一种基于月尺度的潮位资料一致性修正方法
【专利摘要】本发明涉及一种基于月尺度的潮位资料一致性修正方法，建立了实测潮位系列与趋势项、周期项和随机因子项之间的关系，通过对比不同尺度小波检验的残差以及计算两个小波尺度下小波分解系数的模的期望，确定异常点和突变点出现的位置，运用平均值代替该异常值消除随机因子项的干扰。通过滑动平均处理消除周期项的干扰。对趋势项、消除周期项后的潮位资料以及实测资料建立相关关系，选取近5年月潮位资料训练BP神经网络，运用训练得到的网络计算得到修正值。解决了月尺度的潮位资料一致性修正的问题，在修正过程中消除了随机因子项的干扰，通过训练的BP神经网络模型计算修正后的潮位资料，提高了修正的可靠性和精度。
【专利说明】
一种基于月尺度的潮位资料一致性修正方法
技术领域
[0001]本发明涉及水文资料修订领域，尤其是涉及一种基于月尺度的潮位资料一致性修正方法。
【背景技术】
[0002]在进行相关水利工程建设规划时，通常我们都认为诸如水位、潮位、雨量等资料所产生的环境是不变的，从而将我们所研究的水文要素序列看作是单纯的随机变量，其影响因子的一致性使得资料系列也相应的具有相关一致性，便于我们的研究。
[0003]对于各河道入海口门的潮位资料，随着沿海地区经济的发展，人类活动严重影响了潮位形成的下垫面条件，特别是对于大陆架的改造工程等，上述影响改变了潮位资料内在的相关性。在进行潮位影响地区的河道水文模拟或河道演算、以及对无资料口门的潮位进行预报研究时，准确的潮位资料尤为重要。
[0004]目前的研究主要是在年尺度上对潮位资料进行一般性修正;在修正过程中并没有对系列的突变值或异常值进行处理;通过最小二乘法对修正系列进行拟合并不能很好的反映出潮位资料变化趋势和实测值之间的关系。
[0005]总之，潮位资料具有十分重要的意义，无论是感潮河段的河道建设，还是城市防洪，一套经过修正之后的潮位数据能帮助我们更加准确的预报出河道中可能出现的水位，做到防患于未然。目前对潮位系列进行修正的方法很少，也比较简单，往往都是针对年潮位资料来进行修正的，该方法适用性较好，取得修正后的月潮位资料，可以和上游河道来水情况进行更好的组合研究。
【发明内容】
[0006]本发明设计了一种基于月尺度的潮位资料一致性修正方法，其解决的技术问题是目前在年尺度上对潮位资料进行一般性修正，在修正过程中并没有对系列的突变值或异常值进行处理，通过最小二乘法对修正系列进行拟合并不能很好的反映出潮位资料变化趋势和实测值之间的关系，并最终导致两者的关系失真。
[0007]为了解决上述存在的技术问题，本发明采用了以下方案:
[0008]—种基于月尺度的潮位资料一致性修正方法，包括以下步骤:
[0009]步骤1、将某一站点的月潮位资料按时间顺序排列成潮位系列;所述潮位资料是实测月最高潮位资料或者实测月最低潮位资料；
[0010]步骤2、消除潮位系列中的突变点和异常点:
[0011]步骤3、消除潮位系列中的周期项因素:步骤3.1、对消除随机因子项的潮位系列进行小波分析，得到小波方差图，分析小波方差图所示系列的主能量周期，从而确定潮位系列的主周期n，n为自然数;步骤3.2、对潮位系列从n/2项开始进行滑动平均处理，每次滑动平均涉及η项，得到消除周期项后的结果W(t);若n/2为非整数，则取n/2为[n] + l，即取η的整数部分加I为n/2;
[0012]步骤4、近N年的潮位资料可以认为是在现状条件下产生的，N为多5的自然数，计算近一年的月潮位资料求平均值A，平均值A代表现状条件下的趋势项，计算现状条件下实测项与平均值A之差，但最近一年的数据不参与计算，仅仅计算N-1年的实测项与平均值A之差;
[0013]步骤5、对现状条件下近N年的计算资料进行汇总统计，但不包括最近I年的月资料，统计项包括现状条件下各时间点消除异常点和突变点的潮位值X(t)、消除周期项后的结果W(t)、实测项与平均值A之差a(t);其中，
[0014]a(t)=A-X(t)；
[0015]步骤6、选取BP神经网络求取修正值，选取近N年的月资料，不包括最近I年的资料；共(N-l)*12个样本作为训练集，输入项为消除周期项后的结果和实测项与平均值A之差，输出项为消除异常点和突变点的潮位值，并得训练后的神经网络；
[0016]步骤7、通过步骤6训练得到的神经网络计算各时间点的修正值，输入项为消除周期项后的结果和实测项与平均值A之差at，输出即为各年的修正值；
[0017]步骤8、最近一年的潮位资料采用实测值为修正值，历史资料起始n/2年前的修正值均用n/2年修正值代替，η是自然数，若n/2为非整数，则取n/2为[n]+l，即取η的整数部分加I为n/2。
[0018]进一步，将步骤I中的潮位资料实测序列看作是周期项和随机因子项的组合，公式为:
[0019]Z(t)=f[A(t)，P(t)，R(t)]，
[0020]其中Z(t)表示实测潮位序列，A(t)、P(t)、R(t)分别表示的是趋势项、周期项和随机因子项，t代表时间。
[0021]进一步，步骤2由以下分步骤构成:
[0022]步骤2.1、求所取潮位系列的平均值；
[0023]步骤2.2、运用小波分析方法，在两个小波尺度下对潮位系列的拟合残差进行在线小波分解；
[0024]步骤2.3、计算两个小波尺度下小波分解系数的模，计算差值得到每一项的期望
Et ；
[0025]步骤2.4、检测异常点和突变点；
[0026]步骤2.5、根据检测原则选取异常点和突变点出现的时间，用平均值代替异常值或突变值。
[0027]进一步，若步骤2.2中未出现模极大值点，并且步骤2.3中的没有突变，说明该处既不是异常点也不是突变点;若步骤2.2中出现模极大值点，并且步骤2.3中的没有突变，说明该处是异常点；若步骤2.2中出现模极大值点，并且步骤2.3中的有突变，说明该处是突变点。
[0028]进一步，对异常点和突变点处的值用潮位系列的平均值代替，通过对异常点和突变点的处理，消除随机因子项R( t)对潮位系列的干扰，表示为:
[0029]X(t)=g[A(t)，P(t)];A(t)、P(t)、R(t)分别表示的是趋势项、周期项和随机因子项;X(t)表示消除随机因子项之后的潮位系列，t代表时间。
[0030]一种使用上述修正方法还原潮位资料的应用，其特征在于:通过修正消除了变化环境对资料的影响，还原了潮位资料的一致性，确保了运用潮位资料进行水文频率分析的可靠性，使用修正后的月尺度的潮位资料为城市防洪提供可靠的依据。例如:限定防洪堤的修建高度。
[0031]该基于月尺度的潮位资料一致性修正方法具有以下有益效果:
[0032](I)本发明方法已解决了目前没有在月尺度上对潮位资料进行修正的问题，方法中对潮位资料的异常值进行了处理，解决了异常值对修正结果的影响。
[0033](2)本发明方法运用bp神经网络模型对预报修正值，解决了修正误差大，精确度不高等问题。
[0034](3)本发明开创性的对月尺度的潮位数据进行了一致性修正，建立了实测潮位系列与趋势项、周期项和随机因子项之间的关系，通过对比不同尺度小波检验的残差以及计算两个小波尺度下小波分解系数的模的期望，确定异常点和突变点出现的位置，运用平均值代替该异常值消除随机因子项的干扰。通过滑动平均处理消除周期项的干扰。对趋势项、消除周期项后的潮位资料以及实测资料建立相关关系，选取近5年月潮位资料训练BP神经网络，运用训练得到的网络计算得到修正值。解决了月尺度的潮位资料一致性修正的问题，在修正过程中消除了随机因子项的干扰，通过训练的BP神经网络模型计算修正后的潮位资料，提高了修正的可靠性和精度。
【具体实施方式】
[0035]下面结合实施例，对本发明做进一步说明:
[0036]步骤1、将某一站点的实测最高潮位资料或最低潮位资料按照年的顺序统计排列，年内按照月的顺序排列。
[0037]步骤2、消除潮位系列中的突变点和异常点:
[0038](I)求所取潮位系列的平均值。
[0039](2)运用小波分析方法，在两个小波尺度下对潮位系列的拟合残差进行在线小波分解，可选取在线小波递推分解方法对小波进行分解。
[0040](3)计算两个小波尺度下小波分解系数的模，计算差值得到每一项的期望Et。
[0041 ] (4)检测异常点和突变点
[0042]I)若(2)中未出现模极大值点，并且(3)中的没有突变，说明该处既不是异常点也不是突变点。
[0043]2)若(2)中出现模极大值点，并且(3)中的没有突变，说明该处是异常点。
[0044]3)若(2)中出现模极大值点，并且(3)中的有突变，说明该处是突变点。
[0045]4)对异常点和突变点处的值用潮位系列的平均值代替，通过对异常点和突变点的处理，可以消除随机因子项R(t)对潮位系列的干扰，表示为:X(t)=g[A(t)，P(t)]。
[0046]步骤3、消除潮位系列中的周期项因素:
[0047]3.1、对消除随机因子项的潮位系列进行小波分析，得到小波方差图，分析小波方差图所示系列的主能量周期，从而确定潮位系列的主周期η。
[0048]3.2、对潮位系列从n/2项开始进行滑动平均处理，每次滑动平均涉及η项，得到消除周期项的潮位系列W(t)。
[0049]步骤4、近5年的潮位资料可以认为是在现状条件下产生的，计算近I年的月潮位资料求平均值A，A可以代表现状条件下的趋势项，计算现状条件下实测项与平均值A之差:
[0050]a(t)=A-X(t)0
[0051]步骤5、对现状条件下近5年的计算资料进行汇总统计(不包括最近I年的月资料)，统计项包括现状条件下各时间点消除异常点和突变点的潮位值X(t)、消除周期项后的结果1(0、实测项与平均值4之差0(0。
[0052]步骤6、选取BP神经网络求取修正值，选取近5年(不包括最近I年的资料)的月资料，共48个样本作为训练集，输入项为消除周期项后的结果W(t)和实测项与平均值A之差a(t)，输出项为消除异常点和突变点的潮位值X(t)。
[0053]步骤7、通过步骤6训练得到的BP神经网络计算各时间点的修正值，输入项为消除周期项后的结果W(t)和实测项与平均值A和实测项与平均值A之差at，输出即为各年的修正值。
[0054]步骤8、最近一年的资料采用实测值为修正值，历史资料起始年n/2前的修正值均用n/2年修正值代替。
[0055]上面结合实施例对本发明进行了示例性的描述，显然本发明的实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围内。
【主权项】
1.一种基于月尺度的潮位资料一致性修正方法，包括以下步骤: 步骤1、将某一站点的月潮位资料按时间顺序排列成潮位系列;所述潮位资料是实测月最尚潮位资料或者实测月最低潮位资料； 步骤2、消除潮位系列中的突变点和异常点； 步骤3、消除潮位系列中的周期项因素:步骤3.1、对消除随机因子项的潮位系列进行小波分析，得到小波方差图，分析小波方差图所示系列的主能量周期，从而确定潮位系列的主周期η，n为自然数;步骤3.2、对潮位系列从n/2项开始进行滑动平均处理，每次滑动平均涉及η项，得到消除周期项后的结果W(t);若n/2为非整数，则取n/2为[n]+l，即取η的整数部分加I为n/2; 步骤4、近N年的潮位资料可以认为是在现状条件下产生的，N为多5的自然数，计算近一年的月潮位资料求平均值A，平均值A代表现状条件下的趋势项，计算现状条件下实测项与平均值A之差，但最近一年的数据不参与计算，仅仅计算N-1年的实测项与平均值A之差；步骤5、对现状条件下近N年的计算资料进行汇总统计，但不包括最近I年的月资料，统计项包括现状条件下各时间点消除异常点和突变点的潮位值X(t)、消除周期项后的结果W(t)、实测项与平均值A之差a(t);其中，a(t)=A-X(t)； 步骤6、选取BP神经网络求取修正值，选取近N年的月资料，不包括最近I年的资料；共(N-l)*12个样本作为训练集，输入项为消除周期项后的结果和实测项与平均值A之差，输出项为消除异常点和突变点的潮位值，并得训练后的神经网络； 步骤7、通过步骤6训练得到的神经网络计算各时间点的修正值，输入项为消除周期项后的结果和实测项与平均值A之差at，输出即为各年的修正值； 步骤8、最近一年的潮位资料采用实测值为修正值，历史资料起始n/2年前的修正值均用n/2年修正值代替，η是自然数，若n/2为非整数，则取n/2为[n]+l，即取η的整数部分加I为η/2 ο2.根据权利要求1所述基于月尺度的潮位资料一致性修正方法，其特征在于:将步骤I中的潮位资料实测序列看作是周期项和随机因子项的组合，公式为: Z(t)=f[A(t)，P(t)，R(t)]， 其中Z(t)表示实测潮位序列，A(t)、P(t)、R(t)分别表示的是趋势项、周期项和随机因子项，t代表时间。3.根据权利要求1所述基于月尺度的潮位资料一致性修正方法，其特征在于: 步骤2由以下分步骤构成: 步骤2.1、求所取潮位系列的平均值； 步骤2.2、运用小波分析方法，在两个小波尺度下对潮位系列的拟合残差进行在线小波分解； 步骤2.3、计算两个小波尺度下小波分解系数的模，计算差值得到每一项的期望Et; 步骤2.4、检测异常点和突变点； 步骤2.5、根据检测原则选取异常点和突变点出现的时间，用平均值代替异常值或突变值。4.根据权利要求3所述基于月尺度的潮位资料一致性修正方法，其特征在于:若步骤2.2中未出现模极大值点，并且步骤2.3中的没有突变，说明该处既不是异常点也不是突变点；若步骤2.2中出现模极大值点，并且步骤2.3中的没有突变，说明该处是异常点；若步骤2.2中出现模极大值点，并且步骤2.3中的有突变，说明该处是突变点。5.根据权利要求1-4中任何一项所述基于月尺度的潮位资料一致性修正方法，其特征在于:对异常点和突变点处的值用潮位系列的平均值代替，通过对异常点和突变点的处理，消除随机因子项R( t)对潮位系列的干扰，表示为: X(t)=g[A(t)，P(t)];A(t)、P(t)、R(t)分别表示的是趋势项、周期项和随机因子项;X(t)表示消除随机因子项之后的潮位系列，t代表时间。6.—种使用权利要求1-5所述修正方法还原潮位资料的应用，其特征在于:通过修正消除了变化环境对资料的影响，还原了潮位资料的一致性，确保了运用潮位资料进行水文频率分析的可靠性，使用修正后的月尺度的潮位资料为城市防洪提供可靠的依据。
【文档编号】G06F17/18GK105893329SQ201610249068
【公开日】2016年8月24日
【申请日】2016年4月20日
【发明人】李传哲, 刘佳, 王洋, 于福亮, 严登华, 田济扬, 史婉丽, 穆文彬
【申请人】中国水利水电科学研究院