径流组合预测方法的选择跟其运用新

格式：pdf
大小：400.62 KB
文档页数：8

下载文档原格式

/ 8

组合法在河涌水质预测中的应用

组合法在河涌水质预测中的应用发布时间：2021-04-02T11:25:39.370Z 来源：《基层建设》2020年第29期作者：冯杰荣[导读] 摘要：水是生命之源，是人类必须依赖一种资源，保护好水就等同于保护人类自己。

广东柯内特环境科技有限公司广东佛山 528000摘要：水是生命之源，是人类必须依赖一种资源，保护好水就等同于保护人类自己。

但是，当前的水质污染越来越严重，尤其是现代城市。

河涌属于现代城市的一大排污途径，其污染情况更为严重，所以分析、预测污染情况，并提出有效的处理方案意义深远。

但是考虑到河涌水环境十分复杂且广泛存在不确定性因素，通过单一化模型一般只能预测其中的一定因素。

唯有组合多种模型方法，方能较为准确预测水质情况。

基于此，本文主要探讨了在预测河涌水质中的组合法应用，仅供参考。

关键词：水质预测；组合法；推广应用随着经济的增长、国民生活品质的提升，天然水体的污染越来越重。

其中存在诸多种污染物，其浓度直接影响水体质量。

所以，预测水体污染物浓度、研究水质变化，有着非常大的作用。

但是，河涌水质存在较多随机影响因素，单一化模型存在一定的预测误差，整体精度十分有限。

所以，本文提出了一种组合法预测模型，以降低预测误差、提高预测精度。

一、在预测河涌水质中应用组合法的必要性现阶段，在水质预测领域，存在一些预测方法模型，但是在适用条件、主要建模机理上却不尽一样，并且具有程度各异的局限性。

加之河涌的污染因素众多，水中污染物具有更加复杂多变的迁移、转化现象。

所以，单一化的预测模型局限性十分明显，难以描述这种水体的复杂过程。

一般而言，会组合一些方法来基于类型各异的模型，形成一个综合化的预测模型，以达到预测水质的目的。

在RBF神经网络模型中，径向基是一种神经元隐含基，并且构成了隐含空间，在隐含层能够自由改变所输向量，完成从低维度转向高维度的过程，进而解决更加复杂的问题。

这种径向基网络函数具有很明显的输入输出优势，并且迫使径向基函数被十分广泛地应用在预测等领域。

水文预报重点总结(河海)

水文预报重点总结一、选择题二、填空三、简答四、计算五、综合分析第2章降雨产流量预报1。

降雨径流预报：研究流域内一次降雨将产生多少径流量、径流量的时程分配及径流成分的划分. 23。

两种产流方式特点和区别: 蓄满产流:1）概念：在湿润及半湿润地区，植被较好,表土的下渗能力很强，一般的雨强难以超过。

由于湿润,地下水位较高,包气带缺水量不大,易于被一次降雨所满足.这种产流方式的特点是降雨与总产流量的关系只决定于前期土湿,与雨强无关，叫做蓄满产流。

单点产流公式： 2）基本原理：任一地点上，土壤含水量达蓄满(即达田间持水量）前，降雨量全部补充土壤含水量，不产流；当土壤蓄满后，其后续降雨量全部产生径流。

超渗产流:1）概念：在我国干旱地区，特别在植被较差处，雨量稀少,地下水埋藏深，且包气带下部常为干。

由于包气带缺水量大，一般降雨不可能使包气带达到田间持水量.但植被差，土质贫瘠，下渗能力低。

产流的方式主要是雨强超过渗强而形成地面径流,成为超渗产流：当当有些地区产流方式比较复杂，表现出过渡性,蓄满及超渗兼有。

2）基本原理：当PE 〈=F ，RS=0,当PE>=F ，RS=PE —F ，一般，干旱地区降雨强度大,历时短，E 可忽略,PE 可由P 代替.0()R P E WM W =---:,0;s g i f R i f R >=-=:0s g i f R R <==4。

蒸发关系概化:流域蒸散发有：土壤蒸发E S （影响最大）、植物散发E PL 、水面蒸发E W 流域蒸发影响因素：（1）气象要素：太阳辐射、气温、风速、湿度、水汽压等；(2）植被覆盖：覆盖率、植被种类、植被生长季节等；(3)地貌特征：水面、陆面、都市区、朝阳坡、背阴坡；(4)土质:沙地、粘土、土质空隙度等；（5)土湿5.一层、三层蒸发模型：一层蒸发模式：E S =E S (E P ,W ）三层蒸发模式：上土层（EU, WU,WUM ）蒸发量：EU=E P下土层(EL, WL ，WLM)蒸发量：EL=E P .WL/WLM 深土层（ED ， WD,WDM ）蒸发量：ED=C.E P 土壤蒸发量：E=EU+EL+ED （同时刻相加） 1)当WU+P 〉=E P ，EU=E p ，EL=0，ED=0;2）当WU+P<E P ， WL 〉=C.WLM ，EU=WU+P,EL=（E P -EU ）*WL/WLM ，ED=0; 3)当WU+P 〈E P ， C 。

河流水位预测方法研究

河流水位预测方法研究河流是大自然中最重要的自然资源之一，为人类提供饮用水、灌溉水和能源等多种资源，同时也给人类带来了不少灾害。

因此，对河流的水位进行预测显得尤为重要。

本文将对河流水位预测方法进行研究，探讨不同预测方法的优缺点以及其应用场景。

一、传统方法传统的河流水位预测方法是基于统计学模型的，如ARIMA、指数平滑、回归等。

这些方法的基本思想是利用历史数据对未来进行预测，依据是“历史会重演”。

这些方法具有简单、易用的特点，并且可以处理各种类型的数据。

但是，这些方法都是基于假设数据是平稳的。

而一些河流水位数据实际上是非平稳的，因为受到了不同的气象、地质、地形、人为因素等的影响。

所以，这些传统方法存在一定的局限性。

二、机器学习方法目前，随着机器学习算法的不断发展，人们开始尝试将机器学习应用于河流水位预测。

机器学习方法可以自适应地学习数据的特点，并通过建立模型对未来进行预测。

在机器学习方法中，常见的算法有神经网络、支持向量机、决策树等。

相比传统方法，机器学习方法更适合解决非平稳数据的预测问题。

以神经网络为例，它是一种基于人类大脑神经元工作原理的模型。

它可以通过学习样本来自适应地构建模型，并可以预测未来的输出结果。

神经网络算法具有高度的灵活性和适应性，可以处理多种类型的数据，并且其预测精度通常比传统方法更高。

但是，神经网络算法也存在一定的局限性，例如需要大量的数据进行训练，并且对模型的解释性不够强。

三、深度学习方法深度学习是机器学习的一个分支，它可以让程序自动地进行特征提取，并通过分类或回归等方式得到输出结果。

深度学习通常需要大量的数据来进行训练，但是其精度比传统方法和机器学习方法都更高。

近年来，深度学习在河流水位预测领域也得到了广泛应用。

例如，基于深度学习的方法可以通过对气象、地形等多种因素进行分析预测未来的水位。

需要指出的是，尽管深度学习的预测精度很高，但是其运算速度较慢。

因此，当预测的时间周期较短时，深度学习并不一定是最有效的方法。

差分进化优化参数的LSSVM中长期径流预测

第一作者简介：金（９２）男，徐松１７一，湖南省隆回县人，讲师，硕士研究方向：系统建模与预测。Ｅｍｉｐｐｒ０１６．ｏ。复杂 — ａ：ａｅ０＠１３ｃｒｌ＿ｎ
６５９６
科
学
技
术
与
工
程
／）＝Ｗ（【）＋ｂ
（）１
出的一种随机搜索优化算法ＪＥ算法已被证明。Ｄ
在稳定性和收敛速度方面都超过了遗传算法、粒子群算法等其他几种知名的进化算法ｌ。因此，Ｌ１引本文
针对最小二乘支持向量机模型参数难以确定的缺
定性和复杂性，并具有较强的非线性，传统的拟线
⑥
２１ＳｉＴｅ．ｎｒ．０２ｃｅｈＥｇｇ．
差分进化优化参数的ＬＳＭ中长期径流预测ＳＶ
徐松金龙文
（铜仁学院’ 数学与计算机科学系铜仁５４０；，５３０
贵州财经大学贵州省经济系统仿真重点实验室，贵阳５００５０４）
摘
差分进化算法是一种基于群体智能理论的优化算法，通过群体内个体间的合作和竞争产生的群智能指导优化搜索。其基本思想是：问题的搜索在
近年来，着计算机科学技术的发展，随以人工神经网络（Ｎ和支持向量机为代表的非线性建ＡＮ）
模方法在径流预测中取得了一定的研究成果＿ｏ。５．Ｊ
１Ｄ－ＳＶ组合预测模型ＥＬＳＭ

水文预报智慧树知到课后章节答案2023年下中南民族大学

水文预报智慧树知到课后章节答案2023年下中南民族大学中南民族大学第一章测试1.水文预报是根据已知的信息对未来一定时期内的水文状态作出（）的预测。

A:定性B:定性或定量C:定量D:半定量答案:定性或定量2.水文预报可以利用水文现象的（）来开展。

A:相似性规律B:确定性规律和统计规律C:确定性规律D:统计规律答案:确定性规律和统计规律3.预见期的长短随( )的不同而异。

A:预报项目B:预报条件C:预报人员D:技术水平答案:预报项目;预报条件;技术水平4.水文预报的方法有( )。

A:统计预报方法B:经验方法C:水文模型方法D:半经验方法答案:统计预报方法;经验方法;水文模型方法;半经验方法5.水文预报研究思路与方法包括( )。

A:模拟实验研究B:概化研究C:规律描述方法的物理化研究D:相似性研究E:分解研究答案:模拟实验研究;概化研究;规律描述方法的物理化研究;相似性研究;分解研究6.水文预报预见期增长，影响因素增多，偶然性加大，使得预报精度降低。

（）A:对 B:错答案:对7.洪水预报是防洪的非工程措施之一。

（）A:对 B:错答案:对8.水文预报方法研究以统计描述方法研究为核心。

（）A:对 B:错答案:错9.水文预报中应用最广泛的是对枯水和旱情的分析预报。

（）A:对 B:错答案:错10.水文预报工作程序分两步：制作预报方案、进行作业预报。

（）A:错 B:对答案:对第二章测试1.运动路径短，汇集速度快，受流域调蓄作用小，流量过程线陡涨陡落的径流是（）。

A:地面径流B:总径流C:壤中流D:地下径流答案:地面径流2.蓄满产流和超渗产流最本质的差别是（）。

A:地下径流产生比例的大小B:土壤缺水量的大小C:降雨强度对产流影响的大小D:流量过程线不对称系数的大小答案:地下径流产生比例的大小3.天然流域的蒸散发中最主要的是（）。

A:截留蒸发B:植物蒸散发C:土壤蒸发D:水面蒸发答案:土壤蒸发4.蓄满产流计算中采用（）来描述流域内土壤缺水量空间分布的不均匀性。

以供水、灌溉为主的水库径流调节计算方法综述

以供水、灌溉为主的水库径流调节计算方法综述摘要：水库径流调节是协调水资源分配、解决水资源供需矛盾的重要手段。

本文简要介绍了几种常用的径流调节计算方法：时历法、数理统计法和随机模拟法。

对比各方法的优点和缺点，给不同要求的水库径流调节提供不同的方法。

关键词：水库径流调节，时历法，数理统计法，随机模拟法中国法分类号：TV697文献标识码：A前言在一般工程设计中，确定工程规模主要根据需水量预测成果、径流资料和拟定的水库特征参数进行调节计算，根据水量平衡进行调节的计算的常规方法有时历法和数理统计法，另外,随着计算机手段的改进和计算机的发展，随机模拟法开始应用于水库径流调节。

国内鲜有系统介绍以供水、灌溉为主的水库径流调节计算方法，本文通过查阅大量文献资料，将水库径流调节计算方法框架化，为后来研究的学者提供相应参考。

1.时历法水库径流调节在国内使用时历法起于20世纪50年代，最开始以以人工手算或图解法为主。

时历法是根据过去按时历顺序的流量资料进行调节计算，再将调节后的调节流量、水库水位、库容的多年变化情况，绘制成相应的频率曲线，再供设计选择，也就是先调节后频率统计的方法。

时历法是一种确定性径流描述，采用流域内已发生的径流过程，来推算将来的径流过程，。

时历法概念明确，水库各种要素齐全，在大中型灌溉水库的规划、设计及管理阶段运用广泛。

当具有30年以上的较长系列时，可以给出调节后的利用流量、水库存蓄水量、弃水量以及水库水位等因素随时序的变化过程，计算结果简易直观，精度较高，便于考虑较复杂的用水过程和计入水量的损失。

适用于需水量随来水、水库水位及用户要求变化而变化的调节计算，尤其是复杂的综合利用综合水库调节计算。

其中列表法调节计算能较严格、细致地考虑需水和水量损失随时间的变化，图解法可结合计算机编程进行计算。

但时历法计算应具有30年及以上的径流序列和综合利用各部门相应的用水系列，对于径流资料不连续或者径流资料较短的的水库径流调节运用中存在局限性。

河流径流量预测与相互关系分析

x1 x2 y a、b X W I WS WD 水位因素降雨量径流量回归方程系数控制断面间径流量综合缺水程度研究区域水资源的供给量研究区域水资源的需求量
问题分析
1.径流量预测
对本例提供的数据进行整理并做处理，每一个水文站记录的数据单独处理，即由两个影响因素和已有的径流量数据预测未来 3 天各水文站的径流量值；本例中需要对现有数据分析得出适合的算法模型，降雨量的数据特征出现多个相同值，限制我们采用 BP 神经网络模型，下面就此问题使用了灰色预测和最小二乘法进行模拟。
X15 = 82.8323 + 4.2442X16 − 0.5355X17 置信区间为 [56.8536 [0.7815 [-1.2183 108.8110] 7.7069] 0.1472]
X12 = 86.3237 + 0.2157X13 + 0.0067X14 + 0.0057X15 置信区间为 [ 73.7473 [-0.2522 [-0.0713 98.9000] 0.6836] 0.0846]
j =1 122 − −
^ (0)
^ (1)
^ (1)
∑∑ ai
i =1 j =1
3
122
j
则 u = (u1 , u2 , u3 ) ，于是可得后三天的径流量为 Y = X • u
2.模型求解
通过对径流量分别对水位和降雨量进行回归模拟，得到水位对径流量的影响较大，比较显著，降雨量对净流量的影响很小；由水文站 hs1 模拟结果作为代表如下：图 1 为径流量关于水位的散点图；图 2 是径流量关于降雨量的散点图。
模型叠加。灰色预测模型采用分方程对生成数据建模，灰色系统理论具有"灰处理"和多模型的特点。可结合定性分析从多种角度出发，建立多个模型。在短期预测方面，预测基本模型精度高，对于长期预测通过建立修正模型提高灰色预测。

基于EEMD-BRNN组合算法唐山逐月径流量预报研究

基于EEMD-BRNN组合算法唐山逐月径流量预报研究
李海楠
【期刊名称】《水利科技与经济》
【年(卷),期】2024(30)1
【摘要】以唐山市1961-2018年逐月地表径流量资料为基础,运用集合经验模式分解(EEMD),将其分解成8个独立模态(IMF);利用贝叶斯正则化神经网络(BRNN)算法,拟合训练期内(1961-2000年)IMF与径流量之间的规律,用以预测预见期(2001-2018年)内的月径流量变化。

结果显示,经EEMD分解得到的IMF序列与径流量之间呈显著相关性;BPNN模型在适当参数下准确模拟了径流量变化特征,其验证集的NSE(Nash-Sutcliffe系数)达20.27%、RMSE(均方根误差)仅为93.23%。

EEMD-BRNN组合算法通过对原径流序列进行自适应分解,进而重构非线性平稳序列,显示出在径流预报中的应用前景。

【总页数】5页(P113-117)
【作者】李海楠
【作者单位】河北省唐山水文勘测研究中心
【正文语种】中文
【中图分类】TV121
【相关文献】
1.基于遗传算法的航路点流量组合预测方法研究
2.基于遗传算法的交通流量组合预测研究
3.基于微粒群算法的交通流量组合预测研究
4.黄水沟汛期逐月流量过程的聚类分型与定性预报
5.基于Copula函数的逐月频率法开展衢江生态流量研究
因版权原因，仅展示原文概要，查看原文内容请购买。

基于组合预测方法的需水量预测

基于组合预测方法的需水量预测本文在概述组合预测法的基础上，探讨了需水量的预测方法。

尤其是建立了基于回归分析和灰色预测的需水量组合预测模型。

通过实例对组合预测的结果与线性回归、灰色预测的结果进行了比较，结果表明组合预测模型的精度比单一模型的预测精度明显提高。

标签：需水量；回归分析；灰色预测；组合预测近年来，随着我国经济的快速发展和人民生活水平日益提高，人们对水资源的需求越来越大。

但是我国的淡水资源是有限的，而且水资源浪费和污染非常严重，所以水资源供给与需求之间的矛盾在很多北方地区日益尖锐，甚至成为了制约地区国民经济发展的重要因素。

因此，对需水量进行预测并相应地提出科学合理的对策是解决这一矛盾的有效途径。

需水量的预测方法主要有灰色模型法、回归分析法、时间序列法、定额法、神经网络法等。

由于各模型都有其自身的局限性，因此利用组合预测方法把各个单一预测结合起来是一种好的策略，可以综合各种方法的优点，使其缺点最小化。

自从贝特的无条件极小值问题。

对上式求偏导数，可得到使误差平方和最小的权重系数的值。

二、需水量的预测方法德州市位于山东省西北部，水资源比较缺乏。

目前除了利用当地水资源之外，主要通过调用黄河水和长江水，以保证城乡居民生活用水。

根据对相关文献的阅读，获得2001-2010年份的德州市用水量[3]，具体数据见下表1。

我们利用这些数据采用不同的方法对德州市未来的用水量进行预测。

1、回归预测回归分析预测法是在自变量和因变量之间相关关系的基础上，建立变量之间的回归方程，然后根据自变量数值的变化，代入回归方程式推算预测对象的变化，回归分析预测法是一种重要的预测方法[4]。

在近期，我们的人口和生产总值是逐年增加的，所以需水量也随着增加，在中短期需水量与年份之间存在一定的相关关系。

通过回归分析的方法建立需水量与年份之间的回归方程，就能够进行需水量的预测。

根据表1中的数据，利用spss可得回归方程为，经过F检验线性关系显著。

组合灰色预测模型在入库流量预测中的应用

分方程：
．
ｒ１、
＋
Ｑ
ｎ
（）１
：“
（）２
有残缺结构和含有错误成分的模式，够在信息源能信息含糊、确定、完整、在矛盾及假象等复杂不不存
环境中处理模式。而马尔可夫随机性过程理论指
ｃｏｒ．ｃｎ０ｎ
第３期
相对误差为：
郭
华等：合灰色预测模型在入库流量预测中的应用组
９７
量和状态概率转移矩阵来推出某一时期所处状态的
（）６
一
ｑ：ｒ。（）ｘ。（）×１０（ｔ／（ｔ ’ ’ ０％
种方法，其理论基础是马尔柯夫过程。描述的是它个随机事件序列的动态变化过程。
映射是一个高度非线性映射。
建模步骤如下：１（）确定神经网络的结构参数：
Ｘ
灰色Ｇ１１模型要求数据序列成指数规律变Ｍ（，）化，在建模前通过累加处理使数据的随机性弱化。且因此，模型不适合长期的、该随机性和波动性较大的数据序列预测！常Ｇ１１模型用来揭示数据的通Ｍ（，）发展趋势［］。人工神经网络［是对人类大脑系统７３的一阶特性的一种描述。它是一个数学模型，以可用电子线路来实现，可以用计算机程序来模拟，也是
性优化问题，它使用的是优化中最普通的梯度下降

磨盘山水库径流中长期综合预测技术研究

方法。
、
实践中若把多种单项预测方法正确地结合起来使用，则会使得组合预测结果对某单个较差的预测方法不太敏感。因此组合预测一般能提高预测的精确
度和可靠度。
２组合预测的原理
摘要：考虑到单要素模糊模式推理法和平稳时问序列法两种方法的预测精度．采用精度好的所占比重大的原则
产生综台预测方法，埘拉林河磨盘山水库坝址以上流域入库径流过程进行预测。
关键词：拉林河；磨盘山水库；；ｊ径流［长期；｝综合预测中图分类号：ＶＩ１Ｔ２文献标识码：Ａ
３磨盘山水库组合预测方法的权重系数确定
组合预测的方法关键在于怎样确定组合预测中各个预测方法的权重系数。不同的组合预测权重系数的优化标准决定了不同年径流量组合预测模型方法。常用的权重系数确定方法是非最优组合预测模型权系数确定方法、优组合预测模型权系数确定最
闻建伟1971种单项预测方法在第t时刻的预测值种单项预测方法在第t时刻的预测在页面41中用户可以对历史径流资料进行修平稳时间序列外推法综合预测方法3种预测方法如图5所示的中长期径流预测模型精度界面
２００８年

利
科
技
Ｎｏ６２０．．０８
（３第６卷）
ＨｅｏｇｉｇＳｉｃｎｅｈｏｇｆｔｏｓｒａｃｉｎｊｎｃｎｅａｄＴｃｎｌｙｏｅＣｎｅｖｎｙｌａｅｏＷａｒ

基于组合预测模型的水库径流长期预报研究

过检验在一定显著水平ａ下的势存在，反之贝无趋势存在。
，Ｉ＞：则说明有趋若ＵＩ，
程师，主要从事城市防洪与供水研究工作。
Ｅｍｉ：ｉｘｉｈ．ｏ — ａｌｙｊ＠ｗｒｏｍｎ
维普资讯
维普资讯
第３Ｏ卷第１期２００８年１月
人
民
黄
河
Ｖｏ．Ｏ．１３Ｎｏ．１
ＹＥ０ＷＲＩＲＩＶＥ
Ｊｎ，０８ａ．２０ ’
【文・沙】水泥
基于组合预测模型的水库径流长期预报研究
殷峻暹，蒋云钟，鲁帆
：
。
丹江口水库作为南水北调中线工程的引水水源，其调度决策关系到整个工程效益的发挥，而准确预报丹江口水库入库径流是调度决策的基础，因此有必要深入开展其径流长期预报的研究。目前，针对水库的径流长期预测，国内学者已经利用不同预测模型进行了研究 … ，中比较常见的包括时间序列分析其
第１期
殷峻暹等：于组合预测模型的水库径流长期预报研究基
・２９・
Ａ＝∑ ∑ （一）
Ｂ＝∑ Ｊｊ）』 — （ｘ
－
型参数，１９２０对９９～０１年的年径流量进行预测，预测值和实测
值见表３。
表３时间序列分析模型预报结果
不达标的问题。关键词：时间序列分析；人工神经网络；组合预测模型；入库径流；丹江口水库
中圈分类号：Ｔ８７Ｖ７
文８０ — ０８０１０ — ３９２０）１０２－２－（）斯波曼秩次相关检验法］该法基本思路是针对所研２。究的径流序列构造统计量：

水文时间序列逐步回归随机组合预测模型及其应用

水文时间序列逐步回归随机组合预测模型及其应用
汤成友，郭丽娟，王瑞
（长江上游水文水资源勘测局，重庆４０１）００４
【摘
要】由于气候因素和下垫面因素的综合影响，水文时间序列表现出复杂的非线性，包括确定性
ＴＮｈｎ —ｏ，ＧＯＬ－ａ，ＡＧＣｅｇｙｕＵｉｕｎＷＡＧＲｉｊＮｕ
（ｈｐｅａｇｚＲｖｒｕｖｙＢｒａｆｄｏｏｙａｄＷａｅＲｓｕｃｓＣｏｇｉｇ００４ＴｅＵｐｒｎｔｉｒｅｕｅｕｏＨｙｒｇｎｔｅｏｒｅ，ｈｎｑｎ４０１，ＣｉａＹｅｅＳｌｒｈ）ｎ
ｍｏｅｓｂｉｈｄｂｅｉｕｌｓｒｅ，ｆｒｄｂａｉｇｏｔｔｅｃｃｉａｏｏｅｔａｄｔｅｔｅｄｃｍｐｎｎｒｍｈｏ —ｔａｙｄｌｅｔｌｅｙｒｓｄａｅｓｏｍｅｙｔｋｎｕｈｙｌｌｃｍｐｎｎｎｈｒｎｏｏｅｔｆａｓｉｃｏｔｅｎｎｓｅｄ
ｔｅｅｓｒｓｒｎｔｏｂｒｃｓｅｎｒｐｅｉｅｉＲ（）ｍｄｌｉｃｌ，ｈｒｒｗｌｂｕｅｌｇｒｈｔｒｔｈｓｅｅｅｏｔｅｏｅｓｄａｄａｅｒｄｔｄｗｔＡｐｏｅｄｒｔｔｅｅｒｓｉｅｉｒｅ．Ｔｅｉｅａｄｉａｐｃｈｅｙｏｌｑｔａｎｇｅ
ｗｌｅ１．
Ｋｅｏｄ：ｓｐｉｅｒｓｉ；ｃｃｉｌｎｙｉ；ｔｎｎｙｉ；ＡｐｙｗｒｓｔｗｓｒｇｅｓｎｙｌａａａｓｅｅｏｃｌｓｒｄａａｓｅｌｓＲ（）ｍｄｌｃｍｂｎｄｍｄｌｙｒｌｉｔｅｅ；ｏｅ；ｏｉｅｏｅ；ｈｄｏｏｃｉｓｒｓｇｍｅｉ

基于SWAT模型不同产流及蒸发模式的径流模拟

基于SWAT模型不同产流及蒸发模式的径流模拟王亮;魏新平;邢立文【摘要】Jian River Basin in Pengzhou city of Sichuan Province ,has successfully constructed distributed hy-drological model SWAT,which provides a combination including two methods to calculate surface runoff and three ways to calculate evapotranspiration ,using the years 2008-2009 runoff data for calibration ,by Nash co-efficient,correlation coefficient,relative error and the persistence coefficients It compares the applicability of the six combinations and has been verified by monthly runoff data in 2010 to 2011.The results showed that the introduction of a SWAT applicability evaluation criteria can achieve good results;SCS runoff curve number method,respectively Penma-Monteith method,a combination of simulation accuracy Hargreaves method is bet-ter,Nash coefficient of 0.8,the relative error is less than 20%for coefficient of 0.7 or more.This provides a ba-sis and reference for the selection model simulation.%针对四川省彭州市湔江流域，成功构建SWAT分布式水文模型，基于模型提供的两种计算地表径流方法和三种计算蒸散发方法的组合，采用2008-2009年月径流资料进行率定，通过Nash系数、相关系数、相对误差以及持续系数分析比较了6种组合模式下模型的适用性，并用2010-2011年月径流资料进行验证。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

1. 引言
水文预测的方法主要有基于概念的流程驱动模
基金项目：国家自然科学基金项目(50879071)；西北农林科技大学基本科研业务费科技创新重点项目(QN201168)。 # 通讯作者。作者简介：粟晓玲(1968-)，女，四川开江人，教授，博士，主要从事水资源规划与管理研究。
*
型(如枯水衰退模型、降雨径流模型等)和基于统计的数据驱动模型(如回归模型、时间序列模型、人工神经网络模型等)[1]。水文预测模型很多，但还没有一种模型对所有的水文序列都是适用的，因此提出了组合预测方法。组合预测方法将各种单一预测方法的预测结果组合起来进行预测，以提高预测精度。
Journal of Water Resources Research 水资源研究, 2012, 1, 118-125 doi:10.4236/jwrr.2012.13017 Published Online June 2012 (/journal/jwrr.html)
的方差最小。若组合 m 种预测，组合预测 Ft,c 的权重和组合预测的方差为：
ˆ 1 u uT 1u W
2. 研究方法
2.1. 单项预测方法
拟采用多元线性回归(MLR)，BP 神经网络，支持向量机 (SVM) 和差分自回归移动平均模型 (ARIMA)4 个单项预测模型预测年径流。在水文长期预测中，由于影响因素的复杂性，需要考虑多个预报因子对预测对象的影响，可引入 MLR 方法，它是中长期预测的一个重要手段。BP 神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一，能学习和存贮大量的输入–输出模式映
Copyright © 2012 Hanspub
118
第1卷 · 第3期
粟晓玲，等：径流组合预测方法的选择及其应用
国际上组合方法在径流预测方面的应用较多，如组合自回归(AR)模型和回归模型预测径流，能提高预测精度； Winkler 等(1983)采用四种不同的组合方法
[3] [2]
射关系，而无需事前揭示描述这种映射关系的数学方程。 SVM 在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。ARIMA 模型属于平稳时间序列分析，该方法通过对噪声概率分布的研究，能预测在各种概率下可能出现的偏差大小，可以很好地处理随机干扰问题。
wi 1
m
wt ,i

2 t ,i
2
j 1
1
t, j
其中 es,i 为误差； v t 1 。
2) 线性时变误差平方和(LTSSE)方法。
线性时变误差平方和(LTSSE)方法，采用下式：
t 1 t 1
[8]
t2,i h s es2,i
s 1
hs ， h s s
[8] [7] [4]
2.2. 组合预测方法
2.2.1. 简单平均方法(SA) 如果在 t 时刻有 m 种预测，线性组合预测 Ft,c 通常定义为：
Ft , c wi Ft ,i
t 1 m
(1)
式中 Ft,i 是第 i 种预测模型的预测值，wi 是第 i 种预测的权重，且 wi 1 m 。 SA 组合预测误差的方差 c2 为：
Selecting of Combinations Forecasting Techniques of Annual Stream-Flow and Application*
Xiaoling Su#, Huizi Sun
College of Water Resources and Architectural Engineering, Northwest A&F University, Yangling Email: #suxiaoling17@ Received: Apr. 24th, 2012; revised: May 7th, 2012; accepted: May 19th, 2012
s 1
(11)
i2
2
i 1 i
1
其中 h s 是一个随着 s 增长而不断增长的线性函数，
(7)
所以，最近的误差(et-1,i) 权重 wt,i 可以由公式(10)计算，对组合权重 wt,i 影响最大。
2.2.5. 人工神经网络方法(ANN) 用人工神经网络(ANN)可以模拟输入与输出变量之间的关系。在输入输出为非线性关系的情况下，组合预测的 ANN 方法可以模拟非线性关系，应用一个普通的三层前馈感知器结构。m 种预测的 ANN 组合预测的运算为：
，包括时变误差平方和(TSSE)，加权平均方法(WA)，
线性时变误差平方和(LTSSE)，几何时变误差平方和 (GTSSE)组合十种不同的时间序列模型，发现 TSSE 的组合效果最好；McLeod 等(1987) 采用 TSSE 组合了三种水文预测方法，但没有和其他组合方法做对比； Shamseldin 等(1997)[5]将人工神经网络(ANN)组合方法应用到水文预测中；Schreider 等[6]将概念性降雨径流模型和自适应线性筛选方法组合来预测墨累河的日径流；Kim 等(2006) 研究了简单平均、常系数回归、均方差和 ANN 等组合方法，发现组合方法都在一定程度上提高了预测的精度；Jeong 等(2009)[8]提出了一种选择径流组合预测方法的指南，并从理论和实证对比了各种组合模型的精度。国内应用组合方法预测径流不多，且主要为加权组合方法，如黄伟军等(1996)[9]用最优组合方法组合分级退水模型和门限自回归模型预测径流；段召辉等 (2004)[10]建立了日径流预测的径流响应线性模型和时间序列模型的优化加权组合模型，依据最小二乘原理确定加权系数；殷峻暹等(2008)和傅新忠等(2009)[11,12] 组合时间序列模型和神经网络模型预测径流；黄志强等(2009)[13]列举了水文预报的各种组合模型，并选用长潭水库作为应用实例。本文基于组合预测方法选择指南，采用八种组合预测技术组合四种预测模型，并用相对偏差和相对均方根误差比较模型效果，以选择研究流域径流的最优组合预测方法。
Granger 和 Ramanathan 提出了基于线性回归的组
合方程[15]，对于任意的 m 个单项预测，组合预测用矩阵可以表示为
119
第1卷 · 第3期
粟晓玲，等：径流组合预测方法的选择及其应用
yt ftWc et , c
(5)
权重方法包括以下三种方法。
此时 ft 1, Ft ,1 , Ft ,2 , , Ft , m ， T Wc [ w0 ,w1 ,w2 , ,wm ] ，是权重向量。权重用最小二乘估计得到：
ˆ FT F W c
T
T
1) 时变误差平方和(TSSE)方法。 Granger[16]建议采用下式计算权重 w 的变化，即
时变误差平方和(TSSE)方法。
t 1

1
FTY
(6)
t2,i
s t v
es ,i
1mBiblioteka 2v(9)
(10)
此时 Y y1 ,y2 ,,yt ，并且 F 是 t m 1 矩阵， 1 F1,1 F1, m F 。 1 Ft ,1 Ft , m 2.2.4. 误差平方和方法(SSE) 误差平方和(SSE)方法是 WA 方法的特殊情况，此时单项预测的误差序列不相关。如果组合 m 种预测，那么权重可以表达为：
Abstract: In order to improve runoff forecast accuracy, combination forecasting method is selected by error sequence stability judgment and applying a technique with a bias correction component. Eight combinations technology were applied to combine the four single-value forecasts. The relative deviation and relative root mean square error index were used to compare the accuracy of the various single-value forecast and combined forecasts. Select the Dongda River as an example. The major findings include that: 1) SVM model and ARIMA model performs best among the four individual prediction models; 2) The accuracy of combining the corrected single-value forecasts is higher than combining the non-corrected single-value forecasts; 3) WA performs better than SA combination method; 4) The Regression and ANN combining methods can remove the effects of bias in the constituent forecasts and yield unbiased combining forecasts. Keywords: Stream-Flow Forecast; Combining Techniques; Dongda River