一、混沌理论在径流预报中的应用研究（论文文献综述）
金文婷[1]（2021）在《黄河梯级水库群“水-沙-电-生态”多维协同控制与与均衡调控研究》文中提出黄河是中华民族的母亲河。目前,黄河正面临严峻的生态环境和水资源利用挑战。一方面,近四十年来,黄河流域经济社会快速发展,水资源需求不断增加,黄河水沙情势发生改变,呈现出水资源严重短缺、水生态环境受损、河道泥沙淤积等突出问题,制约着黄河流域的生态保护和可持续发展。另一方面,受气候变化和人类活动影响,近年来黄河径流量呈减少趋势,使得缺水及生态问题进一步突出。梯级水库群在防洪、生态、供水、发电、输沙等方面发挥着显着作用,承担着支撑社会经济发展和保障河流生态健康的重要使命。为了推进黄河流域生态保护和高质量发展,亟需研究径流减少背景下黄河梯级水库群“水-沙-电-生态”多维协同控制与均衡调控,重点保障水资源多目标利用的关键利益,为黄河梯级水库群调度下供水、发电、输沙、生态多目标形成协同有序、利益均衡提供理论依据。本文以黄河梯级水库群为研究对象,从水资源高效利用的角度出发,以水文学、水资源学、系统工程学、计算机科学、协同学以及混沌理论为指导,系统地提出一套梯级水库群“水-沙-电-生态”多维协同控制与均衡调控、调度系统混沌特征识别与引导的理论与方法体系,以期为径流减少背景下存在多目标激烈竞争关系的梯级水库群优化调度提供理论支撑和技术指导。主要研究内容和成果如下:（1）基于协同学提出了梯级水库群“水-沙-电-生态”多维协同控制理论,确定了梯级水库群“水-沙-电-生态”多维协同控制的总体原则,即在保障各目标关键利益的基础上,通过统筹协调、甚至必要时适度牺牲非关键利益来实现水库群“水-沙-电-生态”多维协同控制;识别了黄河上游及中下游供水、发电、输沙、生态各目标的关键利益与非关键利益,选取了相应的序参量,确定了序参量阈值,为构建梯级水库群“水-沙-电-生态”多维协同控制模型奠定了理论基础。（2）构建了黄河梯级水库群“水-沙-电-生态”多维协同控制模型（协同模型）及传统的梯级水库群多目标调度模型（传统模型）,采用层次分析法确定协同模型的序参量权重,运用粒子群优化算法对两种模型进行求解。验证算例的协同模型与传统模型结果对比表明:协同模型以较小牺牲4.35%的非关键发电利益换取了多目标利益（尤其是关键利益）较传统模型的全面提高,验证了协同模型的有效性与合理性。协同模型更加符合缺水流域在多目标竞争激烈背景下的水资源高效利用要求,为梯级水库群调度下“水-沙-电-生态”多目标在时段间形成协同有序提供了技术支撑。（3）提出了基于满意边界的时段内多目标均衡调控方法,以促使协同模型结果在逐时段内达到多目标利益均衡。引入满意度概念以衡量时段内单目标的利益满足程度,由时段单目标满意度的最大、最小值所构成的区间作为“满意边界”,通过合理的方法获取各目标的满意边界;以满意边界为依据对协同模型结果进行逐时段多目标利益均衡检验,对时段内满意边界遭到破坏的目标进行调控,以确保时段内多目标利益均在满意边界内;为梯级水库群调度下“水-沙-电-生态”多目标在时段内实现利益均衡提供了科学支撑。（4）提出了梯级水库群多目标调度系统混沌特征识别与引导方法。引入混沌理论及相关概念,论证了梯级水库群多目标调度系统为非线性动态系统,具有混沌特征;提出了以梯级水库群逐时段“水-沙-电-生态”多目标满意度闭合面积时间序列作为表征水库群调度系统运行状态的混沌时间序列,用于提取混沌特征指标（关联维数及Kolmogorov熵）;评价多目标利益均衡调控是否有利于降低梯级水库群调度系统的混沌特征,引导水库群调度系统向减小混沌程度与复杂程度的方向演进;为选取混沌特征较小的梯级水库群运行方案提供了科学的理论依据。（5）以黄河上游径流变异点（1990年）为分界,对1960～1989年及1990～2015年两个径流序列的黄河上、中下游梯级水库群“水-沙-电-生态”多维协同控制与均衡调控最终方案进行分析,量化了径流减少对黄河梯级水库群“水-沙-电-生态”多目标利益的影响;在梯级水库群“水-沙-电-生态”多维协同控制与均衡调控的指导下,各目标关键利益受损程度明显小于非关键利益的受损程度,体现了所提理论与方法在径流减少的背景下以各目标关键利益为保障重点的战略优势。（6）设置了 2030水平年现有水利工程条件及有古贤水库两种情景;通过对1990～2015年径流序列的黄河上、中下游梯级水库群“水-沙-电-生态”多维协同控制与均衡调控最终方案分析,量化了河道外综合需水增加及古贤水库生效对黄河梯级水库群“水-沙-电-生态”多目标利益的影响,分析了古贤水库参与联合运行后黄河中下游梯级水库群运行方式的变化。
方巍[2]（2020）在《基于变分模态分解的灰狼优化最小二乘支持向量机研究及其在径流预报中的应用》文中研究说明工业革命以来,人类对气候的影响越来越大,修建水库大坝的能力越来越强,径流的形成过程受人类活动的影响也越来越大,致使径流的复杂性和非平稳性越来越明显。因此,在水资源利用和防洪抗灾方面具有重要意义的径流预报逐渐成为相关领域研究的难点和热点。为此,针对径流预报的难点,本文采用基于变分模态分解的灰狼优化最小二乘支持向量机预报模型,采用该预报模型对渭河眉县段月径流量进行预测,希望能为渭河中游的径流预报工作提供一定的参考价值。本论文主要做的工作如下:（1）以渭河眉县段魏家堡水文站采集的600个月径流量为研究对象,首先统计了该段径流的变化特性相关信息,该段径流年代间变化较为统一,年内分布不均,7成多的径流量都集中在5月至10月之间,从600个月时间尺度上看,月径流周期性明显。（2）建立灰狼优化的最小二乘支持向量机预测模型,并对月径流样本进行了仿真实验。论文对灰狼优化算法和最小二乘支持向量机进行详实的说明,针对一般的最小二乘支持向量机超参数选择困难问题,采用灰狼优化算法对最小二乘支持向量机惩罚因子C和核参数σ进行优化寻取。建立灰狼优化的最小二乘支持向量机预测模型,从600个月径流量中分别选用300、400和500个样本进行训练,并与粒子群优化模型和遗传优化算法优化的模型进行对比,训练结果表明灰狼优化模型收敛速度更快,50次迭代运行时间灰狼优化模型比粒子群平均快了0.0328秒,比遗传优化模型快了0.4279秒。（3）基于变分模态分解技术,将径流原始时间序列分解为一系列特征模态分量,改进采用了变分模态分解灰狼优化预测模型,并用该混合预报模型进行了仿真实验,实验结果显示了该混合预测模型的优越性。论文对变分模态分解算法的理论,变分函数的建立与重构条件进行了介绍,变分模态分解将原始径流数据分解成规律性较强的一系列特征分量,再采用灰狼优化最小二乘支持向量机模型对特征分量分别预测,最终重构各特征分量预测结果,得到径流预报模型的最终预测结果。用变分模态分解的灰狼优化最小二乘支持向量机模型进行校正预测,并将预测结果与未分解的灰狼优化模型和经验模态分解的灰狼优化模型进行对比。结果显示分解的优化模型预测结果各项评价指标都明显优于未分解的优化模型,变分模态分解的优化模型预测结果决定系数比经验模态分解优化模型高了0.016,而平均绝对误差少了0.028411亿立方米。
杨沁瑜[3]（2020）在《渭河流域中长期径流预报研究》文中进行了进一步梳理由于气候、下垫面、人类活动等一系列因素的影响,径流序列往往具有随机性、偏态性及非线性等特征,及时准确的径流预报对水资源配置管理、水库调度决策等工作具有十分重要的实际意义与应用价值。渭河是黄河第一大支流,渭河流域以占陕西省18%的水资源量支撑着省内56%的耕地、72%的灌溉面积以及75%的国民生产总值,中长期径流预报可为渭河流域水资源开发利用、水利工程防洪、抗旱、发电等提供科学决策依据。因此本文考虑径流序列的变化特性,选用渭河流域林家村、魏家堡、咸阳、华县、张家山和状头6个控制性水文站月径流资料,结合Box-Cox变换（BC）、Min-Max标准化（MM）和小波分析（WD）3种径流序列处理方法,灰色关联分析（Gray）和Lasso回归2种预报因子筛选方法以及BP神经网络、投影寻踪回归和支持向量回归3种模型,建立了24种月径流预报组合模型,进行中长期径流预报研究,根据3个预报误差指标对模型进行综合评价与优选,取得以下主要结果:（1）构建BC-Lasso、BC-Gray、MM-Lasso和MM-Gray预报因子筛选方法,对于相同的径流预报模型,由6个水文站在验证期的各项评价指标可以看出,4种方法的综合预报效果由优到劣的排序为BC-Lasso>BC-Gray>MM-Lasso>MM-Gray,研究结果表明,采用Box-Cox变换对数据做正态化处理以及采用Lasso回归优选预报因子集能有效提高模型的预报效果。（2）构建基于小波分析的WD-BC-Lasso、WD-BC-Gray、WD-MM-Lasso和WD-MM-Gray预报因子筛选方法,其综合预报效果由优到劣的排序为WD-BC-Lasso>WD-BC-Gray>WD-MM-Lasso>WD-MM-Gray,基于小波分析预处理技术的筛选方法优于未进行小波分解处理的筛选方法,研究结果表明,采用小波分析对数据进行分解重构提高了模型的预报效果。（3）构建BP神经网络模型、投影寻踪回归模型和支持向量回归模型,对于相同的径流序列处理及预报因子选择方法,由6个水文站在验证期的各项评价指标可以看出,3个模型的综合预报效果由优到劣的排序为SVR>BP>PPR,研究结果表明,支持向量回归模型能够很好地实现有限样本下的全局最优解,具有良好的泛化能力。对于6个水文站的24种预报组合模型,虽然不同水文站点满足预报要求的模型及数量并不相同,但是综合对比下,基于小波分解、Box-Cox变换处理径流序列和Lasso回归筛选预报因子的支持向量回归（WD-BC-LSVR）模型在渭河流域月径流预报中表现出了良好的预报精度和稳定性,在验证期,6个水文站的MRE均小于17%,R大于0.97,Ens大于0.93,表明WD-BC-LSVR模型模拟效果优于其他模型,具有明显的优势,其中,林家村、魏家堡、咸阳、华县和张家山5站优选模型为WD-BC-LSVR模型,状头站虽未优选该模型,但其预报效果仍能满足要求,综上,WD-BC-LSVR模型为24种预报组合模型中的最优模型,可用于渭河流域月径流预报。
齐凡[4]（2020）在《不确定性方法在山区小流域水文预报中的应用》文中研究说明由于水文过程中存在很多不确定性,预报操作中存在很多盲点。不确定性是水文过程中客观存在的,不确定性问题是目前水文预报的热点问题,研究不确定性方法在小流域水文预报的实际应用可以为加强水文基础理论和防洪提供广泛的应用可能性。本文选择永翠河流域作为研究对象,应用不确定理论对月径流序列进行预报,取得的成果如下:（1）季节性一阶自回归模型在径流量突变点、特丰期时个别月份径流、过渡期月径流,都不能给出理想预报精度。不过该模型结构简单,建模方便,而且预报给出的过程线,能描述出月径流序列水平和周期变化特性,可作参考使用。（2）季节性最小二乘多元线性回归模型中,在不考虑降雨的情况下,模型的拟合和预报效果均一般,丰水期6月份和枯水期12月预报效果稳定。考虑降雨后,模型的预报精度提高很大,误差合格率以及峰值相对误差均符合水文预报误差标准,对于研究区域有一定的适应性。（3）自适应模糊神经推理系统（ANFIS）训练过程拟合程度较高,检验过程中绝大多数月份相对误差值在20%以内,有些精度较高的月份误差达到0.8%,预报结果趋势良好,预报值与实际值相关程度较高,除个别月份,决定系数比较接近1,适用于永翠河流域月径流序列预报。（4）建立联合预报模型,ANFIS预报降雨的基础上,建立了考虑当月降雨的最小二乘多元线性回归模型,模型的预测精度和降雨的预报精度紧密有关。降雨预报精度满足标准,模型得出的径流过程也令人满意,适用于研究区。为预报模型更广泛的应用提供了新途径.
王爽[5]（2020）在《基于极点对称模态分解的长江上游径流变化特征及预报》文中进行了进一步梳理径流变化特征和径流预报是水资源合理开发与有效利用的前提和基础。径流预报的精度直接关系到流域水资源的优化配置与合理利用的综合效益最大化。鉴于径流序列是大尺度循环和非线性趋势混叠的非平稳序列,直接预测精度较低,本文基于具有平稳化技术、自适应、无基和识别周期与趋势成分特点的极点对称模态分解（Extreme-point Symmetric Mode Decomposition,ESMD）方法对径流序列的变化特征和预报问题做了研究。径流序列变化特征方面,首先,利用ESMD方法将长江上游干支流8站的年、月、日径流序列逐级分解为平稳的不同时间尺度的模态分量和趋势余项,有效地甄别了大尺度循环和非线性趋势。然后,分别利用快速傅里叶变换（FFT）周期图、最佳自适应全局均线（Adaptive Global Mean curve,AGM）下的趋势余项和ESMD时频分析的频率与振幅时变图,得到径流序列多时间尺度的周期变化、非线性趋势变化和突变特征,掌握径流序列的变化特征。最后,与Morlet小波变换、Mann-Kendall（M-K）趋势检验、赫斯特（Hurst）指数、Mann-Kendall（M-K）突变检验和滑动T检验得到的结果对比分析。结果表明:长江上游干支流8站均存在不同时间尺度的周期变化规律;除朱沱站径流呈增加的趋势外,其余水文站径流序列均呈减少的趋势变化,且未来一段时间,长江上游径流量将呈持续减少的趋势;受气候变化和人类活动的共同影响,干支流各水文站的突变时间也不相同。径流预报方面,首先,利用ESMD方法平稳化处理的技术和可逼近任何非线性映射的误差反向传播网络（Back Propagation Neural Network,BP神经网络）建立ESMD-BP神经网络组合预报模型。然后,利用ESMD方法平稳化处理技术,结合Elman神经网络（Elman Neural Network,ENN）非线性逼近速度更快、动态特性好的特点,建立ESMD-ENN组合预报模型。最后,将两种组合预报模型应用于长江上游寸滩站和武隆的年、月、日径流预报,并采用单一BP神经网络和单一 ENN对比分析。结果表明:两种组合预报模型均为“分解→预测→重构”模式,结合了 ESMD数据自适应分析、平稳化处理和神经网络非线性逼近的优点,可以提高径流预报的准确率。与ESMD-BP神经网络组合预报模型比,ESMD-ENN组合预报模型多了一个关联层,增加了处理动态信息的能力,预测精度更高。最后,本文采用正态（normal）分布、t location-scale分布、稳定（stable）分布、logistic分布四种分布模型,分别对径流预报误差进行拟合,并优选出描述径流预报误差的最优模型,将最优模型模拟的预报误差与径流预报值叠加,进行预报校正,可以有效提高预报精度和水平,使预报的径流过程更接近实际来水。进而,为水库中长期和短期调度及决策提供可靠的依据。
唐榕[6]（2020）在《考虑多元信息的水库多目标优化调度研究》文中进行了进一步梳理我国水资源供需矛盾日益突出,水资源管理需求向发电、供水、环境、农业灌溉等多目标综合利用、协调最优发展,而水库是实现多目标间相互协调的最重要调控工程,科学合理的水库优化调度对于充分利用水库调蓄能力、有计划地对天然径流进行蓄泄以最大程度地满足各用户目标需求十分关键。随着调度目标数量的增多,水库多目标合理优化难度加大,如何高效求解、如何合理优选决策及如何进一步提升多目标优化效益这三个问题变得愈发突出。考虑到水库调度的多个目标受国家政策、供水优先权的影响有一定偏好,合理利用该偏好信息可以为高效求解提供引导;水库多个目标间存在竞争,对该竞争信息进行量化权衡有助于掌握用户的用水竞争规律以合理决策;而精度更高、预见期更长的预报信息在水库多目标调度中的合理利用有助于及早掌握未来入流丰枯情况以修正决策,提升调度效益。基于上述问题和相应分析,本文选取尼尔基水库为研究实例,结合水库调度中多目标间存在的偏好信息、竞争信息及精度日益提升的预报信息这三方面的信息,分别从优化求解算法、优选决策方法及预报信息在水库调度中的修正利用方法三个角度开展了考虑多元信息的水库多目标调度研究。本文主要研究内容与成果如下:（1）介绍了尼尔基水库基本概况及构建了通用的水库多目标调度模型。首先介绍了尼尔基水库概况、来水需水资料及兴利调度要求等基本情况。然后确立了用于指导水库调度运行的调度图基本形式,并构建了用于求解调度图的多目标调度模型,为论文后续研究提供模型基础。（2）提出了基于偏好信息的水库多目标优化求解方法。首先分别利用改进拥挤度及r支配、g支配三种基于参考点的偏好策略改进了常规算法NSGA-II;其次,分析出尼尔基水库不同目标偏好、设置相应参考点;最后,针对不同参考点,分别用三种改进后的算法求解得到Pareto解集,在相同目标函数计算次数下,从偏好区域内解集的收敛性、多样性、与参考点的靠近度及偏好区域内有效解个数等多角度与常规优化解集进行对比,探究三种算法是否能提高期望区域有效解的搜索效率和质量。结果表明采用改进拥挤度和r支配两种策略的改进算法获取的偏好区域内解集的收敛性、多样性优于常规算法,有效解个数可增加3倍以上,与参考点的靠近度可提高42.8%,而应用g支配的改进算法则难以保证解集收敛性。（3）提出了多目标竞争程度量化指标,并给定相应的多目标决策方法。首先,基于优化求解所得的多维Pareto解集,利用非支配排序获取两两目标的二维Pareto前沿,根据二维Pareto前沿、多维Pareto解集与两两目标竞争强弱程度的对应规律,归纳总结出能够量化两目标竞争程度的指标CEI,并据此定义量化单个目标与其他所有目标的竞争强弱的总体竞争量化指标值TCEI;其次,根据每个目标的TCEI值确定各目标权重用于多目标决策;最后,将指标和相应决策方法用于尼尔基水库用水从低到高四种用水情景下的竞争关系量化及合理决策方案优选中。结果显示所提指标既能实现多目标间竞争程度的量化,又能表征用水变化条件下竞争变化情况,相应决策方法可识别出在竞争度最高目标上表现较优的解作为推荐方案。（4）提出了一种考虑多时序过程因子的中期径流预报方法。首先,评估了提供降雨因子的降雨产品适用性和降雨预报产品的精度;其次,基于BP神经网络从前期降雨因子、前期径流因子和未来降雨因子中筛选出了反映过程差异的多时序因子和非过程影响的独立因子,将因子组合预报未来第一旬径流,并与相关系数最大因子组合下的预报结果对比评估;最后,结合流域实际情况和第一旬径流预报因子,确定未来第二旬径流预报因子并进行预报和评估。结果表明细化考虑了多时序过程因子的预报方法,其未来第一旬径流预报精度更高,预报效果有所改善,而未来第二旬径流预报值精度满足甲级预报标准,与未来第一旬径流预报结果一样均可发布使用。（5）揭示了旬径流预报不确定性对水库调度的影响机制,并据此提出了预报信息的修正应用方法。首先,考虑到预报误差对水库调度效益的影响受调蓄能力、用水目标等不同而有所差异,探究两旬径流预报误差分别对水库优化调度结果的影响;其次,基于两旬径流误差影响分析及两旬径流预报精度评估结果,提出在水库优化调度中利用修正系数来修正使用两旬径流预报信息的方法。最后,将修正应用预报信息的水库优化调度结果与未考虑预报信息、未修正应用预报信息的水库优化调度等方法对比,验证其有效性。结果显示修正利用两旬径流预报的水库多目标优化调度Pareto解集明显更优,在相同发电量时,缺水总量较常规优化最大可减少72×106m3,在相同缺水总量下,发电量最大可提高12×106kWh,有效提高了调度效益。最后对全文结论和创新点进行总结和凝练,并对有待进一步研究的问题进行了展望。
雷冠军[7]（2020）在《基于数据融合的丰满水库长期径流预报研究》文中研究指明我国的水资源时空分布不均,气候变化和人类活动的影响导致旱涝灾害频发,成为制约经济发展的主要因素。河川径流在水循环系统中起着主导作用,而且极端径流会形成巨灾,径流预报对于防汛抗旱、水资源规划与管理等具有重要意义和价值。河川径流影响因子众多、变化特性复杂,基于成因分析法挖掘因子影响径流形成的规律是径流预报的关键。中长期径流预报预见期长、预报精度低,径流的形成机制尚不清晰,单一尺度因子的分析、单一统计预报方法的改进已不能进一步提高径流预报的精度,而且水文工作者不敢于报极值,中长期径流预报结果只能作为实际工作的参考。开展中长期径流预报理论和技术研究,融合多尺度因子和多方法的预报结果,进一步提高预报的精度和水平,能够为水库调度、水资源开发利用等工作提供支撑。本文以丰满水库流域的年径流为研究对象,选用天文、全球、流域尺度因子,分析挖掘因子与流域来水的相似性、遥相关性、可公度性、结构特性等规律,研究和改进智能学习法、模糊推理法、天文因子对比法、点聚图法、可公度法和可公度网络结构法等技术方法,建立了包含因子融合、结果融合、结构融合的多尺度因子信息融合的中长期径流预报模型。研究成果能够有效提高丰满水库流域径流和极端径流预报的精度,为丰满水库调度提供技术支持。具体研究成果如下:（1）运用统计分析法,挖掘三大尺度因子与流域来水丰枯特性的响应规律。结果表明,丰满水库流域来水的丰枯状态与ENSO事件的冷暖特性、ENSO事件的发生时间距离汛期的远近、基于农谚所选择的气象因子等具有较好的统计规律,且均能通过假设检验。基于线性相关系数法、互信息理论法、关联度分析法研究天文因子、气象因子、天文因子+海洋大气因子+气象因子与流域来水的相关性,结果表明,气象因子的相关性最强,海洋大气因子的相关性最弱,月球赤纬角与流域来水的关联度最大。（2）基于相关性分析所得的因子组合方案,运用神经网络、支持向量机、决策树、随机森林等智能学习方法,融合因子预报径流。结果表明,水量回归预报较差,3级分类预报较优;预报方法不同,方法所对应的最优因子及其组合不同,训练和预报性能均较优且稳健性强的方法为ELM、RBF神经网络。对多方法的最优分类预报结果进行融合,使得定性预报正确率达到89.5%。（3）运用相位对比法融合天文因子、海洋大气因子及其组合预报径流。结果表明,该方法的定量预报正确率为63.16%,24节气阴历日期+太阳黑子相对数的定性预报最优,正确率为63.16%。相位对比法对于极端来水年的丰枯属性识别能力较强,却难以有效预报出平水年,运用定量预报结果反推来水级别的正确率较低。相位对比法存在无法判别的年份,运用模糊推理法基于相关性分析所得的因子组合进一步分析计算因子的相似性,融合因子预报径流。引入TOPSIS模糊综合评判法、相似衍生法相似度、“因子进出法”等,对模糊推理法进行改进。结果表明,相似衍生法模糊推理法的稳健性优于Turksen模糊推理法,二者对径流的定量预报较差、定性预报较优,对其各自最优的定性预报结果进行融合,正确率达到73.68%。（4）采用“主次因子对比法”对单一天文因子对比法、分布式融合结构天文因子对比法进行改进,融合结果预报径流。研究得到能够提高预报精度的混合式融合结构天文因子对比法,定性预报正确率为63.16%。基于分析所得的海洋大气因子、气象因子与流域来水的遥相关规律修正预报结果,进一步改进天文因子对比法,使得预报正确率提高到 73.68%。（5）绘制三大尺度因子与流域来水的点聚图,融合结果预报径流。结果表明,24节气阴历日期和月球赤纬角点聚图具有较好的稳健性,太阳黑子相对数离散性较强难以准确划分其聚类区间,三大尺度因子点聚图的定性预报正确率分别为63.16%、57.89%、21.05%。将海洋大气因子、气象因子与来水丰枯的遥相关规律作为该类因子的点聚图进而得到径流预报结果,并与天文因子点聚图的预报结果进行融合,使得预报正确率提高到 73.68%。（6）将径流分为一般、极端、极值点结构,融合结构预报极端径流。结果表明,以因子融合、结果融合的预报结果作为一般来水结构能够融合多因子、多方法的信息,预报正确率为84.21%;点面结合法的改进与上下包线结构、智能学习分类以及传统点面结合法相比对于极端来水结构的预报精度较高,预报正确率为60%;通过细致划分丰枯水链、引入月球赤纬角对可公度网络结构法进行改进,能够增强方法的可操作性,降低基于极值点结构预报极端来水年高发期的不确定性;综合径流三大结构的预报结果,结合连续极端来水年的判定,预报极端来水的高发年,其中特丰水年、特枯水年的预报正确率分别为66.7%、80%。
陈海涛[8]（2019）在《农业干旱风险分析方法及应用研究》文中研究说明自然灾害是人类不可避免的自然现象,它的发生严重影响着社会经济及社会发展。在众多自然灾害中,旱灾是全球影响范围最广的自然灾害,在全球变暖的背景下,全球干旱有不断加重的趋势。目前,干旱灾害对于社会生活和经济发展的影响已经超过其他任何自然灾害,成为影响世界发展的重要不稳定因素和影响国民经济可持续发展的瓶颈因素。干旱缺水现象影响因素极其复杂,具有很强的不确定性,而风险分析是研究不确定性系统的有效的技术工具,在社会科学和经济学领域有着广泛的应用。本文针对目前农业干旱风险研究存在的问题和不足,以西安市为研究项目区,以夏玉米为研究对象,开展农业干旱风险分析方法及应用研究。取得的主要研究成果包括:（1）作物干旱特征分析在对农业干旱概念和量化评估指标分析、理解基础上,借助信息扩散和分形分析技术,对代表性作物的干旱特征和干旱发生规律进行研究。利用历年降水、气温和作物单产等资料,发现作物干旱发生时间分形规律,预测干旱发生时间、预估干旱程度,为防旱减灾提供科学依据。研究表明,西安市玉米气象干旱发生时间具有分形的特征,且气象干旱程度呈缓慢上涨趋势;玉米趋势产量整体递增,上升的趋势逐渐平缓,目前基本处于平稳状态。（2）基于信息扩散和混沌理论的作物生育期旱涝特征分析利用降水、温度等资料进行旱涝程度的评估,计算代表性作物各生育期的历年旱涝程度序列,利用混沌时间序列分析和预测方法,分析旱涝演化的混沌特征,对旱涝发生情况进行预估,并借助信息扩散技术探寻作物各生育阶段旱涝演化规律及影响作物产量的关键因素。计算结果表明,最大李雅普诺夫指数的混沌时间序列分析模型预测旱涝发生情况具有一定的准确性;信息扩散技术能够使样本数据光滑,能够较好地实现趋势分析。西安市玉米各生育阶段旱涝交替出现,呈现波动变化形式,其中出苗拔节、抽雄成熟阶段整体趋势有朝向干旱缓慢发展,其余两生育阶段整体趋势属于正常状态;玉米旱涝时间序列一定程度上存在混沌特征;拔节抽雄阶段发生旱涝程度对产量影响明显大于其他生育阶段。（3）农业旱灾风险模拟分析根据作物在不同生育期对水分亏缺敏感程度不同的规律,利用作物水分生产函数构建不同生育阶段水分亏缺对作物产量影响的数值模型,采用突变论评价方法,分析不同生育阶段水分亏缺对作物产量的突变影响、确定影响突变的因素,为优化作物灌溉提供理论支持。研究表明:播种前期土壤含水率对玉米干旱度有影响很大;出苗—拔节阶段的相对缺水率变化对玉米干旱度影响存在不稳定性,容易引起突变。（4）区域农业干旱风险评估体系研究利用Copula函数建立相邻生育阶段降雨量的联合分布,能够更全面地反映作物生育阶段干旱的特征。作物相对增产率的抗旱能力分析有助于真实反映实际的抗旱能力。所构建气象干旱概率与农业干旱风险系数相关曲线,可对未来发生农业干旱的风险进行概率预估。本文主要研究的4项内容均具有一定的创新性,主要创新点是:（1）建立了基于信息扩散技术与分形理论的作物干旱特征分析的新方法;（2）提出了利用信息扩散技术与混沌理论开展作物生育期旱涝特征分析方法;（3）构建了作物不同生育阶段缺水率与干旱度指标之间的突变势函数;（4）利用copula函数构建了作物各生育阶段降雨量的联合分布,建立了一套以农业旱灾损失大小为量化指标的新的农业干旱评估体系。
罗凯乐[9]（2019）在《九龙江流域水资源调度研究及系统集成》文中研究说明近年来,九龙江流域水资源调配不均衡问题给当地人民生产生活、农业发展和经济增长等带来了较多负面影响。为解决水资源调配不均衡问题,提高水资源的利用效率,本文建立了针对九龙江流域的水资源调度模型,搭建了包括常规调度和应急调度的水资源调度系统。本文分为四个部分,每个部分的具体内容如下。（1）从地理位置、河流水系和水文气象三个方面简要介绍了九龙江流域的基本情况。（2）建立了基于BP神经网络的九龙江流域中长期预报模型,并利用历史数据对预报模型进行了率定和验证。使用正算法求解了九龙江流域的可供水量,并申报了该流域的用水计划。基于可供水量计算与用水计划申报,进行了用水计划核定,并完成了水量供需平衡计算,从而实现了常规调度模块的设计。（3）建立了以厦门市供水为目标的应急调度模型。首先,构建了考虑旁侧入流的三参数马斯京根河道径流计算模型,模型综合考虑各种约束条件,并使用差分进化算法进行模型参数率定。然后,在已知下游断面流量过程的情况下,通过DE算法反向推演出上游水库的出库流量过程,从而实现了应急调度模块的设计。（4）基于上述常规调度和应急调度研究,实现了对九龙江流域水资源调度系统的开发和集成。系统提供地调度情势、常规调度、应急调度、系统管理和模型计算等功能模块,能够为九龙江流域的水资源相关决策提供科学支撑。
顾逸[10]（2018）在《基于长短期记忆循环神经网络及其结构约减变体的中长期径流预报研究》文中研究指明径流过程受地理环境、气候变化、人类活动等多方面综合影响,具有随机性、模糊性、灰色、混沌等特性。开展流域未来径流预报研究对获得诸如防洪、发电、农业灌溉、工业居民用水、河道通航、景观旅游等经济和社会效益具有重大意义。因此,为了更好地统筹规划水资源,提高中长期径流预报的精度显得尤为重要。本文以长江上游宜昌站为研究对象,使用宜昌站年径流和月径流数据,研究并设计有效的人工神经网络预报中长期径流。研究工作重点围绕传统人工神经网络预报模型无法记忆过往时刻数据、易收敛于局部最优和梯度下降等问题展开,引入循环神经网络中的长短期记忆循环神经网络（LSTM）和门结构循环单元（GRU）变体,建立年、月径流预报模型,并提出一种更简单、计算效率更高的门结构-Simple-LSTM作为预报网络。实例研究表明,Simple-LSTM网络在训练和测试中都表现出良好的性能。与BP神经网络和支持向量回归机（SVR）两种方式预报结果相比,Simple-LSTM模型具有更高的预报合格率和计算效率。基于以上研究,设计了一套三峡流域中长期径流预报系统。研究工作取得的主要成果如下:（1）为了克服传统人工神经网络收敛慢、震荡波动大、收敛于局部最优点、梯度衰减等问题,本文引入LSTM和GRU网络,构建了基于LSTM和GRU的中长期径流预报模型,通过简化LSTM结构,得到一种效率更高、结构更精简的预报网络-Simple-LSTM,在此基础上建立了年径流、月径流预报体系,获得较好的预报效果。（2）使用Tensor Flow框架搭建LSTM、GRU、Simple-LSTM训练预报模型,研究分析不同时间步长对GRU径流预报精度和计算效率的影响,并将LSTM预报体系预报结果与BP神经网络、SVR预报结果对比。在年径流预报方面,在测试集上,LSTM系列模型预报合格率优于BP神经网络和SVR,以相对误差小于20%计算合格率,GRU合格率最高,分别比BP网络、SVR高9.01%和6.79%,Simple-LSTM拥有较高的计算效率,分别比LSTM、GRU提高24.5%、16.9%,在预报合格率方面接近GRU;在月径流预报方面,LSTM预报精度最佳,分别比GRU、Simple-LSTM高0.5%、0.65%,与SVR、BP网络相比,合格率分别提高2.34%和6.17%,Simple-LSTM计算效率较高,分别比LSTM、GRU提升38.85%、25.84%,仍有接近LSTM的预报合格率。（3）设计并实现了一套三峡流域中长期径流预报示范系统,完善了现有三峡流域中长期径流预报体系,为径流预报方法提供了新的思路。
二、混沌理论在径流预报中的应用研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、混沌理论在径流预报中的应用研究（论文提纲范文）
（1）黄河梯级水库群“水-沙-电-生态”多维协同控制与与均衡调控研究（论文提纲范文）
| Abstract |
| 1.绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 水库群多目标优化调度研究进展 |
| 1.2.2 协同学在水资源领域研究进展 |
| 1.2.3 混沌理论在水文水资源领域研究进展 |
| 1.3 存在的问题 |
| 1.4 研究内容与技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 2.研究区域概况及资料 |
| 2.1 黄河流域概况 |
| 2.1.1 地形地貌与气候特征 |
| 2.1.2 河流水系及河段概况 |
| 2.1.3 水资源利用概况 |
| 2.1.4 泥沙与生态状况 |
| 2.2 数据资料分析 |
| 2.2.1 径流资料 |
| 2.2.2 综合需水资料 |
| 2.3 黄河干流梯级水库群概况 |
| 2.4 小结 |
| 3.基于协同学的梯级水库群“水-沙-电-生态”多维协同控制理论 |
| 3.1 协同学及其用于研究梯级水库群多目标调度系统可行性分析 |
| 3.1.1 协同学概述 |
| 3.1.2 基于协同学研究梯级水库群多目标调度系统的可行性分析 |
| 3.2 梯级水库群“水-沙-电-生态”多维协同控制理论 |
| 3.2.1 梯级水库群“水-沙-电-生态”多维协同控制原则 |
| 3.2.2 关键利益与非关键利益识别及序参量选取 |
| 3.2.3 序参量阈值确定 |
| 3.3 小结 |
| 4.梯级水库群“水-沙-电-生态”多维协同控制模型构建及验证 |
| 4.1 梯级水库群“水-沙-电-生态”多维协同控制模型构建 |
| 4.1.1 序参量有序度量化 |
| 4.1.2 子系统有序度量化 |
| 4.1.3 多维协同控制模型构建 |
| 4.1.4 序参量权重确定方法 |
| 4.2 粒子群优化算法模型求解 |
| 4.3 传统梯级水库群多目标优化调度模型构建 |
| 4.4 多维协同控制模型有效性验证 |
| 4.4.1 模型验证算例选取 |
| 4.4.2 协同模型验证算例的有序度分析 |
| 4.4.3 协同模型与传统模型的结果对比分析 |
| 4.5 小结 |
| 5.基于满意边界的利益均衡调控及调度系统混沌特征识别与引导 |
| 5.1 基于满意边界的时段内多目标利益均衡调控 |
| 5.1.1 满意边界获取 |
| 5.1.2 时段内多目标利益均衡调控 |
| 5.2 混沌理论及混沌特征识别方法 |
| 5.2.1 混沌的定义与概念 |
| 5.2.2 相空间重构 |
| 5.2.3 关联维数 |
| 5.2.4 Kolmogorov熵 |
| 5.3 梯级水库群多目标调度系统混沌特征识别 |
| 5.4 多目标利益均衡调控与系统混沌特征引导流程 |
| 5.5 小结 |
| 6.径流减少对黄河梯级水库“水-沙-电-生态”多目标利益的影响 |
| 6.1 1960~1989、1990~2015 径流序列水文改变度分析 |
| 6.2 1960~1989 序列调控结果分析 |
| 6.2.1 上游“水-沙-电-生态”多维协同控制与均衡调控结果 |
| 6.2.2 中下游“水-沙-电-生态”协同控制与均衡调控结果 |
| 6.3 1990~2015 序列调控结果分析 |
| 6.3.1 上游“水-沙-电-生态”协同控制与均衡调控结果 |
| 6.3.2 中下游“水-沙-电-生态”协同控制与均衡调控结果 |
| 6.4 径流减少影响分析 |
| 6.4.1 对上游多目标利用影响分析 |
| 6.4.2 对中下游多目标利用影响分析 |
| 6.5 小结 |
| 7.2030水平年黄河梯级水库群多目标协同控制与均衡调控 |
| 7.1 现有水利工程情景 |
| 7.1.1 上游“水-沙-电-生态”协同控制与均衡调控结果 |
| 7.1.2 中下游“水-沙-电-生态”协同控制与均衡调控结果 |
| 7.2 有古贤水库情景 |
| 7.2.1 上游“水-沙-电-生态”协同控制与均衡调控结果 |
| 7.2.2 中下游“水-沙-电-生态”协同控制与均衡调控结果 |
| 7.3 小结 |
| 8.结论与展望 |
| 8.1 结论 |
| 8.2 主要创新点 |
| 8.3 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（2）基于变分模态分解的灰狼优化最小二乘支持向量机研究及其在径流预报中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 中长期径流预报研究进展 |
| 1.2.1 传统中长期径流预报的方法 |
| 1.2.2 现代中长期径流预报的方法 |
| 1.3 研究流域概况 |
| 1.3.1 自然地理 |
| 1.3.2 气象水文 |
| 1.3.3 社会经济 |
| 1.3.4 径流数据特性简析 |
| 1.4 论文主要工作及其技术路线 |
| 1.4.1 主要工作内容 |
| 1.4.2 论文技术路线 |
| 第二章 最小二乘支持向量机理论 |
| 2.1 支持向量机 |
| 2.1.1 统计学习理论 |
| 2.1.2 支持向量机模型 |
| 2.2 最小二乘支持向量机 |
| 2.2.1 最小二乘支持向量机模型 |
| 2.2.2 常见核函数 |
| 2.2.3 模型评价指标 |
| 2.3 本章小结 |
| 第三章 基于灰狼优化算法的最小二乘支持向量机预测模型 |
| 3.1 灰狼优化算法 |
| 3.1.1 灰狼优化算法来源 |
| 3.1.2 灰狼优化算法数学模型 |
| 3.2 GWO-LSSVM模型 |
| 3.2.1 GWO-LSSVM模型分析 |
| 3.2.2 GWO-LSSVM模型构建 |
| 3.3 GWO-LSSVM模型仿真实验 |
| 3.4 本章小结 |
| 第四章 VMD-GWO-LSSVM模型在径流预报中的研究应用 |
| 4.1 变分模态分解 |
| 4.2 VMD-GWO-LSSVM预测模型的构建 |
| 4.3 仿真实验 |
| 4.3.1 变分模态分解后子序列预测结果 |
| 4.3.2 VMD-GWO-LSSVM月径流预报结果及分析 |
| 4.3.3 VMD-GWO-LSSVM与其他模型对比 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
（3）渭河流域中长期径流预报研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 国内外研究方法 |
| 1.2.1 数据预处理技术 |
| 1.2.2 预报因子筛选技术 |
| 1.2.3 数据驱动预报模型 |
| 1.2.4 过程驱动预报模型 |
| 1.2.5 研究中存在的问题 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第二章 基本原理及方法 |
| 2.1 数据变换技术 |
| 2.1.1 Box-Cox变换 |
| 2.1.2 Min-Max标准化 |
| 2.2 预报因子筛选方法 |
| 2.2.1 Lasso回归 |
| 2.2.2 灰色关联分析 |
| 2.3 小波分析方法 |
| 2.3.1 小波变换原理 |
| 2.3.2 Mallat算法 |
| 2.4 人工神经网络 |
| 2.4.1 人工神经网络模型 |
| 2.4.2 人工神经网络学习规则 |
| 2.4.3 BP神经网络模型 |
| 2.5 投影寻踪模型 |
| 2.5.1 投影寻踪回归模型 |
| 2.5.2 遗传算法和Hermite多项式 |
| 2.6 支持向量机 |
| 2.6.1 支持向量机基本原理 |
| 2.6.2 支持向量回归模型 |
| 2.7 模型预报效果评价方法 |
| 第三章 渭河流域概况 |
| 3.1 流域基本情况 |
| 3.2 气象水文条件 |
| 3.3 流域水文站概况 |
| 第四章 径流序列预处理与预报因子筛选 |
| 4.1 径流序列预处理 |
| 4.1.1 小波分析 |
| 4.1.2 Box-Cox变换和Min-Max标准化 |
| 4.2 预报因子筛选 |
| 4.2.1 原始径流序列预报因子筛选 |
| 4.2.2 小波分解序列预报因子筛选 |
| 第五章 中长期径流预报模型应用 |
| 5.1 BP人工神经网络模型 |
| 5.1.1 模型最优预报因子集及结构确定 |
| 5.1.2 模型应用 |
| 5.2 投影寻踪回归模型 |
| 5.2.1 模型最优预报因子集及参数确定 |
| 5.2.2 模型应用 |
| 5.3 支持向量回归模型 |
| 5.3.1 模型最优预报因子集及参数确定 |
| 5.3.2 模型应用 |
| 5.4 模型综合评价 |
| 5.5 本章小结 |
| 第六章 基于小波分析的中长期径流预报模型应用 |
| 6.1 小波BP神经网络模型 |
| 6.1.1 模型最优预报因子集及结构确定 |
| 6.1.2 模型应用 |
| 6.2 小波投影寻踪回归模型 |
| 6.2.1 模型最优预报因子集确定 |
| 6.2.2 模型应用 |
| 6.3 小波支持向量回归模型 |
| 6.3.1 模型最优预报因子集及参数确定 |
| 6.3.2 模型应用 |
| 6.4 模型综合评价与优选 |
| 6.4.1 模型综合评价 |
| 6.4.2 模型优选 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 附录1 预报方法及模型名称说明 |
| 致谢 |
| 个人简介 |
（4）不确定性方法在山区小流域水文预报中的应用（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 课题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 水文预报研究现状 |
| 1.2.2 水文不确定性研究现状 |
| 1.3 研究内容及方法 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线图 |
| 第二章 不确定性理论基础及研究区概况 |
| 2.1 不确定性理论与方法 |
| 2.1.1 模糊不确定理论与方法 |
| 2.1.2 随机不确定理论与方法 |
| 2.1.3 混沌不确定理论与方法 |
| 2.1.4 灰色不确定理论与方法 |
| 2.1.5 人工神经网络 |
| 2.2 研究区概况 |
| 2.2.1 水文概况 |
| 2.2.2 月径流序列统计特征及自相关性分析 |
| 2.2.3 径流与降雨互相关分析 |
| 2.3 本章小结 |
| 第三章 基于随机理论的月径流时间序列预报 |
| 3.1 季节性一阶自回归模型 |
| 3.1.1 模型形式 |
| 3.1.2 参数估计 |
| 3.1.3 模型应用 |
| 3.1.4 模型评价 |
| 3.2 季节性最小二乘多元线性回归模型 |
| 3.2.1 高斯——马尔科夫假定 |
| 3.2.2 不考虑降雨的模型应用 |
| 3.2.3 考虑降雨的模型应用 |
| 3.2.4 模型评价 |
| 3.3 本章小结 |
| 第四章 基于模糊理论的月径流时间序列预报 |
| 4.1 模糊推理系统 |
| 4.1.1 自适应模糊神经推理系统(ANFIS) |
| 4.1.2 ANFIS模型结构 |
| 4.2 ANFIS在 MATLAB中的实现及应用 |
| 4.2.1 提取数据并归一化处理 |
| 4.2.2 确定变量的隶属度函数 |
| 4.2.3 初始化模型并调整参数 |
| 4.2.4 模型优化 |
| 4.3 ANFIS在月径流预报中的应用 |
| 4.3.1 训练前后隶属度函数对比 |
| 4.3.2 预报结果分析 |
| 4.3.3 预报结果评价 |
| 4.4 本章小结 |
| 第五章 随机与模糊分析耦合的月径流预报模型 |
| 5.1 建立ANFIS月降雨预报模型 |
| 5.1.1 训练前后隶属度函数对比 |
| 5.1.2 降雨量预报结果 |
| 5.2 建立最小二乘多元线性回归月径流预报模型 |
| 5.2.1 模型拟合及预测阶段成果 |
| 5.2.2 模型评价 |
| 5.3 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 附录1 季节性一阶自回归模型拟合结果 |
| 附录2 不考虑降雨的季节性最小二乘多元线性回归模型拟合结果 |
| 附录3 考虑降雨的季节性最小多元线性回归模型拟合结果 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（5）基于极点对称模态分解的长江上游径流变化特征及预报（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 径流序列变化特征研究 |
| 1.2.2 径流预报研究 |
| 1.3 本文的主要内容及研究框架 |
| 第2章 基于ESMD的长江上游径流序列变化特征分析 |
| 2.1 研究方法 |
| 2.1.1 ESMD原理 |
| 2.1.2 其他对比方法原理 |
| 2.2 径流序列变化特征研究路线 |
| 2.3 实例应用 |
| 2.3.1 研究区概况 |
| 2.3.2 周期变化特征 |
| 2.3.3 趋势变化特征 |
| 2.3.4 突变特征 |
| 2.3.5 径流序列变化特征 |
| 2.4 小结 |
| 第3章 基于ESMD的不同时间尺度下组合模型的径流预报 |
| 3.1 单一预报模型 |
| 3.1.1 BP神经网络原理 |
| 3.1.2 ENN原理 |
| 3.2 组合预报模型的构建 |
| 3.2.1 ESMD-BP神经网络组合预报模型原理 |
| 3.2.2 ESMD-ENN组合预报模型原理 |
| 3.2.3 预报模型的性能评价 |
| 3.3 实例应用 |
| 3.3.1 研究区概况 |
| 3.3.2 年径流预报 |
| 3.3.3 月径流预报 |
| 3.3.4 日径流预报 |
| 3.3.5 不同时间尺度的预报精度对比 |
| 3.3.6 考虑周期规律的径流预报 |
| 3.4 小结 |
| 第4章 径流预报误差分析 |
| 4.1 研究方法 |
| 4.1.1 Normal分布 |
| 4.1.2 Logistic分布 |
| 4.1.3 T location-scale分布 |
| 4.1.4 Stable分布 |
| 4.1.5 分布模型的性能评价 |
| 4.2 实例应用 |
| 4.2.1 研究区概况 |
| 4.2.2 月径流预报误差分析 |
| 4.2.3 日径流预报误差分析 |
| 4.3 小结 |
| 第5章 结论与展望 |
| 5.1 全文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 附表 |
| 攻读硕士学位期间发表的学术论文及其它成果 |
| 致谢 |
（6）考虑多元信息的水库多目标优化调度研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号表 |
| 1.绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 水库多目标优化算法研究进展 |
| 1.2.2 水库多目标决策及竞争权衡研究进展 |
| 1.2.3 考虑中长期径流预报信息的水库优化调度研究进展 |
| 1.3 存在问题与发展趋势 |
| 1.4 本文主要研究思路 |
| 2.研究水库概况及多目标调度模型构建 |
| 2.1 引言 |
| 2.2 研究水库概况 |
| 2.2.1 水库概况及特性 |
| 2.2.2 水库来水及需水资料 |
| 2.2.3 水库兴利调度要求 |
| 2.3 水库调度图基本形式 |
| 2.4 水库多目标调度模型 |
| 2.4.1 目标函数 |
| 2.4.2 约束条件 |
| 2.4.3 决策变量 |
| 2.5 本章小结 |
| 3.基于偏好信息的水库多目标优化研究 |
| 3.1 引言 |
| 3.2 基于偏好信息的多目标优化算法 |
| 3.2.1 常规优化算法NSGA-II |
| 3.2.2 偏好信息载体——参考点 |
| 3.2.3 基于参考点的偏好策略 |
| 3.2.4 基于参考点的水库多目标优化算法 |
| 3.3 解集性能评价指标 |
| 3.3.1 R-Metrics |
| 3.3.2 平均标准化欧式距离(Mean Euclidean Distance) |
| 3.3.3 有效解个数 |
| 3.4 水库调度模型及参考点设置方案 |
| 3.4.1 水库调度模型 |
| 3.4.2 参考点 |
| 3.4.3 优化参数 |
| 3.5 解集性能评价结果 |
| 3.5.1 Pareto解集整体对比 |
| 3.5.2 性能指标对比 |
| 3.6 本章小结 |
| 4.基于竞争权衡的水库多目标决策研究 |
| 4.1 引言 |
| 4.2 多目标竞争量化指标 |
| 4.2.1 多目标竞争及权衡 |
| 4.2.2 多目标竞争量化指标 |
| 4.2.3 多目标竞争量化指标量化步骤 |
| 4.3 基于竞争权衡的多目标决策方法 |
| 4.4 水库多目标调度模型及设计方案 |
| 4.4.1 水库调度模型 |
| 4.4.2 不同用水设计方案 |
| 4.5 水库多目标竞争分析及权衡决策结果 |
| 4.5.1 多目标竞争关系分析 |
| 4.5.2 水库多目标调度决策 |
| 4.5.3 多目标竞争指标合理性讨论 |
| 4.6 本章小结 |
| 5.考虑多时序过程因子的中期径流预报研究 |
| 5.1 引言 |
| 5.2 降雨产品及降雨预报产品评估 |
| 5.2.1 降雨产品适用性评估 |
| 5.2.2 降雨预报产品精度评定 |
| 5.3 基于BP神经网络的多时序过程因子筛选方法 |
| 5.3.1 基于BP神经网络的旬径流预报模型 |
| 5.3.2 多时序过程因子筛选方法 |
| 5.4 未来第一旬径流预报因子筛选及组合预报方案 |
| 5.4.1 研究数据 |
| 5.4.2 备选因子及相关系数 |
| 5.4.3 基于初步预测的因子筛选 |
| 5.4.4 未来第一旬径流不同因子组合方案设计 |
| 5.5 未来第一旬径流预报结果 |
| 5.5.1 精度评估结果 |
| 5.5.2 径流拟合过程 |
| 5.6 未来第二旬径流预报及结果 |
| 5.6.1 未来第二旬径流预报因子 |
| 5.6.2 精度评估结果 |
| 5.6.3 径流拟合过程 |
| 5.7 本章小结 |
| 6.中期径流预报信息在水库优化调度中的修正应用研究 |
| 6.1 引言 |
| 6.2 考虑预报信息利用的调度规则及水库调度模型 |
| 6.2.1 考虑预报信息利用的水库调度图基本形式 |
| 6.2.2 水库调度模型 |
| 6.3 两旬径流预报的误差影响分析及修正应用方式研究 |
| 6.3.1 第一旬径流预报误差影响分析 |
| 6.3.2 第二旬径流预报误差影响分析 |
| 6.3.3 两旬预报径流修正应用方式介绍 |
| 6.4 水库优化调度方案设计及结果分析 |
| 6.4.1 优化调度方案设计 |
| 6.4.2 优化调度结果对比 |
| 6.4.3 调度图优选及合理性分析 |
| 6.5 本章小结 |
| 7.结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 不足与展望 |
| 参考文献 |
| 攻读博士学位期间科研项目及科研成果 |
| 致谢 |
| 作者简介 |
（7）基于数据融合的丰满水库长期径流预报研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和目标 |
| 1.1.1 研究背景 |
| 1.1.2 研究目标 |
| 1.2 国内外研究进展 |
| 1.2.1 三大尺度因子径流预报研究 |
| 1.2.2 因子相关性分析 |
| 1.2.3 传统统计预报模型 |
| 1.2.4 现代水文预报模型 |
| 1.2.5 研究进展的总结 |
| 1.3 本文研究介绍 |
| 1.3.1 研究问题 |
| 1.3.2 研究方法 |
| 1.3.3 研究内容 |
| 1.3.4 技术路线图 |
| 第二章 径流预报技术的系统分析 |
| 2.1 来水丰枯的影响机理 |
| 2.1.1 热量与引力作用 |
| 2.1.2 地形和海陆分布作用 |
| 2.2 来水预报基于的基本特性 |
| 2.2.1 周期性 |
| 2.2.2 有序性 |
| 2.2.3 遥相关性 |
| 2.2.4 结构特性 |
| 2.3 来水与极端来水预报的思路 |
| 2.3.1 预报因子基于空间尺度的分类 |
| 2.3.2 预报因子基于时间尺度的分类 |
| 2.3.3 预报值基于预报特征的分类 |
| 2.3.4 基于信息融合的流域来水预报 |
| 2.4 研究流域分析 |
| 2.4.1 流域介绍 |
| 2.4.2 流域丰枯机理 |
| 2.5 小结 |
| 第三章 三大尺度因子与径流的统计分析 |
| 3.1 天文尺度因子相位与流域来水规律分析 |
| 3.1.1 太阳黑子相对数 |
| 3.1.2 月球赤纬角 |
| 3.1.3 24节气阴历日期 |
| 3.2 全球尺度因子相位与流域来水规律分析 |
| 3.2.1 ENSO事件的发生与结束时间与流域来水丰枯的关系 |
| 3.2.2 ENSO事件特征值与流域来水丰枯的关系 |
| 3.3 流域尺度因子相位与流域来水规律分析 |
| 3.3.1 谚语机理分析 |
| 3.3.2 气象因子与来水属性级别统计分析 |
| 3.4 因子数值与流域来水统计分析方法 |
| 3.4.1 基础数据处理 |
| 3.4.2 相关性分析的方法 |
| 3.5 因子相关性分析结果 |
| 3.5.1 天文因子相关性分析 |
| 3.5.2 气象因子相关性分析 |
| 3.5.3 天文因子+海洋大气因子+气象因子相关性分析 |
| 3.6 结果分析 |
| 3.6.1 因子相位与流域来水规律 |
| 3.6.2 因子数值与流域来水相关性 |
| 3.7 小结 |
| 第四章 基于智能学习的预报因子融合的径流预报 |
| 4.1 预报方法 |
| 4.1.1 神经网络 |
| 4.1.2 决策树和随机森林 |
| 4.1.3 支持向量机 |
| 4.2 数据处理的方法 |
| 4.2.1 预报因子的处理 |
| 4.2.2 预报值的处理 |
| 4.2.3 预报值的评判指标 |
| 4.2.4 模型和因子优选的TOPSIS-模糊综合评判法 |
| 4.3 建模预报 |
| 4.4 结果统计分析 |
| 4.4.1 流域水量回归预报结果分析 |
| 4.4.2 流域来水量7级分类预报结果分析 |
| 4.4.3 流域来水量3级分类预报结果分析 |
| 4.4.4 33个因子方案分析 |
| 4.4.5 预报结果的最优方案 |
| 4.4.6 最优方案的预报结果分析 |
| 4.5 小结 |
| 第五章 基于相似性分析的预报因子融合的径流预报 |
| 5.1 相位对比法 |
| 5.1.1 基本原理 |
| 5.1.2 预报结果分析 |
| 5.2 相似模糊推理法 |
| 5.2.1 模糊推理法的基本原理 |
| 5.2.2 相似度的计算方法 |
| 5.2.3 主成分分析法计算权重 |
| 5.2.4 TOPSIS-模糊综合评判法优选最优模型 |
| 5.2.5 预报模型的建立 |
| 5.3 模糊推理法预报 |
| 5.3.1 因子组合分析 |
| 5.3.2 误差评定与优选判别 |
| 5.4 模糊推理法因子二次筛选 |
| 5.4.1 因子进出法寻优 |
| 5.4.2 因子进出法实例分析 |
| 5.5 模糊推理法预报结果 |
| 5.6 结果分析 |
| 5.7 小结 |
| 第六章 基于天文因子对比法的预报结果融合的径流预报 |
| 6.1 天文因子对比法机理分析 |
| 6.2 预报方法1-单一天文因子对比法 |
| 6.2.1 24节气阴历日期对比法 |
| 6.2.2 太阳黑子相对数对比法 |
| 6.2.3 月球赤纬角对比法 |
| 6.3 预报方法2-天文因子对比法预报结果的融合 |
| 6.3.1 天文因子预报结果的线性融合 |
| 6.3.2 天文因子融合法-主次因子对比法 |
| 6.3.3 天文因子融合法的修正 |
| 6.3.4 天文因子融合法定量预报 |
| 6.4 小结 |
| 第七章 基于点聚图法的预报结果融合的径流预报 |
| 7.1 点聚图法 |
| 7.1.1 点聚图的制作 |
| 7.1.2 预报方案 |
| 7.2 24节气阴历日期点聚图预报 |
| 7.2.1 极端来水年24节气阴历日期的聚类特性 |
| 7.2.2 24节气阴历日期聚类预报方法 |
| 7.2.3 24节气阴历日期聚类分析建模 |
| 7.2.4 基于聚类分析的来水预报 |
| 7.3 月球赤纬角和太阳黑子相对数点聚图预报 |
| 7.3.1 月球赤纬角聚类预报方法 |
| 7.3.2 太阳黑子相对数聚类预报方法 |
| 7.4 海洋大气因子与流域气象因子点聚图预报 |
| 7.5 多尺度因子点聚图预报结果融合 |
| 7.6 小结 |
| 第八章 基于来水结构融合的极端径流预报 |
| 8.1 基本定义 |
| 8.2 预报方法 |
| 8.2.1 一般来水结构预报-多方法预报结果融合 |
| 8.2.2 极端来水结构预报 |
| 8.2.3 基于改进可公度网络结构的极值点结构预报 |
| 8.2.4 极端来水年预报 |
| 8.3 实例应用 |
| 8.3.1 一般来水结构分析 |
| 8.3.2 极端来水结构分析 |
| 8.3.3 极值点结构的确定及极端来水年预报分析 |
| 8.3.4 连续极端来水年预报分析 |
| 8.4 讨论 |
| 8.5 小结 |
| 第九章 结论与展望 |
| 9.1 结论 |
| 9.2 展望 |
| 9.3 创新性 |
| 附表 |
| 参考文献 |
| 科研及发表论文情况 |
| 致谢 |
（8）农业干旱风险分析方法及应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究目的和意义 |
| 1.2 国内外研究现状述评 |
| 1.2.1 研究状况 |
| 1.2.2 当前研究中存在主要问题 |
| 1.3 研究内容、技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 研究区概况 |
| 1.4.1 地形地貌 |
| 1.4.2 水文气象 |
| 1.4.3 土壤植被 |
| 1.4.4 主要农作物 |
| 2 基于信息扩散和分形技术的作物干旱特征分析 |
| 2.1 基于信息扩散和分形技术的作物干旱特征分析方法 |
| 2.1.1 干旱程度评估指标 |
| 2.1.2 气象干旱预测 |
| 2.1.3 作物干旱预估 |
| 2.2 结果与分析 |
| 2.2.1 基础数据 |
| 2.2.2 西安市历年玉米干旱程度 |
| 2.2.3 西安市玉米气象干旱预测 |
| 2.2.4 西安市玉米干旱产量预测 |
| 2.3 小结 |
| 3 基于信息扩散和混沌理论的作物生育期旱涝特征分析 |
| 3.1 基于信息扩散和混沌理论的作物生育期旱涝特征分析方法 |
| 3.1.1 旱涝程度和产量影响评估指标 |
| 3.1.2 旱涝演化特征分析 |
| 3.1.3 作物产量影响分析 |
| 3.2 结果与分析 |
| 3.2.1 基础数据 |
| 3.2.2 各生育阶段旱涝程度和标准化产量残差 |
| 3.2.3 旱涝演化特征分析 |
| 3.2.4 旱涝对产量影响分析 |
| 3.3 小结 |
| 4 基于尖点突变干旱度模拟分析 |
| 4.1 基于尖点突变干旱度模拟分析 |
| 4.1.1 突变理论及尖点突变模型 |
| 4.1.2 干旱度指标的构建及干旱情景设定 |
| 4.1.3 基于尖点突变理论的干旱度评价模型的构建 |
| 4.2 结果与分析 |
| 4.2.1 基础数据 |
| 4.2.2 不同干旱情景下的干旱度分析 |
| 4.2.3 不同干旱情景设置下干旱度突变分析 |
| 4.3 小结 |
| 5 基于COPULA函数的农业干旱风险评估体系 |
| 5.1 基于COPULA函数的区域农业干旱风险评估体系方法简介 |
| 5.1.1 农业干旱风险评估体系 |
| 5.1.2 作物生育期降雨量概率分析 |
| 5.1.3 抗旱能力分析评价 |
| 5.1.4 农业干旱风险分析 |
| 5.1.5 农业干旱风险曲线的构建 |
| 5.2 结果与分析 |
| 5.2.1 基础数据 |
| 5.2.2 作物生育期降雨量概率分析 |
| 5.2.3 基于作物相对增产率抗旱能力及基于损失率的干旱风险 |
| 5.2.4 抗旱能力及干旱风险曲线 |
| 5.3 小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 主要创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间取得的科研成果 |
（9）九龙江流域水资源调度研究及系统集成（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 中长期径流预报研究概况 |
| 1.2.2 水资源调度研究概况 |
| 1.2.3 河道径流计算研究概况 |
| 1.3 研究内容和技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 第二章 流域基本情况 |
| 2.1 地理位置 |
| 2.2 河流水系 |
| 2.3 水文气象 |
| 2.4 本章小结 |
| 第三章 常规调度应用研究 |
| 3.1 研究内容 |
| 3.2 技术路线 |
| 3.3 水资源年计划编制 |
| 3.3.1 中长期径流预报 |
| 3.3.2 供需水量计算 |
| 3.3.3 供需平衡计算 |
| 3.4 本章小结 |
| 第四章 应急调度应用研究 |
| 4.1 研究内容 |
| 4.2 技术路线 |
| 4.3 应急模型建立 |
| 4.3.1 流域概化 |
| 4.3.2 模型搭建 |
| 4.3.3 目标函数 |
| 4.4 应急模型求解 |
| 4.4.1 求解方法 |
| 4.4.2 结果分析 |
| 4.5 本章小结 |
| 第五章 水资源调度系统开发与集成 |
| 5.1 设计思路与原则 |
| 5.1.1 总体设计思路 |
| 5.1.2 总体设计原则 |
| 5.2 系统结构与功能 |
| 5.2.1 系统结构介绍 |
| 5.2.2 系统功能介绍 |
| 5.3 系统界面展示 |
| 5.3.1 调度情势 |
| 5.3.2 常规调度 |
| 5.3.3 应急调度 |
| 5.3.4 系统管理 |
| 5.3.5 模型计算服务 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录1 |
（10）基于长短期记忆循环神经网络及其结构约减变体的中长期径流预报研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容及安排 |
| 2 神经网络体系与机器学习预报方法 |
| 2.1 机器学习基本概念 |
| 2.2 神经网络及支持向量回归机预报方法 |
| 2.3 Simple-LSTM |
| 2.4 本章小结 |
| 3 长江上游宜昌站中长期径流预报分析 |
| 3.1 三峡流域水文特性简介 |
| 3.2 中长期径流预报精度评定 |
| 3.3 基于LSTM及其变体的年径流预报模型 |
| 3.4 基于LSTM及其变体的月径流预报模型 |
| 3.5 本章小结 |
| 4 宜昌站中长期径流预报集成模块 |
| 4.1 系统总体功能结构 |
| 4.2 系统功能子模块 |
| 4.3 系统功能菜单介绍 |
| 4.4 本章小结 |
| 5 结束与展望 |
| 5.1 工作总结 |
| 5.2 下一步工作与展望 |
| 致谢 |
| 参考文献 |
四、混沌理论在径流预报中的应用研究（论文参考文献）
- [1]黄河梯级水库群“水-沙-电-生态”多维协同控制与与均衡调控研究[D]. 金文婷. 西安理工大学, 2021
- [2]基于变分模态分解的灰狼优化最小二乘支持向量机研究及其在径流预报中的应用[D]. 方巍. 南昌工程学院, 2020(06)
- [3]渭河流域中长期径流预报研究[D]. 杨沁瑜. 西北农林科技大学, 2020
- [4]不确定性方法在山区小流域水文预报中的应用[D]. 齐凡. 黑龙江大学, 2020(04)
- [5]基于极点对称模态分解的长江上游径流变化特征及预报[D]. 王爽. 华北电力大学(北京), 2020(06)
- [6]考虑多元信息的水库多目标优化调度研究[D]. 唐榕. 大连理工大学, 2020(01)
- [7]基于数据融合的丰满水库长期径流预报研究[D]. 雷冠军. 中国水利水电科学研究院, 2020(04)
- [8]农业干旱风险分析方法及应用研究[D]. 陈海涛. 华北水利水电大学, 2019(01)
- [9]九龙江流域水资源调度研究及系统集成[D]. 罗凯乐. 华中科技大学, 2019(03)
- [10]基于长短期记忆循环神经网络及其结构约减变体的中长期径流预报研究[D]. 顾逸. 华中科技大学, 2018(06)