澉浦站年最高潮位序列变异点判别

水文灰色系统分析法通过构造差异信息序列,计算比较序列间信息测度的不同,来判别水文序列时间、空间上的变异点.采用两种水文比较序列构造方法,分析得澉浦站年最高潮位在1973年、1992年之后发生变异.例证表明,采用灰色系统差异信息的度量来判别水文序列的变异点概念明确,方法简单、有效.     

应用频谱法分析水文时间序列的代表性

水文时间序列的代表性分析是水文频率计算的一项重要内容,水文频率分析成果的优劣在很大程度上取决于水文序列的代表性。目前对水文序列代表性分析仍缺乏有效的方法。本文尝试引入频谱分析法分析水文序列的代表性,根据频域中水文序列周期数,判断研究的序列是否含有丰、平、枯或大、中、小各特征量级的序列值,从而确定水文序列代表性的优劣。通过对实际测站年最高水位序列的频谱分析去判断其周期,由此推断该序列具有较高的代表性,其频率计算设计成果具有较高的精度。     

基于小波变换的水文时间序列分解及周期识别

运用Mallat算法和Daubechies小波,介绍了基于小波变换的水文时间序列分解方法.通过小波变换,将水文时间序列分解成不同时间尺度的确定性序列和随机序列,运用方差分析法,对小波分解后的确定性序列进行周期分析,获得原始系列的主周期.以长江寸滩站日平均流量和年最大流量序列为例,进行了小波变换及原始系列的主周期分析,结果是满意的.     

基于经验模态分解与传统水文分析法的降雨序列研究

为研究经验模态分解(EMD)法和传统水文分析方法在水文时间序列研究中的特点,以陕西省榆林市1951—2017年降雨时间序列为例,对该数据的趋势性和周期性成分进行了分析对比。结果表明:传统的Mann-Kendall(M-K)检验法与EMD方法都可反映出水文序列的趋势及转折点,且两种方法所得结果相似,反映出榆林市降雨量先增后减的变化趋势,但转折点时间有所差异。EMD方法与M-K方法得到的趋势项结果呈现形式不同,EMD方法所得趋势线可更加直观地表现原始序列的升降情况。周期性成分分析方面,榆林市年降雨量与夏季降雨量具有相同的周期规律。EMD方法所得模态相较于傅里叶分析法所得频谱更为丰富,但各模态所对应周期不明确,也难以对应实际的物理意义。EMD方法可作为传统水文分析方法在趋势分析及周期成分提取时的有效补充。     

水文时间序列预测模型研究进展

水文时间序列具有确定成分和随机成分,运用有效的数学方法提取序列样本中的各个成分,通过数学建模的思想,模拟和预测时间序列是近年来水文预报的重要发展方向。与以往过程驱动模型不同,近年来水文预报的模型主要是数据驱动模型,这类模型分为传统方法和新方法两大类。前者主要有成因分析和水文统计方法等,后者包括近年来新兴的模糊分析、人工神经网络、灰色系统分析、支持向量机等。对目前运用于时间序列预测的几个代表方法的模型特点、适用范围和不足进行了简要评述,展望了水文时间序列预测模型未来发展,期望能为水文预报工作提供帮助。     

R／S和Mann-Kendall法综合分析水文时间序列未来的趋势特征

讨论了R/S法和Mann-Kendall法用于水文时间序列分析存在的不足,提出综合了应用两者分析水文时间序列未来趋势特征的方法,以闽江流域竹岐站年径流序列为例进行了分析.结果表明,综合应用R/S和Mann-Kendall法能比较好地分析水文时间序列未来的趋势特征,也揭示了闽江流域中、上游地区年径流的未来有显著下降的趋势特征.     

随机水文学(五)

前面我们讨论了水文时间序列的特性,对于其变化的重要特性,可以用水文随机模型来表征。换言之,水文随机模型是以数学表达式对水文时间序列统计变化特性的概括。所以也可将水文随机模型理解为水文时间序列的估计总体。因此,只要对讨论的水文时间序列建立了随机模型,那么该序列的重要统计特性,不仅可通过模型获得,而且还可模拟出各种可能出现的水文时间序列样本。这在水资源规划设计中非常有用。 当水文时间序列中的趋势成分和周期成分排除以后,其余下的随机成分多应用简单的一阶自回归模型和最简单的自回归滑动平均模型来表征。当序列中无趋势成分和周期     

水利电力自适应控制系统ARMA模型的参数估计方法

一、引言 近年来,随着现代计算机工程的发展,时间序列分析方法在水利电力自适应控制系统的自适应控制、自适应调度和预报以及水文、地质等方面都得到了广泛的应用。例如,在水利系统自适应控制和预报中,水文序列就是一类周期性非平稳时间序列,为了进行中长期水文自适应控制和预报,就要建立其水文序列的非平稳部分确定性数学模型和平稳部分的随机数学模型。在电力自适应系统中,在线负荷自适应控制与短期负荷预报,同样也可以把负荷分成确定性分量和随机分量两部分,利用时间序列分析方法建立确定性分量的数学模型和随机分量部分的随机数学模型,等等。而时间序列分析     

基于BORDA计数法的多元水文时间序列相似性分析

本文针对水文时间序列的特点和当前多元时间序列相似性分析研究的不足,提出了一种新的基于BORDA数的多元水文时间序列相似性度量计算方法。该方法首先根据多元水文时间序列数据复杂性进行主成分变换降维,然后利用线性分段斜率距离分别计算单一序列的相似性,最后采用基于BORDA计数法的投票方法获得多元水文时间序列整体相似性。为了证明提出方法的可行性和有效性,分别以太湖五站水位序列和宜丰洪水过程相似性分析为例进行了验证。分析结果表明,基于BORDA计数法的多元水文时间序列相似性度量计算方法可以满足防汛指挥中相似水文过程查找的需要。     

基于方差线谱的水文时间序列周期分析

水文资料在地方水利建设、防洪减灾、水资源管理等方面具有重要作用。由于许多地区缺少长时间序列水文资料,因此在涉水工程研究中,往往需要对水文序列进行模拟和延长,周期识别是其中一个非常关键的步骤,方差线谱法(即周期图法)是周期识别的一种重要方法。本文通过对长江上游某水文站流量时间序列的周期识别,阐述了方差线谱分析在水文时间序列模型中的应用。     

日径流序列混沌识别中合理长度的确定

混沌理论是进行水文时间序列分析的重要手段。为保证分析结果的可靠,主张充分利用现有资料,但目前缺乏时间序列长度对混沌特性识别影响的研究。以长江上游武隆站和北碚站日径流序列(1951年-2012年)为例,通过对二者进行混沌分析,研究了最大Lyapunov指数对序列长度的响应。结果表明,日径流时间序列长度过小时会影响混沌识别结果,使结果缺乏可靠性;并不是样本序列长度越长混沌识别结果越好;当序列长度达到3 000左右时,序列的混沌特性达到稳定,结果可靠并缩短了计算时间。     

结合频谱分析的时间序列分析在变形数据处理上的应用

时间序列分析在变形数据处理及预测上具有一定的精度,但无法探测到序列隐含的周期性变 形因素,具有一定局限性。在时间序列分析方法的基础上,在数据预处理部分添加了频谱分析的方法, 对数据进行进一步处理和预测,结果表明:结合了频谱分析方法的时间序列模型在数据的处理和预测方 面能够进一步提高精度。     

大坝变形的小波分析与ARMA预测模型

大坝变形观测资料可视为非平稳时间序列,从影响大坝变形规律的因素出发,可将其分解为主值函数项、周期函数项和改进后的平稳时间序列。其中主值函数项采用逐步回归法拟合,针对时效因子采用半经验公式无法准确拟合实际变化情况,采用小波分析法将序列分解为低频和高频两部分信号,其中低频部分代表时效等因素影响的变形趋势;高频部分代表水位、温度等影响的变化规律,应用时间序列原理分别建立变形预测ARMA（p,q）模型,从而在现有水位、温度观测资料下预测坝体未来的变形趋势。实例计算结果表明,结合小波分析的时间序列法建立的预测模型,预测精度高于统计回归分析,预测效果良好,可作为一种有效方法应用于大坝变形预测中。     

ARIMA模型在降水量预测中的应用

ARIMA模型是研究时间序列的重要方法,普遍应用于时间序列的分析与预测。利用SPSS软件的时间序列分析预测功能,对营口市降水量数据建立ARIMA模型,并在模型的基础上对营口市降水量趋势进行了分析和预测。     

小波方法在水资源趋势分析中的能力检验

通过Monte-Carlo模拟试验对小波多分辨分析法在水文时间序列趋势分析中的趋势识别能力进行了研究。结果表明,小波多分辨分析方法的趋势识别能力与时间序列成份组成有关,与序列的噪音分布类型无关,而分析中的分解尺度对于随机性影响大的序列,其值与变差系数成正相关。小波多分辨分析所具有的时频局部化特征,能够合理地反映出时间序列在时间域中的变化特点,其在频域中分析趋势比线性回归和多项式拟合等在时间域中分析趋势的方法更具有优势。另外,在趋势分析前应分析序列中合理的突变成分以及剔除序列中的周期性成分,否则小波趋势分析结果将不可靠。     

基于分形理论的隧道地表沉降分析及预测

隧道地表沉降变形时间序列是具有分形特征的非线性体系,以狮子山隧道地表沉降监测为研究对象,基于分形理论,使用R/S分析法和V/S分析法计算了累计沉降和沉降速率时间序列的Hurst指数,并评价了地表沉降的稳定性,结合V统计量评价了这2种分析方法的有效性和地表变形的非循环周期;最后,使用分形插值函数与回归函数对地表沉降值进行了预测评价。结果表明,R/S分析法和V/S分析法对分析地表沉降时间序列具有较好的有效性,R/S分析法受短期记忆影响大,计算结果偏于安全,而 V/S分析法评价地表变形稳定性更加保守,3个监测点将长期处于稳定状态,且其时间序列的非循环周期约为20 d。使用分形插值得到的预测值与实测值间误差较小,且能正确反映变形演化趋势,较传统的回归分析优越,可以为地表沉降预测提供一种参考。     

汊道演变的水沙过程影响分析——以监利河段为例

长江中下游许多汊道河段主支汊易位频繁,但对产生这一现象的主要驱动机理与影响因素一直争议不休。研究采用距平分析法、Mann-Kendall分析与基于分形理论的极差分析法相结合的方式,详细分析了监利河段1951年-2009年间流量和输沙率时间序列年尺度的变化过程。结果表明,流量及输沙率的Hurst数分别为0.943 0和0.923 9,均十分接近1.0,具有很强的持续性。Mann-Kendall分析发现,输沙率序列无明显突变,流量序列仅在1967年出现突变,主要由上游实施裁弯工程所致。系统分析来水来沙的匹配关系发现,该河段主支汊易位时间与水沙序列匹配状态有明显的相关关系,在"水多沙少"时期,监利右汊为主汊;而在"沙多水少"时期,监利左汊为主汊。     

The Research of Monthly Discharge Predictor-corrector Model Based on Wavelet Decomposition

Based on wavelet analysis theory, a wavelet predictor-corrector model is developed for the simulation and prediction of monthly discharge time series. In this model, the non-stationary time series of monthly discharge is decomposed into an approximated time series and several stationary detail time series according to the principle of wavelet decomposition. Each one of the decomposed time series is predicted, respectively, through the ARMA model for stationary time series. Then the correction procedure is conducted for the sum of the prediction results. Taking the monthly discharge at Yichang station of Yangtse River as an example, the monthly discharge is simulated by using ARMA model, seasonal ARIMA model, BP artificial neural network model and the wavelet predictor-corrector model proposed in this article, respectively. And the effect of decomposition scale for the wavelet predictor-corrector model is also discussed. It is shown that the wavelet predictor-corrector model has higher prediction accuracy than the some other models and the decomposition scale has no obvious effect on the prediction for monthly discharge time series in the example.     

宜昌水文站年径流量演变多时间尺度分析

水文时间序列往往在时域中存在多层次时间尺度结构和局部化特征。运用小波分析的多分辨率功能,对宜昌水文站1882-2006年年径流量时间序列资料进行了多时间尺度分析。研究结果表明：宜昌水文站年径流量存在明显的年际变化特征,主要存在30～40年、10～20年及10年以下3类尺度的周期变化规律,变化主周期为14年,第二周期为7年,第三周期为34年;自2006年以后的3年左右,宜昌站年径流量将处于一个相对偏枯期,之后又将进入一个丰水期。