[发明专利]一种集合经验模态分解及遥相关的中长期径流预报方法

说明书

本发明公开了一种集合经验模态分解及遥相关的中长期径流预报方法，涉及径流预报技术领域。与现有技术相比，该预报方法充分考虑了径流序列的非稳态性，使用集合经验模态分解的方法将径流转化为多组稳态序列，实现了水文序列稳态化，为常规的预报方法提供了最基础的数据条件。同时，该预报方法针对常规自适应中长期径流预报在物理机理方面的不足，采用遥相关数据分析的方法，分析多组稳态序列的气象影响因子，能充分剥离不同频率序列的物理因子，挖掘径流序列隐藏的物理机制，建立的预报模型提高了中长期径流预报的准确性。

技术领域

本发明涉及径流预报技术领域，尤其涉及一种集合经验模态分解及遥相关的中长期径流预报方法。

背景技术

中长期径流预报是水资源配置方案、水库水量调度计划最重要的数据基础和制定依据，是实现水资源高效利用、防洪减灾的关键技术，径流预报的精度同时又给库区来水、调度风险带来不确定性。径流序列受大气变化、下垫面情况、人类活动等多因素影响，径流变化多样，影响因素复杂，呈非稳态，具有一定的周期性，随机性和趋势性，故准确预报径流并掌握其物理机理具有较大的难度。

目前，常用的中长期径流预报方法主要有：基于数据统计分析的自回归模型预报和气象因子遥相关分析预报两大类方法。其中预报模型通常使用人工神经网络、支持向量机、线性回归等智能优化算法对径流进行预测。现有的两类方法建立的预报模型都将径流序列假定为稳态序列，从而导致预报精度不高。另外，自回归预报模型忽略了径流过程中的水文物理机理，使用智能算法对径流进行自相关分析，会导致预报过拟合，出现失真现象。

发明内容

本发明的目的在于提供一种集合经验模态分解及遥相关的中长期径流预报方法，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

一种集合经验模态分解及遥相关的中长期径流预报方法，包括如下步骤：

S1，提取径流序列及响应的预报因子数据，从径流序列Q中剔除趋势项trend生成新的无趋势变化的径流序列Q'，将滞后时段t的遥相关数据D组成一系列的气象因子集合X(D,t)；

S2，采用集合经验模态分解的方法将径流序列Q'分解为满足Hilbert变换要求的n层本征模态函数IMF(1),IMF(2),…,IMF(n)和一层残余项Res，组成一组自变量集合Y＝[IMF(n),Res]；

S3，确定自变量集合Y相关的预报因子F(X,n+1)，包括如下步骤：

S301，对不同的气象因子X(D,t)与每层本征模态函数和残余项Res进行相关性分析，得到相关因子；

S302，根据得到的相关因子，判断X(D,t)和Y＝[IMF(n),Res]中每组序列的相关性，通过T检验，初步筛选每组自变量的相关性较大的气象因子；

S303，根据逐步回归方法，挑选显著影响因子，最终确定每组自变量的预报因子F(X,n+1)，完成对n阶自变量Y的预报因子识别工作；

S4，利用筛选出来的预报因子F(X,n+1)和已知径流分解后的IMF(1),IMF(2),…,IMF(n)、Res构建基于集合经验模态分解与遥相关数据的径流预报模型；

S5，根据所述径流预报模型对下一时段的中长期径流进行预报。

优选地，S4包括如下步骤：

S401，构建径流预报模型的训练、验证样本集：根据样本数据长度，确定模型训练期和检验期长度，并将输入因变量F(X,n+1)为已识别的气象因子及确定的滞后期，自变量Y为n层本征模态函数IMF(1),IMF(2),…,IMF(n)、残余项Res分为训练样本集和检验期样本集两段；

S402，基于已获得的训练样本集，建立并训练人工神经网络模型，进而预报检验期的自变量Y；