【摘要】：降雨受到各種復(fù)雜因素的影響,使單一的觀測方法難以有效的描述真實降水,因此,融合多種不同的降水信息成為水文氣象領(lǐng)域近年來的研究熱點。但大多數(shù)的雨量融合研究都是將雨量序列直接進行融合,而忽略了雨量序列本身復(fù)雜的時頻成分,以及不同雨量之間的時頻差異性。本文結(jié)合小波分析方法對不同雨量(地面雨量計觀測雨量和FY-2D衛(wèi)星反演雨量)的時頻特點和組成進行了分析,并在此基礎(chǔ)上,根據(jù)小波分析和神經(jīng)網(wǎng)絡(luò)的特點,提出了三種不同的雨量融合方法—“分解-單支重構(gòu)-融合-預(yù)報-疊加”、“分解-融合-預(yù)報-重構(gòu)”和“分解-單支重構(gòu)-融合-預(yù)報”模型,并將其與未進行雨量融合的模型,以及僅將雨量進行簡單加權(quán)融合的模型進行對比,最終根據(jù)金華江流域的未來1h流量預(yù)報結(jié)果對上述模型的性能以及融合雨量的合理性和有效性進行了驗證。結(jié)果表明,(1)融合雨量優(yōu)于簡單加權(quán)融合模型,能更真實的反映降雨情況,說明根據(jù)各雨量的時頻成分分別融合得到的雨量更有效。(2)最優(yōu)的融合模型“分解-單支重構(gòu)-融合-預(yù)報-疊加”在金華江流域未來1h的流量預(yù)報上,較簡單加權(quán)融合模型提高了 42.4%,較未進行雨量融合的模型提高了 48.5%-52.6%。(3)融合雨量與原始地面雨量站觀測雨量的大體趨勢一致,但在數(shù)量上小于地面雨量計觀測雨量;地面雨量計觀測雨量和FY-2D衛(wèi)星反演雨量在融合雨量中均占到了一定的比重,前者對融合雨量的貢獻率較大,其所占權(quán)重可達到0.4-0.85,后者在融合雨量中所占權(quán)重較小,為0.15-0.3。(4)不同分解尺度上兩種雨量所占權(quán)重各不相同,說明兩種雨量觀測途徑所觀測到的有效雨量信息(時頻成分)不同。
【圖文】：

圖１．１技術(shù)路線路逡逑

對來自其它神經(jīng)元的信號求和，，并產(chǎn)生神經(jīng)脈沖輸出信號，但這一過程其逡逑實是相當(dāng)慢的，而大腦之所以能夠快速地處理各種信息，要歸功于大腦神經(jīng)網(wǎng)絡(luò)逡逑的大規(guī)模并行系統(tǒng)。生物神經(jīng)元的結(jié)構(gòu)如圖２．１所示。逡逑突觸逡逑＝信號一一逡逑）邋Ｘ邋邐－—、邐逡逑／邐細佭逡逑樹突邐１／１逡逑圖２．１生物神經(jīng)元示意圖逡逑１１逡逑
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：P412

【參考文獻】

相關(guān)期刊論文 前10條

1 高偉;林妍;潘新華;;基于多源遙感衛(wèi)星數(shù)據(jù)的桂西北旱情監(jiān)測研究[J];廣西水利水電;2014年01期

2 桑燕芳;王中根;劉昌明;;小波分析方法在水文學(xué)研究中的應(yīng)用現(xiàn)狀及展望[J];地理科學(xué)進展;2013年09期

3 高曉榮;梁建茵;李春暉;張維;;多平臺(雷達、衛(wèi)星、雨量計)降水信息的融合技術(shù)初探[J];高原氣象;2013年02期

4 梁巧倩;馮業(yè)榮;鄧文劍;胡勝;黃燕燕;曾沁;陳子通;;A Composite Approach of Radar Echo Extrapolation Based on TREC Vectors in Combination with Model-Predicted Winds[J];Advances in Atmospheric Sciences;2010年05期

5 楊丹丹;申雙和;邵玲玲;鄒蘭軍;;雷達資料和數(shù)值模式產(chǎn)品融合技術(shù)研究[J];氣象;2010年08期

6 張利紅;蔣麗娟;陳朝平;劉一謙;;探空觀測資料在西南暴雨中的同化試驗[J];高原山地氣象研究;2009年03期

7 桑燕芳;王棟;;水文序列小波分析中小波函數(shù)選擇方法[J];水利學(xué)報;2008年03期

8 高文濤;汪小欽;凌飛龍;;雷達與光學(xué)圖像小波融合方法研究[J];地球信息科學(xué);2007年04期

9 李璐;夏軍;葉愛中;張利平;;基于雷達測雨的降水?dāng)?shù)據(jù)同化研究[J];人民長江;2006年09期

10 余衛(wèi)東;錢毅;丁國超;任光輝;;鄉(xiāng)級自動雨量站與自動氣象站雨量資料的融合[J];河南氣象;2006年01期

相關(guān)碩士學(xué)位論文 前5條

1 張建全;基于人工神經(jīng)網(wǎng)絡(luò)的集合洪水預(yù)報研究[D];浙江大學(xué);2016年

2 王丹;雷達外推預(yù)報與暴雨數(shù)值模式融合預(yù)報降水方法研究[D];中國氣象科學(xué)研究院;2013年

3 張濤;基于小波神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負荷預(yù)測[D];哈爾濱理工大學(xué);2009年

4 葉勇;浙江省小流域山洪災(zāi)害與預(yù)警技術(shù)研究[D];浙江大學(xué);2008年

5 馮艷;小波神經(jīng)網(wǎng)絡(luò)模型及其在水文水資源中的應(yīng)用[D];東北農(nóng)業(yè)大學(xué);2007年

本文編號：2620613