关键词:
玛纳斯河
径流
特性分析
经验模态分解
组合模型
摘要:
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,表明径流有显著增长的趋势。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。