A Nonlinear Time-lag Differential Equation Mdel for Predicting Monthly Precipitation

This paper investigates the nonlinear prediction of monthly rainfall time series which consists of phase space continuation of one-dimensional sequence, followed by least-square determination of the coefficients for the terms ofthe time-lag differential equation model and then fitting of the prognostic expression is made to 1951-1980 monthlyrainfall datasets from Changsha station. Results show that the model is likely to describe the nonlinearity of the allnual cycle of precipitation on a monthly basis and to provide a basis for flood prevention and drought combating forthe wet season.

流域降雨径流时间序列的混沌识别及其预测研究进展

混沌和随机在本质上是两种不同的特征,对这两种特征的描述方法各不相同,确定流域降雨径流时间序列的混沌性和随机性是对其进行模拟和预测的重要基础。近10多年来,许多学者相继开展了流域降雨径流时间序列的混沌识别及其预测研究。着重回顾其中最为重要的相空间重构、混沌识别和混沌预测方法,对将混沌理论应用于降雨径流时间序列的限制条件(序列的数据量大小和数据噪声)也进行了探讨。

月雨量的可预报性估算试验

以昆明近百年月雨量时间序列为样本，进行了月雨量的可预报性试验。通过估算和１２年共１４４次的独立预报试验，我们得出：在适当的预报精度的要求下，月雨量的可预报时间尺度约为５个月；对于适当嵌入的相空间维数ｍ和在一定的提前预报时间尺度Ｔ内，对月雨量的距平符号预报准确率可达６０％，对于雨季（５—１０月）则可达到６５％。

一种基于混沌吸引子的降雨降尺度分析

通过分析大时间尺度的年降雨量分解到小时间尺度的月降雨量的分解系数的混沌特征量,论证了分解系数具有混沌特性.在此基础上,对分解系数建立预测模型并给出具体算法.然后根据预测结果进行月降雨量的降尺度计算.实例研究表明,利用混沌相空间模型对降雨进行降尺度分析是一种有效的方法.

基于混沌理论的降水量预测方法研究

【目的】得到精确度较高的月降水量预测值。【方法】首先利用C-C关联积分法来确定波密站月降水量非线性系统的时间延迟τ和嵌入维数m,再对月降水量时间序列进行相空间重构,并利用小数据量法求取Lyapunov指数来判断月降水量时间序列的混沌特征,然后构建Volterra模型分别进行短期5a和长期15a降水量预测,将其预测小波预测模型和SVR预测模型的预测值对比,最后对Volterra短期预测模型进行叠加预测误差分析和模型推广分析。【结果】Volterra模型对混沌特征明显的月降水量进行短期预测时,其MAPE和EC分别为4.04%和0.941,相比小波和SVR模型来说具有较高的预测精度,同时叠加预测误差较小,其MAPE为7.657%,EC为0.894;而在长期预测时,该模型预测精度不如SVR模型;同时Volterra模型对混沌特征弱的月降水量进行短期预测时,其模型预测效果并不理想,MAPE为54.855%,EC仅为0.566。【结论】该方法能提供精确度较高的降水量预测值,为降水量的预测提供一种新的方法。