郭巧玲,韓振英,蘇 寧 ,劉培旺

(1.河南理工大學(xué)資源環(huán)境學(xué)院,河南 焦作 454003; 2.黃河中游水文水資源局,山西 榆次 030600)

?

R/S-GM(1,1)組合模型在徑流預(yù)測(cè)中的應(yīng)用

郭巧玲1,韓振英1,蘇 寧1,劉培旺2

(1.河南理工大學(xué)資源環(huán)境學(xué)院,河南 焦作 454003; 2.黃河中游水文水資源局,山西 榆次 030600)

基于R/S分析法能提供有效的非線性科學(xué)預(yù)測(cè),河川徑流具有灰色稟性,為了提高河流徑流預(yù)報(bào)精度,提出了R/S分析與灰色理論相結(jié)合的河川徑流預(yù)測(cè)方法。該方法可以克服徑流灰色預(yù)測(cè)存在的數(shù)據(jù)波動(dòng)較大時(shí)預(yù)測(cè)精度降低的缺陷。將該方法應(yīng)用到黑河鶯落峽站和正義峽站的年徑流量、汛期和非汛期徑流量6個(gè)序列進(jìn)行徑流預(yù)測(cè)驗(yàn)證。結(jié)果表明:兩站年徑流量和汛期徑流量序列的預(yù)測(cè)精度都在90%左右,非汛期徑流量序列在80%以上,各徑流序列預(yù)測(cè)結(jié)果與Mann-Kendall趨勢(shì)檢驗(yàn)一致,預(yù)測(cè)結(jié)果可靠,為河流徑流量的科學(xué)預(yù)測(cè)提供了一種新方法。

徑流預(yù)測(cè);R/S分析;灰色理論;Mann-Kendall檢驗(yàn);GM(1,1)模型;黑河

河川徑流作為水循環(huán)的重要環(huán)節(jié),是水資源綜合開發(fā)利用、科學(xué)管理、優(yōu)化調(diào)度最重要的依據(jù)[1]。徑流預(yù)測(cè)是流域防汛、抗旱、水資源合理開發(fā)利用和水利工程有效管理的基礎(chǔ)[2]。河川徑流受多種因素的影響和制約,表現(xiàn)出復(fù)雜、隨機(jī)、多維等特性,探尋能夠提高預(yù)測(cè)精度的模型對(duì)河川徑流預(yù)測(cè)預(yù)報(bào)具有重要的現(xiàn)實(shí)意義和應(yīng)用價(jià)值[3]。

目前徑流預(yù)測(cè)研究還處于發(fā)展階段[4],預(yù)測(cè)方法較多?；疑碚搶㈦S機(jī)量當(dāng)作在一定范圍內(nèi)變化的灰色量,將隨機(jī)過程當(dāng)作在一定幅區(qū)和時(shí)區(qū)變化的灰色過程,具有廣泛的適應(yīng)性[5]。對(duì)于小樣本,通過鑒別系統(tǒng)因素之間發(fā)展趨勢(shì)的相異程度和關(guān)聯(lián)分析,對(duì)原始數(shù)據(jù)進(jìn)行生成處理,尋找系統(tǒng)變化規(guī)律,在數(shù)據(jù)較少且序列波動(dòng)小時(shí)效果較好[6]。河川徑流由于受眾多因素影響,徑流序列表現(xiàn)出復(fù)雜、多變的不確定性,同時(shí)人類對(duì)水文信息了解的不完全性,使得河川徑流具有灰色稟性[5],目前將灰色理論應(yīng)用到河川徑流預(yù)測(cè)的研究較多[7]。但在非線性水文序列預(yù)測(cè)中,當(dāng)數(shù)據(jù)波動(dòng)較大時(shí)預(yù)測(cè)精度大幅度降低[8]。R/S分析法能從分形時(shí)間序列中區(qū)分出隨機(jī)序列和非隨機(jī)序列,為徑流時(shí)序的復(fù)雜性演變提供了一種有效的非線性科學(xué)預(yù)測(cè)方法[9]。其中,Hurst指數(shù)通常用來確定徑流時(shí)間序列的分形結(jié)構(gòu)和狀態(tài)持續(xù)性,平均循環(huán)長度可以判定系統(tǒng)的記憶時(shí)間長度[10]?；诖?本文探討采用R/S分析與灰色理論相結(jié)合的方法進(jìn)行河川徑流預(yù)測(cè),尋求能夠高效、準(zhǔn)確進(jìn)行徑流預(yù)測(cè)的方法。

1 R/S-GM(1,1)模型構(gòu)建

1.1 R/S分析法

R/S分析法是由英國學(xué)者Hurst于1965年提出的一種處理時(shí)間序列的方法,也稱分形時(shí)間序列[11],應(yīng)用Hurst指數(shù)H來判斷趨勢(shì)性成分的強(qiáng)度,反映序列的持續(xù)性。平均循環(huán)長度可以判定系統(tǒng)的記憶時(shí)間長度,判定歷史狀態(tài)對(duì)未來狀態(tài)的影響。

1.1.1 序列持續(xù)性

對(duì)于時(shí)間序列{x(n),(n=1,2,…,m},對(duì)于任意正整數(shù)n≥1,定義

均值序列

(1)

累積離差

(2)

極差序列

R(n)=maxX(t,n)-minX(t,n) (1≤t≤n)

(3)

標(biāo)準(zhǔn)差序列

(4)

1.1.2 平均循環(huán)周期

引入統(tǒng)計(jì)量V(n):

(5)

對(duì)于獨(dú)立隨機(jī)時(shí)間序列,V(n)-lgn曲線是平坦的;對(duì)于具有狀態(tài)持續(xù)性即H>0.5的過程,V(n)-lgn曲線向上傾斜;反之,對(duì)于具有逆狀態(tài)持續(xù)性即0

1.2 灰色GM(1,1)預(yù)測(cè)模型

GM(1,1)模型[16]是灰色時(shí)間序列預(yù)測(cè)中應(yīng)用最為廣泛的一種,利用這種模型可對(duì)系統(tǒng)發(fā)展變化進(jìn)行全面分析觀察,并作中長期預(yù)測(cè)。

1.2.1 模型建立

設(shè)原始序列為

X(0)(k)={x(0)(1),x(0)(2),…,x(0)(n)}

(6)

對(duì)X(0)(k)作一次累加,得到:

X(1)(k)={x(1)(1),x(1)(2),…，x(1)(n)}

(7)

則GM(1,1)模型的微分方程為

(8)

式中a、u為模型參數(shù)。

1.2.2 模型參數(shù)確定

應(yīng)用最小二乘法原理,可求解模型參數(shù)a、u,即

(a,u)T=(BTB)-1BTY

(9)

1.2.3 模型求解

將時(shí)間響應(yīng)函數(shù)離散化,利用初始條件對(duì)式(8)求解,得:

(10)

經(jīng)累減還原可得原數(shù)據(jù)序列的估計(jì)值:

1.2.4 模型精度及適用范圍

殘差檢驗(yàn)是灰色預(yù)測(cè)中最常用的一種檢驗(yàn)方法,即對(duì)實(shí)測(cè)值和預(yù)測(cè)值之間的誤差進(jìn)行逐點(diǎn)檢驗(yàn),通過各點(diǎn)的相對(duì)殘差值,可以計(jì)算出預(yù)測(cè)模型的精度值P[9]。

設(shè)實(shí)測(cè)序列如式(6)所示,預(yù)測(cè)序列為

(12)

則平均相對(duì)殘差為

(13)

(14)

若P≥80%,模型通過殘差檢驗(yàn);若P<80%,則必須對(duì)模型進(jìn)行修正使之滿足精度要求才可以進(jìn)行預(yù)測(cè)。精度越高,模型擬合得越好。

圖1 鶯落峽站年、汛期和非汛期R/S分析

1.3 R/S-GM(1,1)模型組合預(yù)測(cè)步驟

步驟1 由公式(1)～(5)求解出赫斯特指數(shù)H及徑流序列平均循環(huán)周期T。

步驟2 當(dāng)徑流序列平均循環(huán)周期為N年,則第m年徑流量的值影響到第m+N-1年[10]。

步驟3 選取序列中連續(xù)N-1年徑流數(shù)據(jù)作為初始值,記作Q=(q1,q2,…，qN-1),先對(duì)子序列Q進(jìn)行灰色預(yù)測(cè),模型精度大于80%即通過殘差檢驗(yàn),否則要進(jìn)行模型修正。

步驟4 取(q1,q2,…，qN-1)為初始值,預(yù)測(cè)第N年徑流量qN,以(q2,q3,…，qN-1)及qN為初始值,預(yù)測(cè)第N+1年徑流量qN+1,預(yù)測(cè)過程見公式(6)～(11),模型檢驗(yàn)過程見公式(12)～(14),精度大于80%時(shí)模型精度滿足要求。循環(huán)上述過程,可求得今后若干年徑流量。

2 實(shí)例分析

2.1 數(shù)據(jù)來源

選取黑河上、中游分界斷面鶯落峽水文站和中、下游分界斷面正義峽水文站兩個(gè)實(shí)例對(duì)該方法的預(yù)測(cè)效果進(jìn)行驗(yàn)證,并對(duì)兩站年徑流量、汛期和非汛期徑流量進(jìn)行預(yù)測(cè)。所用資料是兩站1957—2013年的逐月徑流資料,所有數(shù)據(jù)來源于水文站的實(shí)際監(jiān)測(cè)。鶯落峽水文站是黑河出山口控制站,鶯落峽以上為上游,河道長約303 km,流域面積約10萬km2,是黑河的產(chǎn)流區(qū),受人類活動(dòng)影響較小。鶯落峽與正義峽之間為中游,河道長約185 km,流域面積約25.6萬km2,是黑河的主要耗水區(qū),也是流域人類活動(dòng)影響最大的區(qū)域[17]。采用Mann-Kendall趨勢(shì)檢驗(yàn)法對(duì)鶯落峽站和正義峽站的年徑流量、汛期和非汛期徑流量6個(gè)序列的變化趨勢(shì)進(jìn)行分析(表1),在置信度α=0.05顯著性水平下,鶯落峽站年徑流量、汛期和非汛期徑流量都處于增加趨勢(shì),且相關(guān)系數(shù)Zc值均通過了顯著性檢驗(yàn)。而正義峽水文站由于受人類活動(dòng)和黑河水量統(tǒng)一分配與調(diào)度的影響,年徑流量、汛期和非汛期徑流量變化趨勢(shì)有一定的差距。年徑流量有一定的減少趨勢(shì),但未通過顯著性檢驗(yàn);汛期徑流量表現(xiàn)出增加的趨勢(shì),亦未通過顯著性檢驗(yàn);非汛期徑流量呈現(xiàn)出明顯的減少趨勢(shì),并通過顯著性檢驗(yàn)。

表1 鶯落峽站和正義峽站各時(shí)段徑流序列的Mann-Kendall檢驗(yàn)

2.2 R/S分析

對(duì)鶯落峽站和正義峽站的年徑流量序列、汛期及非汛期徑流量序列進(jìn)行R/S分析,分別見圖1、圖2。

圖2 正義峽站年、汛期和非汛期R/S分析

由圖1(a)(b)(c)中擬合公式可知,鶯落峽站全年、汛期和非汛期的Hurst指數(shù)均大于0.5,表明各時(shí)段的徑流序列均具有持續(xù)性。再進(jìn)行平均周期分析,由圖1(d)(e)(f)可知V(n)-lgn曲線出現(xiàn)了多個(gè)轉(zhuǎn)折點(diǎn),對(duì)lg(R/S)-lgn曲線進(jìn)行擬合,選擇Hurst指數(shù)最大且擬合度較高誤差較小的突變點(diǎn),其對(duì)應(yīng)的n值即為徑流序列的平均循環(huán)周期。由此可知,鶯落峽站年徑流量和汛期徑流量序列存在11 a的周期,非汛期周期為10 a,這與太陽黑子活動(dòng)11 a的震蕩周期[18]相一致。認(rèn)為太陽黑子活動(dòng)對(duì)太陽輻射有明顯影響,導(dǎo)致大氣環(huán)流的變化,進(jìn)而對(duì)降水和徑流產(chǎn)生影響[19]。

表2 2011—2013年鶯落峽站和正義峽站徑流量預(yù)測(cè)值與實(shí)測(cè)值比較

正義峽站不同時(shí)段的徑流量序列R/S分析見圖2,其全年、汛期和非汛期的Hurst指數(shù)也都大于0.5,表明各時(shí)段的徑流序列具有持續(xù)性。平均周期分析表明,年徑流量序列周期為8 a,汛期是11 a,非汛期為32 a,年和汛期徑流量序列與太陽黑子活動(dòng)周期較為一致。由于正義峽地處黑河中下游,受中游農(nóng)業(yè)灌溉、工業(yè)、生活用水及國家實(shí)施的流域水量分配影響較大,非汛期徑流量序列周期與太陽黑子活動(dòng)周期關(guān)系較弱。

2.3 徑流量預(yù)測(cè)

根據(jù)以上平均周期分析結(jié)果,分別取2001—2010年、2001—2010年、2002—2010年、2004—2010年、2001—2010年和1990—2010年為鶯落峽年徑流量、汛期和非汛期徑流量,正義峽年徑流量、汛期和非汛期徑流量序列的檢驗(yàn)期,對(duì)模型模擬效果進(jìn)行檢驗(yàn),其精度分別為92.85%、91.50%、96.86%、95.01%、80.49%和90.41%,滿足要求,可以進(jìn)行徑流預(yù)測(cè)。

徑流預(yù)測(cè)時(shí),首先以各徑流序列檢驗(yàn)期為初始值,預(yù)測(cè)2011年徑流量;將各檢驗(yàn)期所在時(shí)段后推一年后與2011年進(jìn)行2012年各序列徑流量預(yù)測(cè);以此類推預(yù)測(cè)2013年各序列徑流量,各序列2011—2013年徑流量預(yù)測(cè)結(jié)果見表2。鶯落峽站年徑流量、汛期和非汛期徑流量預(yù)測(cè)的誤差范圍分別是4.74%～8.35%、0.06%～6.83%和11.97%～17.74%,誤差均值分別為6.48%、3.43%和14.29%。正義峽站年徑流量、汛期和非汛期徑流量預(yù)測(cè)的誤差范圍分別是1.72%～17.28%、1.42%～19.21%和15.22%～22.57%,誤差均值分別為9.45%、12.04%和18.78%,有較好的模擬效果。說明用R/S-GM(1,1)組合模型進(jìn)行徑流量預(yù)測(cè)是可行的。因此,利用該模型預(yù)測(cè)鶯落峽站和正義峽站未來幾年徑流量變化，見表3，由此可知，未來幾年鶯落峽站年徑流量、汛期和非汛期徑流量總體上處于增大態(tài)勢(shì)。正義峽站年徑流量和非汛期徑流量處于減小態(tài)勢(shì),汛期徑流量處于增大態(tài)勢(shì)。各序列的徑流量變化趨勢(shì)與Mann-Kendall檢驗(yàn)法分析結(jié)果一致,預(yù)測(cè)結(jié)果可靠。

表3 鶯落峽站與正義峽站徑流量預(yù)測(cè) 億m3

3 結(jié) 論

a.R/S分析法是一種有效的非線性科學(xué)預(yù)測(cè)方法,Hurst指數(shù)可確定徑流時(shí)間序列狀態(tài)持續(xù)性,平均循環(huán)周期可判定系統(tǒng)的記憶時(shí)間長度,河川徑流具有灰色稟性,采用R/S分析與灰色理論相結(jié)合的方法進(jìn)行河川徑流預(yù)測(cè),可以有效克服在預(yù)測(cè)隨機(jī)波動(dòng)性較大的序列時(shí)擬合較差、精度降低的缺點(diǎn)。

b. 利用黑河鶯落峽站和正義峽站不同時(shí)段徑流量序列資料進(jìn)行模型驗(yàn)證,兩站年徑流量和汛期徑流量序列的預(yù)測(cè)精度都在90%左右,非汛期徑流量序列在80%以上,各徑流序列預(yù)測(cè)結(jié)果與Mann-Kendall趨勢(shì)檢驗(yàn)一致,說明模型有良好的模擬效果,預(yù)測(cè)結(jié)果可靠。

c. 對(duì)比鶯落峽站各時(shí)段徑流量序列和正義峽站各時(shí)段徑流量序列的模擬效果,鶯落峽站各序列的模擬精度高于正義峽站，主要是鶯落峽站處于流域上游出山口,受人類活動(dòng)影響較小,而正義峽站處于流域中下游,受人類活動(dòng)影響較大所致。

d. 同大多數(shù)預(yù)測(cè)方法一樣,當(dāng)水文序列的波動(dòng)性越大,跳躍性越強(qiáng)時(shí),R/S-GM(1,1)組合模型的模擬精度將逐漸降低。對(duì)于這種情況,還需進(jìn)一步研究改進(jìn)。

[ 1 ] 王鑫,徐淑琴,李洪濤.河川徑流預(yù)測(cè)方法比較研究[J].中國農(nóng)村水利水電,2014(4):98-100.(WANG Xin, XU Shuqin, LI Hongtao. A comparative study of runoff prediction techniques[J].China Rural Water and Hydropower,2014(4):98-100.(in Chinese))

[ 2 ] 周秀平,李天翔,王文圣.年徑流預(yù)測(cè)的最小二乘支持向量機(jī)-馬爾可夫鏈組合模型[J].水力發(fā)電學(xué)報(bào),2013,32(4):16-19.(ZHOU Xiuping, LI Tianxiang, WANG Wensheng. Annual runoff prediction based on least square support vector machines-markov chain combined model[J].Journal of Hydroelectric Engineering,2013,32(4):16-19.(in Chinese))

[ 3 ] 崔東文.多重組合神經(jīng)網(wǎng)絡(luò)模型在年徑流預(yù)測(cè)中的應(yīng)用[J].水利水電科技進(jìn)展,2014,34(2):59-62.(CUI Dongwen. Application of multiple combined neural network model in annual runoff prediction[J]. Advances in Science and Technology of Water Resources,2014,34(2):59-62.(in Chinese))

[ 4 ] 師彪,李郁俠,于新花,等.自適應(yīng)人工魚群-BP神經(jīng)網(wǎng)絡(luò)算法在徑流預(yù)測(cè)中的應(yīng)用[J].自然資源學(xué)報(bào),2009,24(11):2005-2012.(SHI Biao, LI Yuxia, YU Xinhua, et al. Long-term runoff forecast method based on resilient adaptive artificial fish school algorithm and back propagation neural network model[J].Journal of Natural Resources,2009,24(11):2005-2012.(in Chinese))

[ 5 ] 趙雪花,黃強(qiáng),吳建華.基于灰色馬爾可夫鏈的徑流序列模式挖掘[J].武漢大學(xué)學(xué)報(bào)(工學(xué)版),2008,41(1):1-4.(ZHAO Xuehua, HUANG Qiang, WU Jianhua. Runoff series pattern mining based on grey markov chain[J].Engineering Journal of Wuhan University,2008,41(1):1-4.(in Chinese))

[ 6 ] 張曉偉,沈冰,黃領(lǐng)梅.基于BP神經(jīng)網(wǎng)絡(luò)的灰色自記憶徑流預(yù)測(cè)模型[J].水力發(fā)電學(xué)報(bào),2009,28(1):68-71.(ZHANG Xiaowei, SHEN Bing, HUANG Lingmei. Grey self-memory model based on BP neural network for annual runoff prediction[J].Journal of Hydroelectric Engineering,2009,28(1):68-71.(in Chinese))

[ 7 ] 吳麗娜,黃領(lǐng)梅,沈冰.大峪河年徑流量的灰色拓?fù)漕A(yù)測(cè)與趨勢(shì)分析[J].人民黃河,2012,34(1):62-65.(WU Lina，HUANG Lingmei，SHEN Bing. Analysis of dynamic trend and grey topology prediction of annual runoff in Dayu River[J].Yellow River,2012,34(1):62-65.(in Chinese))

[ 8 ] 邱林,孟曉紅.基于灰色神經(jīng)網(wǎng)絡(luò)理論的東江水庫入庫徑流量預(yù)測(cè)[J].華北水利水電學(xué)院學(xué)報(bào),2012,33(2):43-45.(QIU Lin，MENG Xiaohong. Prediction for the runoff into Dongjiang Reservoir based on grey neural network theory[J].Journal of North China Institute of Water Conservancy and Hydroelectric Power,2012,33(2):43-45.(in Chinese))

[ 9 ] 李寶玲,李建林,昝明君,等.河流年徑流量的R/S灰色預(yù)測(cè)[J].水文,2015,35(2):44-48.(LI Baoling, LI Jianlin, ZAN Mingjun, et al.R/Sgrey prediction of river annual runoff[J].Journal of China Hydrology,2015,35(2):44-48.(in Chinese))

[10] 李建林,昝明軍,李寶玲.基于R/S分析的黑河出山口年徑流量灰色預(yù)測(cè)[J].地域研究與開發(fā),2014,33(5):127-131.(LI Jianlin, ZAN Mingjun, LI Baoling. Grey prediction of out-mountainous annual runoff of Heihe River based onR/Sanalysis[J].Areal Research and Development,2014,33(5):127-131.(in Chinese))

[11] 禹樸家,徐海量,劉世薇,等.阿克蘇河年徑流變化的非線性特征[J].自然資源學(xué)報(bào),2011,26(8):1412-1422.(YU Pujia,XU Hailiang, LIU Shiwei, et al. The nonlinear characteristics of annual runoff change in Aksu River[J].Journal of Natural Resources,2011,26(8):1412-1422.(in Chinese))[12] 徐宗學(xué)，李占玲，史曉坤.石羊河流域主要?dú)庀笠丶皬搅髯兓厔?shì)分析[J].資源科學(xué),2007,29(5):121-128.(XU Zongxue, LI Zhanling, SHI Xiaokun. Long-term trends of major climatic variables and runoff in the Shiyang River Basin[J].Resources Science,2007,29(5):121-128.(in Chinese))

[13] 趙晶，王乃昂.近50年來蘭州城市氣候變化的R/S分析[J].干旱區(qū)地理,2002,25(1):90-95.(ZHAO Jing, WANG Naiang.R/Sanalysis of urbanization effect on climate in Lanzhou[J].Arid Land Geography,2002,25(1):90-95.(in Chinese))

[14] 張曉偉，沈冰，黃領(lǐng)梅.和田河年徑流變化規(guī)律研究[J].自然資源學(xué)報(bào),2007,22(6):975-979.(ZHANG Xiaowei, SHEN Bing, HUANG Lingmei. Study on the variation law of the annual runoff in Hotan River[J].Journal of Natural Resources,2007,22(6):975-979.(in Chinese))

[15] 燕愛玲，黃強(qiáng)，劉招.R/S法的徑流時(shí)序復(fù)雜特性研究[J].應(yīng)用科學(xué)學(xué)報(bào),2007,25(2)：214-217.(YAN Ailing, HUANG Qiang, LIU Zhao. Complicated property of runoff time series studied withR/Smethod[J].Journal of Applied Sciences,2007,25(2)：214-217.(in Chinese))

[16] 何新林,宋玲,鄭旭榮.徑流中長期預(yù)報(bào)的灰色預(yù)測(cè)方法[J].石河子大學(xué)學(xué)報(bào)(自然科學(xué)版),1997,1(3):234-237.(HE Xinlin, SONG Ling, ZHENG Xurong. A grey forecasting method of mid-long term runoff forecasting[J].Journal of Shihezi University(Natural Science),1997,1(3):234-237.(in Chinese))

[17] 郭巧玲,楊云松,魯學(xué)鋼.黑河流域1957—2008年徑流變化特征分析[J].水資源與水工程學(xué)報(bào),2011,22(3):77-81.(GUO Qiao1ing,YANG Yunsong, LU Xuegang. Analysis of variation character of annual runoff in Heihe River basin from 1957 to 2008[J].Journal of Water Resources and Water Engineering,2011,22(3):77-81.(in Chinese))

[18] 王兆禮,陳曉宏,楊濤.近50a東江流域徑流變化及影響因素分析[J].自然資源學(xué)報(bào),2010,25(8)：1365-1372.(WANG Zhaoli, CHEN Xiaohong, YANG Tao. Runoff variation and its impacting factors in the Dongjiang River Basin during 1956—2005[J].Journal of Natural Resources,2010,25(8)：1365-1372.(in Chinese))

[19] 王云璋,薛玉杰,彭子芳,等.太陽黑子活動(dòng)與黃河徑流、洪水關(guān)系初探[J].西北水資源與水工程,1997(3):30-36.(WANG Yunzhang, XUE Yujie, PENG Zifang, et al. A preliminary study on the relationship between sunspot activity and Yellow River’s runoff and flood[J].Water Resources and Water Engineering,1997(3):30-36.(in Chinese))

Application ofR/S-GM (1,1) model in runoff forecasting

//GUO Qiaoling1, HAN Zhenying1, SU Ning1, LIU Peiwang2

(1.InstituteofResource&Environment,HenanPolytechnicUniversity,Jiaozuo454003,China; 2.HydrologyandWaterResourcesBureauoftheMiddleReachesofYellowRiver,Yuci030600,China)

In order to improve accuracy of rivers runoff forecast, a new method combining the rescaled range (R/S) analysis with the grey theory (GM) was proposed, based on that theR/Sanalysis provides scientific and effective non-linear prediction and rivers runoff has a grey character. This new method using theR/S-GM(1,1) model can overcome the defects of low prediction accuracy when there is a larger fluctuation in data. Then it was applied in the runoff forecast of the Yingluoxia and the Zhengyixia stations in the Heihe River, with the use of six series of the annual runoff, flood season and non-flood season runoff. It is validated that the prediction accuracy of annual runoff and flood season runoff series are about 90%, and those of non-flood season runoff series are more than 80%, and the forecast results of the runoff series are consistent with the Mann-Kendall trend test results. Hence, the predication result is reliable, providing a new approach for accurate runoff forecast.

runoff forecast; rescaled range analysis; grey theory; Mann-Kendall test; GM (1,1) model; Heihe River

10.3880/j.issn.1006-7647.2016.06.003

國家自然科學(xué)青年基金(41201020);河南省高?？萍紕?chuàng)新團(tuán)隊(duì)支持計(jì)劃(15IRTSTHN027)

郭巧玲(1978—),女,副教授,博士,主要從事水文水環(huán)境方面的教學(xué)和研究。E-mail: guoqiaoling@hpu.edu.cn

TV121

A

1006-7647(2016)06-0015-05

2015-11-18 編輯：駱超)