基于小波分析的最近邻抽样回归预报模型研究

〗为了提高水文中长期预报的精度,以屏山站1951～2005年年径流序列为例,应用小波分析技术对信号进行多尺度分析,将水文时间序列分解成若干个高频序列和低频序列,再将高频序列和低频序列分别应用最近邻抽样回归建立模型,然后应用小波重构技术将各序列进行重构,从而实现对原始序列的预测。结果表明：应用小波技术建立的组合模型,其精度明显高于单一的最近邻抽样回归模型,可以应用于生产实践中。     

最近邻抽样回归模型及其在枯水期月径流预报中的应用

为合理调配水资源,做好枯季径流预报,可采用最近邻抽样回归模型进行预测。按照最近邻抽样回归模型的基本思路和实现算法,根据长江上游主要控制站——寸滩站1893年1月—2009年12月历史同期月整编资料,对该流域的枯季径流特性进行分析研究,通过建立模型,对模型预测效果进行验证。结果表明：该模型对枯季径流的预报精度较高,可用于作业预报。     

基于多模型集合方法的北江流域月径流预报研究

准确的月径流预报对于水资源优化配置、流域防汛抗旱、开展水量调度、水库群发电优化等具有十分重要的作用。当前工作中常用的月径流预报方法主要有水量平衡模型、数理统计模型、人工神经网络等。研究表明,任何单个模型在月径流预报问题上都无法始终具有最佳预报效果,多模型集合方法为消除模型不确定性、提高月径流预报精度提供了有效途径。以北江流域坪石站、犁市站、横石站和石角站为研究对象,分析对比了季节性自回归模型、两参数月水量平衡模型、人工神经网络的应用效果,并基于BMA(Bayesian Model Averaging)法获取上述站点的多模型集合方案,研究结果表明多模型集合月径流预报的精度相比单模型具有明显提升,不仅具有更高的确定性系数DC(Determination Coefficient),还能有效降低水量误差MAPE(Mean Absolute Percentage Error),能够为流域调度决策提供更好的支持。     

基于贝叶斯模型平均法的多模型综合预报洪水概率研究

研究对象为淮河流域内的息县、潢川、班台至王家坝区间,在采用新安江模型和降雨径流经验模型进行洪水模拟的基础上,构建了基于BMA洪水概率预报模型与基于BP神经网络的组合预报模型,对比分析了两种方法的预报效果.结果表明,以BMA概率预报的期望值为预报值,12场洪水的平均确定性系数为0.93,整体上优于新安江模型(0.92)和...     

基于集合预报的淮河流域洪水预报研究

建立基于集合预报的淮河具有行蓄洪区流域洪水预报及早期预警模型。在洪水预报中引入数值天气预报以延长洪水预报的预见期。集合预报采用多模式和多分析集合预报技术,考虑初始场的不确定性和模式的不确定性,避免“单一”确定性数值天气预报结果易存在的预报误区。THORPEX 项目支撑的THORPEXInteractiveGrand GlobalEnsemble（TIGGE ）集合预报目的是建立全球交互式预报系统。本文以淮河流域为试验流域,以TIGGE 集合预报（加拿大气象中心（简称CMC,集合成员数为15个）、 欧洲中期天气预报中心（简称ECMWF,集合成员数为51个）、 英国气象局（简称UKMO ,集合成员数为24个）、 美国国家环境预测中心（简称NCEP,集合成员数为15个））驱动构建的水文与水力学相结合的具有行蓄洪区流域洪水预报模型以达延长洪水预报的预见期,新安江模型用于降雨径流计算、一维水动力学模型用于河道洪水演算,实现洪水预报及早期预警。为了进行比较,同时采用地面雨量计观测降水驱动构建的洪水预报模型,对2007和2008年淮河汛期洪水进行检验。结果表明,基于TIGGE 集合预报驱动的洪水预报预见期延长了72~120h ,证明了TIGGE 集合预报可以应用于洪水预报及早期预警。     

基于K近邻和水动力模型的城市内涝快速预报

利用水动力模型模拟各量级降雨情况下的城市内涝演变过程,以内涝演变过程数据作为K近邻算法机器学习模型的训练集进行模型训练,采用大气数值模式预报降雨驱动经过训练的K近邻算法机器学习模型进行城市内涝快速预报,并以陕西省秦汉新城3场实测降雨检验了模型的预报性能。结果表明:该模型可在17s内快速预测出城市内涝积水,预报内涝积水面积平均误差不超过8%,积水量及积水深度平均误差不超过15%;该模型预报性能较好,可增强城市防灾减灾能力,有效降低生命财产损失。     

基于多步预报模型的径流中长期预测研究

针对径流中长期预报模型中广泛存在的不确定性问题,在以往研究的基础上,建立了基于最近邻回归预测的径流中长期多步概率预报模型。介绍了该模型的计算方法和重要参数的选取方法,并应用于实例预报工作中。结果表明,该模型在4个月的预报期内,具有较高的概率预报精度。同时,该模型概念清晰,避免了参数不确定性,不仅能够提供常规的确定性预报结果,而且能够给出在不同置信水平下的预报置信区间,便于量化预报风险,为最优决策的制定提供依据。     

基于降雨径流相似性的短期径流预报研究

径流预报是水力发电、防汛抗旱、水资源综合利用、电力生产与保障等的重要依据。针对物理驱动模型在参数率定困难和数据驱动模型预报结果可解释性差的问题,研究提出基于降雨径流相似性的短期径流预报模型,深入分析径流成因,采用数据挖掘技术剖析数据之间的关系以进一步提高预报精度;根据不同时期和量级的产汇流差异进行流量分级,并滚动更新降雨径流信息以实现滚动预报。该研究成果在乌江的应用显示,入库1日、 7日预报结果平均相对误差分别为10.79%、 14.39%,预报效果良好。     

基于REDRAW 模型的黄河河龙间近年蒸散发特性研究

基于参照干湿限的遥感蒸散发模型(REDRAW)反演了黄河中游河龙区间5个典型子流域2000—2010年的蒸散发,结合归一化植被指数(NDVI)分析了区域蒸散发的年内和年际特征。年尺度流域水量闭合验证结果表明,REDRAW模型反演的区域年蒸散发多年平均为358.3 mm,接近降雨径流之差351.4 mm,平均相对误差2.6%,年尺度ET反演结果较为合理,说明REDRAW在研究区域具有一定的适用性。区域蒸散发与NDVI年内变化较为一致,年际变化存在一定正相关,11年间增长趋势较为明显。区域NDVI的显著增加与植树造林等水保措施有关,结合流域的降雨径流等水文数据分析可知,植被覆盖的增加一方面增加蒸散发耗散,另一方面通过截留等作用促使径流减少。     

基于大涡模型的床面形态与水流相互作用过程模拟研究

为判断动床弯道中二次流和涡结构模型的模拟精度,基于Barbhuiya的90°水平弯道冲刷水槽试验,比较了大涡模型（LES）和RNG k-ε模型对弯道冲淤过程中床面形态模拟的精确程度,发现LES模型结果更加精确。基于LES模型模拟结果,通过使用Q准则识别二次流产生的底部涡结构,分析了涡结构对床面冲刷淤积的定量影响。结果表明：在清水冲刷动床弯道的过程中,Q值介于30~50之间时底部涡趋于稳定存在,Q值大于50时会明显影响床面冲淤;强大稳定的涡结构会使床面形态逐渐稳定,床面冲刷和淤积速率趋于一个定值,床面冲刷和淤积速率不超过2×10^-6 m/s。进一步分析弯道内剪切流速与床面形态的关系,发现弯道内存在两类高剪切流速区域,当第一类区域剪切流速值大于第二类时,床面会出现深度大于0.10 m的明显冲刷坑。研究结果可为弯道中冲淤平衡和床面形态模拟提供参考。     

基于机器学习的太湖流域多层次防洪调度方案综合评价

为解决太湖流域多层次防洪调度方案在不同防洪层次目标下的评价问题,构建了流域、区域、城镇多层次防洪排涝调度方案综合评价指标体系,并基于K近邻(KNN)和随机森林(RF)算法构建调度方案综合评价模型。结果表明,联合KNN模型和RF模型实现了KNN-RF组合模型评价,其针对流域、区域与城镇3个层次防洪目标进行调度方案评价的平均相对误差和平均绝对误差分别降低至1.25%、0.82%、2.43%和0.511、0.342、1.380,最大相对误差和最大绝对误差得到改善,等级划分总体正确率高于95%;KNN-RF组合模型能筛选出各层次防洪目标下较优的调度方案,减少单一算法不确定性导致的异常评价误差,评价精度显著提高。     

R/S分析法与GM（1，1）灰色模型相结合的鸳鸯池水库入库径流量预测

依据鸳鸯池水库1959-2015年实测入库年径流量系列,利用年代际径流量平均值、径流年内分配集中度分析了入库年径流量年际变化和年内分配特征,同时分别采用基本GM(1,1)、改进GM(1,1)以及R/S分析法与基本GM(1,1)灰色模型相结合的方法预测了入库年径流量。结果表明:入库年径流量时间序列有明显分形特征,H指数为0. 922;径流量时间序列具有状态持续性,即未来年径流量变化趋势与过去一致;年径流量系列长期记忆性以41 a为周期;经R/S分析后采用基本GM(1,1)灰色模型预测得出2013、2014、2015年入库径流量分别为3. 60×108、2. 97×108、3. 67×108m3,与实测值相比,相对误差分别为20. 69%、8. 97%、8. 10%,较基本GM(1,1)、改进GM(1,1)灰色模型的预测精度高。据此预测得出2020年入库径流量将比2015年增加8. 99%。