论文部分内容阅读
水资源是支撑社会经济可持续发展最基本的要素之一,其中径流的变化对整个水文系统的演化具有主导作用。可靠的径流预测对流域水量的合理调度、水资源有效管理、保护和规划具有重要意义。然而径流受气候、地理环境、社会发展及人类活动等不确定因素的影响,导致河川径流的变化体现出多尺度、非平稳、非线性等复杂特性,这为准确地进行中长期径流预测增加了难度。引进性能良好的预测方法同时平稳及简化复杂的径流序列,是提高径流预测精度的研究重点之一。本文以汾河上游上静游站、汾河水库站、寨上站及兰村站1958～2000年的年、月径流序列为研究对象,对其统计特征及变化特性进行系统的分析,并以此为基础,探究单一模型回声状态网络(Echo State Network,ESN)、非线性自回归神经网络(Nonlinear Auto-regressive Neural Network,NARNN)、随机森林(Random Forest,RF)、长短时记忆网络(Long and Short Term Memory network,LSTM)、基于互补集合经验模态分解法(Complete Ensemble Empirical Mode Decomposition,CEEMD)或极点对称模态分解方法(Extreme-point Symmetric Mode Decomposition,ESMD)的单次分解模型、基于CEEMD-变分模态分解(Variational Mode Decomposition,VMD)或ESMD-VMD的二次分解模型适用性,为径流预测提供新的方法及思路。研究的主要内容及结果如下:(1)汾河上游四个水文站径流序列年内分配极不均匀,全年最大值出现在8月,主要呈季节性变化,70年代之后,年内分布不均匀性增强;年际变化较大,整体呈现下降趋势,除支流上的上静游站外,另三站自上游到下游极值比增大,变化激烈程度逐渐增强;由此可初步确定径流序列具有非平稳、非线性特性。(2)上静游站年径流序列呈现下降趋势,但不显著,其余三个水文站年径流序列呈显著下降趋势;各站年、月径流序列主要在70年代左右存在突变点,且突变后产生下降趋势,与整体变化相符;年、月径流序列均包含较多的频率信息,年径流序列主要频率为0.07、0.14、0.21、0.28、0.32、0.42Hz,月径流序列主要频率为0.08、0.17、0.25Hz;由于径流序列具有突变、趋势及多尺度特征,可进一步确定径流序列具有非平稳、非线性等复杂特性;通过增广迪基-富勒法(Augmented Dickey-Fuller,ADF)检验,各站年、月径流序列的ADF统计量均大于5%临界值,从而定量描述径流序列具有非平稳性;同时采用模糊熵(Fuzzy Entropy,FE)来判定径流序列的复杂程度,其中月径流序列的FE值介于0.93～1.26,年径流序列的FE值介于5.31～12.54,年径流序列比月径流序列更为复杂。(3)当模拟期长度占总长度的80%时,ESN、NARNN、RF、LSTM预测精度最高,因此,本文以前34年、413个月为模拟期,后9年、103个月为验证期进行建模预测。由于各模型均具有较好的非线性映射能力,则年、月径流验证期结果的威尔莫特一致性指数(Willmott’s Index of Agreement,WIA)达到0.6以上,即预测有效。其中,RF与LSTM的预测结果WIA值相对更高,相比于ESN与NARNN模型,RF与LSTM年径流预测结果WIA值可分别提高至0.71～0.78、0.73～0.79,月径流预测结果WIA值可分别提高至0.83～0.85、0.83～0.78,即组合回归模型与深度学习模型具有更好的预测性能。年径流序列的精度低于月径流序列,且年径流量极大或极小的年份及月径流汛期的误差较大,由此可知,径流序列的复杂程度及其非平稳特性对各模型的预测效果有一定影响。(4)建立CEEMD或ESMD的单次分解组合模型,可将径流序列分解成多个包含不同频率信息的子序列以达到平稳及简化的目的,两种单次分解组合模型均有效提高了径流预测精度。对于年径流序列ESMD组合模型优于CEEMD组合模型,在四个水文站中,其验证期WIA值比单一模型平均提高19%～23%,对于月径流序列CEEMD组合模型优于ESMD组合模型,其验证期WIA值比单一模型平均提高6%～12%;单次分解组合模型中的最高频分量仍较为复杂,因此其预测精度较低。(5)基于二次分解的组合预测模型通过VMD将单次组合模型中的最高频分量分解出若干变分模态(Variational Mode,VM),进一步提取最高频分量中的信息,达到简化处理的目的,从而提高最高频分量的预测精度。年、月径流序列中,CEEMD最高频分量通过VMD处理后再预测所得到的结果,WIA值分别平均提高6%～14%、7%～16%,ESMD最高频分量通过VMD处理后再预测所得到的结果,其WIA值可分别平均提高6%～10%、9%～16%,由此可有效提高整体预测精度。对于预测性能较好的RF及LSTM方法,将其与二次分解相结合构成组合模型,即CEEMD-RF、CEEMD-LSTM、ESMD-RF、ESMD-LSTM,预测结果也更好,因此,为了提高径流预测精度,需选取有效的径流处理方法及性能更好的预测模型。