CN110598352A - 一种流域来水的预报方法 - Google Patents
一种流域来水的预报方法 Download PDFInfo
- Publication number
- CN110598352A CN110598352A CN201910905392.9A CN201910905392A CN110598352A CN 110598352 A CN110598352 A CN 110598352A CN 201910905392 A CN201910905392 A CN 201910905392A CN 110598352 A CN110598352 A CN 110598352A
- Authority
- CN
- China
- Prior art keywords
- water
- year
- forecasting
- forecast
- years
- 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.)
- Granted
Links
Classifications
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Abstract
本发明提供了一种流域来水的预报方法,包括如下步骤:获取流域来水样本序列,并对所述样本序列进行分型处理;根据所述分型处理结果利用因子对比法获取不同尺度因子的预报精度;根据所述预报因子的尺度以及精度构建流域多尺度因子融合的预报模型;利用所述多尺度因子融合的预报模型预报流域来水,从而实现流域来水超长期的预报。本发明的数据融合模型包括单因子结构,多因子混合式融合结构。本发明综合考虑了天文尺度、全球尺度、海洋和大气尺度的因子,融合三大尺度因子的预报结果,并且能够基于相似年进行定量和定性预报,为防汛抗旱提供数据支撑。
Description
技术领域
本发明属于水文预报领域,尤其涉及一种流域来水的预报方法。
背景技术
流域来水量受到流域水文循环的影响,流域水文循环受到海陆大循环和陆地小循环的影响,影响流域水文循环的因子在空间上分为三大尺度,天文尺度、全球尺度、流域尺度。天文尺度主要指太阳黑子相对数,全球尺度主要指海洋和大气循环、地震,流域尺度因子主要指流域自身的水文、气象因子,如气温、降水等因子,针对上述影响因子及水文序列,目前已有较多的理论和方法用于超长期水文预报研究。可公度理论能够预报产生灾害的极端来水量和洪水,然而可公度公式的确定需要更多的经验作指导,而且该方法不具有较好的统计特征,预报结果容易被质疑。前兆理论能够计算得到与流域来水有关的前兆因子进行洪旱预报,只能作定性预报,而且精度与前兆因子的精度和置信区间有关。关联规则挖掘能够融合多因子构建一系列的融合规则进行预报,置信度的选择是方法的关键,过大或过小的置信度都不能找到合适的关联规则。回归分析法能够基于预报因子和预报对象之间的关系进行预报,极端点的预报结果精度较差。机器学习的预报精度和机器学习速度受到预报因子和样本容量的影响。过拟合会使得拟合效果好,大多数的预报点均在均值附近波动。由于现有技术存在上述问题,本领域急需一种能够融合多尺度因子、且能够有效反映因子结构差异,预报精度高的流域来水超长期预报方法。
近年来,运用结构理论进行流域来水预报的研究才刚刚起步。结构是人们运用它去认识事物的常规的方法之一,这里的结构是指预报因子和预报对象的各个组成部分之间的有序搭配和排列,最初被用于地震预报中。地震灾害预报的结构理论有灾害链结构、有序网络结构、天文结构等。地震灾害预报的结构理论在洪水预报中也取得了一定的进展,灾害链结构、可公度网络结构均有所研究,天文结构以天文因子对比法为基础,能够综合不同尺度、类型的因子,有效提高预报的精度。对天文因子对比法分析可知,首先,影响流域来水的天文结构不清晰,而且多因子的结构尚未进行研究。其次,天文因子对比法在径流预报中存在一些困难。该方法选用天文因子计算得到相似年组,依据相似年组的丰枯级别难以有效判断预报年的丰枯级别,预报结果的正确率和精度较低;预报年份的相似年的确定缺乏有效的论证,天文因子对比法如何对相似年进行识别和确定需要深入研究。
发明内容
针对现有技术中的上述不足,本发明提供的一种流域来水的预报方法考虑了各个不同尺度因子的结构关系,构建数据融合模型,将多因子进行融合,预报效果好、精度高。
为了达到以上目的,本发明采用的技术方案为:
本方案提供一种流域来水的预报方法,包括如下步骤;
S1、获取流域来水样本序列,并对所述样本序列进行分型处理;
S2、根据所述分型处理结果,利用因子对比法获取流域来水不同尺度因子的预报精度;
S3、根据所述预报精度构建流域来水多尺度因子融合的预报模型;
S4、利用所述多尺度因子融合的预报模型预报流域来水,从而实现对流域来水的预报。
进一步地,所述步骤S1包括如下步骤:
S101、获取流域来水样本序列,并根据所述流域来水样本序列计算得到其径流量多年的平均值,所述平均值的表达式如下:
其中,n表示样本容量,xi表示流域来水样本序列的第i个元素值,且i=1,2,3,...,n;
S102、根据所述平均值计算得到流域来水样本分型的界限值,所述样本分型的界限值的表达式如下:
其中,Xi表示特丰水年、丰水年、偏丰水年、平水年、偏枯水年、枯水年、特枯水年的界限值,αj表示特丰水年、丰水年、偏丰水年、平水年、偏枯水年、枯水年、特枯水年界限的比例因子,且j=1,2,3,4,5,6,7;
S103、根据所述界限值将流域来水样本序列划分成不同的级别,从而完成对样本序列的分型处理。
再进一步地,所述步骤S103中的不同的级别包括特丰水年、丰水年、偏丰水年、平水年、偏枯水年、枯水年以及特枯水年7个不同级别。
再进一步地,所述步骤S2包括如下步骤:
S201、根据所述分型处理结果获取与流域来水丰枯相关的不同尺度的预报因子;
S202、根据所述预报因子,利用因子对比法构建单因子预报模型;
S203、根据所述单因子预报模型得到不同尺度因子的预报精度。
再进一步地,所述步骤S202包括如下步骤:
S2021、根据所述预报因子构建不同尺度预报因子的流域来水的预报模型,所述预报模型Rm的表达式如下:
Rm=fm(Sm,pm)
其中,fm(·)表示流域来水预报模型的函数,Sm表示流域来水样本年因子,pm表示预报年因子,且m=1,2,3,4,5;
S2022、根据所述预报模型计算得到与流域来水预报年因子相似的样本年因子对应的相似年,所述相似年tmn的表达式如下:
tmn={smi~p|(smi-pm<ε)}
其中,smi表示流域来水样本年因子,pm表示预报年因子,且m=1,2,3,4,5,i=1,2,...,n,n表示样本容量,p表示预报年,ε表示因子差异的最小值;
S2023、根据所述相似年计算得到相似年集合,所述相似年集合的表达式如下:
Tm={tm1,tm2,...,tmi}
Evm={evm1,evm2,...,evmi}
Wm={wm1,wm2,...,wmi}
其中,Tm表示相似年的集合,tmi表示相似年集合的第i个元素,Evm表示相似年的来水定性集合,evmi表示相似年集合元素的第i个来水定性,Wm表示相似年集合的来水量,wmi表示相似年集合元素的第i个来水量,且i=1,2,...,n,n表示相似年的样本容量;
S2024、根据所述相似年的集合计算得到预报年的评判,所述预报年的评判的表达式如下:
Em=max(Cal(Evm<4),Cal(Evm=4),Cal(Evm>4))
Um=(4,7](Em>4),Um=4(Em=4),Um=[1,4)(Em<4)
其中,Em表示预报年的来水定性,Evm表示相似年的来水定性,Um表示预报年来水定性的区间,Cal(·)表示统计符合条件的样本的数量;
S2025、根据所述预报年的评判计算得到预报成果集,并根据所述预报成果集得到不同尺度因子的预报精度。
再进一步地,所述步骤S2021中的不同尺度预报因子包括:二十四节气阴历日期、太阳黑子相对数、月球赤纬角、拉马德雷冷暖相位下的厄尔尼诺和拉尼娜现象以及上一年9-10月降雨量和当年4月气温距平值。
再进一步地,步骤S3包括如下步骤:
S301、根据所述预报精度利用混合式结构对其进行数据融合,所述天文因子的融合结构R6的表达式如下:
其中,表示天文因子混合式结构的预报结果,f7(·)表示天文因子混合式结构的预报函数,R1,S21,S31分别表示基于二十四节气阴历日期所得的相似年及其预报结果、基于二十四节气阴历日期所得相似年的太阳黑子相对数和月球赤纬角;
S302、根据所述天文因子的融合结构构建多尺度因子融合结构的预报模型,所述多尺度因子融合结构的预报模型R7的表达式如下:
其中,R4,R5,分别表示全球尺度因子的预报结果、流域尺度因子上一年9-10月降雨量和4月气温距平值的预报结果,以及天文尺度因子融合结构的预报结果,f9(·)表示多尺度因子融合结构的预报函数。
再进一步地,所述步骤S302中多尺度因子融合结构中包括:天文尺度因子融合结构、全球尺度因子融合结构以及流域尺度因子融合结构,其中:
所述天文尺度因子融合结构作为预报的基础,全球尺度融合结构和流域尺度因子融合结构分别用于对预报结果进行修正。
再进一步地,所述步骤S4中利用所述多尺度因子融合的预报模型预报流域来水,其包括如下几种情况:
(1)针对天文尺度因子融合结构、全球尺度因子融合结构以及流域尺度因子融合结构的预报结果有交集时,则在天文尺度因子融合结构的相似年中确定相似的预报年;
(2)针对天文尺度因子融合结构、全球尺度因子融合结构以及流域尺度因子融合结构的融合结果在样本年组中不存在相似年时,则以样本分型的界限值确定预报值。
本发明的有益效果:
(1)本发明运用结构理论,引入天文尺度因子、全球尺度因子、流域尺度因子能够更加全面地对流域来水超长期预报的影响因子进行分析;
(2)本发明运用因子对比法,可得不同尺度的单因子在流域来水超长期预报中的精度,作为多尺度因子融合的基础;
(3)本发明对天文因子采用分布式结构和混合式结构,对天文尺度的预报因子进行融合,可进一步提高天文因子结构融合的精度;
(4)本发明构建的多因子融合的预报模型,能够基于天文尺度因子的周期性进行周期性预报,基于实际观测数据进行突变性预报;
(5)本发明构建的多因子融合的预报模型,能够预报得出流域年来水的丰枯特性,基于此可对水库的发电调度、供水调度、防洪调度提供支持,实时调整汛限水位,实现综合效益的最大化提供决策依据。
附图说明
图1为本发明的方法流程图。
图2为本实施例中天文因子分布式结构图。
图3为本实施例中天文因子混合式结构图。
图4为本实施例中多因子融合结构图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例1
本发明基于因子对比法,以丰满水库流域的年来水预报为例,对流域来水的超长期预报进行分析。
如图1所示,本发明提供一种流域来水的预报方法,其实现方法如下:
S1、获取流域来水样本序列,并对所述样本序列进行分型处理,其实现方法如下:
S101、获取流域来水样本序列,并根据所述流域来水样本序列计算得到其径流量多年的平均值,所述平均值的表达式如下:
其中,n表示样本容量,xi表示流域来水样本序列的第i个元素值,且i=1,2,3,...,n;
S102、根据所述平均值计算得到流域来水样本分型的界限值,所述样本分型的界限值的表达式如下:
其中,Xi表示特丰水年、丰水年、偏丰水年、平水年、偏枯水年、枯水年、特枯水年的界限值,αj表示特丰水年、丰水年、偏丰水年、平水年、偏枯水年、枯水年、特枯水年界限的比例因子,且j=1,2,3,4,5,6,7;
S103、根据所述界限值将流域来水样本序列划分成不同的级别,从而完成对样本序列的分型处理。
在具体实施例中,样本分型,将实测样本序列与调查洪水序列根据样本分形法对样本进行分级,共分为7级:特丰水年、丰水年、偏丰水年、平水年、偏枯水年、枯水年以及特枯水年。
样本分形的方法为比例因子法:已知多年径流量序列X={x1,x2,...,xn},计算其径流量多年平均值,乘以“丰平枯”对应的比例因子,该比例因子为丰满水库经过长期来水分析,结合生产实践经验,综合确定的符合丰满流域来水预报的分形方法。比例因子的区间分别为:特丰水年大于1.4,丰水年1.2-1.4,偏丰水年1.1-1.2,平水年0.9-1.1,偏枯水年0.8-0.9,枯水年0.6-0.8,特枯水年0-0.6。
式中:Xi表示特丰水年、丰水年、偏丰水年、平水年、偏枯水年、枯水年、特枯水年的界限值,α1表示特丰水年和丰水年界限的比例因子,为1.4;α2为丰水年和偏丰水年界限的比例因子,为1.2;α3为偏丰水年和平水年的比例因子,为1.1;α4为平水年和偏枯水年的比例因子,为0.9;α5为偏枯水年和枯水年界限的比例因子,为0.8;α6为枯水年和特枯水年界限的比例因子,为0.6。
S2、根据所述分型处理结果利用因子对比法获取不同尺度因子的预报精度,其实现方法如下:
S201、根据所述分型处理结果获取与流域来水丰枯相关的不同尺度的预报因子;
S202、根据所述预报因子,利用因子对比法构建单因子预报模型,其实现方法如下:
S2021、根据所述预报因子构建不同尺度预报因子的流域来水的预报模型,所述预报模型Rm的表达式如下:
Rm=fm(Sm,pm)
其中,fm(·)表示流域来水预报模型的函数,Sm表示流域来水样本年因子,pm表示预报年因子,且m=1,2,3,4,5,其中,不同尺度预报因子包括:二十四节气阴历日期、太阳黑子相对数、月球赤纬角、拉马德雷冷暖相位下的厄尔尼诺和拉尼娜现象以及上一年9-10月降雨量和当年4月气温距平值;
S2022、根据所述预报模型计算得到与流域来水预报年因子相似的样本年因子对应的相似年,所述相似年tmn的表达式如下:
tmn={smi~p|(smi-pm<ε)}
其中,smi表示流域来水样本年因子,pm表示预报年因子,且m=1,2,3,4,5,i=1,2,...,n,n表示样本容量,p表示预报年,ε表示因子差异的最小值;
S2023、根据所述相似年计算得到相似年集合,所述相似年集合的表达式如下:
Tm={tm1,tm2,...,tmi}
Evm={evm1,evm2,...,evmi}
Wm={wm1,wm2,...,wmi}
其中,Tm表示相似年的集合,tmi表示相似年集合的第i个元素,Evm表示相似年的来水定性集合,evmi表示相似年集合元素的第i个来水定性,Wm表示相似年集合的来水量,wmi表示相似年集合元素的第i个来水量,且i=1,2,...,n,n表示相似年的样本容量;
S2024、根据所述相似年的集合计算得到预报年的评判,所述预报年的评判的表达式如下:
Em=max(Cal(Evm<4),Cal(Evm=4),Cal(Evm>4))
Um=(4,7](Em>4),Um=4(Em=4),Um=[1,4)(Em<4)
其中,Em表示预报年的来水定性,Evm表示相似年的来水定性,Um表示预报年来水定性的区间,Cal(·)表示统计符合条件的样本的数量;
S2025、根据所述预报年的评判计算得到预报成果集,并根据所述预报成果集得到不同尺度因子的预报精度;
S203、根据所述单因子预报模型得到不同尺度因子的预报精度。
在具体实施例中,单因子对比法,分别基于已有的天文尺度、全球尺度、流域尺度预报因子,构建单因子对比法的预报模型,并统计预报模型的精度。设样本年容量为n,预报年为p,预见期1年,设来水年特丰-特枯的七级划分ev,为1、2、3、4、5、6、7,样本分级的边界为V={∞,va1,va2,va3,...,va7,0},样本年的来水量为W={w1,w2,...,wn};所选用的预报因子为二十四节气阴历日期、太阳黑子相对数、月球赤纬角、拉马德雷冷暖相位下的厄尔尼诺和拉尼娜现象、上一年9-10月降雨量和当年4月气温距平值,则选用的样本年因子为Sm={sm1,sm2,...,smi,...,smn},预报年因子为pm;选用的预报因子单因子的预报结果为Rm,预报结果所包含的元素有:相似年的年份Tm,相似年的来水量Wm={wm1,wm2,...,wml},相似年的来水定性Evm,预报年的来水定性Em,预报年来水定性的区间Um。天文因子融合的结果为R6,多因子融合的预报结果为R7。
在具体实施例中,对于所选的预报因子采用对比的方法,相等即为相似,对于所对应的元素多的因子,对相似性采用线性加和的方法,即相似元素越多则越相似。天文因子具有较好的周期性,二十四节气的阴历日期存在19年的周期,即二十四节气阴历日期相似性最高的年份每隔19年出现一次。太阳黑子相对数存在11年的周期,可基于其太阳黑子的相位判断相似性,月球赤纬角存在18-19年周期,可基于月球赤纬角相位判断相似性。全球尺度因子和流域尺度因子则需基于实测数据,全球尺度因子选用ENSO事件,流域尺度因子选用9-10月降雨量和4月气温距平值。ENSO事件基于国家气象中心每年的监测和预报值,9-10月降雨量和4月气温距平值基于流域气象监测数据。根据本发明的一些实施例,基于上述的预报因子和预报模型,对单一因子的预报结果的进行统计,从而判断出因子在模型结构中的作用。
S3、根据所述预报精度构建流域来水多尺度因子融合的预报模型,其实现方法如下:
S301、根据所述预报精度利用混合式结构对其进行数据融合,所述天文因子的融合结构R6的表达式如下:
其中,表示天文因子混合式结构的预报结果,f7(·)表示天文因子混合式结构的预报函数,R1,S21,S31分别表示基于二十四节气阴历日期所得的相似年及其预报结果、基于二十四节气阴历日期所得相似年的太阳黑子相对数和月球赤纬角;
f7(·)为混合式结构预报函数,其只有确定相似年的方法与上述单因子的预报方法有差异,其他方法同上。确定相似年是在二十四节气阴历日期确定相似年组的基础上,基于月球赤纬角和太阳黑子相对数的相位确定相似年,分两步进行:
1)二十四节气阴历日期确定相似年t1n:
t1n={s1i~p|(s1i-p1<ε)}
i=1,2,...,n1
2)基于二十四节气阴历日期确定的相似年,运用月球赤纬角和太阳黑子相对数综合确定出天文因子的相似年t1j:
{t1j~p|(s21j~p2,s31j~p3)}
j=1,2,...,n2
上式:n1为二十四节气阴历日期所得的相似年的个数,n2为基于月球赤纬角和太阳黑子相对数所得的相似年的个数,s1i表示样本年的二十四节气阴历日期,t1j表示天文因子综合确定的相似年,p2表示预报年的太阳黑子相对数,p3表示预报年的月球赤纬角,s21j表示二十四节气阴历日期确定的相似年的太阳黑子相对数,s31j表示二十四节气阴历日期确定的相似年的月球赤纬角。
S302、根据所述天文因子的融合结构构建多尺度因子融合结构的预报模型,所述多尺度因子融合结构的预报模型R7的表达式如下:
其中,R4,R5,分别表示全球尺度因子的预报结果、流域尺度因子上一年9-10月降雨量和4月气温距平值的预报结果、天文尺度因子融合结构的预报结果,f9(·)表示多尺度因子融合结构的预报函数;
S4、利用所述多尺度因子融合的预报模型预报流域来水,从而实现流域来水超长期的预报。
在具体实施例中,根据所述天文因子的融合结构构建多尺度因子融合结构的预报模型,所述多尺度因子融合结构的预报模型。
多因子融合预报:
预报函数f9:
1、天文尺度因子、全球尺度因子、流域尺度因子预报结果的交集不为空,且由天文尺度因子所得的相似年组中有年份在三大尺度因子的交集范围内:
即:若
E=q,(W∈[vaq+1,vaq])
2、天文尺度因子、全球尺度因子、流域尺度因子预报结果的交集为空,但是有一组尺度因子的交集不为空,且天文尺度因子所得的相似年组中有年份在交集不为空的范围内,则对相似年计算均值作为流域来水量,基于流域来水量判断其所在的来水级别:
即:若且或或
(Ev1k∈U4∩U5或U5∩U6或U4∩U6)
E=q,(W∈[vaq+1,vaq])
3、天文尺度因子、全球尺度因子、流域尺度因子预报结果的交集为空,但是有一组尺度因子的交集不为空,且天文尺度因子所得的相似年组中没有年份在交集不为空的范围内,则对交集不为空的集合反求其来水量的区间,并计算上下限的均值,由上下限区间均值计算其所在来水区间,进而反求其来水级:
若且或或且(或或):
Va1,2=Vcal(Ub),(b=4,5或b=5,6或b=4,6)E=q,(W∈[vaq+1,vaq])
4、若是天文尺度因子、全球尺度因子、流域尺度因子的预报结果两两交集为空:
若且且
上述各式中:U4、U5、U6分别为全球尺度因子、流域尺度因子、天文尺度因子预报的流域来水的区间,U4∩U5∩U6为三大尺度因子所得预报结果区间的交集,Ev1k为相似年样本中在预报结果区间交集中的相似年,k为相似年样本中来水级别在预报结果交集中相似年的个数,w1k为在预报结果交集中相似年的来水量,W为计算所得的预报年的来水量,样本分级的边界为V={∞,va1,va2,va3,...,va7,0},基于预报年的来水量W寻找预报年所在来水区间的下限vaq+1、来水区间的上限vaq,q为基于来水区间所得的来水级别,E为预报年的来水级别,函数Vcal(·)为反求丰枯属性对应的来水区间。
在具体实施例中,以二十四节气阴历日期所得相似年为基础,运用天文因子结构得到初步预报结果,运用海洋和大气因子、流域气象因子对预报结果修正。所述的天文因子的融合方法是二十四节气阴历日期、太阳黑子相对数、月球赤纬角对比所得的最相似的年份。
所述的多因子融合采用的是取交集的方法实现。所述的取交集的结果存在三类:(1)天文结构和全球尺度、流域尺度结构预报结果一致;(2)天文结构和全球尺度、流域尺度结构预报结果不一致,取交集得预报结果,二十四节气阴历日期相似年中含有该新的预报结果;(3)天文结构和全球尺度、流域尺度结构预报结果不一致,取交集得预报结果,二十四节气阴历日期相似年中不含有该新的预报结果。若是对于三大尺度预报因子融合结果找不到二十四节气阴历日期相似年的情况,基于预报结果和样本分型的界限确定其预报结果。三大尺度因子可得其流域来水的定性预报,在二十四节气阴历日期的相似年组中确定相似年可得其定量预报。若是定性预报正确即为丰、平、枯特性预报正确,丰水特性包括特丰水、丰水、偏丰水;平水特性包括平水;枯水特性包括偏枯水、枯水和特枯水。若是定量预报结果的相对误差在20%,定量预报结果即为合格。
实施例2
对丰满水库流域的年来水量进行样本分型:通过计算均值,结合界限的系数可得其分型的界限值。对丰满水库流域1933-2017年的年来水量进行计算,可得其均值以及丰平枯来水划分的界限值,由表1所示:
表1
表2为丰满水库流域样本分型结果:
表2
实施例3
天文因子单因子对比预报:
(一)二十四节气阴历日期对比法,如表3所示:
表3
分析表3可知,2013-2017年的来水预报的正确率为40%,只能对特丰水年2013年、特枯水年2015年的来水状况进行正确预报,其他年份的来水均预报错误,结果表明二十四节气对比法只能对极端来水状况进行预报。
(二)月球赤纬角对比法:
2013-2017年月球赤纬角对比法流域来水量预报结果见表4:
表4
分析表4可知,2013-2017年的来水预报的正确率为40%,只能对特丰2013年、枯水2014年的来水状况进行正确预报,其他年份的来水均预报错误,结果表明月球赤纬角对比法对流域来水预报的准确率较低。
(三)太阳黑子相对数预报法:
2015-2017年太阳黑子相对数(相位)对比法流域来水量预报,见表5:
表5
分析表5可知,2015年相似年组枯水系列占85.7%,所占比例最大,且特枯水年占42.9%,则可预报2015年为特枯水,而2015年实际为特枯水年,则预报结果正确。2016-2017年预报结果同理可得。其中,2016-2017年预报错误,结果表明太阳黑子相对数对比法预报结果正确率较低。
对上述预报结果分析可知,24节气阴历日期能够对特丰水年2013年、特枯水年2015年准确预报;月球赤纬角对比法能够对特丰水年2013年、枯水年2014年准确预报;太阳黑子相对数相位对比法对特枯水年2015年准确预报。综上所述预报结果可知,天文因子对比法各自结构对于特丰水年和特枯水年具有较高的识别能力,但是对于平水年和非极端来水情况的识别能力较低,使得流域来水量超长期预报结果的正确率较低,在防汛抗旱工作中会造成资源的浪费。需要进一步提高预报的正确率,以更好地指导实际工作。
实施例4
全球尺度和流域尺度因子对比法的预报:
2013-2017年的海洋和大气循环因子和流域气象因子列于表6中。
表6
(一)全球尺度因子对比法,基于拉马德雷冷暖位相下的厄尔尼诺和拉尼娜现象与丰满水库流域的对应关系,进行预报。“拉马德雷”现象的“冷、暖位相”与厄尔尼诺现象、拉尼娜现象的不同组合,与流域来水量的关系密切。
(1)丰满水库丰水、洪水与拉马德雷的冷、暖位相关系密切,丰满水库特丰水、大洪水多发生于拉马德雷冷位相期;丰满水库前10位大洪水中,拉马德雷冷位相期已经发生了6次;
(2)在拉马德雷冷位相期,厄尔尼诺年丰满水库为枯水年概率较大;拉尼娜年丰满水库易出现大洪水、丰水年。拉马德雷暖位相期,厄尔尼诺年丰满水库为丰水年概率较大;拉尼娜年丰满水库为枯水年概率较大。此处的丰水年为丰水系列,包括偏丰水年、丰水年、特丰水年,统称为偏丰水年以上。枯水年为枯水系列,包括偏枯水年、枯水年、特枯水年,统称为偏枯水年以下。特丰水年、特枯水年所需的条件较强,在此基于海洋和大气循环因子只能作简单地定性判断,进一步准确判断丰水系列、枯水系列的程度,需要综合其他方面的条件。
基于海洋和大气循环因子预报年来水量的丰枯属性,需要已知预报年的海洋和大气循环因子,海洋和大气循环因子只能采用每年的预报值,基于此对年平均来水量进行预报。为了评价海洋和大气循环因子对比法,2013-2017年的来水基于相似年的个数进行滚动预报。2013-2017年均为拉马德雷冷相位。表7为海洋和大气循环因子预报来水的丰枯特性的预报结果,从表7可知,2013年的丰水系列和枯水系列所占比例相等,因此2013年不能确定。通过计算拉马德雷冷相位下拉尼娜现象年份来水的均值,可判断该年为偏丰水年。2014-2016年为厄尔尼诺年,预报结果是偏枯水年、枯水年和特枯水年。2017年是拉尼娜年,预报结果是特丰水年、丰水年和偏丰水年。通过计算样本的均值作为预报结果。
表7
从表7可知,海洋和大气循环海洋和大气循环因子在丰满水库流域的超长期预报中能取得好的预报结果,丰水年和枯水年能被预报,平水年难以准确预报。即使定性预报的正确率为80%,但是该方法只能给出丰枯级别的组合,而且定量预报正确率较低,说明海洋和大气循环因子不能用来锁定相似年。
(二)流域尺度因子对比法,基于与流域全年来水丰枯特性关系密切的因子,分析其规律进行预报。流域气象因子是流域尺度内影响流域来水的因子,可知丰满水库流域上一年的9-10月降雨量影响当年的丰枯、当年的4月气温距平值影响当年的丰枯。由于样本实测数据长度有限,以1958-2012年的实测值进行研究,分析气象因子与流域来水量的遥相关关系。
基于流域气象因子预报年来水量的丰枯属性,需要已知上一年的9-10月降雨量,当年的4月气温距平值,上一年的9-10月降雨量、当年的4月气温距平值可采用实测值,基于该实测值进行预报,2013-2017年的来水量可基于相似年的数目,运用流域气象因子对比法进行滚动预报,只有2013年的特征值如气温和降水在丰水区间内。基于流域尺度因子的判定准则,2013年是丰水年或特丰水年,2014-2017年是偏丰水年或偏丰水年以下,定量预报结果可基于样本的均值进行计算。表8为流域气象因子相似年丰枯特性的统计结果:
表8
从表8可知,流域气象因子可用于丰满水库流域来水量的超长期预报,2013年预报准确、2014-2017年均判定为偏丰或偏丰水年以下。预报结果的趋势是正确的,可是却不能判定准确的来水特性,丰水、枯水趋势能够有效确定,平水年却难以得出,定量预报结果的精度较低,流域尺度因子对比法不能用来计算得到相似年。
实施例5
天文因子对比法的融合预报:基于实施例3可知,天文因子单因子对比法预报结果精度均较低,说明流域来水是多尺度因子综合作用的结果。对文因子的融合结构进行分析。
天文因子混合式结构数据融合:
2013-2017年由天文因子对比法所得的相似年组及特征值见表9,预报结果的统计值见表10,表10为2013-2017年天文因子融合的预报结果与实际结果比较,表9中(2)、(3)列为样本年二十四节气阴历日期与预报年相似个数最多的年份及其相似个数大小,表9中(4)列为相似年的太阳黑子相对数相位,而太阳黑子相对数相位位于峰值附近的年份如2013-2014年,只能在年末确定其准确的相位,因而将其相位的预报值确定为峰值段。表9中(5)列为月球赤纬角相,表9中(6)列、(7)列均为实测值。
表9
表10
基于天文因子混合结构融合对比法,2013-2017年定性预报结果的正确率为60%,相比原预报方法,预报结果的正确率有了较大的提高;然而定量预报结果的精度较差,说明相似年需要进一步提高识别的精度。说明混合式结构是天文因子融合的较好的结构,能够作为天文因子数据融合的结构。
实施例6
多因子融合的流域来水预报:
基于上述分析和混合结构,引进海洋和大气循环因子和流域气象因子对天文因子对比法进行改进。图4可显示数据融合的过程。
在天文因子融合对比法的基础上引进全球尺度因子、流域尺度因子,对天文因子对比法所得的相似年组进行识别,进一步提高流域来水预报的正确率。天文因子混合结构融合预报方法正确率较高,则在该结构基础上融合全球尺度的海洋和大气循环因子、流域尺度的流域气象因子,构建多因子融合对比预报方法。基于三类预报因子,流域来水量的特性能够精确识别,相似年可作为预报结果。海洋和大气循环因子和流域气象因子与天文因子对比法的预报结果存在一致或不一致两种情况,则基于三类因子对流域来水的丰枯状况进行预报,基于三者的预报结果对流域来水量进行精确识别,并在相似年组中计算得到相似年作为预报结果。若是相似年组中不存在预报结果的样本,则基于样本的分形结果对流域来水量进行定量预报。将2013-2017年的多因子融合对比预报的结果列于表11:
表11
(一)天文因子融合对比法和全球尺度因子、流域尺度因子预报结果一致:
2013年海洋和大气循环预报值为持续时间较长的拉尼娜现象,按照“在拉马德雷冷位相期,发生拉尼娜事件的年份,丰满水库一般为丰水、大洪水”统计规律,预报2013年丰满流域为大洪水年、偏丰水年、或是偏丰水年以上。2012年9-10月降雨量为122.2mm,2013年4月气温的距平值为-4.0℃,说明2013年为丰水或特丰水。基于海洋和大气循环因子可知2013年为偏丰、或偏丰水年以上,基于流域气象因子可知2013年为丰水或特丰水年,与天文因子对比法的预报结果一致,初步判定其为丰水或特丰水年。基于此分析表10的天文指标相似年组,可知与2013年最相似的是1937年和1956年,来水量取二者的平均值为590m3/s,为特丰水年。从而表明2013年为特丰水年的可能性较大,预报2013年的相似年为1956年,定性预报2013年为特丰水年,定量预报2013年平均来水量为590m3/s。
2015年海洋和大气循环预报值为厄尔尼诺年,根据厄尔尼诺的发展程度,2015年为厄尔尼诺峰值年,符合“在拉马德雷冷位相期,发生厄尔尼诺事件的年份,丰满水库一般为枯水”的统计规律,预报2015年丰满水库流域为偏枯水年、枯水年或特枯水年。2014年9-10月降雨量为91.5mm,2015年4月气温的距平值为1.6℃,说明2015年不在丰水年区间内,来水为偏丰水或偏丰水以下。基于海洋和大气循环因子预报2015年为偏枯、枯或特枯水年,基于流域因子预报2015年为偏丰水或偏丰水以下,与天文因子的预报结果趋势一致,初步判定其来水为平水或特枯水。则对表10的相似年组分析可知,1958年的太阳黑子相对数相位与2015年相同,1958年的月球赤纬角和2015年相近,且1958年为特枯水年。从而进一步判断2015年为特枯水年的可能性较大,最终预报2015年相似年为1958年,定性预报为特枯水年,定量预报2015年平均来水量为225m3/s。
2016年海洋和大气循环预报值为厄尔尼诺年;符合“在拉马德雷冷位相期,发生厄尔尼诺事件的年份,丰满水库一般为枯水”的统计规律,预报2016年为偏枯、枯或特枯水年。2015年9-10月降雨量为60.5mm,2016年4月气温的距平值为1.1℃,说明2016年不在丰水年区间内。海洋和大气循环因子预报2016年来水为偏枯、枯或特枯水年,流域气象因子预报2016年为偏丰水或偏丰水以下,与天文因子的预报结果趋势一致,初步判定丰满水库流域来水为平水或偏枯水年。则对表10的相似年组分析可知,与2016年的二十四节气阴历日期、月球赤纬角、太阳黑子相对数最相似的年份为1959年、其次是1940年,则定性预报2016年为平水年,定量预报2016年平均来水量为400m3/s。
(二)天文因子融合对比法和全球尺度因子、流域尺度因子预报结果不一致,天文因子对比法含有与预报结果丰枯特性相似的年份:
2014年海洋和大气循环预报值为厄尔尼诺年,按照“在拉马德雷冷位相期,发生厄尔尼诺事件的年份,丰满水库一般为枯水”的统计规律,预报2014年丰满水库流域为偏枯水年或偏枯水年以下。2013年9-10月降雨量为100.2mm,2014年4月气温的距平值为2.0℃,说明2014年不在丰水年区间内。基于海洋和大气循环因子可知2014年为枯水年,基于流域气象因子可知2014年不是丰水年,则与天文因子对比法的预报结果趋势不一致,天文因子对比法初步判定其来水为偏丰水或偏丰水年以下。则对表10的相似年组分析可知,相似年组为3年丰水、1年枯水,基于初步判定结果确定其相似年为1976年。1976年的二十四节气阴历日期和月球赤纬角与2014年均相近,且1976年为枯水年,从而进一步判断2014年为枯水年的可能性较大,则最终预报2014年相似年为1976年,定性预报为枯水年,定量预报2014年平均来水量为259m3/s。
(三)天文因子融合对比法和全球尺度因子、流域尺度因子预报结果不一致,天文因子对比法不含有与预报结果丰枯特性相似的年份:
2017年海洋和大气循环预报值为拉尼娜年,按照“在拉马德雷冷位相期,发生拉尼娜事件的年份,丰满水库一般为丰水、大洪水”统计规律,则预报2017年有一定程度的大洪水,其来水级别为偏丰、丰或特丰水年。2016年9-10月降雨量为153.8mm,2017年4月气温的距平值为1.3℃,说明2017年不在丰水区间内,该年为偏丰水或偏丰水以下。基于海洋和大气循环因子预报2017年为偏丰水年,基于流域因子预报2017年来水为偏丰水或偏丰水以下,基于天文因子对比法预报所得的2017年为特丰水年,三者预报结果趋势不一致。通过对特丰水年和丰水年的区间进行折中处理,计算预报结果的交集。因此可知2017年比偏丰水年来水高,但是低于特丰水年。基于样本分型的区间,偏丰和特丰水的边界的均值进行了计算,可知2017年的来流为[511,531]。预报对表10的相似年组分析可知,1941年是丰水年其来水在该区间内。因而对2017年定性判定为丰水年,年平均来水量为[511,531]。表12为2013-2017年多因子融合的预报结果与实际结果比较:
表12
由表12可知,基于改进后的方法预报结果评价可知,该方法对于2013-2017年的定性预报的正确率较高,能够有效识别特丰、特枯、平水、枯水等级别的来水情况;定量预报的合格率较高。结果表明多因子融合方法能够有效识别相似年,提高预报的精度。
本发明通过以上设计,本发明综合考虑了天文尺度、全球尺度、海洋和大气尺度的因子,融合三大尺度因子的预报结果。并且能够基于相似年进行定量和定性预报,为防汛抗旱提供数据支撑。在本发明中所列举的所有数值都被认为已经公开。
Claims (9)
1.一种流域来水的预报方法,其特征在于,包括如下步骤:
S1、获取流域来水样本序列,并对所述样本序列进行分型处理;
S2、根据所述分型处理结果,利用因子对比法获取流域来水不同尺度因子的预报精度;
S3、根据所述预报精度构建流域来水多尺度因子融合的预报模型;
S4、利用所述多尺度因子融合的预报模型预报流域来水,从而实现对流域来水的预报。
2.根据权利要求1所述的流域来水的预报方法,其特征在于,所述步骤S1包括如下步骤:
S101、获取流域来水样本序列,并根据所述流域来水样本序列计算得到其径流量多年的平均值,所述平均值的表达式如下:
其中,n表示样本容量,xi表示流域来水样本序列的第i个元素值,且i=1,2,3,...,n;
S102、根据所述平均值计算得到流域来水样本分型的界限值,所述样本分型的界限值的表达式如下:
其中,Xi表示特丰水年、丰水年、偏丰水年、平水年、偏枯水年、枯水年、特枯水年的界限值,αj表示特丰水年、丰水年、偏丰水年、平水年、偏枯水年、枯水年、特枯水年界限的比例因子,且j=1,2,3,4,5,6,7;
S103、根据所述界限值将流域来水样本序列划分成不同的级别,从而完成对样本序列的分型处理。
3.根据权利要求2所述的流域来水的预报方法,其特征在于,所述步骤S103中的不同的级别包括特丰水年、丰水年、偏丰水年、平水年、偏枯水年、枯水年以及特枯水年7个不同级别。
4.根据权利要求1所述的流域来水的预报方法,其特征在于,所述步骤S2包括如下步骤:
S201、根据所述分型处理结果获取与流域来水丰枯相关的不同尺度的预报因子;
S202、根据所述预报因子,利用因子对比法构建单因子预报模型;
S203、根据所述单因子预报模型得到不同尺度因子的预报精度。
5.根据权利要求4所述的流域来水的预报方法,其特征在于,所述步骤S202包括如下步骤:
S2021、根据所述预报因子构建不同尺度预报因子的流域来水的预报模型,所述预报模型Rm的表达式如下:
Rm=fm(Sm,pm)
其中,fm(·)表示流域来水预报模型的函数,Sm表示流域来水样本年因子,pm表示预报年因子,且m=1,2,3,4,5;
S2022、根据所述预报模型计算得到与流域来水预报年因子相似的样本年因子对应的相似年,所述相似年tmn的表达式如下:
tmn={smi~p|(smi-pm<ε)}
其中,smi表示流域来水样本年因子,pm表示预报年因子,且m=1,2,3,4,5,i=1,2,…,n,n表示样本容量,p表示预报年,ε表示因子差异的最小值;
S2023、根据所述相似年计算得到相似年集合,所述相似年集合的表达式如下:
Tm={tm1,tm2,…,tmi}
Evm={evm1,evm2,…,evmi}
Wm={wm1,wm2,…,wmi}
其中,Tm表示相似年的集合,tmi表示相似年集合的第i个元素,Evm表示相似年的来水定性集合,evmi表示相似年集合元素的第i个来水定性,Wm表示相似年集合的来水量,wmi表示相似年集合元素的第i个来水量,且i=1,2,…,n,n表示相似年的样本容量;
S2024、根据所述相似年的集合计算得到预报年的评判,所述预报年的评判的表达式如下:
Em=max(Cal(Evm<4),Cal(Evm=4),Cal(Evm>4))
Um=(4,7](Em>4),Um=4(Em=4),Um=[1,4)(Em<4)
其中,Em表示预报年的来水定性,Evm表示相似年的来水定性,Um表示预报年来水定性的区间,Cal(·)表示统计符合条件的样本的数量;
S2025、根据所述预报年的评判计算得到预报成果集,并根据所述预报成果集得到不同尺度因子的预报精度。
6.根据权利要求5所述的流域来水的预报方法,其特征在于,所述步骤S2021中的不同尺度预报因子包括:二十四节气阴历日期、太阳黑子相对数、月球赤纬角、拉马德雷冷暖相位下的厄尔尼诺和拉尼娜现象以及上一年9-10月降雨量和当年4月气温距平值。
7.根据权利要求1所述的流域来水的预报方法,其特征在于,步骤S3包括如下步骤:
S301、根据所述预报精度利用混合式结构对其进行数据融合,所述天文因子的融合结构R6的表达式如下:
其中,表示天文因子混合式结构的预报结果,f7(·)表示天文因子混合式结构的预报函数,R1,S21,S31分别表示基于二十四节气阴历日期所得的相似年及其预报结果、基于二十四节气阴历日期所得相似年的太阳黑子相对数和月球赤纬角;
S302、根据所述天文因子的融合结构构建多尺度因子融合结构的预报模型,所述多尺度因子融合结构的预报模型R7的表达式如下:
其中,R4,R5,分别表示全球尺度因子的预报结果、流域尺度因子上一年9-10月降雨量和4月气温距平值的预报结果,以及天文尺度因子融合结构的预报结果,f9(·)表示多尺度因子融合结构的预报函数。
8.根据权利要求7所述的流域来水的预报方法,其特征在于,所述步骤S302中多尺度因子融合结构中包括:天文尺度因子融合结构、全球尺度因子融合结构以及流域尺度因子融合结构,其中:
所述天文尺度因子融合结构作为预报的基础,全球尺度融合结构和流域尺度因子融合结构分别用于对预报结果进行修正。
9.根据权利要求8所述的流域来水的预报方法,其特征在于,所述步骤S4中利用所述多尺度因子融合的预报模型预报流域来水,其包括如下几种情况:
(1)针对天文尺度因子融合结构、全球尺度因子融合结构以及流域尺度因子融合结构的预报结果有交集时,则在天文尺度因子融合结构的相似年中确定相似的预报年;
(2)针对天文尺度因子融合结构、全球尺度因子融合结构以及流域尺度因子融合结构的融合结果在样本年组中不存在相似年时,则以样本分型的界限值确定预报值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910905392.9A CN110598352B (zh) | 2019-09-24 | 2019-09-24 | 一种流域来水的预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910905392.9A CN110598352B (zh) | 2019-09-24 | 2019-09-24 | 一种流域来水的预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110598352A true CN110598352A (zh) | 2019-12-20 |
CN110598352B CN110598352B (zh) | 2021-04-06 |
Family
ID=68862988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910905392.9A Expired - Fee Related CN110598352B (zh) | 2019-09-24 | 2019-09-24 | 一种流域来水的预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598352B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112380778A (zh) * | 2020-11-26 | 2021-02-19 | 华南理工大学 | 一种基于海温的气象干旱预报方法 |
CN113435646A (zh) * | 2021-06-25 | 2021-09-24 | 中国水利水电科学研究院 | 基于年降雨长期预报方法的矿区生态需水量计算方法 |
CN113762618A (zh) * | 2021-09-07 | 2021-12-07 | 中国水利水电科学研究院 | 一种基于多因子相似分析的湖泊水位预报方法 |
CN115481818A (zh) * | 2022-10-12 | 2022-12-16 | 大连理工大学 | 一种基于时序分解的中长期径流预报方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446487A (zh) * | 2018-03-16 | 2018-08-24 | 国家电网公司 | 一种基于太阳黑子、月球赤纬角信息的水库来水预报方法 |
CN109685334A (zh) * | 2018-12-10 | 2019-04-26 | 浙江大学 | 一种新的基于多尺度理论的水文模型模拟评估方法 |
-
2019
- 2019-09-24 CN CN201910905392.9A patent/CN110598352B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446487A (zh) * | 2018-03-16 | 2018-08-24 | 国家电网公司 | 一种基于太阳黑子、月球赤纬角信息的水库来水预报方法 |
CN109685334A (zh) * | 2018-12-10 | 2019-04-26 | 浙江大学 | 一种新的基于多尺度理论的水文模型模拟评估方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112380778A (zh) * | 2020-11-26 | 2021-02-19 | 华南理工大学 | 一种基于海温的气象干旱预报方法 |
CN113435646A (zh) * | 2021-06-25 | 2021-09-24 | 中国水利水电科学研究院 | 基于年降雨长期预报方法的矿区生态需水量计算方法 |
CN113762618A (zh) * | 2021-09-07 | 2021-12-07 | 中国水利水电科学研究院 | 一种基于多因子相似分析的湖泊水位预报方法 |
CN113762618B (zh) * | 2021-09-07 | 2022-03-01 | 中国水利水电科学研究院 | 一种基于多因子相似分析的湖泊水位预报方法 |
CN115481818A (zh) * | 2022-10-12 | 2022-12-16 | 大连理工大学 | 一种基于时序分解的中长期径流预报方法及系统 |
CN115481818B (zh) * | 2022-10-12 | 2023-05-30 | 大连理工大学 | 一种基于时序分解的中长期径流预报方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110598352B (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598352B (zh) | 一种流域来水的预报方法 | |
CN113379110B (zh) | 一种中长期径流预报结果趋势检验方法 | |
CN111582755B (zh) | 一种基于多维度集合信息山洪灾害综合风险动态评估方法 | |
CN108830423B (zh) | 一种基于预报域的年径流预测方法 | |
Hong et al. | Basis for recommending an update of wind velocity pressures in Canadian design codes | |
CN102495937A (zh) | 一种基于时间序列的预测方法 | |
CN109740195B (zh) | 一种基于气象站观测数据的极值台风风速概率分布模型及设计台风风速的评估方法 | |
CN110135652B (zh) | 一种长期汛期径流预测方法 | |
CN112330065A (zh) | 一种基于基流分割和人工神经网络模型的径流预报方法 | |
Gui et al. | Simulation-based inexact fuzzy semi-infinite programming method for agricultural cultivated area planning in the Shiyang River Basin | |
CN108960522A (zh) | 一种光伏发电量预测分析方法 | |
Omar et al. | Seasonal clustering forecasting technique for intelligent hourly solar irradiance systems | |
CN111860974B (zh) | 一种基于状态空间和联合分布的干旱多级预测方法 | |
CN106326191A (zh) | 一种基于天气预报描述性数据量化日照时数的方法 | |
CN103473476B (zh) | 基于区域内数座测风塔测风数据的风能资源推算方法 | |
Alizadeh et al. | Improving the outputs of regional heavy rainfall forecasting models using an adaptive real-time approach | |
CN113836807B (zh) | 一种基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法 | |
CN112380778A (zh) | 一种基于海温的气象干旱预报方法 | |
Li et al. | Improvement of mid-to long-term runoff forecasting based on physical causes: application in Nenjiang basin, China | |
Zhao et al. | Investigating the critical influencing factors of snowmelt runoff and development of a mid-long term snowmelt runoff forecasting | |
Yang et al. | Runoff Prediction in a Data Scarce Region Based on Few-Shot Learning | |
Zhao et al. | Study on drought events in China based on time-varying nested Archimedean-copula function | |
Yusoff et al. | Multiparameter probability distributions of at-site L-moment-based frequency analysis in Malaysia | |
Jeworrek et al. | Improved Analog Ensemble Formulation for 3-Hourly Precipitation Forecasts | |
Li et al. | Interactive Impacts of Uncertainties in Bias-Corrected Hydrologic Simulations: Southern China |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210406 Termination date: 20210924 |