日含沙量时间序列的混沌识别与预测研究

运用关联指数饱和法和改进的最大Lyapunov指数方法对流域产沙系统进行了混沌识别,结果表明日含量序列具有混沌特性。并以重构相空间的饱和嵌入维数作为神经网络输入层节点数,将混沌理论和神经网络二者有机结合,建立了混沌神经网络模型。将该模型用于黄河上游头道拐水文站汛期日含沙量预测,结果表明,该模型应用在汛期日含沙量预测中具有较高的精度。

基于Copula函数的日含沙量随机模拟

考虑相邻两日含沙量之间的相关关系,建立了基于Copula函数的日含沙量随机模拟模型。并针对日含沙量模拟时段较多,日含沙量边缘分布难以统一确定的特点,采用正态分位数变换对实测日含沙量资料进行了标准正态化处理。以屏山水文站日含沙量为研究对象,采用该模型对其日含沙量过程进行随机模拟,并将模拟结果与分期平稳AR模型模拟结果进行对比。结果表明,所建立的模型能较好保持实测日含沙量资料的统计特性,计算精度较高,各统计参数的通过率均在98%以上,最大平均相对误差4.22%,且在偏态性和非线性相关关系方面要优于分期平稳AR模型,说明本模型可用于日含沙量过程的长序列随机模拟。

基于多维Copula函数的日含沙量过程随机模拟方法研究

本文考虑含沙量自身的相关性以及流量与含沙量之间的相关性,提出了一种基于多维Copula函数的日含沙量过程随机模拟方法.该方法在对日流量序列随机模拟的基础上,采用条件混合法建立截口流量和相邻截口含沙量的三维联合分布,实现对两种相关结构的模拟.同时针对模拟截口多、截口边缘分布难以确定的特点,采用正态分位数变换法对实测日流量、日含沙量资料进行标准正态化处理.将该方法应用到金沙江屏山水文站日含沙量过程随机模拟中,模拟结果表明,本文所提方法能保持实测日含沙量的主要统计特性,模拟序列与实测序列的统计特征值吻合良好,均值、变差系数和偏态系数的通过率均在97%以上,最大平均相对误差4.47%,且能模拟出日含沙量序列的自相关性以及流量和含沙量之间的互相关性,为日含沙量长序列模拟提供新思路.

一日内兼有顺逆流的日平均含沙量计算方法的讨论

通过对一日内兼有顺逆流的日平均含沙量计算方法的讨论，建议不论顺逆流中输沙量较小的一方占另一方的比例是多大，都采用绝对值法计算，方法合理，操作简便。