现代中长期水文预报方法中的小波分析应用

水文情势的预测是一种复杂的应用技术，特别是中长预见期的预测更是难以把握。为此，水文专家对水文预测预报新技术、新方法的研究与探索一直没有停止。近年来，小波分析与分形、混沌、人工神经网络等结合，在建立组合预测模型方面取得了很大进步。

文献［15］提出了基于小波变换序列的最近邻抽样回归组合模型。首先对水文序列进行快速小波变换，分解得到小波序列；再根据最近邻原理，对各小波序列分别建立最近邻抽样回归模型；最后将抽样回归模型预测的小波变换序列经快速小波逆变换算法得到原水文变量的预测值。文章以长江宜昌站1877～1976 年年最大洪峰流量为例进行了探讨。

文献［20］将人工神经网络与小波耦合，提出了基于小波变换的人工神经网络组合预测模型。文章首先采用ATrous算法对水文序列进行小波变换，再利用人工神经网络对小波变换系数进行多尺度组合预测，最后对预测分过程进行小波重构获得原始序列预测。以长江宜昌站年平均流量为例进行预报，效果理想。

文献［23］基于小波分析、混沌理论和人工神经网络构造了混沌小波网络模型，用该模型对金沙江屏山站汛期日流量序列进行了长期预测，文中还与多元线性回归模型作了比较，研究表明混沌小波网络模型是优越的。(www.xing528.com)

文献［24］针对日流量序列的非线性和多时间尺度特性，将小波分析与人工神经网络进行耦合，提出了小波人工神经网络组合模型。将非线性时间序列进行小波变换，再以小波变换系数序列作为人工神经网络的输入，原始时间序列作为人工神经网络的输出，最后训练网络并进行预报。以长江寸滩站日流量为例进行的研究表明，小波人工神经网络组合模型延长了预见期，提高了预报精度。

文献［25］利用Mallat算法提出了一种随机组合预测模型。文章对水文序列进行多尺度分解，得到对应尺度下的低频序列和高频序列，分别对低频序列和高频序列建立随机模型进行预测，将预测结果序列进行小波重构获得原水文变量的预测结果。