康有
- 作品数：7 被引量：76H指数：5
- 供职机构：中国电建集团成都勘测设计研究院有限公司更多>>
- 发文基金：水利部公益性行业科研专项中央高校基本科研业务费专项资金国家自然科学基金更多>>
- 相关领域：水利工程天文地球更多>>
- EEMD-NNBR模型在降水预测中的应用被引量：10
- 2014年
- 为解决降水资源预测复杂的问题,建立了具有物理意义的新预测模型,即利用集合经验模态分解(EEMD)方法,分解降水资源并识别其演变模式,获得各本征模函数(IMF),然后结合最近邻抽样回归模型(NNBR)对数据进行预测分析,汇总相应的计算结果,从而构成了EEMD-NNBR降水预测模型。以无锡市惠山区的降水序列资料为例,采用EEMD-NNBR模型预测降水资源,并与单一的NNBR模型预测值进行对比分析。结果表明,所建模型稳定性较好,能合理预测水资源演变趋势,提高降水资源预测精度,具有一定的应用价值。
- 姚欣明陈元芳顾圣华黄琴康有
- 关键词：降水
- 关于水资源论证中河道内生态需水的探讨
- 2014年
- 在水资源论证中,合理分析计算河道内生态需水量,为河流水资源的可持续利用提供重要的保障。本文在综合分析国内生态需水研究进展的基础上,阐述生态需水的概念,对河流生态需水不同计算方法进行比较,阐明其优缺点及适用范围,并对水资源论证项目中计算生态需水时存在的问题进行探讨,结合实例进一步突出存在的问题。
- 董楠楠吴向东康有
- 关键词：水资源论证生态需水计算方法
- 基于随机森林的区域水资源可持续利用评价被引量：34
- 2014年
- 针对区域水资源可持续利用评价中指标多、噪声复杂和非线性的特点以及传统方法缺乏可操作性、难以解决稳健性低和过学习等问题,介绍了一种稳健性较高的智能学习方法——随机森林,将其应用于区域水资源可持续利用评价中,并以汉中盆地平坝区为例,对该方法的评价效果进行了验证。结果表明,与SP插值、人工神经网络(ANN)和支持向量机(SVM)模型评价结果相比,本文方法实用性强、稳健性较高、泛化性能高,在分类预测阶段和交叉验证阶段分类准确率均高达100%;同时可知,在影响区域水资源可持续利用的各评价指标中,水资源利用率和人均供水量的影响较为重要。
- 康有陈元芳顾圣华姚欣明黄琴汤艳平
- 关键词：水资源可持续利用
- 优化的灰色拓扑模型在年径流预测中的应用被引量：5
- 2014年
- 由于河川径流具有变化剧烈、波动频繁的特点,采用常规水文预报方法的预测效果较差。为此引进灰色拓扑方法,在优化原始GM(1,1)模型的基础上,通过改进拓扑预测的矛盾点筛选方法,建立了优化的灰色拓扑预测模型群,对梨园河流域的实测年径流序列进行模拟和预测,发现所建模型的拟合曲线与实测序列的变化趋势一致,比传统的灰色拓扑方法具有更高的精度。结果表明,改进的灰色拓扑模型能够有效克服振荡序列的非线性影响,可作为研究区域的径流预报和水资源分析的参考依据。
- 张琼楠陈元芳顾圣华刘敏康有
- 关键词：年径流
- 高阶概率权重矩法在广义Pareto分布参数估计中的应用被引量：3
- 2016年
- 广义Pareto分布常被用作超定量洪水系列频率分析的拟合线型。已有研究表明高阶概率权重矩能够用于广义极值分布和Pearson-III型分布的参数估计,但尚缺少采用高阶概率权重矩法估计广义Pareto分布函数的研究。本文基于广义Pareto分布,推求了广义Pareto分布高阶概率权重矩的计算方法,提供了采用高阶概率权重矩估计其分布参数的方案。统计试验表明,阶数等于0时的高阶概率权重矩法与概率权重矩法的估参效果近似无偏,二者均比传统的矩法具备更高的参数估计精度。对长江宜昌站(1946—2004)超定量洪水系列的分析表明,高阶概率权重矩法估参结果对应的广义Pareto曲线能够较好地拟合经验频率分布,特别是稀遇频率洪水段。
- 周长让陈元芳顾圣华余胜男康有
- 关键词：水文频率分析广义PARETO分布参数估计
- 基于次序统计量理论的洪水频率分析方法研究被引量：5
- 2017年
- 针对目前参数估计方法存在稀遇洪水频率设计值偏大的问题,提出采用基于数值次序统计量期望值的适线法计算洪水频率设计初始值;针对目前参数估计方法存在常遇洪水频率设计值偏小的问题,提出采用周文德公式修正目前频率设计偏小的情形,计算洪水频率设计修正值;针对目前传统方法计算洪水频率设计值抽样误差大的问题,提出采用基于数值次序统计量标准差的方法计算洪水频率设计保证值。定量分析表明,提出的基于数值次序统计量期望值的优化适线法具有良好的无偏性和有效性;寸滩站洪水频率设计修正值大于频率设计初始值,且两者偏差随着频率减小而减小;寸滩站洪水频率设计保证值明显大于修正值。
- 康有马顺刚樊明兰刘勇张波
- 关键词：洪水频率分析次序统计量AES
- 随机森林在降水量长期预报中的应用被引量：20
- 2016年
- 随机森林是21世纪提出的基于分类树的算法,在处理大数据集中具有明显优势,首度将其应用在降水长期预报中。以长江中下游地区1月份降水预报为例,运用随机森林模型构建原则,在74项大气环流因子以及前期月降水中筛选模型预报因子,进行长期降水量预报,并将其与神经网络模型预报效果进行对比,发现随机森林的泛化误差为13%,预报准确率达到75%,而神经网络的预报准确率仅为67%。此外,本研究还对长江中下游地区的汛期降水量进行了长期预报,结果表明,随机森林模型进行降水量长期预报中模拟和预报的效果令人满意,值得进一步研究和应用。
- 余胜男陈元芳顾圣华康有贺冉冉
- 关键词：泛化误差决策树神经网络
