發(fā)布時(shí)間：2021-06-29 06:29

　　徑流量預(yù)測是水文學(xué)研究的一個(gè)重要方向,開展徑流演變規(guī)律的研究,摸清徑流量的增減趨勢,并在此基礎(chǔ)上做出科學(xué)合理的徑流預(yù)測,對于區(qū)域水資源的綜合開發(fā)利用、合理配置、高效管理具有重要指導(dǎo)作用。本文在分析某水文站月徑流量演變規(guī)律的基礎(chǔ)上,建立SARIMA模型,NAR神經(jīng)網(wǎng)絡(luò)模型以及SARIMA-NAR組合模型對其未來一段時(shí)間的月徑流量進(jìn)行了預(yù)測,主要工作內(nèi)容和研究成果如下:（1）在時(shí)間序列分析和隨機(jī)水文學(xué)的基礎(chǔ)上,對該水文站徑流演變規(guī)律中的確定性成分進(jìn)行了分析。采用Kendall秩次相關(guān)檢驗(yàn)法、Spearman秩次相關(guān)檢驗(yàn)法分析該水文站月徑流序列的演變趨勢,結(jié)果表明其各月徑流量總體變化趨勢不顯著,歷年逐月徑流量有不顯著遞增趨勢;采用有序聚類法,秩和檢驗(yàn)法診斷徑流序列的突變情況,結(jié)果表明其月徑流序列突變現(xiàn)象不顯著;采用小波分析法分析徑流序列的周期性,發(fā)現(xiàn)其徑流演變過程存在多尺度周期變化并識別出18個(gè)月的第一主周期,9個(gè)月的第二主周期。（2）在時(shí)間序列分析的基礎(chǔ)上,建立了SARIMA季節(jié)乘積模型,對徑流量序列進(jìn)行擬合并預(yù)測,經(jīng)檢驗(yàn)預(yù)測結(jié)果的確定性系數(shù)為0.90,預(yù)測精度較高。（3）結(jié)合神經(jīng)網(wǎng)絡(luò)有關(guān)... 

【文章來源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【部分圖文】：

水文時(shí)間序列組成成分去除確定性成分后水文過程中的相依性和獨(dú)立性一般等同于其隨機(jī)性成分

15圖 2-3 小波系數(shù)模等值線圖繪制小波系數(shù)模等值線圖如圖 2-3 所示，該圖反映了不同時(shí)間尺度的周期變化對應(yīng)的能量密度在時(shí)域的分布，模值越大說明該該尺度下的周期性越強(qiáng)。如圖可以看出，13~25 月尺度下模值最大，周期變化最明顯。繪制小波系數(shù)模方等值線圖如圖 2-4 所示，小波模方相當(dāng)于小波能量譜，據(jù)此可以判斷不同時(shí)間尺度周期的能量。如圖，13~25 月周期對應(yīng)的能量最強(qiáng)，說

華 中 科 技 大 學(xué) 碩 士 學(xué) 位 論 文的分布情況，圖中實(shí)線表示小波系數(shù)實(shí)部值大于零，表示對應(yīng)時(shí)域的徑流量較大，虛線表示小波系數(shù)實(shí)部小于零，表示對應(yīng)時(shí)域的徑流量較小。該圖也反映了徑流演變過程中的多時(shí)間尺度特征。圖中明顯可以看出歷年逐月徑流量存在著約13~25 月，7~12 月的周期變化規(guī)律。

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)PSO-BP神經(jīng)網(wǎng)絡(luò)在徑流量預(yù)測中的應(yīng)用[J]. 王長鵬,齊俊,蔡永寧,杲廣文,吳凱.  城市勘測. 2019(02)
[2]大通河流域近60年徑流變化特征和趨勢分析[J]. 王大超,杜麗芳,路賀,史偉明,張鈺.  水利水電快報(bào). 2019(04)
[3]涼水河子站年徑流變化趨勢及突變分析[J]. 冀連華.  水資源開發(fā)與管理. 2018(06)
[4]西江干流徑流年際及年內(nèi)變化趨勢分析[J]. 陳立華,劉為福,冷剛,王焰.  南水北調(diào)與水利科技. 2018(04)
[5]雅礱江上游徑流及影響因素關(guān)系研究[J]. 黃艷艷,趙紅莉,蔣云鐘,盧鑫.  干旱區(qū)地理. 2018(01)
[6]水文預(yù)報(bào)方法分析[J]. 王晶.  科技創(chuàng)新與應(yīng)用. 2015(18)
[7]水文時(shí)間序列周期分析方法的研究[J]. 楊華.  中國水能及電氣化. 2015(05)
[8]基于方差線譜的水文時(shí)間序列周期分析[J]. 徐義萍,張軍紅.  吉林水利. 2014(07)
[9]基于MIKE21 FM模型的蓄洪區(qū)洪水演進(jìn)數(shù)值模擬[J]. 郭鳳清,屈寒飛,曾輝,叢沛桐,耿欣.  水電能源科學(xué). 2013(05)
[10]多隱層BP神經(jīng)網(wǎng)絡(luò)模型在徑流預(yù)測中的應(yīng)用[J]. 崔東文.  水文. 2013(01)

碩士論文
[1]漢江陜西段徑流演變分析及多模型預(yù)測研究[D]. 章智.西安理工大學(xué) 2018
[2]基于時(shí)間序列分析方法的油田產(chǎn)量預(yù)測與應(yīng)用[D]. 李達(dá).蘭州理工大學(xué) 2018
[3]基于ARIMA-BPNN的負(fù)荷預(yù)測方法研究與應(yīng)用[D]. 刁家偉.廣東工業(yè)大學(xué) 2018
[4]基于NAR神經(jīng)網(wǎng)絡(luò)的車速預(yù)測及應(yīng)用[D]. 袁魯山.大連理工大學(xué) 2016
[5]汾河上游徑流時(shí)間序列成分分析和特性研究[D]. 李鵬.太原理工大學(xué) 2012
[6]時(shí)間序列分析的研究與應(yīng)用[D]. 湯巖.東北農(nóng)業(yè)大學(xué) 2007
[7]幾種水文時(shí)間序列周期分析方法的比較研究[D]. 肖志國.河海大學(xué) 2006



本文編號：3255930