基于变分贝叶斯深度学习的水文概率预报方法

目前水文领域关于深度学习的研究多集中于提高预测能力方面,与具有物理机制的水文模型相比,深度学习复杂的内部结构导致其不具备可解释性,预测结果难以被信任,因此发展可信赖的深度学习对于推进水科学发展具有重要意义。基于预报残差分析框架,构建具有物理机制的水文模型与深度学习融合的混合模型,以充分利用两者优势;引入变分贝叶斯理论,提出变分贝叶斯与深度学习耦合的概率预报模型VB-LSTM,以定量评估水文预报结果的不确定性、提高结果可靠度。以黄河源区1961—2015年的径流过程为研究对象,对VB-LSTM模型进行应用示例研究。结果表明:与长短时记忆网络(LSTM)相比,VB-LSTM模型在验证期预报精度更高,结果更稳定;与传统基于“线性-正态”假设的水文概率预报方法相比,VB-LSTM模型具有更高的预报精度,且不确定性更小、预报结果更可靠。

多源降雨数据在重庆市中小流域短期水文预报中的应用

以山地城市(重庆市)境内四条中小流域为例,引入GPM-IMERG遥感降水数据作为卫星降水数据来源,分别采用平均偏差校正法、线性回归模型和改进地理加权回归法实现其与地面站点实测数据融合,采用留一验证法进行融合降水数据的精度评估,并将各类降水数据输入SWAT模型模拟实际流域径流。结果表明,改进地理加权回归法对降雨数据的融合效果最佳,流域地形对IMERG-early数据及融合方法精度影响较大,在地势较低且地形起伏变化小的区域,融合方法精度较高,而在山丘区精度相对较低;不同降水数据驱动SWAT模型得到的径流计算值均与实测值吻合较好,且经改进地理加权法融合后的降水数据模拟径流最准确。结果可为IMERG-early卫星降水数据在类似中小流域水文预报的应用提供借鉴。

不同模态分解方法结合LSTM模型对日径流预报的影响

针对日径流序列不平稳性与波动性的特点,尝试将模态分解和深度学习组合预测方法引入至日径流预报。首先,采用完整集合经验模态分解方法对日径流时间序列进行分解,得到不同频率成分的模态分量;其次,为不同的模态分量构建长短期记忆神经网络日径流预测模型,并采用网格搜索参数寻优算法优化预报模型的超参数;最后将各模型预报结果进行模态重组获得日径流预报结果。以宜昌水文站日径流预报为研究实例,所构建的组合模型较单一长短期记忆神经网络的和分别降低了65.02%、58.35%与2.88%,且运用完整集合经验模态分解方法的分解效果优于传统的模态分解方法,为短时间尺度下的非线性和非平稳的日径流预报提供了新的方法和参考。

尼尔基水库中长期径流预测分析及影响因子研究

本文根据嫩江尼尔基水库逐月入库流量与提前1~5年的88项大气环流指数、26项海温指数、16项遥相关指数的相关关系,挑选出相关性较高的气象因子作为关键影响因子,利用逐步回归方法建立逐月入库流量预报模型。结果表明,影响尼尔基水库逐月入库流量的气象因子主要有北非副高脊线位置指数、极涡指数等,基于气象因子建立的逐步回归模型在尼尔基水库逐月入库流量的预报中具有较好的适用性,可为尼尔基水库水资源调度提供依据。

贝叶斯概率水文预报系统在中长期径流预报中的应用

采用贝叶斯概率水文预报理论制订水电站水库中长期径流预报模型,以概率分布的形式定量地描述水文预报的不确定度,探索概率水文预报理论及其应用价值。采用气象因子灰关联预报模型处理输入因子的不确定度,将实时气象信息和历史水文资料有效结合,突破传统确定性预报方法在信息利用和样本学习方面的局限性,以提高水文预报的精确度。以丰满水电厂水库为例对所建模型进行检验,模拟计算结果表明,该模型与确定性径流预报方法相比,不仅有利于决策人员定量考虑不确定性,而且在期望意义上提高了径流预报精度,具有较高的应用价值。

神经网络技术在水文系列中长期预报中的应用

运用人工神经网络技术的基本原理,以降雨量作为基本影响因子,建立了流域年径流量的神经网络预报模型.在建模过程中,为保证计算快速收敛,重新定义了权重增量的计算公式.从两个流域的应用实例资料验证表明,模型基本合理、可靠,具有较好的适应性和预报精度.由模型计算结果可以看出,将人工神经网络技术应用于流域年径流量的预报研究,是以系统的观点将降雨与径流作为输入和输出联系起来,它可为流域径流的中长期变化预测提供一条崭新而有效的途径.

基于WA-GRNN模型的年径流预测

针对传统的中长期水文预测方法由于缺乏对水文要素本身内部结构和变化特性的描述,往往导致建模过程中确定模型结构、参数等存在盲目性,而以往常用预测模型收敛速度较慢、模型结构及参数优化复杂等问题,将小波分析(WA)和GRNN神经网络联合使用,建立了中长期水文预测模型:即先应用WA揭示水文序列内部结构及变化特性,从而将原序列分为确定性成分和随机成分两部分,然后利用GRNN神经网络对确定性成分和随机成分分别进行模拟预测,最后将两部分结果叠加作为最终预测值。将该模型用于沱江中上游三皇庙水文站年径流的预测,并与传统方法进行对比。结果显示该模型预测效果较传统方法更好,能有效地揭示序列的时频结构和变化特性,对于生产应用具有较强的实际意义。

基于WA、ANN和水文频率分析法相结合的中长期水文预报模型的研究

针对传统中长期水文预报方法模拟预测结果精度低、未考虑水文不确定性因素的影响等问题,本文将小波分析(WA),人工神经网络(ANN)和水文频率分析法联合使用,建立了不确定性中长期水文预报模型:即在应用WA揭示水文序列变化特性的基础上,将原序列分为主序列和随机序列两部分,然后利用ANN对主序列进行模拟预测,对随机序列进行水文频率分析,最后将两部分结果叠加作为最终预测值。将该模型用于黄河河口地区作中长期水文预报,并与传统方法作对比,进行模型验证。结果显示:该模型能同时揭示序列的时、频结构和变化特性;预报值结果精度高;且合格率高;能定量分析和描述水文不确定性因素对预报结果的影响,可得到不同频率对应水文序列的模拟预测值。因此该模型的预报结果更加合理有效,对实际生产应用更具有指导意义。

多因子逐步回归周期分析在中长期水文预报中的应用

利用多因子逐步回归周期分析法建立长江宜昌站年平均流量的中长期水文预报模型．结果表明：所选优势因子主要是一组反映冷暖空气活动的指数，冷暖空气的活动和强度对宜昌的年平均流量影响很大；各优势因子的优势隐含周期4～9个不等，且普遍都具有25a和22a的变化周期；多因子逐步回归周期分析法对长江宜昌站年平均流量的拟合和试预报合格率都达到了100％，具有较高的可信度．

基于气象因子的中长期水文预报方法研究

气象因子与径流序列在物理成因上有着比较密切的关系。基于此,对气象因子与径流的关联性进行空间上的变异分析。先对气象因子进行R型主成分分析,然后选择出影响径流量的主因子,计算因子得分,通过聚类分析进行径流量的定性预报。实践证明,此种方法有很好的可靠性,值得应用和推广。

基于SpringBoot框架的中长期水文预报系统设计与开发

鉴于中长期水文预报能有效为宏观防洪形势分析和水资源管理提供科学依据,提出了Java环境下基于SpringBoot框架开发的中长期水文预报系统。该系统集成了包含随机森林、支持向量机、小波分析、贝叶斯模型平均等多种模型方法的Python模型库以提高开发效率;采用了基于RabbitMQ技术的异种语言调用与基于RESTful技术的轻量级接口设计以降低系统响应时间。并搭建了全国主要江河流域共10个断面的中长期水文预报系统作为示例进行分析,实现了中长期水文预报业务化运行,可为同类系统开发提供参考示范。

基于EMD和LS-SVM的中长期径流预报

提出将EMD与LS-SVM模型相耦合的新的径流中长期预测方法,采用EMD分解年径流序列,应用LS-SVM模型预测和重构IMF分量。基于岷江紫坪铺水文站年径流资料预测和检验该模型,并与单独的LS-SVM模型及BP神经网络模型比较。实例结果表明,该方法预报精度高,预测径流行之有效。

雨季段中长期预报模糊聚类模型及其应用

为了克服对中小流域作径流预报时收集预报因子的困难 ,在中长期径流模糊聚类预报模型基础上 ,结合径流的周期变化规律 ,提出了雨季段中长期模糊聚类预报模型。该模型从雨季段径流的周期性规律中提取预报因子 ,把模糊聚类预报模型从年径流预报推广至雨季段径流预报。在对丰潭水电站雨季段径流的预报中 ,取得了满意的结果。

基于灰色系统与RBF神经网络的中长期水文预报

及时、准确的中长期水文预报能有效促进水库管理优化。以非汛期各月径流量为预报因子,通过计算所需预报年份与已有径流资料历史年份的预报因子之间的灰色关联度,遴选出与该年灰色关联度较大的年份作为代表年份。采用MATLAB数学软件构建RBF神经网络预报模型,利用选定的代表年份径流量对目标年份汛期径流量进行预报。以清河水库为例,用该模型预报汛期径流量。结果表明,模型简单可操作、运行速度快、预报效果好。

智能预报模式与水文中长期智能预报方法

建立了以模糊优选、BP神经网络及遗传算法有机结合的智能预报模式与方法。在应用该方法进行中长期水文智能预报时,首先选取训练样本的数量,根据预报因子与预报对象的相关关系得到相对隶属度矩阵;再将其作为BP神经网络输入值以训练连接权重;最后将得到的连接权重值用于预报检验。计算结果表明,智能预报模式与方法的运行速度、精度及稳定性都达到了实际应用的要求。

中长期水文预报方法研究综述

由于中长期水文预报对于水资源规划管理、水库及水电站调度具有的重要意义,其研究一直受到学术界和工程界的广泛关注。通过围绕其传统预报方法成因分析、数理统计方法和时间序列分析技术,和其现代的人工智能预报技术,包括模糊分析、人工神经网络、灰色系统分析、小波分析、混沌分析、支持向量机、遗传程序设计以及这些方法的相互耦合等进行的全面介绍和评述,并指出将来中长期水文预报的进一步研究方向。

基于改进灰色-周期外延模型的中长期水文预报

通过分析灰色系统理论和周期分析方法在水文预报中的各自特点,建立了灰色-周期外延组合预报模型。针对模型预报误差,采用AR(p)模型对误差序列进行拟合和预测,并据此对原模型预测值进行校正。将改进后的模型应用于中长期径流预报实例计算中,结果表明,改进后的模型更好地利用了实测系列的信息,具有更高的预报精度。

水文周期迭加预报模型的改进及应用

周期迭加预报是中长期水文预报的一种实用模型。针对该模型中用方差分析方法无法处理而舍弃的最终残余系列,提出了最终余波概念及相应的分析方法,实现了对最终余波的信息挖掘利用。应用结果表明,改进后的模型更好地利用了径流系列的信息,提高了预报的精度。

基于神经网络的中长期径流预报时间尺度研究

为探究预报时间尺度选择对中长期径流预报精度的影响,以长江流域上游的寸滩站和宜昌站、中游的螺山站和汉口站以及下游的大通站各33年的流量资料为基础,采用人工神经网络方法,分别选取年、季、月、旬及3日五个预报时间尺度,以1981-2000年作为率定期,2001-2012年作为验证期,对5个水文站的径流进行模拟和预报,并比较其计算结果误差。研究结果表明,随着预报时间尺度的加大,径流模拟和预报的误差先增大后减小,从整体水平来看,月尺度的计算误差最大,3日尺度和年尺度的误差最小。研究结果对实际径流预报工作具有一定的指导意义。

时间序列分解模型在水文要素中长期预报中的应用

基于时间序列分解法，建立了降雨、水库来水的中长期预报模型。引入灰色系统理论来分离趋势项，并应用反馈模拟校正技术对预报结果作出实时校正，从预报结果可以看出，所建模型具有较好的适应性和预报精度。