考虑回水影响的河道水位流量关系确定方法

为评估长江中游受回水影响河段内河床调整引起的水位变幅,提出一种仅依赖水文资料的多值型水位—流量关系确定方法。结果表明:单值型关系无法区分河床调整与回水因素的影响,而已有的多值型方法可操作性受限;长江中游河道断面的河宽与水深之间,以及流量与糙率之间都具有明显制约关系,依据这些制约关系对恒定渐变流方程简化,可得到上下游水位与河段内流量之间的多值型函数关系;确定出多年平均水位—流量关系之后,计算水位与实测水位之间的残差能够反映河床调整的影响;在长江中游3个不同类型典型河段的应用表明,河床稳定情况下的计算与实测水位之间决定系数R2值超过0.99,河床调整情况下,新方法更易识别水位变幅。     

水位演算模型及其在水位预报中的应用

将单一河道洪水演算系统视为单输入一单输出系统,基于时间序列分析中的ＡＲＭＡＶ（２,１）模型,应用时间序列分析最优控制理论建立了水位演算模型和水位预报方法。证明若采用水位作变量,则可采用无约束的最优化方法确定参数;若采用水深作变量,则可采用以水量平衡为约束的寻优方法确定参数。本文所建立的水位预报方法用于黄河下游水位预报,得到了满意的预报精度。     

洞庭湖顶托对下荆江泄洪量的影响

从分析监利水文站水位流量关系入手,提出了相应落差的概念,建立了该站水位流量关系的幂级数表达式,计算了特定条件下的流量增量,定量地回答了洞庭湖顶托对下荆江泄洪量影响问题。     

洞庭湖入汇对荆江河段水位的顶托程度与范围

洞庭湖入汇对长江干流水位的顶托作用影响着荆江河段的水文情势变化,分析其变化特征对研究长江中下游防洪安全问题具有重要意义。为揭示汇流顶托作用的程度与影响范围,本文基于1990—2020年荆江河段水位流量关系与洞庭湖汇流比,提出洞庭湖入汇顶托程度的量化方法,构建计算顶托程度的随机森林回归模型,分析顶托程度主要影响因素的重要性。结果表明：(1)洞庭湖入汇顶托程度与汇流比呈显著正相关关系;顶托程度随干流流量增大而增加,2003—2020年枯水、中水和洪水流量级监利站水位受顶托程度平均为0.59、1.33和1.60 m;顶托最大影响范围随干流流量与汇流比增大向上游延伸。(2)随汇流比增大,在2020年干流枯水、中水和洪水流量级下,顶托最大影响范围的延伸区间分别为石首—沙市、石首—陈家湾和陈家湾—枝城;汇流比、荆江段累计冲刷深度、螺山水位及干流流量对顶托程度变化的重要性占比分别为28%、27%、25%和20%。(3)构建的顶托程度计算模型在不同流量级都能够较好地计算荆江河段水位的顶托程度并确定顶托影响范围。     

洞庭湖区与城陵矶水位关联性的临界特征分析

采用典型测站观测资料与水力学原理相结合,分析不同情况下城陵矶水位与洞庭湖区水位关联性强弱转化的机理和临界条件以及三峡水库对其影响等问题。理论解析表明,固定流量下,湖区水位与城陵矶水位相关关系应为单调指数函数,受到区间距离、湖槽形态等多因素影响,据此提出和率定了各湖区水位的经验计算模式。利用经验计算模式对实测数据进行延展,构建了各种可能出现的湖区来流和干流水位组合下的湖区水位特征曲线族,发现湖区水位与城陵矶水位之间的关联强度存在无影响区、影响区和决定区等状态区间,通过对临界条件的定义和计算,实现了各状态区间的定量划分,并提出了各状态区间内洞庭湖区水位的估算方法。通过对三峡水库蓄水后湖床冲淤和水文条件变化的影响分析,论证了以上方法和认识在水库蓄水后的适用性。     

感潮河段水位过程预报探讨

感潮河段水位过程同时受径流、潮流影响,其预报较为困难.将水位过程视为时间序列,用不同的模型进行了预报比较,认为以潮汐作用为主的水位预报可采用神经网络模型,对高水位预报可采用ARMA(2,1)模型,而对洪水作用为主的河道,各模型的预报能力均有待提高     

变动回水影响下的水位流量过程对应关系分析

闸坝变动回水影响的河道,其水位流量过程对应关系非常复杂,与来水量大小、闸门启闭、蓄泄量有关,因而存在着反峰、错峰、多峰对应等关系。以水量平衡原理为基础,分析推导了定量关系式,讨论了不同条件下的水位流量变化过程。结果表明,受闸坝变动回水影响的河段,不仅要增加测流次数,还要了解来水情况及闸门启闭条件。该分析结果可作为闸坝变动回水影响河段的流量测验、整编、分析及合理性检查等参考借鉴。     

BP神经网络模型拟合受回水影响的水位流量关系研究

对受回水影响的水文测站的水位流量关系采用核水文渊站的水位及其与下游形成回水处的水文测站之间的落差作为输入建立BP神经网络模型进行拟合.结果表明,BP神经网络对受回水影响的水位流量关系拟合效果好,可以进行推广应用.     

相应水位变化相关法预报长江干流感潮河段潮位的探讨

以镇江站为例。采用相应水位变化相关法预报长江干流感潮河段的潮位。该方法实用可靠。     

基于时间序列分析改进法的地下水位动态预报——以吉林省桦甸市为例

采用逐步回归法替代传统时间序列分析模型中的多项式拟合法和自回归法,仅选用对因变量影响较大的自变量建立方程,提高了模型的精度。依据桦甸市26130018号观测井2000—2008年逐月的地下水位埋深资料,分别利用传统的、改进的时间序列分析法建立模型,以2009—2010年的观测数据进行精度检验,选择较优的改进模型预测了2011—2013年逐月的地下水位。结果表明:2个模型均满足精度要求,但经过改进后,随机方程和趋势方程的相关系数分别由0.830 7和0.803 9增至0.913 5和0.970 9,拟合结果明显提高。     

人工神经网络模型在渭河下游洪水预报中的应用

通过对渭河下游站点的时间序列及空间分布的分析,确定出影响华县站流量的时间和空间信息,并将其引入神经网络模型;采用典型的BP神经网络,重点对网络的隐含层节点数、训练次数和学习率进行分析,构建了渭河下游华县断面流量预报的人工神经网络模型;并采用RMSE、NSC和相关系数 R作为模型效果评定标准,将其与传统多元统计回归模型进行了对比。结果表明,所建的BP神经网络模型较多元统计回归模型的预报效果有显著的提高。     

变权组合预测模型在地下水水位预测中的应用

为探讨变权组合预测模型在地下水水位预测中的应用,以内蒙古通辽市东郊为研究区,利用该区1997-2008年的地下水水位埋深数据,采用基于指数预测法、灰色预测法以及线性回归预测法的变权组合预测方法进行水位埋深的模拟和预测。经计算,以上3种单项预测方法的预测值以及组合预测方法的预测值与实际值的误差平方和分别为5.116 1、5.080 1、4.914 8、4.672 3。这表明,利用变权组合预测方法比单纯运用某一种预测方法预测精度更高。并且,由预测值可以看出,到2015年该研究区水位埋深将达到15.39 m,相比2008年递增幅度将达到20%。     

改进的前馈型神经网络模型在承压水漏斗水位预报中的应用

建立了以改进Powell法优化的前馈型神经网络模型，模型既具有强大的函数逼近功能，又克服了传统神经网络优化方法的缺点。将神经网络模型用于承压水漏斗的动态水位预报，实例表明：模型预报效果较好。     

基于风险分析确定水库汛限水位动态控制约束域研究

基于预报预泄原理推求水库汛限水位动态控制约束域,确定上限的依据是在洪水来临前将水位降低至固定(或者分期)汛限水位以下,确定下限的依据是在洪水退水阶段将水位回充至固定(或者分期)汛限水位以上.为充分考虑来水起涨、退水过程的不确定性,采用实测资料进行起涨阶段预泄和退水阶段回充调度,分别推求预泄末和回充末水位的经验频率分布,由此可建立风险分析模型,从理论上解决水库防洪标准不降低和退水阶段能回充等问题.以三峡水库正常运行期为背景,推求了主汛期汛限水位动态控制约束域的上、下限值,结果表明:即使不考虑水文预报误差,基于风险分析的动态控制域上限较采用预泄能力约束法上限低、下限高,提出的方法完善了基于预报预泄原理确定水库汛限水位动态控制域的理论.     

时间序列分析法在地下水水位预测中的应用

联合模型是能够应用于地下水水位预测的一种时间序列分析法,它由趋势函数、周期函数和自相关函数组成。本文结合北京市地下水监测资料进行了趋势性、周期性和自相关性分析,详细讨论了联合模型在地下水水位预测中的应用。