半湿润流域洪水预报实时校正方法比较

为了提高新安江模型在半湿润流域的洪水预报精度,选择K最近邻(KNN)算法、传统的误差自回归(AR)方法、反馈模拟方法3种实时校正方法,以陕西省陈河流域为试验对象进行洪水预报。以洪峰相对误差和纳什效率系数为评价指标,分析对比3种方法的校正效果。结果表明:3种校正方法均能提高预报纳什效率系数,其中反馈模拟最优,AR、KNN效果次之;反馈模拟对洪峰误差校正相比于KNN算法在短预见期内更为精确,两者均能减小AR法在洪峰误差校正上的不足;加入历史样本的KNN算法在洪峰误差校正上效果优于反馈模拟,可有效提高洪水预报精度。     

新安江模型和支持向量机模型实时洪水预报应用比较

选择新安江模型和支持向量机模型分别在浙江省、陕西省的4个流域进行实时洪水预报,并使用K-最近邻实时校正法对新安江模型预报结果实时校正,比较2种模型在不同流域的应用效果,其中选择确定性系数、峰现时间误差、洪峰相对误差和均方误差作为模型预报评价指标。进一步改变预报预见期并分析2种模型在不同预见期内的预报精度。研究结果表明,新安江模型和支持向量机模型在不同流域洪水预报中各有优势,支持向量机模型预报精度受降雨精度影响较大。当预报预见期较长时,新安江模型预报结果更好;随着预见期缩短,支持向量机模型预报精度显著提高,在短预见期实时预报中支持向量机模型优势更明显。在预报难度较大的半湿润半干旱流域,新安江模型和支持向量机模型在率定期和实时预报过程中均具有较高精度。     

水动力学模型实时校正方法对比

选择典型的实时校正方法:传统的误差自回归、基于K最邻近算法(KNN)的非参数校正及基于Kalman滤波的多断面校正法,并以Kalman滤波与KNN结合构造综合方法,以淮河流域吴家渡—小柳巷区间作为试验河段,构建一维水动力学模型并与实时校正方法联合应用。简要介绍这4种方法的原理与模型构建方法,然后对比分析各种方法的模拟结果,尤其对模拟洪峰稳定性、峰现时间、峰现误差等进行比较,认为前3种基本方法均能在相当长的预见期内提高洪水的预报精度,而综合法实时校正法对洪峰部位的模拟更为稳定可靠、总体效果更好,更适合预报校正工作的需要。     

秦淮河水文水动力模型及实时校正

为了解秦淮河的径流规律及特征,针对秦淮河流域的地形、水系、产汇流特性、水利工程及下游潮位特征,构建了秦淮河流域水文水动力模型,计算了秦淮河水系主要计算断面的水位流量过程,并选择K最近邻算法(KNN法)和反馈法两种实时校正方法对模拟结果进行校正。结果表明,以各洪水场次的洪峰相对误差和纳什效率系数作为评价指标,秦淮河流域水文水动力模型模拟效果良好,经实时校正后,模拟精度得到了进一步提高,可用于流域的洪水预报。     

水文水力学结合的秦淮河流域洪水模拟与实时校正

针对以栅格新安江模型为代表的分布式水文模型在秦淮河流域洪水模拟预报中下游感潮河段应用精度受限的问题,以前垾村(秦)站为节点,上游采用栅格新安江模型计算产流,下游采用水动力学模型对受闸泵调度影响的感潮河段水位进行模拟,并采用K最近邻(KNN)法和反馈法对模拟结果进行实时校正。结果表明,采用KNN法校正后确定性系数为0.718～0.975,达到了乙等预报精度要求,可用于秦淮河流域洪水模拟预报。     

基于雷达测雨的实时洪水预报模型

实时洪水预报系统通常会伴随系统误差,即模型误差和观测误差．为了减小系统误差,本次研究尝试将雷达测雨技术、BP神经网络技术引入流域洪水预报中,并建立基于分布式水文模型的洪水预报模型．将该实时预报模型应用于史灌河流域．从预报的结果来看,该实时预报模型很好地解决了雷达遥感数据与水文模型的耦合,为在流域洪水预报中采用雷达测雨提供了先行的研究基础．     

改进的KNN实时校正方法在山区中小流域的应用

为提高山区中小流域实时洪水预报精度,提出了一种基于历史洪水学习的KNN实时校正方法(KNN-H法),并选择陕北黄土高原地区2个山区中小流域为研究区域,将其与传统KNN法和AR法进行对比,验证该方法的校正效果。结果表明:KNN法和KNN-H法的校正精度总体高于AR法；KNN法和AR法不能有效降低预报结果的峰现时间误差,而KNN-H法校正结果峰现时间误差比校正前有明显降低；KNN-H法通过对历史洪水预报误差的学习,可有效解决KNN法在实时校正中因为预热期资料不足导致的校正精度不高问题；当预报洪水过程处于涨洪或退水阶段时,KNN-H法能够快速定位到历史洪水的相同阶段,分析历史预报误差后迅速对当前预报值做出校正；总体上KNN-H法校正精度高于传统KNN法。     

基于集合卡尔曼滤波的新安江模型状态变量实时修正方法

为了提高洪水预报的精度,基于集合卡尔曼滤波,提出对流域中子流域中间状态量进行全状态量回溯修正方法。该方法根据每个子流域地貌特征和汇流时间不同,分别找出其相应的回溯时间,与新安江模型相结合对各个子流域特定时段前的中间状态量进行全状态量回溯修正,逐步降低误差的累积。采用理想模型验证,结果显示子流域中间状态量得到有效修正,洪量相对误差和洪峰相对误差减小,确定性系数提高。以大坡岭流域为例,采用该方法对流域12场历史洪水进行修正,修正结果表明此方法能有效提高洪水预报的精度,可在实际洪水预报中推广应用。     

基于短时临近降水集合预报的中小河流洪水预报研究

为了延长中小河流洪水预报预见期,建立了基于短时临近精细化网格降水集合预报的中小河流洪水预报模型。模型采用百分位映射订正技术,发展数值模式降水预报场与实况场映射关系,结合Bayesian模型,构建基于GRAPES-3KM模式和Time-Lag-Ensemble融合技术的短时临近降水集合预报(最优集成、最大(95%分位数)、最小(5%分位数))格点场,作为GMKHM(Grid-and-Mixed-runoff-generation-and-Kinematic-wave-based Hydrological Model)的降水驱动,进行中小河流洪水逐小时实时滚动预报。选择新安江屯溪流域作为试验流域,对2020年汛期流域大洪水进行实时预报。检验结果表明,基于短时临近最优降水预报的中小河流洪水预报模型提前了7 h预报出屯溪断面洪峰,洪峰误差为5.6%,峰现时差为-1 h,比不考虑预见期降水的中小河流洪水预报提前了4 h;基于短时临近最大、最小降水预报的中小河流洪水预报模型提前了13 h预报出洪峰区间,并且自7月7日9时起滚动预报最大与最小预报跨度呈逐渐减少趋势。在中小河流洪水预报中引入短时临近集合预报降水,对提升中小河流洪水风险防控能力有重要意义。     

数据驱动的中小河流智能洪水预报方法对比研究

近几年在洪水预报中,数据驱动洪水预报模型得到了广泛的应用,并取得了良好的效果,但是数据驱动模型大都用于大流域,很少用于小流域.中小河流大多位于资料短缺的山丘区,洪水具有突发性强,汇流时间快,预见期短的特点.为此分别构建了SVM模型、BP神经网络模型、RBF网络模型、极限学习机(ELM)模型,并利用所构建的模型对昌化流域进行预报;结果表明,SVM模型和RBF网络模型在低流量区段预测较准确,而且模型预报稳定;BP神经网络模型在高流量区段较准确,但是模型预报结果不稳定;ELM模型预报误差较大,而且预报不稳定;于是采用组合模型方式:低流量区段采用SVM模型或RBF网络模型,高流量区段采用BP神经网络模型,实验结果表明组合模型预报效果更好.     

给水厂混凝剂智能投加模型构建与应用

选取华东地区某给水厂生产中积累的数据建立加药量预测模型,以求在给水厂中实现混凝剂的智能投加。在数据清洗时,针对水厂运行实际情况,结合局部离群因子（LOF）算法、K最近邻插补（KNN）算法与平滑滤波算法对随机误差进行处理。同时在建模前使用灰色关联度分析评估了各原水指标与混凝剂加药量的联系,对联系较为紧密的原水指标进行混凝机理的分析。模型选用BP神经网络,并使用贝叶斯优化算法对模型的参数寻优,建立了多个模型进行评估,其中最优模型在测试集6万个样本上的平均绝对误差为3.66 L/h,结果表明最优模型能够准确预测混凝剂加药量。在此基础上,展望将建立的智能投加模型应用于水厂加药系统中,帮助水厂加药系统的智能化改造方案的实施。     

Classification by ALH-Fast Algorithm

The adaptive local hyperplane (ALH) algorithm is a very recently proposed classifier, which has been shown to perform better than many other benchmarking classifiers including support vector machine (SVM), K-nearest neighbor (KNN), linear discriminant analysis (LDA), and K-local hyperplane distance nearest neighbor (HKNN) algorithms. Although the ALH algorithm is well formulated and despite the fact that it performs well in practice, its scalability over a very large data set is limited due to the online distance computations associated with all training instances. In this paper, a novel algorithm, called ALH-Fast and obtained by combining the classification tree algorithm and the ALH, is proposed to reduce the computational load of the ALH algorithm. The experiment results on two large data sets show that the ALH-Fast algorithm is both much faster and more accurate than the ALH algorithm.     

BP模型在降雨径流预报中的应用研究

简要介绍了人工神经网络用于洪水预报的基本原理,对降雨径流预报的网络模型进行了改进。为了避免陷于局部极小值和缩短学习时间,采用了改进的自适应BP算法进行洪水预报,开发了基于BP模型的洪水预报系统,并经过山西省文峪河水库的实测资料进行了预报,取得了令人满意的精度。     

基于改进K最近邻算法的中文文本分类

针对文本分类存在的高维文本问题,提出文档频率(DF)-卡方统计量特征提取方式,对特征项进行有效约减,降低文本维度,提高分类精度.在K最近邻(KNN)算法的基础上,针对待分类文本需要和大量训练集样本进行相似度计算的问题,提出一种基于分组中心向量的KNN算法,对类别内的样本集分组求出各组中心向量,使其重新代表训练库计算相似度,降低计算复杂度,提升算法的分类性能.通过实验表明:相较传统KNN算法,改进的算法在准确率、召回率及F值方面都有提升,与其他分类算法相比,具有一定的优势.     

考虑降雨中心的遥测降雨三步修正

分析流域降雨的分布规律,在遥测三步降雨误差抗差修正的基础上,进一步改进降雨中心的权函数,提出考虑降雨中心的抗差修正方法.运用闽江七里街流域1988~1998年45场洪水的暴雨资料,比较考虑降雨中心和不考虑降雨中心2种方法的修正结果和探测效率,结果表明,考虑降雨中心的方法增强了修正结果的稳定性,提高了实时洪水预报的精度.