论文部分内容阅读
全球气候变化已被公认为当今世界最为重要的环境问题之一。水文气象过程是一个各要素相互作用、相互影响的复杂动态循环系统。由于气候变化、地形地貌和人类活动等多种因素的影响，水文气象过程在空间和时间上表现出高度的非线性、非平稳性和随机性等特征，越来越受到国际社会的关注与重视，成为当今研究的前沿热点问题之一。因此，对水文气象要素进行深入研究，掌握水文气象要素的演变规律和动力学特征，提高水文气象要素的预测精度尤为重要。
论文对国内外集成经验模态分解（Ensemble Empirical ModeDecomposition，简称EEMD）方法、分形理论、循环神经网络（Recurrent Neural Network，简称RNN）预测模型的理论基础及其在水文气象要素方面的应用研究，以及洞庭湖流域水文气象要素的相关研究进展进行了分析，在此基础上，总结了研究的重点和难点，并指出了多尺度变化特征和趋势分析、多重分形方法及预测模型等研究中存在的问题和不足。针对这些不足之处，论文引入自适用EEMD方法对洞庭湖流域水文气象要素多尺度变化特征及趋势进行了分析，采用叠加滑动窗口（OverlapMoving Window，简称OMW）和EEMD改进多重分形去趋势分析（Multi-fractal Detrended Fluctuation Analysis, 简称MFDFA）方法，从多重分形的角度研究了洞庭湖流域水文气象要素的长程相关性，采用“分解—预测—重构”的思想，提出了EEMD耦合RNN循环循环神经网络，分别建立了洞庭湖流域年径流量和日气温预测的 EEMD-ENN（Elman Neural Network，简称ENN）混合模型和EEMD-LSTM（LongShort-Term Memory,简称LSTM）混合模型，并进行了预测实例应用。
论文的主要研究工作和成果如下：
（1）基于 EEMD 的洞庭湖流域水文气象要素多尺度变化特征及趋势分析：首先，对1960~2016年洞庭湖流域年降雨量、年相对湿度、年日照时数、年均气温等四种气象要素和九个水文站 1955~2016 年的年径流量、1958~2016 年的年输沙量等水文数据进行了EEMD分解；其次，研究了洞庭湖流域水文气象要素EEMD分解后的每个本征模态函数（Intrinsic Mode Function,简称IMF）分量的周期、周期显著性检验、方差贡献率以及与原数据距平的相关性；再次，重构了年际和年代际变化序列，其研究结果表明，洞庭湖流域水文气象要素在过去五六十年间总体上呈现出非线性的波动特征，大部分水文气象要素的波动特征主要以年际波动为主，年代际波动为辅。在整个研究期内，年降雨量呈增多的变化趋势，年相对湿度、年日照时数和年均气温呈减少的变化趋势，四水年径流量呈增多的变化趋势，长江三口及城陵矶站年径流量呈减少的变化趋势，而四水、长江三口及城陵矶站的年输沙量呈减少的变化趋势；接着，结合地理信息系统（GeographicInformation System，简称GIS）技术，从空间角度探讨了洞庭湖流域年降雨量、年相对湿度、年日照时数、年均气温的变化趋势。最后，运用卫星遥感技术，提取了东洞庭和南洞庭湖水面积，从空间上认识了洞庭湖水文的变化特征。这些认识有助于更好地从宏观上掌握洞庭湖流域水文气象要素演变的基本规律。
（2）基于OMW-EEMD-MFDFA的洞庭湖流域水文气象要素长程相关性研究：首先，针对MFDFA多重分形特征分析方法本身存在的不足，引入OMW和EEMD方法分别从区间分割和多项式拟合去局部趋势改进 MFDFA 方法，提出了一种改进的多重分形特征分析 OMW-EEMD-MFDFA 混合模型，并对该混合模型进行了仿真实验与精度分析，进一步确认了OMW-EEMD-MFDFA混合模型分析结果的可靠性；其次，将 OMW-EEMD-MFDFA 混合模型应用于洞庭湖流域水文气象要素多重分形特征和长程相关性分析中，研究了该流域水文气象要素的多重分形特征和长程相关性；最后，对洞庭湖流域原水文气象要素时间序列数据进行了重排与替换处理，探讨了洞庭湖流域水文气象要素多重分形特征的形成原因。这些认识可以在前述基本规律的基础上，从微观上更加精细地揭示洞庭湖流域水文气象要素的演变规律。
（3）基于EEMD-ENN的洞庭湖流域年径流预测研究：首先，针对非平稳和非线性时间序列数据预测存在的不足，引入自适应EEMD方法分解ENN的输入参数，提出了一种针对非平稳和非线性时间序列预测的EEMD-ENN混合模型；其次，构建了洞庭湖流域四水主控水文站和城陵矶站年径流量时间序列预测 EEMD-ENN 混合模型；最后，采用平均绝对误差（Mean Absolute Error，简称MAE）、平均绝对百分误差（Mean AveragePercentage Error，简称MAPE）、均方根误差（Root Mean Square Error，简称RMSE）、皮尔森相关系数（PearsonCorrelation Coefficient，简称CC）和纳什效率系数（Nash–SutcliffeCoefficient ofEfficiency，简称NSCE）五种评价指标，评价了ENN、前反馈（Back Propagation，简称BP）神经网络单一模型和EEMD-BP、EEMD-ENN混合模型的预测精度，验证了EEMD-ENN混合模型的预测精度优于其它三个模型。
（4）基于EEMD-LSTM的洞庭湖流域日气温预测研究：首先，针对非平稳和非线性时间序列数据预测存在的不足，引入自适应EEMD方法分解LSTM神经网络的输入参数，并采用偏自相关函数（ParticleAuto-correlation Function,简称PACF）确定 LSTM 神经网络输入参数的个数，提出了一种针对非平稳和非线性时间序列预测的EEMD-LSTM混合模型；其次，构建了洞庭湖流域马坡岭站和芷江站日均气温时间序列预测EEMD-LSTM混合模型；最后，采用均方误差（Mean Square Error，简称MSE）、MAPE、RMSE、CC和NSCE五种评价指标，对RNN、LSTM神经网络单一模型和经验模态分解（Empirical Mode Decomposition，简称EMD）-RNN、EMD-LSTM、EEMD-RNN、EEMD-LSTM混合模型的预测精度进行了评价，验证了EEMD-LSTM混合模型的预测精度优于其它五个模型。
论文采用的EEMD方法、MFDFA方法和RNN循环神经网络以及建立的模型，能够有效地应用于流域水文气象要素的多时间尺度变化特征及趋势分析、多重分形特征及长程相关性分析和预测，不仅对洞庭湖流域水文气象及水资源研究具有重要理论意义和实用价值，而且在其他类似流域具有较大的推广前景。
论文对国内外集成经验模态分解（Ensemble Empirical ModeDecomposition，简称EEMD）方法、分形理论、循环神经网络（Recurrent Neural Network，简称RNN）预测模型的理论基础及其在水文气象要素方面的应用研究，以及洞庭湖流域水文气象要素的相关研究进展进行了分析，在此基础上，总结了研究的重点和难点，并指出了多尺度变化特征和趋势分析、多重分形方法及预测模型等研究中存在的问题和不足。针对这些不足之处，论文引入自适用EEMD方法对洞庭湖流域水文气象要素多尺度变化特征及趋势进行了分析，采用叠加滑动窗口（OverlapMoving Window，简称OMW）和EEMD改进多重分形去趋势分析（Multi-fractal Detrended Fluctuation Analysis, 简称MFDFA）方法，从多重分形的角度研究了洞庭湖流域水文气象要素的长程相关性，采用“分解—预测—重构”的思想，提出了EEMD耦合RNN循环循环神经网络，分别建立了洞庭湖流域年径流量和日气温预测的 EEMD-ENN（Elman Neural Network，简称ENN）混合模型和EEMD-LSTM（LongShort-Term Memory,简称LSTM）混合模型，并进行了预测实例应用。
论文的主要研究工作和成果如下：
（1）基于 EEMD 的洞庭湖流域水文气象要素多尺度变化特征及趋势分析：首先，对1960~2016年洞庭湖流域年降雨量、年相对湿度、年日照时数、年均气温等四种气象要素和九个水文站 1955~2016 年的年径流量、1958~2016 年的年输沙量等水文数据进行了EEMD分解；其次，研究了洞庭湖流域水文气象要素EEMD分解后的每个本征模态函数（Intrinsic Mode Function,简称IMF）分量的周期、周期显著性检验、方差贡献率以及与原数据距平的相关性；再次，重构了年际和年代际变化序列，其研究结果表明，洞庭湖流域水文气象要素在过去五六十年间总体上呈现出非线性的波动特征，大部分水文气象要素的波动特征主要以年际波动为主，年代际波动为辅。在整个研究期内，年降雨量呈增多的变化趋势，年相对湿度、年日照时数和年均气温呈减少的变化趋势，四水年径流量呈增多的变化趋势，长江三口及城陵矶站年径流量呈减少的变化趋势，而四水、长江三口及城陵矶站的年输沙量呈减少的变化趋势；接着，结合地理信息系统（GeographicInformation System，简称GIS）技术，从空间角度探讨了洞庭湖流域年降雨量、年相对湿度、年日照时数、年均气温的变化趋势。最后，运用卫星遥感技术，提取了东洞庭和南洞庭湖水面积，从空间上认识了洞庭湖水文的变化特征。这些认识有助于更好地从宏观上掌握洞庭湖流域水文气象要素演变的基本规律。
（2）基于OMW-EEMD-MFDFA的洞庭湖流域水文气象要素长程相关性研究：首先，针对MFDFA多重分形特征分析方法本身存在的不足，引入OMW和EEMD方法分别从区间分割和多项式拟合去局部趋势改进 MFDFA 方法，提出了一种改进的多重分形特征分析 OMW-EEMD-MFDFA 混合模型，并对该混合模型进行了仿真实验与精度分析，进一步确认了OMW-EEMD-MFDFA混合模型分析结果的可靠性；其次，将 OMW-EEMD-MFDFA 混合模型应用于洞庭湖流域水文气象要素多重分形特征和长程相关性分析中，研究了该流域水文气象要素的多重分形特征和长程相关性；最后，对洞庭湖流域原水文气象要素时间序列数据进行了重排与替换处理，探讨了洞庭湖流域水文气象要素多重分形特征的形成原因。这些认识可以在前述基本规律的基础上，从微观上更加精细地揭示洞庭湖流域水文气象要素的演变规律。
（3）基于EEMD-ENN的洞庭湖流域年径流预测研究：首先，针对非平稳和非线性时间序列数据预测存在的不足，引入自适应EEMD方法分解ENN的输入参数，提出了一种针对非平稳和非线性时间序列预测的EEMD-ENN混合模型；其次，构建了洞庭湖流域四水主控水文站和城陵矶站年径流量时间序列预测 EEMD-ENN 混合模型；最后，采用平均绝对误差（Mean Absolute Error，简称MAE）、平均绝对百分误差（Mean AveragePercentage Error，简称MAPE）、均方根误差（Root Mean Square Error，简称RMSE）、皮尔森相关系数（PearsonCorrelation Coefficient，简称CC）和纳什效率系数（Nash–SutcliffeCoefficient ofEfficiency，简称NSCE）五种评价指标，评价了ENN、前反馈（Back Propagation，简称BP）神经网络单一模型和EEMD-BP、EEMD-ENN混合模型的预测精度，验证了EEMD-ENN混合模型的预测精度优于其它三个模型。
（4）基于EEMD-LSTM的洞庭湖流域日气温预测研究：首先，针对非平稳和非线性时间序列数据预测存在的不足，引入自适应EEMD方法分解LSTM神经网络的输入参数，并采用偏自相关函数（ParticleAuto-correlation Function,简称PACF）确定 LSTM 神经网络输入参数的个数，提出了一种针对非平稳和非线性时间序列预测的EEMD-LSTM混合模型；其次，构建了洞庭湖流域马坡岭站和芷江站日均气温时间序列预测EEMD-LSTM混合模型；最后，采用均方误差（Mean Square Error，简称MSE）、MAPE、RMSE、CC和NSCE五种评价指标，对RNN、LSTM神经网络单一模型和经验模态分解（Empirical Mode Decomposition，简称EMD）-RNN、EMD-LSTM、EEMD-RNN、EEMD-LSTM混合模型的预测精度进行了评价，验证了EEMD-LSTM混合模型的预测精度优于其它五个模型。
论文采用的EEMD方法、MFDFA方法和RNN循环神经网络以及建立的模型，能够有效地应用于流域水文气象要素的多时间尺度变化特征及趋势分析、多重分形特征及长程相关性分析和预测，不仅对洞庭湖流域水文气象及水资源研究具有重要理论意义和实用价值，而且在其他类似流域具有较大的推广前景。