基于灰色组合模型的参考作物腾发量预测

参考作物腾发量 (ET0)是制定灌溉用水计划、水量分配计划的最基本、最重要内容之一,其精确预测可以提高灌溉预报的精度.针对GM(1,1)模型在原始数据变化幅度较大且趋势不明显时预测效果差的情况,提出了用人工神经网络对GM(1,1)模型的残差系列进行修正的组合模型,并将其应用于鞍山地区参考作物腾发量预测中.预测结果表明,该方法具有较高的预测精度,同时也指出了其存在的不足之处,有待今后加以解决,以进一步提高其预测的稳定性.     

额济纳绿洲参考作物腾发量的研究

文章以1972-1991年的气象资料为依据,利用彭曼-蒙特斯公式计算了额济纳绿洲20年的参考作物腾发量,分析了不同月份参考作物腾发量的变化特性。并用平均气温和水面蒸发量和ET0进行回归分析,分析结果表明,平均气温和水面蒸发量与ET0有很大的相关关系,可以用平均气温和水面蒸发量对ET0进行预测。     

参考作物腾发量的混沌性识别及预测

本文应用饱和关联维数法对海河流域张北站从1966~2005年50年的参考作物腾发量序列进行混沌性识别,结果表明该序列存在一定的混沌特性。同时,运用自相关函数法和饱和关联维数法确定了该序列重构相空间的嵌入维数和延迟时间,并在此基础上进行了相空间的重构。建立了混沌局域法预测模型对相空间的演化进行了计算,实现了参考作物腾发量的预测,并与时间序列自回归(AR)模型和基于气象资料的BP神经网络模型预测结果进行了比较。结果表明,预测效果比BP网络模型稍差,但明显优于AR模型。这为解决缺乏气象资料地区参考作物腾发量预测问题提供了新的思路。     

基于混沌遗传程序设计的参考作物腾发量预测模型

利用混沌算法的全局空间寻优性能和遗传程序设计的结构自动寻优功能,建立了基于混沌遗传程序设计的参考作物腾发量预测模型。设计多组数字实验,研究输入因子间相关性对模型预测准确性的影响。预测结果与PenmanMontieth方法计算结果比较表明,该模型以混沌算法优化模型中的参数,在一定程度上解析其他模型可能因为其中的参数未能达到最优而被淘汰的问题。适应性强,精度高,为参考作物腾发量的预测提供了新的有效方法。     

辽宁省朝阳地区参考作物腾发量分析

作物需水量作为水文水资源规划和灌溉排水工程相关工作的重要依据,对精准的判断地区参考作物腾发量、提升本地水资源利用效率、科学合理的制定灌溉制度、实现农业水利可持续发展有重要意义。文中取用朝阳市的6个站点1961―2010年的气象资料进行了下述研究：运用倾向率、计算相关系数和统计计算法对朝阳地区气象因子的年际变化、年内变化进行了分析;应用彭曼公式计算朝阳地区50年的参考作物腾发量（ET0）,对其进行年、月际变化特性分析研究;对影响ET0变化的气象学因子进行分析检验和进一步研究。     

基于小波消噪的参考作物腾发量RBF网络预测方法

介绍小波消噪的原理和步骤。以北方某流域甲站2001—2005年逐日气象数据为基本资料,进行10阶Dmey小波消噪,然后构建预测ET0的前馈网络模型(RBF-ET0),用2001—2004年的资料作为训练样本,对2005年的ET0进行预测,并与Penman-Montieth公式计算值进行比较。结果为:预测值与目标值的相关系数为0.991 2,相对误差的平均值为6.56%,相对误差小于20%,15%,10%的合格率分别为93.88%,85.66%,73.51%,与未经小波消噪处理的RBF-ET0模型预测结果相比,预测精度有明显提高。     

丹东地区参考作物腾发量演变规律及其气候影响因素研究

参考作物腾发量（ET0）是确定作物需水量的关键参数,对于指导农田灌溉和水资源合理配置具有重要意义.本文借助丹东地区4个气象站1960年～2006年的气象资料采用FAO推荐的P-M公式计算ET0,对ET0的变化趋势及成因进行了分析.结果表明：近47年来,丹东地区ET0呈现缓慢下降趋势,年内ET0值分布以5月份～6月份最高,12月份～1月份最低,影响多年ET0变化的主要气象因素是太阳辐射.     

基于小波消噪原理的参考作物腾发量预测模型研究

将小波分析与随机分析结合,提出了基于小波消噪的随机模型并将之用于太子河流域参考作物腾发量(ET0)的模拟和预测。其思路是:首先对时间序列进行小波消噪;根据消噪序列的变化特性建立适合的随机模型;最后应用模型进行预测。     

气候变化下的淮河流域中部地区参考作物腾发量变化分析

气候变化引起参考作物腾发量(ET0)的变化,由此影响作物的实际腾发量、灌溉需水量以及作物产量,本文根据淮河流域中部蚌埠地区57年的气象资料,采用FAO56推荐的Penman-Monteith公式计算参考作物腾发量.分析了淮河流域中部地区参考作物腾发量及各主要气象因素的长期变化趋势,可为该地区的流域水管理提供参考.     

参考作物腾发量空间分形特征初探

受作物本身生理机制以及近地层气象因子非线性、非平稳化随机变化的影响,参考作物腾发量在空间尺度上呈随机分布。基于此,本文运用分形理论,研究了参考作物腾发量空间分形特征,结果表明参考作物腾发量在一定空间尺度范围内存在一无标度区间,在该无标度区间内参考作物腾发量具有自相似特点。将此方法运用于湖南省参考作物腾发量空间分形特征研究,取得了满意结果,该方法为有资料地区参考作物腾发量成果推广和移植至无资料地区提供了一定的理论依据。     

基于BP神经网络的参照腾发量预测模型

本文在分析影响作物蒸发蒸腾量的气象因子的基础上，以不同的气象因子组合为输入向量，以参照腾发量为输出向量，构建了气象资料不足情况下三种计算参数腾发量的BP神经网络模型BPET1、BPET2和BPET3。利用宁夏引黄灌区2000～2003年的逐日气象资料对所建模型进行反复训练和预测，并把预测结果与传统的Penman-Monteith公式计算而得的同期作物ETO值相比较。其中，BPET1的预测值与ETO值的相关系数平方为0．9914；BPET2的预测值与ETO值的相关系数平方为0．9917；BPET3的预测值与ETO值的相关系数平方为0．9854。研究结果表明，本文构建的模型计算精度较高，方法简便可行，能满足实际生产需要。     

基于气象预报的参考作物蒸发蒸腾量的神经网络预测模型

参考作物蒸发蒸腾量(ET0)是进行实时灌溉预报和农田水分管理的主要参数,BP神经网络能够较好地反映ET0与诸影响因素间复杂的非线性关系。本文将ET0看作时间序列,选取前3日ET0作为影响因子,以天气预报可测因子包括最高、最低和日平均温度、反映天气类型的阴晴指数、日序数和风力等级进行修正,建立了三层BP神经网络模型。选取江苏射阳站2003与2004年气象资料,应用Matlab神经网络工具箱,采用trainer算法进行模型训练与预测。结果证明,所建模型能够很好地反映诸多影响因子与ET0之间的关系,具有较高的模拟精度和较好的泛化能力。     

基于神经网络理论的河道水情预报模型

河道水流运动过程特别是洪水演进过程是一个复杂的非线性动力学过程，鉴于神经网络具有很强的处理大规模复杂非线性动力学系统的能力，本文将神经网络理论用于河道水情预报的研究，以期识别水流运动变化过程与其影响因子之间的复杂非线性关系，为河道水情预报提供了一条新的途径。在此基础上建立了螺山站洪水预报的非线性动力学模型，通过分析研究得出近年来特别是1998年长江中游出现的小流量高水位现象与螺山汉口河段累计淤积有关，并得到螺山站水位变化与河床淤积之间的定量关系。     

基于 BP 神经网络的场次洪水河道沙量预报

针对日益严重的河流泥沙问题,掌握河流泥沙的影响因素和泥沙的变化过程是泥沙治理的关键。以神经网络模型为基础,建立场次洪水沙量预报模型,对多沙河流的洪水挟沙量进行预报,并取得较好的预报效果。选择辽西北多沙河流大凌河作为研究实例,首先将1984年-1998年间的29场历史实测洪水资料进行分析,得到影响下游沙量的主要因素;然后,通过神经网络模型建立上游影响因素与下游沙量之间的关系;最后,选取其中6场洪水资料进行验证。模型计算结果表明,计算结果与实测结果误差在合理范围之内,精度符合要求,可以用于下游沙量的预报。     

基于神经网络的金盆水库大坝应力预测

针对金盆水库原形观测——大坝应力的温度效应、时变效应，通过对比神经网络各种算法的优缺点，提出一种能够在线学习、在线预测的递推径向基函数神经网络，用于监测可能造成大坝纵横裂缝的大坝应力。实际数据的仿真预测结果与以往算法相比，克服了以往算法只能离线训练，或在线训练费时、耗内存的缺点，显示了一定的有效性和实用性。     

基于广义回归神经网络(GRNN)的地下水水位预测

传统的地下水位预测方法存在需要事先假定含水层是均匀规则的且计算量大等不足.基于广义回归神经网络基本原理,建立了地下水位预测的广义回归神经网络模型.通过实例计算表明,该模型在信息有限的情况下,仍可达到满意的预测精度,且模型简单,计算效率较高,具有广阔的应用前景.     

基于LSTM神经网络的水电站短期水位预测方法

针对常规水位预测方法信息挖掘能力不足和启发式算法机理不明确等缺点,提出了一种基于长短时记忆(long short-term memory, LSTM)网络的水位预测方法。该方法采用水位和出力等直接监测数据,避免了出入库流量等间接计算值带来的二次误差,进而提升水位预测的准确率;采用梯度下降法与Broyden-Fletcher-Goldfarb-Shanno (BFGS)算法相结合训练模型,Wolfe-Powell线搜索方法选取步长,提高模型收敛速率。将该方法用于葛洲坝水电站的上下游水位预测,结果表明,该方法能够实现下游水位连续6 h和上游水位连续3 h的准确预测,具有较高的预测精度和实用性,为葛洲坝水库的实时调度提供了技术支撑。     

基于CEEMD-GRNN组合模型的月径流预测方法

针对径流序列的噪声因素与非线性特性,采用互补集合经验模态分解法(Complete Ensemble Empirical Mode Decomposition, CEEMD)与广义回归神经网络(Generalized Regression Neural Networks, GRNN)的组合模型,对汾河上游上静游站、汾河水库站、寨上站、兰村站1958～2000年的月径流序列进行实例研究,探究3种不同建模方式下的组合模型对预测精度的影响,其中组合模型1使用加权平均集成法将各分量预测结果相加,组合模型2去除高频分量后再使用加权平均集成法将剩余分量预测结果相加,组合模型3去除高频分量后将剩余分量预测结果直接相加;再将组合模型与单一GRNN模型进行对比。结果表明:各模型的确定性系数(NS)均大于0.5,预测结果均具有可信度;不同的月径流资料适用不同的建模方法,对于极差较小的月径流序列,组合模型1预测效果最好,与另外两种组合模型及单一模型相比,平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)分别平均减少26%,17%,23%;对于极差较大的径流序列,组合模型2预测效果最好,与另外两种组合模型及单一模型相比,MAE,MAPE,RMSE分别平均减少30%,28%,33%。组合模型2预测误差总小于组合模型3,即加权平均集成法对提高预测精度有一定作用。三种建模过程的CEEMD-GRNN组合模型预测误差均比单一GRNN模型小,说明组合模型较单一模型更适用于月径流预测。