新丰江流域径流量的分析及预测

《新丰江流域径流量的分析及预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、中山大学硕士学位论文新丰江流域径流量的分析及预测姓名：申云申请学位级别：硕士专业：水文学及水资源指导教师：陈俊合20070606中山大学硕士学位论文新丰江流域径流量的分析及预测专业：水文学及水资源硕士生：申云指导教师：陈俊合教授摘要中长期水文预报在抗洪救灾、水利工程的兴建、管理、水量的合理调配等的重要依据，本文通过分析中长期水文预报的发展历程，说明中长期水文预报已经取得的成就，以及普遍还存在的一些问题：预报的精度偏低，结果可靠性不高，同时指出这也是今后研究中亟待得到解决的问题。本文利用方差分析周期外推方法，提出了改进的正规化周期回归模型。文中首先

2、对模型的基本结构原理迸行了详细的介绍，在此基础上将模型应用到新丰江流域的月径流序列，进行模拟和预测，计算结果为：新丰江流域月径流序列年内分布呈单峰型，序列存在较为明显的长期趋势项k-一1599641．375—0．02606t一0．28211t24-0．1688t3，经过计算筛选，共找到3个稳定的周期：长度分别位：151个月、129个月、87个月．长期趋势项和周期项拟合后基本上能够反映出实测径流序列的特征和变化，但预报的精度还不够高，为此，本文对周期回归模型分离出来的随机项时间序列进行BP神经网络的分析、计算预报，并且把预报的结果拟合到周期回归模型

3、的预报结果中去，从而达到了从整体上提高精度的目的。关键词：中长期水文预报周期回归神经网络径流新丰江流域中山大学硕士学位论文AnaIysiSandForecastoftheRunoffinXinfengjiangBasigMajor：hydrologyandwaterresourcesName：ShenYunSupervisor=ProfessorChenJun-heABSTRACTThemidandlong-termhydrologicforecastistheimportantbasistothefloodmitigation，theconst

4、ruct、managementofhydraulicengineering，thereasonablyuseofwaterandsoon．Throughtheanalysisonthedevelopmentcourseofthemidandlong-termhydrologicforecast，thearticleshowstheachievementwehavegotten,andtheproblemswhichexistuniversally·——--··-thepredictionprecisionislowrelatively,there

5、sultisnotsoreliable．andtheseproblemsareexpectedtobesettledinthefuture．usingthevarianceandperiodanalysismethod,thearticleputsforwardtheimprovednormalizedperiodregressionmodelThefirstofall,theauthorintroducesthestructureandtheprincipleofthemodelindetaiLOnthebasisofit，toaptlythe

6、modeltothemonthlyrunofftimeseriesofthexinfengjiangbasin,theoutcomeshows：Thedistributionofthemeanrunoffisthesingle-peaktypeduringtheyear,Thereisthegradualrisingtrendinthetimeseries，andtheformulaofthetrenditemis：K-一1599641·375—0·02606t一0·28211t2+0·1688t3，thmugh锄lysis，find3stabl

7、eperiods=151months、129months、87months．Thesumofthelong-termtrenditemandtheperiodsitembasicallycanreflectthecharacteristicandthechangeoftheactualrunoffsequence,bettheprecisionisⅡ中山大学硕士学位论文insufficientlyhigh,forthis,usingBPNeuralNetworks,analyses，computes,forecaststhestochastict

8、imeserieswhichisseparatedfromthePeriodicRegressionmodel,andfitsthefo