径流的变化不仅影响着人类社会系统的安全,同时也影响着自然生态系统的健康(徐东霞,2008)。所以对径流进行预测已成为水资源研究领域中的一项重要内容,是水资源规划管理及综合开发利用、防洪抗旱、水利工程管理、工农业用水计划编制、电站运行管理和发电计划的制定等的基本依据。较高精度的径流预报是合理利用水资源、实现水库安全运行及优化调度的有效保证(李保健等,2014)。但是,径流是一定时期内,流域中气候因素和下垫面各种自然地理因素以及人类活动等综合作用的产物,其表现为复杂的线性、非线性特征,隐含着突变、趋势性和周期性等特征(梁东业等,2012;刘新华等,2013)。既有确定性规律,又有随机性和模糊性规律,难以用物理数学那模型描述(徐冬梅和赵晓慎,2010)。

随着沿黄地区工农业的迅速发展,黄河流域水资源供需矛盾日益突出。径流预报可以为黄河地区水量调度提供重要依据。如何进行径流的精确预报一直是国内外研究的热点与难点。目前国内传统的预测方法有:线性回归法、随机时间序列法、指数平滑法、灰色系统模型法、神经网络及其融合技术模型法等。传统预测方法和灰色系统预测法可以预测一段时间内径流量变化的大致趋势。但径流本身受多重不确定因素的共同制约,他们之间不仅存在紧密的非线性内部联系,而且都处在不断变化之中,导致这些传统方法的预测精度往往不高。因此学者们不断探索新的方法,蓝永超等(2004)采用动力系统预测方法,王英和黄明斌(2008)采用径流曲线方法,缪益平和邓俊(2008)采用B-P神经网络方法,金菊良等(2002)采用投影寻踪门限回归模型等均对年径流量进行了预测研究。这些方法在一定程度上提高了预测的精度,但是仍存在局限,比如往往需要较多样本等。然而在实际应用中提供的多是小样本数据,数据样本很难完备,就会令这些方法的预测效果大打折扣。针对这种数据缺损稀疏情况,黄崇福等(2002)提出了信息扩散概念,并根据分子扩散原理导出了正态扩散函数,运用择近原则得到经验窗宽,同时结合信息矩阵使信息扩散在地质灾害风险分析领域得到了比较系统的应用。陈建杰和余锦华(2016)基于信息扩散理论研究了四川盆地不同风险水平下的农业旱灾发生概率及其分布。张韧等(2013)引入自适应模糊推理系统方法,分析了西太平洋副高对赤道东、西太平洋和赤道印度洋等海区海温状况和冷暖变化的响应态势和响应程度。随后刘巍等(2012)将正态扩散理论创新运用到处理样本稀疏的海洋资料领域,建立了正态扩散插值模型,与经典的Kriging插值方法的对比结果显示,正态扩散插值模型表现出较好的适用性和可行性。

国内外二语学习动机衰退研究经历了20年的发展历程，已经从理论性阶段的探讨发展到目前以实证方法为主的应用研究，在研究内容、对象和方法设计上都有相当发展，但尚且存在一些问题和不足，如对动机衰退的概念界定尚不统一，特别是对“demotivation”和“amotivation”之间的区别和联系依然存在较大的分歧；研究对象均为学生，且以非英语专业大学生居多，缺少横向对比研究和教师与学生的同题研究；几乎所有的二语学习负动机现象研究仅限于简单线性的共时性静态研究，缺乏复杂的多维的历时性动态研究，而这与二语动机动态变化发展的本质是相矛盾的。

3.5 《医院消毒供应中心管理规范》的实施 预防和控制医院感染是保障患者安全、提高医疗质量以及维护医务人员职业健康的一项重要工作。2009年12月1日起实施的《医院消毒供应中心管理规范》，对包装材料的要求中提到:①纺织品还应为非漂白织物;②包布除四边外不应有缝线，不应缝补;③初次使用前应高温洗涤，脱脂去浆、去色;④应有使用次数的记录。我们经过实验，外送清洗对棉布的损耗很大，通常一块新的棉包布经过6次左右洗涤就会产生破洞，而被废弃。

但是正态扩散插值模型中采用的经验窗宽不适用于所有分布,对于大气、海洋和水文中的一些非对称、非正态资料处理具有一定局限性。针对经验窗宽的缺陷,王新洲和游扬声(2001)根据母体分布估计的均方误差最小准则,提出了适用于多种分布的最优窗宽理论,在处理单一变量的信息扩散估计方面比经验窗宽有优势。然而经笔者研究发现,最优窗宽在应对时间、水文要素等多变量共存的资料进行插值试验时,效果并不理想。鉴于此,本文在最优窗宽理论的基础上,设计了基于遗传算法的改进窗宽,并且借鉴模糊映射思想,构建了新的信息扩散模型。以利津站1942—2011年实测径流资料为基础,运用新的改进窗宽的信息扩散模型对年径流量进行插值试验,并与正态扩散插值模型进行比较,以说明本文算法在稀疏数据和非对称、非正态资料处理方面的可行性和有效性。在此基础上进行进一步的预测研究,最后补充黄河流域的花园口、兰州站和长江流域的朱沱,宜昌和大通站年径流量预测试验以及海温资料的插值试验以证明本文算法的广泛适用性。新的信息扩散模型精度高,计算简单,小样本即可建立模型,较适合水文资料信息不充分条件下的数据补缺插值和中短期预报,具有广泛的应用前景。

1 研究方法

1.1 信息扩散原理和扩散估计

设X={X1,X2,Λ,Xn}是用来估计论域U上的一个知识样本,记Xi的观测值为li,再设x=φ(l-li),则当X非完备时,存在函数μ(x)使li点获得的量值为1的信息可按μ(x)量值扩散。且扩散所得到的原始信息分布能更好地反映X在总体的规律,该思想被称为信息扩散原理。根据这一原理对母体概率密度函数的估计称为扩散估计,扩散估计的确切定义如下:

1) 系统需要硬件发出启动信号来开始检测程序，选择发动机进入某工位时发出启动信号。该硬件要适应生产线的生产，因此体积要小，并且每次发动机到达检测工位后能及时发出启动信号。鉴于上述需求，选择光电开关，体积小，耐用，并且当发动机进入工位时会遮挡光电开关发出的信号，由此激发启动信号。

选取黄河流域的其他2个站点(花园口和兰州)和长江流域的3个站点(朱沱、宜昌和大通),站点位置如图2所示。

(1)

式中:为母体概率密度函数f(l)的一个扩散估计(黄崇福和王家鼎,1995);μ(x)称为扩散函数;d称为窗宽。由(1)式可知扩散估计的关键在于扩散函数μ(x),黄崇福等(1995)运用分子扩散理论,导出了正态扩散函数:

由于实际问题处理时f(l)并不知道,考虑到是f(l)的渐近无偏估计,故采用近似代替f(l)。并且为了方便计算机的运行,采用二阶差分格式:

(2)

将(2)式代入(1)式,得到母体概率密度函数f(l)的正态扩散估计:

(3)

(3)式中,h称作经验窗宽,。接着根据择近原则,推导出经验窗宽公式:

(4)

其中:a=min(li),b=max(li)(i=1,2,Λ,n);n是样本容量。

1.2 模糊映射关系

θB(vg)=max{min{θA(uh),rl1,l2,Λ,ln}}。

信息扩散中将小样本数据看成散布在“输入一输出”论域空间X×Y上的“信息注入点”,通过集值化处理,将其每一个样本数据扩展为周围多个样本点模糊集的表示形式。针对样本点(x,y)“周围”边界的不清楚性和模糊性特征,在输入空间X和输出空间X中分别引入“监控点”集合:U={u1,u2,Λ,um},V={v1,v2,Λ,vn},其中uj(i=1,2,Λ,m)和vk(j=1,2,Λ,n)是等步长递增离散点。这样监控点空间U×V就构成了分布在“输入一输出”空间上的网格。将“信息注入点”的信息通过信息扩散公式合理、有效地扩散到整个监控点空间上:

qijk=

(5)

qijk组成单个样本(xi,yi)在U×V上的信息矩阵Qi(Huang,2001),则样本总体的原始信息矩阵为:

(6)

n是样本点容量。由Q=[Ql1,Ql2,Λ,Qln](其中Qlx是原始信息矩阵的列向量),可以获得模糊关系矩阵R=[rl1,rl2,Λ,rln],二者的转化关系如下:

(7)

假设输入xi,对其进行信息分配,可得模糊集:

4)试验表明,该算法适用于地理位置、下垫面、流域面积等不同因素的水文站点年径流量的估计与预报,还能拓展应用到大气、海洋等稀疏数据的插补预测领域。

(8)

其中:h=1,2,Λ,m;Δ=uh+1-uh。将该模糊化的输入与模糊关系矩阵R进行max-min模糊合成规则,即:

对于一个“输入—输出”系统,记Ω为母体,x、y分别为输入和输出分量,则X×Y为输入、输出集合的论域空间,由X、Y经(4)式可得输入、输出分量各自的经验窗宽dx、dy。母体Ω的概率密度函数f(x,y)反映了该空间中(x,y)点的信息分布密度。基于概率论知识和模糊集合理论,对于该“输入—输出”系统,当给定输入x,可以定义一个模糊集合来表示输出y,且其隶属度函数为σ(y)=f(x,y)。这样,由已知样本利用信息扩散的原理求出母体Ω概率密度函数的一个扩散估计,就可以建立输入、输出分量间的一个映射关系。

(9)

其中:g=1,2,Λ,n。最后去模糊化便可得到输出值:

(10)

1.3 最优窗宽及其改进

1.3.1 最优窗宽

虽然正态扩散插值在处理样本稀疏的海温资料方面较经典的Kriging插值方法表现出更好的适用性和可行性(黄崇福和王家鼎,1995),但是正态扩散插值模型中采用了经验窗宽,导致其难以解决非对称、非正态资料的缺省问题。针对经验窗宽不适用于非正态分布的缺陷,王新洲和游扬声(2001)根据母体分布估计的均方误差最小准则,求得最优窗宽的迭代公式:

(i=1,…,n);

(11)

其中:d表示窗宽;l表示观测值;f(l)为母体概率密度函数表示f(l)的一个扩散估计;max为取最大值函数;min为取最小值函数;mean为取平均数函数;μ称为扩散函数;k表示某样本在样本总数中的序数。每个样本对应的窗宽都要经过n次迭代;i表示迭代序数。将这n个迭代值最后求平均即得第k个样本对应的窗宽。令ε为小正常数,若εdk>|dk-di|(i=1,2,…,k-1)中任一式成立,则停止迭代,取为最优窗宽。

最优窗宽适用于多种分布,并且在信息扩散估计方面更加准确(黄崇福,2012)。但是黄崇福(2012)在处理不同样本点上获得的相异窗宽时,仅仅采用其平均数进行迭代近似。这种近似处理,难免陷入局部最优的境况。而遗传算法是近年来得到广泛应用的一种仿生优化算法,其特点在于全局搜索和并行计算,因而具有很好的参数优化能力和误差收敛速度(杨淑莹,2011)。鉴于此,本文将运用遗传算法寻求适合所有样本点上的窗宽。

《语文课程标准》明确提出：“要让学生充分地读，在读书中整体感知，在读中有所感悟，在读中培养语感，在读中受到情感的熏陶。”由此可见，在阅读教学中，读是学习语文的一扇窗口，也是感受语言、形成语感的基本方式。

1.3.2 基于遗传算法对最优窗宽的改进

借鉴黄崇福(2012)基于母体分布估计均方误差最小准则推导出的窗宽与扩散函数μ(x)以及知识样本容量n之间的函数关系式:

(12)

书城被赋予的意义不止于购书和阅读，它也用自己独特的方式，汇聚着来往的人们。夜幕笼垂，一场宁波方言吟诵展演活动正在这里举行。每一本书都拥有自己的使命，有人在这里发现世界，有人在这里描绘世界。

(13)

将(13)式代入(12)式,并结合(2)式得到窗宽计算式:

(14)

与最优窗宽迭代公式(11)比较,(14)式更加简洁明了,接下来本文便从该式出发,采用遗传算法搜索最优解。进行遗传算法全局寻优首先假设知识样本X对应的观测值(l1,l2,Λ,ln)中最大值为b,最小值为a。根据黄崇福(2012)可知,窗宽d的可能取值范围(雷英杰,2005),但从(5)、(7)式得到的窗宽过小,将导致扩散估计趋近于0,无法完成原始信息矩阵向模糊矩阵的转换。鉴于此,本文反复实验论证窗宽取值下限应设为:

(15)

dexp是样本容量为n时对应的经验窗宽。然后从上述取值范围中产生n=200个随机浮点数染色体,形成初始群体(y1,y2,Λ,y200),设定(16)式为遗传算法的关键——评估函数:

Cal=

当时，中山先生经过旅途的辗转周折，所带的费用已分文不剩了，眼看着连一口面包都吃不上。于是，一些热心的留学生便慷慨解囊，你凑一点，我凑一点，凑了三四十个英镑送给中山先生，以暂时维持他的基本生活。不料三天之后，大伙儿再去看望他时，却见他已将这些钱买了一大堆新书。一见面，中山先生便津津有味地指着书告诉众人说，这是什么书，那是什么书，这本书怎样怎样好，那本书又如何如何重要。众人见此情景，一个个不禁目瞪口呆，有的为中山先生的好学精神所惊骇，也有的抱怨他不该将吃面包的钱拿来买了书。

在中继节点每根天线的平均发送总功率为PR、人工噪声平均功率为PnR时，转发源端信号的平均功率为PR-PnR，在此约束下，中继的放大系数为

(16)

参考文献(References)

fFitness(di)=a(1-a)Iindex-1。

(17)

其中Iindex是排列序号;a的取值范围是(0,1),一般取a=0.6。除编码与种群生成、设定评估函数、适应度估算以外,遗传操作步骤还包括种群父本选择、遗传交叉和基因变异等,其算法流程、计算原理和详细说明可参阅文献雷英杰(2005),不再赘述。当群体进化到各自相邻代评估函数值无显著变化(≤0.01)时停止遗传运算,选择此时适应度值最大的个体作为知识样本X的最终窗宽。

2 算例

2.1 蒙特卡罗随机试验

不过他们很快找到了解决方案，思路就是三明市驻村干部总队探索出来的“党组织引领、跨乡联建、多村捆绑、公司化运营、发展壮大村级集体经济”模式。省派三明（省市县）驻村干部总领队张志坚表示，这一模式要求驻村第一书记们立足村情、找准定位、因地制宜、群策群力，大力发展产业，以产业发展促进农户脱贫致富、村集体增收。

(18)

用Monte Carlo方法生成满足(18)式分布的不同随机数样本,容量分别定为n=30、40、50,运用经验窗宽、最优窗宽、改进窗宽对原分布函数进行估计。在区间[0,20]上,等距离取1 000个离散点,计算估计值与真实值间的均方误差,结果如表1所示:三种窗宽对(18)式的扩散估计精度都较高(<0.1),而改进窗宽在三者中表现出稳定的优势。

表1 不同窗宽的扩散估计效果对比

Table 1 The effect of diffusion estimate contrast between different window widths

样本容量经验窗宽MAE最优窗宽MAE改进窗宽MAE300 0803266530 0755763850 073620721400 0841413130 0791394680 071309648500 0828865220 0777603340 073437815

2.2 利津站插值和预测实验

为检测本文模型对最优窗宽改进优化的有效性、可靠性和实用性,试验样本选择黄河利津水文站1942—2011年天然年径流量统计数据,将日期信息视为“输入”,利津站年径流量检测值视为“输出”。

2.2.1 试验1

从历年水位观测数据中随机抽取24个样本点作为“观测”资料(其余格点视为资料缺测)。为避免偶然性,分别运用经验窗宽插值模型、最优窗宽插值模型以及本文提出的改进窗宽插值模型对不同的随机样本进行10次数据插补对比试验,以检验不同方法基于24“观测”点资料插值逼近原有年径流量(单位:亿立方米)的准确率和可靠性。试验结果见表2,其中第10次实验的插补效果对比见图1。

由图1可见,改进窗宽扩散插值效果较其他两种插值方法与实际值的整体趋势更为逼近,插值结果也更接近实际,峰值与低值和实际值有较好的对应关系。表2中,改进窗宽扩散插值模型较之经验窗宽插值、最优窗宽插值扩散具有更小的均方误差和较高的相关系数(0.75以上)。

表2 不同算法的插补效果比较(24样本)

Table 2 The contrast effect between different interpolation algorithms(24 Samples)

实验系数经验窗宽最优窗宽改进窗宽均方差相关系数均方差相关系数均方差相关系数199 51270 7097110 30580 6957126 71870 65512102 11370 6982109 75260 695495 52160 79853101 32210 7196110 56360 6889122 02780 67174104 27960 7049106 46460 6988106 50840 69885102 23170 7120109 24940 700083 70750 80256101 32230 6898111 39650 6813102 68100 74097100 01840 7282113 01320 682097 70730 84768103 25260 7315108 56280 708857 91790 93209100 90850 6785108 76490 679578 93880 85291097 25590 7165115 00940 692357 55280 9143平均101 22170 7089110 30830 692392 92820 7914

图1 不同模型的插补效果比较(24样本) Fig.1 The contrast effect between different interpolation algorithms(24 Samples)

2.2.2 试验2

资料方法同于试验1,但插值样本点减少到10,其余格点均视为资料缺测,检验不同方法仅用该10个“观测”点资料插值逼近原有年径流量(单位:亿立方米)的准确率和可靠性。

试验结果(如表3)表明:改进窗宽扩散插值在样本容量过于稀少的情况下虽较其他两种方法仍具一定的优势,但相关系数和均方误差结果不尽理想(相关系数平均值低于0.7,均方误差也较大)。

表3 不同算法的插补效果对比(10样本)

Table 3 The contrast effect between different interpolation algorithms(10 Samples)

实验系数经验窗宽最优窗宽改进窗宽均方差相关系数均方差相关系数均方差相关系数1112 13440 7044110 43620 7080101 26010 70632116 65060 7028122 37300 6952105 09000 70113112 41250 7009118 81530 7001120 14120 65174118 89360 6709122 12070 6697120 13780 70035113 68560 6842120 70160 6799125 14900 7179平均114 75530 6927118 88940 6902114 35560 6955

2.2.3 试验3

从2010年前的历年水位观测数据中随机抽取20个样本点作为“预报”参考,对2010年以及2011年径流量(单位:亿立方米)进行预报。为避免偶然性,分别运用经验窗宽模型以及本文提出的改进窗宽模型对不同的预报材料进行10次预报数据对比试验(最优窗宽模型在上述试验中表现出比较明显的劣势,故这里不予考虑),以检验不同方法基于20样本点“预报”资料逼近原有年径流量的准确率和可靠性。不同窗宽的扩散估计与原2010年、2011年径流量观测值之间的误差、绝对误差平均与平均相对误差见表4。

表4 不同算法的预报效果比较(20样本)

Table 4 The contrast effect between different predictions (20 Samples)

实验系数经验窗宽改进窗宽20102011201020111-13 2113-3 151720 157828 17352-66 6443-59 289224 321420 6700320 125729 69723 849413 81624-91 8001-84 8246-21 8134-14 78225-19 0046-8 558715 808724 62006-61 7171-53 8723-27 1076-18 31337-86 4446-79 38593 732211 26788-20 9186-9 890811 703520 50359-3 92465 6034-15 0146-5 671510-9 7573-0 6756-2 27305 4492绝对误差平均39 354833 494914 546016 2597平均相对误差0 20390 18180 07550 0886

由表4可见,改进窗宽模型在预报2010、2011年径流量方面比经验窗宽模型更为准确,并且预报性能更稳定,得到了较好的预报结果。

2.2.4 试验4

第二，全面了解农村经济合作社组织对促进农村经济快速发展的意义。通过优化农村的产业结构，及时捕捉市场信息，全面了解农村经济发展的动态形势，从而为广大农民提供技术支持，指导农民按需生产。农村经济合作组织通过联合分散的农户，让其共同抵御相关风险，提升了农民的组织化程度，让农村将经济发展的大市场和小市场更好地对接起来。

选取1942—2002年水位观测数据作为“预报”参考,对2003—2011年径流量(单位:亿立方米)进行预报。将不同窗宽的扩散预报值与原2003—2011年径流量观测值之间的结果比较,如图2所示:

图2 不同模型的预测效果比较(2002—2012年) Fig.2 The contrast effect between different prediction models(2002—2012)

从图2可以看出,本文的改进窗宽模型在预报黄河历年径流量方面较经验窗宽模型更为准确,得到了较好的预报结果。预测结果能够较好地模拟实际径流序列的波形变化,对于丰水年(如2007年)和枯水年(如2009年)都预报的比较准确。中长期预报(10 a)平均相对误差仅为11.59%,预报效果较好;特别是相较于传统的信息扩散方法的55.23%的误差有很大的改进。

综上试验3和4表明,本文提出的改进窗宽扩散方法在处理样本点稀疏以及非对称、非正态的黄河利津站年径流量插值和预报试验中,比经验窗宽扩散、最优窗宽扩散表现出更好的适用性和可行性,为分析处理水文稀疏数据插值、预报等信息不完备问题探索了一条新途径。

2.3 统计性实验

设μ(x)为定义在(-∞,+∞)上的一个Borel可测函数,d>0为常数,则称

作为小学教育的重要一环，教师的作用不言而喻，但是，目前很多小学教师在信息化知识方面相对匮乏，也缺少专门的培训和教育，导致部分教师很难熟练运用信息化教学手段，同时在信息化教学材料的选择和设计方面也明显不足，造成形式化的信息化教学，甚至冲击了学生的中心和主体地位。

图3 水文站点分布(Lan:兰州;Hua:花园口;Zhu:朱沱;Yi:宜昌;Da:大通) Fig.3 Distribution map of hydrological stations(Lan:Lanzhou;Hua:Huayuankou;Zhu:Zhutuo;Yi:Yichang;Da:Datong)

其下垫面和流域面积等因素各不相同,也同样对其进行如实验1的插值实验和实验4的预报实验,得到的插值和预报效果(重复10次试验的绝对平均值)如表5、6,可知改进窗宽仍然表现出较广泛的适用性,具有较高的插值和预报精度。

表5 不同算法的插补效果比较(24样本)

Table 5 The contrast effect between different interpolation algorithms(24 Samples)

水文站点经验窗宽最优窗宽改进窗宽均方差相关系数均方差相关系数均方差相关系数花园口123 81770 6537109 30450 693798 31360 7151兰州105 11370 6872113 74260 682496 54160 7885朱沱99 32210 7356108 54460 698995 02980 7917宜昌107 37960 6849108 56460 6885106 72840 6985大通99 23170 7220108 44940 701087 31750 8001

表6 不同算法的预测效果比较(2002—2012)

Table 6 The contrast effect between different prediction algorithms(2000—2012)

水文站点经验窗宽改进窗宽绝对误差平均平均相对误差绝对误差平均平均相对误差花园口81 20010 200022 82340 0712兰州56 32430 181420 22140 0899朱沱35 23470 154231 95940 1263宜昌71 81210 197714 81370 0644大通18 10460 07929 91870 0478

2.4 扩展性实验

本文算法还可以扩展到对海温的稀疏数据进行插值实验,择取1990年4月—1998年8月期间Nio3区月平均海温指数作为待插数据序列(100个数据点),该序列中包含了一次1995—1996年的弱La Nia事件和一次1997—1998年间的强El Nio事件,具有一定代表性。从中随机抽取33%样本点作为“观测”资料(其余格点视为资料缺测),进行类似试验1的插值逼近,结果如表7和图4所示,结果显示本文算法对于稀疏数据插值具有很好的普适性。

③饮食指导：由研究人员结合孕妇的具体情况（孕周、体重指数、血糖控制情况）来制定科学的营养食谱，总热量摄入参考患者的BMI和孕期，在热量摄入分配上，以碳水化合物为主，糖、蛋白质、脂肪三大营养素功能比为（50%～70%、15%～20%和 20%～30%），在食物的选择上，主食选取富含纤维素的食物或全谷类食物、推荐杂粮饭为主的主食[2]，多食用蔬菜和水果，水果应选择低糖分水果如黄瓜、西红柿、柚子、樱桃等，适当选择鱼肉、蛋奶、瘦肉、豆制品，满足蛋白质和脂肪摄入，严格限制精糖、烧烤、腌制、熏制食物及甜品的摄入等。提倡少食多餐，在三餐之外合理加2～3餐，但维持总摄入量不变。

表7 不同算法的插补效果比较(33%样本)

Table 7 The contrast effect between different interpolation algorithms(33% Sample)

实验序数正态信息扩散插补最优窗宽扩散插补改进窗宽扩散插补均方差相关系数均方差相关系数均方差相关系数11 04580 59641 25550 40620 73880 814321 09080 32431 31470 33151 00680 718130 99960 61351 26030 39190 61220 846041 04550 60001 29130 45380 76020 783450 90180 68021 22390 47090 55620 846260 98050 63891 27750 36820 74520 795971 20980 50801 38500 36720 77120 772480 94070 64941 26410 46920 86620 659590 98370 60981 05870 59490 80840 7145100 90710 68631 22500 50200 77960 7625平均1 01050 59071 25560 43560 76450 7713

图4 不同算法的插补效果比较(33%样本) Fig.4 The contrast effect between different interpolation algorithms(33% Sample)

3 结论与讨论

在全球气候变化背景下,水文测站年径流量受众多因素影响,如何准确定量地估算年径流量的变化趋势对径流量的预测和未来水资源的管理都有着重大意义。本文提出了一种新的数据插值方法—改进窗宽信息扩散插值算法。该方法基于最优窗宽理论,经遗传算法进行完善,同时借鉴了模糊映射思想,即通过能够概括目标资料分布结构的扩散函数来对有限数据点信息进行模糊集合扩散,以实现稀疏数据点信息向其邻近区域点的预估插值。该算法的优势体现在:

1)可以将样本点转换成模糊集,部分弥补了由于数据的不完备性所造成的信息空白,对于解决实际中存在的水文小样本和稀疏数据等问题具有一定的参考应用价值;

2)在插补和预测径流量数据中一些非对称、非正态资料时,插值拟合结果逼近实际,相比正态扩散插值模型和原最优窗宽扩散插值更加精确,取得较好的预测结果;

3)预测结果能够较好的模拟实际径流序列的波形变化,对于丰水年(如2007年)和枯水年(如2009年)都预报的比较准确。中长期预报(10 a)平均相对误差仅为11.59%,精度符合规范要求;特别是相较于传统的信息扩散方法的55.23%的误差有很大的改进;

本文提出的改进窗宽信息扩散模型无论是从插值上还是预测上均取得了较好的效果。但是,该模型在样本点极其稀少的情况下的插值效果仍不尽理想,在预测过程中,每次预测值仍有一定的波动。但是总体变化趋势及范围仍是可信的,改进窗宽信息扩散模型值得在中长期年径流量预测中推广应用。

根据复合板协会(CPA)2018年1月的产能报告，北美35家刨花板厂，其中美国占北美总产能的64.0%;加拿大占25.7%;墨西哥占10.3%。CPA成员代表北美刨花板业有效产能的95.4%。CPA还声明，截至2018年1月，刨花板产量共计929.2万m3，比2017年同月份下降了1.0%， 9.7万m3。

每个染色体di的适应度值(fFitness(di))按照评估函数值由小到大排序,其表达式为:

Huang C F,2001.Information matrix and application[J].Journal of General Systems,30(6):603-622.

Matland的模糊冲突解释模型最大特点是：不再像以往实行模式关注于“自上而下”的政策制定者，或者“自下而上”的政策受体者； 关注的是政策实行的“模糊性”和“冲突程度”，并且提炼出每种实行模式的关键要素，方便政策实行模式的选择。

陈建杰,余锦华,2016.基于信息扩散理论的四川盆地农业旱灾风险评估[J].大气科学学报,39(5):712-720. Chen J J,Yu J H,2016.Risk assessment of drought on agricultural land in the Sichuan Basin based on information diffusion theory[J].Trans Atmos Sci,39(5):712-720.(in Chinese).

黄崇福,2012.自然灾害风险分析与管理[M].北京:科学出版社. Huang C F,2012.Risk analysis and management of the natural disaster[M].Beijing:Science Press.(in Chinese).

黄崇福,王家鼎,1995.模糊信息优化处理技术及其应用[M].北京:北京航空航天大学出版社. Huang C F,Wang J D,1995.Fuzzy information optimization processing technology and Application[M].Beijing:Beijing University Press.(in Chinese).

金菊良,魏一鸣,丁晶,2002.投影寻踪门限回归模型在年径流预测中的应用[J].地理科学,22(2):171-175. Jin J L,Wei Y M,Ding J,2002.Application of projection pursuit threshold regressive model for predicting annual runoff[J].Science Geographica Sinica,22(2):171-175.(in Chinese).

蓝永超,王叔功,丁永建,等,2004.Local Modeling模型及其在黄河上游月径流预测中的应用[J].冰川冻土,26(3):344-348. Lan Y C,Wang S G,Ding Y J,et al.,2004.Application of local modeling method to the monthly runoff prediction in the upper Yellow River[J].Journal of Glaciology and Geocryology,26(3):344-348.(in Chinese).

雷英杰,2005.Matlab遗传算法工具箱及应用[M].西安:西安电子工业大学出版社. Lei Y J,2005.Matlab genetic algorithm toolbox and application[M].Xi’an:Xi’an Electronic Industry University Press.(in Chinese).

梁东业,李艳萍,王景才,2012.渭河上游河川径流演变特性分析[J].人民长江,43(8):52-55. Liang D Y,Li Y P,Wang J C,2012.Analysis of runoff evolution characteristics in upper Weihe River[J].Yangtze River,43(8):52-55.(in Chinese).

李保健,程春田,武新宇,等,2014.日径流预报贝叶斯回声状态网络方法[J].中国科学,44(9):1004-1012. Li B J,Cheng C T,Wu X Y,et al.,2014.Daily Rainfall-Runoff forecasting using Bayesian echo state network[J].Science China,44(9):1004-1012.(in Chinese).

刘巍,张韧,徐志升,等,2012.基于信息扩散的稀疏数据插值算法[J].解放军理工大学学报,13(1):114-118. Liu W,Zhang R,Xu Z S,et al.,2012.Interpolation technique for sparse data based on information diffusion[J].Journal of PLA University of Science and Technology,13(1):114-118.(in Chinese).

刘新华,徐海量,凌红波,等,2013.阿克苏河源流区径流量与降水量丰枯变化和相关性研究[J].冰川冻土,35(3):741-750. Liu X H,Xu H L,Ling H B,et al.,2013.Research on the high-low flow variation and the correlation between runoff and precipitation at the headwaters of the Aksu River[J].Journal of Glaciology and Geocryology,35(3):741-750.(in Chinese).

缪益平,邓俊,2008.基于BP人工神经网络的枯水径流预报方案研究[J].水文,28(3):33-36. Miu Y P,Deng J,2008.Research on low-flow forecasting scheme based on BP artificial neural network[J].Journal of China Hydrology,28(3):33-36.(in Chinese).

王英,黄明斌,2008.径流曲线法在黄土区小流域地表径流预测中的初步应用[J].中国水土保持科学,6(6):87-91. Wang Y,Huang M B,2008.Application of the SCS-CN method on runoff estimation in small watershed on Loess Plateau[J].Science of Soil and Water Conservation,6(6):87-91.(in Chinese).

王新洲,游扬声,2001.论信息扩散估计的窗宽[J].测绘科学,26(1):16-19. Wang X Z,You Y S,2001.On the window-width in information spread estimation[J].Science of Surveying and Mapping,26(1):16-19.(in Chinese).

徐冬梅,赵晓慎,2010.中长期水文预报方法研究综述[J].水利科技与经济,16(1):1-7. Xu D M,Zhao X S,2010.Review of research on medium and long term hydrological forecasting methods[J].Water Conservancy Science and Technology and Economy,16(1):1-7.(in Chinese).

徐东霞,2008.近50年嫩江流域径流变化特征及其影响因素分析[D].北京:中国科学院研究生院. Xu D X,2008.Runoff variation and it’s impacting factor in Nenjiang River during 1956—2006[D].Beijing:University of Chinese Academy of Sciences.(in Chinese).

杨淑莹,2011.模式识别与智能计算[M].北京:电子工业出版社. Yang S Y,2011.Pattern recognition and intelligent computing[M].Beijing:Publishing House of Electronics Industry.(in Chinese).

张韧,彭鹏,洪梅,等,2013.近赤道海温对西太平洋副高强度的影响机理——模糊映射诊断[J].大气科学学报,36(3):267-268. Zhang R,Peng P,Hong M,et al.,2013.Influence mechanism of equatorial SST on West Pacific subtropical high intensity:Fuzzy mapping diagnosis[J].Trans Atmos Sci,36(3):267-268.(in Chinese).

For the case of using small sample data to predict the annual runoff which caused unsatisfactory results,and the case of trying to deal with asymmetric and non-normal data.The thought of information diffusion and fuzzy mapping were introduced in this paper.At the same time,we tried to set up a new diffusion interpolation model by using genetic algorithm to improve the theory of optimal window width.The model achieved probability interpolation of limited data point information to its neighboring regions point by improving the theory of optimal window width based on genetic algorithm.In order to verify the practicability of the model,this paper took Li Jin hydrological station of the Yellow River as an example,and its runoff data from 1942 to 2011 were interpolated and prediction experiments were conducted.After comparing with the normal diffusion interpolation model,the following conclusions can be drawn:(1) In the interpolation and prediction of the runoff data in some non symmetric and non normal data,the results of interpolation is approximate to the actual and the predictive value which can well simulate the waveform changes of actual runoff series,especially accurate in both wet years (such as 2007) and dry years (such as 2009);(2) The average relative error of long-term forecasts (usually 10 years) is only 11.59%,which met the requirements and achieved greater improvement when compared with traditional information diffusion method whose average relative error is 55.23%;(3) Finally,the prediction experiment of annual runoff of two hydrologic stations in the Yellow River Basin(Huayuankou and Lanzhou) and three hydrologic stations in the Yangtze River Basin(Zhutuo,Yichang and Datong) and the interpolation experiment of sea surface temperature data as a complement,which can verify the effectiveness of the proposed method and the general applicability.Owing to the transformation from sample points into fuzzy sets,the new algorithm can partially make up for the information gaps due to incomplete data.It can not only be applicable to the estimation and prediction of annual runoff of hydrological stations with different geographical positions,different underlying surfaces and different catchment areas,but also can be extended to the interpolation prediction field of sparse data,especially in the field of atmosphere and ocean.This new interpolation model which is proposed by this paper is intended to provide a reference for objective analysis and long-term forecasts of actual hydrological data.

small sample data;information diffusion;optimal information window width;genetic algorithms;runoff forecast