南明河流域径流量时间序列演变趋势分析

以贵阳水文站近45年年径流量时间序列为例,借助于Excel和MATLAB等软件,利用滑动平均法、累积距平法、Mann-Kendall趋势检验法及变差系数对南明河流域贵阳水文站径流量时间序列进行了计算分析。结果表明:1990-2000年贵阳站年径流量系列的具有显著的上升趋势;年径流量系列的变差系数较小,径流变化比较稳定,有利于水资源的开发利用。以期对喀斯特地区水资源规划及可持续利用具有参考意义。

大凌河流域凌海站年径流量时间序列特征的小波分析

本文基于小波理论,采用Morlet小波分析了大凌河流域下游控制站—凌海站1961―2013年径流量时间序列变化特征。分析显示,凌海站多年径流量时间序列在53年分析时域内具有不均匀的时间尺度分布特征,且局部化明显;多年径流量序列变化主要受5―7a、14―16a和24―28a时间尺度的控制,具有6a、15a和27a左右的主周期。

基于喀斯特流域径流量多时间尺度小波分析

利用Morlet小波变换,对喀斯特流域鲤鱼塘水文站45 a年平均径流量序列进行了多时间尺度演变特性分析。研究结果表明,鲤鱼塘水文站年径流时间序列存在26 a的主周期变化,同时还存在7 a的次周期变化,径流演变呈现出较明显的丰、枯交替振荡。对年径流量变化趋势进行了分析预测:1998年以后的7 a左右,年径流量还将处于偏丰期;2000年以后的11 a左右,年径流量有由丰转枯的趋势。因此,小波分析可以用来评估水资源量的变化趋势,,对指导喀斯特地区水资源规划及可持续利用有借鉴意义。

基于优化算法的CNN-BiLSTM-attention的月径流量预测

为有效提取径流时间序列的信息特征,提高径流预测模型的高维非线性拟合能力和预测性能的稳定性,将卷积神经网络(CNN)、双向长短期记忆网络(BiLSTM)和注意力机制(attention)相结合,构建了CNN-BiLSTM-attention的径流组合模型。以长江流域中游汉口站径流量数据进行模拟验证,对比分析BiLSTM,CNN,BiLSTM-attention,CNN-BiLSTM和CNN-BiLSTM-attention 5种径流预测模型模拟月径流的误差特征,利用FA-SSA,GWO和BAO 3种优化算法分别对CNN-BiLSTM-attention组合模型的卷积核个数、BiLSTM隐藏层神经元个数、全连接隐藏层神经元个数、dropout层、批量大小和学习速率6个超参数优化,探究3种优化算法对CNN-BiLSTM-attention月径流预测性能的影响。结果表明:BiLSTM-attention预测误差最大,BiLSTM次之,CNN-BiLSTM-attention组合模型整体预测精度最高;CNN-BiLSTM-attention径流组合模型能有效捕获关键信息和掌握径流时序变化规律,预测径流值与实际值能够较好吻合;FA-SSA优化算法优于GWO和BAO,更能优化CNN-BILSTM-attention的超参数值,并进一步提高该模型的预测精度。

喀斯特流域径流量时序演变特征分析——以贵州省为例

以贵阳水文站近45年年径流量序列为例,利用Morlet小波变换对喀斯特流域径流量时序演变特性进行了分析预测。结果表明:(1)贵阳水文站年径流主要存在4a和25a两个时间尺度的周期变化,在这两种时间尺度下,径流演变呈现出较明显的丰、枯交替振荡。(2)2000年以后的10a左右,年径流量有由丰转为枯、逐步下降的趋势。(3)年平均径流量的丰、枯周期变化主要受年平均降水量的影响;人类活动对喀斯特流域年径流量有增加和减小两方面的影响,总体上会使径流量略有增加。