门限自回归模型在海洋冰情预测中的应用

给出了建立门限自回归模型（ＴＡＲ） 的一套实用方法， 用作者提出的改进遗传算法可同时优化门限值和自回归系数，成功地解决了ＴＡＲ建模过程所涉及的大量复杂寻优工作这一难题。实例计算的结果说明了， 这套方法在海洋冰情预测中是可行的和有效的， 在各种自然灾害非线性时序动态预测中具有重要的理论意义和广泛的实用价值。

南水北调中线总干渠冰情预测模型参数敏感性分析及率定

南水北调中线工程黄河以北总干渠冬季由于受气温的影响,将有不同程度的冰情产生,总干渠将处于无冰、流冰、冰盖下输水等多种复杂运行状态,运行不当则可能发生冰塞、冰坝危害。为了更准确地预测冰情,文章利用详细热量交换法对不同条件下渠道内一维冰盖生消进行数值模拟,根据2012年冬季的冰清观测结果以均方根差最小的原则率定模型参数。随后通过改变反射系数α、云量C、虚拟冰盖厚度Δh、风速Va、折减系数Cc及Ce、初始水温等分析冰盖厚度对于模型参数的敏感性。仿真结果显示,模型参数中反射系数α、虚拟冰盖厚度Δh这两个参数对冰盖厚度影响较大,气温数据中云量C对冰厚结果影响较大,且在高云量区域敏感性为极敏感,这些规律可以为寒区渠道系统冰情预测模型的开发及率定提供参考。

BP神经网络非线性组合预测模型在海洋冰情预测中的应用

针对海洋冰情灾害的非线性复杂问题,目前已提出了多种模型对其进行预测。在此基础上,根据神经网络的非线性和良好的函数逼近特性,提出用基于BP神经网络的非线性组合预测(NN-NLCF)模型来预测海洋冰情灾害。结果表明,NN-NLCF模型与海洋冰情的非线性特性相契合,它综合利用了参与组合的多种预测模型的有效信息,因而能更客观地反映海洋冰情的发展趋势,预测结果更为稳健、精度更高,在其它自然灾害时序预测中具有一定的推广应用价值。

冰塞成因与预测研究进展

冰凌堆积问题因危害严重、难以治理、成因复杂等原因成为我国冬季江河中极为突出的自然灾害。本文整理了近几十年来的河冰基础理论、冰情模型模拟、冰情观测方法、冰情预报方法的部分研究成果,并在此基础上探讨了冰凌研究亟待解决的技术与科学问题,初步展望了今后冰凌研究的发展趋势。

用基于加速遗传算法的组合预测模型预测海洋冰情

提出了建立组合预测模型的新方法(AGA-CF),以组合预测模型的预测误差绝对值和最小为优化准则,用加速遗传算法确定组合预测模型各单个预测模型的最优权重,并把AGA-CF应用于实际的海洋冰情预测中。结果表明:AGA-CF综合利用了各单个预测模型的重要预测信息,其预测误差明显小于各单个预测模型的预测误差,AGA-CF的预测结果更为稳健;AGA-CF方法可操作性和通用性强,可适用于其他组合预测的实际问题中。

基于机械学习理论的海冰风险短期预报研究

海冰管理是抵御寒区海洋资源开发海冰威胁的有效手段,海冰风险的准确、快速预测是海冰管理系统的关键组成部分。文中面向海冰管理中的冰情短时预测需求,明确了基于现场监测的海冰风险预测模式,开展了应用机械学习理论的海冰风险短时预测方法研究,并以渤海辽东湾海冰管理为例,讨论了神经网络与小波分解等非线性预测方法在冰情短时预测中的适用性。结果表明,时间序列小波神经网络在短时(6 h)冰厚预测中的预测精度与Elman神经网络相仿,而在24~48 h预测中的精度偏差较大;Elman神经网络在6 h、24 h与48 h的冰厚预测中均能保持较好的预测精度,在冰流速与来冰方向预测中,模型预测精度达到80%左右。