汉江安康站最大径流量的动态预测模型研究

用平稳时间序列的ＡＲＭＡ（ｐ，ｑ）模型分析法，分析了汉江安康站１９４３年到１９９５年共５３年最大径流量的水文资料，建立了陕南汉江安康站最大径流量的中短期动态预测数学模型。经对１９９６年和１９９７年的最大径流量进行预测，结果与实际相吻合。     

汉宽安康站最小径流量的动态预测模型研究

本文用平稳时间序列的ARMA（p,q)分析法,分析了汉江安康站1943年-1996年共54年的最小径流量的水文资料,建立了陕南江汉安康站最小径流量的中短期动态预测数学模型,经过1997年的最小径流量进行预测,结果与实际相吻合。     

陕南汉江安康站径流量年际变化规律的研究

用功率谱和周期图两种谱分析的统计方法，研究了陕南汉江安康站1943年－1997年共55年最大径流及最小径流量年际变化规律，得到了中国西部汉江安康站最大径流量具有4－6年，8－10年，25－27年的准周期振荡，最小径流量具有7－9年，17－18年的准周期振荡的结论。从而为我国水文部门探寻汉江上游径流量年际变化规律提供了科学依据。     

气候变化对汉江流域上游水文极值事件的影响

应用统计降尺度法,建立GCM和HBV流域水文模型耦合关系,分析和预测未来气候变化A2、B2情景下汉江流域径流量的变化情况.通过极值频率分析可以得到,2种情景下,相对于1961-2000年,汉江流域上游2011-2100年的径流量具有增加的趋势,洪水可能会更加频繁发生,并且A2情景较B2情景下洪峰流量更大.     

长江大通水文站径流量的时间系列分析

为了研究长江入海径流量的变化规律,用小波分析方法和Hilbert-Huang变换分别对长江大通水文站1950-2004年的逐月平均径流量时间序列进行了分析,得到了长江入海径流量的长时间的演变特征和突变特征.结果显示,其月径流量具有10年以上、8年、4年、1~2年左右以及1年以下的周期性变化.这些周期震荡主导着长江入海径流量的变化,对长江入海径流量的变化规律的分析及短时预测具有十分重要的实际意义.     

河南新乡合河水文站径流量时序特征分析及预测研究

为有效掌握合河水文站径流量时序特征及其后续变化规律，以合河水文站1958—2021年径流量数据为基础，先统计分析合河水文站的径流量时序特征，再利用所构建的ISFLA-RVM-Arima模型对合河水文站开展径流量预测研究.分析结果表明：1958—2021年合河水文站的年径流量波动特征明显，其年径流量最大值为36.47亿m³，年径流量最小值为0.94亿m³，年径流量平均值为5.73亿m³.通过对比分析验证了所构建的ISFLA-RVM-Arima模型具有较优的径流量预测精度，在径流量预测中具有适用性.利用所构建的ISFLA-RVM-Arima模型对2022—2024年合河水文站的年径流量进行了外推预测，该水文站2022年的年径流量预测值为1.023×10⁸m³,2023年的年径流量预测值为2.781×10⁸m³,2024年的年径流量预测值为2.477×10⁸m³.本研究可为合河水文站的防汛防灾提供...     

基于RBF神经网络水文过程均值遍历特征分析

提出了利用系统聚类、自相关趋势图和径向基函数神经网络对水文过程的均值遍历性特征进行研究,并以黄河流域的兰州降水站、汉江流域的安康降水站为例,进行了具体的计算和分析,结果表明:兰州站和安康站的8月份降水历时过程具有均值遍历性特征的趋势.最后利用离差系数印证和解释了所得结论的合理性.同理,也可以将这一研究思路应用于径流、蒸发等其他水文过程的遍历特征分析.     

改进小波-ARMA分频模型在径流预测中的应用

在简要分析径流影响因素的基础上,将改进的小波-ARMA分频模型应用到年径流预测中.讨论不同小波分解方式和拓延方式下沱沱河站年径流量预测,并将预测效果与其它3种模型预测进行比较.经过实证研究结果表明:整体分解方式下模型预测精度高,分步分解方式下模型实用性强.该方法拓宽了小波分析理论在影响因素不稳定条件下年径流量研究的应用范围,为径流量的短期科学预测提供了一种新方法.     

八宝河径流预测研究的灰色数学模型

当前用水日趋紧张的情况下,年径流量预测对合理开发和优化利用水资源,更好的制定区域社会经济规划具有十分重要的的意义。本文采用灰色系统理论,对八宝河祁连站2001-2014年的年径流量数据建立灰色数学模型,对2015~2018年年径流量进行预测,分析该方法在八宝河径流预测中的适用性。     

基于误差修正模型的河川年径流量预测研究

对河川径流量预测进行了研究.考虑到年平均水位与年径流量关系密切,误差序列一般不是白噪声序列等因素,用传统的预测模型预测效果不佳.误差修正模型不需要假定误差序列是白噪声序列,只要变量间存在协整关系.利用年平均水位与年径流量的协整关系建立误差修正模型,并加以分析,得到了更好的预测模型.     

基于贝叶斯正则化神经网络的径流长期预报

针对神经网络用于径流长期预报时,网络结构过于复杂而易出现过拟合的问题,采用主成分分析和贝叶斯正则化神经网络对预报模型进行改进.首先利用主成分分析对输入因子进行降维和优化,然后通过贝叶斯正则化对网络权值的限制来简化网络结构,从而有效地抑制过拟合.对嫩江流域江桥站年平均径流的仿真结果表明,贝叶斯正则化神经网络结合主成分分析的预报方法,可以显著地提高泛化能力和预报精度,而且网络收敛也比较稳定.     

极大熵谱在径流时间序列周期分析中的应用

针对年径流序列存在多年变化周期,但径流时间序列变化受诸多因素影响,存在着多种不确定性的情况,笔者采用极大熵谱分析来提取径流时间序列的周期成分,对黄河上游贵德站年径流时间序列进行周期分析,得出贵德站具有12.5,5.9,4和3年的主周期。结果证明该方法可行,同时其结论为研究径流预测提供了科学的依据。     

基于LSTM网络鄱阳湖抚河流域径流模拟研究

水文预报及其径流变化趋势预测能够为防汛工作提供辅助决策,是水库调度兴利的重要手段.与传统分布式水文模型相比,利用长短期记忆网络(LSTM)建立降雨径流预报模型具有简单可行和精度较高的优点.该文以鄱阳湖抚河流域为研究对象,采用抚河流域的降雨和径流数据分别作为模型驱动数据和标签数据,通过LSTM网络实现抚河流域的径流模拟工作.结果表明：在使用气象站数据建立的日尺度径流模拟模型中,模拟结果与实测值相关性均达到0.9以上,偏差在±5%以内,模型表现非常好;在使用TRMM数据建立的月尺度模型中,整体模拟结果与实测值相关性在0.9以上,整体偏差在±5%以内,模型表现优秀.     

甘肃河西区出山径流统计特性分析与预测

根据甘肃可西区出山口水文站最新径流资料,对该区年、月径流统计特性（如自相关性、长持续性、径流年代变化、趋势性、周期性及年内变化等）利用Hurst系数、简单分波法等进行了分析,建立了该区年径流统计预测模型,结果表明该区年径流存在着明显的趋势性及长持续性,50年代径流偏丰,90年代有偏枯趋势,建立的时间序列预测模型,做出两步预测,相对误差可控制在20％以内。     

基于CEEMD-BP模型的水文时间序列月径流预测

水文时间序列月径流预测在水资源的规划与管理方面具有重要的作用,由于径流序列的非线性和非平稳性,对其准确地进行预测较为困难. 本文基于1956—2013年青海湟水河流域月径流序列,将完备的集合经验模态分解方法（complete ensemble empirical mode decomposition, CEEMD）与BP神经网络组合进行月径流预测. 结果表明:组合模型CEEMD-BP和EEMD-BP相比于单一的BP神经网络,可以更好地保留原始数据的信息,预测效果更好,其中CEEMD-BP在组合模型中的预测精度更高,可用于水文时间序列月径流预测.      

喀斯特流域地貌类型对枯水径流特征的影响分析

从水文地貌流域系统的角度出发,分析喀斯特流域地貌类型与枯水径流的关系,并作枯水流量频率分析计算,按地貌形态组合类型把流域分为喀斯特流域、喀斯特化流域和非喀斯特流域3种类型,初步建立喀斯特流域地貌类型对枯水影响的回归方程并检验,揭示喀斯特地区枯水径流的规律,为分析和预测枯水径流提供理论依据。     

基于EWT-PSO-Elman耦合模型在径流预测中的应用

由于径流序列的非线性和非平稳性,单一预测模型能力有限,难以做出准确预测。因此,论文基于澄碧河流域坝首站1979-2019年共41a的实测月径流序列,引入经验小波变换分解(EWT)、粒子群算法(PSO),建立一种基于Elman神经网络的组合月径流预测模型(EWT-PSO-Elman),并采用纳什效率系数(NSE)、平均相对误差绝对值(MAPE)和均方根误差(RMSE)对测试集的预测结果进行评价与分析,并将预测结果与EWT-PSO-BP、PSO-Elman、PSO-BP、Elman、BP模型进行比较。结果表明：EWT-PSO-Elman模型的纳什效率系数为0.9135,均方根误差为19.4511,预报等级为甲级,具有较好的预测精度和泛化能力;EWT-PSO-Elman模型的预测精度优于EWT-PSO-BP、PSO-Elman、PSO-BP、Elman、BP模型。可见,EWT-PSO-Elman模型具有更好的预测精度,可应用于径流预测研究中。     

梅江流域1958—2000年径流量变化特征分析

基于梅江流域尖山、水口、横山水文站19582000年实测径流量数据,运用统计分析法分析梅江流域径流量的年内变化特征,采用Mann-Kendall（M-K）法、R/S分析法和Morlet小波分析法分析其年际变化特征．研究表明:（1）19582000年,梅江流域径流主要集中于59月,最大月径流量在6月,最小月径流量在1月,且越往下游9月份的径流峰值越明显;（2）梅江径流量整体呈现增长趋势,从上游到下游径流增长趋势越来越明显,除了秋季外,春夏冬三季增长率从上游往下游不断下降;（3）流域径流在19721978年之间发生突变;（4）梅江流域年径流有4、9、18 a准周期,且主要表现为大尺度上的周期性,根据径流的主周期18 a推测,梅江流域整个时间序列上的年径流呈现多-少-多-少-多-少的循环交替特征,推测20002018年将一直处于少径流期,R/S分析法检测结果也表明在未来一段时间内径流可能会减少．