基于非线性理论的石泉和安康水文站径流及洪水规律挖掘

摘要

针对水文要素的时空变化具有高度非线性的特点，采用非线性的分析方法，包括R/S分析法、Hilbert-Huang变换及混沌理论与神经网络相结合的方法，研究汉江上游的两个代表水文站——石泉和安康水文站的径流及洪水在复杂环境中的演变过程和规律。以期为汉江的防洪与发电调度、流域水资源规划与配置起到支撑作用。论文取得的主要研究成果如下：
　　(1)通过对石泉和安康水库径流特性和暴雨洪水特性分析，结果表明：径流年内分配丰枯明显，汛枯期径流差异较大；径流年际分配不均匀，径流量总体呈现下降趋势；洪水年际变化极不稳定，流量变化幅度很大。年最大洪峰流量代际变化统计结果呈有规律的波动变化，且变化程度较为剧烈，总体来说，两站的年最大洪峰流量变化呈下降趋势。
　　(2)采用Kendall秩次相关检验及Spearman秩次相关检验对石泉、安康站的径流及年最大洪峰流量序列的趋势性进行了分析，并采用R/S分析法对趋势状态的持续性进行了分析。分析结果表明，石泉、安康站的年径流序列均呈现显著递减趋势；年最大洪峰流量序列均呈现不显著递减趋势；石泉站除2月、3月、4月和11月月径流序列变化均存在显著递减趋势外，其余各月径流序列变化存在不显著递减趋势；安康站除4月径流序列变化存在显著递减趋势外，其余各月径流序列变化存在不显著递减趋势；石泉、安康站的年径流序列、月径流序列及年最大洪峰流量序列均具有状态持续性，即其呈现出的下降趋势未来还将继续。
　　(3)对石泉、安康水文站的年平均流量和年最大洪峰流量进行了EMD分解，得出其演化过程的内在模函数和趋势项，并对内在模函数做Hilbert-Huang变换。由内在模函数的周期值分析得，石泉站年均流量变化存在3．19年、7．03年和14．81年的周期；安康站年均流量变化存在3．14年、7．08年和18．31年的周期。石泉站年最大洪峰流量变化存在3．06年、7．11年和24．98年的周期，安康站年最大洪峰流量变化存在3．01年、6．07年、15．97年和29．65年的周期。结果表明HHT变换用于处理非线性、非平稳水文时间序列，能够定量的描述序列的时频特性，有很好的分析效果，较传统的时间序列分析方法更具优势。
　　(4)建立了一种将混沌理论和BP神经网络相结合的预测模型。应用G-P算法和Lyapunov指数法，检验出石泉、安康水文站月平均流量时间序列具有混沌特性，可对其序列中所反映出的内在确定性进行预测。以重构相空间中最佳嵌入维数来确定BP神经网络中输入节点数，并建立了基于混沌相空间重构理论的径流量预测BP网络模型。模型预测结果精度较高，证明模型结构合理，能够有效的进行预测。

目录

独创性声明

学位论文使用授权声明

1 绪论

1.1 研究的背景和意义

1.2 水文时间序列分析国内外研究概况

1.3 本文研究的主要内容和技术路线

1.3.1 研究的主要内容

1.3.2 技术路线

1.4 本章小结

2 汉江流域概况及基本资料

2.1 汉江流域概况

2.1.1 自然情况

2.1.2 水文气象条件

2.1.3 气候条件

2.1.4 泥沙特征

2.1.5 石泉水库概况

2.1.6 安康水库概况

2.2 径流特性

2.2.1 径流的年内分配

2.2.2 径流的年际变化

2.2.3 径流的代际变化

2.2.4 径流的丰枯变化

2.3 暴雨洪水特性

2.3.1 洪水的地区组成

2.3.2 洪水年际变化

2.3.3 洪水代际变化

2.4 本章小结

3 径流和洪水时间序列的趋势及其持续性检验

3.1 时间序列趋势项的检验方法

3.1.1 Kendall秩次相关检验

3.1.2 Spearman秩次相关检验

3.1.3 年径流时间序列趋势项检验

3.1.4 月径流时间序列趋势项检验

3.1.5 年最大洪峰流量时间序列趋势项检验

3.2 应用R/S法分析径流及洪水变化趋势的持续性

3.3 本章小结

4 基于Hilbert-Huang变换理论的径流及洪水演化规律分析

4.1 频谱分析与Hilbert-Huang变换

4.2 经验模态分解方法(EMD)

4.2.1 筛选过程

4.2.2 筛选停止准则

4.2.3 端点效应抑制方法

4.3 Hilbert变换和Hilbert谱

4.4 基于Hilbert-Huang变换理论的径流及洪水演化规律分析

4.4.1 基于Hilbert-Huang变换理论的径流演化规律分析

4.4.2 基于Hilbert-Huang变换理论的洪水演化规律分析

4.5 本章小结

5 基于混沌理论与神经网络相结合的径流量预测模型

5.1 混沌理论

5.1.1 混沌的定义

5.1.2 混沌的特性

5.2 径流序列的相空间重构

5.2.1 时间延迟τ的确定(自相关函数法)

5.2.2 嵌入维数m的确定(G-P法)

5.3 径流序列混沌性的判别方法

5.4 BP神经网络模型结构

5.5 实例应用

5.5.1 径流序列相空间重构

5.5.2 混沌性判别

5.5.3 BP网络设计

5.6 本章小结

6 结论与展望

6.1 结论

6.2 展望

致谢

参考文献

附录