论文部分内容阅读
水对人类的重要性是毋庸置疑的,但是随着气候变化、人类活动的影响,水资源面临前所未有的挑战。为了应对水资源问题,必须加强水文预报的研究,不仅要求正确的短期预报,而且要求预见期更长的中长期预报。由于中长期水文预报影响因素众多以及影响因素之间复杂的关系,其物理机制尚未明确,目前在实际应用中大多是通过统计模型,探索预报对象自身演变规律或者是建立影响因素与预报对象之间的定量关系。如何从诸多影响径流过程的物理成因中选取适合预报对象的预报因子,并对预报因子集与预报对象间的关系进行拟合,是数据驱动模型进行中长期径流预报的两大难点,本文的研究也集中在预报因子识别与构建模型方法两个方面。首先介绍了径流序列分析的理论基础。在分析径流时间序列基本组成的基础上,从趋势性、周期性、随机性三个方面介绍了径流时间序列的特性分析若干主要方法,并阐述了逐步回归方法在提取趋势函数和周期函数上的应用,为中长期径流预报奠定基础;其次,从物理成因角度介绍了中长期径流预报的影响因素和遴选有效预报因子的统计分析方法;接着详细说明了时间序列模型、线性回归模型、神经网络模型和组合预报模型的理论和精度评定方法。最后,将模型应用于东江水库。从径流特性入手,分析了东江水库月径流序列的周期性和趋势性并提取出周期函数和趋势函数;以前期径流和74项环流因子为备选因子集,通过秩相关分析和逐步回归分析方法从中识别出有效的预报因子;建立时间序列分解模型、BP神经网络模型、逐步回归模型、组合预报模型,并利用确定系数和合格率对各模型精度进行评价。结果显示,时间序列分解模型精度最高,模拟期合格率为95%以上,确定系数为0.9以上,达到规范的甲级精度要求,推荐为东江水库长期径流预报模型。考虑水文—气象遥相关分析的逐步回归模型精度高于径流自相关的逐步回归模型,说明了引入气象因子能够提高预报精度。BP神经网络模型精度略高于逐步回归模型,组合预报模型综合考虑了逐步回归模型和神经网络模型的优缺点,获得了较好的预报结果。