基于小波神经网络的多源雨量融合及流量预报研究

摘要

降雨受到各种复杂因素的影响，使单一的观测方法难以有效的描述真实降水，因此，融合多种不同的降水信息成为水文气象领域近年来的研究热点。但大多数的雨量融合研究都是将雨量序列直接进行融合，而忽略了雨量序列本身复杂的时频成分，以及不同雨量之间的时频差异性。本文结合小波分析方法对不同雨量（地面雨量计观测雨量和FY-2D卫星反演雨量）的时频特点和组成进行了分析，并在此基础上，根据小波分析和神经网络的特点，提出了三种不同的雨量融合方法—“分解-单支重构-融合-预报-叠加”、“分解-融合-预报-重构”和“分解-单支重构-融合-预报”模型，并将其与未进行雨量融合的模型，以及仅将雨量进行简单加权融合的模型进行对比，最终根据金华江流域的未来1h流量预报结果对上述模型的性能以及融合雨量的合理性和有效性进行了验证。
　　结果表明，(1)融合雨量优于简单加权融合模型，能更真实的反映降雨情况，说明根据各雨量的时频成分分别融合得到的雨量更有效。(2)最优的融合模型“分解-单支重构-融合-预报-叠加”在金华江流域未来1h的流量预报上，较简单加权融合模型提高了42.4％，较未进行雨量融合的模型提高了48.5％-52.6％。(3)融合雨量与原始地面雨量站观测雨量的大体趋势一致，但在数量上小于地面雨量计观测雨量;地面雨量计观测雨量和FY-2D卫星反演雨量在融合雨量中均占到了一定的比重，前者对融合雨量的贡献率较大，其所占权重可达到0.4-0.85，后者在融合雨量中所占权重较小，为0.15-0.3。(4)不同分解尺度上两种雨量所占权重各不相同，说明两种雨量观测途径所观测到的有效雨量信息（时频成分）不同。

目录

声明

致谢

摘要

1 绪论

1．1 引言

1．2 国内外研究现状

1．2．1 多源雨量融合

1．2．2 小波神经网络

1．3 研究内容

1．4 技术路线

2 小波神经网络概述

2．1．1 人工神经网络的发展

2．1．2 人工神经网络模型的特点

2．1．3 人工神经网络的基本原理

2．1．4 倒传递神经网络(BPNN)

2．2 小波分析基本理论

2．2．1 小波分析的发展

2．2．2 小波分析的基本原理

2．3 小波神经网络简介

3 研究区域概况及数据预处理

3．1 研究区域概况

3．2 数据概况及预处理

3．2．1 金华江流域数据概况

3．2．2 数据预处理

3．2．3 数据划分

3．3 流域降雨-径流机制分析

3．5 小波函数和分解级次的选取

3．6 评估指标

4 基于松散型小波神经网络的多源雨量融合及径流预报模型

4．2 “分解-融合-预报-重构”模式

4．3 “分解-单支重构-融合-预报”模式

5 结果对比与分析

5．1 模型性能对比分析与流量预报结果

5．2 雨量融合

6 结论与展望

6．1 主要结论

6．2 创新点

6．3 存在问题及未来研究方向

参考文献

作者简介

发表文章