一、基于小波分析的组合随机模型及其在径流预测中的应用(论文文献综述)
黄春艳[1](2021)在《黄河流域的干旱驱动及评估预测研究》文中进行了进一步梳理干旱是分布面积广大且造成经济损失比较严重的自然灾害之一。气候变化及人类活动的影响使得干旱越来越突出。我国频发的旱灾严重威胁着我国人民群众的生产生活安全。2019年9月18日习近平总书记在黄河流域生态保护和高质量发展座谈会上指出:“保障黄河长治久安、促进全流域高质量发展、改善人民群众生活、让黄河成为造福人民的幸福河”,并强调黄河流域生态保护和高质量发展是重大国家战略,充分体现了作为中华民族“母亲河”的黄河在生产生活与生态安全中的重要地位。气候变化与人类活动的影响加剧了黄河流域的干旱威胁,制约着黄河流域的社会经济的发展与生态保护,对黄河两岸人民群众的正常生活也造成了严重影响。因而迫切需要开展流域干旱评估,驱动和预测研究,以期为流域内科学防旱、有效抗旱和高效统筹协调黄河流域生态保护和高质量发展提供科学理论指导。本文以黄河流域为研究对象,从气象、水文与农业干旱入手,依据生态学、水文学与统计学的相关理论框架,借助相关统计指标、Mann Kendall检验、连续小波变换、Copula理论框架、经验模态分解与随机优化算法等工具,剖析黄河流域各个分区的气象、水文与农业干旱的多尺度时空演变规律,并借此评估流域干旱情势;探究流域陆地生态系统的干旱胁迫机制,分析不同分区生态系统受旱后的恢复时间;厘清流域不同类型干旱的驱动、形成与发展机制,研究气象干旱与水文干旱的动态响应机理;借助数值预测模型与未来气候模式,预测黄河流域干旱演变态势。主要研究内容和取得的成果如下:(1)揭示了黄河流域气象、水文与农业干旱的时空演变规律,探究了流域陆地生态系统的干旱胁迫机制,明确了不同区域生态系统受旱后的恢复时间。以气象干旱为例,流域整体上处于干旱化趋势,不同分区站点的干湿演变趋势存在明显差异;上游的多数站点趋向湿润化,尤以源区湿润化趋势最为显着;中下游地区多数站点趋向干旱化,渭河流域南部与部分汾河流域干旱化趋势显着;黄河流域干湿演变的整体趋势的空间分布呈现东—西反向分布的特点。流域植被净初级生产力(NPP)的演变趋势具有一定的时空差异性。随着时间的推移,上游NPP值逐渐增加,中游和下游区逐渐减少并趋于稳定;流域陆地生态系统受旱后的恢复时间存在差异性,上游、中游和下游的恢复时间分别为4个月、3.8个月和4.5个月。(2)探究了干旱驱动机制及气象干旱与水文干旱的动态响应关系界定气象干旱和水文干旱的概念,探讨干旱的发生、发展、高峰与衰退全过程,阐明气象干旱和水文干旱的驱动机制;分别采用滑动窗口 Copula熵方法和滞时灰色关联度方法深入探究气象干旱与水文干旱之间的动态非线性响应关系,厘清水文干旱对气象干旱的滞后时间。结果表明,上、中、下游水文干旱对上游气象干旱响应时间分别为2个月、8-9个月和11个月;中、下游水文干旱对中游气象干旱响应时间分别是1个月、9个月,下游水文干旱对下游气象干旱存在1个月的滞后时间。(3)识别并量化了流域气象干旱的主要驱动因子采用敏感性分析方法探究了气象干旱不同驱动因子的敏感性,结果表明降水和气温是影响气象干旱的最敏感因素,其次是平均风速和平均水汽压,而日照百分率的敏感性较低。采用分位数法和皮尔逊三型概率分布方法量化了不同干旱等级下降水与气温的临界阈值,结果表明不同区域的干旱因子阈值存在差异:上游、中游和下游在重度干旱等级下的降水阈值区间分别为[186.22mm,339.53mm],[295.98mm,458.74 mm]和[449.72 mm,657.81 mm],气温阈值区间分别为[5.51℃,7.32℃],[9.37℃,12.82℃]和[9.36℃,15.42℃]。(4)基于EEMD-FOA-SVR干旱预测模型,预测未来气象干旱基于分解-优化-集成数值预测模型,结合集合经验模态分解法进行分解操作,将干旱指数分解为多个模态分量,随后耦合支持向量回归方法预测模态分量,最后引入果蝇智能算法对耦合模型的相关参数进行优化,进而建立基于EEMD-FOA-SVR的分解-优化-集成耦合的干旱预测模型,并应用于黄河流域的各个分区的气象干旱预测中。结果表明:采用EEMD多尺度分解的序列经过果蝇优化后的支持向量回归算法,而后再进行集成预测的结果较其它预测模型拟合度好,误差小,可实现较高精度的干旱预测。(5)基于降尺度的黄河流域未来旱涝演变特征的时空规律分析基于2个全球气候模式(GCMs)下的三种气候变化情景(RCPs)数据、结合数据(NCEP)和实测气象数据(降水、气温等),利用统计降尺度方法(SDSM)将全球大尺度预测因子降尺度到黄河流域,采用SPI干旱指标预测黄河流域上中下游未来时期2020—2050年气象干旱的演变特征,结果表明流域未来干旱整体呈现出“先减少后增加”的态势,且流域中游流域干旱最为严重。
商滢[2](2021)在《黄河源区径流演变规律及预报模型研究》文中进行了进一步梳理水资源一直是人类生存的必要条件之一,河川是我国水资源的主要来源之一。本文选取黄河源区2个典型水文站(吉迈站、唐乃亥站)1961~2012年共计52年、624个月的水文资料,在前人研究基础之上对黄河径流的基本数理统计特征和演变规律进行分析,并构建预测模型对黄河源区月径流序列、年径流序列进行预测分析,为相关部门以后开展水文预报工作提供参考依据。本文主要的研究内容和成果如下:(1)通过对黄河源区径流资料进行基本统计特征、年内分配特征、年际变化规律分析分析,研究表明看出黄河源区径流主要集中于汛期,从总体来看黄河径流年内分配不均、年际变化大。(2)进行径流趋势分析时:采用滑动平均法、M-K秩序检验法、Spearman秩次相关检验,结果显示:吉迈多年径流量呈不显着增加趋势,唐乃亥站多年径流时间序列呈较显着降低趋势。结合M-K突变检验法、滑动t检验与有序聚类法进行突变检验分析,确定2006年、1986年分别为吉迈站、唐乃亥站径流突变年份。选用小波分析法进行径流周期分析,结果表明黄河源区吉迈、唐乃亥站均存在多时间尺度特征,小时间尺度变化镶嵌在大时间尺度的周期里,且都具有13年时间尺度的第一主周期。(3)建立人工神经网络的BP模型、遗传算法优化的GA-BP模型进行黄河源区两个水文站进行月径流预测。其中BP模型预测结果误差较大,而改进GA—BP模型在对径流的预测上速度更快、精度更高,经计得算预报精度为分别为79.17%与75.00%,精度达到评定标准乙级(70%-85%),满足要求,可以用于水文预报工作。(4)采用GM(1,1)模型、基于R/S分析法优化的R/S—GM(1,1)模型进行年径流预测。结果显示:对于GM(1,1)模型,唐乃亥预测精度69.48%,吉迈站的模型精度66.49%,均不满足模型精度要求。组合R/S灰色预测的相对误差分别为18.10%和11.68%,预测精度分别为81.90%和88.32%,对比单一的灰色预测其在唐乃亥与吉迈站的预报精度提升了12.42%和21.83%,达到了灰色预测所要求的精度,说明该模型可以用来预测黄河源区年径流的情况。
李福兴[3](2021)在《玛纳斯河径流演变特性及其中长期径流预报模型研究》文中认为受气候变化与人类活动影响,径流序列愈发呈现出非稳态与非线性特征,在径流预测中通常假定径流时间序列是平稳的,但是近年来受气候变化和人类活动影响,径流序列大多表现出复杂的非一致性,为降低由此而引起的预报误差,如何有效的对径流序列进行预测,构建更高精度的预报模型,是水文领域的研究重点。本文以玛纳斯河出山口1956~2014年径流时间序列与气象要素为研究对象,利用数理统计等方法对玛纳斯河出山口径流时空变化规律和气温、降水进行全面的分析,并以此为基础构建基于经验模态分解的组合预报模型对径流时间序列进行模拟分析,探究构建的模型在玛纳斯河的适用性,以捕捉径流潜在规律。根据本研究的主要成果,可以了解玛纳斯河出山口气温、降水及径流的历史变化趋势,并以此为据对研究区进行科学管理和更深一步的研究,主要内容和取得的成果如下:(1)玛纳斯河径流演变特征通过对玛纳斯河59年径流时间序列进行分析,可知径流的年内分配极为不均匀,具有明显的丰枯分界,丰水期主要集中在5~9月,丰水期5个月的径流量占全年的84%,径流量最大月份出现在7月,玛纳斯河易出现枯水年且历时较长,最长丰水历时可达到8年;而丰水时段历时比较短,其容易发生枯水的事件。运用滑动t检验对径流时间序列进行突变性检验,证明1995年径流发生剧变。利用Mana-Kendall检验分析,表明径流有显着增长的趋势。玛纳斯河年径流序列表现出2-6年、10-30年以及30-60年的震荡周期,1956~2014年的59年间,确定了丰水年的中心分别为1966年、1996年,确定了偏少水年的中心分别为1952年、1980年、2010年。依此可以确定45年为控制玛纳斯河周期变化的首要周期,次要主周期为16年。(2)基于经验模态分解的向量自回归组合(EMD-ARIMA)预报模型通过对1956~2014年月径流数据进行经验模态分解,表明径流时间序列在不用频率下有不同的变化特征,得到玛纳斯河径流呈上升趋势的趋势项。经验模态分解可将径流按照不同时间尺度进行降解,得到相对稳定的分量与表示径流变化趋势的残余项,将玛纳斯河出山口径流时间序列分解为4个IMF分量与一个趋势项经过验证均是稳态序列。将径流时间序列带入单一模型与组合模型进行径流预测,月径流量直接运用ARIMA模型的径流模拟精度R值为0.91,合格率为47%。EMD-ARIMA的R值为0.96,合格率为72%,EMD-ARIMA组合模拟精度高于单一的ARIMA径流模拟精度,说明EMD-ARIMA模型相对于ARIMA模型在径流预测过程中更具有优势。(3)基于气候因子的神经网络(GRNN)预报模型运用多元线性回归法、Spearman相关系数法、平均影响值法筛选大气环流因子作为神经网络模型的输入项。经过筛选预报因子后的GRNN模型的预测结果在过程拟合中具有较好的性能,可得相比输入因子只有降水、气温,增加大气环流因子对单一的GRNN模型径流预测精度均有提高,三种筛选方法可以分别提高合格率5%、10%、7%。(4)基于预报因子筛选的GRNN模型与EMD-ARIMA组合预报模型为进一步提高模型精度,对于在ARIMA模型中表现不佳的IMF1、IMF2、IMF3高频分量,现将经过优选的大气环流因子作为GRNN模型的输入因子,径流作为输出因子进行预测,IMF4和趋势项R的预测值沿用ARIMA模型的结果,二者进行组合。经过筛选大气环流指数后的GRNN模型与EMD-ARIMA模型进行组合预测,各项指标均有所优化,主要表现在合格率的提高,提升幅度在30%以上,误差降低明显,RMSE和MARE平均降幅达39%。(5)模型评价及预报结果分析通过9种径流预测模型结果对比分析发现:EMD分解可提高ARIMA模型25%的合格率,但对于高频率分量IMF1、IMF2、IMF3,ARIMA模型的相对误差达到70%以上,预测结果较差;经过筛选预报因子可有效提高GRNN模型精度,其中MIV法筛选的预报因子最适合玛纳斯河,得到大气环流对玛纳斯河径流演变的最后响应关系,与EMD-ARIMA组合后的GRNN模型的合格率最高,TOPSIS模型得分也最高。
李增[4](2021)在《东北地区干旱特征及预测模型研究》文中提出干旱是世界上最严重的自然灾害之一,旱灾的频繁发生对我国农业的可持续发展产生了极为不利的影响。东北地区作为我国的粮食主产区受干旱的影响尤为严重。研究干旱特征及建立干旱预测模型是减灾防灾的重要手段之一。本研究基于游程理论分别利用中国Z指数(CZI)、标准化降水指数(SPI)、标准化降水蒸散指数(SPEI)和干旱侦测指数(RDI)识别了东北地区的干旱频率、历时、强度及干旱事件类型,并对比分析了它们的适用性。然后利用Mann-Kendall趋势分析法、Copula函数、小波分析法和扩展的傅里叶振幅敏感性分析法分别对东北地区的干旱频率、历时和强度的变化趋势、干旱重现期、干旱特征的周期变化规律以及干旱对气象因子的敏感性进行了研究。此外,还建立并对比了多种基于惩罚线性回归和集成方法的干旱预测模型表现,遴选出基于机器学习方法的最优干旱预测模型。最后,建立了一种新的基于深度学习技术的长短期记忆网络(LSTM)干旱预测模型,并对比分析了其相对于结构相似的传统多层感知机(MLP)模型的性能优势以及改善其预测表现的方法。主要研究成果如下:(1)干旱指数在东北地区的适用性研究。东北地区基于SPI、SPEI和RDI的干旱频率、历时和强度在时空分布特征上相对一致,而SPEI与相应的NDVI表现出了最显着的正相关关系,同时基于SPEI的干旱事件类型也符合东北地区历年干旱记录中春旱和秋旱较多的特征,所以SPEI是本研究中最适合评价东北地区干旱状况的指数。此外,时间尺度对基于SPI、SPEI和RDI的干旱频率、历时及强度有比较明显的影响且它们在不同时间尺度下的变化基本一致。(2)东北地区干旱时空演变特征分析。基于游程理论的东北干旱频率和历时表现出下降趋势,而干旱强度表现出上升趋势,但它们基本上都不具有显着性。东北地区西部、黑龙江省和辽宁西北部的干旱风险较高,而辽宁省东部和吉林省南部的干旱风险较低。干旱频率、历时和强度均表现出多周期叠加震荡的周期性特征,主要周期在1963~2015年的研究期内基本上呈现出“长-短-长”的变化规律,最显着的主周期是33~40a。干旱受降水量的影响最大,此外温度、相对湿度和风速的影响也比较重要。(3)基于机器学习方法的干旱预测模型研究。建立了多种基于惩罚线性回归和集成方法的干旱预测模型,对3、6、12和24个月时间尺度上的SPEI进行预测。惩罚线性回归模型具有比传统最小二乘回归模型(OLS)模型更好的预测表现,其中拉索回归(LR)模型的预测效果最好。集成方法可以提升决策树(DT)模型的干旱预测精度,特别是随机森林(RF)模型的提升效果显着。基于惩罚线性回归的LR模型在干旱预测过程中的表现全面优于RF模型,它是本研究中基于机器学习方法的最佳干旱预测模型。(4)基于深度学习方法的干旱预测研究。基于LSTM的干旱预测模型在对各时间尺度SPEI的预测过程中都具有较好的预测表现,尤其适合预测较长时间尺度的SPEI。它的预测性能全面优于与其结构相似的MLP模型,而且该模型具有良好的鲁棒性和泛化能力。调整LSTM模型的训练参数和网络结构可以小幅度提升预测精度,但更加复杂的网络结构不一定会提升预测表现,反而会影响模型的运算速度。
徐灯[5](2020)在《混合分层量子粒子群算法研究及在中长期径流预报中的应用》文中认为中长期径流预报对水利工程具有积极作用和重要意义。传统预报模型的单一性、局限性和不稳定性,使得预报难以准确预测径流变化。随着机器学习技术的快速发展,核极限学习机被广泛应用在径流预报领域,其预测性能在很大程度上依赖于正则化系数和核参数的选取。然而,根据传统的经验或方法设置参数,往往容易导致预测性能不佳。采用粒子群算法优化模型中的参数可以提高模型的精度和泛化能力,但算法本身也存在着一些问题,从而影响了实际的优化效果。本文选取赣江流域的径流数据,先将数据预处理,并结合改进的粒子群算法优化核极限学习机模型(Kernel Extreme Learning Machine,KELM)的参数,主要研究内容如下:(1)针对粒子群优化算法容易陷入局部最优、收敛精度不高以及收敛速度较慢的问题,本文提出一种混合分层自主学习量子粒子群优化算法HHQPSO。首先,根据粒子适应度值和迭代次数将粒子种群动态划分为三个阶层:上下两层粒子数分布较少,分别采用局部学习模型和全局学习模型,以增加粒子多样性;中层粒子数分布较多,使用混合自适应量子学习模型。其次,在混合量子模型中提出差分策略的改进更新粒子的随机位置,并加入Levy飞行策略以提高算法的收敛速度和收敛精度。最后,通过在9个典型测试函数上对5种改进粒子群算法进行对比仿真实验,实验结果表明HHQPSO算法在收敛精度、速度和稳定性上均有较为明显的优势,特别适用于多峰值函数寻优。(2)为提高粒子群的搜索精度与稳定性,提出了加权变异的粒子群算法WVPSO。首先,提出了自适应惯性权重和自适应学习因子,平衡了全局搜索和局部搜索能力;然后,提出了基于算术交叉的变异和自然选择机制的替换策略,增加了粒子的多样性,提高了算法的收敛精度;最后,通过加入高斯扰动使粒子产生震荡,更容易跳出局部最优。仿真实验表明,相比多个具有代表性的群智能进化算法,WVPSO在求解精度和收敛速度上效果更佳,并且在高维函数优化问题上具有更好的精度和稳定性。(3)对赣江流域的峡江水文站月径流量和年径流量进行了分析。将本文改进的两种粒子群算法与核极限学习机模型相结合,然后训练出HHQPSO-KELM、WVPSO-KELM两个组合模型。为了检测该模型的性能,选用传统的核极限学习(KELM)机预测模型、PSO-KELM模型和遗传算法的GA-KELM模型,将这5个模型对月径流数据和年径流数据分别进行训练预报。实验结果表明,本文提出的HHQPSO-KELM和WVPSO-KELM模型取得了良好的预报结果,从而为径流预报提供了一种有效的理论方法。
张明山[6](2020)在《流域径流非平稳性特征分析及预测研究》文中研究表明伴随气候变化与人类活动,径流序列表现出非平稳性及复杂性特征。研究流域径流的非平稳性特征并开展预测,可为流域水资源高效利用提供理论指导。论文以澄碧河平塘水文站以上流域为对象开展非平稳性特征分析及预测研究,其主要工作内容与研究成果如下:(1)运用趋势分析、突变分析、周期分析和演变趋势持续性分析方法对流域平塘水文站月径流进行非平稳性特征研究。结果表明:55a月径流中,一月、三月、六月、十月和十二月呈增加趋势,其余月份径流及年径流呈减少趋势;三月、五月和十二月径流发生突变,其余月份及年径流无突变;各月径流存在2-5个尺度周期,年径流存在2个尺度周期;各月径流中除六月外,其余11个月份及年径流未来将呈正持续性特征。(2)分别构建支持向量机模型(SVM)和神经网络模型(Elman)两类单一预测模型对流域径流开展预测研究。结果表明:对于单一预测模型,以55a的660个月的逐月径流序列作模型数据输入可取得最好的预测效果(NSE=0.61);SVM模型、SVM(M)(支持向量机M)模型、Elman模型和Elman(M)(神经网络M)模型共4种模型中(NSE分别为0.61、0.53、0.57和0.50),SVM模型预测效果最好。(3)分别基于经验模态分解法(EMD)、集合经验模态分解法(EEMD)和经验小波变换法(EWT)构建耦合预测模型,对流域径流进行预测对比。结果表明:6种耦合预测模型的NSE范围为0.65-0.86,较单一预测模型提高了0.08-0.28,证明基于数据预处理方法的耦合预测模型有效地提高了径流的预测精度,可为日后流域径流预测供以技术支撑。
何欣欣[7](2020)在《径流预报的过程化机制研究与系统集成实现》文中提出径流预报是水文水资源学科的基础性难题。受气候、自然地理及人类活动等诸多因素的综合影响,降雨、蒸发、下垫面条件等不确定性增大,径流序列的一致性问题突出,复杂性、非线性、动态性等让传统的预报模型方法受到了挑战,迫切需要适应性强的预报业务化创新。针对径流预报过程中不确定性问题及动态变化因素,基于过程,强化机制,研究过程化机制下的预报模式更为关键。立足于响应动态变化特征,聚焦滚动反馈、多尺度嵌套、区间化、适应性机制,从径流序列特性分析到预报模型方法与机制的融合及集成应用,探究并设计过程化的动态机制,并借助综合集成服务平台实现面向主题、面向过程化的径流动态预报模式。围绕径流预报过程化动态机制,以应用为导向,本文开展了以下几项工作:(1)分析了研究流域径流序列的变化特性,奠定了径流预报的研究基础。针对渭河流域径流演变态势,在时间尺度和空间尺度上对河道径流的变化特征进行了多维度分析,通过校对、“三性”审查和插补延长确保了所整编径流数据的准确性和完整性;采用P-Ⅲ型曲线计算拟合,确定了年径流量的优化适线参数;从径流量年内变化、年际变化、代际变化、周期识别和变异诊断等多方面分析了渭河流域的径流时间序列特性。(2)提出了径流预报的过程化机制,强化了在预报业务化过程中用机制指导并开展径流预报的新模式。针对径流时间序列的复杂非线性、高度不规则性和多尺度变异性,立足于“预报、决策、实施,再预报、再决策、再实施”的径流预报动态化的过程,在深入分析环境、需求、条件等变化因素对径流预报影响机理的基础上,基于动态系统辨识理论、反馈控制原理和滚动优化原理,面向动态变化,在径流预报过程中,聚焦滚动反馈、多尺度嵌套、区间化适应性,通过机制适应径流预报过程中的动态变化,设计了涵盖滚动反馈、多尺度嵌套、区间化适应等的机制集成,以及预报过程化机制实现的可行性。(3)开展了基于综合集成服务平台的径流预报过程化机制的系统实现。依托平台,以组件技术和知识图技术为支撑,将径流预报模型方法,按照不同时间尺度、不同适用条件进行了归类粒度化、采用java编程组件化、并封装成Web服务组件发布到了径流预报模型组件库中,在平台上依据知识图逻辑定制、添加组件,完成了面向主题的应用组织及运行,针对主题搭建径流预报过程化机制的业务应用系统。(4)实现了径流预报的过程化机制与分解集成模型方法的融合。以分解集成模型方法为对象,聚焦了预报过程中模型方法与机制的对接,以及对动态变化的适应,立足于径流预报的过程化作业,在过程中充分考虑各类因素的动态变化,用过程化机制引导分解集成模型方法的适时应用,同时把模型方法也融合进入过程化机制,实例化说明了适应性强的径流预报过程化机制模式。(5)实例验证了过程化机制下的径流预报模型方法的预报过程及成效。以主题为导向,围绕主题,在过程化机制中,先采用数据预处理技术与人工智能模型相结合,再分别建立了基于VMD-DNN(变分模态分解-深度神经网络)的日径流预报模型和基于VMD-GBRT(变分模态分解-梯度渐进回归树)的月径流预报模型,最后以渭河为例,在尺度上融合并分析了预报结果。通过与传统水文模型方法的比较,说明了预报指标的在线评价的快速及时效果、以及定量和定性分析在预报过程中的作用。(6)实现了基于过程化机制的径流预报业务的集成应用。针对径流预报业务的全过程,以问题为导向,在过程中发现问题,并提出解决问题的方案,通过数据集成、信息集成、组件集成、机制集成、应用集成,围绕滚动反馈机制、多尺度嵌套机制、区间化适应性机制,针对动态变化,开展了基于分解集成人工智能模型的径流预报、不同时间尺度的径流预报、适应性径流预报的业务集成应用,基于系统自身的动态性,在线分析预报过程中发生的各种动态变化,通过不断反馈与调整,由动态性产生适应性,由适应性产生合理性,强化了对实际径流预报工作的决策支持。
程扬[8](2020)在《水文序列预测模型的耦合及优化研究 ——以磨刀溪为例》文中指出磨刀溪流域是长江上游具有代表性的中小型山区流域,本研究收集有流域内长滩水文站降雨径流资料,以及鱼龙、建南、谋道、龙驹四个雨量站的的降雨资料。首先,从周期性、趋势性、突变性三个方面分析磨刀溪水文序列的特性;其次,从相对误差、绝对误差等指标研究了传统和新兴两类预测模型的精度;然后建立了小波分析和人工神经网络耦合的WNN模型,并探究了水文序列的尺度和复杂特性对模型精度的影响;最后,基于遗传算法的全局寻优特性,优化了WNN模型的阈值、权值、时间尺度因子等模型参数,最终建立了优化的WA-GA-ANN模型。长滩站是磨刀溪流域唯一的水文站,也是集雨面积最大的控制站,分析该站的降雨径流特性,希望可以为磨刀溪全流域的防洪减灾、水资源统一规划利用提供科学指导。联合鱼龙、建南、谋道、龙驹四个雨量站的降雨序列,建立的全流域降雨预测模型,希望可以为该流域甚至中小型山区流域的中长期水文预报做贡献。本文主要研究结论如下:(1)论文采用趋势回归法、Mann-Kendall秩次相关法、滑动平均法识别该序列趋势项;采用时序累计相关曲线法、有序聚类法识别龙角站年径流序列跳跃项;采用傅里叶分析、最大熵谱分析、小波分析进行周期识别。经过对龙角站1959~1990年和长滩站2001~2010年的降雨序列进行分析,发现该站的控制流域内的降雨具有2a尺度的周期性,降雨量总体呈增加趋势,但在1963年~1966年间和1982年~1988年间降雨量有减少的趋势,径流由于受到人类活动的影响,在2001年产生突变点。(2)论文从小波消噪、分解层数确定、小波方法的周期分析等方面详细研究了小波方法体系。运用史坦SURE法和熵准则阈值选取法优选了小波消噪阈值,将这两种阈值选取方法运用到鱼龙站的降雨序列消噪,发现消噪后的序列峰值明显减小,即序列的系统误差减小。同时,提出白噪声检测的小波分解层数确办法,鱼龙站的降雨序列长度192,小波最优分解层数为2,这与经验公式得到的最大分解尺度相符。(3)论文以鱼龙站的降雨序列为例,运用自回归、模糊分析、灰色系统分析分别建立预测模型,比较原序列和模拟序列的残差、相对误差等指标,发现新兴类模型准确、高效、可操作性强。还探究了BP网络、RBF网络、GRNN网络的模型原理,并基于建南、谋道、龙驹的雨量资料、和龙角站的降雨径流资料建立预测模型模拟龙角站的日最高水位,发现GRNN网络模拟序列的特征值更接近实测序列。(4)论文将原始序列采用熵准则消噪,并采用白噪声检测方法确定分解层数后再带入小波分析和人工神经网络耦合的WNN模型。以鱼龙站2001年~2016年的月降雨序列和日降雨序列为例,研究了时间序列尺度对耦合模型预测结果的影响,发现序列越长、时间尺度越小预测结果越精准。再以鱼龙站2001年~2016年的月平均降雨、水位、流量序列为例,探究序列复杂程度特性对耦合模型预测精度的影响,发现序列本身越复杂,预测精度越低。最后本论文针对小波神经网络权值、阈值设定等问题,建立了一套遗传算法优化模型参数的小波神经网络模型。
董洪涛[9](2020)在《基于耦合模型及Copula修正的水库中长期入库径流预报研究》文中研究表明水库作为生活生产重要的工程措施,可通过优化调度的方式缓解水资源紧张的现状。合理的规划调度,不仅能防洪,而且能满足兴利需求。为使水库的综合效益达到最大,合理的规划调度,就必须对上游来水量进行科学预报,即对入库径流进行预报。由于对水库入库径流预报的预见期大于三天且小于一年,所以称为中长期径流预报。准确的中长期径流预报是各大水库进行有效优化调节的水资源的重要依据之一。本文选取1898至2012年间尼尔基水库的月径流为研究对象,主要研究内容及结论如下:(1)为了解月径流的基本特征和变化规律,以期获取精度更高的预报结果,首先对尼尔基水库1898-2012年间的月径流进行统计特征分析,并分析了其趋势性和平稳性。得出结果:尼尔基水库入库月径流总体呈现微弱增长趋势;其中汛期呈上涨趋势,枯水期呈微弱下降趋势,下降趋势不明显;径流分布不对称,极值比较大高达53.56:1,汛期和枯水期月径流变化较剧烈,年内分布不均,预测难度较大。(2)采用互补聚合经验模态分解(CEEMD)和奇异谱分析(SSA)对径流时间序列进行处理,获得分解序列和重构序列。采用最小二乘支持向量机模型(LSSVM)和最近邻抽样回归模型(NNBR)对获得序列进行预报。构建耦合模型CEEMD-LSSVM模型、SSA-LSSVM模型和SSA-NNBR模型。为做对比,将原始序列作为输入利用LSSVM模型和NNBR模型进行预报。得出结论:在整体径流预报上模型的性能优劣顺序依次为CEEMD-LSSVM模型、SSALSSVM模型、SSA-NNBR模型、LSSVM模型和NNBR模型。耦合模型预报径流序列与实测序列拟合较好,均优于单一模型,尤其在峰值模拟方面,较单一模型精度更高。(3)对耦合模型预报结果进行进一步修正。利用Gamma分布、Weibull分布和Log-Normal分布对径流预报值进行分布拟合,利用正态分布对预报误差值进行分布拟合。通过拟合的边缘分布采用Frank Copula函数分别建立各耦合模型逐月预报值与误差值的二维联合概率分布,计算条件概率依此在一定预报值下获得误差的条件最可能值,对预报结果进行修正。结论如下:对于边缘分布的拟合效果较好,对于不同耦合模型的预报值分布拟合上,各分布互有优劣;对于绝大部分预报值和误差值联合概率分布拟合较好,修正之后的SSA-LSSVM模型、SSA-NNBR模型和CEEMD-LSSVM模型的NS值分别提升了12.8%,18.3%和3.2%;RMSE值分别减小了23.8%,16.1%和57%;MARE值分别减小了38.9%,20.4%和34.0%;修正效果好坏与变量间相关系数呈正相关关系。(4)采用汛期6月至9月的预报修正值,计算相对误差值。分别拟合边缘分布构建四维Copula联合概率分布,随机模拟多组相对误差的可能值,进而计算得出汛期入库径流组合及其相应的发生概率,得出以下结论:四维t-Copula函数对于各个变量间的相关性可以非常有效的进行描述,随机模拟相对误差序列与原始相对误差序列相比,总体分布特征和分布种类均保持较好,误差较小,这表明所构建的四维汛期月径流Copula联合分布是可信的,依据汛期月径流Copula联合分布能够给出未来年份汛期月径流预报组合的发生概率,实现概率预报,为水库调度提高决策风险分析的依据。
杨沁瑜[10](2020)在《渭河流域中长期径流预报研究》文中指出由于气候、下垫面、人类活动等一系列因素的影响,径流序列往往具有随机性、偏态性及非线性等特征,及时准确的径流预报对水资源配置管理、水库调度决策等工作具有十分重要的实际意义与应用价值。渭河是黄河第一大支流,渭河流域以占陕西省18%的水资源量支撑着省内56%的耕地、72%的灌溉面积以及75%的国民生产总值,中长期径流预报可为渭河流域水资源开发利用、水利工程防洪、抗旱、发电等提供科学决策依据。因此本文考虑径流序列的变化特性,选用渭河流域林家村、魏家堡、咸阳、华县、张家山和状头6个控制性水文站月径流资料,结合Box-Cox变换(BC)、Min-Max标准化(MM)和小波分析(WD)3种径流序列处理方法,灰色关联分析(Gray)和Lasso回归2种预报因子筛选方法以及BP神经网络、投影寻踪回归和支持向量回归3种模型,建立了24种月径流预报组合模型,进行中长期径流预报研究,根据3个预报误差指标对模型进行综合评价与优选,取得以下主要结果:(1)构建BC-Lasso、BC-Gray、MM-Lasso和MM-Gray预报因子筛选方法,对于相同的径流预报模型,由6个水文站在验证期的各项评价指标可以看出,4种方法的综合预报效果由优到劣的排序为BC-Lasso>BC-Gray>MM-Lasso>MM-Gray,研究结果表明,采用Box-Cox变换对数据做正态化处理以及采用Lasso回归优选预报因子集能有效提高模型的预报效果。(2)构建基于小波分析的WD-BC-Lasso、WD-BC-Gray、WD-MM-Lasso和WD-MM-Gray预报因子筛选方法,其综合预报效果由优到劣的排序为WD-BC-Lasso>WD-BC-Gray>WD-MM-Lasso>WD-MM-Gray,基于小波分析预处理技术的筛选方法优于未进行小波分解处理的筛选方法,研究结果表明,采用小波分析对数据进行分解重构提高了模型的预报效果。(3)构建BP神经网络模型、投影寻踪回归模型和支持向量回归模型,对于相同的径流序列处理及预报因子选择方法,由6个水文站在验证期的各项评价指标可以看出,3个模型的综合预报效果由优到劣的排序为SVR>BP>PPR,研究结果表明,支持向量回归模型能够很好地实现有限样本下的全局最优解,具有良好的泛化能力。对于6个水文站的24种预报组合模型,虽然不同水文站点满足预报要求的模型及数量并不相同,但是综合对比下,基于小波分解、Box-Cox变换处理径流序列和Lasso回归筛选预报因子的支持向量回归(WD-BC-LSVR)模型在渭河流域月径流预报中表现出了良好的预报精度和稳定性,在验证期,6个水文站的MRE均小于17%,R大于0.97,Ens大于0.93,表明WD-BC-LSVR模型模拟效果优于其他模型,具有明显的优势,其中,林家村、魏家堡、咸阳、华县和张家山5站优选模型为WD-BC-LSVR模型,状头站虽未优选该模型,但其预报效果仍能满足要求,综上,WD-BC-LSVR模型为24种预报组合模型中的最优模型,可用于渭河流域月径流预报。
二、基于小波分析的组合随机模型及其在径流预测中的应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于小波分析的组合随机模型及其在径流预测中的应用(论文提纲范文)
(1)黄河流域的干旱驱动及评估预测研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景和意义 |
1.1.1 研究背景 |
1.1.2 研究目的及意义 |
1.2 国内外研究进展 |
1.2.1 干旱指标及评估分析 |
1.2.2 干旱驱动机制研究 |
1.2.3 干旱预测 |
1.3 研究内容与技术路线 |
1.3.1 研究内容 |
1.3.2 技术路线 |
2 研究区域概况及基本方法 |
2.1 自然地理概况 |
2.1.1 地理概况 |
2.1.2 地形地貌 |
2.1.3 气候特征 |
2.1.4 河流水系 |
2.1.5 社会经济概况 |
2.2 资料来源与数据处理 |
2.3 基本方法 |
2.3.1 小波分析法 |
2.3.2 Mann-Kendall检验分析法 |
2.3.3 克里金差值法(Kriging插值法) |
2.4 小结 |
3 黄河流域干旱特征分析 |
3.1 干旱定义及指标 |
3.1.1 气象干旱定义及指标 |
3.1.2 水文干旱定义及指标 |
3.1.3 农业干旱定义及指标 |
3.2 黄河流域气象干旱时空演变规律 |
3.2.1 气象干旱事件多尺度时程变化规律 |
3.2.2 气象干旱事件多尺度空间分布特征 |
3.2.3 多尺度下气象干旱频率特征分析 |
3.3 黄河流域水文干旱时空演变规律 |
3.3.1 水文干旱事件多尺度时程变化规律 |
3.3.2 水文干旱事件多尺度空间统计特征 |
3.3.3 多尺度下水文干旱周期性变化特征 |
3.4 黄河流域农业干旱时空演变规律 |
3.4.1 农业干旱事件的时程变化特征 |
3.4.2 农业干旱事件与气象要素的空间相关性 |
3.5 农业干旱影响下的流域陆地生态系统恢复时间 |
3.5.1 植被净初级生产力(NPP)的模拟及分析 |
3.5.2 黄河流域上中下游NPP的时空变化规律分析 |
3.5.3 生态系统干旱恢复时间(RT)确定 |
3.5.4 黄河流域上中下游植被干旱恢复时间RT的空间变异特征 |
3.6 小结 |
4 干旱驱动机制及动态响应分析 |
4.1 气象干旱驱动机制分析 |
4.1.1 气象干旱的形成发展过程 |
4.1.2 驱动因素 |
4.1.3 驱动机制 |
4.2 水文干旱驱动机制分析 |
4.2.1 水文干旱的形成和发展过程 |
4.2.2 驱动因素 |
4.2.3 驱动机制 |
4.3 气象干旱和水文干旱的相关性分析 |
4.3.1 研究方法 |
4.3.2 气象干旱和水文干旱的相关性分析 |
4.4 气象干旱和水文干旱的动态响应分析 |
4.4.1 基于滑动窗口Copula熵的干旱动态响应 |
4.4.2 基于滞时灰色关联度的干旱动态响应 |
4.5 小结 |
5 干旱驱动因子分析 |
5.1 驱动因子特征分析 |
5.1.1 驱动因子时间变化规律 |
5.1.2 驱动因子空间变化特征 |
5.2 驱动因子敏感性分析 |
5.2.1 敏感性分析方法 |
5.2.2 黄河流域干旱因子的敏感性分析 |
5.3 驱动因子阈值分析 |
5.3.1 理论基础 |
5.3.2 驱动因子阈值选取方法 |
5.3.3 黄河流域干旱驱动因子阈值分析 |
5.3.4 黄河流域干旱驱动因子阈值检验 |
5.3.5 阈值归因分析 |
5.4 小结 |
6 基于EEMD-FOA-SVR的黄河流域干旱预测 |
6.1 研究方法 |
6.1.1 集合经验模态分解 |
6.1.2 果蝇优化算法 |
6.1.3 支持向量回归 |
6.1.4 FOA-SVR模型 |
6.2 基于EEMD-FOA-SVR预测模型 |
6.2.1 基于EEMD-FOA-SVR预测模型流程图 |
6.2.2 模型评价准则 |
6.3 基于EEMD-FOA-SVR模型的干旱预测 |
6.3.1 模型构建 |
6.3.2 模型验证 |
6.3.3 模型预测 |
6.4 小结 |
7 黄河流域未来干旱演变特征的时空变异规律分析 |
7.1 GCM数据来源及主要方法 |
7.1.1 GCM模式 |
7.1.2 SDSM统计降尺度方法 |
7.2 SDSM模型降尺度适应性评估 |
7.3 未来降水和气温的时空演变特征 |
7.3.1 未来降水和气温的时程变化规律 |
7.3.2 未来降水和气温的空间分布规律 |
7.4 未来时期2020-2050 年气象干旱的时空演变特征 |
7.4.1 未来时期2020-2050 年气象干旱的时间序列预测 |
7.4.2 未来时期2020-2050 年气象干旱的空间预测 |
7.5 小结 |
8 结论与展望 |
8.1 结论 |
8.2 创新点 |
8.3 展望 |
致谢 |
参考文献 |
附录 |
(2)黄河源区径流演变规律及预报模型研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景 |
1.2 研究目的和意义 |
1.3 国内外研究现状 |
1.3.1 径流演变规律研究现状 |
1.3.2 径流预测方法研究现状 |
1.4 研究内容及技术路线 |
1.4.1 研究内容 |
1.4.2 技术路线 |
2 黄河流域概况与基本资料 |
2.1 黄河流域概况 |
2.1.1 自然地理概况 |
2.1.2 气候条件 |
2.1.3 地形地貌 |
2.1.4 水文特性 |
2.1.5 生态与社会经济环境 |
2.2 基本资料 |
2.2.1 资料可靠性审查 |
2.2.2 资料一致性审查 |
2.2.3 资料代表性审查 |
3 黄河径流序列统计特征分析 |
3.1 年径流基本统计特征 |
3.2 径流的年内分布特征 |
3.2.1 年内分配百分比 |
3.2.2 年内分配的不均匀性 |
3.2.3 年内分配的集中程度 |
3.3 径流的年际变化特征 |
3.3.1 径流年际变化的总体特征 |
3.3.2 径流年际变化的距平分析 |
3.4 本章小结 |
4 黄河径流序列演变特性分析 |
4.1 径流趋势变化分析 |
4.1.1 滑动平均法 |
4.1.2 Mann-Kendall秩次检验法 |
4.1.3 Spearman秩次相关检验 |
4.2 径流突变分析 |
4.2.1 Mann-Kendall突变检验法 |
4.2.2 滑动t检验 |
4.2.3 有序聚类法 |
4.3 周期分析 |
4.3.1 小波分析法 |
4.3.2 小波变换结果分析 |
4.3.3 方差结果分析 |
4.3.4 主周期趋势图的绘制及其在多时间尺度分析中的作用 |
4.4 本章小结 |
5 基于BP神经网络月径流模型研究 |
5.1 BP神经网络算法的基本理论 |
5.2 黄河源区径流预测的BP模型 |
5.2.1 源区BP模型的建立 |
5.2.2 源区BP模型的结果分析 |
5.3 源区径流预测的遗传算法优化BP神经网络 |
5.3.1 建立基于遗传算法优化的BP神经网络 |
5.3.2 GA—BP神经网络模型预报结果分析 |
5.4 本章小结 |
6 基于优化的R/S与灰色组合模型的年径流预测 |
6.1 灰色系统模型 |
6.1.1 GM(1,1)模型的建立 |
6.1.2 模型检验 |
6.1.3 黄河源区GM(1,1)模型 |
6.2 R/S灰色组合预测模型 |
6.2.1 基于R/S分析的灰色预测原理 |
6.2.2 基于修正的R/S分析的灰色预测结果分析 |
6.3 本章小结 |
7 研究结论与展望 |
7.1 研究结论 |
7.2 展望 |
参考文献 |
攻读硕士学位期间发表论文 |
致谢 |
(3)玛纳斯河径流演变特性及其中长期径流预报模型研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.2 传统中长期水文预报方法 |
1.2.3 现代中长期水文预报方法 |
1.2.4 组合预报模型研究 |
1.2.5 时间序列预处理研究 |
1.3 研究内容及技术路线 |
第二章 研究区概况及玛纳斯河径流演变特性分析 |
2.1 研究区概况 |
2.1.1 地理位置 |
2.1.2 气候特征 |
2.1.3 地形地貌特征 |
2.1.4 水资源开发利用概况 |
2.2 数据来源 |
2.3 肯斯瓦特站气象特征分析 |
2.3.1 降水变化特征分析 |
2.3.2 气温的变化特征分析 |
2.4 玛纳斯河出山口水文基本特征分析 |
2.4.1 径流的年内变化 |
2.4.2 径流的集中程度分析 |
2.4.3 水文资料趋势性分析 |
2.4.4 水文资料的突变性分析 |
2.4.5 水文资料周期性分析 |
2.5 玛纳斯河径流丰枯特性分析 |
2.6 本章小结 |
第三章 径流预报因子的识别与分析 |
3.1 基于spearman相关系数的预报因子筛选 |
3.2 基于MIV法的预报因子筛选 |
3.3 线性逐步回归方法的预报因子筛选 |
3.4 本章小结 |
第四章 中长期径流预报模型构建 |
4.1 经验模态分解(EMD) |
4.1.1 经验模态分解方法 |
4.1.2 经验模态分解结果及分析 |
4.2 基于经验模态分解的差分自回归耦合(EMD-ARIMA)预报模型 |
4.2.1 ARIMA模型原理 |
4.2.2 模型构建 |
4.2.3 预测结果对比分析 |
4.3 基于气候因子的神经网络径流预报模型 |
4.3.1 GRNN神经网络模型原理 |
4.3.2 预测结果对比分析 |
4.4 基于预报因子筛选的GRNN模型与EMD-ARIMA组合模型 |
4.4.1 预测结果对比分析 |
4.5 本章小结 |
第五章 模型评价及预报结果分析 |
5.1 模型精度评价 |
5.2 基于TOPSIS模型的综合评价 |
5.3 本章小结 |
第六章 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
致谢 |
作者简介 |
附件 |
(4)东北地区干旱特征及预测模型研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究区概况 |
1.1.1 地理位置 |
1.1.2 水文气象 |
1.1.3 地质地貌 |
1.1.4 社会经济 |
1.2 研究意义和目的 |
1.2.1 研究背景 |
1.2.2 研究意义 |
1.2.3 研究目的 |
1.3 国内外研究进展 |
1.3.1 干旱特征的研究进展 |
1.3.2 干旱预测模型的研究进展 |
1.4 研究内容和技术路线 |
1.4.1 研究内容 |
1.4.2 技术路线 |
1.4.3 主要创新点 |
第二章 不同干旱指数在东北地区适用性研究 |
2.1 数据来源及处理 |
2.2 研究方法 |
2.2.1 中国Z指数(CZI) |
2.2.2 标准化降水指数(SPI) |
2.2.3 标准化降水蒸散指数(SPEI) |
2.2.4 干旱侦测指数(RDI) |
2.2.5 归一化植被指数(NDVI) |
2.2.6 干旱的识别 |
2.2.7 相关系数 |
2.3 干旱指数在干旱频率分析中的适用性 |
2.3.1 基于CZI的干旱频率分析 |
2.3.2 基于SPI的干旱频率分析 |
2.3.3 基于SPEI的干旱频率分析 |
2.3.4 基于RDI的干旱频率分析 |
2.3.5 四种干旱指数在干旱频率分析中的对比 |
2.4 干旱指数在干旱历时分析中的适用性 |
2.4.1 基于CZI的干旱历时分析 |
2.4.2 基于SPI的干旱历时分析 |
2.4.3 基于SPEI的干旱历时分析 |
2.4.4 基于RDI的干旱历时分析 |
2.4.5 四种干旱指数在干旱历时分析中的对比 |
2.5 干旱指数在干旱强度分析中的适用性 |
2.5.1 基于CZI的干旱强度分析 |
2.5.2 基于SPI的干旱强度分析 |
2.5.3 基于SPEI的干旱强度分析 |
2.5.4 基于RDI的干旱强度分析 |
2.5.5 四种干旱指数在干旱强度分析中的对比 |
2.6 干旱事件类型的分析 |
2.6.1 基于CZI的干旱事件类型分析 |
2.6.2 基于SPI的干旱事件类型分析 |
2.6.3 基于SPEI的干旱事件类型分析 |
2.6.4 基于RDI的干旱事件类型分析 |
2.6.5 四种干旱指数在干旱事件类型分析中的对比 |
2.7 不同时间尺度下的干旱特征变化 |
2.7.1 不同时间尺度CZI的干旱特征变化 |
2.7.2 不同时间尺度SPI的干旱特征变化 |
2.7.3 不同时间尺度SPEI的干旱特征变化 |
2.7.4 不同时间尺度RDI的干旱特征变化 |
2.8 讨论 |
2.9 本章小结 |
第三章 东北地区干旱时空演变特征分析 |
3.1 研究方法 |
3.1.1 曼-肯德尔(Mann-Kendall)趋势分析法 |
3.1.2 基于Copula函数的干旱重现期分析法 |
3.1.3 小波分析法 |
3.1.4 扩展的傅里叶振幅敏感性分析法 |
3.2 干旱频率、历时和强度的变化趋势 |
3.2.1 干旱频率的变化趋势 |
3.2.2 干旱历时的变化趋势 |
3.2.3 干旱强度的变化趋势 |
3.3 干旱的重现期分析 |
3.3.1 单变量干旱重现期分析 |
3.3.2 基于Copula函数的双变量干旱重现期分析 |
3.4 干旱的周期变化规律 |
3.4.1 干旱频率的周期变化规律 |
3.4.2 干旱历时的周期变化规律 |
3.4.3 干旱强度的周期变化规律 |
3.5 干旱的敏感性分析 |
3.5.1 SPEI的敏感性分析 |
3.5.2 SPEI的年内敏感性分析 |
3.5.3 SPEI敏感性分析的空间分布 |
3.6 讨论 |
3.7 本章小结 |
第四章 基于机器学习方法的干旱预测研究 |
4.1 研究方法 |
4.1.1 基于机器学习的干旱预测模型开发 |
4.1.2 普通最小二乘回归 |
4.1.3 惩罚线性回归 |
4.1.4 决策树 |
4.1.5 集成方法 |
4.1.6 衡量指标 |
4.2 惩罚线性回归模型的预测表现 |
4.3 集成方法模型的预测表现 |
4.4 惩罚线性回归与集成方法两类模型预测表现的对比 |
4.5 讨论 |
4.6 本章小结 |
第五章 基于深度学习方法的干旱预测研究 |
5.1 研究方法 |
5.1.1 人工神经网络 |
5.1.2 深度学习 |
5.1.3 基于深度学习的干旱预测模型开发 |
5.2 基于LSTM干旱模型的预测表现 |
5.3 LSTM模型与MLP模型预测表现的对比 |
5.4 LSTM模型结构对预测精度的影响 |
5.5 讨论 |
5.6 本章小结 |
第六章 结论与展望 |
6.1 主要结论 |
6.2 展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文 |
(5)混合分层量子粒子群算法研究及在中长期径流预报中的应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 径流预报方法 |
1.2.2 粒子群算法 |
1.3 本文主要内容 |
第二章 相关理论基础 |
2.1 极限学习机 |
2.2 标准粒子群算法 |
2.2.1 标准粒子群算法原理 |
2.2.2 算法流程图 |
2.3 量子粒子群算法 |
2.4 本章小结 |
第三章 混合分层自主学习量子粒子群优化算法 |
3.1 混合量子粒子策略 |
3.1.1 粒子随机位置更新策略的改进 |
3.1.2 粒子位置更新的改进 |
3.2 分层自主学习 |
3.3 算法关键步骤 |
3.4 仿真实验及分析 |
3.4.1 测试函数与参数设置 |
3.4.2 仿真实验及结果分析 |
3.5 本章小结 |
第四章 加权变异的粒子群算法 |
4.1 加权变异的粒子群算法 |
4.1.1 自适应权重和自适应学习因子 |
4.1.2 加权变异 |
4.1.3 高斯扰动 |
4.1.4 算法流程 |
4.2 实验仿真及分析 |
4.2.1 测试函数与参数设置 |
4.2.2 仿真实验及结果分析 |
4.3 本章小结 |
第五章 基于粒子群算法和核极限学习机的中长期预报 |
5.1 KELM预报模型的构建 |
5.1.1 KELM核函数的选择 |
5.1.2 粒子群算法优化KELM预报模型 |
5.2 KELM径流预报模型的应用 |
5.2.1 数据来源及预报因子的确定 |
5.2.2 训练和测试样本的选取 |
5.2.3 数据预处理 |
5.2.4 预报模型的训练与应用 |
5.2.5 月径流预报结果与分析 |
5.2.6 年径流预报结果与分析 |
5.3 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
附录 月径流的预报结果 |
致谢 |
攻读硕士学位期间撰写的科研论文 |
(6)流域径流非平稳性特征分析及预测研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究进展 |
1.2.1 时间序列预处理研究进展 |
1.2.2 径流预测研究进展 |
1.3 研究内容及技术路线 |
1.3.1 研究内容 |
1.3.2 技术路线 |
第二章 研究区概况 |
2.1 流域概况 |
2.1.1 水文气象特征 |
2.1.2 自然地理特征 |
2.2 数据资料 |
第三章 流域径流非平稳性特征研究 |
3.1 径流趋势分析 |
3.1.1 分析方法 |
3.1.2 结果分析 |
3.2 径流突变分析 |
3.2.1 分析方法 |
3.2.2 结果分析 |
3.3 径流周期分析 |
3.3.1 分析方法 |
3.3.2 结果分析 |
3.4 径流演变趋势持续性分析 |
3.4.1 分析方法 |
3.4.2 结果分析 |
3.5 本章小结 |
第四章 基于单一预测模型的径流预测研究 |
4.1 支持向量机模型构建 |
4.2 人工神经网络模型构建 |
4.3 结果分析 |
4.4 本章小结 |
第五章 基于耦合预测模型的径流预测研究 |
5.1 基于经验模态分解的耦合模型构建 |
5.2 基于集合经验模态分解的耦合模型构建 |
5.3 基于经验小波变换的耦合模型构建 |
5.4 结果分析 |
5.5 本章小结 |
第六章 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
致谢 |
攻读硕士学位期间发表论文情况 |
(7)径流预报的过程化机制研究与系统集成实现(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 问题剖析 |
1.4 研究内容与技术路线 |
1.4.1 研究的主要内容 |
1.4.2 技术路线 |
2 研究流域概况及径流序列特性分析 |
2.1 研究流域概况 |
2.1.1 流域概况 |
2.1.2 河流水系分布 |
2.1.3 径流量概况 |
2.2 径流资料整编及“三性”审查 |
2.2.1 径流资料整编 |
2.2.2 径流资料“三性”审查 |
2.3 径流时间序列特征分析 |
2.3.1 年径流序列特征值 |
2.3.2 年内变化特征 |
2.3.3 年际变化特征 |
2.3.4 代际变化特征 |
2.3.5 周期识别 |
2.3.6 变异诊断 |
2.4 本章小结 |
3 径流预报的过程化机制研究 |
3.1 问题导向 |
3.1.1 径流预报的不确定性因素 |
3.1.2 径流预报现存的问题与挑战 |
3.1.3 过程化机制的引入 |
3.2 基于过程化机制的径流预报模式 |
3.3 滚动反馈机制 |
3.4 多尺度嵌套机制 |
3.5 区间化机制 |
3.6 响应变化的适应性机制 |
3.6.1 响应环境变化的适应机制 |
3.6.2 响应需求变化的适应机制 |
3.7 本章小结 |
4 基于过程化机制的径流预报系统实现 |
4.1 支撑过程化机制实现的平台 |
4.2 支撑过程化机制实现的技术 |
4.2.1 组件开发技术 |
4.2.2 知识图技术 |
4.3 面向主题的应用组织及运行 |
4.3.1 系统主题提取 |
4.3.2 系统知识可视化组织 |
4.3.3 系统组件的划分、开发、封装与发布 |
4.3.4 系统运行 |
4.4 本章小结 |
5 径流预报的过程化机制与分解集成模型的融合 |
5.1 预报模型方法库构建 |
5.1.1 数据预处理方法库 |
5.1.2 预报模型方法库 |
5.2 过程化机制与预报模型的融合实现 |
5.2.1 基于分解集成人工智能模型的径流预报实现 |
5.2.2 不同时间尺度的径流预报实现 |
5.2.3 适应性径流预报实现 |
5.2.4 基于过程化机制的径流预报实现 |
5.3 径流预报的在线评价 |
5.4 本章小结 |
6 基于过程化机制的分解集成预报模型应用实例 |
6.1 基于过程化机制的日径流预报 |
6.1.1 研究数据来源与描述 |
6.1.2 评价指标 |
6.1.3 预报模型构建 |
6.1.4 应用结果分析 |
6.2 基于过程化机制的月径流预报 |
6.2.1 研究数据来源与描述 |
6.2.2 预报模型构建 |
6.2.3 评价指标 |
6.2.4 应用结果分析 |
6.3 本章小结 |
7 基于过程化机制的径流预报业务集成应用 |
7.1 基于分解集成人工智能模型的径流预报 |
7.2 不同时间尺度的径流预报 |
7.2.1 实测流量分析 |
7.2.2 不同时间尺度的径流预报 |
7.2.3 预报结果与实测结果对比分析 |
7.2.4 多模型集成洪水预报分析 |
7.3 适应性径流预报 |
7.3.1 区间化径流预报 |
7.3.2 多时间尺度嵌套的径流预报 |
7.3.3 径流预报方案滚动互馈 |
7.3.4 径流预报指导下的水量调配 |
7.4 本章小结 |
8 结论与展望 |
8.1 结论 |
8.2 创新点 |
8.3 展望 |
致谢 |
参考文献 |
攻读博士期间主要研究成果 |
(8)水文序列预测模型的耦合及优化研究 ——以磨刀溪为例(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 国内外关于水文序列特性分析研究进展 |
1.2.2 国内外关于水文序列预测模型研究进展 |
1.3 研究内容和技术路线 |
第二章 水文序列分析方法研究 |
2.1 水文序列周期分析方法 |
2.1.1 傅里叶分析 |
2.1.2 最大熵谱分析 |
2.2 水文序列跳跃成分识别 |
2.2.1 时序累计值相关曲线法 |
2.2.2 有序聚类分析法 |
2.2.3 Man-Kendall法 |
2.3 水文序列趋势成分识别 |
2.3.1 滑动平均法 |
2.3.2 Kendall秩次相关检验 |
2.3.3 趋势回归检验 |
2.4 水文序列的小波分析方法 |
2.4.1 小波函数选择研究 |
2.4.2 小波分解尺度的研究 |
2.4.3 基于小波方法的水文序列消噪处理 |
2.4.4 水文序列周期的小波分析方法 |
2.5 本章小节 |
第三章 水文序列预测方法研究 |
3.1 自回归模型 |
3.1.1 模型结构 |
3.1.2 模型的参数估计 |
3.1.3 模型的识别 |
3.1.4 算例分析 |
3.2 马尔科夫预测模型 |
3.2.1 模型理论 |
3.2.2 算例分析 |
3.3 模糊分析 |
3.3.1 模型理论 |
3.3.2 算例分析 |
3.4 灰色系统分析 |
3.4.1 模型理论 |
3.4.2 算例分析 |
3.5 本章小节 |
第四章 水文序列预测模型耦合的研究 |
4.1 人工神经网络 |
4.1.1 BP神经网络 |
4.1.2 RBF神经网络 |
4.1.3 GRNN神经网络 |
4.2 小波神经网络耦合模型 |
4.2.1 模型理论 |
4.2.2 算例分析 |
4.3 水文序列时间尺度对耦合模型预测结果的影响 |
4.4 水文序列复杂特性对耦合模型预测结果的影响 |
4.5 模型的不足及改进 |
4.6 本章小节 |
第五章 水文序列预测模型优化的研究 |
5.1 遗传算法基本理论 |
5.2 GA优化的WNN模型 |
5.3 GA优化的WNN模型算法流程 |
5.4 WA-GA-ANN模型仿真 |
5.5 本章小节 |
第六章 结论与展望 |
6.1 结论 |
6.2 研究展望 |
致谢 |
参考文献 |
在学期间发表的论文和参加的项目 |
一、在学期间发表的论文 |
二、科研项目 |
三、在学期间获奖情况 |
(9)基于耦合模型及Copula修正的水库中长期入库径流预报研究(论文提纲范文)
摘要 |
Abstract |
1 引言 |
1.1 研究背景及意义 |
1.2 国内外研究动态 |
1.2.1 径流特性研究进展 |
1.2.2 中长期径流预报方法研究进展 |
1.2.3 径流预报不确定性研究进展 |
1.2.4 存在问题及发展趋势 |
1.3 研究内容及技术路线 |
1.3.1 研究内容 |
1.3.2 研究技术路线 |
2 研究区域概况 |
2.1 尼尔基上游流域概况 |
2.2 月径流序列统计特征 |
2.2.1 月径流线性趋势分析 |
2.2.2 月径流统计特征值分析 |
2.2.3 月径流年内分配特征 |
2.3 本章小结 |
3 中长期径流耦合预报及修正方法 |
3.1 径流时间序列分析方法 |
3.1.1 互补聚合经验模态分解(CEEMD) |
3.1.2 奇异谱分析 |
3.2 时间序列预报模型 |
3.2.1 最小二乘支持向量机(LSSVM) |
3.2.2 最近邻抽样回归(NNBR) |
3.2.3 模型评价指标 |
3.3 基于Copula函数的径流预报修正方法 |
3.3.1 Copula函数的基本理论 |
3.3.2 基于Copula函数的径流预报修正原理 |
3.4 本章小结 |
4 基于耦合模型的中长期径流预报 |
4.1 月径流序列分解结果 |
4.1.1 基于SSA的径流序列处理结果 |
4.1.2 基于CEEMD的径流序列分解结果 |
4.2 预报因子的选取 |
4.3 预报结果分析 |
4.4 本章小结 |
5 基于Copula函数的中长期径流预报修正 |
5.1 边缘分布及参数率定 |
5.2 建立二维Copula联合概率分布 |
5.3 修正结果分析 |
5.4 本章小结 |
6 考虑预报误差相关的尼尔基水库汛期入库径流概率预报 |
6.1 概率预报模型的方法 |
6.2 建立四维Copula联合概率分布函数 |
6.3 本章小结 |
7 结论与展望 |
7.1 主要结论 |
7.2 展望 |
致谢 |
参考文献 |
攻读硕士学位期间发表的学术论文 |
(10)渭河流域中长期径流预报研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究目的及意义 |
1.2 国内外研究方法 |
1.2.1 数据预处理技术 |
1.2.2 预报因子筛选技术 |
1.2.3 数据驱动预报模型 |
1.2.4 过程驱动预报模型 |
1.2.5 研究中存在的问题 |
1.3 研究内容与技术路线 |
1.3.1 研究内容 |
1.3.2 技术路线 |
第二章 基本原理及方法 |
2.1 数据变换技术 |
2.1.1 Box-Cox变换 |
2.1.2 Min-Max标准化 |
2.2 预报因子筛选方法 |
2.2.1 Lasso回归 |
2.2.2 灰色关联分析 |
2.3 小波分析方法 |
2.3.1 小波变换原理 |
2.3.2 Mallat算法 |
2.4 人工神经网络 |
2.4.1 人工神经网络模型 |
2.4.2 人工神经网络学习规则 |
2.4.3 BP神经网络模型 |
2.5 投影寻踪模型 |
2.5.1 投影寻踪回归模型 |
2.5.2 遗传算法和Hermite多项式 |
2.6 支持向量机 |
2.6.1 支持向量机基本原理 |
2.6.2 支持向量回归模型 |
2.7 模型预报效果评价方法 |
第三章 渭河流域概况 |
3.1 流域基本情况 |
3.2 气象水文条件 |
3.3 流域水文站概况 |
第四章 径流序列预处理与预报因子筛选 |
4.1 径流序列预处理 |
4.1.1 小波分析 |
4.1.2 Box-Cox变换和Min-Max标准化 |
4.2 预报因子筛选 |
4.2.1 原始径流序列预报因子筛选 |
4.2.2 小波分解序列预报因子筛选 |
第五章 中长期径流预报模型应用 |
5.1 BP人工神经网络模型 |
5.1.1 模型最优预报因子集及结构确定 |
5.1.2 模型应用 |
5.2 投影寻踪回归模型 |
5.2.1 模型最优预报因子集及参数确定 |
5.2.2 模型应用 |
5.3 支持向量回归模型 |
5.3.1 模型最优预报因子集及参数确定 |
5.3.2 模型应用 |
5.4 模型综合评价 |
5.5 本章小结 |
第六章 基于小波分析的中长期径流预报模型应用 |
6.1 小波BP神经网络模型 |
6.1.1 模型最优预报因子集及结构确定 |
6.1.2 模型应用 |
6.2 小波投影寻踪回归模型 |
6.2.1 模型最优预报因子集确定 |
6.2.2 模型应用 |
6.3 小波支持向量回归模型 |
6.3.1 模型最优预报因子集及参数确定 |
6.3.2 模型应用 |
6.4 模型综合评价与优选 |
6.4.1 模型综合评价 |
6.4.2 模型优选 |
6.5 本章小结 |
第七章 结论与展望 |
7.1 结论 |
7.2 展望 |
参考文献 |
附录1 预报方法及模型名称说明 |
致谢 |
个人简介 |
四、基于小波分析的组合随机模型及其在径流预测中的应用(论文参考文献)
- [1]黄河流域的干旱驱动及评估预测研究[D]. 黄春艳. 西安理工大学, 2021(01)
- [2]黄河源区径流演变规律及预报模型研究[D]. 商滢. 西华大学, 2021(02)
- [3]玛纳斯河径流演变特性及其中长期径流预报模型研究[D]. 李福兴. 石河子大学, 2021(02)
- [4]东北地区干旱特征及预测模型研究[D]. 李增. 沈阳农业大学, 2021(05)
- [5]混合分层量子粒子群算法研究及在中长期径流预报中的应用[D]. 徐灯. 南昌工程学院, 2020(06)
- [6]流域径流非平稳性特征分析及预测研究[D]. 张明山. 广西大学, 2020(07)
- [7]径流预报的过程化机制研究与系统集成实现[D]. 何欣欣. 西安理工大学, 2020(01)
- [8]水文序列预测模型的耦合及优化研究 ——以磨刀溪为例[D]. 程扬. 重庆交通大学, 2020(01)
- [9]基于耦合模型及Copula修正的水库中长期入库径流预报研究[D]. 董洪涛. 东北农业大学, 2020(04)
- [10]渭河流域中长期径流预报研究[D]. 杨沁瑜. 西北农林科技大学, 2020