山区小流域洪水预报实时校正研究

为了解决现有实时校正方法对山区小流域洪水进行校正能力不足的问题,引入K最近邻算法用于洪水预报实时校正。以安徽省沙埠流域为试验流域,构建基于K最近邻算法的实时校正模型,同时采用BP神经网络实时校正法和传统的误差自回归方法,以洪峰相对误差和确定性系数为评价指标,分析各校正模型的校正结果。结果表明:基于K最近邻的实时校正法对确定性系数改善最优,BP神经网络实时校正法对洪峰误差校正更精确;将历史洪水资料纳入学习样本后,基于K最近邻的实时校正法的校正能力将进一步提升。基于K最近邻的实时校正法能够有效避免误差自回归方法对洪峰误差控制较差的缺陷,适应性强,反应灵敏,精确度高,可作为山区小流域洪水预报实时校正的有效工具。     

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。     

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。     

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。     

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。     

基于实时校正和组合预报的水文预报方法研究

基于实时校正和组合预报方法,提出了3种有效减小预报误差的耦合模型,即先实时校正后组合预报、先组合预报后实时校正以及实时校正组合预报一体化模型,并以牧马河流域为例,开展了例证研究.结果表明:3种耦合方法均能显著地减小预报误差,提高水文预报精度,其中实时校正组合预报一体化的方法效果最优.     

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。     

五强溪水库近坝区洪水预报方法研究

针对五强溪水库近坝区洪水预报难度大、预报精度难以满足实际需求的现状,基于历史暴雨中心分布与流域产汇流特征划分单元流域,采用三水源新安江模型构建入库洪水预报新方案进行参数率定和历史洪水模拟,并综合剖析了洪水预报误差的主要原因。研究结果表明,构建的洪水预报新方案能够取得较高的洪水预报精度,在2021年实时洪水预报作业中取得了良好的应用效果。流域内水利工程泄洪资料的缺失是目前造成洪量及洪峰模拟误差的主要原因。     

存在阵元位置误差时的信号DOA估计

在超分辨测向领域 ,阵元位置误差往往会导致测向性能急剧下降 ,因此必须进行有效的校正。该文基于子空间基本原理 ,提出了一种有源校正法 ,其优点在于收敛速度快、所需校正信号的方向不必准确已知。计算机模拟结果表明 ,采用该方法完成误差校正之后 ,通过修正的MUSIC算法就能实现对信号DOA的精确估计     

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。     

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。     

雷达估测降雨与水文模型的耦合在洪水预报中的应用

尝试将雷达降雨数据作为水文模型的输入用于洪水预报中．流域面上的降雨分布是不均匀的．比较雨量计和雷达两种方式估测的降雨场分布,后者更接近于实际情况．从流域地形分布来看也证实了这一点．从实时洪水预报的角度出发,选择进行校准雷达降雨的雨量站个数与水情部门采用的报汛站的个数接近．由于雷达估测的降雨数据为分布式的降雨数据,需要采用分布式的水文模型．结合淮河史灌河流域蒋家集站进行洪水预报,预报结果表明,雷达测雨在洪水预报中具有广泛的应用前景.     

KNN算法及其在月电量预测中的应用

目前对用电量的预测方法很多,本文利用数据间的相关性,应用改进的KNN分类算法,提出了基于KNN分类算法的月用电量模型,并进行试验预测．预测结果表明此方法简单、有效．     

基于自适应自回归模型的非线性流量负荷预测

针对新一代移动数据业务(MMS,KJAV,WAP)具有复杂的非线性特性和不平稳特性,采用鲁棒Kalman滤波算法,提出了一种自适应自回归滑动平均模型(AARMA),并将其应用于移动数据业务负荷预测中。实际预测结果表明,即使是对变动大且不稳定的移动业务流量,自适应ARMA模型稳定,预测精度高,且预测误差的白噪声特性明显。     

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．     

基于观测误差调整的集合预报同化方法?

集合卡尔曼滤波对预报方差阵的估计不准,导致了滤波发散.为解决此问题,我们从状态与观测的关系出发,提出一种判断预报误差方差阵估计是否准确的准则.在此基础上,我们构建了基于观测误差控制的一种膨胀集合预报同化方法.数据模拟结果表明,与其他膨胀EnKF相比,这种方法能很好地克服滤波发散现象,其均方根误差更小,其长时间估计结果更为稳定,且构造更为简单,计算效率更高,是克服EnKF滤波发散现象的理想途径.