水文序列相依变异识别的RIC定阶准则——以自回归模型为例

水文过程相依性是水文变异的主要表现形式之一,应用自回归模型对其进行拟合时合理确定模型阶数是一个难点问题。本文在分析AIC和BIC准则的基础上,提出了一种以原序列与其相依成分的相关系数作为拟合度指标,同时借用信息熵形式的函数式,作为模型不确定性度量指标的自回归模型定阶准则(简称RIC准则)。以AR(1)、AR(2)、AR(3)和AR(4)模型为例进行统计试验,将不同序列长度下该准则的定阶准确率与其他定阶准则进行比较,试验结果表明,RIC准则对于上述模型均具有较好的适应性,且定阶准确率远高于AIC准则,其中对于前三阶模型RIC准则优于BIC准则,但四阶模型略低于BIC准则。RIC准则的优势是可以同时满足模型定阶、相依程度分级与模型检验的需求,将其应用于实测水文序列分析,结果显示,该准则能较准确地识别自回归模型的阶数,且符合提出的"相依有变异而残差无变异的最小阶数"的检验标准。     

水文序列分析中基于信息熵理论的消噪新方法

为准确有效地识别和分离水文时间序列中的噪声成分，应用信息熵理论并结合小波消噪的基本思路，建立了小波系数阈值优选熵准则和水文序列消噪新方法：即首先应用熵函数H值描述噪声成分的不确定度，并应用信息量系数ICF(information cost function)值描述主序列的复杂度；然后通过分析不同小波系数阈值对应的噪声成分H值和主序列ICF值的变化规律，可优选出合理的小波系数阈值；最后对小波系数进行阈值量化处理，即可实现水文序列消噪。通过对不同特性模拟序列和不同实测水文序列分别进行分析，并通过与常用小波消噪方法(FT、SURE、MAXMIN)的消噪结果对比，验证了该阈值优选熵准则的合理性和适用性。分析结果显示：水文序列中的噪声成分具有偏态特性，因此本文中应用偏态分布线型(P-III型分布)对噪声成分进行描述更为合理；且此阈值优选结果是基于信息熵理论而确定，因此是整体上最优值。     

密云水库流域降水径流非平稳特征识别及归因

为更准确揭示和认识变化环境下密云水库流域水文过程的非平稳特征,选取该流域1960—2019年降水和径流资料,采用多种时间序列分析方法综合诊断其趋势、突变点和周期等非平稳特征并进行成因分析。结果显示：该流域降水变化主要表现出较明显的随机特性,径流相比降水的下降趋势更显著,且在1979年发生了向下跳跃的强变异;相比气候变异影响,人类活动是密云水库流域径流减少的主导因素;1980—1998年流域水土保持措施与水利工程兴建对径流变化的贡献率为-111.40%,抵消了气候变异11.4%的增水效应;1999—2019年,塘坝建造和用地类型转变对径流变化的贡献率为-66.60%,同时叠加气候变异-33.40%的减水效应,导致近20年来该流域径流呈现显著减少的态势。研究结果可为密云水库安全运行、洪水调度以及流域水资源管理决策提供科学支撑。     

基于ARMA模型的水文序列相依变异分级方法及验证

受自然和人为等因素的影响,水文情势和地理环境不断发生显著变化,不同水文要素形成的水文时间序列常呈现出一定的相依性。为定量研究水文序列中的这种相依现象,本文以自回归滑动平均模型ARMA为例,选取原始水文序列与其相依成分间的相关系数为衡量标准,提出对相依变异强弱程度分级的一种方法。先用公式推导的方式从原理上阐明相关系数与序列的自回归系数和滑动平均系数存在的关系,从而建立相关系数与序列自相关系数的联系,再选择合理阈值作为分级界限,把相关系数划分为5段区间,对应描述5种不同强弱的相依变异程度。分别以较低阶数的ARMA模型为例,通过统计试验验证了以相关系数作为分级指标的合理性。将所提方法分别应用于模拟时间序列和实测水文序列,并结合物理成因从气候变化和人类活动两个方面对实测径流序列的相依变异分级结果进行了分析与验证,结果表明该方法合理可靠。     

考虑土地利用类型的黑河中游水量平衡模型

根据黑河中游土地利用方式,划分6种主要的土地利用类型,针对每种类型进行水量平衡分析与概化处理,构建考虑不同土地利用类型的黑河中游月水量平衡模型。利用正义峡1980—2009年月径流数据对模型进行率定和验证,效率系数高于0.65,相对误差小于10%,能够满足水资源管理的需要。基于所构建的模型,模拟了黑河中游不同土地利用类型水平衡各分量的变化,发现黑河中游耕地若采用最优灌溉定额进行灌溉,较现状可节水5.27亿~6.56亿m3,不仅能保证中游的用水需求,还能改善下游绿洲生态环境。     

基于河湖水系连通的水资源配置框架

在气候变化、经济持续高速发展的背景下,水资源形势日趋严峻。通过河湖水系连通工程改变自然水系连通情况,建立起大范围、跨流域的水资源统筹调配格局,进行水资源时间和空间上的重新分配,实现多源互补、丰枯调剂,成为解决我国水资源配置问题的新途径。相比传统水资源配置,基于河湖水系连通的水资源配置更多考虑跨流域(区域)水资源合理利用,涉及更广泛的区域范围和利益群体。基于河湖水系连通的水资源配置的基本特征和原则,本次研究提出新型水资源配置模式——权益保障与均衡发展模式,在考虑不同区域、行业、部门利益的前提下,突出权益保障与均衡发展。同时,探讨了对河湖水系连通后水资源配置中的主要技术与方法,包括跨流域水循环过程模拟技术、调水区与受水区丰枯遭遇分析方法、受水区可供水量计算方法等问题。     

水文时间序列小波互相关分析方法

本文系统地提出了基于连续小波变换和离散小波变换的小波互相关分析方法,以及小波互相干性分析方法。在介绍水文序列小波互相关系数求解方法的基础上,提出小波互相关度定量指标,用于描述两时间序列在整体时间域上的互相关关系;并进一步提出绘制小波互相关系数等值线图的方法,以实现对时间序列互相关关系进行"时频综合分析"的目的。对黄河利津站和花园口站54年(1950—2003年)年径流序列进行分析,结果显示:时滞为0时序列在时间尺度为3、7、11和20年时具有良好的互相关关系,较传统方法仅揭示两序列在整体时间域上的线性互相关程度具有优越性,应用其可实现由整体到局部认识时间序列互相关关系的目的。能够分析和定量描述非平稳时间序列在特定时间尺度和指定时滞下的互相关关系,可克服传统互相关分析方法的局限,具有更好的灵活性和适用性。     

水文序列小波分析中小波函数选择方法

将信号离散小波变换中常用的7个小波系共54个小波函数作为选择范围,应用蒙特卡罗方法,通过黄河利津站和浙江白溪流域的实测水文序列,探讨小波分析中影响小波函数选择的因素,进而建立合理选择小波函数的依.据和方法.该方法应用每个小波函数对水文序列进行小波分解,并重构得到低频重构序列和高频重构序列两部分及相应的特征值,依据相应的小波函数选择判别标准分析特征值,从而得到合理的小波函数.研究结果表明,序列自身的变化特性是小波函数选择的重要影响因素;整体上序列变化特性越复杂时,适用的小波函数类型就越少.对两个流域资料分析结果验证了本文的小波函数选择方法的合理性.     

水文序列跳跃变异点的滑动相关系数识别方法

跳跃变异点识别与检验是处理非一致性水文序列的首要工作。针对目前方法未能直观反映序列跳跃变异实质的缺陷,本文通过推求原始序列与跳跃成分序列的相关系数表达式,构建其与跳跃变异前后均值差异程度的关系,在此基础上提出水文序列跳跃变异点的滑动相关系数识别与检验方法。统计实验结果显示:所提方法易于操作且容易求解,在受到序列长度、变异点位置、均值变化系数、Cv变化系数与Cs变化系数等多种因素影响时,其变异点识别效率与常用的Pettitt检验法、B-F检验法基本相同,但性能更加稳定。将所提方法应用于澜沧江下游允景洪水文站不同时间尺度的径流序列进行跳跃变异点识别与检验,并结合物理成因分析进行验证,结果显示了该水文站径流过程受其上游水利工程施工与运行影响很大,云南省境内澜沧江干流梯级水电站的调蓄作用(特别是年内的"削丰补枯"作用)十分明显,导致不同时间尺度上的径流过程多在2004年前后呈现出显著的跳跃变异。     

基于多模型比选耦合的降水预测

变化环境下水文时间序列的模拟预测难度不断加大,以往研究大多聚焦在模型的不同组合尝试与应用探索,但缺乏针对不同组合模型适用性与稳定性的系统研究。选择经验模态分解（empirical mode decomposition,EMD）、总体平均经验模态分解（ensemble empirical mode decomposition,EEMD）、改进的总体平均经验模态分解（modified ensemble empirical mode decomposition,MEEMD）和变分模态分解（variational mode decomposition,VMD）4种常用的分解算法,与多元线性回归（multivariable linear regression,MLR）、随机森林（random forest,RF）、BP神经网络（back propagation,BP）、卷积神经网络（convolutional neural networks,CNN）和长短期记忆神经网络（long short-term memory,LSTM）5种具有代表性的模型结合,构建20种基于“分解-预测-重构”模式的组合模型,并以华北地区密云、官厅两流域年和汛期降水为例,进行模型适用性与稳定性综合对比分析。结果表明：单一模型对密云流域年降水和汛期降水的预测结果优于官厅流域,但整体预测结果均不理想;结合分解算法后的组合模型预测结果明显优于单一模型,且该预测结果存在正负误差抵消现象,因此有助于进一步提高组合模型的整体预测精度;与基于EMD系列的分解算法相比,VMD算法对模型预测精度提升效果最显著,组合模型适用性和稳定性整体上表现为VMD-MLR＞VMD-LSTM＞VMD-BP＞VMD-CNN。