CN116776539A - 一种基于交叉小波分析的咸潮预报方法和系统 - Google Patents

Abstract

本发明提供一种基于交叉小波分析的咸潮预报方法、系统和可读存储介质。所述方法包括：资料搜集和选取参数、利用相关分析确定盐度特征值与径流的滞后时间、利用交叉小波分析确定盐度特征值与日最大潮差的滞后时间，根据滞后时候进行时间序列重构，逐步建立盐度特征值与径流、日最大潮差的统计模型，并引入分段式前期盐度累积效应影响，完成误差校正后，咸潮预报模型建立完毕。本发明方法根据已有目标站点、相关站点资料，基于相关分析、交叉小波分析、多元非线性回归分析与经验公式结合，精确识别了盐度峰值发生时间，凸显了咸潮上溯的规律性，较好地提升了盐度预测精度。

Description

一种基于交叉小波分析的咸潮预报方法和系统

技术领域

本发明涉及河口盐度预报领域，更具体地，涉及一种基于交叉小波分析的咸潮预报方法和系统。

背景技术

在区域供水保障体系日趋完善的背景下，供水安全基本可得到保障。但鉴于极端天气事件导致咸潮加剧、用水需求增加，区域供水保障能力发展不均衡等因素，河口区枯水期供水安全依然受到严重威胁。河口咸潮预报较为常用的方法为数值模型及统计模型。因数值模型需要较多现场观测数据和大量工作来校准率定模型参数，应用较为有限。相比之下，统计模型快捷且成本较低。但一般统计模型未能精确识别半月潮周期内盐度峰值发生时间，从而导致预报精度有所欠缺。

发明内容

鉴于上述问题，本发明的目的是提供一种基于交叉小波分析的咸潮预报方法、系统和可读存储介质，本高精度预报方法的构建，可为流域压咸补水调度和区域错峰取水提供技术支撑。

本发明第一方面提供了一种基于交叉小波分析的咸潮预报方法，包括以下步骤：

S1：资料搜集和选取参数：搜集目标站点的历史数据，目标站点即为需要进行咸度预测的点，历史数据包括实测盐度时间序列、潮汐时间序列和上游控制站点径流量序列，并计算目标站点每日平均盐度特征值序列S、目标站点每日最大潮差序列T，目标站点上游控制站点的每日平均径流量序列Q；

S2：确定盐度特征值与径流量的滞后时间：将每日平均盐度特征值序列S进行时间平移，并进行相关分析，相关系数达到最大时的平移时间即是每日平均盐度特征值与每日平均径流量的滞后时间t_Q；

S3：确定盐度特征值与潮差的滞后时间：利用交叉小波分析得到每日平均盐度特征值序列S滞后于潮差的相位角，对相位角时间序列求平均值后再乘以大小潮周期变化时间参数，得到每日平均盐度特征值与每日最大潮差的滞后时间t_T；

S4：根据滞后时间重构时间序列：根据滞后时间t_Q、t_T，分别将Q、T时间往前平移t_Q、t_T天，并将S、T、Q序列统一成长度一致的时间序列S'、T'、Q'；

S5：建立盐度特征值与径流量的统计模型：根据每日平均盐度特征值与每日平均径流量间的幂函数关系建立S'与Q'的统计模型，其中k₁、k₂为待定系数；

S6：建立盐度特征值初步统计模型：在盐度特征值与径流量统计模型的基础上，利用多元非线性回归分析方法，加入T',得到盐度特征值初步统计模型其中a₁、a₂、c为待定系数；

S7：引入分段式前期盐度累积效应影响：根据预报当日潮差较前一日潮差增减确定前期盐度累积效应大小；

当T′_t+1≥T′_t时，t时刻的盐度特征值预测结果为其中a₁、a₂、c、b₁为待定系数；

当T′_t+1≤T′_t时，t时刻的盐度特征值预测结果为其中a₁、a₂、c、b₂为待定系数。

优选地，所述方法还包括以下步骤：

S8：误差矫正，完成预报模型构建：根据步骤S7中建立的统计模型，利用最小二乘法进行误差矫正，d为误差值，并完成预报模型构建，形式如下：

优选地，步骤S1中，目标站点实测盐度时间序列、潮汐时间序列和上游控制站点径流量序列为历史枯水期数据，时间长度大于90天。

优选地，步骤S2具体为：

将每日平均盐度特征值序列S进行时间n平移得到S^t+1、S^t+2...S^t+n，并与同样平移后的每日平均径流量序列Q^t、Q^t+1...Q^t+n-1进行相关分析，相关系数计算公式为：

其中r(S,Q)为相关系数，Cov(S,Q)为每日平均盐度特征值序列S和每日平均径流量序列Q的协方差，Var[S]为S的方差，Var[Q]为Q的方差；

当相关系数达到最大时，平移时间n即是每日平均盐度特征值与每日平均径流量的滞后时间t_Q。

优选地，步骤S3具体为：

利用交叉小波分析得到统计时间段内每日平均盐度特征值滞后于与每日最大潮差的逐日相位角，对相位角时间序列求平均值后再乘以大小潮周期变化14.8天，得到每日平均盐度特征值与每日最大潮差的滞后时间t_T。

本发明第二方面提供了一种基于交叉小波分析的咸潮预报系统，包括存储器和处理器，所述存储器中包括基于交叉小波分析的咸潮预报方法程序，所述基于交叉小波分析的咸潮预报方法程序被所述处理器执行时实现如下步骤：

S1：资料搜集和选取参数：搜集目标站点的历史数据，目标站点即为需要进行咸度预测的点，历史数据包括实测盐度时间序列、潮汐时间序列和上游控制站点径流量序列，并计算目标站点每日平均盐度特征值序列S、目标站点每日最大潮差序列T，目标站点上游控制站点的每日平均径流量序列Q；

S2：确定盐度特征值与径流量的滞后时间：将每日平均盐度特征值序列S进行时间平移，并进行相关分析，相关系数达到最大时的平移时间即是每日平均盐度特征值与每日平均径流量的滞后时间t_Q；

S3：确定盐度特征值与潮差的滞后时间：利用交叉小波分析得到每日平均盐度特征值序列S滞后于潮差的相位角，对相位角时间序列求平均值后再乘以大小潮周期变化时间参数，得到每日平均盐度特征值与每日最大潮差的滞后时间t_T；

S4：根据滞后时间重构时间序列：根据滞后时间t_Q、t_T，分别将Q、T时间往前平移t_Q、t_T天，并将S、T、Q序列统一成长度一致的时间序列S'、T'、Q'；

S5：建立盐度特征值与径流量的统计模型：根据每日平均盐度特征值与每日平均径流量间的幂函数关系建立S'与Q'的统计模型，其中k₁、k₂为待定系数；

S6：建立盐度特征值初步统计模型：在盐度特征值与径流量统计模型的基础上，利用多元非线性回归分析方法，加入T',得到盐度特征值初步统计模型其中a₁、a₂、c为待定系数；

S7：引入分段式前期盐度累积效应影响：根据预报当日潮差较前一日潮差增减确定前期盐度累积效应大小；

当T′_t+1≥T′_t时，t时刻的盐度特征值预测结果为其中a₁、a₂、c、b₁为待定系数；

当T_t'₊₁≤T_t'时，t时刻的盐度特征值预测结果为其中a₁、a₂、c、b₂为待定系数。

优选地，所述方法还包括以下步骤：

S8：误差矫正，完成预报模型构建：根据步骤S7中建立的统计模型，利用最小二乘法进行误差矫正，d为误差值，并完成预报模型构建，形式如下：

本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括基于交叉小波分析的咸潮预报方法程序，所述基于交叉小波分析的咸潮预报方法程序被处理器执行时，实现如权利要求1至5中任一项所述的一种基于交叉小波分析的咸潮预报方法的步骤。

与现有技术相比，本发明技术方案的有益效果是：本发明提供一种基于交叉小波分析的咸潮预报方法、系统和可读存储介质。所述方法包括：资料搜集和选取参数、利用相关分析确定盐度特征值与径流的滞后时间、利用交叉小波分析确定盐度特征值与日最大潮差的滞后时间，根据滞后时候进行时间序列重构，逐步建立盐度特征值与径流、日最大潮差的统计模型，并引入分段式前期盐度累积效应影响，完成误差校正后，咸潮预报模型建立完毕。本发明方法根据已有目标站点、相关站点资料，基于相关分析、交叉小波分析、多元非线性回归分析与经验公式结合，精确识别了盐度峰值发生时间，凸显了咸潮上溯的规律性，较好地提升了盐度预测精度。

3.附图说明

图1为实施例1基于交叉小波分析的咸潮预报方法的流程示意图。

图2为实施例1所述目标站点盐度(含氯度)、流量、潮差示意图。

图3为实施例1所述目标站点日盐度平均值与日最大潮差交叉小波功率谱图。

图4为实施例1所述目标站点日盐度平均值与日均流量拟合图。

图5为实施例1所述目标站点日盐度平均值与日均流量、日最大潮差拟合图。

图6为实施例1所述目标站点日盐度平均值与日均流量、日最大潮差、前期盐度累积效应拟合及误差校正后预测图。

图7为实施例1所述方法对日超标时间预测图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

实施例1

如图1所示，本实施例公开了一种基于交叉小波分析的咸潮预报方法，包括以下步骤：

S1：资料搜集和选取参数：搜集目标站点的历史枯水期数据，目标站点即为需要进行咸度预测的点，历史枯水期数据包括实测盐度时间序列、潮汐时间序列和上游控制站点径流量时间序列，时间长度大于90天，并计算目标站点每日平均盐度特征值序列S(需要计算，测的是每小时或者每十分钟的含氯度，盐度特征值指的是日平均盐度、日最大盐度和超标时间)、目标站点每日最大潮差序列T，目标站点上游控制站点的每日平均径流量时间序列Q(每日径流量也可以，但是一般我们获得的是每小时数据，我这个方法研究的时间尺度是日，所以需要计算日平均径流量)；

S2：确定盐度特征值与径流量的滞后时间：将每日平均盐度特征值序列S进行时间n平移得到S^t+1、S^t+2...S^t+n，并与同样平移后的每日平均径流量时间序列Q^t、Q^t+1...Q^t+n-1进行相关分析，相关系数计算公式为：

其中r(S,Q)为相关系数，Cov(S,Q)为每日平均盐度特征值序列S和每日平均径流量时间序列Q的协方差，Var[S]为S的方差，Var[Q]为Q的方差；

当相关系数达到最大时，平移时间n即是每日平均盐度特征值与每日平均径流量的滞后时间t_Q。

S3：确定盐度特征值与潮差的滞后时间：利用交叉小波分析得到统计时间段内每日平均盐度特征值滞后于与每日最大潮差的逐日相位角(交叉小波分析直接可以获得这个相位角，是用matlab程序)，对相位角时间序列求平均值后再乘以大小潮周期变化14.8天，得到每日平均盐度特征值与每日最大潮差的滞后时间t_T。

S4：根据滞后时间重构时间序列：根据滞后时间t_Q、t_T，分别将Q、T时间往前平移t_Q、t_T天，并将S、T、Q序列统一成长度一致的时间序列S'、T'、Q'。

S5：建立盐度特征值与径流量的统计模型：根据每日平均盐度特征值与每日平均径流量间的幂函数关系建立S'与Q'的统计模型，其中k₁、k₂为待定系数。

S6：建立盐度特征值初步统计模型：在盐度特征值与径流量统计模型的基础上，利用多元非线性回归分析方法，加入T',得到盐度特征值初步统计模型其中a₁、a₂、c为待定系数。

S7：引入分段式前期盐度累积效应影响：根据预报当日潮差较前一日潮差增减确定前期盐度累积效应大小；

当T′_t+1≥T′_t时，t时刻的盐度特征值预测结果为其中a₁、a₂、c、b₁为待定系数；

当T′_t+1≤T′_t时，t时刻的盐度特征值预测结果为其中a₁、a₂、c、b₂为待定系数。

S8：误差矫正，完成预报模型构建：根据步骤S7中建立的统计模型，利用最小二乘法进行误差矫正，d为误差值，并完成预报模型构建，形式如下：

需要说明的是，上述各待定系数采用最小二乘法求解。最小二乘法是一种数学优化技术，通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。

本实施例以某一河口的某一目标站点的实例进行说明：

1、如图2所示，目标站点盐度(含氯度)、流量、潮差时间序列从2021年9月1日至2022年2月14日，共计167天。

2、如图3所示，日盐度平均值与日最大潮差交叉小波功率谱图，大小潮周期14.8天频谱上，两者具有较高的公变周期，箭头表示两者相位角，对相位角时间序列求平均值后再乘以大小潮周期变化时间参数，得到盐度特征值与潮差的滞后时间t_T。

3、如图4所示，利用幂函数关系对日盐度平均值与日均流量进行拟合，日盐度平均值拟合优度决定系数R²为0.31。

4、如图5所示，利用多元非线性回归分析，加入日最大潮差影响，日盐度平均值拟合优度决定系数R²为0.61。

5、如图6所示，引入分段式前期盐度累积效应影响，并进行误差校正，日盐度平均值拟合优度决定系数R²为0.85。

6、如图7所示，用上述方法对日超标时间进行预测，拟合优度决定系数R²为0.93，具有较好的预测效果。

实施例2

本实施例公开了一种基于交叉小波分析的咸潮预报系统，包括存储器和处理器，所述存储器中包括基于交叉小波分析的咸潮预报方法程序，所述基于交叉小波分析的咸潮预报方法程序被所述处理器执行时实现如下步骤：

S1：资料搜集和选取参数：搜集目标站点的历史枯水期数据，目标站点即为需要进行咸度预测的点，历史枯水期数据包括实测盐度时间序列、潮汐时间序列和上游控制站点径流量时间序列，时间长度大于90天，并计算目标站点每日平均盐度特征值序列S、目标站点每日最大潮差序列T，目标站点上游控制站点的每日平均径流量时间序列Q；

需要说明的是，实测盐度测的是每小时或者每十分钟的含氯度，盐度特征值指的是日平均盐度、日最大盐度和超标时间。径流量一般获得的是每小时数据，本方法研究的时间尺度是日，所以需要计算日平均径流量。

S2：确定盐度特征值与径流量的滞后时间：将每日平均盐度特征值序列S进行时间n平移得到S^t+1、S^t+2...S^t+n，并与同样平移后的每日平均径流量时间序列Q^t、Q^t+1...Q^t+n-1进行相关分析，相关系数计算公式为：

其中r(S,Q)为相关系数，Cov(S,Q)为每日平均盐度特征值序列S和每日平均径流量时间序列Q的协方差，Var[S]为S的方差，Var[Q]为Q的方差；

当相关系数达到最大时，平移时间n即是每日平均盐度特征值与每日平均径流量的滞后时间t_Q。

S3：确定盐度特征值与潮差的滞后时间：利用交叉小波分析得到统计时间段内每日平均盐度特征值滞后于与每日最大潮差的逐日相位角(交叉小波分析直接可以获得这个相位角，用matlab程序实现)，对相位角时间序列求平均值后再乘以大小潮周期变化14.8天，得到每日平均盐度特征值与每日最大潮差的滞后时间t_T。

S4：根据滞后时间重构时间序列：根据滞后时间t_Q、t_T，分别将Q、T时间往前平移t_Q、t_T天，并将S、T、Q序列统一成长度一致的时间序列S'、T'、Q'。

S5：建立盐度特征值与径流量的统计模型：根据每日平均盐度特征值与每日平均径流量间的幂函数关系建立S'与Q'的统计模型，其中k₁、k₂为待定系数。

S6：建立盐度特征值初步统计模型：在盐度特征值与径流量统计模型的基础上，利用多元非线性回归分析方法，加入T',得到盐度特征值初步统计模型其中a₁、a₂、c为待定系数。

S7：引入分段式前期盐度累积效应影响：根据预报当日潮差较前一日潮差增减确定前期盐度累积效应大小；

当T′_t+1≥T′_t时，t时刻的盐度特征值预测结果为其中a₁、a₂、c、b₁为待定系数；

当T′_t+1≤T′_t时，t时刻的盐度特征值预测结果为其中a₁、a₂、c、b₂为待定系数。

S8：误差矫正，完成预报模型构建：根据步骤S7中建立的统计模型，利用最小二乘法进行误差矫正，d为误差值，并完成预报模型构建，形式如下：

实施例3

本实施例公开了一种计算机可读存储介质，所述计算机可读存储介质中包括基于交叉小波分析的咸潮预报方法程序，所述基于交叉小波分析的咸潮预报方法程序被处理器执行时，实现所述的一种基于交叉小波分析的咸潮预报方法的步骤。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种基于交叉小波分析的咸潮预报方法，其特征在于，包括以下步骤：

S1：资料搜集和选取参数：搜集目标站点的历史数据，目标站点即为需要进行咸度预测的点，历史数据包括实测盐度时间序列、潮汐时间序列和上游控制站点径流量序列，并计算目标站点每日平均盐度特征值序列S、目标站点每日最大潮差序列T，目标站点上游控制站点的每日平均径流量序列Q；

S2：确定盐度特征值与径流量的滞后时间：将每日平均盐度特征值序列S进行时间平移，并进行相关分析，相关系数达到最大时的平移时间即是每日平均盐度特征值与每日平均径流量的滞后时间t_Q；

S3：确定盐度特征值与潮差的滞后时间：利用交叉小波分析得到每日平均盐度特征值序列S滞后于潮差的相位角，对相位角时间序列求平均值后再乘以大小潮周期变化时间参数，得到每日平均盐度特征值与每日最大潮差的滞后时间t_T；

S4：根据滞后时间重构时间序列：根据滞后时间t_Q、t_T，分别将Q、T时间往前平移t_Q、t_T天，并将S、T、Q序列统一成长度一致的时间序列S'、T'、Q'；

S5：建立盐度特征值与径流量的统计模型：根据每日平均盐度特征值与每日平均径流量间的幂函数关系建立S'与Q'的统计模型，其中k₁、k₂为待定系数；

S6：建立盐度特征值初步统计模型：在盐度特征值与径流量统计模型的基础上，利用多元非线性回归分析方法，加入T',得到盐度特征值初步统计模型其中a₁、a₂、c为待定系数；

S7：引入分段式前期盐度累积效应影响：根据预报当日潮差较前一日潮差增减确定前期盐度累积效应大小；

当T_t'₊₁≥T_t'时，t时刻的盐度特征值预测结果为其中a₁、a₂、c、b₁为待定系数；

当T_t'₊₁≤T_t'时，t时刻的盐度特征值预测结果为其中a₁、a₂、c、b₂为待定系数。

2.根据权利要求1所述的基于交叉小波分析的咸潮预报方法，其特征在于，所述方法还包括以下步骤：

S8：误差矫正，完成预报模型构建：根据步骤S7中建立的统计模型，利用最小二乘法进行误差矫正，d为误差值，并完成预报模型构建，形式如下：

3.根据权利要求1所述的基于交叉小波分析的咸潮预报方法，其特征在于，步骤S1中，目标站点实测盐度时间序列、潮汐时间序列和上游控制站点径流量序列为历史枯水期数据，时间长度大于90天。

4.根据权利要求1所述的基于交叉小波分析的咸潮预报方法，其特征在于，步骤S2具体为：

将每日平均盐度特征值序列S进行时间n平移得到S^t+1、S^t+2...S^t+n，并与同样平移后的每日平均径流量序列Q^t、Q^t+1...Q^t+n-1进行相关分析，相关系数计算公式为：

其中r(S,Q)为相关系数，Cov(S,Q)为每日平均盐度特征值序列S和每日平均径流量序列Q的协方差，Var[S]为S的方差，Var[Q]为Q的方差；

当相关系数达到最大时，平移时间n即是每日平均盐度特征值与每日平均径流量的滞后时间t_Q。

5.根据权利要求1所述的基于交叉小波分析的咸潮预报方法，其特征在于，步骤S3具体为：

利用交叉小波分析得到统计时间段内每日平均盐度特征值滞后于与每日最大潮差的逐日相位角，对相位角时间序列求平均值后再乘以大小潮周期变化14.8天，得到每日平均盐度特征值与每日最大潮差的滞后时间t_T。

6.一种基于交叉小波分析的咸潮预报系统，其特征在于，包括存储器和处理器，所述存储器中包括基于交叉小波分析的咸潮预报方法程序，所述基于交叉小波分析的咸潮预报方法程序被所述处理器执行时实现如下步骤：

S1：资料搜集和选取参数：搜集目标站点的历史数据，目标站点即为需要进行咸度预测的点，历史数据包括实测盐度时间序列、潮汐时间序列和上游控制站点径流量序列，并计算目标站点每日平均盐度特征值序列S、目标站点每日最大潮差序列T，目标站点上游控制站点的每日平均径流量序列Q；

S2：确定盐度特征值与径流量的滞后时间：将每日平均盐度特征值序列S进行时间平移，并进行相关分析，相关系数达到最大时的平移时间即是每日平均盐度特征值与每日平均径流量的滞后时间t_Q；

S3：确定盐度特征值与潮差的滞后时间：利用交叉小波分析得到每日平均盐度特征值序列S滞后于潮差的相位角，对相位角时间序列求平均值后再乘以大小潮周期变化时间参数，得到每日平均盐度特征值与每日最大潮差的滞后时间t_T；

S4：根据滞后时间重构时间序列：根据滞后时间t_Q、t_T，分别将Q、T时间往前平移t_Q、t_T天，并将S、T、Q序列统一成长度一致的时间序列S'、T'、Q'；

S5：建立盐度特征值与径流量的统计模型：根据每日平均盐度特征值与每日平均径流量间的幂函数关系建立S'与Q'的统计模型，其中k₁、k₂为待定系数；

S6：建立盐度特征值初步统计模型：在盐度特征值与径流量统计模型S'＝k₁Q'^-k2的基础上，利用多元非线性回归分析方法，加入T',得到盐度特征值初步统计模型其中a₁、a₂、c为待定系数；

S7：引入分段式前期盐度累积效应影响：根据预报当日潮差较前一日潮差增减确定前期盐度累积效应大小；

当T_t'₊₁≥T_t'时，t时刻的盐度特征值预测结果为其中a₁、a₂、c、b₁为待定系数；

当T_t'₊₁≤T_t'时，t时刻的盐度特征值预测结果为其中a₁、a₂、c、b₂为待定系数。

7.根据权利于要求6所述的基于交叉小波分析的咸潮预报系统，其特征在于，所述方法还包括以下步骤：

S8：误差矫正，完成预报模型构建：根据步骤S7中建立的统计模型，利用最小二乘法进行误差矫正，d为误差值，并完成预报模型构建，形式如下：

8.根据权利于要求6所述的基于交叉小波分析的咸潮预报系统，其特征在于，步骤S1中，目标站点实测盐度时间序列、潮汐时间序列和上游控制站点径流量序列为历史枯水期数据，时间长度大于90天。

9.根据权利于要求6所述的基于交叉小波分析的咸潮预报系统，其特征在于，步骤S2具体为：

将每日平均盐度特征值序列S进行时间n平移得到S^t+1、S^t+2...S^t+n，并与同样平移后的每日平均径流量序列Q^t、Q^t+1...Q^t+n-1进行相关分析，相关系数计算公式为：

其中r(S,Q)为相关系数，Cov(S,Q)为每日平均盐度特征值序列S和每日平均径流量序列Q的协方差，Var[S]为S的方差，Var[Q]为Q的方差；

当相关系数达到最大时，平移时间n即是每日平均盐度特征值与每日平均径流量的滞后时间t_Q。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括基于交叉小波分析的咸潮预报方法程序，所述基于交叉小波分析的咸潮预报方法程序被处理器执行时，实现如权利要求1至5中任一项所述的一种基于交叉小波分析的咸潮预报方法的步骤。