CN103258109B - 水位预报实时校正的方法 - Google Patents
水位预报实时校正的方法 Download PDFInfo
- Publication number
- CN103258109B CN103258109B CN201210149827.XA CN201210149827A CN103258109B CN 103258109 B CN103258109 B CN 103258109B CN 201210149827 A CN201210149827 A CN 201210149827A CN 103258109 B CN103258109 B CN 103258109B
- Authority
- CN
- China
- Prior art keywords
- water level
- moment
- value
- error
- epsiv
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 230000009897 systematic effect Effects 0.000 claims description 9
- 230000001932 seasonal effect Effects 0.000 claims description 4
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000001915 proofreading effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Environmental & Geological Engineering (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Environmental Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
Abstract
一种水位预报实时校正的方法,包含得到至少一时刻的水位预测值及该至少一时刻的下一时刻的水位预测值;得到该至少一时刻的水位观测值;根据该至少一时刻的水位观测值、该至少一时刻的水位预测值、该下一时刻的水位预测值一时间序列法及一平差方法,产生该水位预报的系统误差;利用一卡尔曼滤波法并根据该下一时刻的水位预测值产生该水位预报的随机误差;根据该系统误差与该随机误差,产生该下一时刻的水位预测修正值;根据该下一时刻的水位预测修正值及该下一时刻的水位预测值,校正该下一时刻的水位预测值。
Description
技术领域
本发明涉及一种水位预报实时校正的方法,尤其涉及一种利用时间序列法与卡尔曼滤波法校正预报时间的水位预测值的水位预报实时校正的方法。
背景技术
在人类历史中,洪水是对于人类生命与财产的最严重威胁之一。因此,水位预报在实时的水位(例如湖泊、河川等)管理上扮演重要且必要的角色,其中水位预报包含洪水控制、洪水示警、水库运行与河川整治。水位预报可延长运用在雨量转换成径流和主要河川的集水时间的定量降水预报(quantitativeprecipitationforecast,QPF)的预报时间(leadtime)。因此,实时水位预测、示警与反应的系统目的在于延长生活在河川沿岸的居民采取防洪作为的预报时间,以使河川沿岸的居民可以更早采取行动以保护自身安全与财产。
然而,在任何一种水位预报方法中,有一些原因会造成水位预报的不确定性,例如输入资料的不确定性、模型架构的不确定性和参数的不确定性。因为气象预报本质上的不确定性,所以在降水方面的输入资料的不确定性比起模型架构的不确定性和参数的不确定性对水位预报造成更大的影响。另外,输入资料的不确定性亦贡献水文与动态流量模型的不确定性给模型架构的不确定性和参数的不确定性。
综上所述,水位预报的可靠度会随着预报时间的增加而降低。亦即水位预报的不确定性会随着用以实现防洪保护措施的预报时间的增加而增加,以致于模拟和预测的水文结果可能不会完美地符合实际上水文测量结果。因此,先前技术所提供的水位预报可能不能符合人类对于水位预报的需求。
发明内容
本发明的一实施例提供一种水位预报实时校正的方法。该方法包含得到至少一时刻的水位预测值及该至少一时刻的下一时刻的水位预测值,其中该至少一时刻中的最后时刻为目前时刻;得到该至少一时刻的水位观测值;根据该至少一时刻的水位观测值、该至少一时刻的水位预测值、该下一时刻的水位预测值、一时间序列法及一平差方法,产生该水位预报的系统误差;利用一卡尔曼滤波法并根据该下一时刻的水位预测值产生该水位预报的随机误差;根据该系统误差与该随机误差,产生该下一时刻的水位预测修正值;根据该下一时刻的水位预测修正值及该下一时刻的水位预测值,校正该下一时刻的水位预测值。
本发明提供一种水位预报实时校正的方法。该方法利用一时间序列法与一卡尔曼滤波法校正,并根据物理模式所得预测值作预报水位误差外插的参考方向,进而推得至少一预报时间的水位预测值,以改善先前技术的缺点。
附图说明
图1为本发明的一实施例说明一种水位预报实时校正的方法的流程图。
图2为说明通过图1的方法产生至少一水位预测修正值的示意图。
【主要元件符号说明】
100至120步骤
t、t+1、t+2、t+3、t-1、t-2、t-3、t-p时刻
具体实施方式
请参照图1,图1为本发明的一实施例说明一种水位预报实时校正的方法的流程图。图1的详细步骤如下:
步骤100:开始;
步骤102:得到水位预测值
步骤104:得到水位观测值
步骤106:根据水位观测值水位预测值利用时间序列法(TimeSeriesmethod)产生t+1时刻的水位误差估计值;
步骤108:根据水位观测值与水位预测值利用平差方法(AverageDeviationmethod)产生t+1时刻的平均误差值;
步骤110:综合时间序列法及平差方法所得误差值产生水位预报的系统误差εsum;
步骤112:利用卡尔曼滤波法(Kalmanfiltermethod)产生水位预报的随机误差εKF;
步骤114:根据系统误差εsum与随机误差εKF,产生t+1时刻的水位预测修正值;
步骤116:根据t+1时刻的水位预测修正值及t+1时刻的水位预测值,校正t+1时刻的水位预测值,并发布t+1时刻校正后的水位预测值;
步骤118:是否继续进行水位预报实时校正;如果是,跳回步骤102;如果否,进行步骤120;
步骤120:结束。
在步骤102中,由一水位预测平台得到至少一时刻的水位预测值其中为一任一时刻的水位预测值,t为目前时刻、t+1为预报时间、t-1为前一时刻以及t-p为前p时刻。在步骤104中,由水位预测平台得到至少一时刻的水位观测值其中为一任一时刻的水位观测值。在步骤106中,根据水位观测值水位预测值和式(1),利用时间序列法产生预报时间(亦即t+1时刻)的水位误差估计值:
如式(1)所示,为通过一时间序列模型f所产生的预报时间(t+1时刻)的水位误差估计值、εt为目前时刻(亦即t时刻)的水位误差值、εt-1为前一时刻(亦即t-1时刻)的水位误差值以及εt-p为前p时刻(亦即t-p时刻)的水位误差值。如式(1)所示,时间序列模型f的模式需先决定,也就是决定模式的阶数才能推得误差值。为了减少水位预测值校正的时间,选定时间序列模型f的阶数为1小时的模式,亦即AR(1)、AR(2)、MA(1)、MA(2)及AR(1,1)等模式。
为了解决在水位预测的时段中观测值不足够的问题,因此在步骤108中采用了平差模型。在步骤108中,根据水位观测值与水位预测值和式(2),产生t+1时刻的平均误差值:
如式(2)所示,为t+1时刻的平均误差值、NSP为用以计算t+1时刻的平均误差值的预定时刻数目、为目前时刻的前(n-i)时刻的水位预测值及为目前时刻的前(n-i)时刻的水位观测值。
由于时间序列的模式于不同预报作业时间皆有其适用性,因此本发明采用预报结合(Forecastcombine)的概念,利用AR(1)、AR(2)、MA(1)、及MA(2)、ARMA(1,1)共五种模式的水位预测值校正结果,以及式(4),产生一水位预测修正值
如式(4)所示,Nmodel是时间序列的模式数目(亦即为5)、为通过时间序列模型f的第m模式所产生的t时刻的水位误差估计值、为采用第m模式的t时刻的水位误差估计值的t时刻的水位预测修正值及为通过时间序列模型f所产生的t时刻的水位预测修正值。
在步骤110中,利用式(5)产生t+1时刻的水位误差估计值与t+1时刻的平均误差值,产生水位预报的系统误差εsum。
如式(5)所示,为通过时间序列模型f的第m模式所产生的t+1时刻的水位误差估计值。
以时间序列法为架构的水位预测值实时校正模式(即为时间序列模式),理论上虽可有效降低各种水文地文及气象等不确定性所造成水位预测的误差,大幅提升水位预报信息的准确性及可靠度,但因仍有其他不可预知的不确定性因素(例如观测水位或预报雨量不确定性),造成水位可能有异常变化。因此,本发明再采用卡尔曼滤波法校正水位预测值。
在步骤112中,利用式(6)产生随机误差(卡尔曼滤波法的误差):
如式(6)所示,εKF为随机误差、KKF为一卡尔曼权重(Kalmangain)值及(如式(4)所示)为通过时间序列模型f所产生的t时刻的水位预测修正值。
在步骤114中,根据系统误差εsum、随机误差εKF以及式(7),产生t+1时刻的水位预测修正值:
如式(7)所示,为t+1时刻的水位预测修正值。
在步骤116中,根据t+1时刻的水位预测修正值t+1时刻的水位预测值以及式(8),校正t+1时刻的水位预测值以产生t+1时刻的水位预测修正值:
如式(8)所示,为t+1时刻的水位预测修正值。
在步骤118中,如果要产生t+2时刻的水位预测修正值,则重复步骤102至步骤116,以产生t+2时刻的水位预测修正值。
请参照图2,图2为说明通过图1的方法产生至少一水位预测修正值的示意图。如图2所示,利用水位预测值和水位观测值产生预报时间(t+1时刻、t+2时刻、t+3时刻等)的水位预测修正值。然后,根据预报时间的水位预测修正值及预报时间的水位预测值,即可产生校正后的预报时间的水位预测值。
综上所述,以时间序列法为架构的水位预测值实时校正模式,理论上虽可有效降低各种水文地文及气象等不确定性所造成水位预测的误差,大幅提升水位预报的准确性及可靠度。但因仍有其他不可预知的不确定性因素(例如观测水位或预报雨量不确定性),造成水位可能有异常变化。因此,本发明利用时间序列法与卡尔曼滤波法校正预报时间的水位预测值,以改善先前技术的缺点。
以上所述仅为本发明的优选实施例,凡依本发明权利要求书所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (4)
1.一种水位预报实时校正的方法,包含:
得到至少一时刻的水位预测值及该至少一时刻的下一时刻的水位预测值,其中该至少一时刻中的最后时刻为目前时刻;
得到该至少一时刻的水位观测值;
根据该至少一时刻的水位观测值、该至少一时刻的水位预测值、该下一时刻的水位预测值、一时间序列法及一平差方法,产生该水位预报的系统误差,其中,根据该至少一时刻的水位观测值、该至少一时刻的水位预测值与该下一时刻的水位预测值,产生该下一时刻的水位误差估计值;根据该至少一时刻的水位观测值与该至少一时刻的水位预测值,产生该下一时刻的平均误差值;及根据该下一时刻的水位误差估计值与该下一时刻的平均误差值,产生该水位预报的系统误差;
利用一卡尔曼滤波法产生该水位预报的随机误差;
根据该系统误差与该随机误差,产生该下一时刻的水位预测修正值为:
根据该下一时刻的水位预测修正值及该下一时刻的水位预测值,校正该下一时刻的水位预测值为:
其中:
Nmodel为该时间序列的模式数目;
为通过该时间序列模型f的第m模式所产生的该下一时刻的水位误差估计值;
为该下一时刻的平均误差值;
εKF为该随机误差;
为该下一时刻的水位预测值;以及
为该下一时刻校正后的水位预测值。
2.如权利要求1所述的方法,其中根据该至少一时刻的水位观测值、该至少一时刻的水位预测值与该下一时刻的水位预测值,利用该时间序列法产生该下一时刻的水位误差估计值为:
其中:
为通过一时间序列模型f所产生的该下一时刻的水位误差估计值;
为该至少一时刻中的目前时刻的水位预测值;
为该下一时刻的水位预测值;
为该目前时刻之前一时刻的水位预测值;
为该目前时刻之前p时刻的水位预测值;
为该目前时刻的水位观测值;
εt为该目前时刻的水位误差值;
εt-1为该前一时刻的水位误差值;及
εt-p为该前p时刻的水位误差值。
3.如权利要求2所述的方法,其中根据该至少一时刻的水位观测值与该至少一时刻的水位预测值,利用该平差方法产生该下一时刻的平均误差值为:
其中:
为该下一时刻的平均误差值;
NSP为用以计算该下一时刻的平均误差值的预定时刻数目;
为该目前时刻的前(n-i)时刻的水位预测值;及
为该目前时刻的前(n-i)时刻的水位观测值。
4.如权利要求1所述的方法,其中该随机误差是根据下列方程式产生:
其中:
εKF为该随机误差;
KKF为一卡尔曼权重(Kalmangain)值;
为通过该时间序列模型f的第m模式所产生的该目前时刻的水位误差估计值;
为采用第m模式的该目前时刻的水位误差估计值的该目前时刻的水位预测修正值;
Nmodel为该时间序列的模式数目;及
为通过该时间序列模型f所产生的该目前时刻的水位预测修正值。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW101104953A TWI446129B (zh) | 2012-02-15 | 2012-02-15 | 水位預報即時校正的方法 |
TW101104953 | 2012-02-15 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103258109A CN103258109A (zh) | 2013-08-21 |
CN103258109B true CN103258109B (zh) | 2016-05-25 |
Family
ID=48946498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210149827.XA Expired - Fee Related CN103258109B (zh) | 2012-02-15 | 2012-05-15 | 水位预报实时校正的方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9122996B2 (zh) |
CN (1) | CN103258109B (zh) |
TW (1) | TWI446129B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105183015A (zh) * | 2015-06-23 | 2015-12-23 | 潘秀娟 | 一种改进的锅炉汽包水位控制方法 |
CN105115573B (zh) * | 2015-07-18 | 2018-08-17 | 厦门理工学院 | 一种洪水流量预报的校正方法和装置 |
CN105425319B (zh) * | 2015-09-16 | 2017-10-13 | 河海大学 | 基于地面测量数据校正的降雨卫星暴雨同化方法 |
US10614364B2 (en) | 2015-09-16 | 2020-04-07 | Microsoft Technology Licensing, Llc | Localized anomaly detection using contextual signals |
TWI578256B (zh) * | 2016-06-28 | 2017-04-11 | 安研科技股份有限公司 | 在二維淹水潛勢圖資料庫中搜尋淹水圖資的方法 |
TWI587222B (zh) * | 2016-06-29 | 2017-06-11 | 台灣電力股份有限公司 | 基於類神經網路之水庫水位預測系統及方法 |
EP3324219B1 (en) * | 2016-11-22 | 2018-12-19 | Uniwersytet Wroclawski | Method for determining an expected inflow to a water reservoir |
CN109710879A (zh) * | 2017-08-17 | 2019-05-03 | 中国水利水电科学研究院 | 一种防洪预报系统的优化处理方法和装置 |
CN107742154A (zh) * | 2017-09-30 | 2018-02-27 | 北京尚水信息技术股份有限公司 | 智慧水务管网中水位互校正方法 |
CA3108078A1 (en) * | 2018-08-02 | 2020-02-06 | The Climate Corporation | Automatic prediction of yields and recommendation of seeding rates based on weather data |
CN109992868B (zh) * | 2019-03-25 | 2020-08-18 | 华中科技大学 | 一种基于异参离散广义Nash汇流模型的河道洪水预报方法 |
CN110553631B (zh) * | 2019-08-22 | 2022-03-04 | 中山大学 | 一种关于水位流量关系的水位测量系列误差分析方法 |
CN111401666B (zh) * | 2020-04-28 | 2021-07-27 | 中国水利水电科学研究院 | 一种利用预报误差开展上游水库群影响下径流预报的方法 |
CN111951553B (zh) * | 2020-08-17 | 2022-11-11 | 上海电科智能系统股份有限公司 | 一种基于交通大数据平台与中观仿真模型的预测方法 |
US20220228356A1 (en) * | 2021-01-21 | 2022-07-21 | Arcadis U.S., Inc. | Actionable stormwater services platform |
CN112950062B (zh) * | 2021-03-24 | 2023-02-03 | 郑州大学 | 基于动态系统响应曲线和lstm的山洪预报实时校正方法 |
CN113988419A (zh) * | 2021-10-28 | 2022-01-28 | 河海大学 | 大型河网水量预报预警方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101672681A (zh) * | 2008-09-10 | 2010-03-17 | 海尔集团公司 | 水位测量装置以及水位测量、校正方法 |
CN102034027A (zh) * | 2010-12-16 | 2011-04-27 | 南京大学 | 流域尺度土壤湿度遥感数据同化方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6862528B2 (en) | 1999-04-27 | 2005-03-01 | Usengineering Solutions Corporation | Monitoring system and process for structural instabilities due to environmental processes |
JP2005516704A (ja) * | 2002-02-05 | 2005-06-09 | ザ、リージェンツ、オブ、ザ、ユニバーシティ、オブ、カリフォルニア | 換気呼吸の呼気曲線に基づく流量非依存パラメータの推定 |
TWI327231B (en) | 2004-10-29 | 2010-07-11 | Hitachi Shipbuilding Eng Co | Relative surveying method and relative surveying system using a planet |
US7334450B1 (en) | 2004-11-12 | 2008-02-26 | Phase Dynamics, Inc. | Water cut measurement with improved correction for density |
CN101625732B (zh) | 2009-08-03 | 2011-11-30 | 杭州电子科技大学 | 江河潮水水位的预测方法 |
CN102183972B (zh) | 2011-03-24 | 2012-09-05 | 杭州电子科技大学 | 一种城市排水系统蓄水池水位的控制方法 |
-
2012
- 2012-02-15 TW TW101104953A patent/TWI446129B/zh not_active IP Right Cessation
- 2012-05-15 CN CN201210149827.XA patent/CN103258109B/zh not_active Expired - Fee Related
- 2012-08-02 US US13/565,778 patent/US9122996B2/en not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101672681A (zh) * | 2008-09-10 | 2010-03-17 | 海尔集团公司 | 水位测量装置以及水位测量、校正方法 |
CN102034027A (zh) * | 2010-12-16 | 2011-04-27 | 南京大学 | 流域尺度土壤湿度遥感数据同化方法 |
Non-Patent Citations (2)
Title |
---|
Adaptive state updating in real-time river flow forecasting-a combined filtering and error forecasting procedure;Henrik Madsen et al;《Journal of Hydrology》;20050612;第208卷(第1-4期);302-312页 * |
洪水预报实时校正技术研究综述;田雨等;《人民黄河》;20110320;第33卷(第3期);25-28页 * |
Also Published As
Publication number | Publication date |
---|---|
TW201333649A (zh) | 2013-08-16 |
US9122996B2 (en) | 2015-09-01 |
US20130212048A1 (en) | 2013-08-15 |
CN103258109A (zh) | 2013-08-21 |
TWI446129B (zh) | 2014-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103258109B (zh) | 水位预报实时校正的方法 | |
Apel et al. | Combined fluvial and pluvial urban flood hazard analysis: concept development and application to Can Tho city, Mekong Delta, Vietnam | |
Dawadi et al. | Changing climatic conditions in the Colorado River Basin: Implications for water resources management | |
CN105260607A (zh) | 一种串并联耦合的多模型水文预报方法 | |
Wahl et al. | Assessing the hydrodynamic boundary conditions for risk analyses in coastal areas: a stochastic storm surge model | |
Suárez-Almiñana et al. | Linking Pan-European data to the local scale for decision making for global change and water scarcity within water resources planning and management | |
CN102109619A (zh) | 一种基于人工智能的台风增水预测系统和方法 | |
CN113158556B (zh) | 一种区域水位短时高精度预报方法 | |
Dong et al. | A hybrid hydrologic modelling framework with data-driven and conceptual reservoir operation schemes for reservoir impact assessment and predictions | |
CN114819322A (zh) | 湖泊入湖流量的预报方法 | |
CN114841417A (zh) | 一种高精度咸潮预报方法、系统和可读存储介质 | |
CN110578317B (zh) | 一种水文模型水库泄水量模拟方法 | |
Ruslan et al. | Parameters effect in Sampling Importance Resampling (SIR) particle filter prediction and tracking of flood water level performance | |
Rojas et al. | Macquarie River floodplain flow modeling: implications for ecogeomorphology | |
CN106384002B (zh) | 基于back-fitting算法的洪水预报实时校正方法 | |
Mazzoleni et al. | Data assimilation in hydrologic routing: Impact of model error and sensor placement on flood forecasting | |
Rajabi et al. | The analysis of uncertainty of climate change by means of SDSM model case study: Kermanshah | |
McPhee et al. | An approach to estimating hydropower impacts of climate change from a regional perspective | |
Sardjono et al. | The application of artificial neural network for flood systems mitigation at jakarta city | |
Wolfs et al. | Flood probability mapping by means of conceptual modeling | |
Nasr-Azadani et al. | Downscaling river discharge to assess the effects of climate change on cholera outbreaks in the Bengal Delta | |
Wang et al. | R-statistic based predictor variables selection and vine structure determination approach for stochastic streamflow generation considering temporal and spatial dependence | |
Yokoo et al. | Reconstruction of groundwater level at Kumamoto, Japan by means of deep learning to evaluate its increase by the 2016 earthquake | |
Sandi et al. | Predicting floodplain inundation and vegetation dynamics in arid wetlands | |
Sentas et al. | Dissolved oxygen assessment in Dam-Lake Thesaurus using stochastic modeling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160525 Termination date: 20210515 |
|
CF01 | Termination of patent right due to non-payment of annual fee |