中期和长期预测
如果用于洪水预报定量短期预测,中期和长期预测的管理过程中起着重要作用水资源。农业和水的供应等水使用,可以极大地受益于可用的降雨量的预测,可以预计在一个月或一季的时间范围。这个问题特别适用于复杂系统,强烈依赖的地表水和地下水联合管理资源。在中期和长期预测尺度涉及类似的问题已经观察到更小的时间尺度。非平稳、非线性以及识别正确的预测制导方法的发展。
而回归方法,最近,人工神经网络已被广泛用于目的,一些其他的方法可以在文献中找到预测降雨在中期和长期的时间尺度。截断正态分布,例如,制定一个非平稳的多站点的基础模型的降雨,Sanso Guenni(2000)显示捕捉年际变化和建议适用于短期预测。石头et al。(1996)和de Jager et al。(1998)使用一个简单的概率降雨预测技术,是基于识别滞后南方涛动指数的值之间的关系(SOI)——可以被视为代表阶段的厄尔尼诺南方涛动(ENSO)未来降雨周期。后续3个月的概率分布从而衍生条件对SOI的状态。沙玛(2000)引入了一个非参数概率模型预测降雨与3 - 24个月的交货期。内核具体来说,非参数方法(例如,斯科特,1992)的概率密度函数(PDF)估计是用来表达条件概率密度函数。然后,概率预测是由重采样的降雨概率密度条件相关的当前值预测集。这种方法的一个有趣的特性是,PDF的形状直接从数据构建的,这导致预测,预计类似样品的特点,因此复制实际降雨量的变化。
回归技术被广泛用于预测季节性降雨。预测变量的增加可用性和ENSO一样,在近乎实时的,通过观察或数值天气预报增加了回归模型的适用性和卡尔曼滤波器(例如,刘et al ., 1998)。Makarau和陪审团(1997)预测夏季降雨在津巴布韦基于一组气候预测的多元线性回归模型中提出循序渐进的工作方式。相当简单的模型包括5预测生产中间呈v形弯技能测试相关性约85%到80的交货时间2到3个月。类似的方法被陪审团(1998)预测季节性降雨和其他气候变量KwalaZulu-Natal地区在南部非洲,也获得预测能力约76%的降雨和三分之二的方差在其他情况下。弗朗西斯和Renwick(1998)关注预测季节性(一个月或一个赛季)降雨异常。
同样,Thapliyal(1997)进行了比较,预报模型的基础上,预测与预报量之间的相关性和动态随机转移模型来预测在印度季风降雨。动态随机转移模型ARIMA模型结构,对应的订单估计与观察。应该注意到,使用回归技术中的一个关键问题是选择的稳定性预测和描述其演化模型的鲁棒性。最后,ARMA模型,已被广泛应用于预测流速及流水量,也被用来模拟而不是预测中期和长期的降雨。每月ARIMA模型预测降雨系列的另一个应用程序提供一个输入流的目的预测在水资源管理系统中可以找到Delleur和Kavvas (1978)。
在短期预测中,提出了人工神经网络预测季节性降雨。人工神经网络被发现是有用的预测行为的复杂和高度动态的系统等
-
- 图3的架构分层人工神经网络结合确定性信息历史数据和随机组件所代表的事件预测季节性季风降水的预测(从Navone Ceccatto, 1994)。
季风降雨。简单的确定性神经网络显示,然而,一个鲁棒性的预测能力有限,所以常常引入更复杂的网络。一个简单的例子但是输入,两个隐藏层和一个输出神经元网络预测印度季风降雨中可以找到Sahai et al。(2000)。另一方面,Navone和Ceccatto(1994),提出了一个有趣但复杂的人工神经网络的应用,作为一种非线性方法来关联季前赛预测降雨数据和作为重建的算法降雨时间序列动态。因此,他们实现了一个分层神经网络,这是画在图3中。网络训练的关联预测和网络训练学习时间序列动态相结合通过连接它们的输出单位新的神经元,然后使用它来预测问题。作者引用对一种改进的预测技能由于分层的方法,特别是在预测大的异常。人工神经网络的性能可以减少如果训练和预测使用的参数是相关的。Guhathakurta et al。(1999)使用主成分分析建议由谢长廷和唐(1998)——将原始变量转换为一个新的组不相关的变量。这些是用于训练和预测的三层问题,5个输入,三个隐藏节点在一个隐藏层安。安这样的输出和输出一个简单的确定性安使用untransformed参数设置每个被用作输入一个简单的两层安没有任何隐藏层,产生降水的预测。最后混合模型增加了总体预测技能从约40至80%。
继续阅读:雪水文
这篇文章有用吗?
