秃尾河流域径流变化规律及预测研究

论文摘要

径流的变化对整个水文水资源系统的变化起着主导的作用,也对我们如何合理有效开发利用区域水资源有着深远的影响。随着能源工业的发展和各种水利设施的建设,对陕北秃尾河流域径流的变化规律及预测研究正日益引起人们的重视,这也将对该流域的水资源合理开发、水利工程建设以及社会经济的飞速发展有着重要而深远的指导意义。本文利用秃尾河流域高家川站年径流资料为研究对象,利用数理统计方法、小波分析理论,通过分析计算对秃尾河流域径流的变化规律等特性进行了系统的研究。并在此基础上建立门限自回归模型和BP神经网络模型对其径流变化进行了预测分析,得到以下主要结果:(1)秃尾河流域年径流总体呈减少趋势。通过采用滑动平均法和Mann ? Kendall秩次相关检验法对高家川站径流变化趋势进行了定性和定量的统计分析,结果表明秃尾河年径流量确实有明显的下降趋势。(2)通过对年内分配不均匀性、完全调节系数、集中度等计算,结果表明流域径流年内分配比较均匀,流域对径流的的调节能力在逐渐增大。(3)对秃尾河流域高家川站年径流进行小波分析,发现该年径流过程主要存在2年、8年和19年左右变化周期,其中19年左右时间尺度为第一主周期。同时发现目前年径流处在枯水期后期,水量有转向增加的趋势。(4)应用自相关系数分析技术确定门限自回归模型的延迟步数和门限区间自回归模型的阶数,采用D.D.C.方法中点值图确定门限自回归模型的门限区间个数和门限值的寻优范围,再用黄金分割法对门限值进行寻优,最后对处于不同门限区间内的数据序列分别建立自回归模型,对年径流进行预测研究,结果表明所建立的TAR模型的合格率为81.8%,预报精度达到乙级。(5)借助MATLAB软件中的神经网络工具箱,不考虑降水影响时采用前两年径流量作为输入因子,考虑降水影响时以当年降水量和前两年径流量作为输入因子,当年径流量作为输出因子,建立一个三层BP神经网络模型。通过对年径流量的预测,发现所建BP神经网络模型的预报精度达到甲级。说明所建立的BP神经网络模型用于该流域的年径流预测得精度较高,是一种非常有效地年径流预测方法。最后通过将BP神经网络模型与TAR模型的预测结果进行综合比较,我们可以发现BP神经网络模型用于秃尾河流域的径流预测能够获得的更精确的预报效果。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景、目的和意义
• 1.1.1 研究背景
• 1.1.2 研究的目的和意义
• 1.2 国内外研究进展
• 1.2.1 现状预报方法概述
• 1.2.2 目前研究中存在的主要问题
• 1.3 论文研究的主要内容与技术路线
• 1.3.1 论文研究的主要内容
• 1.3.2 论文研究的技术路线
• 第二章 流域概况和径流变化特性分析
• 2.1 流域概况
• 2.1.1 自然概况
• 2.1.2 经济社会概况
• 2.2 基本资料情况
• 2.3 径流基本统计特性分析
• 2.4 径流分配变化规律分析
• 2.4.1 径流的年际变化规律分析研究
• 2.4.2 径流的年内分配研究
• 2.5 径流变化趋势分析
• 2.5.1 滑动平均法
• 2.5.2 Mann-Kendall 秩次相关检验法
• 2.6 降水及人类活动对径流的影响
• 2.6.1 降水对径流的影响
• 2.6.2 人类活动对径流的影响
• 第三章 基于小波理论的径流序列多时间尺度分析
• 3.1 小波分析基本理论
• 3.1.1 小波的定义
• 3.1.2 连续小波变换
• 3.1.3 离散小波变换
• 3.1.4 常见小波函数
• 3.2 年径流量序列多时间尺度小波分析
• 3.2.1 小波变换系数图
• 3.2.2 小波方差
• 3.2.3 秃尾河流域年径流量序列多时间尺度变化特征分析
• 第四章 门限自回归模型的在年径流预测中的应用
• 4.1 模型简介
• 4.2 模型的建立
• 4.2.1 延迟步数与模型阶数的确定
• 4.2.2 门限区间个数的确定
• 4.2.3 门限值寻优
• 4.2.4 分区间建立自回归模型AR（p）
• 4.2.5 模型的评定与检验
• 4.3 模型参数的确定及应用
• 4.3.1 模型参数的确定
• 4.3.2 AR（p）模型的确定
• 4.3.3 模型应用
• 第五章 BP 神经网络模型在年径流预测中的应用
• 5.1 人工神经网络的基本原理
• 5.1.1 人工神经网络概论
• 5.1.2 人工神经元模型
• 5.1.3 神经网络模型的拓扑结构
• 5.1.4 人工神经网络模型的学习规则
• 5.2 BP 神经网络的基本理论
• 5.2.1 BP 神经网络模型的结构
• 5.2.2 BP 神经网络模型的学习过程
• 5.2.3 BP 算法存在的问题及其改进
• 5.2.4 BP 神经网络模型结构的确定
• 5.2.5 BP 神经网络算法的具体过程
• 5.3 基于MATLAB 的BP 神经网络模型
• 5.3.1 MATLAB 及其神经网络工具箱简介
• 5.3.2 基于MATLAB 工具箱的BP 神经网络模型设计
• 5.4 基于BP 神经网络模型的年径流预测
• 5.4.1 数据的预处理
• 5.4.2 网络输入、输出层及隐含层的确定
• 5.4.3 BP 神经网络模型的应用
• 5.4.4 考虑降水影响的BP 预报模型
• 第六章 结论与展望
• 6.1 结论
• 6.2 展望
• 参考文献
• 致谢
• 作者简介