[發明專利]一種資料短缺情形下的二次耦合月徑流預報方法

有效

• 申請號: 201310552930.3
• 申請日: 2013-11-08
• 公開（公告）號: CN103577895A
• 公開（公告）日: 2014-02-12
• 發明（設計）人: 尹筍;唐德善;陳偉偉;陸姍姍;丁億凡
• 申請（專利權）人: 河海大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/02
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 張學彪

1.一種資料短缺情形下的二次耦合月徑流預報方法，其特征在于，包括以下步驟：

1）、采用GRNN模型和物理水文模型，選取至少一個物理水文模型，對所述物理水文模型和GRNN模型所需的基礎地形數據、氣象數據和水文數據進行預處理，得到模擬歷時所述GRNN模型和物理水文模型的月徑流觀測值，所述模擬歷時分為訓練期和測試期兩個時段；

2）、對所述物理水文模型進行配置，根據各所述物理水文模型參數的規范與要求對參數進行設定，得到模擬歷時各物理水文模型的月徑流預測值；

3）、利用時間序列延長模型對訓練期各物理水文模型的月徑流預測值和月徑流觀測值進行補充和延長，同時利用時間序列延長模型對訓練期所述GRNN模型的月徑流觀測值進行補充和延長，得到延長后的訓練期的月徑流數據；

4）、利用模型耦合技術將GRNN模型和各所述物理水文模型分別進行模型耦合，得到一次耦合GRNN模型，然后將步驟3）得到的延長后的訓練期的月徑流數據與所述一次耦合GRNN模型進行數據耦合，確定數據耦合后模型的的網絡結構和參數，得到二次耦合GRNN模型；

5）、運用測試期所述GRNN模型的月徑流觀測值和物理水文模型的月徑流預測值對所述二次耦合GRNN模型進行預報計算，并評定當前二次耦合GRNN模型是否是最優的；

6）、利用步驟5）得到的最優的二次耦合GRNN模型對流域進行月徑流預測。

2.如權利要求1所述的資料短缺情形下的二次耦合月徑流預報方法，其特征在于，步驟1）中，按照流域特征與流域現有的基礎地形、氣象和水文數據情況，選取Q（Q≧1）個與流域適應性較好的物理水文模型。

3.如權利要求1或2所述的資料短缺情形下的二次耦合月徑流預報方法，其特征在于，所述物理水文模型為概念式模型或分布式模型。

4.如權利要求1所述的資料短缺情形下的二次耦合月徑流預報方法，其特征在于，所述時間序列延長模型為季節性ARMA模型。

5.如權利要求1所述的資料短缺情形下的二次耦合月徑流預報方法，其特征在于，步驟3）中，延長后的月徑流數據為原模擬歷時月徑流數據的20～100倍。

6.如權利要求4所述的資料短缺情形下的二次耦合月徑流預報方法，其特征在于，原時間序列中的觀測值為{X_t}，季節性時間序列為{Y_t}，則季節性ARMA(p,d,q)(P,D,Q)_S模型的表達式為：

其中，Y_t＝(1-B)^d(1-B^S)^DX_t，S為季節性偏差組件；B為后向位移算子，表達式為B^aX_t＝X_t-a；Φ(B^S)＝1-Φ₁B^S-Φ₂B^2S...-Φ_PB^PS，θ(B)＝1-θ₁B-θ₂B²...-θ_qB^q，Θ(B^S)＝1-Θ₁B^S-Θ₂B^2S...-Θ_QB^QS是B關于p，q，P和Q的多項式；{e_t}為誤差序列，t∈(1,T)，T為時間序列總長度；p和P分別代表非季節性和季節性的自回歸參數，q和Q分別代表非季節性和季節性的平均移動參數。