论文部分内容阅读
近年来,由于全球气候变化和人类活动等诸多因素的影响,呼伦湖流域的降雨量和径流量急剧减小,导致流域内植被退化、草场萎缩、土壤沙漠化。针对上述问题,本文运用现代新理论和新方法,包括混沌理论及分析方法,LS-SVM建模方法,RBF神经网络建模方法和ARIMA建模方法对呼伦湖流域的两条主要河流乌尔逊河和克鲁伦河的月降雨、月径流时间序列进行了模拟预测分析。应用相空间重构理论对乌尔逊河和克鲁伦河月降雨、月径流时间序列进行相空间重构,使用自相关函数法确定延迟时间,使用饱和关联维数法确定嵌入维数,并使用饱和关联维数法和最大Lyapunov指数法对其进行混沌特性识别,结果表明,乌尔逊河和克鲁伦河的月降雨、月径流时间序列具有混沌特性。应用LS-SVM模型和RBF神经网络模型对乌尔逊河月降雨混沌时间序列、乌尔逊河月径流混沌时间序列、克鲁伦河月降雨混沌时间序列和克鲁伦河月径流混沌时间序列分别进行建模,并对LS-SVM模型的模拟预测结果和RBF神经网络模型的模拟预测结果进行对比分析。结果表明,两种模型都各有优劣。LS-SVM模型预测结果的相对误差百分比波动较为平稳,预测精度良好。RBF神经网络模型在丰水期时预测精度非常高,但是在枯水期时,预测精度相对较低,其预测结果的相对误差百分比波动较大。应用ARIMA模型对乌尔逊河和克鲁伦河的月降雨、月径流时间序列进行建模,进行预测分析。并对ARIMA模型,LS-SVM模型和RBF神经网络模型的预测结果进行对比分析。结果表明,LS-SVM模型的合格率要高于ARIMA模型和RBF神经网络模型,ARIMA模型的合格率要高于RBF神经网络模型。总体上讲,LS-SVM模型的相对误差百分比要小于ARIMA模型的和RBF神经网络模型的,ARIMA模型的相对误差百分比要小于RBF模型的。总之,本文应用新理论、新方法,多途径的研究了呼伦湖流域降雨径流的变化特性,为进一步研究呼伦湖流域的水文特征提供了参考。