CN111967637A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111967637A CN111967637A CN202010515943.3A CN202010515943A CN111967637A CN 111967637 A CN111967637 A CN 111967637A CN 202010515943 A CN202010515943 A CN 202010515943A CN 111967637 A CN111967637 A CN 111967637A
- Authority
- CN
- China
- Prior art keywords
- runoff
- flood season
- month
- average
- months
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 16
- 238000013316 zoning Methods 0.000 title claims abstract description 10
- 230000035945 sensitivity Effects 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000010206 sensitivity analysis Methods 0.000 claims abstract description 13
- 230000001419 dependent effect Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000011160 research Methods 0.000 abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 15
- 238000005192 partition Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 238000001556 precipitation Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000001704 evaporation Methods 0.000 description 3
- 230000008020 evaporation Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000001808 coupling effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及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；本发明利用海温各分区的汛期前5个月海温月平均距平和汛期各月平均径流，通过全局敏感性分析方法进行影响时滞分析，根据各海温分区汛期前5个月对汛期各月份平均径流的敏感系数，确定其影响时滞；利用4个海温分区的汛期前5个月海温月平均距平和汛期各月平均径流，计算4个海温分区的每个月月平均距平对汛期各月平均径流的敏感系数，识别出对汛期各月平均径流敏感显著的月份；以汛期各月平均径流和汛期总径流为因变量构建预测模型，实现了汛期总径流的预测。本发明研究了基于海温月平均距平预测径流的一种方法，并且径流的预测精度较高。
Description
技术领域
本发明涉及中长期径流预报技术领域，尤其涉及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。
背景技术
水资源分配不均匀导致的水资源短缺，社会发展而引起的水资源供需矛盾，气候变化影响导致洪涝干旱频繁等情况使水资源的管理和调度显得及其的重要，而流域的中长期径流预报是水资源管理和调度的基础，通过径流预报，决策者在面对水量调度与管理、水资源统一规划与水资源可持续发展利用、防汛抗早等过程中，能够科学施策，合理调度，提前预防，有效做到趋利避害和水资源的高效利用。
对于水库每年的来水量的预测，从而确定其丰枯性质是水库调度中至关重要的前提，不仅直接关系到能否满足当年水库兴利运用的需要，而且关系到水库调度运行的安全。解决水库防洪与供水之间的矛盾，平衡两者之间的关系，对社会安全和运行起到至关重要的作用。
一般的径流预报主要以降雨量为因素，也有降雨和气象因素，如气温、风速等耦合作用进行的径流量预报，而我国历年发生的较大洪水灾害，如1983年、1998年、2016年的洪水等大多发生在厄尔尼诺事件发生的次年。随着厄尔尼诺事件深入研究，很多研究者的研究结果表明厄尔尼诺-南方涛动(ENSO)是热带海-气系统年际变化中的最强信号，不仅直接影响热带太平洋地区的天气气候，还通过大气环流以“遥相关”形式间接影响东亚地区的天气气候。从厄尔尼诺成熟期冬季一直持续到衰减年夏季的西北太平洋反气旋异常被认为是联系厄尔尼诺与东亚气候异常的桥梁，其关键作用是影响西太平洋向中国大陆的水汽输送，在厄尔尼诺成熟期冬季和衰减年春季，异常反气旋的西侧有西南风异常，有利于中国东南部的水汽输送及降水，在衰减年夏季，异常反气旋使得副高西伸，大量水汽输送到长江流域，有利于长江流域降水，长江中下游地区暴雨频次也会增多。
海洋是大气主要的热源和水汽源地，通过表层环流和表面加热、蒸发、降水等海-气相互作用过程与大气进行动量、热量和水汽交换，从而影响气候变化。海洋蒸发是水分循环和状态变化过程中的关键环节，蒸发的水汽借助大气环流向陆地输送，从而影响陆地降水，而海洋蒸发是由于海表温度而引起，因此利用海温进行径流量的预报有较大的意义。
发明内容
本发明要解决的技术问题是提供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。
为解决上述技术问题，本发明的技术方案为：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，其创新点在于：具体方法如下：
S1：确定目标海温分区：获取历史年份汛期的日径流和汛期前海温月平均距平，通过全局敏感性分析方法，根据各海温分区汛期前5个月对汛期各月份平均径流的敏感系数，确定各海温分区海温月平均距平对各月份平均径流的影响时滞；
S2：识别海温月平均距平敏感性显著月份：获取历史年份汛期日径流和汛期前海温月平均距平，计算汛期各月份的平均径流，统计4个海温分区汛期前的各月份海温月平均距平，通过全局敏感性分析方法，计算4个海温分区汛期前的各月份海温月平均距平对汛期各月平均径流的敏感系数，识别出敏感显著的月份；
S3：预测总径流：以海温分区汛期前敏感显著月份海温月平均距平和汛期各月平均径流和汛期总径流系列构建训练数据集，以海温分区汛期前敏感显著月份海温月平均距平为自变量、以汛期各月平均径流和汛期总径流为因变量，利用BP神经网络构建预测模型，根据预测目标年份的海温分区汛期前敏感显著月份海温月平均距平，利用预测模型计算目标年份汛期的总径流。
进一步的，所述汛期包括当年的6月份-9月份，汛期前包括当年的1月份-5月份。
本发明的优点在于：
1)本发明中通过获取历史年份汛期的日径流和汛期前海温分区的海温月平均距平，通过全局敏感性分析方法，根据海温分区汛期前5个月对汛期月平均径流的敏感系数，确定海温分区海温月平均距平对月平均径流的影响时滞，再依据4个海温分区汛期前的各月份海温月平均距平对汛期各月平均径流的敏感系数，识别出敏感显著的月份，以海温分区汛期前敏感显著月份海温月平均距平和汛期各月平均径流和汛期总径流系列构建训练数据集，以海温分区汛期前敏感显著月份海温月平均距平为自变量、以汛期各月平均径流和汛期总径流为因变量构建预测模型，根据预测目标年份的海温分区汛期前敏感显著月份海温月平均距平，利用预测模型计算目标年份汛期的总径流。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明的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的海温分区图。
图2至图5为本发明的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的1982-2017年各年份6月平均径流与各海温分区的1-5月的海温月距平敏感性分析图，纵轴为敏感性系数。
图6为本发明的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的1982-2017年的各年份6月的平均径流量与4个海温分区的1-5月海温距平敏感性分析图，纵轴为敏感性系数。
图7为本发明的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6月平均径流与各海温分区的1-5月的海温月平均距平影响时滞表。
图8为本发明的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6月平均径流与4个海温分区的1-5月的海温月平均距平影响时滞表。
图9为本发明的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剔除汛期月份6和7及补充时滞范围内的月份后得6月平均径流与4个海温分区的1-5月的海温月平均距平影响时滞表。
图10为本发明的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预测年份径流量的实测值和预测值的过程线图。
图11为本发明的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的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
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，具体方法如下：
S1：确定目标海温分区：获取历史年份汛期的日径流和汛期前海温月平均距平，通过全局敏感性分析方法，根据各海温分区汛期前5个月对汛期各月份平均径流的敏感系数，确定各海温分区海温月平均距平对各月份平均径流的影响时滞；
S2：识别海温月平均距平敏感性显著月份：获取历史年份汛期日径流和汛期前海温月平均距平，计算汛期各月份的平均径流，统计4个海温分区汛期前的各月份海温月平均距平，通过全局敏感性分析方法，计算4个海温分区汛期前的各月份海温月平均距平对汛期各月平均径流的敏感系数，识别出敏感显著的月份；
S3：预测总径流：以海温分区汛期前敏感显著月份海温月平均距平和汛期各月平均径流和汛期总径流系列构建训练数据集，以海温分区汛期前敏感显著月份海温月平均距平为自变量、以汛期各月平均径流和汛期总径流为因变量，利用BP神经网络构建预测模型，根据预测目标年份的海温分区汛期前敏感显著月份海温月平均距平，利用预测模型计算目标年份汛期的总径流。
汛期包括当年的6月份-9月份，汛期前包括当年的1月份-5月份。
厄尔尼诺是指热带中部和东部太平洋地区海温异常增暖的现象，它通过影响全球的大气环流，对全球许多地区的气温和降水有显著的影响。厄尔尼诺是全球气候变化的主要因素之一，因此人们利用厄尔尼诺指数对厄尔尼诺事件进行研究，并在大气学科中厄尔尼诺的研究非常热潮，同时引入到水文预测领域当中。随着研究的深入，发现厄尔尼诺有不同的类型，在不同的地区分布形态也不同。只通过单一的指数难以表征不同类型的厄尔尼诺，因此根据厄尔尼诺出现的区域，将东部和中部太平洋划分为Nino12、Nino3、Nino4以及Nino34区，也称之为海温分区，如图1。
在本实施例中，S1主要用于历史年份的汛期前1-5月的海温月平均距平对汛期6-9月的各月平均径流的海温分区及影响时滞的识别，如基于全局敏感性分析方法对各海温分区汛期前的海温月平均距平和6月平均径流进行分析，通过敏感性系数，识别出各海温分区海温月平均距平对平均径流的影响时滞，7月、8月和9月份平均径流同理分析；敏感性分析结果如图2至图5所示(7、8、9月同理，不进行附图)，统计结果如图7所示。
在本实施例中，步骤S2主要用于基于汛期前4个海温分区1-5月的海温月平均距平对汛期6-9月的各月平均径流识别出敏感性显著月份；如4个海温分区1-5月的海温月平均距平和6月份的平均径流进行敏感性分析，统计4个海温分区各月的敏感性系数，再从每个海温分区1-5月份中识别出敏感性系数最大的月份，7月、8月、9月份平均径流同理分析。分析结果见图6所示(7、8、9月同理，不进行附图)，统计结果如图8，剔除汛期月份6、7月及补充时滞范围内的月份后整理得图9。S1和S2的区别在于步骤S1是每个海温分区的海温月平均距平对各月平均径流的敏感性分析，而步骤S2是4个海温分区的海温月平均距平对各月平均径流的敏感性分析。步骤S1是通过全局敏感性分析方法识别出海温月平均距平的影响时滞，根据影响时滞确定海温分区，步骤S2是步骤S1识别出的所有海温分区的海温月平均距平中识别出敏感性显著的月份，用于步骤S3的径流模拟。
在本实施例中，步骤S3主要用于构建预测模型并根据所述模型计算预测目标年份汛期的总径流。构建预测模型的方法很多，本实施例对建模方法不进行限定，只对模型的自变量、因变量以及用于训练的数据集进行限定。本实施例预测模型的自变量为汛前敏感性显著月份的海温月平均距平，因变量为汛期的月平均径流和总径流，训练数据集由历史年份已识别出的海温分区的海温月平均距平组成。有了预测模型，将预测目标年份汛期前海温月平均距平代入预测模型即可计算预测目标年份的总径流。由于训练数据集中的数据为进行海温分区及影响时滞和显著敏感性月份识别后的数据，与预测目标年份数据的相关性较强，因此构建的模型精度较高，可以提高中长期汛期径流的预测精度。
根据敏感性显著月份的统计结果，获取1982-2017年的汛期6-9月各月平均径流和6-9月总径流数据作为自变量，4个海温分区敏感性显著月份的海温月平均距平数据作为因变量构成训练数据集，并建立预测模型，通过训练得到优化的预测模型预测相应年份的总径流量，结果见图10所示。
本实施例选用判定系数R2、相对误差Re(Relative error)和纳什效率系数NES(Nash-Sutcliffe efficiency coefficient)三个指标作为评价模型适用性的标准，这三个指标的计算公式分别如下。
判定系数R2的计算公式如下：
相对误差Re的计算公式如下：
纳什效应系数NES的计算公式如下：
式中：n-样本序列长度；
Qobs-实测径流量(m3/s)；
Qsim-预测径流量(m3/s)；
当决定系数R2和纳什效率系数(NES)取值越接近1，就代表模拟结果越接近实测值，代表模型模拟效果越好；NES取负值则说明模型可信度较低；Re值反映模拟的可信程度，Re值越低说明模型模拟效果越好。
本实施例的评价指标Re为24.6％，R2为97.0％,纳什效应系数(NSE)为77.9％,可以评价预测精度较高。
本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (2)
1.一种基于海温分区及影响时滞识别的中长期径流预报方法，其特征在于：具体方法如下：
S1：确定目标海温分区：获取历史年份汛期的日径流和汛期前海温月平均距平，通过全局敏感性分析方法，根据各海温分区汛期前5个月对汛期各月份平均径流的敏感系数，确定各海温分区海温月平均距平对各月份平均径流的影响时滞；
S2：识别海温月平均距平敏感性显著月份：获取历史年份汛期日径流和汛期前海温月平均距平，计算汛期各月份的平均径流，统计4个海温分区汛期前的各月份海温月平均距平，通过全局敏感性分析方法，计算4个海温分区汛期前的各月份海温月平均距平对汛期各月平均径流的敏感系数，识别出敏感显著的月份；
S3：预测总径流：以海温分区汛期前敏感显著月份海温月平均距平和汛期各月平均径流和汛期总径流系列构建训练数据集，以海温分区汛期前敏感显著月份海温月平均距平为自变量、以汛期各月平均径流和汛期总径流为因变量，利用BP神经网络构建预测模型，根据预测目标年份的海温分区汛期前敏感显著月份海温月平均距平，利用预测模型计算目标年份汛期的总径流。
2.根据权利要求1所述的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，其特征在于：所述汛期包括当年的6月份-9月份，汛期前包括当年的1月份-5月份。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010515943.3A CN111967637A (zh) | 2020-06-09 | 2020-06-09 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010515943.3A CN111967637A (zh) | 2020-06-09 | 2020-06-09 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111967637A true CN111967637A (zh) | 2020-11-20 |
Family
ID=73360308
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010515943.3A Pending CN111967637A (zh) | 2020-06-09 | 2020-06-09 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111967637A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135652A (zh) * | 2019-05-23 | 2019-08-16 | 吉林大学 | 一种长期汛期径流预测方法 |
| CN111091237A (zh) * | 2019-12-01 | 2020-05-01 | 庞轶舒 | 一种长江上游年径流量的预测技术 |
-
2020
- 2020-06-09 CN CN202010515943.3A patent/CN111967637A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135652A (zh) * | 2019-05-23 | 2019-08-16 | 吉林大学 | 一种长期汛期径流预测方法 |
| CN111091237A (zh) * | 2019-12-01 | 2020-05-01 | 庞轶舒 | 一种长江上游年径流量的预测技术 |
Non-Patent Citations (3)
| Title |
|---|
| 刘勇等: ""丹江口水库秋汛期长期径流预报"", 《水科学进展》 * |
| 孙虹等: ""基于物理成因识别的第二松花江汛期径流预报"", 《水利水电技术》 * |
| 杨开斌等: ""ENSO事件影响下长江大通站汛期径流预测建模分析"", 《水电能源科学》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112765808B (zh) | 一种生态干旱的监测与评估方法 | |
| Chu et al. | Seasonal and diurnal variability of planetary boundary layer height in Beijing: Intercomparison between MPL and WRF results | |
| CN111259522B (zh) | 一种水文模型在地理空间上多流域并行率定的方法 | |
| CN110472781B (zh) | 台风多变量集合敏感性分析方法、台风预报方法及其系统 | |
| Wang et al. | A Parameterized Method for Air‐Quality Diagnosis and Its Applications | |
| CN113887972A (zh) | 一种基于水文过程的综合旱情监测与评估方法 | |
| Zheng et al. | Trend detection in regional-mean temperature series: maximum, minimum, mean, diurnal range, and SST | |
| CN107084709A (zh) | 一种多弹性对径流变化驱动因素的定量分割方法 | |
| CN109034252A (zh) | 空气质量站点监测数据异常的自动化识别方法 | |
| CN110334404A (zh) | 一种流域尺度骤发干旱精准识别方法 | |
| CN106845080A (zh) | 基于差异修正的景区旅游气象灾害智能预测方法 | |
| CN110490228A (zh) | 一种基于cpp的水文模型参数动态率定方法 | |
| Guan et al. | The relationship between sap flow of intercropped young poplar trees (Populus× euramericana cv. N3016) and environmental factors in a semiarid region of northeastern China | |
| CN111090831A (zh) | 一种湖泊面积变化关键驱动因子识别方法 | |
| CN114266174A (zh) | 一种基于多水文变量的水文模型参数率定方法 | |
| CN112381133A (zh) | 一种森林地上生物量遥感估测中合理样本数的确定方法 | |
| CN116205136A (zh) | 基于径流滞后信息的大尺度流域深度学习洪水预报方法 | |
| CN116384591A (zh) | 一种基于大数据的旱情预测方法、系统和介质 | |
| Li et al. | Mechanism and forecasting methods for severe droughts and floods in Songhua River Basin in China | |
| Łupikasza et al. | Climatology of Air-Mass and Frontal Extreme Precipitation | |
| CN117172037B (zh) | 一种分布式水文预报方法、装置、计算机设备及介质 | |
| CN114066070A (zh) | 基于人工智能和数值计算的天气预报方法 | |
| CN112434441A (zh) | 一种水文模型参数区域化方法 | |
| Fritts et al. | Past climate reconstructed from tree rings | |
| CN111967637A (zh) | 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 |
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: 20201120 |
|
| RJ01 | Rejection of invention patent application after publication |