基于智能预报模型的年径流量预报研究

基于遗传算法的模糊优选BP网络模型,即智能预报模型,吸取了模糊集、神经网络、遗传算法各自独特的优点。本文应用智能预报模型对新疆雅马渡站年径流量进行预报。结果表明,该模型既能合理地构造神经网络的拓扑结构,又可加快网络的收敛速度,并能改善网络的全局寻优能力。

基于逐步剔除回归分析的径流量预报分析

基于平凉水文站(1974~2015年)径流量、温度、降水量和崆峒水文站(1977~2015年)径流量资料,利用SPSS软件的多元线性向后逐步剔除回归分析法,对泾河平凉水文站的径流量进行了预报分析。结果表明:平凉水文站的预报径流量和实测径流量之间相对拟合误差较小,预报合格率达85.71%;预报因子、预报方程均通过统计学检验,达到显著性水平;平凉水文站的年径流量与上游崆峒水文站的年径流量、秋季径流量和春季径流量之间存在显著线性关系,决定系数R2=0.927;利用建立的径流量预报模型能够很好地模拟预报平凉水文站年径流量变化,预报结果可为区域水资源管理提供科学依据。

耦合陆面水文模型和机器学习方法的水库径流量预报及应用

采用智能网格预报等多种气象预报数据与陆面水文模型及机器学习方法进行耦合,以岩滩水库流域区间为例,将区间预报径流量与历史径流量数据输入长短期记忆网络模型(LSTM)进行水库入库径流量预报,通过对日径流量模拟试验和业务试用分析,探明该方法在短期水文预报中的适用性。结果表明,耦合气象-水文-机器学习的径流量预报模型在率定期和验证期纳什效率系数(NSE)在0.65左右,在强降水过程训练试验中,日径流量和洪峰预报合格率≥87.5%,达到甲级预报精度标准;在业务试用中,24h、48h、72h日径流量预报合格率分别为87.3%、70.4%、75.5%,达到甲级或乙级预报精度标准,满足发布正式预报的精度要求;3次较大降水过程径流量和峰现时间预报合格率均为100%,达到甲级预报精度标准;峰值预报为66.7%,达到丙级预报标准,可用于参考性预报。将物理模型与人工智能方法进行有机耦合,可提高水文预报产品精度和适用性。

耦合Encoder-Decoder与RFR的径流预报模型研究

针对传统径流预报模型存在可靠性不高的缺陷,提出耦合Encoder-Decoder与RFR的径流预报模型,即通过Encoder-Decoder架构深度学习模块对径流-气象资料进行编码、解码处理以提取得到新的语义特征,进而将其作为输入变量用以随机森林回归(RFR)拟合。在阜阳市径流量预报实证中表明,Encoder-Decoder与RFR模型的R2=0.75,MAE、RMSE分别为3.75、4.26亿m3;较之于RFR模型的R2提升了12.67%,而MAE和RMSE依次减小了17.40%、16.63%。

丹江口水库中长期径流量的多模型预报结果分析及综合研究

水库中长期入库径流量的预报方法有多种模型,各有优缺点,预报结果也存在一定差异,应用过程中给实际决策造成了一定困难。本文以丹江口水库月径流量为研究对象,通过分析多种预报模型计算结果的变化规律,将精度和稳定性等作为性能指标,构建以加权平均和最小二乘法原理为基础的综合预报模型,并对丹江口水库月径流预报进行了建模计算。应用结果表明,该综合模型提高了预报精度,增强了预报稳定性,使其具有更高可信度,为入库径流量预报提供了一个有效的分析方法,为水库调度决策提供了便利。

改进的最优窗宽理论对年径流量的插值预测研究——以黄河利津等站为例

针对小样本数据造成年径流量预测效果不理想的情况,以及非对称和非正态资料的处理问题,引入信息扩散和模糊映射思想,同时运用遗传算法改进最优窗宽理论,建立了新的扩散插值模型。该模型通过对零散数据点的信息进行模糊扩散,进而实现对有限数据点信息向其邻近区域点的概率插值。选取黄河利津站为例,根据其近70 a(1942—2011年)径流量实测数据,进行了缺损数据的插值和预测试验,同时与正态扩散插值模型进行对比分析,结果表明:1)预测值能较好地模拟实际径流序列的波形变化,对丰水年(如2007年)和枯水年(如2009年)的预报都比较准确;2)中长期预报(10a)平均相对误差仅为11.59%,相较传统方法有较大的改进;3)以黄河流域2个站点(花园口和兰州)和长江流域的3个站点(朱沱、宜昌和大通)年径流量预测试验以及海温资料的插值试验作为补充,验证了该算法的有效性和普适性。该模型可为实际水文数据资料的客观分析和中长期预报提供参考。