对水文现象观测得到的水文时间序列,通常具有趋势性、周期性和随机性等多项特征.特别是在大尺度条件下,传统水文时间序列预测模型存在构建方法单一、多未考虑噪声影响等问题.为此,本文将小波消噪(wavelet de-noise,WD)与秩次集对分析(ra...对水文现象观测得到的水文时间序列,通常具有趋势性、周期性和随机性等多项特征.特别是在大尺度条件下,传统水文时间序列预测模型存在构建方法单一、多未考虑噪声影响等问题.为此,本文将小波消噪(wavelet de-noise,WD)与秩次集对分析(rank and set pair analysis,RSPA)联合使用,建立了基于小波消噪与秩次集对分析的水文时间序列预测模型(WD-RSPA模型),以充分发挥小波分析多尺度分析、消噪的独特性能和RSPA概念清晰、计算简单的优势,并克服集合元素分类标准确定的主观性.应用所建模型对黄河花园口站1998—2007年的年径流量以及郑州站2001—2009年的年降水量进行了预测,与传统模型预测结果加以对比.结果显示,在合适消噪小波函数以及集合维数下,WD-RSPA模型能够有效避免噪声对模型的影响,模型构建概念清晰、计算简单、预测结果精度较高,验证了所建模型的适用性和优越性.展开更多
文摘对水文现象观测得到的水文时间序列,通常具有趋势性、周期性和随机性等多项特征.特别是在大尺度条件下,传统水文时间序列预测模型存在构建方法单一、多未考虑噪声影响等问题.为此,本文将小波消噪(wavelet de-noise,WD)与秩次集对分析(rank and set pair analysis,RSPA)联合使用,建立了基于小波消噪与秩次集对分析的水文时间序列预测模型(WD-RSPA模型),以充分发挥小波分析多尺度分析、消噪的独特性能和RSPA概念清晰、计算简单的优势,并克服集合元素分类标准确定的主观性.应用所建模型对黄河花园口站1998—2007年的年径流量以及郑州站2001—2009年的年降水量进行了预测,与传统模型预测结果加以对比.结果显示,在合适消噪小波函数以及集合维数下,WD-RSPA模型能够有效避免噪声对模型的影响,模型构建概念清晰、计算简单、预测结果精度较高,验证了所建模型的适用性和优越性.
