CN107330252A - 水文时间序列跳跃变异综合诊断方法 - Google Patents
水文时间序列跳跃变异综合诊断方法 Download PDFInfo
- Publication number
- CN107330252A CN107330252A CN201710439867.0A CN201710439867A CN107330252A CN 107330252 A CN107330252 A CN 107330252A CN 201710439867 A CN201710439867 A CN 201710439867A CN 107330252 A CN107330252 A CN 107330252A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- variation
- change point
- mtd
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2219/00—Indexing scheme relating to application aspects of data processing equipment or methods
- G06F2219/10—Environmental application, e.g. waste reduction, pollution control, compliance with environmental legislation
Landscapes
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明提供一种水文时间序列跳跃变异综合诊断方法,其特征在于,包括以下步骤:步骤1.利用Monte‑Carlo统计试验生成N组水文序列:步骤1.1设定水文序列的长度、变异点位置、变异前均值、变异前变差系数、变异前偏态系数、变异后均值、变异后变差系数、变异后偏态系数的数值;步骤1.2将变异点之前序列记为X 1,变异点之后的序列记为X 2,X 1、X 2均服从P‑III分布,将它们组合成含有一个跳跃变异点的模拟序列;步骤1.3重复步骤1.2,生成N组模拟序列;步骤2.利用多种跳跃变异检验方法对各组模拟序列进行检验,并计算每种方法在不同参数条件下的检验效率;步骤3.计算各检验方法的权重,并选取权重最大值及其所对应的变异点分别为综合权重和最终综合诊断的变异点。
Description
技术领域
本发明涉及一种水文时间序列跳跃变异综合诊断方法。
技术背景
近几十年来气候条件变化及人类活动导致下垫面条件变化等的影响,使得许多流域降水、径流等水文要素形成过程的物理成因发生了很大改变,水文过程呈现出更加复杂的变化特性。从实际观测资料看,水文时间序列客观反映了上述因素对水文过程造成的影响及其程度,其统计规律不再满足一致性的要求。因此,对于水文序列中非一致性成分进行分析是十分必要的。
跳跃变异是水文序列中常见的变异形式,主要体现了水文过程发生的剧烈变化,及其对环境变化影响的适应性。实际分析过程中,水文时间序列的变化特性复杂多变,且水文序列的参数条件也较为复杂,单一方法检验效果的可靠性常常较低,不同方法的检验结果也存在一定差异,难以得到准确合理的结果。
发明内容
本发明是为了解决上述问题而进行的,目的在于提供一种水文时间序列跳跃变异综合诊断方法,基于不同检验方法对水文序列检验的能力和精度赋予相应的权重,并利用这些权重对各方法的诊断结果进行综合评价的思想,从而得到更加准确合理的结果。
本发明为了实现上述目的,采用了以下方案:
本发明提供一种水文时间序列跳跃变异综合诊断方法,其特征在于,包括以下步骤:
步骤1.利用Monte-Carlo统计试验(MC统计试验)生成N组水文序列:
步骤1.1构造水文序列的长度为nt,假设变异点位置为n1,变异前均值为EX1、变异前变差系数为Cv1、变异前偏态系数为Cs1、变异后均值为EX2、变异后变差系数为Cv2、变异后偏态系数为Cs2,并且设定这八个参数的数值;
步骤1.2将变异点之前序列记为X1,变异点之后的序列记为X2:
将序列X1、X2组合成为含有一个跳跃变异点的一组模拟序列;
步骤1.3重复步骤1.2,生成N组模拟序列;
步骤2.利用多种跳跃变异检验方法对各组模拟序列进行检验,并计算每种方法在不同参数条件下的相应的检验效率;这里所说的参数是采用MC统计试验随机生成的n组参数;
步骤3.计算各跳跃变异检验方法的权重,并选取权重最大值所对应的变异点为最终综合诊断的变异点,该变异点的权重为综合权重。
本发明提供的水文时间序列跳跃变异综合诊断方法,还可以具有以下特征:在步骤2中,对于一种跳跃变异检验方法,设检验变异点位置的序列为{nsi|i=1,2,...,N},首先可构造一秩序列:
上式中,nsi为检验变异点位置,δ1为置信度;
则该方法在该次统计试验中的检验效率可表示为:
进一步地,本发明水文时间序列跳跃变异综合诊断方法,还可以具有以下特征:在步骤3中,设统计试验中共使用了m种跳跃变异检验方法,将第i种方法在第j组参数下的计算效率记为Cij,那么第i种诊断方法的权重wi可表示为:
对包含跳跃成分的序列进行诊断时,若出现各方法诊断结果不完全一致的情况,可利用公式(4)给出的权重对诊断结果进行综合判别;
选取对应的变异点i为最终综合诊断的变异点,w为该变异点的综合权重。
发明的作用与效果
本发明所提供的水文时间序列跳跃变异综合诊断方法,以各方法的性能差异为基础,在随机参数条件下进行大量统计试验,并基于此结果对各检验方法赋予权重,在原理上克服了传统方法结果不可靠且多种方法结果不一致等问题,通过赋权方式,可以在各方法检测结果不一致时选取综合权重最大的变异点作为最终结果,结果可靠,可操作性强,具有很大的实际应用价值。
附图说明
图1为本发明实施例中的博罗站枯水径流序列变异图。
具体实施方式
以下结合附图对本发明涉及的水文时间序列跳跃变异综合诊断方法的具体实施方案进行详细地说明。
<实施例>
本实施例中,将水文时间序列跳跃变异综合诊断方法,应用到东江流域下游博罗水文控制站1956-2009年枯水期(10月~次年3月)平均流量序列的跳跃变异诊断分析中,识别各序列跳跃变异点。在置信度为0.05的条件下,利用常用的12种变异点检验方法对博罗站枯水期平均流量序列进行诊断,各方法得到的变异点共有四个,分别是1973(1971)、1987、1990和1997:其中滑动T检验,里海哈林法,有序类聚法,BF检验法,滑动秩和检验法,MK检验法和Bayesian方法和Pettit方法诊断的变异点为1973;最优信息二分割法诊断变异点为1971年,当δ2=0.05时,1971年和1973年可认为在同一个变异点;RS检验法诊断得到的变异点为1987年;滑动游程检验法诊断得到的变异点为1990。
将各方法的诊断结论记为{Tj|j=1,2,3,...,12},而其中有4(4≤12)种不同结论{ti|i=1,2,3,4},则当变异点为ti时权重为:
其中wj为第j种诊断方法的权重,系数可计算如下:
其中nt为序列长度,此处为54,δ1为时间误差允许范围,此处为0.05。
选取对应的变异点ti为最终综合诊断的变异点,W为该变异点的综合权重。
经过上述计算得,变异点为1973年的方法总权重为0.7589;变异点为1987年的方法总权重为0.0132;变异点为1990年的方法总权重为0.1844;变异点为1997年的方法总权重为0.0434。因此,最终选取权重较大的1973年作为该径流过程的变异点。诊断结果及对应权重如表1所示:
表1博罗站枯水期径流序列诊断结果表
注:检验中置信度为0.05。
同时,从图1可以看出,博罗站枯水期径流序列在1973年发生了一次明显的跳跃变异。
为了更好地说明变异点的合理性,分别以1973年、1987年、1990年、1997年为分割点,将博罗站枯水期径流序列分为前后两段,并计算前后两段序列均值的相对差值,结果如表2所示:
表2博罗站变异前后枯水期径流量差值表
从表2中可以看出,以1973年作为分割点时,前后两段序列的相对差值达37.23%,远远大于其它3个分割点对应的结果。
以上实施例仅仅是对本发明技术方案所做的举例说明。本发明所涉及的水文时间序列跳跃变异综合诊断方法并不仅仅限定于在以上实施例中所描述的内容,而是以权利要求所限定的范围为准。本发明所属领域技术人员在该实施例的基础上所做的任何修改或补充或等效替换,都在本发明的权利要求所要求保护的范围内。
Claims (3)
1.一种水文时间序列跳跃变异综合诊断方法,其特征在于,包括以下步骤:
步骤1.利用Monte-Carlo统计试验生成N组水文序列:
步骤1.1构造水文序列的长度为nt,假设变异点位置为n1,变异前均值为EX1、变异前变差系数为Cv1、变异前偏态系数为Cs1、变异后均值为EX2、变异后变差系数为Cv2、变异后偏态系数为Cs2,并且设定这八个参数的数值;
步骤1.2将变异点之前序列记为X1,变异点之后的序列记为X2:
<mrow>
<mfenced open='' close=''>
<mtable>
<mtr>
<mtd>
<msub>
<mi>X</mi>
<mn>1</mn>
</msub>
<mo>~</mo>
<mi>P</mi>
<mo>-</mo>
<mi>III</mi>
<mrow>
<mo>(</mo>
<mi>EX</mi>
<mn>1</mn>
<mo>,</mo>
<mi>Cv</mi>
<mn>1</mn>
<mo>,</mo>
<mi>Cs</mi>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>X</mi>
<mn>2</mn>
</msub>
<mo>~</mo>
<mi>P</mi>
<mo>-</mo>
<mi>III</mi>
<mrow>
<mo>(</mo>
<mi>EX</mi>
<mn>2</mn>
<mo>,</mo>
<mi>Cv</mi>
<mn>2</mn>
<mo>,</mo>
<mi>Cs</mi>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
将序列X1、X2组合成为含有一个跳跃变异点的一组模拟序列;
步骤1.3重复步骤1.2,生成N组模拟序列;
步骤2.利用多种跳跃变异检验方法对各组模拟序列进行检验,并计算每种方法在不同参数条件下的相应的检验效率;
步骤3.计算各跳跃变异检验方法的权重,并选取权重最大值所对应的变异点为最终综合诊断的变异点,该变异点的权重为综合权重。
2.根据权利要求1所述的水文时间序列跳跃变异综合诊断方法,其特征在于:
其中,在步骤2中,对于一种跳跃变异检验方法,设检验变异点位置的序列为{nsi|i=1,2,...,N},首先可构造一秩序列:
<mrow>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>n</mi>
<mrow>
<mi>s</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
<mo>|</mo>
</mrow>
<msub>
<mi>n</mi>
<mi>t</mi>
</msub>
</mfrac>
<mo>&le;</mo>
<msub>
<mi>&delta;</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>n</mi>
<mrow>
<mi>s</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
<mo>|</mo>
</mrow>
<msub>
<mi>n</mi>
<mi>t</mi>
</msub>
</mfrac>
<mo>></mo>
<msub>
<mi>&delta;</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>N</mi>
<mo>,</mo>
</mrow>
上式中,nsi为检验变异点位置,δ1为置信度;
则该方法在该次统计试验中的检验效率可表示为:
<mrow>
<mi>C</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<mn>100</mn>
<mi>%</mi>
<mo>.</mo>
</mrow>
3.根据权利要求1所述的水文时间序列跳跃变异综合诊断方法,其特征在于:
其中,在步骤3中,设统计试验中共使用了m种跳跃变异检验方法,将第i种方法在第j组参数下的计算效率记为Cij,那么第i种诊断方法的权重wi可表示为:
<mrow>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>C</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>C</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
选取对应的变异点i为最终综合诊断的变异点,w为该变异点的综合权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710439867.0A CN107330252A (zh) | 2017-06-12 | 2017-06-12 | 水文时间序列跳跃变异综合诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710439867.0A CN107330252A (zh) | 2017-06-12 | 2017-06-12 | 水文时间序列跳跃变异综合诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107330252A true CN107330252A (zh) | 2017-11-07 |
Family
ID=60196010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710439867.0A Pending CN107330252A (zh) | 2017-06-12 | 2017-06-12 | 水文时间序列跳跃变异综合诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107330252A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304353A (zh) * | 2018-01-10 | 2018-07-20 | 武汉大学 | 水文序列相依性变异程度分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4577679A (en) * | 1978-10-25 | 1986-03-25 | Hibshman Henry J | Storage systems for heat or cold including aquifers |
CN105069309A (zh) * | 2015-08-21 | 2015-11-18 | 中国科学院地理科学与资源研究所 | 一种识别水文时间序列非线性趋势的方法 |
CN106600508A (zh) * | 2016-12-19 | 2017-04-26 | 中国水利水电科学研究院 | 一种流域尺度的水文非一致性诊断方法 |
CN106777985A (zh) * | 2016-12-19 | 2017-05-31 | 中国水利水电科学研究院 | 一种基于分类的水文序列非一致性诊断方法 |
-
2017
- 2017-06-12 CN CN201710439867.0A patent/CN107330252A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4577679A (en) * | 1978-10-25 | 1986-03-25 | Hibshman Henry J | Storage systems for heat or cold including aquifers |
CN105069309A (zh) * | 2015-08-21 | 2015-11-18 | 中国科学院地理科学与资源研究所 | 一种识别水文时间序列非线性趋势的方法 |
CN106600508A (zh) * | 2016-12-19 | 2017-04-26 | 中国水利水电科学研究院 | 一种流域尺度的水文非一致性诊断方法 |
CN106777985A (zh) * | 2016-12-19 | 2017-05-31 | 中国水利水电科学研究院 | 一种基于分类的水文序列非一致性诊断方法 |
Non-Patent Citations (4)
Title |
---|
LI BINBIN 等: "Diagnosis and Identification for the Variation of the Flood Series based on Hydrological Variation Diagnosis System", 《INTERNATIONAL CONFERENCE ON MECHATRONICS, ELECTRONIC, INDUSTRIAL AND CONTROL ENGINEERING (MEIC)》 * |
谢平 等: "水文变异诊断系统", 《水力发电学报》 * |
陈丽 等: "水文变异诊断系统及其应用研究_无定河流域多要素水文序列变异分析", 《河流开发、保护与水资源可持续利用——第六届中国水论坛论文集》 * |
雷红富 等: "水文序列变异点检验方法的性能比较分析", 《水电能源科学》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304353A (zh) * | 2018-01-10 | 2018-07-20 | 武汉大学 | 水文序列相依性变异程度分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guarienti et al. | Performance analysis of numerical methods for determining Weibull distribution parameters applied to wind speed in Mato Grosso do Sul, Brazil | |
Jung et al. | Changing wind speed distributions under future global climate | |
CN111104981A (zh) | 一种基于机器学习的水文预报精度评价方法及系统 | |
CN104932035A (zh) | 一种台风强度预报方法及系统 | |
CN107084709B (zh) | 一种多弹性对径流变化驱动因素的定量分割方法 | |
CN108876021A (zh) | 一种中长期径流预报方法及系统 | |
CN105868534A (zh) | 一种基于多目标优化抽样的水文模型不确定性分析方法 | |
CN104657596A (zh) | 一种基于模型迁移的大型新压缩机性能预测快速建模方法 | |
CN109284477A (zh) | 一种水文序列的丰枯组合概率计算方法及装置 | |
CN106815473A (zh) | 水文模拟不确定性分析方法及装置 | |
CN104112062A (zh) | 基于插值方法的风资源分布的获取方法 | |
CN109783934A (zh) | 一种基于h-adcp的断面平均流速拟合率定方法 | |
Abdellatif et al. | Application of the stochastic model for temporal rainfall disaggregation for hydrological studies in north western England | |
CN109685334A (zh) | 一种新的基于多尺度理论的水文模型模拟评估方法 | |
Bao et al. | Dynamic correction of roughness in the hydrodynamic model | |
CN107330252A (zh) | 水文时间序列跳跃变异综合诊断方法 | |
CN106950357A (zh) | 一种双掺混凝土抗裂性能评估方法 | |
Hove et al. | Mapping wind power density for Zimbabwe: a suitable Weibull-parameter calculation method | |
Kantar et al. | Comparison of six different parameter estimation methods in wind power applications | |
CN111090932A (zh) | 一种适应中等复杂地形的在运风电场场地标定方法 | |
Olofintoye et al. | Impact of regional climate change on freshwater resources and operation of the vanderkloof dam system in South Africa | |
Suprayogi et al. | Development of the inflow prediction model on tropical reservoir using adaptive neuro fuzzy inference system | |
Kim et al. | Short term prediction of water level and discharge using a 2D dynamic wave model with particle filters | |
Jiang et al. | Discharge estimation based on machine learning | |
CN109871988A (zh) | 一种洪水预报预警精度分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171107 |
|
RJ01 | Rejection of invention patent application after publication |