基于混沌理論的呼倫湖流域降雨徑流時間序列預測分析.pdf

1、近年來，由于全球氣候變化和人類活動等諸多因素的影響，呼倫湖流域的降雨量和徑流量急劇減小，導致流域內植被退化、草場萎縮、土壤沙漠化。針對上述問題，本文運用現(xiàn)代新理論和新方法，包括混沌理論及分析方法，LS-SVM建模方法，RBF神經網絡建模方法和ARIMA建模方法對呼倫湖流域的兩條主要河流烏爾遜河和克魯倫河的月降雨、月徑流時間序列進行了模擬預測分析。
　　應用相空間重構理論對烏爾遜河和克魯倫河月降雨、月徑流時間序列進行相空間重構，使用

2、自相關函數法確定延遲時間，使用飽和關聯(lián)維數法確定嵌入維數，并使用飽和關聯(lián)維數法和最大Lyapunov指數法對其進行混沌特性識別，結果表明，烏爾遜河和克魯倫河的月降雨、月徑流時間序列具有混沌特性。
　　應用LS-SVM模型和RBF神經網絡模型對烏爾遜河月降雨混沌時間序列、烏爾遜河月徑流混沌時間序列、克魯倫河月降雨混沌時間序列和克魯倫河月徑流混沌時間序列分別進行建模，并對LS-SVM模型的模擬預測結果和RBF神經網絡模型的模擬預測結果

3、進行對比分析。結果表明，兩種模型都各有優(yōu)劣。LS-SVM模型預測結果的相對誤差百分比波動較為平穩(wěn)，預測精度良好。RBF神經網絡模型在豐水期時預測精度非常高，但是在枯水期時，預測精度相對較低，其預測結果的相對誤差百分比波動較大。
　　應用ARIMA模型對烏爾遜河和克魯倫河的月降雨、月徑流時間序列進行建模，進行預測分析。并對ARIMA模型，LS-SVM模型和RBF神經網絡模型的預測結果進行對比分析。結果表明，LS-SVM模型的合格率要