM预报模型,探究了该模型在短期径流预报中的应用和效果。将该方法应用于长江上游寸滩断面-三峡入库断面的径流模拟,并与传统的新安江模型、BP神经网络、LSTM模型的模拟结果进行比较。结果表明:与传统学习的近似映射相比,G-LSTM模型具有优秀的非线性函数学习能力,率定期与检验期的确定性系数均在0.9以上,明显优于其他两种模型的模拟结果。G-LSTM模型显著提高了短期径流预报精度,是一种有效的径流预测方法。     

SCS-CN模型的改进及其空间尺度效应

SCS-CN (Soil Conservation Service Curve Number)模型是广泛应用经验性水文模型,其模型参数的确定与空间尺度效应对径流模拟结果有着重要的影响。选取淮河上游为研究区,分析SCS-CN模型参数的敏感性并对模型进行改进,探讨了9种栅格尺度(100～2 000m)下径流模拟结果的空间尺度效应。研究结果表明:SCS-CN模型输入参数中,系数b的敏感性高于初损系数(λ),将参数b值作为模型需要修正的参数;随着空间尺度增加,下垫面各要素的尺度变化使得参数b呈指数递减趋势;模型模拟精度的最佳空间尺度范围是250～500m尺度。     

VIC模型汇流改进及在流域洪水预报中的应用研究

VIC模型一般在3 000 km²以上的大流域径流模拟中广泛应用,然而其原有的单位线汇流方法时间尺度为日,难以实现小时尺度的汇流计算,限制了VIC模型在中小流域洪水预报中的发展与应用。采用基于Gamma分布函数的单位线法对VIC模型现有汇流方法进行改进,将VIC产流模型与改进的分布式汇流模型相耦合,实现了基于VIC模型的小时尺度洪水预报,并在碧流河流域进行实例验证。结果表明：率定期和验证期确定性系数平均值为0.81,径流深预报合格率为95%,洪峰流量预报合格率为90%,模型模拟精度较高。改进后的汇流模型可以较好地模拟出洪水的起涨消退过程,能够满足流域洪水预报的需求,具有一定的应用价值。     

云模型在中长期降水预测中的应用

中长期降水预测对灌区水资源管理、种植结构调整及水生生态系统的健康发展具有重要意义。将定性概念与定量概念之间的不确定性转换模型引入到中长期降水预测中,以更好地反映降水时程分配中的随机不确定性和模糊不确定性。基于云模型的降水预测法通过挖掘已有观测数据的内在联系,形成预测规则,并据此进行中长期预测。最后,运用云模型对河南省渠村引黄灌区2004—2013年的降水量进行了预测。结果表明:云模型预测的年降水量平均值与实测值整体拟合较好,预测精度优于灰色预测等方法。     

长江源高寒区域河川径流预测方法及其对比分析

为了更好地预测长江源高寒区域水文循环尤其是径流过程的变化规律,根据沱沱河站(1961年-2009年)共49年的降水和径流资料,以降水量作为输入向量,径流量作为目标向量,分别采用偏最小二乘回归估计、改进的BP神经网络和RBF神经网络建立了径流预测模型,并利用Matlab工具软件编程求解。通过三种计算方法预测结果的分析与对比表明:偏最小二乘回归估计模型的径流预测结果基本合理,但该方法需要降水数据作为已知条件,同时要求降水和径流的相关性较高,对于长江源高寒区域来水复杂的地区不是很合适;改进的BP网络模型因受到神经网络学习和训练的随机性影响,需要相当大的运算量,而且预测精度也不高,如果合理选择RBF神经网络模型的周期和spread值,其径流预测结果的精度相对较高,所以是值得推荐的方法。     

基于自适应变分模态分解和长短期记忆网络的月径流预报

准确可靠的月径流预报是流域水旱灾害防治及水资源合理配置的重要依据。原始径流时间序列包含多种频率成分，将时间序列数据分解预处理技术和机器学习模型相结合的混合模型已被用于捕捉径流动态过程。然而，将数据分解技术直接应用于整个时间序列是一种不切实际的方法，会导致部分信息从测试阶段传输到模型的训练过程中。为此，设计了一个用观测数据更新历史样本的自适应动态分解策略，提出基于自适应变分模态分解和长短期记忆网络的分解-预测-集成月径流预测混合模型。首先，采用自适应分解策略对径流时序数据进行变分模态分解，得到不同频率成分的子序列；其次，为每个分解子序列构建长短期记忆神经网络径流预测模型，并采用贝叶斯优化算法优选模型超参数；然后，将子序列的预测结果集成得到径流的最终预测结果；最后，以金沙江上游石鼓水文站月径流预报为研究实例，对比传统的分解策略(“捆绑分解”)和分解方法(离散小波变换和集成经验模态分解),验证所提混合模型的有效性和可行性。结果表明，所提混合模型在数据分解预处理中避免了引入未来信息，并能够进一步提升径流预报精度。