月径流特性分析及其预报模型研究

发布时间：2021-06-29 06:29

　　径流量预测是水文学研究的一个重要方向,开展径流演变规律的研究,摸清径流量的增减趋势,并在此基础上做出科学合理的径流预测,对于区域水资源的综合开发利用、合理配置、高效管理具有重要指导作用。本文在分析某水文站月径流量演变规律的基础上,建立SARIMA模型,NAR神经网络模型以及SARIMA-NAR组合模型对其未来一段时间的月径流量进行了预测,主要工作内容和研究成果如下:（1）在时间序列分析和随机水文学的基础上,对该水文站径流演变规律中的确定性成分进行了分析。采用Kendall秩次相关检验法、Spearman秩次相关检验法分析该水文站月径流序列的演变趋势,结果表明其各月径流量总体变化趋势不显著,历年逐月径流量有不显著递增趋势;采用有序聚类法,秩和检验法诊断径流序列的突变情况,结果表明其月径流序列突变现象不显著;采用小波分析法分析径流序列的周期性,发现其径流演变过程存在多尺度周期变化并识别出18个月的第一主周期,9个月的第二主周期。（2）在时间序列分析的基础上,建立了SARIMA季节乘积模型,对径流量序列进行拟合并预测,经检验预测结果的确定性系数为0.90,预测精度较高。（3）结合神经网络有关... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

水文时间序列组成成分去除确定性成分后水文过程中的相依性和独立性一般等同于其随机性成分

15图 2-3 小波系数模等值线图绘制小波系数模等值线图如图 2-3 所示，该图反映了不同时间尺度的周期变化对应的能量密度在时域的分布，模值越大说明该该尺度下的周期性越强。如图可以看出，13~25 月尺度下模值最大，周期变化最明显。绘制小波系数模方等值线图如图 2-4 所示，小波模方相当于小波能量谱，据此可以判断不同时间尺度周期的能量。如图，13~25 月周期对应的能量最强，说

华 中 科 技 大 学 硕 士 学 位 论 文的分布情况，图中实线表示小波系数实部值大于零，表示对应时域的径流量较大，虚线表示小波系数实部小于零，表示对应时域的径流量较小。该图也反映了径流演变过程中的多时间尺度特征。图中明显可以看出历年逐月径流量存在着约13~25 月，7~12 月的周期变化规律。

【参考文献】：
期刊论文
[1]基于改进PSO-BP神经网络在径流量预测中的应用[J]. 王长鹏,齐俊,蔡永宁,杲广文,吴凯.  城市勘测. 2019(02)
[2]大通河流域近60年径流变化特征和趋势分析[J]. 王大超,杜丽芳,路贺,史伟明,张钰.  水利水电快报. 2019(04)
[3]凉水河子站年径流变化趋势及突变分析[J]. 冀连华.  水资源开发与管理. 2018(06)
[4]西江干流径流年际及年内变化趋势分析[J]. 陈立华,刘为福,冷刚,王焰.  南水北调与水利科技. 2018(04)
[5]雅砻江上游径流及影响因素关系研究[J]. 黄艳艳,赵红莉,蒋云钟,卢鑫.  干旱区地理. 2018(01)
[6]水文预报方法分析[J]. 王晶.  科技创新与应用. 2015(18)
[7]水文时间序列周期分析方法的研究[J]. 杨华.  中国水能及电气化. 2015(05)
[8]基于方差线谱的水文时间序列周期分析[J]. 徐义萍,张军红.  吉林水利. 2014(07)
[9]基于MIKE21 FM模型的蓄洪区洪水演进数值模拟[J]. 郭凤清,屈寒飞,曾辉,丛沛桐,耿欣.  水电能源科学. 2013(05)
[10]多隐层BP神经网络模型在径流预测中的应用[J]. 崔东文.  水文. 2013(01)

硕士论文
[1]汉江陕西段径流演变分析及多模型预测研究[D]. 章智.西安理工大学 2018
[2]基于时间序列分析方法的油田产量预测与应用[D]. 李达.兰州理工大学 2018
[3]基于ARIMA-BPNN的负荷预测方法研究与应用[D]. 刁家伟.广东工业大学 2018
[4]基于NAR神经网络的车速预测及应用[D]. 袁鲁山.大连理工大学 2016
[5]汾河上游径流时间序列成分分析和特性研究[D]. 李鹏.太原理工大学 2012
[6]时间序列分析的研究与应用[D]. 汤岩.东北农业大学 2007
[7]几种水文时间序列周期分析方法的比较研究[D]. 肖志国.河海大学 2006



本文编号：3255930