CN116882565A - 一种流域径流变化量预测方法 - Google Patents

一种流域径流变化量预测方法 Download PDF

Info

Publication number
CN116882565A
CN116882565A CN202310829005.4A CN202310829005A CN116882565A CN 116882565 A CN116882565 A CN 116882565A CN 202310829005 A CN202310829005 A CN 202310829005A CN 116882565 A CN116882565 A CN 116882565A
Authority
CN
China
Prior art keywords
runoff
variation
basin
factor
sub
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
Application number
CN202310829005.4A
Other languages
English (en)
Inventor
靳峰
周颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lanzhou University
Original Assignee
Lanzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lanzhou University filed Critical Lanzhou University
Priority to CN202310829005.4A priority Critical patent/CN116882565A/zh
Publication of CN116882565A publication Critical patent/CN116882565A/zh
Pending legal-status Critical Current

Links

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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种流域径流变化量预测方法，将流域划分为N个子流域，并计算每个子流域的径流变化量和各因素变化引起的径流变化量；对于每个因素，计算其在整个流域中的加权平均值，得到整个流域的径流变化量和各因素变化引起的径流变化量；计算每个因素对整个流域径流变化的贡献率；根据历史数据和预测期内的气象数据，建立径流预测模型，预测未来一段时间内的径流变化趋势。本发明方法用于解决现有径流预测方法中忽略不同子流域径流变化量差异的问题，提高预测的准确性和可靠性。

Description

一种流域径流变化量预测方法
技术领域
本发明属于水文学和水资源领域，尤其涉及一种流域径流变化量预测方法。
背景技术
随着气候变化和人类活动的影响，河流径流变化对于水资源管理和防洪减灾具有重要意义。传统的加权平均方法通常只考虑子流域面积的影响，而忽略了不同子流域的径流变化量差异。因此，如何提高径流预测的准确性和可靠性，包括如何考虑各子流域的径流变化量以及各因素对径流变化的贡献率等问题，是当前河流管理和防洪减灾领域技术人员亟待解决的问题。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提供一种流域径流变化量预测方法，将流域划分为N个子流域并计算每个子流域的径流变化量和各因素变化引起的径流变化量，计算每个因素对整个流域径流变化的贡献率，并建立径流预测模型，预测未来一段时间的径流变化趋势。
为实现本发明的目的，本发明所采用的技术方案是：
一种流域径流变化量预测方法，包括步骤：
(1)将流域划分为N个子流域，并计算每个子流域i的径流变化量dRi和各因素x变化引起的径流变化量dRix；
(2)对于每个因素x，计算其在整个流域中的加权平均值，得到整个流域的径流变化量dR和各因素x变化引起的径流变化量dRx；
(3)计算每个因素x对整个流域径流变化的贡献率Cx；
(4)根据历史数据和预测期内的气象数据，建立径流预测模型，预测未来一段时间内的径流变化趋势。
预测模型公式为：
Q(t)＝k*∑(dRi+∑(Cxi*dRi))/N*f(t)
其中，Q(t)表示未来某段时间内的径流量预测值，dRi表示每个子流域的径流变化量，Cxi表示每个因素x对整个流域径流变化的贡献率，t表示预测的时间段，k为经验系数，N为流域划分的子流域个数，f(t)为未来某段时间内的气象数据所构成的函数。
进一步地，步骤(1)中，每个子流域i的径流变化量dRi通过以下公式计算得到：
dRi＝Pi-(Pi*ET0i)/((Pin+ET0in)(1/n))+ΔRvi+ΔRli+ΔRhi
其中，Pi、ET0i分别为子流域i的降水量和潜在蒸散发量，ΔRvi、ΔRli、ΔRhi分别为子流域i的植被变化、土地利用变化和人类活动变化引起的径流变化量。
进一步地，步骤(1)中，每个因素x变化引起的径流变化量dRix通过以下公式计算得到：
dRix＝εx*Ri/xi*dxi
其中，εx为弹性系数，Ri为子流域i的径流深，xi为因素x在子流域i中的值，dxi为变化期相对于参考期，因素x在子流域i中的变化差值。
进一步地，步骤(2)中，整个流域的径流变化量dR和各因素x变化引起的径流变化量dRx通过以下公式计算得到：
dR＝∑(dRi*Ai)/∑Ai
dRx＝∑(dRix*Ai)/∑Ai
其中，Ai为子流域i的面积。
进一步地，步骤(3)中，每个因素x对整个流域径流变化的贡献率Cx通过以下公式计算得到：
Cx＝εx*R/x*dxi/∑(εx*R/x*dxi)*100％
Cx表示每个因素x对整个流域径流变化的贡献率，用于分析和评估每个因素对于径流变化的影响程度。
进一步地，步骤(4)中，历史数据和预测期内的气象数据通过多种指标来量化，历史数据包括Pi、ET0i、ΔRvi、ΔRli、ΔRhi，气象数据包括降水量和气温，这些指标作为模型输入，用于预测未来一段时间内的径流变化趋势；
f(t)的具体表达式因预测的气象数据种类和预测的时间段不同而异。
进一步地，步骤(4)中，当预测的气象数据是未来一周的降雨量时，f(t)可以表示为：
f(t)＝[p(t+1)，p(t+2)，…，p(t+7)]
其中，p(t+i)表示未来第i天的降雨量。
进一步地，步骤(4)中，当预测的气象数据是未来一年的气温，则f(t)可以表示为：
f(t)＝[T(t+1)，T(t+2)，…，T(t+365)]
其中，T(t+i)表示未来第i天的气温。
本发明的有益效果在于，与现有技术相比，本发明考虑了不同子流域径流变化量的差异，提高了预测的准确性和可靠性。本发明解决了现有径流预测方法中忽略不同子流域径流变化量差异的问题。本发明通过计算每个因素对整个流域径流变化的贡献率，可以更好地了解各因素对径流变化的影响程度，从而更有针对性地进行流域管理和调控。本发明通过将流域划分为N个子流域，计算每个子流域的径流变化量和各因素变化引起的径流变化量，可以更准确地预测未来一段时间内的径流变化趋势。
本发明每个子流域的径流变化量通过公式计算得到，考虑了降水量、潜在蒸散发量、植被变化、土地利用变化和人类活动变化引起的径流变化量；每个因素变化引起的径流变化量通过公式计算得到，考虑了弹性系数、径流深、因素值和变化差值；整个流域的径流变化量和各因素变化引起的径流变化量通过公式计算得到，考虑了子流域面积的影响。该方法还可以通过因子分析、结构方程模型等方法考虑因素之间的相互作用，提高预测精度。
附图说明
图1是流域径流变化量预测流程图；
图2是黄土高原中部流域划分图；
图3是未来24小时内每个子流域的径流变化量。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
如图1所示，本发明所述的流域径流变化量预测方法，用于实现对流域径流变化量的实时预报，包括步骤：
(1)将流域划分为N个子流域，并计算每个子流域i的径流变化量dRi和各因素x变化引起的径流变化量dRix；
每个子流域i的径流变化量dRi通过以下公式计算得到：
dRi＝Pi-(Pi*ET0i)/((Pin+ET0in)(1/n))+ΔRvi+ΔRli+ΔRhi
其中，Pi、ET0i分别为子流域i的降水量和潜在蒸散发量，ΔRvi、ΔRli、ΔRhi分别为子流域i的植被变化、土地利用变化和人类活动变化引起的径流变化量。
每个因素x变化引起的径流变化量dRix通过以下公式计算得到：
dRix＝εx*Ri/xi*dxi
其中，εx为弹性系数，Ri为子流域i的径流深，xi为因素x在子流域i中的值，dxi为变化期相对于参考期，因素x在子流域i中的变化差值。
(2)对于每个因素x，计算其在整个流域中的加权平均值，得到整个流域的径流变化量dR和各因素x变化引起的径流变化量dRx；
整个流域的径流变化量dR和各因素x变化引起的径流变化量dRx通过以下公式计算得到：
dR＝∑(dRi*Ai)/∑Ai
dRx＝∑(dRix*Ai)/∑Ai
其中，Ai为子流域i的面积。
(3)计算每个因素x对整个流域径流变化的贡献率Cx，用于分析和评估每个因素对于径流变化的影响程度；
每个因素x对整个流域径流变化的贡献率Cx通过以下公式计算得到：
Cx＝εx*R/x*dxi/∑(εx*R/x*dxi)*100％
Cx表示每个因素x对整个流域径流变化的贡献率，即在整个流域中，因素x引起的径流变化量占总径流变化量的比例。这个比例可以用于分析和评估每个因素对于径流变化的影响程度，从而有针对性地采取措施来调节和控制径流变化，进而实现对流域径流变化量的实时预报。
(4)根据历史数据和预测期内的气象数据，建立径流预测模型，预测未来一段时间内的径流变化趋势。
预测模型公式为：
Q(t)＝k*∑(dRi+∑(Cxi*dRi))/N*f(t)
其中，Q(t)表示未来某段时间内的径流量预测值，dRi表示每个子流域的径流变化量，Cxi表示每个因素x对整个流域径流变化的贡献率，t表示预测的时间段，k为经验系数，N为流域划分的子流域个数，f(t)为未来某段时间内的气象数据所构成的函数。
历史数据和预测期内的气象数据可以通过多种指标来量化，历史数据包括Pi、ET0i、ΔRvi、ΔRli、ΔRhi，气象数据包括降水量和气温，这些指标作为模型输入，用于预测未来一段时间内的径流变化趋势。
其中f(t)的具体表达式因预测的气象数据种类和预测的时间段不同而异。当预测的气象数据是未来一周的降雨量时，f(t)可以表示为：
f(t)＝[p(t+1)，p(t+2)，…，p(t+7)]
其中，p(t+i)表示未来第i天的降雨量。
当预测的气象数据是未来一年的气温，则f(t)可以表示为：
f(t)＝[T(t+1)，T(t+2)，…，T(t+365)]
其中，T(t+i)表示未来第i天的气温。
本发明实施例，如图2所示，针对黄土高原中部流域(包括泾河子流域、北洛河子流域，无定河子流域、延河子流域)，根据该方法预测未来24小时流域径流变化量的具体实现步骤，包括预测未来24小时内各因素的值，并计算其对整个流域的径流变化量，以及计算未来24小时内每个子流域的径流变化量和整个流域的径流变化量和各因素变化引起的径流变化量。
流域径流变化量预测按照如下方法进行：
假设未来24小时内黄土高原中部流域的数据如下：
参考期的数据如下：
子流域 植被覆盖率(％) 土地利用类型
泾河 60 草地
北洛河 65 林地
无定河 50 草地
延河 55 草地
接下来按照方法展开未来24小时黄土高原中部流域径流变化量预测：
1，计算出未来24小时内每个子流域i的径流变化量dRif，如图3所示。
对于泾河子流域，
dRif＝50-(50*20)/((501.6+201.6)(1/1.6))+5+3+2＝37.4mm
对于北洛河子流域，
dRif＝40-(40*18)/((401.6+181.6)(1/1.6))+4+2+1＝24.4mm
对于无定河子流域，
dRif＝30-(30*15)/((301.6+151.6)(1/1.6))+3+1+1＝19.5mm
对于延河子流域，
dRif＝20-(20*12)/((201.6+121.6)(1/1.6))+2+1+0＝10.8mm
2，计算出未来24小时内整个流域的径流变化量dRf和各因素x变化引起的径流变化量dRxf。
dRf＝dR泾河+dR北洛河+dR无定河+dR延河＝37.4+24.4+19.5+10.8
＝92.1mm
对于植被变化引起的径流变化量dRxvif，根据泾河子流域的数据，
dRxvif＝εvif*Rf/xif*dxif＝0.5*92.1/60*(-5)＝-0.765mm
对于土地利用变化引起的径流变化量dRxlif，根据泾河子流域的数据，
dRxlif＝εlif*Rf/xif*dxif＝0.3*92.1/1*(-1)＝-27.63mm
对于人类活动变化引起的径流变化量dRxhif，根据泾河子流域的数据，
dRxhif＝εhif*Rf/xif*dxif＝0.2*92.1/2*2＝18.42mm
3，确定每个因素x的弹性系数εx_f。
对于植被变化，假设其弹性系数为0.5；
对于土地利用变化，假设其弹性系数为0.3；
对于人类活动变化，假设其弹性系数为0.2。
4，计算每个因素x对未来24小时内整个流域径流变化的贡献率Cx_f。
对于植被变化引起的径流变化量：
dRxvif，Cxvif＝εvif*Rf/if*dxif/εvif*Rf/if*dxif+εlif*Rf/if*dxif+εhif*Rf/if*dxif)*100
对于土地利用变化引起的径流变化量：
dRxlif，Cxlif＝εlif*Rf/if*dxif/εvif*Rf/if*dxif+εlif*Rf/if*dxif+εhif*Rf/if*dxif)*100
对于人类活动变化引起的径流变化量：
dRxhif，Cxhif＝εhif*Rf/if*dxif/εvif*Rf/if*dxif+εlif*Rf/if*dxif+εhif*Rf/if*dxif)*100
经过与现有方法的对比实验，本发明方法在流域径流预测中表现出更高的准确率。具体来说，针对单一流域径流的预测，本方法相较于现有方法提高了12％以上的预测准确率；而在多子流域径流的预测中，本方法的预测准确率更是提高了35％以上，表现出显著的优越性。同时，本方法还能够更加准确地预测未来一段时间内的径流变化趋势，为流域管理和水资源规划提供了更加可靠的科学依据。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (8)

1.一种流域径流变化量预测方法，其特征在于，包括步骤：
(1)将流域划分为N个子流域，并计算每个子流域i的径流变化量dRi和各因素x变化引起的径流变化量dRix；
(2)对于每个因素x，计算其在整个流域中的加权平均值，得到整个流域的径流变化量dR和各因素x变化引起的径流变化量dRx；
(3)计算每个因素x对整个流域径流变化的贡献率Cx；
(4)根据历史数据和预测期内的气象数据，建立径流预测模型，预测未来一段时间内的径流变化趋势。
预测模型公式为：
Q(t)＝k*∑(dRi+∑(Cxi*dRi))/N*f(t)
其中，Q(t)表示未来某段时间内的径流量预测值，dRi表示每个子流域的径流变化量，Cxi表示每个因素x对整个流域径流变化的贡献率，t表示预测的时间段，k为经验系数，N为流域划分的子流域个数，f(t)为未来某段时间内的气象数据所构成的函数。
2.根据权利要求1所述的流域径流变化量预测方法，其特征在于，步骤(1)中，每个子流域i的径流变化量dRi通过以下公式计算得到：
dRi＝Pi-(Pi*ET0i)/((Pin+ET0in)(1/n))+ΔRvi+ΔRli+ΔRhi
其中，Pi、ET0i分别为子流域i的降水量和潜在蒸散发量，ΔRvi、ΔRli、ΔRhi分别为子流域i的植被变化、土地利用变化和人类活动变化引起的径流变化量。
3.根据权利要求1所述的流域径流变化量预测方法，其特征在于，步骤(1)中，每个因素x变化引起的径流变化量dRix通过以下公式计算得到：
dRix＝εx*Ri/xi*dxi
其中，εx为弹性系数，Ri为子流域i的径流深，xi为因素x在子流域i中的值，dxi为变化期相对于参考期，因素x在子流域i中的变化差值。
4.根据权利要求1所述的流域径流变化量预测方法，其特征在于，步骤(2)中，整个流域的径流变化量dR和各因素x变化引起的径流变化量dRx通过以下公式计算得到：
dR＝∑(dRi*Ai)/∑Ai
dRx＝∑(dRix*Ai)/∑Ai
其中，Ai为子流域i的面积。
5.根据权利要求1所述的流域径流变化量预测方法，其特征在于，步骤(3)中，每个因素x对整个流域径流变化的贡献率Cx通过以下公式计算得到：
Cx＝εx*R/x*dxi/∑(εx*R/x*dxi)*100％
Cx表示每个因素x对整个流域径流变化的贡献率，用于分析和评估每个因素对于径流变化的影响程度。
6.根据权利要求1所述的流域径流变化量预测方法，其特征在于，步骤(4)中，历史数据和预测期内的气象数据通过多种指标来量化，历史数据包括Pi、ET0i、ΔRvi、ΔRli、ΔRhi，气象数据包括降水量和气温，这些指标作为模型输入，用于预测未来一段时间内的径流变化趋势；
f(t)的具体表达式因预测的气象数据种类和预测的时间段不同而异。
7.根据权利要求1所述的流域径流变化量预测方法，其特征在于，步骤(4)中，当预测的气象数据是未来一周的降雨量时，f(t)可以表示为：
f(t)＝[p(t+1),p(t+2),...,p(t+7)]
其中，p(t+i)表示未来第i天的降雨量。
8.根据权利要求1所述的流域径流变化量预测方法，其特征在于，步骤(4)中，当预测的气象数据是未来一年的气温，则f(t)可以表示为：
f(t)＝[T(t+1),T(t+2),...,T(t+365)]
其中，T(t+i)表示未来第i天的气温。
CN202310829005.4A 2023-07-07 2023-07-07 一种流域径流变化量预测方法 Pending CN116882565A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310829005.4A CN116882565A (zh) 2023-07-07 2023-07-07 一种流域径流变化量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310829005.4A CN116882565A (zh) 2023-07-07 2023-07-07 一种流域径流变化量预测方法

Publications (1)

Publication Number Publication Date
CN116882565A true CN116882565A (zh) 2023-10-13

Family

ID=88262790

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310829005.4A Pending CN116882565A (zh) 2023-07-07 2023-07-07 一种流域径流变化量预测方法

Country Status (1)

Country Link
CN (1) CN116882565A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933626A (zh) * 2015-06-03 2015-09-23 中国农业科学院农业资源与农业区划研究所 流域农业面源污染物沟渠削减系数计算方法
CN108053049A (zh) * 2017-11-08 2018-05-18 河海大学 一种基于Budyko理论的水文随机插值径流预测方法
CN108133310A (zh) * 2017-12-11 2018-06-08 中国水利水电科学研究院 一种人类活动和气候变化对河川径流影响的综合评估方法
CN109408848A (zh) * 2018-08-24 2019-03-01 河海大学 一种考虑径流演变时空异质性的分布式归因方法
CN109614655A (zh) * 2018-11-14 2019-04-12 西北农林科技大学 一种河流径流量的研究方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933626A (zh) * 2015-06-03 2015-09-23 中国农业科学院农业资源与农业区划研究所 流域农业面源污染物沟渠削减系数计算方法
CN108053049A (zh) * 2017-11-08 2018-05-18 河海大学 一种基于Budyko理论的水文随机插值径流预测方法
CN108133310A (zh) * 2017-12-11 2018-06-08 中国水利水电科学研究院 一种人类活动和气候变化对河川径流影响的综合评估方法
CN109408848A (zh) * 2018-08-24 2019-03-01 河海大学 一种考虑径流演变时空异质性的分布式归因方法
CN109614655A (zh) * 2018-11-14 2019-04-12 西北农林科技大学 一种河流径流量的研究方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
楚贝等: "基于SWAT的涟水河上游流域非点源污染模拟", 三峡大学学报（自然科学版））, vol. 33, no. 5, 31 October 2011 (2011-10-31) *
魏榕等: "雅砻江流域中上游径流变化归因分析", 长江流域资源与环境, vol. 29, no. 7, 31 July 2020 (2020-07-31) *

Similar Documents

Publication Publication Date Title
CN108564790B (zh) 一种基于交通流时空相似性的城市短时交通流预测方法
CN107992961B (zh) 一种自适应的流域中长期径流预报模型架构方法
Farah et al. Short-term multi-hour ahead country-wide wind power prediction for Germany using gated recurrent unit deep learning
Chen et al. Effects of drought and flood on crop production in China across 1949–2015: spatial heterogeneity analysis with Bayesian hierarchical modeling
CN104715292A (zh) 基于最小二乘支持向量机模型的城市短期用水量预测方法
CN111191193A (zh) 一种基于自回归滑动平均模型的长期土壤温湿度高精度预测方法
CN101877029A (zh) 一种不同机制水文模型组合的水文预报方法
CN111461909A (zh) 一种农田蒸散量短期预测方法
Zhang et al. Improved prediction of chlorophyll-a concentrations in reservoirs by GRU neural network based on particle swarm algorithm optimized variational modal decomposition
CN109117984B (zh) 稻田径流量预测及氮磷流失估测方法
CN110751312A (zh) 一种基于多因子的系统动力学生活需水预测方法和系统
CN117909888B (zh) 智慧人工智能气候预测方法
CN116503206A (zh) 一种入库径流重构方法、计算机设备及介质
Wang et al. Uncertainty analysis of hydrological processes based on ARMA-GARCH model
Wang et al. Daily streamflow prediction and uncertainty using a long short-term memory (LSTM) network coupled with bootstrap
CN116882565A (zh) 一种流域径流变化量预测方法
Zhang et al. Dynamic real-time forecasting technique for reclaimed water volumes in urban river environmental management
Liang et al. Forecasting tourist arrivals using dual decomposition strategy and an improved fuzzy time series method
CN117236552A (zh) 一种基于多层级指标体系的区域需水量预测方法
Deng et al. Forecast and uncertainty analysis of extreme precipitation in China from ensemble of multiple climate models
CN114282735A (zh) 一种基于多源网格数据的人才流动分析方法
CN109190830B (zh) 基于经验分解和组合预测的能源需求预测方法
CELESTE et al. Stochastic generation of inflow scenarios to be used by optimal reservoir operation models
Chen et al. Improved Hybrid Model Based on Support Vector Regression Machine for Monthly Precipitation Forecasting.
Abdel-Karim et al. Modeling wind speed for power system applications

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