SARIMA模型在中长期径流预报中的应用.pdfVIP

第四篇 水文水资源新方法新技术 SARIMA模型在中长期径流预报中的应用枣 管艳娇1 熊立华1 盖永岗1,2 (1．武汉大学水资源与水电工程科学国家重点实验室武汉4300072； 2．黄河勘测规划设计有限公司规划研究院 郑州450000) 擅 要 本文利用R软件对美国加州的PaloVerde河的月径流资料进行平稳化处理后，依据平稳序列的自相关系 模型的残差．证明残差为白噪声，模型是有效的。最后基于此模型做了预报期为1年、3年和7年的月径流预报 并分析预报结果。 关键词 时间序列分析 SARIMA模型中长期径流预报 水文现象是十分错综复杂的，具有非线性、随机性、时空分布不均匀等特点。由于水文现象的复杂性， 难以用物理方法对水文现象进行描述，目前主要借助于数理统计方法以及其他的一些不确定性方法来描述水 文现象。其中时间序列分析在水文模拟和预报中起着重要的作用。将某一水文随机过程离散化后可以得到一 个水文时间序列，在一定条件下，分析出水文要素前后期要变情况的统计规律，并应用这一统计规律由前期 水文要素的值做出后期要素的预报¨o。径流序列具有明显的周期性变化规律，这种规律是由季节变化引起 的。针对径流序列的季节性，可用SARlMA模型来拟合。 l SARIMA模型简介 自回归滑动平均(ARMA)模型是一种常用的时间序列模型，但该模型只适用于零均值的平稳随机时间 d为逐期差分阶数，D为季节差分阶数，P为非季节性自回归阶数，q为分非季节性滑动平均阶数，P为季节 性自回归阶数，Q为季节性滑动平均阶数，s为周期。该模型的建模原理是对原序列进行逐期差分和季节差 分，消除趋势和季节性成分后，再对生成的新序列建立ARMA模型。SARIMA模型的一般表达式为¨1 蚌(B)中P(B‘)174矿，D：，=0，(B)9p(B‘)口， (1) 差分；177为D阶季节差分。 2模型的建立及校验 2．1数据分析 本文运用R2．6。2软件进行建模。数据选取美国加州PaloVerde河从1951—2006年的月径流序列资料， 单位为m3／s。资料来源于美国地质调查局的实时水文数据网。将原数据简称为P序列。 没有迅速衰减，而近似为一个周期为12的正弦函数。这说明原始序列P并不平稳，且包含一个周期为12的 季节性，需要进行平稳化处理。 2．2平稳化处理 · 英东青年教师基金(101077)资助。 第一作者简介：管艳娇(1985一)，女，湖北广水人，硕士研究生，主要从事水文水资源方向的研究。E-mail： guanyj628@163．corn SARIMA模型在中长期径流预报中的应用 ·771· 在±2s之间，接受序列均值为0的原假设。差分后的序列P2是零均值的平稳序列，可以对其建立ARMA 模型。 P序列 L 皂 一0． O 5 lO 20 30 0 5 10 20 30 m LAG } …一…一 …一 ‘1111i一一一。一。I_。一?’‘一一i一‘一’：。+’一：一‘一‘：1’ 0 5 10 20 30 LAG 啪 图1 序列P的ACF图和PACF图 图2序列P2的ACF图和PACF图 2．3模型识别 和BIC也更小，进一步确定P=0，Q=1p1。对四个模型拟合的结果见表1。 表1