長江上游干流區(qū)徑流變化規(guī)律及預測研究.pdf

1、長江上游流域東臨湖北、湖南兩省，南靠廣西壯族自治區(qū)和老撾、越南兩國，西連青藏高原并與緬甸接壤，北與陜西、甘肅、青海三省毗鄰，幅員遼闊、跨越多種自然地理環(huán)境，受來自不同氣候帶的影響，流域內氣象萬千，水文現象錯綜復雜。由于對流域水文過程認識程度的局限和所持有的影響水文過程資料的限制，至今還難以完全用數學物理方法確切地描述其中每一個過程。以前主要基于單個水文站或用傳統(tǒng)研究方法和手段對流域徑流的變化規(guī)律進行研究和預測，該方法目前面臨著許多無法妥

2、善處理的困難，為了沖破這種困境，需要不斷的引入新的理論和方法，同時需要將不同的方法有機的結合起來，對流域整體進行系統(tǒng)的分析和研究。 本論文結合國家重點基礎研究發(fā)展計劃（NO．2003CB415202－1），在總結吸收前人研究成果的基礎上，運用現代分析及預測新理論，即混沌理論、小波理論、人工神經網絡理論、近似熵復雜性理論，并結合傳統(tǒng)的理論和分析方法，利用4個代表站100多年的徑流資料，對長江上游干流區(qū)徑流長期變化的重要特性如：周期

3、性、相關性、混沌性、復雜性和突變性進行分析研究；對近似熵復雜性分析中小波消噪的域值選取規(guī)則和消噪小波函數的選取方法進行了探討；對太陽黑子數與長江上游干流區(qū)年徑流時序相關性進行多尺度分析；對太陽黑子數引入徑流預測模型后模型預測效果的變化進行了比較；根據干流區(qū)徑流變化特性建立相應的年徑流降尺度模型和徑流預測模型，通過不同模型的比較，尋求適合于長江上游干流區(qū)徑流降尺度和預測的模型；基于神經網絡的特點，根據年徑流長期變化的主周期，對未來15年長

4、江上游徑流變化趨勢進行了預測分析，為今后長江上游水資源管理的政策制定者、研究人員以及公眾提供未來徑流變化的背景。概括起來，本次研究和預測分析取得以下主要成果： 1）對于整個長江上游干流區(qū)而言，7~9月是主汛期，1~3月是主枯季；下游的汛期早于上游；年徑流的變化趨勢主要受汛期徑流變化的影響；年徑流近來出現一種微弱下降趨勢。 2）各代表站的年（月）徑流具有混沌特性。從各站徑流時間序列的嵌入維數和飽和關聯維數的對比可以得出：對

5、于干流區(qū)，由于受支流來水逐步加入、沿途降雨和水庫調節(jié)的影響，從上游到下游，徑流序列的復雜性逐漸增大。 3）從近似熵的角度來看，徑流序列復雜性整體表現為從上游到下游逐漸增加；同一水文站原始徑流序列的復雜性高于小波消噪后序列的復雜性；干流區(qū)徑流量的復雜性呈現一個整體的減少趨勢，但變化幅度不大；不同的消噪閾值選取原則對徑流序列近似熵的計算沒有根本性的影響，但不同消噪小波函數對徑流序列近似熵的計算有較大的影響。 4）年平均徑流在

6、長期的變化中主要存在32年左右的長周期變化，它們主導著年平均徑流長期變化的特性。同時，研究也顯示出年平均徑流存在15年左右的年代周期變化、8年和3年的年際周期變化特點。從各個站年平均徑流變化的主周期來看，屏山站在2004年后處于枯水期，寸灘站在2003年后處于豐水期，萬縣站在1987年后處于枯水期，宜昌站在2000年后處于豐水期。不同尺度下年徑流波動變化不同，如何看待其年徑流的演變規(guī)律，與分析使用的時間尺度有緊密聯系，從而也要求應在不同

7、的時間尺度下對未來作趨勢分析預測。 5）屏山站在在長期的變化中，序列自身不存在相關性；而寸灘站和宜昌站的序列自身存在一定的相關性。屏山站、寸灘站和宜昌站的年徑流時間序列在長期的變化中，存在有一定的互相關性。對于不同的時間尺度而言，3個站相互之間存在著或正或負或獨立的關系，其中正相關占主導地位；各個站在多尺度下的互相關性比原始序列的要好；隨著尺度的增大，3個站相互之間在t時刻的相關系數逐漸增大，但過了3個站年徑流變化的主周期（a＝

8、17）以后，隨著尺度的增大，t時刻的相關系數開始減少；隨著時移的增加，3個站相互之間的相關性減弱或出現較大負相關；就年際時間尺度而言，3個站在其徑流變化的主周期（a＝9）相互之間的互相關系數最大，就年代際的時間尺度而言，3個站在太陽黑子變化的第一主周期（a＝11）相互之間的互相關系數最大。 6）太陽黑子活動與原始徑流序列在長期的變化中：與寸灘站和宜昌站的徑流序列之間表現為獨立不相關，而與屏山站和萬縣站存在一定的相關性。在太陽活動

9、主周期內，a=11年時，太陽黑子活動與4個站的徑流序列之間主要表現為較好的負相關。a=22年時，與屏山站徑流序列之間主要表現為負相關，與寸灘站主要表現為正相關，與宜昌站的相關性沒有明顯的規(guī)律；在各個站年徑流變化的第一主周期內，太陽黑子數與寸灘站和宜昌站徑流之間表現為獨立不相關，與屏山站和萬縣站徑流之間主要表現為負相關。 7）將同期太陽黑子引入年徑流的預測模型后，不論是BP神經網絡預測模型，還是小波網絡預測模型，年徑流模型的預測效

10、果都有一定程度的改善。 8）長江上游干流區(qū)年平均徑流的分解系數具有混沌特性；從分解系數的飽和關聯維數的大小比較可以得出，從上游到下游，年平均徑流分解系數的復雜性逐漸增大，這與從上游到下游徑流本身復雜性的變化是一致的。 9）從五種預測模型對年平均徑流分解系數的預測來看，小波網絡預測模型的預測精度較高，即小波網絡模型是適合于長江上游干流區(qū)年徑流降尺度分析的模型。 10）將確定性和不確定性的分析方法有機的結合（耦合）起

11、來，互相取長補短，是目前建立水文水資源分析與預測模型發(fā)展的一種必然趨勢。本文采用多尺度分析理論中的Mallat算法和Daubechies小波與神經網絡建模方法結合，建立徑流時間序列的小波網絡預測模型，是為研究徑流時間序列的演變規(guī)律而嘗試的新的方法。通過4個站年平均徑流序列資料進行建模和驗證得到：本文所建立的小波網絡預測模型，概念清晰，結構嚴謹，與相空間網絡預測模型和傳統(tǒng)的BP神經網絡預測模型比較，預測精度較高，能更好的反映年徑流時間序列

12、變化的規(guī)律。 11）在不知道前期月徑流的情況下，以每月歷年的月徑流時間序列為研究對象，建立了小波網絡模型，通過在4個代表站的實際應用表明小波網絡模型的檢驗合格率和平均相對誤差都要明顯優(yōu)于BP神經網絡模型，該模型易于操作，適于對月徑流進行預測。 12）采用神經網絡理論，建立了年徑流的中長期BP網絡預測模型，在模型中以寸灘站和宜昌站年徑流變化的主周期（15年）來確定神經網絡的輸入和輸出節(jié)點數。通過檢驗發(fā)現以此模型來預測分析未

13、來15年年徑流變化的趨勢是可行的。長江上游年徑流在（2001～2005年）處于豐水時段；2006～2010年上游寸灘站仍然處于豐水時段，但宜昌站表現為處于枯水時段，估計與寸灘站與宜昌站之間區(qū)域的降雨減少有關；2011～2016年長江上游處于枯水時段；2016年過后，長江上游又開始由枯水時段轉為豐水時段。 總之，本文運用現代新理論、新方法，多途徑系統(tǒng)地研究了長江上游干流區(qū)徑流的變化特性，并為決策制定者、研究人員以及公眾提供了干流區(qū)