河川徑流的混沌特征和預測研究.pdf

1、對徑流變化規(guī)律的研究是水資源合理開發(fā)利用的前提和基礎。河川徑流是一種復雜的非線性時間序列。長期以來,人們一直用傳統(tǒng)的確定性方法或隨機性方法,或?qū)⒍呓Y(jié)合的方法來描述徑流演變過程,揭示徑流演變的規(guī)律。根據(jù)水文要素變化的非線性特點,本文將混沌理論應用于河川徑流演變規(guī)律的研究中,并通過和其他方法相結(jié)合,以黃河為研究對象,對徑流時間序列進行了混沌特征分析和預測,取得的主要研究成果如下：(1)河川徑流時間序列的相空間重構(gòu)。對黃河干流蘭州、三門峽、

2、花園口站的月徑流時間序列和三門峽站的日徑流時間序列進行了相空間重構(gòu),得出：月徑流時間序列相空間重構(gòu)的時間延遲τ為2,嵌入維數(shù)m達到12時,具有飽和關聯(lián)維數(shù)；三門峽站日徑流時間序列相空間重構(gòu)的時間延遲τ為12,嵌入維數(shù)m達到10時,具有飽和關聯(lián)維數(shù)3.5；同一水文站,天然月徑流時間序列比實測序列的飽和關聯(lián)維數(shù)要大,要恰當描述實測月徑流序列的變化特征,進行動力系統(tǒng)建模,最少需要4個獨立變量,即4種因素,最多需要8個獨立變量,要描述天然徑流序

3、列則最少需要5-6個獨立變量,最多需要12個獨立變量；下游的飽和關聯(lián)維數(shù)比上游要稍大,下游徑流形成所受到的影響因素會更復雜。(2)河川徑流時間序列的混沌特征識別。通過引入飽和關聯(lián)維數(shù)法、主分量分析法、最大Lyapunov指數(shù)等方法對黃河干流主要水文站的月、日徑流資料的混沌特征識別,得出：①黃河干流月、日徑流序列具有混沌特征；②同一水文站、同一時期的實測月徑流序列的混沌特征要強于天然序列；③黃河干流下游的混沌特征要強于上游；④從上世紀五十

4、年代到本世紀初黃河干流月徑流序列的混沌特性比上世紀二十年代到上世紀七十年代月徑流序列的混沌特性要稍強(即,現(xiàn)在要強于過去)；⑤在同一尺度下,比如月徑流,所采用徑流時間序列的長、短對混沌特征的識別有影響,序列越長,所表現(xiàn)的混沌特征就越強,序列越短,所表現(xiàn)的混沌特征就相對較弱。(3)河川徑流時間序列的混沌預測。對相空間近鄰等距預測模式進行改進,利用改進后的相空間近鄰等距法對月平均流量時間序列進行預測時,由于滿足T=τ=sδt,消除了相空間時

5、滯τ的變化對提前預測時間尺度T的影響,所以無需考慮對τ的選擇問題,不僅簡化了預測模式,而且顯著提高了預測正確率,延長了預測時效,可以進行提前1月、1a甚至更長時間尺度的預測。(4)將混沌理論和支持向量機方法相結(jié)合,建立了基于混沌理論的最小二乘支持向量機模型(C-LSSVM),并對蘭州站月徑流序列進行了研究。C-LSSVM模型采用結(jié)構(gòu)風險最小化原則,解決了網(wǎng)絡模型的過學習問題,在處理小樣本預測問題上具有優(yōu)越性,適合小樣本情況的建模,能夠取

6、得較好的預測精度。(5)提出了克服BP神經(jīng)網(wǎng)絡易陷入局部極小點、避免過度訓練、增加模型的外推能力的方法。將混沌理論和神經(jīng)網(wǎng)絡相結(jié)合,建立基于混沌理論的神經(jīng)網(wǎng)絡預測模型,利用相空間重構(gòu)技術(shù)充分顯露日流量時間序列中蘊藏的信息,揭示傳統(tǒng)時間序列方法無法展示的變化規(guī)律,利用神經(jīng)網(wǎng)絡巨大的非線性模擬能力進行河川日流量的預測研究,取得了較好的模擬和預測結(jié)果。(6)將非趨勢波動分析法引入水文系統(tǒng),對河川徑流的長程相關性進行研究。通過對黃河近80年月徑