基于多种神经网络模型的洞庭湖流域月降水量预测对比研究
发布时间：2021-02-01 07:28
降水是一种时空复杂的气候过程,而月降水量预测可为水资源管理、水文预报分析、洪涝灾害预警提供关键参数。但是气象条件是复杂多样的,降水信息分布在预报因子不同频率的影响下,各预报因子与月降水量之间存在复杂的线性与非线性关系,然而传统的预报方法没有对预报因子进行处理和筛选,因此月降水量预测的精度普遍不高。为了提高洞庭湖月降水量的预测精度以及解决预报因子的处理与筛选问题,本文提出了一种小波互信息神经网络模型。首先,具有不同时滞的大尺度气候指数和标准化月降水量作为输入变量被分解到不同时间尺度下的子序列,并通过互信息相关性分析以确定最佳预报因子,然后使用多个基于粒子群算法优化各隐藏层神经元个数的cascade-forward（CF）神经网络对各频率下的标准化月降水量子序列分别进行预测,最后通过重构和逆标准化得到月降水量预测值。本文研究以洞庭湖流域27个观测站点的月降水量预测为例,收集和整理了时间跨度为1961-2012年的洞庭湖流域月降水量和六个大尺度气候指数:太平洋年代际振荡（Pacific Decadal Oscillation,PDO）、印度洋偶极子（Indian Ocean dipole m...
【文章来源】：湖南师范大学湖南省 211工程院校
【文章页数】：79 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
缩略语表
1 引言
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 预报因子的预处理
1.2.2 预报因子的筛选
1.2.3 神经网络结构优化
1.2.4 时间序列
1.2.5 时间序列预测
1.2.6 传统时间序列分析方法
1.2.7 传统降水量预测模型
2 研究区概况及数据收集
2.1 研究区域
2.2 降水的形成
2.2.1 降水的时间变化
2.2.2 降水变率
2.2.3 降水的地理分布
2.2.4 洞庭湖流域降水量变化特征
2.2.5 洞庭湖流域月降水量数据
2.3 大尺度气候指数
2.3.1 印度洋偶极子
2.3.2 南极涛动
2.3.3 北大西洋涛动
2.3.4 全球平均气温距平
2.3.5 太平洋年代际振荡
2.3.6 北方涛动指数
3 研究方法
3.1 小波分析
3.2 互信息相关性分析
3.3 神经网络
3.4 粒子群优化算法
3.5 评价标准
4 小波神经网络模型
4.1 神经网络模型
4.1.1 基本步骤
4.1.2 预报因子的筛选
4.1.3 粒子群算法优化CF神经网络结构
4.1.4 预测结果
4.2 小波神经网络模型基本步骤
4.3 小波神经网络模型预报因子处理
4.4 小波神经网络模型预测结果
5 小波互信息神经网络的预测模型
5.1 基本步骤
5.2 预报因子处理和筛选
5.3 预测结果
5.4 结果分析
6 结论与展望
6.1 主要结论
6.2 主要创新点
6.3 讨论与展望
参考文献
附录（一）
附录（二）
致谢
【参考文献】：
期刊论文
[1]19602011年洞庭湖流域降水量变化特征[J]. 徐卫红,葛德祥,李娜,张双虎,彭辉. 湿地科学. 2016(01)
[2]An Assessment of Indo-Pacific Oceanic Channel Dynamics in the FGOALS-g2 Coupled Climate System Model[J]. 徐腾飞,袁东亮,俞永强,赵霞. Advances in Atmospheric Sciences. 2013(04)
[3]Application of Artificial Neural Networks to Rainfall Forecasting in Queensland,Australia[J]. John ABBOT,Jennifer MAROHASY. Advances in Atmospheric Sciences. 2012(04)
[4]神经网络径流预报模型中基于互信息的预报因子选择方法[J]. 赵铜铁钢,杨大文. 水力发电学报. 2011(01)
[5]一种改进的BP算法及在降水预报中的应用[J]. 闵晶晶,孙景荣,刘还珠,王式功,曹晓钟. 应用气象学报. 2010(01)
[6]基于贝叶斯理论的水文线型参数不确定性分析[J]. 桑燕芳,王栋,吴吉春. 水电能源科学. 2009(06)
[7]基于EMD的降雨径流神经网络预测模型[J]. 冯平,丁志宏,韩瑞光,张建伟. 系统工程理论与实践. 2009(01)
[8]洞庭湖区2000年～2007年农业干旱灾害特点及成因分析[J]. 李景保,王克林,杨燕,尹辉,周和平. 水资源与水工程学报. 2008(06)
[9]近百年全球气温变化对长江流域降水影响分析[J]. 何丽. 资源环境与发展. 2007(04)
[10]近百年全球气温变化对长江流域旱涝灾害的影响[J]. 何丽,吴宜进,但长军,薜怀平. 中国农业气象. 2007(04)
本文编号：3012414
【文章来源】：湖南师范大学湖南省 211工程院校
【文章页数】：79 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
缩略语表
1 引言
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 预报因子的预处理
1.2.2 预报因子的筛选
1.2.3 神经网络结构优化
1.2.4 时间序列
1.2.5 时间序列预测
1.2.6 传统时间序列分析方法
1.2.7 传统降水量预测模型
2 研究区概况及数据收集
2.1 研究区域
2.2 降水的形成
2.2.1 降水的时间变化
2.2.2 降水变率
2.2.3 降水的地理分布
2.2.4 洞庭湖流域降水量变化特征
2.2.5 洞庭湖流域月降水量数据
2.3 大尺度气候指数
2.3.1 印度洋偶极子
2.3.2 南极涛动
2.3.3 北大西洋涛动
2.3.4 全球平均气温距平
2.3.5 太平洋年代际振荡
2.3.6 北方涛动指数
3 研究方法
3.1 小波分析
3.2 互信息相关性分析
3.3 神经网络
3.4 粒子群优化算法
3.5 评价标准
4 小波神经网络模型
4.1 神经网络模型
4.1.1 基本步骤
4.1.2 预报因子的筛选
4.1.3 粒子群算法优化CF神经网络结构
4.1.4 预测结果
4.2 小波神经网络模型基本步骤
4.3 小波神经网络模型预报因子处理
4.4 小波神经网络模型预测结果
5 小波互信息神经网络的预测模型
5.1 基本步骤
5.2 预报因子处理和筛选
5.3 预测结果
5.4 结果分析
6 结论与展望
6.1 主要结论
6.2 主要创新点
6.3 讨论与展望
参考文献
附录（一）
附录（二）
致谢
【参考文献】：
期刊论文
[1]19602011年洞庭湖流域降水量变化特征[J]. 徐卫红,葛德祥,李娜,张双虎,彭辉. 湿地科学. 2016(01)
[2]An Assessment of Indo-Pacific Oceanic Channel Dynamics in the FGOALS-g2 Coupled Climate System Model[J]. 徐腾飞,袁东亮,俞永强,赵霞. Advances in Atmospheric Sciences. 2013(04)
[3]Application of Artificial Neural Networks to Rainfall Forecasting in Queensland,Australia[J]. John ABBOT,Jennifer MAROHASY. Advances in Atmospheric Sciences. 2012(04)
[4]神经网络径流预报模型中基于互信息的预报因子选择方法[J]. 赵铜铁钢,杨大文. 水力发电学报. 2011(01)
[5]一种改进的BP算法及在降水预报中的应用[J]. 闵晶晶,孙景荣,刘还珠,王式功,曹晓钟. 应用气象学报. 2010(01)
[6]基于贝叶斯理论的水文线型参数不确定性分析[J]. 桑燕芳,王栋,吴吉春. 水电能源科学. 2009(06)
[7]基于EMD的降雨径流神经网络预测模型[J]. 冯平,丁志宏,韩瑞光,张建伟. 系统工程理论与实践. 2009(01)
[8]洞庭湖区2000年～2007年农业干旱灾害特点及成因分析[J]. 李景保,王克林,杨燕,尹辉,周和平. 水资源与水工程学报. 2008(06)
[9]近百年全球气温变化对长江流域降水影响分析[J]. 何丽. 资源环境与发展. 2007(04)
[10]近百年全球气温变化对长江流域旱涝灾害的影响[J]. 何丽,吴宜进,但长军,薜怀平. 中国农业气象. 2007(04)
本文编号：3012414
本文链接：https://www.wllwen.com/projectlw/qxxlw/3012414.html
