專利名稱：一種不確定性中長期水文預(yù)報(bào)模型的建立方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種建模方法，具體是一種不確定性中長期水文預(yù)報(bào)模型的建立方法。
背景技術(shù)：
研究流域和地區(qū)的水文特性和變化規(guī)律，開展水文預(yù)報(bào)，特別是中長期水文預(yù)報(bào)， 以掌握未來水文情勢，對于實(shí)現(xiàn)水資源的合理利用和管理具有重要的意義。在水資源狀 況日益惡化的今天，開展中長期水文預(yù)報(bào)的重要性更加突出。目前實(shí)際應(yīng)用的預(yù)報(bào)模型 較多，但仍存在許多問題，且近年來相關(guān)的研究報(bào)道很少，其研究落后于實(shí)際生產(chǎn)需要。 因此研究中長期水文預(yù)報(bào)方法仍具有重要的理論和實(shí)際意義。
涉及中長期水文預(yù)報(bào)的方法很多，傳統(tǒng)方法主要有成因分析方法、時(shí)間序列分析方 法、人工神經(jīng)網(wǎng)絡(luò)模擬預(yù)測等。實(shí)際中，成因分析方法應(yīng)用較少，其最常用的是時(shí)間序 列分析法，它基于隨機(jī)理論，即將水文序列看作由確定性成分(包括暫態(tài)成分和周期成 分)、隨機(jī)成分等項(xiàng)組成，然后分項(xiàng)模擬并疊加得到最終的預(yù)報(bào)結(jié)果，主要有ARMA模 型，并發(fā)展有AR、 MA、 ARIMA模型等(丁晶，鄧育仁.隨機(jī)水文學(xué)[M].成都成都 科技大學(xué)出版社，1988)。但由于水文序列結(jié)構(gòu)十分復(fù)雜，應(yīng)用ARMA類模型時(shí)僅從時(shí) 間域上進(jìn)行分析不能夠完全揭示和掌握水文序列的內(nèi)部結(jié)構(gòu)，且應(yīng)用線性模型(或簡單 的非線性模型)不能達(dá)到很好模擬預(yù)測水文序列的目的。因此，時(shí)間序列分析方法的模 擬精度較低。近年來人工神經(jīng)網(wǎng)絡(luò)(ANN, artificial neural network)在水文時(shí)間序列模 擬預(yù)測中得到廣泛的應(yīng)用(Hsu K， Gupra H V, Sorooshian S. Artificial neural network modeling of the rainfall-runoff process[J]. Water Resources Research, 1995， 31(10): 2517-2530.)，其模擬預(yù)測效果也較時(shí)間序列分析方法有很大改進(jìn)。但山于水文循環(huán)過 程中許多不確定因素的影響，造成水文時(shí)間序列組成成分和變化特性復(fù)雜多變，加上氣 候條件不斷發(fā)生變化，同時(shí)受人類活動(dòng)影響使得下墊面條件也不斷發(fā)生巨大的變化，水 文序列變化特性更加復(fù)雜多變。因此，丌展中長期水文預(yù)報(bào)工作仍然十分困難。
綜合分析可以看出，目前傳統(tǒng)的預(yù)報(bào)方法主要存在以下兩個(gè)問題 一是每種方法都 有自身的缺限，因此單獨(dú)使用某種方法不能達(dá)到很好的預(yù)報(bào)目的，需要探討多種方法的 聯(lián)合使用。ANN雖較傳統(tǒng)時(shí)間序列分析方法有很多優(yōu)點(diǎn)，但它類似于"黑箱模型"，許多 參數(shù)無法確定，模擬得到的水文序列結(jié)構(gòu)也無法具體得知，計(jì)算結(jié)果無法解釋；且影響 ANN拓?fù)浣Y(jié)構(gòu)的因素眾多，參數(shù)優(yōu)選理論發(fā)展不甚完善也制約了ANN模型優(yōu)勢的發(fā)揮， 使之在應(yīng)用推廣方面遇到一定的困難，目甜神經(jīng)網(wǎng)絡(luò)還只是一種純技術(shù)性的研究方法； 二是目甜的預(yù)報(bào)方法很少考慮水文不確定性因素對預(yù)報(bào)結(jié)果的影響，仍是以確定性模型為主，所得的預(yù)報(bào)結(jié)果為單一確定值，這具有不合理性。
水文序列模擬預(yù)測過程需要掌握其內(nèi)部結(jié)構(gòu)，目前所有的方法主要是從時(shí)域和(或) 頻域兩個(gè)方面對水文序列進(jìn)行分析。被譽(yù)為數(shù)學(xué)"顯微鏡"的小波分析方法(wavelet analysis, WA)是揭示水文序列結(jié)構(gòu)和變化特性的有效工具(Labat D. Recent advances in wavelet analyses: part 1. A review of concepts. Journal of Hydrology[J]. 2005, 314， 275-288.)。此外，水文序列中的確定性成分是重要成分，反映了序列的主要變化特性 (趨勢、周期等)，而含有的隨機(jī)成分客觀反映了水文過程中內(nèi)在的不確定性，作概率 預(yù)報(bào)更加合理(如進(jìn)行水文頻率分析)。
小波理論源于Fourier分析，是Fourier分析的新發(fā)展。WA的實(shí)質(zhì)是引入伸縮和平 移思想，克服了傳統(tǒng)頻譜分析方法中窗口固定等不合理之處，采用一種位置可移動(dòng)、形 狀可改變的"窗口"，從而滿足了時(shí)、頻局部化分析的要求，實(shí)現(xiàn)對水文序列靈活多變的 分析。
小波(wavelet)是一種特殊的長度有限，平均值為0的波形，傾向于不規(guī)則和不對 稱。它有兩個(gè)特點(diǎn) 一是"小"，即在時(shí)、頻域上都具有緊支集或近似緊支集；二是正負(fù)
交替的"波動(dòng)性"，即直流分量為零。定義V/^為小波母函數(shù)，則根據(jù)上述兩個(gè)特點(diǎn)有
= (1)
小波分析將信號(hào)分解成一系列小波函數(shù)的疊加，這些小波函數(shù)山一小波母函數(shù)經(jīng)尺 度伸縮和平移形成，對信號(hào)局部特性逼近效果良好。
小波母函數(shù)V/^伸縮和平移的表達(dá)式如下
^(/) = |《"'V(t^) a，6","0 (2) , a
式中^乂"為連續(xù)小波；"為時(shí)間尺度因子，反映了小波的周期長度；6為時(shí)間位覽因 子，反映了時(shí)間上的平移。
令丄2(^表示定義在實(shí)軸上、可測的平方可積函數(shù)空間，則對于信號(hào)/f()e丄2(7^，其
連續(xù)小波變換形式為
『y ("， 6) = |《'/2 f° ^旨 (3)
式中^為V/(7〗的復(fù)共軛函數(shù)；『乂a力)稱為小波系數(shù)。實(shí)際工作中，因水文序列常是
離散的，如/(^^(^=7, 2，仏Z^為取樣時(shí)間間隔)，則式(3)的離散小波變換形式 為
("， 6) = |a「'/2[ ,f /0[ ^) (4)式中，『/《w為時(shí)間序列/w或y^z^通過單位脈沖響應(yīng)的濾波器的輸出，能同時(shí)反
映時(shí)域參數(shù)6和頻域參數(shù)fl的特性。當(dāng)fl較小時(shí)，對頻域的分辨率低，對時(shí)域的分辨率高； 當(dāng)fl增大時(shí)，則對頻域的分辨率高，對時(shí)域的分辨率低。因此，小波變換能實(shí)現(xiàn)窗口大 小、形狀可變的時(shí)頻局部化，正是這個(gè)意義上小波變換可以用來研究水文序列的多時(shí)間 尺度變化特性。
利用小波變換對水文序列進(jìn)行分解可得到不同時(shí)間尺度上的小波系數(shù)。由于小波變 換具有一種"集中"的能力，較大小波系數(shù)攜載的信號(hào)能量較多；小波系數(shù)較小者攜載的 能量少。因此水文序列中不同成分在小波變換之后表現(xiàn)出不同的特性①主要成分(趨 勢、周期等確定性成分)對應(yīng)著較大的小波系數(shù)，且隨時(shí)間尺度的增大小波系數(shù)變換模 極大值也增大；②噪聲成分對應(yīng)的能量均勻分散，且小波系數(shù)較小，隨著時(shí)間尺度增大 小波系數(shù)模極大值減小。確定合理的闊值對各尺度高頻小波系數(shù)進(jìn)行處理之后再重構(gòu)， 可實(shí)現(xiàn)噪聲成分的分離，此即小波消噪的基本思路。

發(fā)明內(nèi)容
本發(fā)明針對傳統(tǒng)預(yù)報(bào)方法存在的兩個(gè)主要問題，將WA、 ANN和水文頻率分析法相 結(jié)合，建立不確定性中長期水文預(yù)報(bào)模型。
本發(fā)明所述的一種中長期水文預(yù)報(bào)模型的建立方法，包括以下歩驟
一種不確定性中長期水文預(yù)報(bào)模型的建立方法，其特征在于包括以下歩驟
(1) 依據(jù)待分析的水文時(shí)間序列的基本特性，并根據(jù)原水文序列和消噪序列的相 似程度選擇小波函數(shù)和時(shí)問尺度范圍，然后對該水文序列進(jìn)行連續(xù)小波變換，并對結(jié)果
進(jìn)行分析，掌握水文時(shí)間序列的內(nèi)在時(shí)、頻結(jié)構(gòu)和多時(shí)間尺度變化特性；
(2) 根據(jù)連續(xù)小波變換分析結(jié)果確定時(shí)間尺度分解層數(shù)，然后進(jìn)行離散小波分解； 再對離散小波分解結(jié)果分別進(jìn)行小波重構(gòu)，將水文時(shí)間序列分解成低頻序列和高頻序列 兩部分，將低頻成分重構(gòu)的序列稱為主序列，剩余成分重構(gòu)的序列稱為隨機(jī)序列；對水 文時(shí)間序列來說，低頻部分是最重要的，它主要由確定性成分構(gòu)成，反映了水文序列的 主要變化特征，例如序列的趨勢和周期等。高頻部分主要由隨機(jī)成分構(gòu)成，是山許多不 確定性因素綜合作用弓I起的不規(guī)則波動(dòng)。
(3) 依據(jù)水文時(shí)間序列的變化特性確定輸入層節(jié)點(diǎn)數(shù)，利用試算法確定隱含層節(jié) 點(diǎn)數(shù)，根據(jù)預(yù)報(bào)目的確定輸出層節(jié)點(diǎn)數(shù)，然后建立相應(yīng)的BP祌經(jīng)網(wǎng)絡(luò)模型，對主序列 進(jìn)行模擬預(yù)測，得到主序列的預(yù)測值；
(4) 依據(jù)水文物理成因機(jī)制，并結(jié)合流域和地區(qū)經(jīng)驗(yàn)，選擇對應(yīng)的水文頻率線型 描述隨機(jī)序列，并求得所選水文頻率線型的參數(shù)值，然后求得不同頻率下隨機(jī)序列的頻 率計(jì)算值；(5)將主序列預(yù)測值和隨機(jī)序列頻率計(jì)算值疊加，作為該水文序列最終的預(yù)報(bào)值。 上述步驟1)中時(shí)間尺度范圍為水文時(shí)間序列長度的2-3倍。
上述步驟l)中對水文序列作連續(xù)小波變換結(jié)果的分析過程為從定性的角度掌握 序列的整體變化特性，確定各變化的趨勢和周期所對應(yīng)的時(shí)間尺度范圍；然后針對每個(gè) 變化趨勢和周期，在對應(yīng)的時(shí)間尺度范圍內(nèi)分別進(jìn)行分析，即通過分析隨時(shí)間推移時(shí)小 波系數(shù)的正負(fù)性變化規(guī)律和幅值變化規(guī)律，準(zhǔn)確掌握序列隨時(shí)間推移時(shí)的具體變化特 性；最后對上述得到的整體變化特性和具體變化特性進(jìn)行綜合和整理，得到序列由整體 到局部的多時(shí)間尺度變化特性。
上述步驟3)中在對主序列模擬預(yù)測過程中，首先對不同時(shí)間尺度上的低頻重構(gòu)序 列分別進(jìn)行預(yù)測，然后疊加求得最終的主序列預(yù)測值。
針對傳統(tǒng)中長期水文預(yù)報(bào)方法存在的問題，本發(fā)明將小波分析方法、人工神經(jīng)網(wǎng)絡(luò) 技術(shù)和水文頻率分析法結(jié)合，建立了不確定性中長期水文預(yù)報(bào)模型。本發(fā)明相對現(xiàn)有技 術(shù)具有以下有益效果
(1) 利用小波分析方法，對水文序列進(jìn)行多時(shí)間尺度時(shí)、頻變化特性分析，可以從 整體到局部揭示水文序列的詳細(xì)變化特性，為水文序列模擬預(yù)測奠定很好的基礎(chǔ)。
(2) 在小波變換結(jié)果的基礎(chǔ)上，應(yīng)用ANN對序列中的主序列進(jìn)行模擬預(yù)測，可以減 少傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)在預(yù)測過程中的盲H性，預(yù)測結(jié)果有較大提高。
(3) 相比與傳統(tǒng)方法，本文建立的不確定性中長期水文預(yù)報(bào)模型，模擬預(yù)測結(jié)果精 度高，且合格率高，可以定量地分析和描述水文不確定性因素的影響，因此預(yù)報(bào)結(jié)果更 加客觀，對生產(chǎn)應(yīng)用更有實(shí)際意義。


圖1利津站原年徑流序列與主序列，
圖2消噪后的隨機(jī)序列，
圖3主序列最終模擬預(yù)測結(jié)果，
圖4利津站年徑流序列模擬預(yù)測結(jié)果。
具體實(shí)施例方式
分析目前常用中長期水文模擬預(yù)測方法存在的缺陷，筆者認(rèn)為主要存在兩方面不
足 一方面對水文時(shí)間序列的組成結(jié)構(gòu)和變化特性認(rèn)識(shí)不足，實(shí)際模擬過程中存在一定 的盲目性；另 一方面是沒有結(jié)合水文序列具體的組成結(jié)構(gòu)和變化特性進(jìn)行相應(yīng)有針對性 的模擬預(yù)測。
根據(jù)隨機(jī)水文學(xué)理論，水文時(shí)間序列主要分為確定性成分和隨機(jī)成分兩大部分，確定性成分是基于一定的物理機(jī)制形成，具有確定性的變化規(guī)律，反映了序列的主要變化 特性(例如趨勢、跳躍、周期等)；隨機(jī)成分具有隨機(jī)水文變量的特征，體現(xiàn)了水文不 確定性因素的影響。兩種成分的產(chǎn)生機(jī)理不同(至少目前這樣認(rèn)為)，而且變化特性也 明顯不同。因此，如果對此加以區(qū)分，將兩種來源不同的成分分別進(jìn)行模擬預(yù)測，應(yīng)該 更加合理。
本發(fā)明將小波分析方法、人工神經(jīng)網(wǎng)絡(luò)和水文頻率分析法三者結(jié)合，建立不確定性 中長期水文預(yù)報(bào)模型。其中，小波分析方法主要用于揭示序列的時(shí)、頻結(jié)構(gòu)和變化特性， 并且將原序列分解成主序列和隨機(jī)序列兩部分；人工神經(jīng)網(wǎng)絡(luò)用于對主序列進(jìn)行模擬預(yù) 測；水文頻率分析法用于對隨機(jī)序列進(jìn)行頻率計(jì)算，定量描述水文不確定性因素對預(yù)測 結(jié)果的影響。
建模及模擬預(yù)測的具體過程如下
(1) 依據(jù)待分析水文時(shí)間序列的基本特性，并根據(jù)原水文序列和消噪序列的相似 程度選擇合理的小波函數(shù)和時(shí)間尺度范圍，然后對該水文序列進(jìn)行連續(xù)小波變換，掌握 序列的內(nèi)在時(shí)、頻結(jié)構(gòu)和多時(shí)間尺度變化特性。對水文序列進(jìn)行連續(xù)小波變換時(shí)，不同 時(shí)間尺度上反映了序列的不同信息，因此最大時(shí)間尺度以及時(shí)間尺度范圍的選擇十分重 要。應(yīng)用中可以首先選擇較大的時(shí)間尺度(一般取待分析序列長度的2-3倍)和時(shí)間尺 度范圍，對水文序列作連續(xù)小波變換，從定性的角度掌握序列的整體變化特性，并確定 各變化細(xì)節(jié)(趨勢、周期等)對應(yīng)的時(shí)間尺度范圍；然后針對每個(gè)變化細(xì)節(jié)，在對應(yīng)的 時(shí)間尺度范圍內(nèi)分別進(jìn)行分析，準(zhǔn)確掌握序列隨時(shí)間推移時(shí)的具體變化特性；最后對整 體變化特性和具體變化特性進(jìn)行綜合分析，可掌握序列有整體到局部的多時(shí)間尺度變化 特性。
(2) 在掌握序列時(shí)、頻結(jié)構(gòu)和多吋間尺度變化特性的基礎(chǔ)上，選擇合適的時(shí)間尺 度分解層數(shù)(根據(jù)連續(xù)小波變換分析結(jié)果進(jìn)行確定)進(jìn)行離散小波分解。對水文序列來 說，低頻部分是最重要的，它主要由確定性成分構(gòu)成，反映了水文序列的主要變化特征， 例如序列的趨勢和周期等。高頻部分主要由隨機(jī)成分構(gòu)成，是由許多不確定性因素綜合 作用引起的不規(guī)則波動(dòng)。因此，對前述的離散小波分解結(jié)果分別進(jìn)行小波重構(gòu)，可將序 列合理地分解成低頻和高頻序列兩部分。其中低頻成分重構(gòu)的序列稱為主序列，剩余成 分重構(gòu)的序列稱為隨機(jī)序列。
(3) 依據(jù)水文序列的變化特性確定輸入層節(jié)點(diǎn)數(shù)，利用"試算法"確定隱含層節(jié) 點(diǎn)數(shù)，根據(jù)預(yù)報(bào)目的確定輸出層節(jié)點(diǎn)數(shù)，然后建立相應(yīng)的BP祌經(jīng)網(wǎng)絡(luò)模型，對主序列 進(jìn)行模擬預(yù)測，得到主序列的預(yù)測值。在主序列模擬預(yù)測過程中，首先對不同時(shí)間尺度 上的低頻重構(gòu)序列分別進(jìn)行預(yù)測，然后疊加求得最終的主序列預(yù)測值。(4) 依據(jù)水文物理成因機(jī)制，并結(jié)合流域和地區(qū)經(jīng)驗(yàn)，選擇適合的水文頻率線型
描述隨機(jī)序列，并求得所選水文頻率線型的參數(shù)值，MM求得不同頻率下隨機(jī)序列的頻
率計(jì)算值。
(5) 將主序列預(yù)測值和隨機(jī)序列頻率計(jì)算值疊加，作為該水文序列最終的預(yù)報(bào)值。 以下結(jié)合應(yīng)用實(shí)例對本發(fā)明作詳細(xì)闡述。
1.1研究區(qū)域概況
黃河是我國第二大河，進(jìn)入20世紀(jì)70年代以后，受氣候變化和人類活動(dòng)的共同影響， 水文特性變化極其復(fù)雜，河口利津站實(shí)測資料統(tǒng)計(jì)顯示黃河正在逐漸枯萎。黃河河口段 徑流量的減少給當(dāng)?shù)氐纳a(chǎn)和生活用水帶來巨大壓力。因此，研究黃河河口地區(qū)的水文 變化特性并預(yù)測未來水文情勢，對研究和解決當(dāng)?shù)貜搅髁繙p少帶來的一系列問題具有重 要的實(shí)際意義。本發(fā)明選用利津站實(shí)測的54年(1950-2003年)年徑流序列作為代表序 列，應(yīng)用本文建立的不確定性水文預(yù)報(bào)模型，對河口地區(qū)水文情勢進(jìn)行模擬預(yù)測，以驗(yàn) 證該模型的有效性。
1.2利津站年徑流序列模擬預(yù)測 1.2.1年徑流序列變化特性分析
對于所選年徑流序列的時(shí)、頻結(jié)構(gòu)和變化特性，主要的分析步驟和相關(guān)結(jié)論如下 連續(xù)小波變換多吋間尺度分析結(jié)果(桑燕芳,王棟.連續(xù)小波變換在黃河河口地區(qū)特
性分析中的應(yīng)用研究[A].第五屆中國水論壇論文集[C].北京中國水利水電出版社, 2007,766-770.): (1)首先選擇較大的時(shí)間尺度256a和較大的時(shí)間尺度范圍l 256a，對 徑流序列進(jìn)行連續(xù)小波變換，分析結(jié)果顯示在50-100a的時(shí)間尺度上該序列有明顯的下降 趨勢，大于1 OOa的時(shí)問尺度上未顯示序列的其他變化特性，小于30a的時(shí)問尺度上存在 明顯的周期變化規(guī)律；(2)為分析序列的周期變化規(guī)律，在l-32a時(shí)問尺度范圍內(nèi)進(jìn)行小 波變換，結(jié)果顯示該序列存在四個(gè)明顯的周期變化時(shí)間尺度范圍l一4a、 6 — 8a、 9一 12a、 16 — 22a。其中1 一4a時(shí)間尺度上的周期變化在整個(gè)時(shí)域上都有體現(xiàn)，中心時(shí)間尺 度在3a左右；6 — 8a時(shí)間尺度周期變化在1970年以后體現(xiàn)得最明顯，中心尺度在7a左右； 9一 12a時(shí)間尺度的周期在1980年以甜體現(xiàn)得最為明顯，中心時(shí)間尺度在10a左右；16 — 22a時(shí)間尺度地周期變化在整個(gè)時(shí)域上的體現(xiàn)都十分明顯，中心時(shí)間尺度在18a左右；(3) 綜合連續(xù)小波變換多時(shí)間尺度分析結(jié)果，得到黃河河口地區(qū)的水文變化特性河口地區(qū) 的年徑流量在逐年減少；同時(shí)年徑流序列存在四個(gè)明顯的時(shí)間尺度上的變化周期l一 4a、 6 —8a、 9一12a、 16—22a;且16 — 22a是第一主周期。
隨機(jī)水文學(xué)方法分析結(jié)果(桑燕芳,王棟.水文時(shí)間序列周期識(shí)別的新思路與兩種新方法[J].水科學(xué)進(jìn)展，2008, 19(3): 412-417.):應(yīng)用Kendall檢驗(yàn)、Spearman檢驗(yàn)、線性 回歸檢驗(yàn)三種方法分析趨勢性，得到趨勢線性方程為Y=—9.0xt+571.95;應(yīng)用周期圖 法、快速傅立葉變換法(FFT)、最大熵譜分析法(MESA)、離散小波變換、模擬延 長序列法(SSAP)和構(gòu)建主頻序列法(MFSR)共6種方法分析周期項(xiàng)，綜合得到3、 7、 10、 17年四個(gè)周期。
可以看出，兩類方法的分析結(jié)果一致，分析得到的結(jié)論可靠。 1.2.2小波分解與重構(gòu)
序列變化特性分析結(jié)果表明該序列主要的周期變化特性集中體現(xiàn)在2-22a時(shí)間尺 度范圍內(nèi)。因此應(yīng)用"bior3.5"小波函數(shù)，選擇4為時(shí)間尺度層數(shù)，然后對序列進(jìn)行離散 小波變換。最后進(jìn)行序列消噪，分別得到利津站原年徑流序列中的主序列(圖1)和消 噪后的隨機(jī)序列(圖2)。 1.2.3主序列模擬預(yù)測
選用BP神經(jīng)網(wǎng)絡(luò)對主序列作模擬預(yù)測。應(yīng)用1950-1991年序列進(jìn)行網(wǎng)絡(luò)訓(xùn)練，然后 對1992-2003年年徑流量作預(yù)測，進(jìn)行模型檢驗(yàn)。通過"試算法"，選擇"2 — 3 — 1"BP神經(jīng) 網(wǎng)絡(luò)模型結(jié)構(gòu)，對4個(gè)尺度上的各重構(gòu)主序列分別進(jìn)行模擬預(yù)測。各時(shí)間尺度上重構(gòu)主 序列的模擬預(yù)測結(jié)果見表l。
_表l 各時(shí)問尺度上重構(gòu)主序列的模擬預(yù)測結(jié)果_
序列預(yù)測年號(hào)1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003
實(shí)測值168.79 161.67 156.28 152.33 148.10 143.66 139.69 135.79 133.40 132.64 132.51 133.34
1 預(yù)測值161.04154.85 149.22146.95 145.55 142.08138.67136.43 133.89133.92 135.14 135.73 相對誤差-0.05 -0.04 -0.05 -0.04 -0.02 -0.01 -0.01 0.01 0.00 0.010.02 0.02
實(shí)測值 -3.88 -3.16 -2.46 -1.77 -0.85 0.311.60 3.08 4.59 6.14 7.84 9.66
2 預(yù)測值 11.02 6.833.541.36 -0.17 0.033.61 11.09 23.46 38.86 58.11 82.41 相對誤差-0.0] 0.00 -0.01 0.00 0.31 -0.92 -0.13 -0.12 -0.09 -0.11 -0.16 -0.20
實(shí)測值 3.73 -12.54 -30.80 -52.34 -64.28 -65.17 -62.07 -51.32 -39.61 -27.45 -8.26 16.63
3 預(yù)測值 3.52 -11.70 -31.57 -49.04 -66.92 -68.51 -62.08 -57.29 -43.84 -33.55 -22.61 0.31 相對誤差-0.06 -0.07 0.03 -0.06 0.04 0.05 0.00 0.12 0.110.221.74 -0.98
實(shí)測值29.23 28.89 39.03 49.92 45.16 26.88 -5.01 -54.35 -71.67 -53.99 -28.44 17.59
4 預(yù)測值49.20 47.34 23.53 40.02 46.62 28.87 2.50 -35.54 -87.16 -63.32 -10.73 15.15 _相對誤差0.68 0.64 -0.40 -0.20 0.03 0.07 -1.50 -0.35 0.22 0.17 -0.62 -0.14
將4個(gè)時(shí)間尺度上的各重構(gòu)主序列預(yù)測值疊加，得到主序列的最終模擬預(yù)測結(jié)果。 分別見圖3和表3的利津站原年徑流序列模擬預(yù)測結(jié)果。 4.2.4隨機(jī)序列模擬預(yù)測
選用P-III型分布描述分離出的隨機(jī)序列，首先進(jìn)行參數(shù)估計(jì)，然后求得不同頻率下隨機(jī)序列對應(yīng)的設(shè)計(jì)值，隨機(jī)序列水文頻率分析結(jié)果如表2所列。
_表2 .隨機(jī)序列水文頻率分析結(jié)果_
參數(shù)估計(jì)值-^--^-
_200.71___
頻率(％) 1 10 25 50 75 90
設(shè)計(jì)值364.433 156.79162.475-21.292-84.835 -126.720
1.2.5年徑流序列模擬預(yù)測
將主序列預(yù)測值和隨機(jī)序列預(yù)測值疊加，得到最終的年徑流序列模擬預(yù)測結(jié) 果，詳見圖4和表3。經(jīng)分析可以看出①序列預(yù)測結(jié)果的整體變化趨勢與實(shí)測序列的變 化趨勢一致，這由主序列的預(yù)測結(jié)果確定和保證； 實(shí)測序列值基本包含在25%和75% 保證率對應(yīng)預(yù)測值的范圍內(nèi)，50%保證率的預(yù)測值顯示了實(shí)測序列的總體變化趨勢。因 此，本文的概率預(yù)報(bào)結(jié)果能合理、準(zhǔn)確地反映未來水文情勢；③由預(yù)測結(jié)果可以直接掌 握徑流量隨年份的的豐、平、枯交替變化情況和某具體年份的豐枯狀況。預(yù)測結(jié)果顯示， 2001年以后，該地區(qū)年徑流量偏少，為枯水期。
表3 利津站原年徑流序列模擬預(yù)測結(jié)果
預(yù)測值1992 1993 1994 1995 1996 199719981999200020012002 2003
土序列224.77 197.32 144.72 139.28 125.08 102.4882.7054.6926.3575.91159.92 233.60
(25%)287.25 259.80 207.20 201.76 187.56 164.96 145.18 117.1788.83138.39 222.40 296.08(50%)203.48 176.03 123.43 118.00 103.79 81.1961.4133.405.0654.62138.63 212.34
(75%)140.48 113.03 60.43 55.00 40.79 18.19-1.60-29.60-57.94-8.3875.63 149.31
4.3傳統(tǒng)方法的序列模擬預(yù)測結(jié)果
采用時(shí)間序列分析方法和傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型，對利津站年徑流序列進(jìn)行模擬預(yù)測 (表4)，并與本文所建模型的模擬預(yù)測結(jié)果對比。
_表4傳統(tǒng)方法年徑流序列模擬預(yù)測結(jié)果__
年號(hào) 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003
AR(2)
翻實(shí)測佰133.70185.00 217.00 136.70155.20 18.61 106.10 68.34 48.59 46.53 41.卯192.70 預(yù)測值354.36483.63-154.29 71.06 217.20246.59-11.52 99.28 -122.71 10.08 -23.73 230.63 相對誤差1.65 1.61-1.71 -0.48 0.40 12.25 -1.11 0.45 -3.53 -0.78 -.57 0.20 預(yù)測值187.04582.42 231.67 315.42328.15428.63326.67714.03 585.97 316.53 131.28 -0.74
AR(5)
相對誤差0.40 2.150.071.311.11 22.03 2.08 9.4511.06 5.80 2.13 -1.00
gd gda gdm
預(yù)測值279.37282.83 286.69 287.93 280.49283.83 277.12287.09 279.77 280.18280.88280.74 相對誤差1.09 0.530.321.110.81 14.25 1.613.204.765.02 5.70 0.46
預(yù)測值225.07214.03 221.85 236.84224.32218.10215.74190.33 210.52 205.77202.55202.55 相》ti5i差0.68 0.160.020.73 0.45 10,72 1.031.793.333.42 3.83 0.05
預(yù)測值255.11 211.17 244.09 275.61243.88226.98179.75 185.10 172.99 152.75 147.85 145.03 相對誤差0.91 0.140.131.02 0.57 11.20 0.69 1.712.562.28 2.53 -0.25
預(yù)測值271.70273.54 281.08 292.55276.55277.03244.64272.78 264.00 264.58266.12265.79相對誤差1.03 0.480,301.14 0.78 13.89 1.31 2.994.434.69 5.35 0.38 j^M 預(yù)測值220.98220.03 236.88 250.91223.80227.01569.49209.61 202.80 344.10261.18465.51 _相對誤差0.65 0.190.09 0.84 0.44 11.20 4.37 2.073.176.40 5.23 1.42
注AR:自回歸模型，gd: Gradient descent backpropagation (標(biāo)準(zhǔn)BP算法)，gda:
Gradient descent with adaptive learning rate backpropagation (變步長BP算法)，gdm:
Gradient descent with momentum backpropagation (帶動(dòng)量項(xiàng)BP算法)，gdx: Gradient
descent with momentum and adaptive learning rate backpropagation (帶動(dòng)量項(xiàng)變步長
BP算法)，LM: Levenberg-Marquardt backpropagation (阻尼最小算法)。
對表4中7種傳統(tǒng)方法的模擬預(yù)測結(jié)果進(jìn)行分析，可得到以下結(jié)論①在AR模型中， AR(5)模型分析預(yù)測的結(jié)果好于AR(2)模型；②人工神經(jīng)網(wǎng)絡(luò)的模擬預(yù)測結(jié)果好于AR模 型。在所選BP的神經(jīng)網(wǎng)絡(luò)中，gdx—BP、 gda—BP、 gdm—BP、 LM—BP優(yōu)于標(biāo)準(zhǔn)BP神 經(jīng)網(wǎng)絡(luò)，在gdx—BP、 gda—BP、 gdm—BP和LM—BP神經(jīng)網(wǎng)絡(luò)中，LM—BP神經(jīng)網(wǎng)絡(luò)的
預(yù)測效果最好；③由于所選序列受人類活動(dòng)干擾很大，變化特性十分復(fù)雜，造成傳統(tǒng)水 文預(yù)報(bào)方法預(yù)測結(jié)果的合格率較低。根據(jù)《水文情報(bào)預(yù)報(bào)規(guī)范》(SL250-2000,水文情 報(bào)預(yù)報(bào)規(guī)范[S])，以預(yù)測值的相對誤差小于20%為標(biāo)準(zhǔn)，7種傳統(tǒng)方法的預(yù)測結(jié)果中， 合格率均不超過30%。④與傳統(tǒng)預(yù)報(bào)方法相比，本文的預(yù)報(bào)模型體現(xiàn)出四個(gè)優(yōu)點(diǎn) 一是 本文建立的預(yù)報(bào)模型不僅能對序列進(jìn)行模擬預(yù)測，同時(shí)還能得到序列的時(shí)、頻結(jié)構(gòu)和變 化特性；二是該模型模擬預(yù)測結(jié)果的精度顯著提高；三是模型預(yù)測結(jié)果的合格率明顯提 高，相對誤差小于20%的預(yù)測結(jié)果的合格率超過85%;四是預(yù)報(bào)結(jié)果定量描述了水文不 確定因素的影響，預(yù)報(bào)結(jié)果更加合理,客觀。 1.4結(jié)果討論
研究中長期水文預(yù)報(bào)方法具有重要的理論和實(shí)際意義。它對于掌握未來水文情勢， 解決水資源短缺問題和實(shí)現(xiàn)水資源合理規(guī)劃具有十分重要的指導(dǎo)作用。由于水文序列內(nèi) 部結(jié)構(gòu)的復(fù)雜多變性，傳統(tǒng)中長期水文預(yù)報(bào)方法(時(shí)間序列分析方法、人工神經(jīng)網(wǎng)絡(luò)等) 不能很好揭示和刻畫這種結(jié)構(gòu)，預(yù)報(bào)結(jié)果誤差較大，且預(yù)報(bào)結(jié)果都是單一確定值，沒有 考慮水文不確定性因素的影響。本文建立的不確定性中長期水文預(yù)報(bào)模型，可以預(yù)測未 來不同保證率下的水文值，結(jié)果可靠且更具有實(shí)際意義。
權(quán)利要求
1、一種不確定性中長期水文預(yù)報(bào)模型的建立方法，其特征在于包括以下步驟(1)依據(jù)待分析的水文時(shí)間序列的基本特性，并根據(jù)原水文序列和消噪序列的相似程度選擇小波函數(shù)和時(shí)間尺度范圍，然后對該水文序列進(jìn)行連續(xù)小波變換，并對結(jié)果進(jìn)行分析，掌握水文時(shí)間序列的內(nèi)在時(shí)、頻結(jié)構(gòu)和多時(shí)間尺度變化特性；(2)根據(jù)連續(xù)小波變換分析結(jié)果確定時(shí)間尺度分解層數(shù)，然后進(jìn)行離散小波分解；再對離散小波分解結(jié)果分別進(jìn)行小波重構(gòu)，將水文時(shí)間序列分解成低頻序列和高頻序列兩部分，將低頻成分重構(gòu)的序列稱為主序列，剩余成分重構(gòu)的序列稱為隨機(jī)序列；(3)依據(jù)水文時(shí)間序列的變化特性確定輸入層節(jié)點(diǎn)數(shù)，利用試算法確定隱含層節(jié)點(diǎn)數(shù)，根據(jù)預(yù)報(bào)目的確定輸出層節(jié)點(diǎn)數(shù)，然后建立相應(yīng)的BP神經(jīng)網(wǎng)絡(luò)模型，對主序列進(jìn)行模擬預(yù)測，得到主序列的預(yù)測值；(4)依據(jù)水文物理成因機(jī)制，并結(jié)合流域和地區(qū)經(jīng)驗(yàn)，選擇對應(yīng)的水文頻率線型描述隨機(jī)序列，并求得所選水文頻率線型的參數(shù)值，然后求得不同頻率下隨機(jī)序列的頻率計(jì)算值；(5)將主序列預(yù)測值和隨機(jī)序列頻率計(jì)算值疊加，作為該水文序列最終的預(yù)報(bào)值。
2、 根據(jù)權(quán)利要求1所述的不確定性中長期水文預(yù)報(bào)模型的建立方法，其特征在于步驟1)中時(shí)間尺度范圍為水文時(shí)間序列長度的2-3倍。
3、 根據(jù)權(quán)利要求1或2所述的不確定性中長期水文預(yù)報(bào)模型的建立方法，其特征在于步驟l)中對水文序列作連續(xù)小波變換結(jié)果的分析過程為從定性的角度掌握序列的整體變化特性，確定各變化的趨勢和周期所對應(yīng)的時(shí)間尺度范圍；然后針對每個(gè)變化趨勢和周期，在對應(yīng)的時(shí)間尺度范圍內(nèi)分別進(jìn)行分析，即通過分析隨時(shí)間推移時(shí)小波系數(shù)的正負(fù)性變化規(guī)律和幅值變化規(guī)律，準(zhǔn)確掌握序列隨時(shí)間推移時(shí)的具體變化特性；最后對上述得到的整體變化特性和具體變化特性進(jìn)行綜合和整理，得到序列由整體到局部的多時(shí)間尺度變化特性。
4、 根據(jù)權(quán)利要求1或2所述的不確定性中長期水文預(yù)報(bào)模型的建立方法，其特征在于歩驟3)中在對主序列模擬預(yù)測過程中，首先對不同時(shí)間尺度上的低頻重構(gòu)序列分別進(jìn)行預(yù)測，然后疊加求得最終的主序列預(yù)測值。
全文摘要
本發(fā)明公開了一種不確定性中長期水文預(yù)報(bào)模型的建立方法，其將小波分析方法(WA)，人工神經(jīng)網(wǎng)絡(luò)(ANN)和水文頻率分析法(HFA)聯(lián)合使用，建立了不確定性中長期水文預(yù)報(bào)模型即在應(yīng)用WA揭示水文序列多時(shí)間尺度變化特性的基礎(chǔ)上，將原序列分為主序列和隨機(jī)序列兩部分，然后利用ANN對主序列進(jìn)行模擬預(yù)測，對隨機(jī)序列進(jìn)行水文頻率分析，最后將兩部分結(jié)果疊加作為最終預(yù)測值。該模型用于黃河河口地區(qū)作中長期水文預(yù)報(bào)，并與傳統(tǒng)方法作對比，結(jié)果顯示該模型能同時(shí)揭示序列的時(shí)、頻結(jié)構(gòu)和變化特性；預(yù)報(bào)值結(jié)果精度高；且合格率高；能定量分析和描述水文不確定性因素對預(yù)報(bào)結(jié)果的影響，可得到不同頻率對應(yīng)水文序列的模擬預(yù)測值。
文檔編號(hào)G06N3/00GK101604356SQ20091003361
公開日2009年12月16日 申請日期2009年6月24日 優(yōu)先權(quán)日2009年6月24日
發(fā)明者吳吉春, 朱慶平, 桑燕芳, 棟 王, 玲 王 申請人:南京大學(xué)