一、灰色系统在干旱灾害预报中的应用(论文文献综述)
黄春艳[1](2021)在《黄河流域的干旱驱动及评估预测研究》文中进行了进一步梳理干旱是分布面积广大且造成经济损失比较严重的自然灾害之一。气候变化及人类活动的影响使得干旱越来越突出。我国频发的旱灾严重威胁着我国人民群众的生产生活安全。2019年9月18日习近平总书记在黄河流域生态保护和高质量发展座谈会上指出:“保障黄河长治久安、促进全流域高质量发展、改善人民群众生活、让黄河成为造福人民的幸福河”,并强调黄河流域生态保护和高质量发展是重大国家战略,充分体现了作为中华民族“母亲河”的黄河在生产生活与生态安全中的重要地位。气候变化与人类活动的影响加剧了黄河流域的干旱威胁,制约着黄河流域的社会经济的发展与生态保护,对黄河两岸人民群众的正常生活也造成了严重影响。因而迫切需要开展流域干旱评估,驱动和预测研究,以期为流域内科学防旱、有效抗旱和高效统筹协调黄河流域生态保护和高质量发展提供科学理论指导。本文以黄河流域为研究对象,从气象、水文与农业干旱入手,依据生态学、水文学与统计学的相关理论框架,借助相关统计指标、Mann Kendall检验、连续小波变换、Copula理论框架、经验模态分解与随机优化算法等工具,剖析黄河流域各个分区的气象、水文与农业干旱的多尺度时空演变规律,并借此评估流域干旱情势;探究流域陆地生态系统的干旱胁迫机制,分析不同分区生态系统受旱后的恢复时间;厘清流域不同类型干旱的驱动、形成与发展机制,研究气象干旱与水文干旱的动态响应机理;借助数值预测模型与未来气候模式,预测黄河流域干旱演变态势。主要研究内容和取得的成果如下:(1)揭示了黄河流域气象、水文与农业干旱的时空演变规律,探究了流域陆地生态系统的干旱胁迫机制,明确了不同区域生态系统受旱后的恢复时间。以气象干旱为例,流域整体上处于干旱化趋势,不同分区站点的干湿演变趋势存在明显差异;上游的多数站点趋向湿润化,尤以源区湿润化趋势最为显着;中下游地区多数站点趋向干旱化,渭河流域南部与部分汾河流域干旱化趋势显着;黄河流域干湿演变的整体趋势的空间分布呈现东—西反向分布的特点。流域植被净初级生产力(NPP)的演变趋势具有一定的时空差异性。随着时间的推移,上游NPP值逐渐增加,中游和下游区逐渐减少并趋于稳定;流域陆地生态系统受旱后的恢复时间存在差异性,上游、中游和下游的恢复时间分别为4个月、3.8个月和4.5个月。(2)探究了干旱驱动机制及气象干旱与水文干旱的动态响应关系界定气象干旱和水文干旱的概念,探讨干旱的发生、发展、高峰与衰退全过程,阐明气象干旱和水文干旱的驱动机制;分别采用滑动窗口 Copula熵方法和滞时灰色关联度方法深入探究气象干旱与水文干旱之间的动态非线性响应关系,厘清水文干旱对气象干旱的滞后时间。结果表明,上、中、下游水文干旱对上游气象干旱响应时间分别为2个月、8-9个月和11个月;中、下游水文干旱对中游气象干旱响应时间分别是1个月、9个月,下游水文干旱对下游气象干旱存在1个月的滞后时间。(3)识别并量化了流域气象干旱的主要驱动因子采用敏感性分析方法探究了气象干旱不同驱动因子的敏感性,结果表明降水和气温是影响气象干旱的最敏感因素,其次是平均风速和平均水汽压,而日照百分率的敏感性较低。采用分位数法和皮尔逊三型概率分布方法量化了不同干旱等级下降水与气温的临界阈值,结果表明不同区域的干旱因子阈值存在差异:上游、中游和下游在重度干旱等级下的降水阈值区间分别为[186.22mm,339.53mm],[295.98mm,458.74 mm]和[449.72 mm,657.81 mm],气温阈值区间分别为[5.51℃,7.32℃],[9.37℃,12.82℃]和[9.36℃,15.42℃]。(4)基于EEMD-FOA-SVR干旱预测模型,预测未来气象干旱基于分解-优化-集成数值预测模型,结合集合经验模态分解法进行分解操作,将干旱指数分解为多个模态分量,随后耦合支持向量回归方法预测模态分量,最后引入果蝇智能算法对耦合模型的相关参数进行优化,进而建立基于EEMD-FOA-SVR的分解-优化-集成耦合的干旱预测模型,并应用于黄河流域的各个分区的气象干旱预测中。结果表明:采用EEMD多尺度分解的序列经过果蝇优化后的支持向量回归算法,而后再进行集成预测的结果较其它预测模型拟合度好,误差小,可实现较高精度的干旱预测。(5)基于降尺度的黄河流域未来旱涝演变特征的时空规律分析基于2个全球气候模式(GCMs)下的三种气候变化情景(RCPs)数据、结合数据(NCEP)和实测气象数据(降水、气温等),利用统计降尺度方法(SDSM)将全球大尺度预测因子降尺度到黄河流域,采用SPI干旱指标预测黄河流域上中下游未来时期2020—2050年气象干旱的演变特征,结果表明流域未来干旱整体呈现出“先减少后增加”的态势,且流域中游流域干旱最为严重。
周唱[2](2021)在《基于深度学习的水库洪水预报研究》文中研究说明长久以来,我国的洪水灾害一直是使人类生命财产安全受到严重威胁的最为频繁的自然灾害之一,为缓解此类问题带来的负面影响,我国修建了大量具有防洪功能的水库。水库洪水预报作为一项不可或缺的非工程措施,对防汛决策起着关键性的指导作用,构建适用、可靠的水库洪水预报模型已成为防洪度汛的迫切要求。影响水库洪水形成的因素众多、关系复杂,通常难以完全准确地对流域水文过程状态进行描述,这一难点成为制约传统水库洪水预报模型发展的掣肘。由于传统的水文预报方法已逐渐凸显出不够便捷、不够高效、不够准确等诸多弊端,因此,需要对水库洪水预报进行更加深入的研究与更加创新的实践,助力洪水预报在指导抗洪工作中发挥出更积极的作用。现阶段人工智能发展日新月异,将深度学习的概念引入到水库洪水预报中。基于深度学习的水库洪水预报模型是一种基于数据输入-输出关系的数据驱动模型,将水库前期入库流量及降雨量作为模型的水文驱动因子,水库当前入库流量作为对应的预测因子。在开展基于深度学习的水库洪水预报研究中,首先采用灰色关联分析方法,计算模型各水文驱动因子与预测因子的灰色关联度,据此对水文驱动因子进行初步筛选,并将筛选结果进行合理组合。其次,为避免数据中的噪声使模型发生过拟合的现象,采用Gamma Test方法对不同水文驱动因子组合进行噪声估计,选择噪声最小的驱动因子组合为模型的最终输入。针对Gamma Test中进行各近邻点的寻找和相应近邻值的求解时计算成本较大的问题,采用基于Python语言编写的KD树程序进行辅助计算。再次,利用PyTorch深度学习框架,分别构建基于LSTM的水库洪水预报模型、基于CNN的水库洪水预报模型及基于CNN-LSTM的水库洪水预报模型,并采用试错法对模型中的超参数进行优选。对于不同的模型,采用不同的优化器对网络参数的梯度进行优化,并适当引入正则化、批标准化等方法完善模型。最后,对LSTM模型、CNN模型及CNN-LSTM模型的水库洪水预报能力进行评估,包括模型精度评定与预测流量和实测流量的相关分析,根据以上结果对三种模型进行对比评价。本文以卧虎山水库为背景,经水文驱动因子筛选后,分别建立了基于LSTM、CNN和CNN-LSTM的水库洪水预报模型,利用深度神经网络强大的自适应学习能力和高度的非线性映射能力,提升了水库洪水预报模型的整体性能。结果显示,LSTM模型擅于对洪水过程的整体趋势进行描述,其纳什效率系数与确定性系数均高于CNN模型的计算结果,预测流量与实测流量也呈现出较为显着的强相关性。CNN模型对于洪峰流量的模拟表现更为突出,更能正确处理洪量变化幅度较快时的极端情况。CNN-LSTM模型兼具前面两种模型的优点,但其整体预测精度有待提高。三种模型均存在自身的局限性,同时样本数据较小也对模型效果产生负面影响。但相对于传统模型,基于深度学习的模型则更为高效便捷,且均能在水库入库洪水预报中表现出一定程度的适用性及可靠性,具备较强的应用潜能。
商滢[3](2021)在《黄河源区径流演变规律及预报模型研究》文中提出水资源一直是人类生存的必要条件之一,河川是我国水资源的主要来源之一。本文选取黄河源区2个典型水文站(吉迈站、唐乃亥站)1961~2012年共计52年、624个月的水文资料,在前人研究基础之上对黄河径流的基本数理统计特征和演变规律进行分析,并构建预测模型对黄河源区月径流序列、年径流序列进行预测分析,为相关部门以后开展水文预报工作提供参考依据。本文主要的研究内容和成果如下:(1)通过对黄河源区径流资料进行基本统计特征、年内分配特征、年际变化规律分析分析,研究表明看出黄河源区径流主要集中于汛期,从总体来看黄河径流年内分配不均、年际变化大。(2)进行径流趋势分析时:采用滑动平均法、M-K秩序检验法、Spearman秩次相关检验,结果显示:吉迈多年径流量呈不显着增加趋势,唐乃亥站多年径流时间序列呈较显着降低趋势。结合M-K突变检验法、滑动t检验与有序聚类法进行突变检验分析,确定2006年、1986年分别为吉迈站、唐乃亥站径流突变年份。选用小波分析法进行径流周期分析,结果表明黄河源区吉迈、唐乃亥站均存在多时间尺度特征,小时间尺度变化镶嵌在大时间尺度的周期里,且都具有13年时间尺度的第一主周期。(3)建立人工神经网络的BP模型、遗传算法优化的GA-BP模型进行黄河源区两个水文站进行月径流预测。其中BP模型预测结果误差较大,而改进GA—BP模型在对径流的预测上速度更快、精度更高,经计得算预报精度为分别为79.17%与75.00%,精度达到评定标准乙级(70%-85%),满足要求,可以用于水文预报工作。(4)采用GM(1,1)模型、基于R/S分析法优化的R/S—GM(1,1)模型进行年径流预测。结果显示:对于GM(1,1)模型,唐乃亥预测精度69.48%,吉迈站的模型精度66.49%,均不满足模型精度要求。组合R/S灰色预测的相对误差分别为18.10%和11.68%,预测精度分别为81.90%和88.32%,对比单一的灰色预测其在唐乃亥与吉迈站的预报精度提升了12.42%和21.83%,达到了灰色预测所要求的精度,说明该模型可以用来预测黄河源区年径流的情况。
朱春苗[4](2021)在《松花江流域中长期径流预报研究》文中提出潜在预报因子的选取是将数据驱动的径流预报模型应用于实际工程的关键问题之一。国内外研究学者多聚焦于预报模型的优化与改进、模型参数优化方法的研究和不同预报模型、不同参数优化方式的对比分析,而对于因子优选方案的综合对比分析及其适用性的研究较少。为提取更多有效的预报信息从而提高模型的模拟精度,本文引入74项大气环流指数,与流域代表站点的降水、径流水文序列一同参与径流预报输入因子的优选,以相关分析法(CA)、基于相关分析的主成分分析法(CA-PCA)、互信息法(MI)及基于互信息的主成分分析法(MI-PCA)4种因子优选方案下不同筛选结果作为多元线性回归法(MLR)、支持向量回归模型(SVR)、BP神经网络模型(B P)的输入,对松花江流域佳木斯水文站的月平均流量进行预报,得出适用于松花江流域径流预报的潜在影响因子筛选方案与预报模型。主要结论如下:(1)在松花江流域上,径流与大气环流指标间存在明显的空间特征,其相关性从上游到下游逐渐增加。前滞期为1个月时的大气环流指标、上游三站(扶余站、大赉站及哈尔滨站)月平均径流量和佳木斯站月平均降雨量与佳木斯月平均径流量相关性最大,确定大气环流指标和水文影响因子的最佳预报前滞期均为一个月。(2)在MLR模型下,预报效果MLR-CA-PCA>MLR-CA>MLR-MI-PCA>MLR-MI。CA方案中,预报效果MLR-CA7>MLR-CA4>MLR-CA3,但合格率均未达到丙等水平,整体效果并不理想;CA-PCA方案中,MLR-CA-PCA4拟合效果最优,MLR-CA-PCA3与MLR-CA-PCA7拟合曲线基本重合,三组方案预报结果达到了丙级预报水平;MI与MI-PCA效果较差。在SVR模型下,预报效果SVR-CA-PCA>SVR-CA>SVR-MI-PCA>S VR-MI。CA方案中,SVR-CA7>SVR-CA3>SVR-CA4,其中SVR-CA7的QR为71.67%,达到乙等水平;CA-PCA方案中,SVR-CA-PCA7>SVR-CA-PCA4>SVR-CA-PCA3,其中SVR-CA-PCA7的QR为73.33%,达到乙等水平,相较于其它两种方案明显变好;MI与MI-PCA效果也较差。在BP神经网络模型下,预报效果BP-CA-PCA>BP-CA>BP-MI-PCA和BP-MI。CA方案中,BP-CA3>BP-CA7>BP-CA4;CA-PCA方案中,BP-CA-PCA7>BP-CA-PCA4>BP-CA-PCA3,其中BP-CA-PCA7的RMSE为827.58m3/s,R2为0.81,Q R为78.33%。MI与MI-PCA效果同样较差。(3)CA优选因子方案,在SVR模型的拟合下取得了最好的预报效果,其次为BP神经网络模型,最后为MLR模型。CA-PCA优选因子方案,在BP神经网络模型的拟合下取得了最好的预报效果,其次为SVR模型,最后为MLR模型。CA与CA-PCA最佳拟合方案均为输入因子为7项时的因子组合。MI与MI-PCA两种因子优选方案选出的因子组合在三种径流预报模型的拟合下,拟合效果均不理想。(4)得到最优预报结果的模型为BP神经网络模型,输入因子组合为CA-PCA7。其次为输入因子组合为CA-PCA7的SVR模型。
李福兴[5](2021)在《玛纳斯河径流演变特性及其中长期径流预报模型研究》文中认为受气候变化与人类活动影响,径流序列愈发呈现出非稳态与非线性特征,在径流预测中通常假定径流时间序列是平稳的,但是近年来受气候变化和人类活动影响,径流序列大多表现出复杂的非一致性,为降低由此而引起的预报误差,如何有效的对径流序列进行预测,构建更高精度的预报模型,是水文领域的研究重点。本文以玛纳斯河出山口1956~2014年径流时间序列与气象要素为研究对象,利用数理统计等方法对玛纳斯河出山口径流时空变化规律和气温、降水进行全面的分析,并以此为基础构建基于经验模态分解的组合预报模型对径流时间序列进行模拟分析,探究构建的模型在玛纳斯河的适用性,以捕捉径流潜在规律。根据本研究的主要成果,可以了解玛纳斯河出山口气温、降水及径流的历史变化趋势,并以此为据对研究区进行科学管理和更深一步的研究,主要内容和取得的成果如下:(1)玛纳斯河径流演变特征通过对玛纳斯河59年径流时间序列进行分析,可知径流的年内分配极为不均匀,具有明显的丰枯分界,丰水期主要集中在5~9月,丰水期5个月的径流量占全年的84%,径流量最大月份出现在7月,玛纳斯河易出现枯水年且历时较长,最长丰水历时可达到8年;而丰水时段历时比较短,其容易发生枯水的事件。运用滑动t检验对径流时间序列进行突变性检验,证明1995年径流发生剧变。利用Mana-Kendall检验分析,表明径流有显着增长的趋势。玛纳斯河年径流序列表现出2-6年、10-30年以及30-60年的震荡周期,1956~2014年的59年间,确定了丰水年的中心分别为1966年、1996年,确定了偏少水年的中心分别为1952年、1980年、2010年。依此可以确定45年为控制玛纳斯河周期变化的首要周期,次要主周期为16年。(2)基于经验模态分解的向量自回归组合(EMD-ARIMA)预报模型通过对1956~2014年月径流数据进行经验模态分解,表明径流时间序列在不用频率下有不同的变化特征,得到玛纳斯河径流呈上升趋势的趋势项。经验模态分解可将径流按照不同时间尺度进行降解,得到相对稳定的分量与表示径流变化趋势的残余项,将玛纳斯河出山口径流时间序列分解为4个IMF分量与一个趋势项经过验证均是稳态序列。将径流时间序列带入单一模型与组合模型进行径流预测,月径流量直接运用ARIMA模型的径流模拟精度R值为0.91,合格率为47%。EMD-ARIMA的R值为0.96,合格率为72%,EMD-ARIMA组合模拟精度高于单一的ARIMA径流模拟精度,说明EMD-ARIMA模型相对于ARIMA模型在径流预测过程中更具有优势。(3)基于气候因子的神经网络(GRNN)预报模型运用多元线性回归法、Spearman相关系数法、平均影响值法筛选大气环流因子作为神经网络模型的输入项。经过筛选预报因子后的GRNN模型的预测结果在过程拟合中具有较好的性能,可得相比输入因子只有降水、气温,增加大气环流因子对单一的GRNN模型径流预测精度均有提高,三种筛选方法可以分别提高合格率5%、10%、7%。(4)基于预报因子筛选的GRNN模型与EMD-ARIMA组合预报模型为进一步提高模型精度,对于在ARIMA模型中表现不佳的IMF1、IMF2、IMF3高频分量,现将经过优选的大气环流因子作为GRNN模型的输入因子,径流作为输出因子进行预测,IMF4和趋势项R的预测值沿用ARIMA模型的结果,二者进行组合。经过筛选大气环流指数后的GRNN模型与EMD-ARIMA模型进行组合预测,各项指标均有所优化,主要表现在合格率的提高,提升幅度在30%以上,误差降低明显,RMSE和MARE平均降幅达39%。(5)模型评价及预报结果分析通过9种径流预测模型结果对比分析发现:EMD分解可提高ARIMA模型25%的合格率,但对于高频率分量IMF1、IMF2、IMF3,ARIMA模型的相对误差达到70%以上,预测结果较差;经过筛选预报因子可有效提高GRNN模型精度,其中MIV法筛选的预报因子最适合玛纳斯河,得到大气环流对玛纳斯河径流演变的最后响应关系,与EMD-ARIMA组合后的GRNN模型的合格率最高,TOPSIS模型得分也最高。
雷冠军[6](2020)在《基于数据融合的丰满水库长期径流预报研究》文中研究说明我国的水资源时空分布不均,气候变化和人类活动的影响导致旱涝灾害频发,成为制约经济发展的主要因素。河川径流在水循环系统中起着主导作用,而且极端径流会形成巨灾,径流预报对于防汛抗旱、水资源规划与管理等具有重要意义和价值。河川径流影响因子众多、变化特性复杂,基于成因分析法挖掘因子影响径流形成的规律是径流预报的关键。中长期径流预报预见期长、预报精度低,径流的形成机制尚不清晰,单一尺度因子的分析、单一统计预报方法的改进已不能进一步提高径流预报的精度,而且水文工作者不敢于报极值,中长期径流预报结果只能作为实际工作的参考。开展中长期径流预报理论和技术研究,融合多尺度因子和多方法的预报结果,进一步提高预报的精度和水平,能够为水库调度、水资源开发利用等工作提供支撑。本文以丰满水库流域的年径流为研究对象,选用天文、全球、流域尺度因子,分析挖掘因子与流域来水的相似性、遥相关性、可公度性、结构特性等规律,研究和改进智能学习法、模糊推理法、天文因子对比法、点聚图法、可公度法和可公度网络结构法等技术方法,建立了包含因子融合、结果融合、结构融合的多尺度因子信息融合的中长期径流预报模型。研究成果能够有效提高丰满水库流域径流和极端径流预报的精度,为丰满水库调度提供技术支持。具体研究成果如下:(1)运用统计分析法,挖掘三大尺度因子与流域来水丰枯特性的响应规律。结果表明,丰满水库流域来水的丰枯状态与ENSO事件的冷暖特性、ENSO事件的发生时间距离汛期的远近、基于农谚所选择的气象因子等具有较好的统计规律,且均能通过假设检验。基于线性相关系数法、互信息理论法、关联度分析法研究天文因子、气象因子、天文因子+海洋大气因子+气象因子与流域来水的相关性,结果表明,气象因子的相关性最强,海洋大气因子的相关性最弱,月球赤纬角与流域来水的关联度最大。(2)基于相关性分析所得的因子组合方案,运用神经网络、支持向量机、决策树、随机森林等智能学习方法,融合因子预报径流。结果表明,水量回归预报较差,3级分类预报较优;预报方法不同,方法所对应的最优因子及其组合不同,训练和预报性能均较优且稳健性强的方法为ELM、RBF神经网络。对多方法的最优分类预报结果进行融合,使得定性预报正确率达到89.5%。(3)运用相位对比法融合天文因子、海洋大气因子及其组合预报径流。结果表明,该方法的定量预报正确率为63.16%,24节气阴历日期+太阳黑子相对数的定性预报最优,正确率为63.16%。相位对比法对于极端来水年的丰枯属性识别能力较强,却难以有效预报出平水年,运用定量预报结果反推来水级别的正确率较低。相位对比法存在无法判别的年份,运用模糊推理法基于相关性分析所得的因子组合进一步分析计算因子的相似性,融合因子预报径流。引入TOPSIS模糊综合评判法、相似衍生法相似度、“因子进出法”等,对模糊推理法进行改进。结果表明,相似衍生法模糊推理法的稳健性优于Turksen模糊推理法,二者对径流的定量预报较差、定性预报较优,对其各自最优的定性预报结果进行融合,正确率达到73.68%。(4)采用“主次因子对比法”对单一天文因子对比法、分布式融合结构天文因子对比法进行改进,融合结果预报径流。研究得到能够提高预报精度的混合式融合结构天文因子对比法,定性预报正确率为63.16%。基于分析所得的海洋大气因子、气象因子与流域来水的遥相关规律修正预报结果,进一步改进天文因子对比法,使得预报正确率提高到 73.68%。(5)绘制三大尺度因子与流域来水的点聚图,融合结果预报径流。结果表明,24节气阴历日期和月球赤纬角点聚图具有较好的稳健性,太阳黑子相对数离散性较强难以准确划分其聚类区间,三大尺度因子点聚图的定性预报正确率分别为63.16%、57.89%、21.05%。将海洋大气因子、气象因子与来水丰枯的遥相关规律作为该类因子的点聚图进而得到径流预报结果,并与天文因子点聚图的预报结果进行融合,使得预报正确率提高到 73.68%。(6)将径流分为一般、极端、极值点结构,融合结构预报极端径流。结果表明,以因子融合、结果融合的预报结果作为一般来水结构能够融合多因子、多方法的信息,预报正确率为84.21%;点面结合法的改进与上下包线结构、智能学习分类以及传统点面结合法相比对于极端来水结构的预报精度较高,预报正确率为60%;通过细致划分丰枯水链、引入月球赤纬角对可公度网络结构法进行改进,能够增强方法的可操作性,降低基于极值点结构预报极端来水年高发期的不确定性;综合径流三大结构的预报结果,结合连续极端来水年的判定,预报极端来水的高发年,其中特丰水年、特枯水年的预报正确率分别为66.7%、80%。
周浩[7](2018)在《挠力河流域耕地利用下水土资源平衡效应研究》文中进行了进一步梳理挠力河流域位于我国重要的商品粮生产基地-三江平原的腹地,具有重要的粮食生产地位和湿地生态保育功能。近年来,该流域水田面积持续扩张,水田化系数已由2000年的16.89%增至2015年的37.28%,变化极其剧烈。水田的扩张导致了下垫面条件发生改变并促使产汇流机制发生变化,使得该流域的植被截留、陆面蒸发、土壤入渗等水循环环节发生了明显变化。挠力河流域水土资源已非惯称的“水土资源丰富与匹配”的态势,且土地与水存在明显的错位情形。开展该流域耕地利用下水土资源平衡问题研究,具有较强的现实意义和范式推广意义。本文遵循“理论机制-过程模拟-策略应对”的研究思路,围绕耕地利用下水土资源平衡综合应对的重大实践需求。由于耕地信息提取的准确与否及其精度直接关系到流域水循环过程、农田需水情势研究的准确性和精度,基于灰色理论提出耕地信息统计理论假设,提取出挠力河流域有效耕地空间分布信息,研究基础性的耕地利用格局问题;其次考虑到挠力河流域水文变量及参数数据资料较为匮乏的特点和遥感及GIS信息技术在获取偏僻区域的信息以及直接和间接的常规手段难以测量得到的水文数据上独特的优势,通过改进分布式时变增益水文模型(Distributed time variant gain model,DTVGM),构建基于遥感驱动式的分布式水文模型(Remote sensing distributed time variant gain model,RSDTVGM),从逐日尺度上模拟研究区的水文循环过程;将水土资源平衡细分为3个层次,通过逐级增加限制因素来探讨气候、作物和土壤3个层次的水土资源平衡态势及其耕地利用下的水土资源平衡效应,其中气候水分平衡反映区域水分盈亏一般状况,作物水分平衡反映作物的理论水分收支关系,而土壤水分平衡表征农田实际水分收支关系,更具有农田灌溉指导意义;最后围绕水土资源平衡的综合应对,通过加入人工状态来研究该流域水土资源平衡、农田精准灌溉管理等方面实现挠力河流域水资源平衡综合应对。主要结论如下:(1)本文提出了耕地信息统计理论假设,即:在排除面积较大的特殊地块(如大片林地、建设项目用地)前提下,在一定非耕地斑块面积区间范围内,对一定面积区间间隔的非耕地斑块进行面积统计和若干次累加处理,数据将表现出显着的指数回归特征。通过对非耕地信息变化规律的“灰色”规律挖掘,预测出不同区间范围下的灰色预测精度。进而提取挠力河流域2000、2005、2010和2015年有效耕地的空间分布信息。同时对有效耕地格局的研究结果表明,近15年间挠力河流域水田化过程极其强烈,水田化系数由2000年的10.23%增至2015年的23.39%,逐渐进入水田化的中期阶段,而旱地面积则持续下降;4个研究时点耕地在空间分布上,流域旱地分布的标准差椭圆的主轴均沿东北偏北-西南偏南方向分布,在空间上具有极强的随机性和离散型,旱地主要分布区域的水田化现象较为剧烈。水田空间分布整体顺时针收缩,分布趋于集中化,且其分布重心缓慢向西南方向移动,水田整体偏移特征恰好与三江平原水田“北移东扩”的整体特征相反,未来需根据挠力河流域的地区特点的差异性制定差别化的耕地管理策略。(2)挠力河流域的降雨特征差异较三江平原地区更为突出,流域夏季的降雨量逐渐下降,其周边的建三江垦区地区的降雨量缓慢波动上升,挠力河流域的水分供应条件逐渐变差,而这种变化特点也同样体现在地表潜在蒸散量和地表的植被要素条件上,该流域的水资源供应情势逐渐变差。同时人工下垫面要素条件的改变,将会改变挠力河流域的地表覆被信息、沟渠信息等,对水循环规律造成了强烈的人工影响。(3)水土资源平衡研究实质是水资源和土地资源的时空匹配问题。由于水资源与土地资源的互动耦合关系,需将水土资源平衡纳入复杂系统来开展研究。本文构建的遥感驱动式水文模型RSDTVGM,能够对挠力河流域地表径流、壤中流、潜在蒸散量和实际蒸散量进行逐日尺度的反演。同时数据检验结果显示该模型在挠力河流域具有较好的适用性。模拟结果显示,挠力河流域境内径流分布差异较大,南部和东南部地区径流量偏低,挠力河干流沿岸和内外七星河地区地表径流量偏高。(4)对于气候水分平衡,挠力河流域常年处于“负”的气候水分盈亏态势,西部以及东北部的饶河县盈亏绝对值显着大于中部和南部地区,且整体呈现由西向南递减的趋势。同时夏季的盈亏高值区恰为冬季低值区。随着耕地内部结构的剧烈变化,旱地和水田的气候水分盈亏绝对值逐年下降,旱地和水田的平均水分亏缺量均表现出逐渐下降的情形,在水田急剧扩张、旱地面积持续下降的区域土地利用变化背景下挠力河流域的气候水分盈亏条件表现趋好特征:2000年,挠力河流域水田的气候水分亏缺量达到649.63 mm,至2015年,流域水田的平均水分亏缺量降低了 75.60 mm,变为574.03 mm,下降幅度达到11.64%。旱地的气候水分亏缺量则由2000年的659.57 mm降至2015年的573.71 mm。近年来,挠力河流域整体表现出“暖湿化”的气候变化特征,在自然气候要素变化条件下,挠力河流域初始层次的水分亏缺态势向良性发展。(5)作物水分平衡方面,中稻、春小麦和春玉米水分盈亏特征差异较大,其中中稻大部分处于轻度水分亏缺的状态,春小麦的盈亏状态最好,15年间大部分面积处于正常水分亏缺状态;而对于春玉米而言,由于其对水分需求大,同时旱作物中的春玉米是最主要的作物类型,2000年轻度缺水区占到总面积的94.43%,其余年份的轻度干旱面积占比依次为17.65%、31.24%和24.08%。挠力河流域水田以水稻种植为主,中稻的水分盈亏评价结果对应着水田水分盈亏状态,水田的急速扩张,使得其对应的水分盈亏评价结果发生强烈变化。轻度干旱区面积急剧增加,由2005年的2826 km2增至2015年的5473 km2。由于水田的持续性扩张和旱地的收缩作用,挠力河流域无旱区面积波动幅度较大。对于旱地而言,2000年流域旱地中的春小麦和春玉米的相对面积比例依次为20.77%和79.23%,其对应着约有2746.69 km2的旱地处于无旱的状态,9023.19 km2处于轻度干旱,2015年旱地的无旱区面积达到6985.21 km2,轻度干旱区面积为2247.96 km2。(6)土壤水分平衡方面,对于3大作物而言,2000年的水分亏缺态势较2005、2010和2015年更为严峻,对于中稻而言,缺水是该流域土壤水分平衡的最主要特征,同时不同年际间表现出较为明显的差异特征,而对于春玉米而言,水分亏缺也是挠力河流域春玉米的多年期农田土壤水分平衡的特征,但部分地区的春玉米处于水分盈余的状态。春玉米表现出土壤水分亏缺的特点,其亏水量逐年减少。对于耕地的土壤水分平衡而言,2000年平衡态势极其严峻,以重度和严重缺水为主,2005、2010和2015年则以轻度和中度缺水为主。研究期初,挠力河流域农田土壤水分平衡平均水平处于-1194.63~277.44 mm范围内,其中缺水的高值区多位于挠力河干流沿岸地区和内外七星河腹地,该地区为挠力河流域水田化扩张的核心区域。而至2015年,耕地高水分亏缺地区的面积也迅速增加,高水分亏缺地区更为集中,且分布范围更广。(7)对于流域的水土资源平衡,富锦市、友谊县和集贤县处于灌溉缺水的状态,其中富锦市缺水量达到2.71 X 108 m3,对应的水田平衡量为556.76 km2,是挠力河流域灌溉情势最为严峻的县域,宝清县的相对缺水情势良好,水田平衡量为584.68 km2,对于旱地而言,各县域的灌溉保障程度与水田基本一致,即宝清县、饶河县、七台河市和双鸭山市辖区处于开发盈余状态,富锦市、友谊县和集贤县的现有供水条件不能满足其耕地的用水需求。(8)为保障挠力河流域的水土资源综合利用,应从科学调整作物结构布局、实施农田精准灌溉管理、实施区域间的调水工程和合理开采地下水4个方面来开展,其中农田精准灌溉管理可采用智能体模型(Agent)原理构建的空间优化配置模型(AgentLA)实现灌溉图层完整和灌溉需求程度高的双层目标下管理分区。针对挠力河流域水资源与土地资源的综合开发利用,当地政府应在水土资源平衡评价的基础上,科学调整耕地作物结构布局(富锦市、友谊县和集贤县),同时实施区域间的调水工程,以保证跨区域的水资源分配,并且采取合理的精准灌溉管理措施,在保证作物水分供应充足的条件下减少农业用水的损耗,同时根据地下水分布情况,合理开采地下水资源。本研究对开展挠力河流域乃至三江平原地区的现代农业试验区农业结构调整、农田精准灌溉管理和建设高标准农田均具有重要价值,丰富和完善了水土资源平衡研究,同时具有较强的理论意义和实践价值。
杨霏云,朱玉祥,李文科,罗蒋梅,郑秋红[8](2016)在《统计方法在中国农业气象中的应用进展》文中研究说明统计学是目前农业气象工作中最有效并广泛应用的研究工具,农业气象统计比一般生物统计和气象统计有着更广泛的内容和应用更复杂的特点。统计方法被广泛应用于农业气象试验数据处理与监测评估和农业气象预报中,其中有统计假设检验、分布函数、相关和回归分析、聚类分析、小波分析、经验正交函数分解、灰色关联分析、时间序列分析、人工神经网络等,每种统计方法都有自身的优点和不足。统计方法在农业气象中的运用,取得了许多成果,但也存在不足。今后,应结合农作物生长发育的机理,深入理解各种统计方法的数学原理,加强统计方法应用的规范性,以减少应用统计方法解决农业气象研究问题中常出现的简单照搬、应用盲目的现象;应强化假设检验在农业气象试验数据分析方面的应用、概率密度和分布函数的适用性等方面的研究,加强相关和回归分析方法应用的数据独立性检验,注意灰色关联分析法、人工神经网络法和回归分析法等不同预测方法应用结果的比较,为统计方法在农业气象中的规范化应用提供参考。
康永辉[9](2014)在《广西大石山区干旱风险管理研究》文中指出随着全球经济的不断发展以及全球气候变化,造成气候变暖、资源短缺、环境恶化。干旱、地震、海啸、酸雨、雾霾、洪水、泥石流、地面沉降等各类自然灾害给人类生活和生存环境提出了严峻挑战。人口、资源、环境之间的矛盾日益凸显,日趋复杂,不确定性因素日益增多,人类已步入全球风险时代,风险无处不在,无时不有。干旱灾害是全世界范围内普遍存在的自然灾害之一,其危害是最为严重的自然灾害之一,近年来干旱发生愈发频繁,旱灾损失日趋严重,给人类社会生活和经济发展带来了极大的危害。干旱不仅会给贫穷落后的国家带来沉重灾难,也会给发达国家和发展中国家带来巨大损失。连年旱灾常会引起贫穷国家或地区的灾难性饥荒,导致地区动乱、疾病频发,带给人类巨大的灾难。由于干旱具有缓发性、渐变性、范围广、危害大等与其它自然灾害不同的特点,难以全面地摸清干旱本质。过去面对干旱,只能被动地采取应急措施,缺乏对干旱成因地充分认识、不易厘清干旱特征和发展规律,应对措施单一片面,采取地是危机管理方式,其结果是造成粮食减产、人畜饮水困难、厂矿被迫间歇性生产或停产、生态环境恶化和经济发展放缓等。传统的干旱危机管理方式不能有效地防止或减少干旱危害,为了有效地防旱抗旱,对于干旱管理应变“危机管理”为“风险管理”,而风险管理正日益成为全世界热衷的研究课题,风险单一管理正逐步发展成为风险综合管理,有学者指出“风险管理”是国家强盛的基石之一。在我国,也是干旱频发,干旱缺水的矛盾日益突出,严重制约了经济的发展。我国在干旱管理方面长期以来处于被动防抗局面,主要采取应急抗旱措施,缺乏全面的抗旱规划方案,不能有针对性的制定操作性好、措施有力的抗旱预案,管理方法落后、科技手段低下,完全是“危机管理”方式。与之相反的干旱“风险管理”则是对干旱采取科学管理的模式,包括灾前、灾期和灾后三个方面的管理。主要是在灾害发生前采取预防预警措施,使可能出现的干旱灾害消亡在其初始或成长阶段,减少干旱灾害出现的机会。而对于难以避开的旱灾,能提前采取控制措施,以便有足够的准备来应对和处理灾害,进而减轻旱灾损失。在灾后,除了救援救济、恢复重建外,还要对旱灾的原因、抗旱结果等进行分析总结,采取旱后评价以便为日后的防旱抗旱制定更加全面、措施有力的对策和计划。干旱风险管理,是主动防旱抗旱,面对干旱风险积极应对,从而起到降低或减轻旱灾的损失或破坏作用。近年来,我国干旱愈发频繁,旱灾损失愈演愈巨,2009-2010年西南地区严重干旱引起大面积农田绝收、河流干涸、人畜因旱饮水严重困难和严重的经济损失,再一次给我国干旱方面的管理敲响了警钟。在此背景下,本文以广西大石山区为研究对象并以广西田东县作为典型,在综合国内外相关研究成果的基础上,开展该区域的干旱风险管理,以提高该区域的防旱抗旱能力。本文紧扣干旱风险管理的内容,具体开展了以下几个方面的工作。(1)从广西大石山区的基本特征入手,分析了其干旱成因及干旱特征,并从自然、社会、经济等方面综合考虑选取影响因素作为评价指标对承灾体的干旱脆弱性程度采用基于熵权的模糊综合评判法进行综合评价,分析的评价结果表明广西大石山区30个县(市、区)的绝大部分的干旱脆弱性程度为严重,其评价结果对如何降低地区的脆弱性程度起到了指导性作用,并为减少防旱抗旱决策的盲目性和风险性起到了重要作用。(2)干旱识别是干旱风险管理的基础,干旱的影响因素一般有降水、气温、蒸发、旱风、土壤、地形、地貌、水文地质、农作物结构、供水条件等及区域特征,本研究在参照已有干旱识别指标体系的基础上,首次采用熵权法基于年内月、季间供需水量平衡评价指标和用均值化方法处理得到的供需水相对指数评价指标对旱地农业干旱的易旱区及干旱月、季度变化趋势和干旱程度进行了识别和分析评价,并与常规传统方法分析评价的结果进行了对比。结果表明,熵权法不仅能对干旱程度进行识别,而且还能识别干旱的变化趋势。(3)基于研究区域内的旱情历史资料缺乏,干旱信息不完备的情况下,采用模糊信息分配法及超越极限概率方法以田东县农业干旱为例进行了风险评估研究。同时采用信息扩散方法对广西大石山区的农业干旱及人饮因旱饮水困难进行了风险评估和区划风险图研究。并采用传统的频率计算和等级划分方法对广西大石山区干旱特征进行了分析及干旱风险图区划绘制。(4)为能较为准确进行干旱预报,制定有效的抗旱决策提供科学依据,本文在自回归综合移动平均ARIMA模型、Elman神经网络模型、小波网络分析模型、灰色系统理论模型对年降雨量的预测基础上,通过多种组合,建立了基于熵权的优选组合预测模型,该模型的预测精度得到了提高,拟合程度得到大大改善,为干旱预测提供了新的方法和理论支持。(5)对广西09-10年的特大干旱成因进行分析,并开展水柜防旱抗旱预警研究。针对09-10年特大干旱的影响,确定家庭水柜的容积大小,再根据水柜水位与可供水天数关系确定连续无雨日天数与可剩供水天数的预警响应级别。(6)开展广西抗旱社会经济效益分析,结果表明抗旱效益和投入资金之比(益本比)多年平均值为24.3,而对于严重旱灾益本比为12.4,对于中等程度旱灾甚至可以达到70以上,抗旱效益显着。本文以广西大石山区为研究对象及其中的田东县为典型,从干旱风险管理模式出发,剖析了该区域在抗旱减灾中存在的问题,并针对其区域干旱特征,围绕目前国内外研究热点和难点问题,对广西大石山区的干旱成因及大石山区的脆弱性进行了分析和评价,对该区域的干旱风险进行了识别与评价、评估与区划,以及干旱预报展开研究,并对广西抗旱效益进行了分析,抗旱减灾对策研究等,以期能对该区域今后的干旱防灾减灾工作提供科学依据和理论支持。
张和喜[10](2013)在《贵州区域干旱演变特征及预测模型研究》文中指出近年来,随着全球性气候变化,旱灾发生趋于频繁,每年旱灾都造成了巨大的经济损失,严重的威胁着人类各种社会经济活动的正常进行。我国是一个水资源短缺的国家,干旱成为威胁我国经济发展与农业生产的主要制约因素,迫切需要对干旱特性、发生规律等进行深入研究。贵州省地处云贵高原东侧第二阶梯大斜坡上,境内地势西高东低,自中部向北、东、南三面倾斜。近年来,贵州省旱情发生频繁,程度不断加重,影响区域不断扩大,水资源供需矛盾更加突出,干旱已成为影响贵州省经济社会发展的重要因素。因此,对贵州喀斯特地区干旱发生的特征、规律进行分析和科学的预测,对防灾减灾具有十分重要的意义。本文运用贵州卡斯特地区多年气象资料,对该地区的旱灾发生及演变规律及降水预测方法进行了研究,主要成果如下:(1)贵州喀斯特地区干旱特征分析。以贵州喀斯特地区乌江水系、沅江水系、北盘江水系、红水河水系、赤水河綦江水系、柳江水系的1961年到2011年51年的降水量及温度等实际观测数据为基础,利用Palmer干旱指标、降水距平百分率法和Z指标,引入马利科夫判据的附加误差控制法,分析了贵州喀斯特地区逐年的年度旱情特征以及季度旱情特征,结果表明:Palmer指标对研究区域干旱强度的描述更准确,该方法综合考虑了降水量、温度、地表蒸腾、径流量等多方面因素,较适合贵州喀斯特地区岩溶发育,地表水汇水快,土壤蓄水能力差的干旱特征分析。(2)以蒙特卡洛算法及其分布函数为基础,运用P-Ⅲ型分布函数对降雨量进行模拟,将蒙特卡洛和NNBR模型相结合,提出了基于NNBR与蒙特卡洛算法相结合的降雨量预报模型。并利用回溯算法对预测降雨量序列进行回溯检测。结果表明,利用基于NNBR与蒙特卡洛算法相结合模型预测降水量更精确。(3)利用乌江流域1961-2010年共50年的降雨资料对马尔可夫、加权马尔科夫和趋势加权马尔科夫三种模型预测模型进行了验证和对比,结果表明,趋势加权马尔科夫预测效果较好,为提高降雨量预测精度提供了新途径。(4)运用BP神经网络、径向基函数(RBF)神经网络、Elman神经网络分别建立了研究区旱情预测模型,并进行三种预测模型的对比分析,结果表明,径向基函数(RBF)神经网络的预测效果较优。(5)以灰色预测模型为核心,建立小波分解—不同频率成分不同模型的预测架构,并引入波形预测,建立了降水量灰色预测优化方案。实际应用结果表明,本方法很好解决了频率震动大的问题,预测精度高,实现了方法创新。(6)根据1961-2010年贵州省19个气象台站的实测气温、降水、日照时间等数据为数据源,采用干旱综合指数法(CI),分析计算了贵州省近50年来干旱发生的频率、覆盖范围、干旱过程的持续日数、干旱强度;并应用ArcGIS9.3地理信息系统软件对不同发生强度、不同覆盖区域的干旱多年平均日数进行了空间分析,直观和形象的体现了研究区域不同等级旱情的空间分布、发展演变过程、覆盖范围及干旱强度等,为减灾防灾提供了科学依据。综上,本文的主要创新点如下:(1)首次尝试将基于最近邻抽样回归模型(NNBR)模型与蒙特卡洛滤波相结合,分析旱情的变化趋势、周期特性和突变特性。(2)将趋势加权马尔科夫模型运用到降雨量的预测之中,为降水量准确预测引入了新方法。(3)将灰色模型与小波相结合,将降水量数据进行小波分解,分别对不同频率成分分量进行预测,其中低频分量采用灰色模型进行预测;高频分量采用波形预测的方法进行预测,提出了基于小波分解的灰色预测模型。
二、灰色系统在干旱灾害预报中的应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、灰色系统在干旱灾害预报中的应用(论文提纲范文)
(1)黄河流域的干旱驱动及评估预测研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景和意义 |
1.1.1 研究背景 |
1.1.2 研究目的及意义 |
1.2 国内外研究进展 |
1.2.1 干旱指标及评估分析 |
1.2.2 干旱驱动机制研究 |
1.2.3 干旱预测 |
1.3 研究内容与技术路线 |
1.3.1 研究内容 |
1.3.2 技术路线 |
2 研究区域概况及基本方法 |
2.1 自然地理概况 |
2.1.1 地理概况 |
2.1.2 地形地貌 |
2.1.3 气候特征 |
2.1.4 河流水系 |
2.1.5 社会经济概况 |
2.2 资料来源与数据处理 |
2.3 基本方法 |
2.3.1 小波分析法 |
2.3.2 Mann-Kendall检验分析法 |
2.3.3 克里金差值法(Kriging插值法) |
2.4 小结 |
3 黄河流域干旱特征分析 |
3.1 干旱定义及指标 |
3.1.1 气象干旱定义及指标 |
3.1.2 水文干旱定义及指标 |
3.1.3 农业干旱定义及指标 |
3.2 黄河流域气象干旱时空演变规律 |
3.2.1 气象干旱事件多尺度时程变化规律 |
3.2.2 气象干旱事件多尺度空间分布特征 |
3.2.3 多尺度下气象干旱频率特征分析 |
3.3 黄河流域水文干旱时空演变规律 |
3.3.1 水文干旱事件多尺度时程变化规律 |
3.3.2 水文干旱事件多尺度空间统计特征 |
3.3.3 多尺度下水文干旱周期性变化特征 |
3.4 黄河流域农业干旱时空演变规律 |
3.4.1 农业干旱事件的时程变化特征 |
3.4.2 农业干旱事件与气象要素的空间相关性 |
3.5 农业干旱影响下的流域陆地生态系统恢复时间 |
3.5.1 植被净初级生产力(NPP)的模拟及分析 |
3.5.2 黄河流域上中下游NPP的时空变化规律分析 |
3.5.3 生态系统干旱恢复时间(RT)确定 |
3.5.4 黄河流域上中下游植被干旱恢复时间RT的空间变异特征 |
3.6 小结 |
4 干旱驱动机制及动态响应分析 |
4.1 气象干旱驱动机制分析 |
4.1.1 气象干旱的形成发展过程 |
4.1.2 驱动因素 |
4.1.3 驱动机制 |
4.2 水文干旱驱动机制分析 |
4.2.1 水文干旱的形成和发展过程 |
4.2.2 驱动因素 |
4.2.3 驱动机制 |
4.3 气象干旱和水文干旱的相关性分析 |
4.3.1 研究方法 |
4.3.2 气象干旱和水文干旱的相关性分析 |
4.4 气象干旱和水文干旱的动态响应分析 |
4.4.1 基于滑动窗口Copula熵的干旱动态响应 |
4.4.2 基于滞时灰色关联度的干旱动态响应 |
4.5 小结 |
5 干旱驱动因子分析 |
5.1 驱动因子特征分析 |
5.1.1 驱动因子时间变化规律 |
5.1.2 驱动因子空间变化特征 |
5.2 驱动因子敏感性分析 |
5.2.1 敏感性分析方法 |
5.2.2 黄河流域干旱因子的敏感性分析 |
5.3 驱动因子阈值分析 |
5.3.1 理论基础 |
5.3.2 驱动因子阈值选取方法 |
5.3.3 黄河流域干旱驱动因子阈值分析 |
5.3.4 黄河流域干旱驱动因子阈值检验 |
5.3.5 阈值归因分析 |
5.4 小结 |
6 基于EEMD-FOA-SVR的黄河流域干旱预测 |
6.1 研究方法 |
6.1.1 集合经验模态分解 |
6.1.2 果蝇优化算法 |
6.1.3 支持向量回归 |
6.1.4 FOA-SVR模型 |
6.2 基于EEMD-FOA-SVR预测模型 |
6.2.1 基于EEMD-FOA-SVR预测模型流程图 |
6.2.2 模型评价准则 |
6.3 基于EEMD-FOA-SVR模型的干旱预测 |
6.3.1 模型构建 |
6.3.2 模型验证 |
6.3.3 模型预测 |
6.4 小结 |
7 黄河流域未来干旱演变特征的时空变异规律分析 |
7.1 GCM数据来源及主要方法 |
7.1.1 GCM模式 |
7.1.2 SDSM统计降尺度方法 |
7.2 SDSM模型降尺度适应性评估 |
7.3 未来降水和气温的时空演变特征 |
7.3.1 未来降水和气温的时程变化规律 |
7.3.2 未来降水和气温的空间分布规律 |
7.4 未来时期2020-2050 年气象干旱的时空演变特征 |
7.4.1 未来时期2020-2050 年气象干旱的时间序列预测 |
7.4.2 未来时期2020-2050 年气象干旱的空间预测 |
7.5 小结 |
8 结论与展望 |
8.1 结论 |
8.2 创新点 |
8.3 展望 |
致谢 |
参考文献 |
附录 |
(2)基于深度学习的水库洪水预报研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景与意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 水文预报方法研究进展 |
1.2.2 人工神经网络研究进展 |
1.3 研究内容及技术路线 |
第2章 水文驱动因子筛选与去噪 |
2.1 灰色关联分析 |
2.1.1 灰色系统理论 |
2.1.2 灰色关联分析理论 |
2.1.3 关联度计算步骤 |
2.2 Gamma Test基本理论 |
2.2.1 Gamma Test方法介绍 |
2.2.2 Gamma Test的基本假设 |
2.2.3 Gamma Test的算法介绍 |
2.3 K近邻算法 |
2.4 小结 |
第3章 人工神经网络模型介绍 |
3.1 循环神经网络 |
3.1.1 RNN的模型结构 |
3.1.2 RNN的基本算法 |
3.1.3 RNN的不足 |
3.2 长短时记忆神经网络 |
3.2.1 LSTM的模型结构 |
3.2.2 LSTM的基本算法 |
3.3 卷积神经网络 |
3.3.1 CNN的模型结构 |
3.3.2 CNN的基本算法 |
3.3.3 基于序列数据的CNN |
3.4 小结 |
第4章 人工神经网络模型的优化 |
4.1 数据标准化 |
4.2 优化器方法 |
4.2.1 随机梯度下降 |
4.2.2 标准动量优化算法 |
4.2.3 自适应梯度算法 |
4.2.4 均方根传播算法 |
4.2.5 自适应时刻估计算法 |
4.3 正则化 |
4.4 批标准化 |
4.5 小结 |
第5章 水库洪水预报工程实例研究 |
5.1 研究区域概况 |
5.1.1 地理位置 |
5.1.2 水文气象 |
5.1.3 地质地貌 |
5.2 数据筛选 |
5.2.1 数据介绍 |
5.2.2 筛选结果 |
5.3 基于LSTM的水库洪水预报模型 |
5.3.1 模型设置 |
5.3.2 模型计算结果 |
5.4 基于CNN的水库洪水预报模型 |
5.4.1 模型设置 |
5.4.2 模型计算结果 |
5.5 基于CNN-LSTM的水库洪水预报模型 |
5.5.1 模型设置 |
5.5.2 模型计算结果 |
5.6 水库洪水预报模型的性能评估 |
5.6.1 精度评定 |
5.6.2 相关分析 |
5.6.3 模型对比评价 |
5.7 小结 |
第6章 结论与展望 |
6.1 结论 |
6.2 创新点 |
6.3 展望 |
参考文献 |
致谢 |
攻读学位期间参与的科研项目与发表论文 |
学位论文评阅及答辩情况表 |
(3)黄河源区径流演变规律及预报模型研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景 |
1.2 研究目的和意义 |
1.3 国内外研究现状 |
1.3.1 径流演变规律研究现状 |
1.3.2 径流预测方法研究现状 |
1.4 研究内容及技术路线 |
1.4.1 研究内容 |
1.4.2 技术路线 |
2 黄河流域概况与基本资料 |
2.1 黄河流域概况 |
2.1.1 自然地理概况 |
2.1.2 气候条件 |
2.1.3 地形地貌 |
2.1.4 水文特性 |
2.1.5 生态与社会经济环境 |
2.2 基本资料 |
2.2.1 资料可靠性审查 |
2.2.2 资料一致性审查 |
2.2.3 资料代表性审查 |
3 黄河径流序列统计特征分析 |
3.1 年径流基本统计特征 |
3.2 径流的年内分布特征 |
3.2.1 年内分配百分比 |
3.2.2 年内分配的不均匀性 |
3.2.3 年内分配的集中程度 |
3.3 径流的年际变化特征 |
3.3.1 径流年际变化的总体特征 |
3.3.2 径流年际变化的距平分析 |
3.4 本章小结 |
4 黄河径流序列演变特性分析 |
4.1 径流趋势变化分析 |
4.1.1 滑动平均法 |
4.1.2 Mann-Kendall秩次检验法 |
4.1.3 Spearman秩次相关检验 |
4.2 径流突变分析 |
4.2.1 Mann-Kendall突变检验法 |
4.2.2 滑动t检验 |
4.2.3 有序聚类法 |
4.3 周期分析 |
4.3.1 小波分析法 |
4.3.2 小波变换结果分析 |
4.3.3 方差结果分析 |
4.3.4 主周期趋势图的绘制及其在多时间尺度分析中的作用 |
4.4 本章小结 |
5 基于BP神经网络月径流模型研究 |
5.1 BP神经网络算法的基本理论 |
5.2 黄河源区径流预测的BP模型 |
5.2.1 源区BP模型的建立 |
5.2.2 源区BP模型的结果分析 |
5.3 源区径流预测的遗传算法优化BP神经网络 |
5.3.1 建立基于遗传算法优化的BP神经网络 |
5.3.2 GA—BP神经网络模型预报结果分析 |
5.4 本章小结 |
6 基于优化的R/S与灰色组合模型的年径流预测 |
6.1 灰色系统模型 |
6.1.1 GM(1,1)模型的建立 |
6.1.2 模型检验 |
6.1.3 黄河源区GM(1,1)模型 |
6.2 R/S灰色组合预测模型 |
6.2.1 基于R/S分析的灰色预测原理 |
6.2.2 基于修正的R/S分析的灰色预测结果分析 |
6.3 本章小结 |
7 研究结论与展望 |
7.1 研究结论 |
7.2 展望 |
参考文献 |
攻读硕士学位期间发表论文 |
致谢 |
(4)松花江流域中长期径流预报研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究进展及存在问题 |
1.2.1 中长期径流预报研究进展 |
1.2.2 预报因子选择 |
1.2.3 存在的不足 |
1.3 研究内容 |
1.4 技术路线 |
第二章 数据来源与研究方法 |
2.1 研究区概况 |
2.2 数据来源 |
2.3 研究方法 |
2.3.1 相关系数法 |
2.3.2 互信息法 |
2.3.3 主成分分析法 |
2.3.4 多元线性回归(MLR) |
2.3.5 SVM模型 |
2.3.6 BP神经网络模型 |
2.3.7 模型评价指标 |
第三章 预报因子分析与筛选 |
3.1 预报因子前滞期分析 |
3.1.1 大气环流指标与流域径流相关性时空变化分析 |
3.1.2 水文影响因子与流域径流相关性时间变化分析 |
3.2 相关分析及基于相关分析的主成分分析 |
3.2.1 相关分析 |
3.2.2 基于相关分析的主成分分析 |
3.3 互信息法及基于互信息的主成分分析 |
3.3.1 互信息计算 |
3.3.2 基于互信息法的主成分分析 |
3.4 小结 |
第四章 预报模型构建与结果分析 |
4.1 多元线性回归模型 |
4.1.1 多元线性回归模型径流拟合 |
4.1.2 基于MLR的不同预报因子拟合结果对比 |
4.2 支持向量回归模型 |
4.2.1 支持向量回归模型径流拟合 |
4.2.2 基于SVR的不同预报因子拟合结果对比 |
4.3 BP神经网络模型 |
4.3.1 BP神经网络模型径流拟合 |
4.3.2 基于BP的不同预报因子拟合结果对比 |
4.4 不同预报模型预报结果对比 |
4.5 小结 |
第五章 总结与展望 |
5.1 主要结论 |
5.2 创新点 |
5.3 研究不足与展望 |
参考文献 |
致谢 |
个人简历 |
(5)玛纳斯河径流演变特性及其中长期径流预报模型研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.2 传统中长期水文预报方法 |
1.2.3 现代中长期水文预报方法 |
1.2.4 组合预报模型研究 |
1.2.5 时间序列预处理研究 |
1.3 研究内容及技术路线 |
第二章 研究区概况及玛纳斯河径流演变特性分析 |
2.1 研究区概况 |
2.1.1 地理位置 |
2.1.2 气候特征 |
2.1.3 地形地貌特征 |
2.1.4 水资源开发利用概况 |
2.2 数据来源 |
2.3 肯斯瓦特站气象特征分析 |
2.3.1 降水变化特征分析 |
2.3.2 气温的变化特征分析 |
2.4 玛纳斯河出山口水文基本特征分析 |
2.4.1 径流的年内变化 |
2.4.2 径流的集中程度分析 |
2.4.3 水文资料趋势性分析 |
2.4.4 水文资料的突变性分析 |
2.4.5 水文资料周期性分析 |
2.5 玛纳斯河径流丰枯特性分析 |
2.6 本章小结 |
第三章 径流预报因子的识别与分析 |
3.1 基于spearman相关系数的预报因子筛选 |
3.2 基于MIV法的预报因子筛选 |
3.3 线性逐步回归方法的预报因子筛选 |
3.4 本章小结 |
第四章 中长期径流预报模型构建 |
4.1 经验模态分解(EMD) |
4.1.1 经验模态分解方法 |
4.1.2 经验模态分解结果及分析 |
4.2 基于经验模态分解的差分自回归耦合(EMD-ARIMA)预报模型 |
4.2.1 ARIMA模型原理 |
4.2.2 模型构建 |
4.2.3 预测结果对比分析 |
4.3 基于气候因子的神经网络径流预报模型 |
4.3.1 GRNN神经网络模型原理 |
4.3.2 预测结果对比分析 |
4.4 基于预报因子筛选的GRNN模型与EMD-ARIMA组合模型 |
4.4.1 预测结果对比分析 |
4.5 本章小结 |
第五章 模型评价及预报结果分析 |
5.1 模型精度评价 |
5.2 基于TOPSIS模型的综合评价 |
5.3 本章小结 |
第六章 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
致谢 |
作者简介 |
附件 |
(6)基于数据融合的丰满水库长期径流预报研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景和目标 |
1.1.1 研究背景 |
1.1.2 研究目标 |
1.2 国内外研究进展 |
1.2.1 三大尺度因子径流预报研究 |
1.2.2 因子相关性分析 |
1.2.3 传统统计预报模型 |
1.2.4 现代水文预报模型 |
1.2.5 研究进展的总结 |
1.3 本文研究介绍 |
1.3.1 研究问题 |
1.3.2 研究方法 |
1.3.3 研究内容 |
1.3.4 技术路线图 |
第二章 径流预报技术的系统分析 |
2.1 来水丰枯的影响机理 |
2.1.1 热量与引力作用 |
2.1.2 地形和海陆分布作用 |
2.2 来水预报基于的基本特性 |
2.2.1 周期性 |
2.2.2 有序性 |
2.2.3 遥相关性 |
2.2.4 结构特性 |
2.3 来水与极端来水预报的思路 |
2.3.1 预报因子基于空间尺度的分类 |
2.3.2 预报因子基于时间尺度的分类 |
2.3.3 预报值基于预报特征的分类 |
2.3.4 基于信息融合的流域来水预报 |
2.4 研究流域分析 |
2.4.1 流域介绍 |
2.4.2 流域丰枯机理 |
2.5 小结 |
第三章 三大尺度因子与径流的统计分析 |
3.1 天文尺度因子相位与流域来水规律分析 |
3.1.1 太阳黑子相对数 |
3.1.2 月球赤纬角 |
3.1.3 24节气阴历日期 |
3.2 全球尺度因子相位与流域来水规律分析 |
3.2.1 ENSO事件的发生与结束时间与流域来水丰枯的关系 |
3.2.2 ENSO事件特征值与流域来水丰枯的关系 |
3.3 流域尺度因子相位与流域来水规律分析 |
3.3.1 谚语机理分析 |
3.3.2 气象因子与来水属性级别统计分析 |
3.4 因子数值与流域来水统计分析方法 |
3.4.1 基础数据处理 |
3.4.2 相关性分析的方法 |
3.5 因子相关性分析结果 |
3.5.1 天文因子相关性分析 |
3.5.2 气象因子相关性分析 |
3.5.3 天文因子+海洋大气因子+气象因子相关性分析 |
3.6 结果分析 |
3.6.1 因子相位与流域来水规律 |
3.6.2 因子数值与流域来水相关性 |
3.7 小结 |
第四章 基于智能学习的预报因子融合的径流预报 |
4.1 预报方法 |
4.1.1 神经网络 |
4.1.2 决策树和随机森林 |
4.1.3 支持向量机 |
4.2 数据处理的方法 |
4.2.1 预报因子的处理 |
4.2.2 预报值的处理 |
4.2.3 预报值的评判指标 |
4.2.4 模型和因子优选的TOPSIS-模糊综合评判法 |
4.3 建模预报 |
4.4 结果统计分析 |
4.4.1 流域水量回归预报结果分析 |
4.4.2 流域来水量7级分类预报结果分析 |
4.4.3 流域来水量3级分类预报结果分析 |
4.4.4 33个因子方案分析 |
4.4.5 预报结果的最优方案 |
4.4.6 最优方案的预报结果分析 |
4.5 小结 |
第五章 基于相似性分析的预报因子融合的径流预报 |
5.1 相位对比法 |
5.1.1 基本原理 |
5.1.2 预报结果分析 |
5.2 相似模糊推理法 |
5.2.1 模糊推理法的基本原理 |
5.2.2 相似度的计算方法 |
5.2.3 主成分分析法计算权重 |
5.2.4 TOPSIS-模糊综合评判法优选最优模型 |
5.2.5 预报模型的建立 |
5.3 模糊推理法预报 |
5.3.1 因子组合分析 |
5.3.2 误差评定与优选判别 |
5.4 模糊推理法因子二次筛选 |
5.4.1 因子进出法寻优 |
5.4.2 因子进出法实例分析 |
5.5 模糊推理法预报结果 |
5.6 结果分析 |
5.7 小结 |
第六章 基于天文因子对比法的预报结果融合的径流预报 |
6.1 天文因子对比法机理分析 |
6.2 预报方法1-单一天文因子对比法 |
6.2.1 24节气阴历日期对比法 |
6.2.2 太阳黑子相对数对比法 |
6.2.3 月球赤纬角对比法 |
6.3 预报方法2-天文因子对比法预报结果的融合 |
6.3.1 天文因子预报结果的线性融合 |
6.3.2 天文因子融合法-主次因子对比法 |
6.3.3 天文因子融合法的修正 |
6.3.4 天文因子融合法定量预报 |
6.4 小结 |
第七章 基于点聚图法的预报结果融合的径流预报 |
7.1 点聚图法 |
7.1.1 点聚图的制作 |
7.1.2 预报方案 |
7.2 24节气阴历日期点聚图预报 |
7.2.1 极端来水年24节气阴历日期的聚类特性 |
7.2.2 24节气阴历日期聚类预报方法 |
7.2.3 24节气阴历日期聚类分析建模 |
7.2.4 基于聚类分析的来水预报 |
7.3 月球赤纬角和太阳黑子相对数点聚图预报 |
7.3.1 月球赤纬角聚类预报方法 |
7.3.2 太阳黑子相对数聚类预报方法 |
7.4 海洋大气因子与流域气象因子点聚图预报 |
7.5 多尺度因子点聚图预报结果融合 |
7.6 小结 |
第八章 基于来水结构融合的极端径流预报 |
8.1 基本定义 |
8.2 预报方法 |
8.2.1 一般来水结构预报-多方法预报结果融合 |
8.2.2 极端来水结构预报 |
8.2.3 基于改进可公度网络结构的极值点结构预报 |
8.2.4 极端来水年预报 |
8.3 实例应用 |
8.3.1 一般来水结构分析 |
8.3.2 极端来水结构分析 |
8.3.3 极值点结构的确定及极端来水年预报分析 |
8.3.4 连续极端来水年预报分析 |
8.4 讨论 |
8.5 小结 |
第九章 结论与展望 |
9.1 结论 |
9.2 展望 |
9.3 创新性 |
附表 |
参考文献 |
科研及发表论文情况 |
致谢 |
(7)挠力河流域耕地利用下水土资源平衡效应研究(论文提纲范文)
摘要 |
Abstract |
第1章 引言 |
1.1 研究背景 |
1.1.1 三江平原农业资源综合利用情势—研究的紧迫性 |
1.1.2 三江平原水土资源平衡研究的必要性 |
1.1.3 水土资源平衡研究的制约因素及解决途径 |
1.1.4 挠力河流域水土综合利用特点及区域研究的示范性 |
1.2 研究目的 |
1.3 研究意义 |
1.3.1 理论意义 |
1.3.2 实践意义 |
1.4 国内外研究动态 |
1.4.1 耕地利用 |
1.4.2 水土资源平衡 |
1.4.3 缺资料区遥感驱动式水文模型 |
1.4.4 耕地利用下水土资源平衡效应 |
1.4.5 动态评述 |
1.5 研究内容 |
1.5.1 研究构想 |
1.5.2 研究内容 |
1.6 研究方法 |
1.7 创新点 |
第2章 水土资源平衡的基础理论与研究框架 |
2.1 研究的基础理论 |
2.1.1 流域水循环理论 |
2.1.2 耕地利用及水土资源平衡 |
2.1.3 流域水土资源综合利用 |
2.2 相关概念 |
2.2.1 蒸腾、蒸散和蒸发 |
2.2.2 陆面潜在蒸散量 |
2.2.3 陆面实际蒸散量 |
2.3 研究框架 |
2.3.1 有效耕地信息的提取 |
2.3.2 遥感驱动式水文模型的构建 |
2.3.3 水分平衡评价及水土资源平衡效应研究 |
2.3.4 挠力河流域水土资源平衡及应对策略 |
2.4 本章小结 |
第3章 研究区概况 |
3.1 流域概况 |
3.1.1 地理位置及行政隶属 |
3.1.2 地形地貌条件 |
3.1.3 气候及水文状况 |
3.1.4 土壤条件 |
3.1.5 社会经济条件 |
3.2 背景数据库建立 |
3.2.1 MODIS数据源 |
3.2.2 气象数据源 |
3.2.3 土地利用/覆被数据源 |
3.2.4 基础地理信息数据源 |
3.3 本章小结 |
第4章 挠力河流域耕地信息提取及耕地格局 |
4.1 耕地信息统计理论假设 |
4.1.1 灰色系统理论 |
4.1.2 耕地信息统计理论假设 |
4.2 挠力河流域有效耕地提取 |
4.2.1 有效耕地提取思路 |
4.2.2 有效耕地提取数值过程 |
4.3 挠力河流域耕地格局研究 |
4.3.1 测度模型及处理方法 |
4.3.2 耕地格局变化分析 |
4.4 本章小结 |
第5章 挠力河流域水土资源平衡影响关键参数计量 |
5.1 降雨量变化特征 |
5.1.1 数据空间插值 |
5.1.2 研究方法 |
5.1.3 变化特征分析 |
5.2 常年地表蒸散特征 |
5.2.1 估算方法 |
5.2.2 地表蒸散结果分析 |
5.3 地表植被要素条件 |
5.3.1 叶面积指数 |
5.3.2 植被覆盖度 |
5.3.3 根系深度 |
5.4 挠力河流域下垫面条件 |
5.4.1 水利工程条件 |
5.4.2 历史土地利用状况 |
5.5 本章小结 |
第6章 挠力河流域遥感驱动式水文模型构建 |
6.1 需求分析与模型构建思路 |
6.2 DTVGM模型原理及其改进 |
6.2.1 模型原理 |
6.2.2 DTVGM的改进 |
6.3 模型水循环过程 |
6.3.1 植被截留过程 |
6.3.2 融雪模型 |
6.4 蒸散发模型 |
6.4.1 产流模型 |
6.4.2 汇流模型 |
6.5 模型能量传输过程 |
6.5.1 净辐射计算模型 |
6.5.2 日升/日落时间计算 |
6.5.3 日均太阳温度 |
6.5.4 瞬时大气温度 |
6.6 其它循环过程 |
6.6.1 土壤水分参数 |
6.6.2 植被覆盖率计算 |
6.7 模型的开发 |
6.7.1 植被截留蒸发函数 |
6.7.2 地表有效降雨量函数 |
6.7.3 地表实际蒸散发函数 |
6.7.4 土壤水模拟函数 |
6.7.5 产流计算函数 |
6.8 流域水文信息数据库 |
6.9 模型参数 |
6.9.1 基础数据源项 |
6.9.2 反演过程项 |
6.10 参数验证 |
6.11 本章小结 |
第7章 挠力河流域耕地利用下水土资源平衡效应 |
7.1 耕地利用下气候水分平衡效应 |
7.1.1 研究思路 |
7.1.2 研究方法 |
7.1.3 潜在蒸散量时空格局 |
7.1.4 降雨量空间分布特征 |
7.1.5 气候水分盈亏变化格局 |
7.1.6 耕地利用下气候水分平衡效应 |
7.2 耕地利用下作物水分平衡效应 |
7.2.1 研究思路 |
7.2.2 研究方法 |
7.2.3 作物需水量分析 |
7.2.4 有效降雨量 |
7.2.5 作物水分盈亏评价 |
7.2.6 耕地利用下作物水分平衡效应 |
7.3 农田土壤水分平衡及其变化效应 |
7.3.1 研究方法 |
7.3.2 农田土壤水分胁迫蒸散量 |
7.3.3 农田土壤水分平衡 |
7.4 本章小结 |
第8章 耕地利用下挠力河流域水土资源平衡综合应对 |
8.1 挠力河流域水土资源平衡 |
8.1.1 水土资源平衡计算模型 |
8.1.2 水土资源平衡研究路线 |
8.2 挠力河流域农田精准灌溉管理 |
8.2.1 需求分析与思路 |
8.2.2 利用AgentLA辅助进行农田灌溉管理分区 |
8.2.3 灌溉管理分区结果 |
8.3 挠力河流域水土资源利用的适应对策 |
8.3.1 科学调整作物种植结构 |
8.3.2 实施区域间调水工程 |
8.3.3 实施农田精准灌溉管理 |
8.3.4 合理开采地下水资源 |
第9章 结论与讨论 |
9.1 结论 |
9.2 讨论 |
参考文献 |
致谢 |
作者简介 |
攻读博士学位期间发表的论文及获奖情况 |
(8)统计方法在中国农业气象中的应用进展(论文提纲范文)
引言 |
1 统计方法在农业气象试验数据处理与监测评估中的应用 |
1.1 统计假设检验在农业气象试验处理中的应用 |
1.2 概率密度函数和概率分布函数在农业气象风险评估中的应用 |
1.3 聚类分析法在农业气候和风险评估与区划中的应用 |
1.4 灰色关联分析法在农业气象灾害评估中的应用 |
1.5 经验正交函数分解在农业气象灾害空间规律分析中的应用 |
1.6 小波分析在农业气象灾害时间规律分析中的应用 |
2 统计方法在农业气象预报中的应用 |
2.1 相关和回归分析在农业气象预报中的应用 |
2.2 灰色模型在农业气象预报中的应用 |
2.3 时间序列分析在农业气象预报中的应用 |
2.4 人工神经网络法在农业气象预报中的应用 |
2.5 小波分析和聚类分析在农作物产量气象预报中的应用 |
3 结论与讨论 |
(9)广西大石山区干旱风险管理研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景和意义 |
1.2 研究现状 |
1.2.1 干旱识别与指标研究现状 |
1.2.2 干旱风险评估研究现状 |
1.2.3 干旱预警预报研究现状 |
1.2.4 抗旱减灾对策及抗旱预案研究现状 |
1.3 研究动态和趋势 |
1.4 研究内容及技术路线 |
1.5 创新成果 |
2 广西大石山区干旱灾害风险成因分析 |
2.1 广西大石山区基本特征概况 |
2.2 广西大石山区以岩溶生境为特性的脆弱性 |
2.3 广西大石山区干旱灾害特征分析 |
2.4 广西大石山区干旱灾害成因总结 |
2.5 结论与对策 |
3 广西大石山区干旱脆弱性评价研究 |
3.1 基于熵权的干旱脆弱性模糊综合评价 |
3.1.1 建立模糊综合评价模型 |
3.1.2 评价分级标准及相对隶属度的确定 |
3.1.3 利用熵权法确定指标权重 |
3.2 基于熵权模糊综合评价法在广西大石山区干旱脆弱性评价中的应用 |
3.3 结论 |
4 基于熵权法的干旱识别与评价研究 |
4.1 识别与评价模型 |
4.2 采用熵权法对田东县农业干旱相对易旱区的识别与评价 |
4.3 田东县农业干旱程度识别及月、季尺度变化趋势 |
4.4 结论 |
5 基于干旱综合指数的农业干旱模糊信息分配风险评估研究 |
5.1 农业干旱综合指数分析 |
5.2 建立农业干旱综合指数 |
5.3 干旱综合指数风险评估 |
5.4 基于干旱综合指标的模糊信息分配风险评估 |
5.4.1 信息分配定义 |
5.4.2 基于信息分配的干旱综合指数概率分布 |
5.4.3 超越极限概率 |
5.5 应用实例 |
5.6 结论 |
6 基于旱灾损失的干旱风险评估与区划研究 |
6.1 干旱灾害程度的确定 |
6.2 频率分析和等级划分法的干旱风险评估与区划 |
6.2.1 风险评估 |
6.2.2 易旱区风险图区划 |
6.3 基于模糊信息扩散评价方法的干旱风险评估与区划 |
6.3.1 模糊信息扩散评价方法 |
6.3.2 干旱风险评估 |
6.3.3 广西大石山区干旱风险区划图 |
6.4 结论 |
7 基于熵权理论的优选组合模型干旱预测研究 |
7.1 预测模型简介 |
7.1.1 ARIMA模型 |
7.1.2 Elman神经网络模型 |
7.1.3 小波网络分析模型 |
7.1.4 灰色预测模型 |
7.2 熵权理论 |
7.2.1 确定指标熵 |
7.2.2 确定指标的熵权 |
7.3 组合优化预测模型 |
7.4 熵权理论优选组合模型在干旱预测中的应用研究 |
7.5 结论 |
8 广西2009-2010年特大干旱分析及水柜抗旱预警研究 |
8.1 广西09-10年特大干旱分析 |
8.1.1 概略广西09-10年特大干旱 |
8.1.2 广西区09-10年的干旱成因分析 |
8.2 广西典型区域因旱人饮困难解决方案 |
8.2.1 广西大石山区水柜大小标准确定 |
8.2.2 家庭水柜抗旱预防 |
8.2.3 家庭水柜抗旱预警 |
8.3 结论 |
9 广西抗旱效益分析 |
9.1 社会经济影响及抗旱效益 |
9.1.1 旱灾损失和社会经济影响 |
9.1.2 抗旱减灾的社会经济效益 |
9.2 社会经济干旱趋势预测 |
9.3 结论 |
10 结论与展望 |
10.1 结论 |
10.2 展望 |
致谢 |
参考文献 |
附录 |
附表Ⅰ 广西大石山区农业干旱灾害损失风险概率统计表 |
附表Ⅱ 广西大石山区干旱灾害人口饮水困难风险概率统计表 |
附表Ⅲ 广西大石山区家庭水柜容积、因旱人饮困难预防及预警表 |
(10)贵州区域干旱演变特征及预测模型研究(论文提纲范文)
目录 |
Contents |
摘要 |
Abstract |
第一章 绪论 |
1.1 研究干旱的意义 |
1.1.1 研究干旱的普遍意义 |
1.1.2 研究贵州喀斯特地区干旱的意义 |
1.2 贵州干旱状况 |
1.2.1 干旱成因 |
1.2.2 干旱过程 |
1.2.3 干旱控制 |
1.3 干旱的定义、分类与干旱指标研究进展 |
1.3.1 干旱的定义与分类 |
1.3.2 干旱指标研究进展 |
1.4 干旱预测方法研究进展 |
1.4.1 预测方法分类 |
1.4.2 典型的干旱预测方法 |
1.5 论文的主要研究内容 |
1.5.1 研究目标 |
1.5.2 主要内容 |
1.5.3 主要创新点 |
第二章 贵州区域干旱特征分析 |
2.1 贵州区域干旱特征分析技术路线与数据处理 |
2.1.1 技术路线 |
2.1.2 原始资料质量控制与数据处理 |
2.2 基于帕尔默(Palmer)指数干旱特征分析 |
2.2.1 帕尔默(Palmer)干旱指标分析原理 |
2.2.2 贵州喀斯特地区Palmer指数计算 |
2.2.3 Palmer指数干旱特征分析 |
2.3 基于降水距平的干旱特性分析 |
2.3.1 降水距平干旱指标 |
2.3.2 乌江地区降雨量分析 |
2.2.3 乌江地区干旱特征分析 |
2.4 基于Z指标的干旱特征分析 |
2.4.1 乌江地区Z指数计算 |
2.4.2 基于Z指标的区域特征分析 |
2.4.3 干旱趋势突变分析 |
2.5 不同指标对比分析 |
2.5.1 Palmer指数与降水量关系 |
2.5.2 三种指标干旱特征分析应用效果对比 |
2.6 干旱致灾因素分析 |
2.6.1 研究区概况 |
2.6.2 旱情致灾影响因素选取 |
2.6.3 投影寻踪模型建模 |
2.6.4 最佳投影向量及投影值 |
2.6.5 结果分析 |
2.7 本章小结 |
第三章 基于NNBR模型的蒙特卡洛旱情预测方法研究 |
3.1 最近邻抽样回归模型(NNBR模型) |
3.1.1 模型原理及算法 |
3.1.2 K、P和W_(j(i))的确定 |
3.2 蒙特卡洛算法 |
3.2.1 蒙特卡洛算法的概述 |
3.2.2 蒙特卡洛方法的基本思想 |
3.2.3 蒙特卡洛方法的一般步骤 |
3.3 分布函数的选择 |
3.4 基于NNBR模型的蒙特卡洛算法分析方案 |
3.4.1 预测值的选择 |
3.4.2 C_s,C_v的选择与确定 |
3.4.3 分析步骤 |
3.4.4 算法流程图 |
3.5 实验结果验证和预测 |
3.5.1 算法验证 |
3.5.2 未来降雨量的预测 |
3.5.3 未来旱情等级特征分析 |
3.6 本章小结 |
第四章 基于马尔可夫的降雨量预测方法研究 |
4.1 马尔科夫预测法的基本原理 |
4.1.1 马尔科夫过程概述 |
4.1.2 马尔科夫过程种类 |
4.1.3 马尔科夫过程 |
4.1.4 马尔科夫链 |
4.1.5 状态转移概率及其转移概率矩阵 |
4.2 算法方案分析及模型建立 |
4.2.1 趋势加权马尔可夫模型 |
4.2.2 检验降雨量序列是具有“马氏性” |
4.2.3 状态的划分 |
4.2.4 滞时权值的确定 |
4.2.5 模糊集理论中的级别特征值 |
4.2.6 方案分析步骤 |
4.2.7 预测算法流程图 |
4.3 实验结果验证和预测 |
4.3.1 算法验证 |
4.3.2 预测未来五年的降雨量 |
4.3.3 未来旱情等级特征分析 |
4.4 本章小结 |
第五章 基于神经网络的降雨量预测研究 |
5.1 BP神经网络原理 |
5.1.1 基本BP算法公式推导 |
5.1.2 基本BP算法的缺陷 |
5.1.3 BP算法的优化与改进 |
5.1.4 网络的设计 |
5.1.5 BP神经网络的设计与训练 |
5.2 径向基函数神经网络 |
5.2.1 RBF神经网络模型 |
5.2.2 RBF网络的学习算法 |
5.2.3 RBF神经网络的设计与训练 |
5.3 Elman神经网络 |
5.3.1 Elman神经网络结构 |
5.3.2 Elman神经网络学习过程 |
5.3.3 Elman预测模型的建立 |
5.3.4 Elman神经网络的训练和预测 |
5.4 三种神经网络的对比分析与预测 |
5.4.1 五年预测值的对比分析 |
5.4.2 未来五年的预测 |
5.4.3 未来旱情等级特征分析 |
5.5 本章小结 |
第六章 基于小波分解的灰色模型旱情预测方法研究 |
6.1 灰色模型原理 |
6.1.1 灰色系统 |
6.1.2 灰生成 |
6.1.3 灰色预测模型—GM(1,1) |
6.1.4 GM(1,1)模型检验 |
6.1.5 光滑性检验 |
6.2 小波原理 |
6.2.1 小波变换与其快速算法 |
6.2.2 降水量周期性及突变性小波分析原理 |
6.3 波形理论 |
6.4 灰色模型的建立与预测效果分析 |
6.4.1 降雨量灰色模型预测方案 |
6.4.2 原始序列光滑度检验与小波分解 |
6.4.3 灰色模型预测低频分量 |
6.4.4 利用波形预测高频分量 |
6.4.5 优化的灰色模型预测精度检验与分析 |
6.5 未来降雨量预测及早情等级特征 |
6.5.1 未来五年的降雨量预测值 |
6.5.2 未来旱情等级特征分析 |
6.6 本章小结 |
第七章 基于CI指数的近50年干旱时空分布规律研究 |
7.1 数据处理及计算 |
7.1.1 复合气象干旱指数的计算方法 |
7.1.2 干旱综合指数CI等级的划分 |
7.1.3 气象干旱过程的确定 |
7.1.4 干旱过程强度的计算 |
7.1.5 干旱发生频率计算 |
7.2 结果分析 |
7.2.1 复合干旱指数计算结果 |
7.2.2 干旱发生的频率 |
7.2.3 干旱覆盖面积 |
7.2.4 干旱持续日数和干旱强度 |
7.2.5 CI指数的空间分布特征 |
7.2.6 基于CI指数监测2009-2010年干旱发生发展过程 |
7.3 本章小结 |
第八章 结论与展望 |
8.1 结论 |
8.2 展望 |
参考文献 |
附录 |
附录一:贵州喀斯特6大水系Palmer指数 |
附录二:乌江流域上、中、下游月降雨距平 |
致谢 |
攻读学位论文期间发表文章 |
四、灰色系统在干旱灾害预报中的应用(论文参考文献)
- [1]黄河流域的干旱驱动及评估预测研究[D]. 黄春艳. 西安理工大学, 2021(01)
- [2]基于深度学习的水库洪水预报研究[D]. 周唱. 山东大学, 2021(12)
- [3]黄河源区径流演变规律及预报模型研究[D]. 商滢. 西华大学, 2021(02)
- [4]松花江流域中长期径流预报研究[D]. 朱春苗. 西北农林科技大学, 2021(01)
- [5]玛纳斯河径流演变特性及其中长期径流预报模型研究[D]. 李福兴. 石河子大学, 2021(02)
- [6]基于数据融合的丰满水库长期径流预报研究[D]. 雷冠军. 中国水利水电科学研究院, 2020(04)
- [7]挠力河流域耕地利用下水土资源平衡效应研究[D]. 周浩. 东北大学, 2018(02)
- [8]统计方法在中国农业气象中的应用进展[J]. 杨霏云,朱玉祥,李文科,罗蒋梅,郑秋红. 气象与环境科学, 2016(03)
- [9]广西大石山区干旱风险管理研究[D]. 康永辉. 西安理工大学, 2014(01)
- [10]贵州区域干旱演变特征及预测模型研究[D]. 张和喜. 沈阳农业大学, 2013(10)