论文部分内容阅读
小波分析和神经网络被广泛地应用于水科学领域,本文主要是在两个领域进行了研究,即:水文序列的展延和黄河中下游径流特征的分析。 第一、小波分析和神经网络在水文序列展延中的应用。 水文序列受天文、地理、气候、人为活动等因素的影响,具有非线性、周期性、随机性和多变性。常规的线性模型很难解决这些问题,因此,为解决水文水资源中的复杂问题,本文引入了小波分析和神经网络,并把其具体应用于水文序列的展延和黄河径流特征分析中。 水文水资源资料序列是水文分析和计算的基础,然而观测资料却是有限的,因此,水文序列的展延是一项必不可少的工作。传统的相关展延方法是根据设计站和参证站之间的简单线性关系进行展延的,然而,水文序列一般都具有非线性和多时间尺度特征,传统的相关展延方法不能很好地表现水文序列的非线性和多时间尺度特征,因此本文提出了二种改进的展延方法: ①水文序列的多时间尺度展延(MTSE,Multiple Time Scale Extension)法,把小波分析应用于水文序列的展延,考虑了水文序列的多时间尺度特征。 ②水文序列的小波分析-BP网络展延(WA-BP, Wavelet Analysis-BP NeuralNetwork Extension)法,把小波分析和BP神经网络同时应用于水文序列的展延。BP神经网络是非线性的映射网络,它突破了线性关系对水文序列展延的束缚,能够适应水文序列的不同时空分布特性,充分利用水文序列提供的信息资源。 通过实例分析可得出以下结论: ①传统相关展延(CE)法、MTSE法和WA-BP法的展延精度依次提高。 ②当CE法、MTSE法和WA-BP法都满足相对误差的均值小于或等于0.2的精度要求时,WA-BP法稍优越于MTSE法。 ③当CE法和MTSE法不是很适用时,可能是因为序列中包含有奇异点,选择WA-BP法仍然可以得到较精确的展延结果。所以对水文序列进行展延时,应先考虑待展延序列的离散程度是否较大。 第二、小波分析和神经网络在黄河中下游径流特征分析中的应用。 本文以黄河利津站54年(1950~2003年)的月径流序列和年径流序列与花园口站30年(1970~2003年)的月径流序列和年径流序列为基础资料,分别从时间上和空间上对比分析:黄河下游1950~1969年和1970~2003年的各月径流序列和年径流序列的变化特征与黄河中、下游的各月径流序列和年径流序列的变化特征。综合分析得出: ①近年来,黄河下游流域各月径流量和年径流量都显著减少,并且各月径流序列(除了1月和12月)和年径流序列对其均值的离散程度和不对称程度都显著增加。 ②在整体上,黄河下游流域月径流序列的主周期变得更加复杂。 ③黄河下游的径流量越来越集中在一年中的7、8、9和10月份。 ④无论是在空间上还是在时间上,黄河下游1月和2月的径流序列特征变化不明显,其余月份的径流序列特征变化显著,特别是汛期(8月、9月和10月)各月径流序列特征差异很大。