导读:本文包含了水文序列论文开题报告文献综述及选题提纲参考文献，主要关键词:水文序列,趋势检验,Mann-Kendall法,指标体系
水文序列论文文献综述
张姝琪,张洪波,辛琛,南政年,李哲浩[1]（2019）在《水文序列趋势及形态变化的表征方法》一文中研究指出变化环境下水文序列表现出非一致性,形态变化也呈现非单调性甚至非平稳性波动特征,导致传统的水文分析计算和水资源核算面临极大挑战。通过集成不同统计检验参数或方法,提出一套表征水文序列趋势形式及形态变化的指标体系,并以渭河流域咸阳站等7个站点年径流序列为例,验证了该方法的适用性。结果表明,该体系可较为有效地对具有相同Mann-Kendall检验值的不同水文序列的形态变化进行分析与对比,反映水文序列形态变化的宏观特征,实现不同水文数据序列间的空间差异性表征。(本文来源于《水资源保护》期刊2019年06期）
许国艳,朱进,司存友,胡文斌,刘凡[2]（2019）在《基于CNN和MC的水文时间序列预测组合模型》一文中研究指出对于水位精准的预测是预防洪涝灾害的有效措施。在深度学习不断发展的背景下,提出基于卷积神经网络和马尔科夫链的水文时间序列预测组合模型,该模型解决了现有算法未考虑站点之间空间的相关性、多维输入的时候会提高特征提取中数据重建的复杂度,以及单一模型只考虑水位时间序列线性部分而未考虑非线性部分所导致的预测精度低的问题。该组合模型首先运用卷积神经网络训练水位时间序列和降雨量时间序列对未来水位进行预测,并结合原始时间序列计算得到残差序列,再将使用马尔科夫链训练残差序列得到的残差预测结果和卷积神经网络预测的值相加得到最终的结果。实验表明,该方法与现有算法相比,在预报准确率上能够取得更好的效果。(本文来源于《计算机与现代化》期刊2019年11期）
吴林倩,谢平,吴子怡,桑燕芳,陈杰[3]（2019）在《基于相关系数的水文序列滑动周期识别方法》一文中研究指出准确进行周期识别对于合理认识水文变异规律、开展中长期水文模拟预报、水安全评价等具有重要的意义.本文通过滑动改变周期长度和初相位,构造出多组模拟周期序列,并以相关系数作为模拟周期序列与原始序列拟合精度的判别指标,选择拟合程度最好的模拟周期作为最优周期识别结果,从而提出水文序列滑动周期识别方法.理论和公式推导表明:相关系数可表征水文序列中的周期波动程度,相关系数越大,说明拟合精度越高,对应的周期变异越显着.统计试验结果显示:相比于常用的周期识别方法,文中方法的周期识别效率更高,且在各因素影响下也最具稳定性和可靠性.最后,文中方法应用于澜沧江流域21个站的年降雨量序列进行周期识别,结果显示该流域的降雨周期存在多时间尺度特征,北部和中部的降雨周期长度较短,多数在2～5 a左右,而南部的降雨周期5～10 a居多,个别站点的周期长度达到了18 a.(本文来源于《科学通报》期刊2019年24期）
孔兰,胡良和[4]（2019）在《南方水库水文序列突变点检测》一文中研究指出以我国南方长潭水库水文站1961-2005年共45 a的年平均流量序列为例,利用累积距平法、Mann-Kendall突变分析方法(M-K法)、相关分析法等,研究了长潭水库水文序列的突变情况。结果表明:①从20世纪70年代初期开始,长潭水库年平均流量呈上升趋势,特别是在1996-2001年显着上升,产生了突变现象;②年平均流量系列的突变点为1975年,是自然与人为活动共同影响的结果,产生突变的主要驱动力是气候变化。(本文来源于《中国农村水利水电》期刊2019年08期）
程扬,王伟,王晓青[5]（2019）在《水文时间序列预测模型研究进展》一文中研究指出水文时间序列具有确定成分和随机成分,运用有效的数学方法提取序列样本中的各个成分,通过数学建模的思想,模拟和预测时间序列是近年来水文预报的重要发展方向。与以往过程驱动模型不同,近年来水文预报的模型主要是数据驱动模型,这类模型分为传统方法和新方法两大类。前者主要有成因分析和水文统计方法等,后者包括近年来新兴的模糊分析、人工神经网络、灰色系统分析、支持向量机等。对目前运用于时间序列预测的几个代表方法的模型特点、适用范围和不足进行了简要评述,展望了水文时间序列预测模型未来发展,期望能为水文预报工作提供帮助。(本文来源于《人民珠江》期刊2019年07期）
李雅晴,谢平,桑燕芳,陈杰,赵羽西[6]（2019）在《水文序列相依变异识别的RIC定阶准则——以自回归模型为例》一文中研究指出水文过程相依性是水文变异的主要表现形式之一,应用自回归模型对其进行拟合时合理确定模型阶数是一个难点问题。本文在分析AIC和BIC准则的基础上,提出了一种以原序列与其相依成分的相关系数作为拟合度指标,同时借用信息熵形式的函数式,作为模型不确定性度量指标的自回归模型定阶准则(简称RIC准则)。以AR(1)、AR(2)、AR(3)和AR(4)模型为例进行统计试验,将不同序列长度下该准则的定阶准确率与其他定阶准则进行比较,试验结果表明,RIC准则对于上述模型均具有较好的适应性,且定阶准确率远高于AIC准则,其中对于前叁阶模型RIC准则优于BIC准则,但四阶模型略低于BIC准则。RIC准则的优势是可以同时满足模型定阶、相依程度分级与模型检验的需求,将其应用于实测水文序列分析,结果显示,该准则能较准确地识别自回归模型的阶数,且符合提出的"相依有变异而残差无变异的最小阶数"的检验标准。(本文来源于《水利学报》期刊2019年06期）
周雨婷[7]（2019）在《WA-ANN模型在水文时间序列长期预报中的应用》一文中研究指出准确高效的水情长期预报能够为水文气象相关部门在防汛抗旱规划决策、水利工程调度运行及水资源开发利用等工作提供科学依据。为建立水文时间序列长期预报模型,探究建模思路与设计方法,本文以上海为研究区域,选取黄浦公园水文站、吴淞水文站、徐家汇气象代表站为研究站点,对年最高水位、年降水量及汛期降水量序列建立基于小波分析(Wavelet analysis,WA)的多类型人工神经网络(Artificial neural network,ANN),即WA-ANN模型,进行水情长期预报研究。该模型首先采用小波分析识别并分离出样本序列中的确定性成分与随机成分,然后对两部分分别建立适用于预测预报的典型ANN,包括BP神经网络、径向基函数(Radial basis function,RBF)神经网络、广义回归神经网络(General regression neural network,GRNN)、小波神经网络(Wavelet neural network,WNN)及Elman神经网络,最后将两部分的预测结果迭加得到样本序列的最终预测结果。结合混沌特性分析、自相关分析、经验公式、试错法及遗传算法等方法设定ANN的网络初始参数,根据平均相对误差、平均绝对误差、均方根误差及合格率等四项评价指标,评价不同类型WA-ANN模型的预测精度与稳定性,验证建模思路与网络设计方法的可行性与合理性,并与其他常用长期预报模型预测效果进行对比。主要研究结论如下:(1)基于小波分析建立ANN在研究区域与站点能够提高水情长期预报精度。相比于标准ANN,WA-ANN模型应用于黄浦公园年最高水位、吴淞年最高水位、徐家汇年降水量与汛期降水量等四个水文样本序列的长期预报具有更高的精度。(2)结合多方法进行网络设计具有一定合理性与可行性。经黄浦公园年最高水位、吴淞年最高水位、徐家汇年降水量与汛期降水量等四个水文样本序列验证,结合混沌特性分析与自相关分析确定ANN输入层节点数,通过经验公式、试错法设定ANN隐含层节点数、学习率等初始参数,采用遗传算法选取BP神经网络初始权重与阈值,以此设置模型参数得到的预测结果符合长期水文预报的精度评定规定,预测效果较好。(3)对于黄浦公园年最高水位、吴淞年最高水位、徐家汇年降水量与汛期降水量等四个水文样本序列的长期预报,ANN较自回归模型AR(p)、单变量一阶灰色模型GM(1,1)及门限自回归模型TAR而言具有更好的适用性,整体预测精度更高。其中,GRNN神经网络在稳定性与精度两方面均有较好表现,是水文样本序列长期预报最适用的神经网络类型,其应用于黄浦公园年最高水位序列、吴淞年最高水位序列及徐家汇年降水量序列预测的平均相对误差分别为3.8%、2.8%、11.8%,合格率分别为93.8%、100%、77.3%,预测效果较好;同时,其应用于徐家汇汛期降水量序列预测的平均相对误差与合格率分别为19.7%、68.2%,仅达到水文长期预报基本精度要求,预测效果有待优化。(本文来源于《南京大学》期刊2019-05-20）
余洋,万定生[8]（2019）在《基于WNN-SVM的水文时间序列预测方法研究》一文中研究指出在面对具有随机性、突变性的复杂时间序列数据(如流量等水文时间序列数据)时,传统单一的模型的预测精度不尽人意,对单一模型的优化不能完全克服其局限性。因此,文中提出一种基于WNN-SVM组合的水文时间序列预测模型。首先对水文时间序列数据作均值归一化处理,然后对预处理后的水文时间序列进行小波分解,将分解后的子序列通过相空间重构的方法使其从低维时间序列向高维转换;根据其分解后的特点,对尺度变换序列采用支持向量机(SVM)进行建模预测,小波变换序列采用小波神经网络(WNN)进行建模预测,再将两者的预测结果进行小波重构,得到原始序列预测值。随后采用屯溪流域1980年至2007年43 996个小时流量数据进行实验验证,结果表明该模型的预测精度高于单一模型,证明了该模型的有效性。(本文来源于《计算机技术与发展》期刊2019年09期）
田小靖,赵广举,穆兴民,胡晋飞[9]（2019）在《水文序列突变点识别方法比较研究》一文中研究指出水文序列突变点的识别是研究水文序列突变特征的重要环节,对水文分析和水文模拟预测意义重大。选取了目前国内外较为常用的9种水文序列突变点识别方法,即累积距平法、Mann-Kendall检验法(M-K)、有序聚类分析法、双累积曲线法、Pettitt法、BFAST法、水文情势突变法(RSI)、Lee-Heghinian法和Yamamoto法,采用黄河中游头道拐站和龙门站1960-2016年的57年长时间序列输沙数据,对比分析各种方法的适用性及准确性。结果表明:累积距平法、有序聚类分析法、双累积曲线法和Lee-Heghinian法能够较准确地获取输沙序列突变点,RSI和Pettitt检验法的适用性最好(p<0.01),M-K检验法次之(p<0.05),Yamamoto法最差;BFAST法不仅能够识别月尺度水文序列的突变点,也可用于解析其阶段性变化趋势。(本文来源于《泥沙研究》期刊2019年02期）
李云霞,姚建国,万定生,赵群[10]（2019）在《一种水文时间序列异常模式检测方法研究》一文中研究指出时间序列数据是一类常见的多维复杂类型数据,它客观记录了观测系统随时间次序而变化的、在各观测时刻点的重要信息。时间序列数据具有海量性、高维性、复杂性等特点,直接对原始水文时间序列进行异常检测需要花费大量的时间,因此提出一种基于两阶段的水文时间序列异常检测方法。该方法通过分段线性表示方法对原始时间序列进行表示,提取子序列的斜率,极值差和均值叁个特征值来表示原始时间序列。第一阶段在每个子序列为一个叁元组的基础上用层次聚类算法对数据进行聚类,得到聚类结果。第二阶段基于聚类结果计算每一类的异常因子,根据异常因子判定异常模式。为验证该方法的有效性,采用龙门站的实测数据和人工合成数据进行实验检测,取得了较好的效果。(本文来源于《计算机技术与发展》期刊2019年07期）
水文序列论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
对于水位精准的预测是预防洪涝灾害的有效措施。在深度学习不断发展的背景下,提出基于卷积神经网络和马尔科夫链的水文时间序列预测组合模型,该模型解决了现有算法未考虑站点之间空间的相关性、多维输入的时候会提高特征提取中数据重建的复杂度,以及单一模型只考虑水位时间序列线性部分而未考虑非线性部分所导致的预测精度低的问题。该组合模型首先运用卷积神经网络训练水位时间序列和降雨量时间序列对未来水位进行预测,并结合原始时间序列计算得到残差序列,再将使用马尔科夫链训练残差序列得到的残差预测结果和卷积神经网络预测的值相加得到最终的结果。实验表明,该方法与现有算法相比,在预报准确率上能够取得更好的效果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
水文序列论文参考文献
[1].张姝琪,张洪波,辛琛,南政年,李哲浩.水文序列趋势及形态变化的表征方法[J].水资源保护.2019
[2].许国艳,朱进,司存友,胡文斌,刘凡.基于CNN和MC的水文时间序列预测组合模型[J].计算机与现代化.2019
[3].吴林倩,谢平,吴子怡,桑燕芳,陈杰.基于相关系数的水文序列滑动周期识别方法[J].科学通报.2019
[4].孔兰,胡良和.南方水库水文序列突变点检测[J].中国农村水利水电.2019
[5].程扬,王伟,王晓青.水文时间序列预测模型研究进展[J].人民珠江.2019
[6].李雅晴,谢平,桑燕芳,陈杰,赵羽西.水文序列相依变异识别的RIC定阶准则——以自回归模型为例[J].水利学报.2019
[7].周雨婷.WA-ANN模型在水文时间序列长期预报中的应用[D].南京大学.2019
[8].余洋,万定生.基于WNN-SVM的水文时间序列预测方法研究[J].计算机技术与发展.2019
[9].田小靖,赵广举,穆兴民,胡晋飞.水文序列突变点识别方法比较研究[J].泥沙研究.2019
[10].李云霞,姚建国,万定生,赵群.一种水文时间序列异常模式检测方法研究[J].计算机技术与发展.2019
标签：水文序列; 趋势检验; Mann-Kendall法; 指标体系;