Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Entropy-21-00132 (1) .En - Es
Entropy-21-00132 (1) .En - Es
Artículo
La aplicación de la entropía espectral
Método de Pronóstico de caudales en el
noroeste de China
Gengxi Zhang 1,2 , Zhenghong Zhou 1, Xiaoling Su 1,2, * y Olusola O. Ayantobo 3
1
Facultad de Recursos Hídricos e Ingeniería arquitectónico, noroeste Universidad A & M, Yangling 712100,
China; gengxizhang@nwsuaf.edu.cn (GZ); zzh199302@nwsuaf.edu.cn (ZZ)
2
Clave Laboratorio de Suelos Agrícolas e Ingeniería del agua en zonas áridas y las zonas
semiáridas, Ministerio de Educación, el noroeste de la Universidad A & M, Yangling 712100, China
3
Departamento de Gestión de Recursos de Agua y Agrícola-Meteorología, Universidad Federal de
Agricultura, PMB 2240, 110282 Abeokuta, Nigeria; ayantobooo@funaab.edu.ng
* Correspondencia: xiaolingsu@nwsuaf.edu.cn
Recibido: 5 de Noviembre de 2018; Aceptado: 21 Enero 2,019 mil; Publicado 1 de febrero 2019
palabras clave: entropía burg; entropía configuracional; entropía relativa; análisis espectral; la
predicción de caudales
1. Introducción
Previsión precisa de los caudales es de vital importancia para el control de inundaciones, la gestión
de embalses, la restauración del entorno fluvial, el riego y la navegación, entre otros usos [ 1]. Por otra
parte, también puede proporcionar directrices para los responsables políticos en la utilización y gestión
de los recursos hídricos y la formulación de planes de protección de la salud ambiental de agua. Hasta
el momento, la simulación de caudal mensual es un punto de acceso para los investigadores
hidrológicas pero todavía está en la exploración y desarrollo debido a las limitaciones de los métodos de
predicción. Como método tradicional, análisis de series temporales como autorregresivo (AR)
autorregresivo o moviendo modelos promedio (ARMA) a menudo se utilizan para simular el caudal, pero
no pueden resolver el problema de la estacionalidad que existe en la serie de caudales mensuales [ 2].
Afortunadamente, la entropía análisis espectral puede extraer información significativa de proceso de
caudal y pronóstico de caudal mensual acoplado con precisión con el método de análisis de series de
tiempo. En realidad, el método espectral ha sido utilizado con éxito por algunos investigadores para la
predicción de caudales mensuales con diferentes tipos de entropía incluyendo Burg entropía [ 3], La
entropía de configuración [1,2], Y la entropía relativa mínima [4,5].
Burg [6] Propuesto Burg teoría de entropía (BET) en el dominio de frecuencia y luego desarrollado
aún más el máximo Burg entropía método espectral (BESA) para el pronóstico de series de tiempo.
Como método clásico para la predicción hidrológica, BESA ha sido ampliamente utilizado en las aguas
subterráneas nivel de predicción [7], Inundación
la previsión de [8], Y la predicción del caudal [3] Y ha demostrado una ventaja para la previsión de
caudales a largo plazo. Sin embargo, BESA tiene menor resolución en la determinación de los
espectros múltiples pico, y el caudal mensual apenas existen en un solo período. Configuración
máxima entropía método espectral (CESA) es un sustituto para la previsión de la serie de espectros
de multi-pico.
El concepto del método espectral máxima entropía de configuración (CESA) fue propuesto
inicialmente por Frieden [9] En la identificación de imágenes. A partir de entonces, la gaviota y
Daniell [10] Aplicó el concepto en el campo de la astronomía para la reconstrucción de la imagen.
En el campo de análisis de series temporales, la CESA comporta mejor que el BESA en la
determinación de la función de densidad espectral en el modelo ARMA y el modelo MA pero no
tiene ninguna ventaja práctica en el modelo AR [11]. El CESA se ha aplicado para la previsión de
caudales por Cui [2] Y se ha mostrado mejor fiabilidad que BESA.
Como una extensión de BESA, entropía relativa análisis espectral mínimo (RESA) propuesto
por Shore [12,13] También se aplicó a la previsión de series temporales. En RESA, la potencia
espectral se consideró como una variable aleatoria. Tzannes et al. [14] Y Woodbury y Ulrych [15]
Desarrollado RESA y ampliado la teoría y práctica de la entropía relativa mínima. Los espectros
RESA tienen una resolución más alta y son más precisos en la detección de ubicación del pico que
otros métodos para el cálculo espectral [dieciséis]. El método RESA se ha utilizado para la
predicción de caudales mensuales [4,5,dieciséis] Y tiene errores más pequeños que los otros dos
métodos espectrales de entropía.
Sin embargo, hay muy poca investigación que se ha informado de la aplicación de estos
métodos en la previsión de caudales en China. Por otra parte, muchos investigadores no han
prestado atención a la selección de la longitud de caudal para un período de entrenamiento. Por lo
tanto, los principales objetivos de este trabajo son: (1) el uso de tres entropía métodos espectrales
para la predicción del caudal mensual en el noroeste de China, (2) para seleccionar el periodo de
entrenamiento apropiado para los modelos, y (3) para comparar los tres modelos y seleccione el
mejor modelo para la predicción de caudales en el noroeste de china.
2. Métodos
Supongamos que hay una serie de caudales, y (t). Convertirlo en el dominio de la frecuencia f.
Si f se considera una variable aleatoria, la función de densidad espectral se normaliza como una
función de probabilidad. Burg entropía puede expresarse entonces como:
Z W
Hsegundo(F) = ln [p (f)] df (1)
W
donde W = 1/2 Dt es la frecuencia doblar-sobre Nyquist y Dt es el periodo de muestreo.
La definición de la entropía de configuración es similar en Burg entropía y se define como:
W
Z
Hdo (F) = p (f) ln [p (f)] df (2)
W
Con la q dado antes espectral función de densidad (f), la entropía relativa se puede definir
como:
Z W
HR (f) = q (f) ln [q (f) / p (f)] df (3)
W
caudal observado
datos
extensión de autocorrelación
modelo óptimo
Figura 1. El diagrama de flujo de la predicción del caudal usando el método espectral entropía. RE: media
relativa
Figura 1 .los diagrama de flujo de caudales previsión utilizando entropyspectral método.
error; RMSE :raíz media cuadrado error; R :correlación coeficiente; DC: determinación coeficiente .
norte W
or
te nN
la densidad espectral se toman y luego equiparada a cero. Los menos densidades espectrales parciales
obtenidos por
maximizingwhereλis BurgtheLagrangientropy andmultiplierconfigurationand Hentropy (f) istheandentropyminimizingfunctionrelativ.The
partialentropyderivativerespectively, de expressedthespctralas areLto sigue: se toman densidad y luego equiparada a cero. Las densidades espectrales menos sesgadas
obtuvieron
nN n=N
nortenor ) !
pagdo (F) exp (1 n =
mi
te
norte
qR (f) = p (f) exp 1 una lyo
norte
norte2πmifni2t f
NDT
nN
nN
densidades de espectral. Para Burg entropía, Levinson-Burg algoritmos [6,17] Se aplican para
determinar los multiplicadores de Lagrange. Mientras que en el caso de la entropía de
configuración y la entropía relativa, cepstrum
se aplican algoritmos para calcular los multiplicadores de Lagrange. Tomando la transformada de Fourier
inversa de la magnitud logarítmica de la ecuación (8), podemos obtener:
2i f NDT !
Z W [1 + En q( F ) En pag( F )]mi re F Z W una lnortemi2ip f SDT mi2i f NDTre F (9)
=
W W norte
s=N
(10)
eq (n) = Z W
W ln qR (f) EI2 f nDtd f
W
(11)
ep (n) =
Z
W ln p (f) EI2 f nDtd f
donde se obtiene aj utilizando el método de reflexión recursión propuesto por Burg [18].
Para las entropías configuracionales y relativos, las autocorrelaciones se extienden
como:
me (diec
k
tro iséis
r = )
N+k una e (j) rN + kj
j=1
N+k
y ep (N + metro k
k)
r = mi (j)r (17)
N+k + pag N+
2 N+k
una kj
j=1
1 metr k
o
y (t + k) = una e (j) y (T kj +) (19)
2j=1 T+k
Cp (T + k) metro j
y (t + k) =
+ eq (j) y (T kj +) (20)
2 m+1
una
j=1
v
t=1
2
RMSE = u n
o
f (t)]
rt
e
å [x (t)
u
u nor 1
te
t
nort
e
R= t =1
A (x (t) X) F (t) F
t=1
(22)
(24)
(23)
(25)
donde x representa el valor medio de observada caudal x (t), f representa el valor medio de la
caudal f pronosticado (t), y n es el período (mes) de previsión. De acuerdo con la “norma de
predicción para la inteligencia hidrología”, el coeficiente de determinación (DC) se clasifica en tres
niveles tal como se muestra en la Tabla1.
3. Aplicación
Figura22..LocationocationdeofhydrologicstationseninNorthwestChina..
Tabla 2. Información básica sobre datos de caudal para las estaciones hidrológicas
seleccionados [1].
Tabla 2. Información básica sobre datos de caudal para las estaciones hidrológicas
seleccionados [1].
hidrológica Captación Controlar Anual
Longitud Latitud Río 2 2 Anual
Estación hidrológica
Área (km )
Área de Captación de Control de Área
Área (km ) Escurrimiento (m3/ s)
i
Jiutiaoling 102 030 m 37 520 N río Xiying 1120 1077 10 51
Yingluoxia
i 100 ° 11 'E 38 ° 48 'N río Hei 130.000 10.009
Xiangtang 102 51
0
m mi 36 220 norte río Datong 15.133 15126 88 8
i
Zamusi 37 ° 42 'N río zamu 851 851 633
Tangnaihai 100102 ° 34 '09E 35 30 norte
0
Río Amarillo 752443 121972
Jiutiaoling 102 ° 03 'E 37 ° 52 'N río Xiying 1120 1077 10
Xiangtang 102 ° 51 'E 36 ° 22 'N río Datong 15.133 15126 88
El modelo de análisis espectral entropía pertenece a los métodos de autocorrelación, y los datos de entrada
Tangnaihai 100 ° 09 'E 35 ° 30 'N Río Amarillo 752443 121972 633
debe ser una secuencia aleatoria estacionaria estandarizado. Para cumplir con el requisito, el caudal
secuencias deben ser transformadas usando el método de Box-Cox. transformación de Box-Cox puede eliminar El modelo de análisis
espectral entropía pertenece a los métodos de autocorrelación, y los datos de entrada
asimetría de datos y hacen errores de datos presentan una distribución normal [17]. Además, estandarizadodebe ser una secuencia aleatoria
estacionaria estandarizado. Para cumplir con el requisito, el caudal
transformación también se realizó en las secuencias.
secuencias deben ser transformadas usando el método de Box-Cox. transformación de Box-Cox puede
eliminar
Para probar si las secuencias transformadas eran estables, verificamos la raíz unidad de secuencias. asimetría de datos y hacer que los
errores de datos presentan una distribución normal [17]. Además, estandarizado
Sitransformaciónexiste theunitrootfue tambiénen elrealizadasecuencia,en esolaes secuencias.secuencia aleatoria notastationary y viceversa [19].
La función adftest en la caja de herramientas de MATLAB econométrica 2010b (2010b, The MathWorks, Beingjing, Para probar si las secuencias
transformadas eran estables, verificamos la raíz unidad de secuencias. Si el
China, https://ww2.mathworks.cn/products/matlab-online.html) Fue utilizado para probar si la unidad raíz unitaria existe en la secuencia, no es un
aleatoria estacionaria secuencia y viceversa [19]. el adftest
existe raíz. La función adftest supone que la raíz unitaria no existe en la secuencia. Si el función en la caja de herramientas de MATLAB
econométrica 2010b (2010b, The MathWorks, Beingjing, China,
hipótesis es verdadera, el valor lógico de H es 1 y la confianza puede ser devuelto. Si la
hipótesishttps://ww2.mathworks.cn/products/matlab-online.html) se utilizó para probar si la raíz unitaria
es falsa, el valor lógico de H es 0. Los resultados de la prueba de todas las secuencias de caudal transformadas para cinco existe. La función
adftest supone que la raíz unitaria no existe en la secuencia. Si la hipótesis
estaciones hidrológicas muestran que todas las secuencias son estables y homogéneas (Tabla 3).
valor devuelto 1 1 1 1 1
valor devuelto 1 1 1 1 1
pValue 0,001 0,001 0,001 0,001 0,001
pValue 0,001 0,001 0,001 0,001 0,001
discute la influencia del período de formación de los resultados previstos. En el presente trabajo, hemos seleccionado el
.
documentos discuten la influencia del período de entrenamiento en los resultados previstos . En este trabajo, se
datos de caudal observados desde los años 2008 a 2012 como el período de validación. Además, se observa
fluir s .
seleccionado los datos de caudal observados a partir de los años 2008 a 2012 como el período de validación.
datos de 3 a 40 meses fueron seleccionados como un período de entrenamiento para evaluar la influencia de la formación
, 3 una
Además, los datos observados de 3 a 40 meses fueron seleccionados como un período de entrenamiento para evaluar la
periodo en los resultados previstos. Con el fin de determinar el período de modelos, la relación entre el
. ine
influencia del período de entrenamiento en los resultados previstos. Con el fin de determinar el período de modelos, las
diferentes períodos de formación y el orden óptimo de los modelos se explican en la figura 3. Como se vio en
s Alabama
relación entre los diferentes períodos de formación y el orden óptimo de los modelos se explican
Figura 3, Cuando el período de entrenamiento es corto, del orden de ajuste óptimo de los modelos es más baja, y entonces la
F 3. s 3, es Alabama
en la Figura 3. Como se ve en la Figura 3, cuando el período de entrenamiento es corto, del orden de ajuste óptimo de los modelos
Para óptimo de modelos tiende a ser estable con el aumento del período de entrenamiento. .
es er, t Alabama s
es más baja, y entonces el orden óptimo de modelos tiende a ser estable con el aumento del periodo de
entrenamiento.
20
20 10
50 30 40 10 10
50 30 40
mmordero
10
fmodelof
40 30 0 0
20
40
30
30 20
30 20
0 0
orderofmodel mm
0
mmorderofmodel
0 10 20 30 40 0 10 20 30 40
0
0 10 20
ndo) ((Cc))
40 (una) 40 (segu BESA
ndo) BESA
40 40 CESA
orderofmodel mm
orderofmodelmm
30 30 CESA
30 30
20 20
20 20
10 10
10 10
0 0
0 0
0 0
10 10
20
20
30 30
40
40
0
0
10 10
20 20
30 30
4040
(re) (mi)
(re) (mi)
3. . statiotin;
Figura 33.. El orden del modelo correspondiente a tlos diferentes periodos de calibración.. (A) Yingluoxiiayo
es menos ttHan . Sin embargo, periodo es menos de 15 años. Sin embargo,incremento en el periodo de formación se incrementa y estabiliza el CORRIENTE CONTINUA.
wcomo ..
disuadirmetroined
se determinó como 26 años.
1.0
0.8 1
1. 1
0 0.6
corriente
0.6 0.8
continua
0.8
corriente continua
0.
corrie 8 0.6
nte 0. 0.4 0.6
contin 8 0.4
ua 0.2 0.4
0. 0.2 0.4
6 0 10 20 30 40 0
0
10
10
20
20
30
30
40
40 0 10 20 30 40
período de calibración / año
0 10 20 30 40
0.
0 10 20 30 40
período de calibración / año período de calibración / calibración
período de calibración / año período de calibración / año años período / ejercicio
6 (un (se
0. a) gun ((Cc))
4 do)
0. (un (seg
4
a) und
o)
Figura 4. Cont.
Entropy 2019, 21, 132
entropía 2019, 21, x
entropía 2019, 21, x
1 1
0.8
0.8
corriente continua
0.6
corriente continua
0.6
0.4
0.4
0.2
0.2
0 10 20 30 40
0 10 20 30 40
período de calibración / año
continua corriente
0.6
0.4
0.4
0.2
0.2
0
0
0 10 20 30 40
0 10 20 30 40
período de calibración / año
período de calibración / año
(mi)
(mi)
FiguraFigura4.Evaluación4.Evaluacióníndice (DCíndice)correspondiente(DC) que correspondelongitudes todifferenttodifferentofcalibrationlongitudes
períodoofcalibration. () YingluoxiaPerod. (una) Figura 4. índice de evaluación (DC) que corresponden a diferentes longitudes de periodo de calibración.
(una)estación;Yingluoxia(B) Jiutiaolingestación;estación;(B) Jiutiaoling(C) Zamusiestación; ((dore)) ZamusiXiangtangestación;estación;(re )(miXiangtang)
Tangnaihaiestación;estación(mi.) Tangnaihai estación Yingluoxia; (B) La estación de Jiutiaoling; (C) la estación Zamusi; (D) la estación de Xiangtang; (E)
Tangnaihai
station.3.3. La estimación de densidad espectral.
3.3. Estimaciónstation.3.3.SpectrEstimaltingDensidadDensidad espectral.
El análisis espectral es un poderoso método empleado para comprobar la periodicidad mediante la búsqueda de la El análisis
espectral es un poderoso método empleado para comprobar la periodicidad mediante la búsqueda de la El análisis espectral es un poderoso
método empleado para comprobar la periodicidad mediante la búsqueda de la frecuencia de los picos del espectro. Las densidades espectrales
estimados por estos tres entropía espectral
la frecuencia de los picos del espectro. Las densidades espectrales estimados por estos tres métodos de entropía espectralesla frecuencia de los picos del espectro. Las densidades espectrales
estimados por estos tres entropía espectral
métodos se compararon con la densidad espectral estimada por transformada rápida de Fourier (FFT) (Figura 5). se compararon con la densidad espectral
estimada por transformada rápida de Fourier (FFT) (Figura 5). Cincométodos se compararon con la densidad espectral estimada por transformada rápida de Fourier (FFT)
(Figura 5).
Cinco ríos representativos fueron elegidos para mostrar la capacidad de BESA, CESA, y RESA para estimar la ríos representativos fueron elegidos
para mostrar la capacidad de BESA, CESA, y RESA para estimar la Cinco ríos representativos fueron elegidos para mostrar la capacidad de BESA, CESA, y RESA para
estimar la
densidades espectrales. Para RESA, una función de densidad espectral antes se planteó la hipótesis de datos densidades espectrales. Para RESA, una
función de densidad espectral antes se planteó la hipótesis de información de datos.densidades espectrales. Para RESA, una función de densidad espectral antes se
planteó la hipótesis de datos
información. El proceso de determinación de las funciones de densidad espectral anterior se describe en el Apéndice El proceso de determinación de
las funciones de densidad espectral anterior se describe en el Apéndice UNA. Puede serinformación. El proceso de determinación de las funciones de densidad
espectral anterior se describe en el Apéndice
A. Puede ser descubierto a partir de la Figura 5 que todas las estaciones muestran un pico a la frecuencia 1/12. Endescubierto partir de la figura 5que todas las estaciones se muestra un pico en la frecuencia 1/12.
Por otra parte,
A. Puede ser descubierto a partir de la Figura 5 que todas las estaciones muestran un pico a la frecuencia 1/12. En
Por otro lado, hubo otros picos cercanos a la frecuencia de 1/4 y 1/6 de la densidad espectral en
había otras cerca de los picos de frecuencia 1 / cuarta y 1 / sexta en la densidad espectral en Zamusi, Jiutiaoling Por otro lado, hubo otros picos cercanos a la frecuencia de 1/4 y 1/6 de la
densidad espectral en
Zamusi, Jiutiaoling y Tangnaihai estaciones.
y las estaciones de Tangnaihai.
espectro / dB
espectro / dB
spectrum / dB
20 40 40
20 40 20 40 20
0 20
0 20 0 0
0
-20 0 -20
espectro / dB
espectro / dB
-20 espectro / dB-
-20 -20 20 -40
-40 -40 -40 -40 -60
0 0 0.1 0.2 0.3 0.4 0.5 -40 0 0 0.1 0.2 0.3 0.4 0.5 -60 0 0 0.1 0.2 0.3 0.4 0.5
0.1 0.2 0.3 frecuencia / Hz
0.4 0.5 0.1 0.2 0.3 0.4 0.5 0.1 0.2 0.3 0.4 0.5
frecuencia / Hz frecuencia / Hz
40 40 FFT BESA
40 20 40 20 BESACESA
20 20 CESARESA
0 0 RESA
0 0
-20 -20
-20 -20
dBespectro /
dBespectro /
-40 -40
espectro /
dB
tres métodos de pronóstico de caudal en cinco estaciones hidrológicas para seleccionar el modelo óptimo en el
noroeste de China.
noroeste de China.
Entropy 2019, 21, 132 9 de
13
caudal / m3 / s
40 3
caudal / m3 / s
200 0
caudal / m3 / s
150 30
20 2
100
0
50 10
0 0 20 40 60 1
0 0 20 40 60
0
Plazo de ejecución /
0 20 40 60 Plazo de ejecución /
mes
Plazo de 0 mes
(seg
ejecución / mes (do)
und
300 (un observado
o)
a) valor
caudal / m3 / s
2000
caudal / m3 / s
BESA
1500
0
200 1000 CESA
100 500
RESA
0
60
0 20 40
0 20 40 60
Plazo de
Plazo de ejecución / mes
ejecución / mes
(mi)
(re)
Figura 6 6 .. streamflowstreamflowforecastingusingutilizandoentropyspectralespectralmétodosmétodosparaparacincocincohydrologichydrologicalstationsstations. ().
Tangnaihaiestación;
200 Tabla 4. Tres parámetros de rendimiento de las modelos en cada una de la estación
hidrológica seleccionado.
20 25
150 BESA 15 CESA 20 RESA
hidrológica
valor
valor
Yingluoxia 0,173 18.348 0,934 0,859 0,194 16.807 0,942 0,882 0,196 16.571 0,944 0,885
Zamusi 0,216 3,395 0,924 0,734 0,259 3,303 0,892 0,748 0,268 3,521 0,876 0,714
50 0,224 4,972 0,911 5 0,273 4.771 0,911 0,739 5 4.592 0,911 0,758
Jiutiaoling 0,716 0,276
pronosticada
pronosticada
0,260 27.237 0,924 0,232 25.760 0,907 0,818 0.234 22.636 0,928 0.859
Xia ngtang 0,797
0 0 0
Tangnaihai 0,315 303.303 0,765 0,545 0,324 302.749 0,780 0,547 0,326 291.922 0,796 0,579
50 20 20
0 100 150 200 0 5 10 15 0 5 10 15 25
valor observado valor observado valor
observado
(una) (segun (do)
do)
Al comparar la precisión de las previsiones de los tres modelos de cinco estaciones hidrológicas durante
200 2500 BESA
el período de validación, se descubrió que el rango de pronosticar con exactitud los criterios de evaluación
2000 CESA
de CC150, RMSE y R para los tres modelos fue en el RESA orden> CESA> BESA para la estación Yingluoxia
45 ° línea
LUEV
(Mesa RESA
4). Sin embargo, para Zamusi estación de Shiyang1500Río, el exactitud del modelo CESA fue
valor
mayor
utilizandopronosticada
100 CORRIENTE CONTINUA, RMSEy criterios R. sin embargo, elpronosticadaRE entre el caudal observado y pronosticado
que el otro modelos (Mesa 4, Figura 6). Para los restantestres hidrológico estaciones, la exactitud
1000
fue similar para la tres modelos, y el modelo de RESA era más preciso que los modelos de CESA y BESA
50 500
0 0
0 5 10 15 2 0 500 1000 2
0 0 00 1500 5
0 2000 0
0
valor valor
obser observa
vado do
( (mi)
r
e
)
caudal / m3 / s
300
0
200
100 , 21, 132
entropía
2019
caudal / m3 / s
2000
1500
1000
500
0
observado
valor
BESA
CESA
10 de 13
RESA
0 20 40 60 0 20 40 60
Plazo de ejecución / mes Plazo de ejecución /
mes
caudal usando BESA era más pequeña que otros métodos. La razón de esto es que refleja la RE
(re) (mi)
error lineal entre los valores observados y valores pronosticados, mientras que el RMSE, R y DC
reflejan la
error de potencia cuadrática entre los valores observados y los valores pronosticados. Cuando el error de predicción de La Figura 6. la
predicción de caudales utilizando métodos espectrales de entropía para cinco estaciones hidrológicas. (una)
la temporada de inundaciones era más pequeño, el RMSE, R y CC sería eficaz. Sin embargo, cuando la previsión estación Yingluoxia; (B) La estación de
Jiutiaoling; (C) la estación Zamusi; (D) la estación de Xiangtang; (E) Tangnaihai
25
200 20 20
valor previsto
valor previsto
150 15
apronosticad valor
15
100 10
10
50 5 5
0
0 0
0 5 10 15 20 25
0 50 100 150 200 0 5 10 15 20 valor observado
valor observado valor observado
200 (un
a)
valor
150 2500 BESA
2000 CESA
100 value1500 45 ° línea
pronostic
RESA
pronosticada
ada
50
1000
0 500
0
0 50 100 150 200 1 500 1000 1500 2000 2500
valor observado valor observado
(re) (mi)
(segun (do)
do)
La Figura 7. Comparación entre el caudal observada y pronosticada. (A) la estación Yingluoxia; (B)
La estación de Jiutiaoling; (C) la estación Zamusi; (D) la estación de Xiangtang; (E) Tangnaihai
estación.
Para verificar esta conjetura, todo el período se divide en temporada de inundaciones de julio a
octubre y la temporada de bajo caudal de enero a junio, noviembre y diciembre de cada año. Se
extrajo el caudal previsto de la temporada no inundaciones y la comparamos con el caudal
observado en las cinco estaciones (Tabla5). Como se muestra, BESA se comporta mejor que otros
métodos. Durante la temporada de flujo bajo, la ventaja de BESA sobre los demás fue significativa,
donde el caudal se prevé cerca de la observación. Sin embargo, la exactitud de predicción global
del modelo RESA y el modelo CESA fue mayor. Al mismo tiempo, debido a la propia previsión de
caudales sirve como la asignación óptima de los recursos hídricos, la predicción anual o inundación
segunda vuelta fue más significativa. En su conjunto, el modelo RESA puede adaptarse mejor a la
previsión de caudal para las cinco estaciones hidrológicas en el noroeste de China. La combinación
de la precipitación como un predictor, la selección de uno o más modelos con una alta precisión en
la temporada de inundaciones, y usando el modelo de espectro de entropía y su combinación [1]
Para pronosticar el caudal podría ser una futura línea de investigación.
Tabla 5. rendimiento de tres modelos en las métricas en cada estación hidrológica seleccionado no fluía.
Yingluoxia 0,179 8.01 0,943 0,870 0,239 10,54 0,939 0,787 0,231 10,51 0,943 0,788
Zamusi 0,224 3.00 0,936 0,726 0,255 3.15 0,901 0,692 0,263 3.47 0,887 0,665
Jiutiaoliing 0,229 4.02 0,863 0,654 0,257 4.42 0,864 0,631 0,268 4.40 0,864 0,636
Xiangang 0,245 12,72 0,857 0,807 0,233 13.11 0,841 0,750 0,259 15.36 0,847 0,683
Tangnaihai 0,261 153.08 0,802 0,630 0,276 165.70 0,813 0,567 0,284 158.23 0,827 0,605
4. Conclusiones
En este trabajo, se aplicaron las CESA, y modelos de RESA BESA para el
análisis espectral y la previsión de caudales en el noroeste de China usando datos
mensuales de caudales a partir de cinco estaciones hidrológicas. La exactitud la
densidad espectral y de predicción estimado de los tres métodos se compararon en
base a la duración óptima del período de entrenamiento. Las funciones de
densidad espectral del BESA, CESA y RESA fue más suave que la de FFT, y todos
ellos pueden estimar con precisión el período primaria 12 meses de secuencia
caudal mensual sin desviación.
Sin embargo, la función de densidad espectral de BESA no pudo detectar los
otros períodos secundarios significativos, mientras que la de CESA podían detectar
los períodos secundarios para secuencias multi-período a pesar de un cierto grado
de fugas. Mediante la comparación de estos tres métodos espectrales de entropía,
descubrimos que todos estos métodos podría pronosticar con precisión el caudal.
Entre ellos, el modelo RESA tiene la más alta precisión de la predicción, seguido
por el modelo CESA.
Debido a la falta de datos, este documento sólo se aplica la teoría espectral
entropía a la predicción del caudal mensual de unos ríos en el noroeste de China.
En futuras investigaciones, tres métodos de análisis espectral de entropía más se
pueden aplicar a otros ríos para verificar la aplicabilidad de los tres métodos de
análisis espectral de entropía en la predicción de caudales mensuales en China.
donde P1 (f) y P2 (f) son funciones espectrales de dos secuencias diferentes, DI-S representa I-S
distancia de dos funciones espectrales.
El más pequeño de los valores de I-S distancia son, menor es la diferencia entre las dos funciones
de densidad espectral es. La distancia entre el CESA estimado función espectral de cada estación
hidrológica y los asumidos I-S se muestra en la TablaA2. Para cada estación hidrológica, la hipótesis que
corresponde a la I-S distancia mínima es el más cercano a la densidad espectral estimada por CESA,
que debe ser tomada como la función de densidad espectral anterior. Los resultados se muestran en la
TablaA2.
Tabla A2. distancia Itakura-Saito entre CESA densidad espectral y cada densidad espectral de hipótesis para RESA.
referencias
1. Zhou, Z .; Ju, J .; Su, X .; Singh, V .; Zhang, G. Comparación de dos entropía espectral Métodos de
análisis para la Predicción de caudales en el noroeste de China. Entropy 2017, 19, 597. [CrossRef]
2. Cui, H .; Singh, vicepresidente configuracional teoría de entropía para la previsión de caudales. J. Hydrol.
2015, 521, 1-17. [CrossRef]
3. Cui, H .; Singh, vicepresidente de máxima entropía análisis espectral para la previsión de caudales. Phys.
A 2016, 442, 91-99. [CrossRef]
4. Cui, H .; Singh, vicepresidente mínimo teoría de la entropía relativa para la previsión de caudales con
frecuencia como una variable aleatoria. Stoch. Reinar. Res. Evaluar el riesgo. 2016, 30, 1545-1563.
[CrossRef]
5. Cui, H .; Singh, vicepresidente de aplicaciones de la teoría de la entropía relativa mínima para la
previsión de caudales. Stoch. Reinar. Res. Evaluar el riesgo. 2017, 31, 587-608. [CrossRef]
6. Burg, JP máxima entropía análisis espectral. Doctor en Filosofía. Tesis, Universidad de Stanford, Stanford, CA,
EE.UU., 1975.
7. Huo, C .; Chen, N .; Liu, H. Aplicación de series de tiempo modelo regreession libre en simulación
dinámica y la predicción de las aguas subterráneas en la zona de irrigación. Geotech. Investig. Surv.
1990, 1, 36-38.
8. Krstanovic, PF; Singh, vicepresidente de un modelo de previsión de inundaciones en tiempo real basado en
análisis de máxima entropía espectral:
I. Desarrollo. Resour agua. Manag. 1993, 7, 109-129. [CrossRef]
9. Frieden, BR Restauración de la máxima verosimilitud y la máxima entropía. J. Opt. Soc. A.m. 1972, 62,
511-518. [CrossRef] [PubMed]
10. Gaviota, SF; Daniell, GJ Reconstrucción de imágenes a partir de datos incompletos y ruidosos.
Naturaleza 1978, 272, 686-690. [CrossRef]
11. Nadeu, C. longitud finita cepstrum modelado-Una simple técnica de estimación de espectro. Proc Signal.
1992, 26, 49-59. [CrossRef]
12. Orilla, JE mínimo de entropía cruzada análisis espectral; Laboratorio de Investigación Naval Washington, DC, EE.UU.,
1979.
13. Shore, espectral-análisis JE entropía cruzada mínima. IEEE Trans. Acoust. Speech 1981, 29, 230-237. [CrossRef]
14. Tzannes, MA; Politis, D .; Tzannes, NS Un método general de estimación espectral de entropía cruzada
mínima. IEEE Trans. Acoust. Speech 1985, 33, 748-752. [CrossRef]
15. Woodbury, A .; Ulrych, TJ mínima entropía relativa y la inversión probabilístico en hidrología subterránea.
Stoch. Hidrol. Hydraul. 1998, 12, 317-358. [CrossRef]
16. Singh, vicepresidente; Cui, H. Teoría entropía para el pronóstico de caudales. Reinar. Proceso. 2015, 2, 449-460.
[CrossRef]
17. Caja, GE; Cox, DR Un análisis de las transformaciones. JR Stat. Soc. B 1964, 26, 211-252. [CrossRef]
18. Burg, JP máxima entropía análisis espectral. En Actas de la 37ª Reunión de la Sociedad de Exploración
Geofísica, Oklahoma City, OK, EE.UU., 31 de Octubre de 1967; pp. 34-41.
19. Jam, D .; Singh, vicepresidente Una comparación de los métodos de transformación para el análisis de
frecuencia de crecidas. Mermelada. Resour agua. 1986, 22, 903-910. [CrossRef]
© 2019 por los autores. Licenciatario MDPI, Basilea, Suiza. Este artículo es un artículo
de acceso abierto distribuido bajo los términos y condiciones de la licencia Creative
Commons Reconocimiento (CC BY) de
licencia(Http://creativecommons.org/licenses/by/4.0/).