CN111091237A - 一种长江上游年径流量的预测技术 - Google Patents
一种长江上游年径流量的预测技术 Download PDFInfo
- Publication number
- CN111091237A CN111091237A CN201911209378.1A CN201911209378A CN111091237A CN 111091237 A CN111091237 A CN 111091237A CN 201911209378 A CN201911209378 A CN 201911209378A CN 111091237 A CN111091237 A CN 111091237A
- Authority
- CN
- China
- Prior art keywords
- index
- annual
- yangtze river
- north
- factors
- 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
- 238000005516 engineering process Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 50
- 238000012216 screening Methods 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 16
- 239000002243 precursor Substances 0.000 claims abstract description 11
- 238000001556 precipitation Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000011160 research Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000010355 oscillation Effects 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 7
- 238000001704 evaporation Methods 0.000 description 6
- 230000008020 evaporation Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 3
- 238000013277 forecasting method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000272520 Aix galericulata Species 0.000 description 1
- 229910000906 Bronze Inorganic materials 0.000 description 1
- 241001156380 Chukrasia tabularis Species 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000010974 bronze Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005291 chaos (dynamical) Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- KUNSUQLRTQLHQQ-UHFFFAOYSA-N copper tin Chemical compound [Cu].[Sn] KUNSUQLRTQLHQQ-UHFFFAOYSA-N 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种长江上游年径流量的预测技术，包含以下步骤：S1、对长江上游年径流量的变化特征进行分析，讨论年际增量预测方法对其适用性；S2、计算多气候因子在各时段，包括年度、春、夏、秋和前冬的年际增量，并分析多因子在各时段与长江上游年径流量的关系，且利用Student‑t方法筛选出高相关因子及其对应时段；S3、依照同一因子选择高相关时段的原则，并剔除无意义因子，得到关键前兆信号；S4、利用最优子集回归方法进行因子的复筛选，并建立预报模型。本发明分析并建立相应的预测方法，利用该方法得到的预测结果的相对误差小于10％，与前人研究的预测方法相比，该方法对长江上游年径流量的预测准确率有显著的提高。
Description
技术领域
本发明涉及水资源管理技术领域，尤其涉及一种长江上游年径流量的预测技术。
背景技术
长江上游是指长江源头至湖北宜昌这一江段，依次经过青海、西藏、四川、云南、重庆、湖北等6个省区市，长约4504公里，控制流域面积100万平方公里。当今世界最大的水利发电工程——三峡大坝，正位于长江上游和中游的交汇点湖北省宜昌市。以宜昌站径流量为基础，探究长江上游年径流量的前兆信号，建立预测模型，从而准确预测长江上游年径流量，具有重要的经济价值和科学意义。
过去的径流量预测研究在传统统计方法、数值模式模拟和机器学习方面取得了进展，同时建立了相应的预测模型。王其虎等(2010)利用BP神经网络方法预测流溪河水库径流量，证明了该方法的适用性和实用性。王长鹏等(2019)利用标准粒子群优化算法(Particle Swarm Optimization,简称PSO算法)改进BP神经网络训练算法，建立了宜昌站日径流量预测模型，取得了良好的预测结果。马亮等(2008)和王亚雄等(2011)分别将加权马尔可夫链预测方法应用于北江下游年径流量和新疆阿克苏河年径流量的预测中。陈建龙等(2018)和李建林(2014)将R/S方法和灰色模型相结合分别建立了鸳鸯池水库入库径流量和黑河出山年径流的预测模型。杨国巍(2011)基于小波分析建立了青铜峡月径流量的贝叶斯(BPF)预报方法。周建中和彭甜(2018)引入混沌理论和AdaBoost.R.T集成极限学习机方法对长江上游月径流量进行分析和预测。这其中的大多数方法和模型的预测原理均基于寻找径流量和降水、蒸发量的演变规律和时间记忆，并通过数学方法推演。然而无论是径流量还是其影响因素降水和蒸发量，它们的变化都是非线性的，且时间记忆均不长。同时影响径流量的降水和蒸发量也是需要预测的。因此，这些径流量预测方法有一定的局限性。郑巍斐等(2018)基于CMIP5和VIC模型预测了长江上游主要水文过程的变化趋势。但由于现今模式发展尚不成熟，系统误差、积分过程中的非线性误差、系统之间耦合出现的误差均较大，因此也具有局限性。综合上述分析还发现，长江上游这一河段的径流量预测模型非常少，分析并建立其预测模型是十分迫切的。
已知河道径流量的多寡主要受制于气候要素和人类活动因素两方面。流域内的降水和气温是气候变化的主要体现要素。已有的工作表明，长江上游流域的降水和气温受多种气候系统共同影响。因此，基于降水和气温寻找到径流量的关键前兆信号，建立多因子预测方法，是可行的、有效的预测思路。年际增量思想主要来自于王会军等(2000)人对大气环流模式作降水及环流预测的订正方法，指的是当年的变量值减去前一年的变量值。年际增量可以显著减小变量受年代际背景的影响，克服年代际和年际变化关系不一致的问题，并且更加突出变量的年际振荡特征以及因子间的内在联系。范可等(2007，2008)利用年际增量方法建立模型有效提高了长江中下游、华北夏季降水预测水平。但截至目前，年际增量预测方法和多气候因子预测思路尚未被引进径流量预测领域。
现有技术中具有以下缺陷：
1、现有的大多数预测方法和模型的原理均基于寻找径流量和降水、蒸发量的演变规律和时间记忆，并通过数学方法推演。但无论是径流量还是其影响因素降水和蒸发量，它们的变化都是非线性的，且时间记忆均不长。同时影响径流量的降水和蒸发量也是需要预测的。因此，这些径流量预测方法有一定的局限性，不容易报准确；
2、现今模式发展尚不成熟，系统误差、积分过程中的非线性误差、系统之间耦合出现的误差均较大，因此基于数值模式建立的径流量预测模型的预测准确率也有待提高；
3、长江上游这一河段的径流量预测方法和模型非常少，分析并建立相应的预测方法十分迫切。
发明内容
本发明的目的是基于长江上游年径流量前兆信号的研究分析和筛选，采用年际增量预测方法，建立长江上游年径流量多因子增量预测模型，以改进现阶段长江上游年径流量预测准确率，从而解决现有技术中的缺点，而提出的一种长江上游年径流量的预测技术。
为了实现上述目的，本发明采用了如下技术方案：
一种长江上游年径流量的预测技术，其特征在于，包含以下步骤：
S1、对长江上游年径流量的变化特征进行分析，讨论年际增量预测方法对长江上游年径流量的适用性。
S2、计算多气候因子在各时段，包括年度、春、夏、秋和前冬的年际增量，利用统计相关方法分析多因子在各时段与长江上游年径流量的相关关系，并利用Student-t方法检验相关关系的显著性，筛选出高相关因子及其对应时段。
S3、依照同一因子选择高相关时段的原则，对因子进行第二轮筛选。并查看原始数据，剔除入选因子中缺测和无意义数据过多的因子。结合历史研究中各个因子对长江上游降水、气温的影响，最后得到长江上游年径流量年际变化的关键前兆信号。
S4、利用最优子集方法对关键前兆信号进行最终筛选并建立相应多因子回归方程。利用滑动-交叉检验方法对该方程进行回报检验，采用未参加预测模型建立的数据对模型进行预报试验，从而评估本预测方法对长江上游年径流量的预测能力。
优选的，所述S1中，长江上游年径流量的变化特征采用小波分析法。
优选的，所述依照相同因子选相关系数较高的时段来做因子的原则，选用以下因子进行进一步筛选：
春季：北大西洋副高面积指数，北大西洋副高强度指数，北美副高脊线位置指数，北美-北大西洋副高脊线位置指数，北半球极涡中心经向位置指数，北极涛动指数；
夏季：西太平洋副高脊线位置指数，北美副高北界位置指数，欧亚纬向环流指数，50hPa纬向风指数，北大西洋-欧洲环流E型指数；
秋季：太平洋区极涡强度指数，NINO B区海表温度距平指数，印度洋暖池面积指数，热带印度洋海温偶极子指数，副热带南印度洋偶极子指数；
全年：北美区极涡强度指数，北半球极涡强度指数，北半球极涡中心强度指数，北大西洋涛动指数，热带-北半球遥相关型指数，30hPa纬向风指数，北大西洋-欧洲环流W型指数，北大西洋-欧洲环流型C型指数；
由于北大西洋副热带高压在春季非常弱，利用新百项指数监测指标：500hPa高度场，10°N-60°N、55°W-25°W范围≥5880位势米(gpm)的区域，相关指数基本在春季为0，这是相关的指数在春季与长江上游年径流量高相关的原因，因此在选取因子的过程中剔除春季北大西洋副高面积和北大西洋副高强度两项指数。
优选的，利用最优子集回归方法做预测因子的进一步筛选并建立方程，经过筛选后发现，年度30hPa纬向风，春季北美副高脊线位置，北半球极涡中心经向位置，夏季欧亚纬向环流，北大西洋-欧洲环流E型，秋季太平洋区极涡强度为预测长江上游年径流量年际增量的最优因子，所得方程为：
Y＝a+b*X 1+c*X2+d*X3+e*X4+f*X5+g*X6
其中，X1：30hPa纬向风指数(年)；X2：北美副高脊线位置指数(春季)；X3：北半球极涡中心经向位置指数(春季)；X4：欧亚纬向环流指数(夏季)；X5：北大西洋-欧洲环流E型指数(夏季)；X6：太平洋区极涡强度指数(秋季)。
与现有技术相比，本发明的有益效果是：
利用小波分析法分析了长江上游年径流量的变化特征，结果表明，在研究长江年径流量时间变化特征及其对外强迫信号响应时，年际增量方法是十分适用的，从而证实了年际预测增量方法适用于长江上游年径流量的预测；
依照相同因子选相关系数较高的时段来做因子的原则，并且结合历史研究中各个因子对长江上游降水、气温的影响，并剔除原始数据中无意义和缺测数值较多的因子包括春季北大西洋副高面积和北大西洋副高强度两项指数，筛选出了长江上游年径流量的关键前兆信号；
利用最优子集回归方法做预测因子的进一步筛选并建立方程，进而建立了长江上游年径流量多因子增量预测模型；
利用利用滑动-交叉检验方法对该模型进行回报检验以及采用未参加预测模型建立的数据对模型进行预报试验，从而提高了长江上游年径流量的预测效果；
通过上述分析、研究并建立了相应的预测方法，利用该方法得到的预测结果的相对误差小于10％，与前人研究的预测方法相比，该方法对长江上游年径流量的预测准确率有显著的提高。
附图说明
图1为本发明提出的一种长江上游年径流量的预测技术的流程图；
图2为功率谱分布；
图3为长江上游年径流量年际增量标准差回报数据和观测数据图；
图4为长江上游年径流量回报数据和观测数据图；
图5为长江上游年径流量的观测值和预测值；
图6为各指数各时段与长江上游年径流量增量的超前1年相关系数。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
以下结合附图和具体实施例对本发明作进一步的详细说明。
本发明一种长江上游年径流量的预测技术，如图1所示，它包括以下步骤：
S1、对长江上游年径流量的变化特征进行分析，讨论年际增量预测方法对长江上游年径流量的适用性；
附图2为长江上游宜昌站标准化年径流量和标准化年径流量年际增量的小波交换功率谱(a,c)和全局功率谱(b,d)分布。(图(a,c)中黑色实线内的阴影部分表示通过95％信度显著性的红噪声标准谱检验区域，虚点线表示影响锥曲线(COI)，在该曲线以外的功率谱受边界效应影响而不予考虑，横坐标表示年份，纵坐标表示周期(单位：年)；图(b,d)中的实(虚)线表示小波全局功率谱(95％显著性水平的标准谱)，横坐标表示谱值，纵坐标表示周期(单位：年))。
长江上游年径流量的变化特征采用小波分析法，结果表明，长江上游年径流量的时间变化特征特征主要表现在周期为2～4年的年际振荡，周期15年和32年左右的年代际振荡。
其中仅2～4年振荡周期通过显著性检验，是长江上游年径流量最主要的时间变化特征特征(图2b)，从时间轴来看，长江上游年径流量的年际周期振荡突出表现在80年代以前和90年代之后，而在1980～1990年这十年间则相对较弱(图2a)，在利用该方法排除年代际背景噪音后，年际振荡特征被放大(图2d)，与此同时1980～1990年的年际振荡信号也被凸显出来(图2c)，说明在研究长江年径流量时间变化特征及其对外强迫信号响应时，年际增量方法是十分适用的S2、计算多气候因子在不同时段，包括年度、春、夏、秋和前冬的年际增量，利用统计方法分析多因子在各时段与长江上游年径流量的相关关系，并利用Student-t方法检验相关关系的显著性，筛选出高相关因子及其对应时段；
因研究主要目标是提前1年预测长江上游年径流量，因此主要关注超前一年相关系数。
图6为各指数各时段与长江上游年径流量增量的超前1年相关系数(通过90％显著性检验)；
经过初步筛选发现，以下指数(见图6)的年际增量与长江上游年径流量年际增量之间的超前1年相关系数通过90％显著性检验。之前的研究工作表明，长江上游流域降水和气温受多种气候系统共同影响，其中西太平洋副热带高压、印缅槽/南支槽、青藏高原高度场、西伯利亚高压、乌拉尔山阻塞高压和东亚季风等系统是同期影响的关键系统。然而在提前一年的高相关因子中并未出现这些关键系统(除夏季西太平洋副高脊线位置外)，说明大气环流系统本身的记忆性是很短的。由于全球大气环流是一个整体，各个大气环流系统是互相耦合影响，因此很多同期关键系统的上游系统对长江上游年径流量的年际增量的影响显著，如副热带地区的北大西洋副高(面积、强度)、北美副高(脊线、北界)、北美-北大西洋副高；影响中高纬环流系统的极区环流，如太平洋区极涡、北美区极涡、北半球极涡等；如影响长江上游流域气温和降水分布的北极涛动、北大西洋涛动、热带-北半球等遥相关型；如影响中低纬西风带的平流层系统30hPa和50hPa纬向风速。相比于大气环流，海洋的时间记忆较长，对全球大气环流具有调制作用，是最强的气候信号，对后期降水和气温，进而对长江上游径流量有重要影响，如秋季NINO-B区海表温度、印度洋暖池面积、热带印度洋偶极子和副热带印度洋偶极子。
S3、依照同一因子选择高相关时段的原则，对因子进行第二轮筛选，并查看原始数据，剔除入选因子中缺测和无意义数据过多的因子，结合历史研究中各个因子对长江上游降水、气温的影响，得到长江上游年径流量年际变化的关键前兆信号；
在上述的基础上，依照相同因子选相关系数较高的时段来做因子的原则，选用以下因子进行进一步筛选：
春季：北大西洋副高面积指数，北大西洋副高强度指数，北美副高脊线位置指数，北美-北大西洋副高脊线位置指数，北半球极涡中心经向位置指数，北极涛动指数。
夏季：西太平洋副高脊线位置指数，北美副高北界位置指数，欧亚纬向环流指数，50hPa纬向风指数，北大西洋-欧洲环流E型指数。
秋季：太平洋区极涡强度指数，NINO B区海表温度距平指数，印度洋暖池面积指数，热带印度洋海温偶极子指数，副热带南印度洋偶极子指数。
全年：北美区极涡强度指数，北半球极涡强度指数，北半球极涡中心强度指数，北大西洋涛动指数，热带-北半球遥相关型指数，30hPa纬向风指数，北大西洋-欧洲环流W型指数，北大西洋-欧洲环流型C型指数。
由于北大西洋副热带高压在春季非常弱，利用新百项指数监测指标：500hPa高度场，10°N-60°N、55°W-25°W范围≥5880位势米(gpm)的区域，相关指数基本在春季为0，这是相关的指数在春季与长江上游年径流量高相关的原因，因此在选取因子的过程中剔除春季北大西洋副高面积和北大西洋副高强度两项指数。
S4、利用最优子集方法对关键前兆信号进行最终筛选并建立相应多因子回归方程，利用滑动-交叉检验方法对该方程进行回报检验，采用未参加预测模型建立的数据对模型进行预报试验，从而评估本预测方法对长江上游年径流量的预测能力；
利用最优子集回归方法做预测因子的进一步筛选并建立方程，经过筛选后发现，年度30hPa纬向风，春季北美副高脊线位置，北半球极涡中心经向位置，夏季欧亚纬向环流，北大西洋-欧洲环流E型，秋季太平洋区极涡强度为预测长江上游年径流量年际增量的最优因子，所得方程为：
Y＝a+b*X 1+c*X2+d*X3+e*X4+f*X5+g*X6
其中，X1：30hPa纬向风指数(年)；X2：北美副高脊线位置指数(春季)；X3：北半球极涡中心经向位置指数(春季)；X4：欧亚纬向环流指数(夏季)；X5：北大西洋-欧洲环流E型指数(夏季)；X6：太平洋区极涡强度指数(秋季)；
根据所建预测模型的长江上游年径流量标准差回报结果(图3)显示，所建预测模型能够很好的反映长江上游年径流量的变化趋势，回报数据与观测数据的相关系数为0.74，通过99.99％的显著性检验。预测结果的均方根误差为0.68，不超过1个标准差。
通过滑动-交叉检验方法检验了长江上游年径流量多因子增量预测模型对长江上游年径流量的回报能力，检验结果(图4)表明，该模型能够很好的拟合长江上游年径流量的历史趋势变化。回算结果和观测值的相关系数为0.58，通过99.9％的显著性检验，平均绝对误差为1054.132m3，相对误差为7.79％。
为进一步检验本预测模型对长江上游年径流量的预测效果，把未参加建模的2014～2018年作为预报对象，进行预报试验。结果(图5)表明，2014，2015，2016年年径流量较常年(1981～2010年)的趋势预测正确，2017年趋势虽然相反，但与实际值相差不大，且年际趋势预测准确(较2016年偏多)。2018年，因年际增量预测值与实际值相反，导致预测结果与观测值相差最大。总体而言，当预测时效为1年时，较常年趋势预测准确率为66.7％，年际趋势预测准确率为80％，均方根误差为1494.3m3，绝对误差为1062m3，相对误差为7.97％。与前人研究的预测方法相比，该方法对长江上游年径流量的预测准确率有显著的提高。以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种长江上游年径流量的预测技术，其特征在于，包含以下步骤：
S1、对长江上游年径流量的变化特征进行分析，讨论年际增量预测方法对长江上游年径流量的适用性；
S2、计算多气候因子在不同时段，包括年度、春、夏、秋和前冬的年际增量，利用统计方法分析多因子在各时段与长江上游年径流量的相关关系，并利用Student-t方法检验相关关系的显著性，筛选出高相关因子及其对应时段；
S3、依照同一因子选择高相关时段的原则，对因子进行第二轮筛选，并查看原始数据，剔除入选因子中缺测和无意义数据过多的因子，结合历史研究中各个因子对长江上游降水、气温的影响，得到长江上游年径流量年际变化的关键前兆信号；
S4、利用最优子集方法对关键前兆信号进行最终筛选并建立相应多因子回归方程，利用滑动-交叉检验方法对该方程进行回报检验，采用未参加预测模型建立的数据对模型进行预报试验，从而评估本预测方法对长江上游年径流量的预测能力。
2.根据权利要求1所述的一种长江上游年径流量的预测技术，其特征在于,所述S1中，长江上游年径流量的变化特征采用小波分析法得出。
3.根据权利要求1～3任意一项所述的一种长江上游年径流量的预测技术，其特征在于，依照相同因子选相关系数较高的时段来做因子的原则，选用以下因子进行进一步筛选：
春季：北大西洋副高面积指数，北大西洋副高强度指数，北美副高脊线位置指数，北美-北大西洋副高脊线位置指数，北半球极涡中心经向位置指数，北极涛动指数；
夏季：西太平洋副高脊线位置指数，北美副高北界位置指数，欧亚纬向环流指数，50hPa纬向风指数，北大西洋-欧洲环流E型指数；
秋季：太平洋区极涡强度指数，NINO B区海表温度距平指数，印度洋暖池面积指数，热带印度洋海温偶极子指数，副热带南印度洋偶极子指数；
全年：北美区极涡强度指数，北半球极涡强度指数，北半球极涡中心强度指数，北大西洋涛动指数，热带-北半球遥相关型指数，30hPa纬向风指数，北大西洋-欧洲环流W型指数，北大西洋-欧洲环流型C型指数；
由于北大西洋副热带高压在春季非常弱，利用新百项指数监测指标：500hPa高度场，10°N-60°N、55°W-25°W范围≥5880位势米(gpm)的区域，相关指数基本在春季为0，这是相关的指数在春季与长江上游年径流量高相关的原因，因此在选取因子的过程中剔除春季北大西洋副高面积和北大西洋副高强度两项指数。
4.根据权利要求1所述的一种长江上游年径流量的预测技术，其特征在于，利用最优子集回归方法做预测因子的进一步筛选并建立方程，经过筛选后发现，年度30hPa纬向风，春季北美副高脊线位置，北半球极涡中心经向位置，夏季欧亚纬向环流、北大西洋-欧洲环流E型，秋季太平洋区极涡强度为预测长江上游年径流量年际增量的最优因子，所得方程为：
Y＝a+b*X1+c*X2+d*X3+e*X4+f*X5+g*X6
其中，X1：30hPa纬向风指数(年)；X2：北美副高脊线位置指数(春季)；X3：北半球极涡中心经向位置指数(春季)；X4：欧亚纬向环流指数(夏季)；X5：北大西洋-欧洲环流E型指数(夏季)；X6：太平洋区极涡强度指数(秋季)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911209378.1A CN111091237B (zh) | 2019-12-01 | 2019-12-01 | 一种长江上游年径流量的预测技术 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911209378.1A CN111091237B (zh) | 2019-12-01 | 2019-12-01 | 一种长江上游年径流量的预测技术 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111091237A true CN111091237A (zh) | 2020-05-01 |
| CN111091237B CN111091237B (zh) | 2023-08-18 |
Family
ID=70393900
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911209378.1A Active CN111091237B (zh) | 2019-12-01 | 2019-12-01 | 一种长江上游年径流量的预测技术 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111091237B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111967637A (zh) * | 2020-06-09 | 2020-11-20 | 吉林大学 | 一种基于海温分区及影响时滞识别的中长期径流预报方法 |
| CN113807583A (zh) * | 2021-09-18 | 2021-12-17 | 南京信息工程大学 | 基于低频增量时空耦合的动力统计结合的次季节预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106169024A (zh) * | 2016-06-29 | 2016-11-30 | 中国南方电网有限责任公司 | 南支槽对中长期径流预报的影响研究方法 |
| US20170176640A1 (en) * | 2014-03-28 | 2017-06-22 | Northeastern University | System for Multivariate Climate Change Forecasting With Uncertainty Quantification |
| CN107103396A (zh) * | 2017-06-13 | 2017-08-29 | 南京大学 | 基于主要svd模态建模的中国季节气候预测方法 |
| CN107292098A (zh) * | 2017-06-15 | 2017-10-24 | 河海大学 | 基于前期气象因子与数据挖掘技术的中长期径流预报方法 |
| CN108830423A (zh) * | 2018-06-21 | 2018-11-16 | 中国水利水电科学研究院 | 一种基于预报域的年径流预测方法 |
-
2019
- 2019-12-01 CN CN201911209378.1A patent/CN111091237B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170176640A1 (en) * | 2014-03-28 | 2017-06-22 | Northeastern University | System for Multivariate Climate Change Forecasting With Uncertainty Quantification |
| CN106169024A (zh) * | 2016-06-29 | 2016-11-30 | 中国南方电网有限责任公司 | 南支槽对中长期径流预报的影响研究方法 |
| CN107103396A (zh) * | 2017-06-13 | 2017-08-29 | 南京大学 | 基于主要svd模态建模的中国季节气候预测方法 |
| CN107292098A (zh) * | 2017-06-15 | 2017-10-24 | 河海大学 | 基于前期气象因子与数据挖掘技术的中长期径流预报方法 |
| CN108830423A (zh) * | 2018-06-21 | 2018-11-16 | 中国水利水电科学研究院 | 一种基于预报域的年径流预测方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111967637A (zh) * | 2020-06-09 | 2020-11-20 | 吉林大学 | 一种基于海温分区及影响时滞识别的中长期径流预报方法 |
| CN113807583A (zh) * | 2021-09-18 | 2021-12-17 | 南京信息工程大学 | 基于低频增量时空耦合的动力统计结合的次季节预测方法 |
| CN113807583B (zh) * | 2021-09-18 | 2023-05-05 | 南京信息工程大学 | 基于低频增量时空耦合的动力统计结合的次季节预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111091237B (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tilinina et al. | Comparing cyclone life cycle characteristics and their interannual variability in different reanalyses | |
| CN109886217B (zh) | 一种基于卷积神经网络从近岸海浪视频中检测浪高的方法 | |
| CN110058328B (zh) | 东北夏季降水多模式组合降尺度预测方法 | |
| Meehl et al. | Decadal prediction in the Pacific region | |
| Lv et al. | Wave characteristics analysis in Bohai Sea based on ECMWF wind field | |
| Yeganeh-Bakhtiary et al. | Machine learning as a downscaling approach for prediction of wind characteristics under future climate change scenarios | |
| CN109272156A (zh) | 一种超短期风电功率概率预测方法 | |
| 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 | |
| CN104520861A (zh) | 风功率密度预测方法 | |
| CN111091237A (zh) | 一种长江上游年径流量的预测技术 | |
| Campisi-Pinto et al. | Statistical tests for the distribution of surface wind and current speeds across the globe | |
| Weizong et al. | Development of a downscaling method in China regional summer precipitation prediction | |
| CN109977569B (zh) | 一种融合多因素的mos风暴潮过程灾害模拟方法 | |
| Qiu et al. | Spatial-temporal analysis and prediction of precipitation extremes: a case study in the Weihe River Basin, China | |
| Shan et al. | Spatio-temporal evolution characteristics and prediction of dry–wet abrupt alternation during the summer monsoon in the middle and lower reaches of the Yangtze River Basin | |
| CN114139590A (zh) | 用于估算海洋温度的方法 | |
| CN111985727A (zh) | 一种基于环流分型模型天气预测方法及系统 | |
| CN116467933A (zh) | 基于深度学习的风暴潮增水预测方法及系统 | |
| Nikraftar et al. | Assessing the impact of cold and warm ENSO on drought over Iran | |
| Qiu et al. | A short-term precipitation prediction model based on spatiotemporal convolution network and ensemble empirical mode decomposition | |
| Liu et al. | Application of GIS and Remote Sensing in Spatial Distribution of Nitrogen and Phosphorus Pollutant in Urban Rivers: A Case Study of Linyi Economic Development Zone, China | |
| Förster et al. | A snow and ice melt seasonal prediction modelling system for Alpine reservoirs | |
| Mo et al. | Study on the growth of wind wave frequency spectra generated by cold waves in the northern East China Sea | |
| CN111784046B (zh) | 一种预估风暴轴活动未来变化趋势的方法 | |
| Ayantobo et al. | Integrated moisture transport variability over China: patterns, impacts, and relationship with El Nino–Southern Oscillation (ENSO) |
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 |