CN113837460A - 平原河网水位回归预测方法 - Google Patents
平原河网水位回归预测方法 Download PDFInfo
- Publication number
- CN113837460A CN113837460A CN202111091551.XA CN202111091551A CN113837460A CN 113837460 A CN113837460 A CN 113837460A CN 202111091551 A CN202111091551 A CN 202111091551A CN 113837460 A CN113837460 A CN 113837460A
- Authority
- CN
- China
- Prior art keywords
- water level
- regression
- model
- partial
- influence factor
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000011160 research Methods 0.000 claims abstract description 20
- 230000008020 evaporation Effects 0.000 claims description 9
- 238000001704 evaporation Methods 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 8
- 238000010238 partial least squares regression Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012353 t test Methods 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 240000004674 Papaver rhoeas Species 0.000 description 1
- 235000007846 Papaver rhoeas Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种平原河网水位回归预测方法，该预测方法为首先确定研究点，然后将输入研究点数据、确定对研究点水位有可能有影响的参考影响因子组成因子集；并根据各种影响因子的意义对参考影响因子集进行分组，再输入分组后的各参考影响因子数据，构建递阶偏最小二乘回归模型，并利用该回归模型对研究点水位进行回归预测，输出回归模型，得到回归结果。本发明解决了现有的回归预测模型存在自变量之间存在多重相关性，从而影响参数估计的合理性与准确性，模型误差随着增大，破坏了模型的稳定性，继而难以准确预测平原河网水位回归的技术问题,应用于平原河网水位预报过程中，在率定期和验证期的计算水位误差符合精度要求，具有良好的预报效果。
Description
技术领域
本发明属于水位回归预测技术领域，尤其涉及一种平原河网水位回归预测方法。
背景技术
平原河网水位变化主要受到气象因素(如降雨、气温、气压等)、上游来水影响、潮汐作用以及水利工程等众多因素共同影响。因此平原河网水位具有多年变化的趋势性、周期性和随机性，呈现出高度复杂的非线性动态高维空间，利用传统的回归预测模型难以解决如此复杂的问题。
发明内容
本发明所要解决的技术问题是：提供一种平原河网水位回归预测方法，用以解决现有的回归预测模型难以预测平原河网水位回归的技术问题。
为了达到上述技术效果，本发明采用的技术方案是：
一种平原河网水位回归预测方法，该预测方法包括已下步骤
S1.确定研究点；
S2.研究点数据输入；输入研究点数据；
S3.确定参考影响因子集：确定对研究点水位有可能有影响的参考影响因子组成因子集；
S4.参考影响因子集分组：根据各种影响因子的意义对参考影响因子集进行分组；
S5影响因子数据输入：输入分组后的各参考影响因子数据；
S6.构建递阶偏最小二乘回归模型：对每一分组中的因子调用偏最小二乘回归通用模块分析提取主成分，构建成递阶偏最小二乘的底层模型，然后对提取后的主成分调用偏最小二乘回归通用模块构建递阶偏最小二乘的顶层模型，将底层模型结果带入顶层模型，完成递阶偏最小二乘回归模型构建；
S7.输出回归模型：利用构建的递阶偏最小二乘回归模型对研究点水位进行回归预测，输出回归模型，得到回归结果。
进一步地，所述递阶偏最小二乘回归模型为根据偏最小二乘统计相关法筛选出的变量因子，通过提出五种模型输入输出向量组的方案构造模型。
进一步地，所述步骤S6构建递阶偏最小二乘回归模型中，调用偏最小二乘回归通用模块构建偏最小二乘回归模型包括以下步骤：
S61.确定建模影响因子集：挑选与关注点水位相关度最好的因子进入建模影响因子集；
S62.调用偏最小二乘回归算法，计算出回归结果；
S63.对模型进行线性关系检验—F检验，如果线性关系不显著则转入步骤S64，如果显著则转入步骤S65；
S64.调整建模影响因子集，转入步骤S62；
S65.对建模影响因子集中每个影响因子进行参数显著性检验—t检验，如果有不显著因子，则予以删除转入步骤S62；
S66.对参考影响因子集中未参与建模部分因子进行t检验，如果有影响显著因子，则加入建模影响因子集，转入步骤S62；
S67.输出相关所需成果。
进一步地，所述步骤S3确定参考影响因子集中，有可能有影响的参考影响因子主要从降雨、蒸发、水位和流量四类因子中进行选定。
进一步地，所述参考影响因子中的降雨主要选本区域及附近区域的逐日降雨量，蒸发选取临近蒸发站的逐日蒸发量，水位选取关注点附近的水位测站的逐日8时水位，流量选取区域内主要闸站工程的引排水流量。
与现有技术相比，本发明的有益效果是：
平原河网水文形式变化特征有区别于山丘型河流，不仅仅受到上游来水，下游潮汐等自然因素作用，而且还可能受到来自堰闸控水，工农业取水等人为因素的作用。平原河网水位在时间序列上的常常体现出为随机性、突变性以及相依性等复杂非线性系统变化特征，因而水位预报就变得更加困难与复杂。而一般的多元线性回归模型，会遇到许多问题的限制，最普遍的问题是多个自变量之间存在多重相关性。如果自变量之间存在多重相关性，从而影响参数估计的合理性与准确性，模型误差随着增大，破坏了模型的稳定性。
本发明运用集主成分分析、相关性分析和线性多元回归功能的偏最小二乘统计相关法(PLS)筛选出预报因子有重要关系的影响因子，解决了集主成分分析仅仅从变量因子中寻找主成分，导致刷选出的主成分在实际预报中无法更好的拟合预报量的问题。PLS以预报量为原则，提取主成分不仅仅考虑变量因子系统中的信息，也同时解释了预报量的性质。不但可以进行单个变量回归分析，以及可以进行多变量回归拟合，与此同时，可以使用变量因子个数少的成分来解决回归中高维度的问题。本发明运用在平原河网水位回归预测上在率定期和验证期的计算水位误差符合精度要求，具有良好的预报效果，值得推广。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，下面结合附图和实施例对本发明做进一步详细说明，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。
附图说明
图1为本发明方法的流程图。
图2为本发明的偏最小二乘回归通用模块流程图。
图3为本实施例平望水位2008年率定期实测拟合对比图。
图4为本实施例平望水位2009年率定期实测拟合对比图。
图5为本实施例平望水位2010年率定期实测拟合对比图。
图6为本实施例平望水位2011年率定期实测拟合对比图。
图7为本实施例平望水位2012年率定期实测拟合对比图。
图8为本实施例平望水位2013年率定期实测拟合对比图。
图9为本实施例平望水位2014年验证期实测拟合对比图。
图10为本实施例平望水位2015年验证期实测拟合对比图。
具体实施方式
一种平原河网水位回归预测方法，如图1和图2所示，该预测方法包括已下步骤：
S1.确定研究点；
S2.研究点数据输入；输入研究点数据；
S3.确定参考影响因子集：确定对研究点水位有可能有影响的参考影响因子组成因子集；
S4.参考影响因子集分组：根据各种影响因子的意义对参考影响因子集进行分组；
S5影响因子数据输入：输入分组后的各参考影响因子数据；
S6.构建递阶偏最小二乘回归模型：对每一分组中的因子调用偏最小二乘回归通用模块分析提取主成分，构建成递阶偏最小二乘的底层模型，然后对提取后的主成分调用偏最小二乘回归通用模块构建递阶偏最小二乘的顶层模型，将底层模型结果带入顶层模型，完成递阶偏最小二乘回归模型构建；
S7.输出回归模型：利用构建的递阶偏最小二乘回归模型对研究点水位进行回归预测，输出回归模型，得到回归结果。
其中，构建递阶偏最小二乘回归模型中，调用偏最小二乘回归通用模块构建偏最小二乘回归模型包括以下步骤：
S61.确定建模影响因子集：挑选与关注点水位相关度最好的因子进入建模影响因子集；
S62.调用偏最小二乘回归算法，计算出回归结果；
S63.对模型进行线性关系检验—F检验，如果线性关系不显著则转入步骤S64，如果显著则转入步骤S65；
S64.调整建模影响因子集，转入步骤S62；
S65.对建模影响因子集中每个影响因子进行参数显著性检验—t检验，如果有不显著因子，则予以删除转入步骤S62；
S66.对参考影响因子集中未参与建模部分因子进行t检验，如果有影响显著因子，则加入建模影响因子集，转入步骤S62；
S67.输出相关所需成果。
为了便于本领域技术人员更好理解和实施本发明的技术方案，下面以太湖流域平望水位站为研究代表站点作为本发明的技术方案的具体实施例加以详细说明。
1.可能影响因子的选定与资料收集和整理：
可能影响因子的选定主要从降雨、蒸发、水位、流量四类因子来进行选定。平望水位是流域内重要河段-太浦河开闸泄洪的重要控制水位，平望水位与本地的降雨、南排排水量、太浦河泄洪量以及下游米市渡潮位等因素有密切关系。因而预报因子则在太湖湖区、武澄锡虞区、阳澄淀卯区前期降雨、太浦河周边主要水文站水位、相关闸门流量的基础上，对预报因子进行筛选。粗定可能影响因子可从太湖流域洪水预报系统中的数据库读取实测水文资料，其中，资料情况如下表1资料选取，资料年份各列表示目前搜集到的资料情况。各可能影响因子均有资料的年份有2008-2015年，选取2008-2015年汛期5月1日-9月30日各因子逐日值，逐日8时的水位为8时瞬时值，流量为前一日8时到本日8时的日均值，降雨为前一日8时到本日8时的日累计值。
表1：资料选取
2.相关性分析：
从选取资料全的八年资料，取最大影响时段为7，各因子与平望水位间简单相关系数如下表2相关系数表所示。
表2：相关系数表
从相关系数表中可知，平望水位有一定的自相关，前一日时刻成正相关，其他时刻呈现负相关，与前第7时刻的相关系为零。降雨方面，杭嘉湖区前一日雨量与平望水位相关系数为0.45，且各时刻的雨量相关系数均在0.2以上，其它几个分区降雨相关性略小些，以及4个分区的降雨到第2时刻起都是负相关。水位方面，嘉兴水位与平望水位有较好的相关性，与前一日8点水位相关系数为0.32，前第2时刻到第6时刻均呈现负相关，与前第7时刻没有关系。流量上，平望水位与太浦闸流量有微弱相关系，从前第3时刻起，平望水位与太浦闸流量呈现负相关关系。
平望水位的可能影响因子均有一定相关性，但这些因子之间也有着很高的相关性。此时使用两两变量的简单相关系数就具有一定虚假性(因为简单相关系数只考虑了两个变量之间的相互作用，没有考虑到其它变量对这两个变量影响)。为此计算各变量的偏相关系数(净相关系数)，以考察去掉其它变量影响之后的相关情况。水位影响因子的平望水位与各待选影响因子之间的偏相关系数如下表3的偏相关系数表所示。
表3：偏相关系数表
通过偏相关系数表可以看出，平望两日及之前水位对当前时刻的影响不大。嘉兴水位对平望水位有一定影响，因为嘉兴水位代表着南排排水量。降雨方面杭嘉湖区前1日到前3日降雨对平望水位有影响。而太湖湖区、阳澄淀泖区、武澄锡虞区降雨降雨对平望水位净影响不大，可知这三个分区降雨在简单相关系数上表现出来的相关性应该是由于降雨同时也发生于太湖区而带来的虚假相关。流量上除太浦闸流量前2日净相关系数绝对值大于0.15外，其它流量因子净相关性均很小。
从递阶偏最小二乘回归系数列(如表4递阶系数表)也反映了同样的情况，嘉兴水位对平望水位解释能力最强，确定性系数达到0.958，太湖区降雨和武澄锡虞区降雨对平望水位解释能力明显不足，确定性系数仅为0.163和0.11。太浦闸流量对平望水位具有一定的解释能力，确定性系数为0.679。
表4：递阶系数表：
3.预报模型构建：
通过相关性分析可见太湖区、武澄锡虞区两区的降雨对平望水位的解释能力不强，在建立预报模型时不予采用，这样就可采用2008-2013年数据回归模型参数，并用2014年及2015年两年数据进行验证。
平望水位可用于预报的统计相关模型以增量方式建立，模型考虑采用未来降雨量、各闸的未来过闸流量，这些可以获得，而且嘉兴水位可以采用其它模型预报的成果，也可以采用。若做一日预报，那么预报时刻的前一日的水位也是可以采用的。经过分析计算得回归方程为：
Z平望＝-0.000641+Z平望-1+0.0177P阳澄淀卯区-0.00045P阳澄淀卯区-3+0.56Z嘉兴-0.352Z嘉兴-1-0.208Z嘉兴-2-0.00114P杭嘉湖区-0.000444P杭嘉湖区-1+0.000284P杭嘉湖区-2+0.000348P杭嘉湖区-3+1.91e-006Q太浦闸-6.82e-006Q太浦闸-1
率定、检验期误差统计如表格5所示，率定期、检验期水位实测拟合对比图如图3-10所示。
表5平望水位预报方程误差统计表
综上，根据2008-2013年中每年5月初—9月底汛期水文序列的数据拟合出预报平望水位的回归方程，用2014年、2015年数据作为验证。模型在率定期和验证期的计算水位误差符合精度要求，具有良好的预报效果。
本发明不局限于上述具体的实施方式，对于本领域的普通技术人员来说从上述构思出发，不经过创造性的劳动，所作出的种种变换，均落在本发明的保护范围之内。
Claims (5)
1.一种平原河网水位回归预测方法，其特征在于，该预测方法包括已下步骤
S1.确定研究点；
S2.研究点数据输入；输入研究点数据；
S3.确定参考影响因子集：确定对研究点水位有可能有影响的参考影响因子组成因子集；
S4.参考影响因子集分组：根据各种影响因子的意义对参考影响因子集进行分组；
S5影响因子数据输入：输入分组后的各参考影响因子数据；
S6.构建递阶偏最小二乘回归模型：对每一分组中的因子调用偏最小二乘回归通用模块分析提取主成分，构建成递阶偏最小二乘的底层模型，然后对提取后的主成分调用偏最小二乘回归通用模块构建递阶偏最小二乘的顶层模型，将底层模型结果带入顶层模型，完成递阶偏最小二乘回归模型构建；
S7.输出回归模型：利用构建的递阶偏最小二乘回归模型对研究点水位进行回归预测，输出回归模型，得到回归结果。
2.根据权利要求1所述的平原河网水位回归预测方法，其特征在于，所述递阶偏最小二乘回归模型为根据偏最小二乘统计相关法筛选出的变量因子，通过提出五种模型输入输出向量组的方案构造模型。
3.根据权利要求1所述的平原河网水位回归预测方法，其特征在于，所述步骤S6构建递阶偏最小二乘回归模型中，调用偏最小二乘回归通用模块构建偏最小二乘回归模型包括以下步骤：
S61.确定建模影响因子集：挑选与关注点水位相关度最好的因子进入建模影响因子集；
S62.调用偏最小二乘回归算法，计算出回归结果；
S63.对模型进行线性关系检验，如果线性关系不显著则转入步骤S64，如果显著则转入步骤S65；
S64.调整建模影响因子集，转入步骤S62；
S65.对建模影响因子集中每个影响因子进行参数显著性检验，如果有不显著因子，则予以删除，转入步骤S62；
S66.对参考影响因子集中未参与建模部分因子进行参数显著性检验，如果有影响显著因子，则加入建模影响因子集，转入步骤S62；
S67.输出相关所需成果。
4.根据权利要求1所述的平原河网水位回归预测方法，其特征在于，所述步骤S3确定参考影响因子集中，有可能有影响的参考影响因子主要从降雨、蒸发、水位和流量四类因子中进行选定。
5.根据权利要求4所述的平原河网水位回归预测方法，其特征在于，所述参考影响因子中的降雨主要选本区域及附近区域的逐日降雨量，蒸发选取临近蒸发站的逐日蒸发量，水位选取关注点附近的水位测站的逐日8时水位，流量选取区域内主要闸站工程的引排水流量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111091551.XA CN113837460A (zh) | 2021-09-17 | 2021-09-17 | 平原河网水位回归预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111091551.XA CN113837460A (zh) | 2021-09-17 | 2021-09-17 | 平原河网水位回归预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113837460A true CN113837460A (zh) | 2021-12-24 |
Family
ID=78959724
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111091551.XA Pending CN113837460A (zh) | 2021-09-17 | 2021-09-17 | 平原河网水位回归预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113837460A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115271154A (zh) * | 2022-06-07 | 2022-11-01 | 中国长江电力股份有限公司 | 一种多项式与偏最小二乘耦合的非线性回归洪水要素预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104123451A (zh) * | 2014-07-16 | 2014-10-29 | 河海大学常州校区 | 基于偏最小二乘回归的疏浚作业产量预测模型建立方法 |
| CN108108834A (zh) * | 2017-12-03 | 2018-06-01 | 中国直升机设计研究所 | 一种直升机关重件磨损率预测方法 |
| US20190325327A1 (en) * | 2018-04-19 | 2019-10-24 | Seacoast Banking Corporation of Florida | Predictive data analysis using value-based predictive inputs |
-
2021
- 2021-09-17 CN CN202111091551.XA patent/CN113837460A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104123451A (zh) * | 2014-07-16 | 2014-10-29 | 河海大学常州校区 | 基于偏最小二乘回归的疏浚作业产量预测模型建立方法 |
| CN108108834A (zh) * | 2017-12-03 | 2018-06-01 | 中国直升机设计研究所 | 一种直升机关重件磨损率预测方法 |
| US20190325327A1 (en) * | 2018-04-19 | 2019-10-24 | Seacoast Banking Corporation of Florida | Predictive data analysis using value-based predictive inputs |
Non-Patent Citations (1)
| Title |
|---|
| 周光文 等: ""递阶偏最小二乘回归在大坝安全监测中的应用"", 《水电自动化与大坝监测》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115271154A (zh) * | 2022-06-07 | 2022-11-01 | 中国长江电力股份有限公司 | 一种多项式与偏最小二乘耦合的非线性回归洪水要素预测方法 |
| CN115271154B (zh) * | 2022-06-07 | 2023-12-29 | 中国长江电力股份有限公司 | 一种多项式与偏最小二乘耦合的非线性回归洪水要素预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111310968B (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
| Chaudhari et al. | In-stream turbines for rethinking hydropower development in the Amazon basin | |
| CN115374376B (zh) | 小水电生态影响监测评估方法与系统 | |
| Yan et al. | Flood risk analysis of reservoirs based on full-series ARIMA model under climate change | |
| Majone et al. | Analysis of high streamflow extremes in climate change studies: how do we calibrate hydrological models? | |
| Sahu et al. | Regional frequency analysis using L-moment methodology—a review | |
| CN117236674B (zh) | 城市河网水动力精准调控和水环境提升方法及系统 | |
| CN117236199B (zh) | 城市水网区域河湖水质提升与水安全保障方法及系统 | |
| CN114819322B (zh) | 湖泊入湖流量的预报方法 | |
| Ahmadi et al. | Input selection for long-lead precipitation prediction using large-scale climate variables: a case study | |
| CN115455707A (zh) | 一种分析流域水资源工程对气象-水文干旱影响的方法 | |
| CN111815043B (zh) | 一种基于暴雨特征的洪水流量预测方法及系统 | |
| CN116796799A (zh) | 无水文资料地区中小流域洪水降雨量阈值模型创建方法 | |
| Pender et al. | Stochastic simulation of daily streamflow sequences using a hidden Markov model | |
| CN115983132A (zh) | 流域径流对未来气候及土地利用变化的响应研究方法 | |
| CN109783934A (zh) | 一种基于h-adcp的断面平均流速拟合率定方法 | |
| CN113837460A (zh) | 平原河网水位回归预测方法 | |
| CN112287299A (zh) | 河流健康变化定量归因方法、装置及系统 | |
| CN109657287B (zh) | 基于综合得分法水文模型精度识别的方法 | |
| CN113609783B (zh) | 耦合大尺度环流气候信息的咸潮上溯预报系统和方法 | |
| Gao et al. | A framework for automatic calibration of SWMM considering input uncertainty | |
| Sadki et al. | Implementation and sensitivity analysis of the Dam-Reservoir OPeration model (DROP v1. 0) over Spain | |
| Smith et al. | Testing probabilistic adaptive real‐time flood forecasting models | |
| Pishgah Hadiyan et al. | Trend analysis of water inflow into the dam reservoirs under future conditions predicted by dynamic NAR and NARX models | |
| CN115358587A (zh) | 区域多部门协同的基础设施规划方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211224 |