[发明专利]一种基于小波变换和联合概率分布的水文预报方法

说明书

本发明提供一种基于小波变换和联合概率分布的水文预报方法。一种基于小波变换和联合概率分布的水文预报方法，其中，包括如下步骤：S1.提取预测变量和被预测变量；S2.利用小波分析方法将预测变量分解为不同时间尺度的子时间序列；S3.计算多个预测变量的子时间序列与被预报变量的联合概率分布函数；S4.构建被预测变量和预测变量子时间序列的条件概率分布方程；将小波分析和联合概率分布函数进行集成，从而构建新型的基于小波变换和联合概率分布水文预报方法以适应变化环境下水文预测需求。本发明提供的水文预报方法与传统水文预报方法对比，预报效果更优。

技术领域

本发明涉及水文预报技术领域，更具体地，涉及一种基于小波变换和联合概率分布的水文预报方法。

背景技术

水文预报是水文科学研究中极为重要和棘手的问题之一。提高水文预报的准确性和可靠性，可实现为防汛和水资源管理决策提供更加准确可靠的依据。而探索无资料或资料匮乏区域水文模拟的新方法，提高其预报精度，更是为当前水文预报的研究核心之一。

随着水利、气象、遥感、计算机等专业的发展，水文预报也经历了快速的发展，预报精度也不断的提高。传统的数据驱动模型方法包括多元线性回归模型、成因分析方法、时间序列分析方法等。其中，时间序列分析方法是基于随机理论，将水文时间序列看成为随机成分和确定性成分等项组成，通过对各项模拟并叠加得到水文预报的结果，目前比较常用方法有自回归模型(Autoregressive,AR)、马尔可夫链等。后来，进一步发展为自回归滑动平均(ARMA)模型、分数阶差分自动回归滑动平均模型等各类不同形式的自回归模型。随着技术的进步特别是计算机技术的不断发展，不少国内外学者也不断发展和提出了新的水文预报理论和预报模型，如模糊分析法、ARMA(Auto-Regressive and Moving Average)模型、灰色系统模型、神经网络模型(Artificial Neural Network，ANN)、支持向量机模型(SupportVector Regression，SVR)等。但是上述这些模型在对无资料或资料匮乏区域水文模拟预报时，预报精度仍然需要提高。

发明内容

本发明为实现上述目的，提供一种基于小波变换和联合概率分布的水文预报方法。本发明与常规的预报模型对比，能够实现更优的水文预报。

为解决上述技术问题，本发明采用的技术方案是：一种基于小波变换和联合概率分布的水文预报方法，其中，包括如下步骤：

S1.对于某水文变量的时间序列Q_t，提取1个时间lag(如1小时、1日、1月、1年等)、2个时间lag、3个时间lag或更长的n个时间lag的时间序列Q_t-1、Q_t-2、Q_t-3或Q_t-n，作为初始的预测变量，而原始的水文变量时间序列Q_t作为被预测变量的时间序列；

S2.利用小波变换的分解功能，把预测变量Q_t-1、Q_t-2、Q_t-3或Q_t-n各自分解为高频和低频多个不同时间尺度的子序列sub series，这些子序列sub series将作为以下基于Vinecopula的预报方法的输入因子；

S3.基于Vine copula联合高维分布函数，构建所有的输入因子以及被预测变量Q_t之间的联合概率分布函数；

S4.基于构建的联合概率分布函数，进一步求解被预测变量和预测变量之间的条件分布函数模型，利用该模型实现对被预测变量的预报，并对预报效果进行评估。

进一步的，所述步骤S1中，所述水文变量分为不同种类的水文气象变量和不同时间尺度的水文气象变量，所述不同种类的水文气象变量包括降水、径流、水位及土壤湿度，所述不同时间尺度的水文气象变量的时间尺度包括小时、日、月、年。