本文關(guān)鍵詞：涇河流域徑流預(yù)報(bào)模型研究，由筆耕文化傳播整理發(fā)布。

【摘要】：地表徑流受氣候、流域自然地理及人類活動(dòng)等多種因素影響,其變化特性和規(guī)律錯(cuò)綜復(fù)雜,表現(xiàn)出隨機(jī)性、灰色性、非線性等復(fù)雜特征,準(zhǔn)確而及時(shí)的徑流預(yù)報(bào)對(duì)水資源合理利用以及防汛抗旱工作具有重要的理論意義和實(shí)用價(jià)值。涇河流域灌溉農(nóng)業(yè)發(fā)達(dá),但地表徑流年內(nèi)分布不均,造成農(nóng)業(yè)灌溉在關(guān)鍵期缺水,徑流預(yù)報(bào)可以為流域水資源合理利用及涇惠渠灌區(qū)水資源實(shí)時(shí)調(diào)度提供依據(jù)。本文基于涇河流域張家山站的多年徑流資料,開展月、日尺度的徑流預(yù)報(bào)研究。采用BP神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)回歸模型、廣義回歸神經(jīng)網(wǎng)絡(luò)模型和差分自回歸移動(dòng)平均模型四種單項(xiàng)預(yù)測模型預(yù)報(bào)月徑流;結(jié)合多分辨率分析的小波分析理論,建立了小波神經(jīng)網(wǎng)絡(luò)模型、小波支持向量機(jī)回歸模型、小波廣義回歸神經(jīng)網(wǎng)絡(luò)模型三種組合預(yù)測方法;選擇均方根誤差(RMSE)、平均絕對(duì)誤差(MAE)、確定性系數(shù)(DC)以及相關(guān)系數(shù)(R)四個(gè)指標(biāo)作為模型預(yù)測精度的評(píng)價(jià)標(biāo)準(zhǔn);采用matlab軟件實(shí)現(xiàn)模型的率定及驗(yàn)證。比較各種預(yù)測方法的精度,優(yōu)選出適合于張家山站月徑流預(yù)測的推薦方法,并運(yùn)用張家山站的推薦月徑流組合預(yù)測方法來預(yù)報(bào)日徑流。得到如下結(jié)果:(1)單項(xiàng)預(yù)報(bào)模型中,對(duì)于檢驗(yàn)期較長的BP神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)回歸模型和廣義人工神經(jīng)網(wǎng)絡(luò)模型,檢驗(yàn)期支持向量機(jī)回歸模型的RMSE、MAE、DC、R分別為27.93 m3/s、13.43 m3/s、0.338、0.662,優(yōu)于其它兩種方法;對(duì)于檢驗(yàn)期較短的差分自回歸移動(dòng)平均模型考慮了同一月份不同年的影響,優(yōu)于其它三種單項(xiàng)預(yù)報(bào)模型,可以運(yùn)用于檢驗(yàn)期較短的預(yù)報(bào)。(2)為了提高預(yù)測模型的精度,本文嘗試將小波分析與前三種單項(xiàng)預(yù)測方法相結(jié)合,利用小波分析的多分辨率分析原理,建立小波神經(jīng)網(wǎng)絡(luò)模型、小波支持向量機(jī)回歸模型和小波廣義回歸神經(jīng)網(wǎng)絡(luò)模型。研究結(jié)果發(fā)現(xiàn),組合模型相比單項(xiàng)預(yù)報(bào)模型可以顯著提高張家山站的月徑流預(yù)報(bào)精度。小波神經(jīng)網(wǎng)絡(luò)模型在檢驗(yàn)階段的四個(gè)評(píng)價(jià)指標(biāo)分別為26.03 m3/s、17.96 m3/s、0.425、0.664,優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型在檢驗(yàn)階段的各項(xiàng)指標(biāo),相應(yīng)地,小波支持向量機(jī)回歸模型的各項(xiàng)指標(biāo)為12.46 m3/s、7.74 m3/s、0.868、0.935遠(yuǎn)遠(yuǎn)優(yōu)于支持向量機(jī)回歸模型,小波廣義回歸神經(jīng)網(wǎng)絡(luò)模型的各項(xiàng)指標(biāo)18.91 m3/s、13.14 m3/s、0.697、0.854遠(yuǎn)遠(yuǎn)優(yōu)于廣義回歸神經(jīng)網(wǎng)絡(luò)模型。(3)對(duì)比三種組合預(yù)測模型,發(fā)現(xiàn)小波支持向量機(jī)回歸模型和小波廣義回歸神經(jīng)網(wǎng)絡(luò)模型精度滿足月徑流預(yù)測精度要求,在檢驗(yàn)期的各項(xiàng)評(píng)價(jià)指標(biāo)明顯優(yōu)于小波神經(jīng)網(wǎng)絡(luò)模型,其中小波支持向量回歸模型精度最高,推薦為張家山站月徑流預(yù)測模型,可以運(yùn)用于張家山站的月徑流預(yù)報(bào)。(4)為了驗(yàn)證小波支持向量機(jī)回歸模型的有效性和實(shí)用性,本文嘗試將該模型運(yùn)用于張家山站的日徑流預(yù)報(bào)。建立的小波支持向量機(jī)回歸模型在檢驗(yàn)期的RMSE、MAE、DC、R分別為26.05 m3/s、8.26 m3/s、0.826、0.910,與僅使用支持向量機(jī)回歸模型相比,小波支持向量機(jī)回歸模型預(yù)測精度明顯高于單一模型,且非汛期預(yù)測效果優(yōu)于汛期。該模型可有效模擬和預(yù)測日徑流,為日徑流預(yù)測提供了一種新途徑。
【關(guān)鍵詞】：涇河流域 徑流預(yù)報(bào) 小波分析 單項(xiàng)預(yù)測模型 組合模型
【學(xué)位授予單位】：西北農(nóng)林科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：P338
【目錄】：

• 摘要5-7
• ABSTRACT7-11
• 第一章 緒論11-23
• 1.1 研究目的和意義11
• 1.2 國內(nèi)外研究進(jìn)展11-19
• 1.2.1 傳統(tǒng)水文預(yù)報(bào)方法12-14
• 1.2.2 現(xiàn)代水文預(yù)報(bào)方法14-19
• 1.3 目前研究存在的問題19-20
• 1.4 本文主要研究內(nèi)容和技術(shù)路線20-21
• 1.4.1 研究的主要內(nèi)容20
• 1.4.2 技術(shù)路線20-21
• 1.5 研究區(qū)概況及資料21-23
• 第二章 研究原理和方法23-33
• 2.1 人工神經(jīng)網(wǎng)絡(luò)23-25
• 2.1.1 BP神經(jīng)網(wǎng)絡(luò)模型23-24
• 2.1.2 BP學(xué)習(xí)算法24-25
• 2.2 差分自回歸移動(dòng)平均模型25-27
• 2.2.1 模型原理25-26
• 2.2.2 求解ARIMA模型的一般步驟26-27
• 2.3 支持向量機(jī)27-29
• 2.3.1 支持向量機(jī)基本原理27-28
• 2.3.2 支持向量機(jī)回歸方法28-29
• 2.4 廣義回歸神經(jīng)網(wǎng)絡(luò)29-31
• 2.4.1 網(wǎng)絡(luò)基本結(jié)構(gòu)29-30
• 2.4.2 GRNN的理論基礎(chǔ)30-31
• 2.5 小波分析31-32
• 2.6 模型模擬和預(yù)報(bào)效果精度評(píng)定方法32-33
• 第三章 基于單項(xiàng)預(yù)測方法的月徑流預(yù)測33-41
• 3.1 BP神經(jīng)網(wǎng)絡(luò)模型33-34
• 3.1.1 BP網(wǎng)絡(luò)結(jié)構(gòu)確定33
• 3.1.2 BP網(wǎng)絡(luò)預(yù)測結(jié)果33-34
• 3.2 支持向量機(jī)回歸模型34-36
• 3.2.1 建模步驟34
• 3.2.2 模型應(yīng)用34-36
• 3.3 廣義回歸神經(jīng)網(wǎng)絡(luò)模型36-37
• 3.4 差分自回歸移動(dòng)平均模型37-39
• 3.5 單項(xiàng)預(yù)測方法精度比較39-40
• 3.6 本章小結(jié)40-41
• 第四章 基于組合預(yù)測方法的日、月徑流預(yù)測41-55
• 4.1 小波神經(jīng)網(wǎng)絡(luò)模型41-43
• 4.1.1 模型建立41-42
• 4.1.2 模型應(yīng)用42-43
• 4.2 小波支持向量機(jī)回歸模型43-47
• 4.2.1 模型建立43-44
• 4.2.2 模型應(yīng)用44-47
• 4.3 小波廣義回歸神經(jīng)網(wǎng)絡(luò)模型47-49
• 4.3.1 模型建立47
• 4.3.2 模型應(yīng)用47-49
• 4.4 組合預(yù)測方法精度比較49-50
• 4.5 基于小波支持向量機(jī)回歸模型的日徑流預(yù)測50-53
• 4.5.1 模型建立50-51
• 4.5.2 模型應(yīng)用51-53
• 4.6 本章小結(jié)53-55
• 第五章 結(jié)論與展望55-57
• 5.1 結(jié)論55-56
• 5.2 展望56-57
• 參考文獻(xiàn)57-61
• 致謝61-62
• 作者簡介62

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 張松;崔鐵軍;牟玉興;周松川;田堯;;基于ActiveX的3維模型建模方法研究[J];測繪與空間地理信息;2011年02期

2 包玉海，寶力格，包剛;改進(jìn)DHGM（2，2）模型[J];內(nèi)蒙古師大學(xué)報(bào)(自然科學(xué)漢文版);1995年02期

3 葉亮;潘爾順;奚立峰;;模型精度對(duì)自控性能的影響及謹(jǐn)慎控制策略[J];計(jì)算機(jī)集成制造系統(tǒng);2007年10期

4 周長芹;杜迎雪;何霞;;最小一乘準(zhǔn)則GM(1,1)模型[J];廊坊師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2013年02期

5 伍艷春;一種提高灰色預(yù)測模型精度的方法[J];系統(tǒng)工程;1997年04期

6 范家明;陶大欣;朱建青;朱長青;;一種基于TIN的DEM表面C~1光滑插值模型[J];測繪科學(xué)技術(shù)學(xué)報(bào);2007年03期

7 陳鵬;陳家君;;全球電離層格網(wǎng)模型精度影響因素分析[J];大地測量與地球動(dòng)力學(xué);2014年02期

8 潘延玲,葉聲華,丁海元;工業(yè)大地測量系統(tǒng)模型精度的驗(yàn)證[J];工程勘察;2000年05期

9 王良健;GM(1,1)模型在湖南嚴(yán)重干旱預(yù)報(bào)上的應(yīng)用[J];干旱區(qū)地理;1995年01期

10 王弘宇,馬放,楊開,呂斌;灰色新陳代謝GM(1,1)模型在中長期城市需水量預(yù)測中的應(yīng)用研究[J];武漢大學(xué)學(xué)報(bào)(工學(xué)版);2004年06期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前1條

1 丁松;黨耀國;徐寧;;灰色Verhulst模型的灰導(dǎo)數(shù)優(yōu)化及其應(yīng)用[A];第25屆全國灰色系統(tǒng)會(huì)議論文集[C];2014年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 劉夢涵;面向特大城市的分層次交通擁堵評(píng)價(jià)模型及算法[D];北京交通大學(xué);2009年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 楊知;GM(1,1)模型的優(yōu)化及其應(yīng)用研究[D];南京航空航天大學(xué);2009年

2 李辰;交通方式劃分的LOGIT模型方法[D];河海大學(xué);2004年

3 錢吳永;數(shù)據(jù)變換技術(shù)與GM(1，1)模型研究[D];南京航空航天大學(xué);2009年

4 孫禹?xiàng)?CAD模型修復(fù)技術(shù)研究[D];華中科技大學(xué);2007年

5 朱健;建筑物變形監(jiān)測數(shù)據(jù)分析中的灰色改進(jìn)模型應(yīng)用研究[D];長安大學(xué);2007年

6 龐慶非;基于移動(dòng)變窗口的地表溫度空間分辨率提升模型[D];電子科技大學(xué);2013年

7 胡得勝;基于模型的汽油機(jī)氣路系統(tǒng)控制map標(biāo)定[D];吉林大學(xué);2015年

8 曾柯方;幾種灰預(yù)測模型的參數(shù)辨識(shí)與優(yōu)化方法研究[D];西華師范大學(xué);2015年

9 鐘政;包含輔助圖形基于制程窗口的OPC模型[D];復(fù)旦大學(xué);2011年

10 王珂靖;統(tǒng)計(jì)型人口數(shù)據(jù)多尺度空間化模型研究[D];華東師范大學(xué);2015年

  本文關(guān)鍵詞：涇河流域徑流預(yù)報(bào)模型研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：323865