[发明专利]中长期径流的预报因子识别方法、中长期径流的预测方法

说明书

本发明提出了中长期径流的预报因子识别方法、中长期径流的预测方法。该中长期径流的预报因子的识别方法包括：(1)标准化处理；(2)设定预见期，将一系列不同滞后期的标准化后的径流序列Q和气候因子集序列F组成的备选预报因子集合X，并将对应标准化后的径流序列Q作为Lasso回归中的集合Y；(3)给定一个参数λ，交叉验证并计算出预报集合Y’，将集合Y’与集合Y进行对比获得参数λ的第一评价指标；(4)选取M个不同的参数λ，对其第一评价指标进行归一化处理并对其结果相加作为评分；(5)统计每个参数λ的总评分，选出总评分最高的参数λ作为最优参数；(6)根据最优参数在步骤(3)中获得的各个气候因子的回归系数，非零的回归系数对应的气候因子被识别为预报因子。

技术领域

本发明涉及中长期水文预报技术领域，具体的，本发明涉及中长期径流的预报因子识别方法、中长期径流的预测方法。

背景技术

中长期水文预报，是指预见期在3天到1年之间，且预见期超过流域汇流时间的水文预报，其预报变量包括水位、径流、降雨等。由于径流和水库调度直接相关，中长期径流预报最为常见也最受关注，在防洪抗旱、水库发电计划制定、水资源综合管理等水库调度决策领域发挥着重要的作用。并且，一般而言，中长期径流预报的预见期越长，就越能支持水库调度决策。

在当前的研究中，由于缺乏相应预见期的可靠的气象预报，水文预报中大都采用基于数据分析的模型，滑动平均自回归(ARMA)模型、人工神经网络(ANN)和支持向量回归(SVR)等众多数据驱动模型都依次被应用到中长期水文预报中，并取得了较好的结果。其中，由于径流时间序列的非线性，ANN、SVR等非线性模型的预报效果要比ARMA模型更好。除了这些单一的模型之外，一些方法结合了不同的模型对径流时间序列进行预报并且取得了比单一模型更好的效果。

但是，现有的研究大都在模型和输出结果的集合方面进行研究，而很少考虑改变模型的输入数据。当前的大多数研究的输入数据都是前期径流，并且在预见期较短时(小于1个月)能够取得较好的结果，这是由于预见期较短时前期径流和当前径流有很强的相关关系，而当预见期变长时，这种相关关系迅速变弱，预报可靠性迅速降低，这也是导致当前中长期径流预报的预见期大都是1个月的主要原因。

事实上，预见期更长的可靠的中长期水文预报对水库调度决策更有用，并且一些外部因子如大气环流因子、海温等也被应用到中长期径流预报中以提高预报精度和预见期。然而这些气候因子众多，并且考虑到气候因子对径流的影响具有滞后性，可以作为备选预报因子的时间序列就更多，如果不进行选择，无法得到有益的预报因子，而当前的预报大都是通过先验知识确定部分预报因子，没有一种稳定的方法用于在众多的因子中挑选合适的中长期径流预报因子作为模型的输入。

因此，现阶段对中长期径流预报的预报因子的识别方法有待改确定。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

本发明是基于发明人的下列发现而完成的：

本发明人在研究过程中发现，当前的中长期径流预报中，模型输入大都是前期径流或者基于经验选取的气候因子。以前期径流作为预报因子对径流预报的预见期会有限制，而当采用对径流的影响比较滞后的气候因子时，考虑到遥相关，有众多的气候因子会对径流产生影响，并且这些气候因子对某地径流的影响的滞后期并不能确定，因此有不同滞后期的众多的气候因子作为备选预报因子，目前在中长期水文预报领域并没有进行过相应的研究，而本发明的目的就在于解决这个问题。