分别基于13个雨量站的日降雨量和小时降雨量,在率水流域建立SWAT(Soil and Water Assessment Tool)水文模型,对基于不同降雨时间分辨率的SWAT模型进行独立的参数率定和验证,在此基础上分析降雨时间分辨率对率水流域SWAT模拟性能的影响....分别基于13个雨量站的日降雨量和小时降雨量,在率水流域建立SWAT(Soil and Water Assessment Tool)水文模型,对基于不同降雨时间分辨率的SWAT模型进行独立的参数率定和验证,在此基础上分析降雨时间分辨率对率水流域SWAT模拟性能的影响.结果表明,降雨输入的时间分辨率对率水流域SWAT模型的水文模拟性能有显著影响.小时降雨输入SWAT模型的纳什系数(NSE)和决定系数(R^2)在率定期分别为0.89、0.90,在验证期分别为0.86、0.88,均显著高于日降雨输入SWAT模型对应的模型评价统计量值.究其原因,小时降雨输入SWAT模型对于峰值流量的模拟要明显优于日降雨输入SWAT模型.建议应在不同气候与自然环境条件的流域内开展类似的降雨时间分辨率对水文模型模拟性能的影响研究.展开更多
研究建立了基于时间序列分解的神经网络模型,能对降雨时间序列挖掘并预测。(1)以桓台县1979-2018年的480组月降雨数据为例,将降雨时间序列分解为趋势项、周期项、突变项与随机项。(2)采用累积距平法、Mann-Kendall趋势分析法、Hurst指...研究建立了基于时间序列分解的神经网络模型,能对降雨时间序列挖掘并预测。(1)以桓台县1979-2018年的480组月降雨数据为例,将降雨时间序列分解为趋势项、周期项、突变项与随机项。(2)采用累积距平法、Mann-Kendall趋势分析法、Hurst指数法、特征点法方法进行趋势性分析;小波分析法进行周期性分析;Mann-Kendall突变检验法和Pettitt法进行突变性分析;采用自相关法和单位根法对随机项进行检验。(3)以1979-2014年的432组月降雨时间序列随机项为率定数据,2015-2016年数据为验证数据,分别建立NAR(Nonlinear Auto Regression)与NARX(Nonlinear Auto Regression with External Input)神经网络随机项预测模型,对2017-2018年月降雨数据进行预测,并与直接预测结果对比。结果表明:(1)桓台县1979-2018年月降雨量数据有微弱的上升趋势,预测未来将呈微弱下降趋势,其第一主周期是19(月),数据不存在明显的突变情况。(2)NAR神经网络所得2017-2018年的月降雨量预测值与实测值误差为16.79%。展开更多
文摘分别基于13个雨量站的日降雨量和小时降雨量,在率水流域建立SWAT(Soil and Water Assessment Tool)水文模型,对基于不同降雨时间分辨率的SWAT模型进行独立的参数率定和验证,在此基础上分析降雨时间分辨率对率水流域SWAT模拟性能的影响.结果表明,降雨输入的时间分辨率对率水流域SWAT模型的水文模拟性能有显著影响.小时降雨输入SWAT模型的纳什系数(NSE)和决定系数(R^2)在率定期分别为0.89、0.90,在验证期分别为0.86、0.88,均显著高于日降雨输入SWAT模型对应的模型评价统计量值.究其原因,小时降雨输入SWAT模型对于峰值流量的模拟要明显优于日降雨输入SWAT模型.建议应在不同气候与自然环境条件的流域内开展类似的降雨时间分辨率对水文模型模拟性能的影响研究.
文摘研究建立了基于时间序列分解的神经网络模型,能对降雨时间序列挖掘并预测。(1)以桓台县1979-2018年的480组月降雨数据为例,将降雨时间序列分解为趋势项、周期项、突变项与随机项。(2)采用累积距平法、Mann-Kendall趋势分析法、Hurst指数法、特征点法方法进行趋势性分析;小波分析法进行周期性分析;Mann-Kendall突变检验法和Pettitt法进行突变性分析;采用自相关法和单位根法对随机项进行检验。(3)以1979-2014年的432组月降雨时间序列随机项为率定数据,2015-2016年数据为验证数据,分别建立NAR(Nonlinear Auto Regression)与NARX(Nonlinear Auto Regression with External Input)神经网络随机项预测模型,对2017-2018年月降雨数据进行预测,并与直接预测结果对比。结果表明:(1)桓台县1979-2018年月降雨量数据有微弱的上升趋势,预测未来将呈微弱下降趋势,其第一主周期是19(月),数据不存在明显的突变情况。(2)NAR神经网络所得2017-2018年的月降雨量预测值与实测值误差为16.79%。