王牌 土木工程的发展 1687 - 8094 1687 - 8086 Hindawi出版公司 10.1155 / 2015/515376 515376年 研究文章 油藏流入预测在GCM情况下缩减规模由小波变换和支持向量机的混合模型 哈利克 Gusfan 1、2 安瓦尔 Nadjadji 1 Santosa Budi 3 Edijatno 1 托 m . C。 1 土木工程学系 各种研究所Sepuluh Nopember 苏腊巴亚60111 印尼 its.ac.id 2 土木工程学系 jembe大学 jembe 68121 印尼 unej.ac.id 3 工业工程系 各种研究所Sepuluh Nopember 苏腊巴亚60111 印尼 its.ac.id 2015年 18 8 2015年 2015年 29日 04 2015年 14 07年 2015年 15 07年 2015年 18 8 2015年 2015年 版权©2015 Gusfan哈利克等。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

气候变化有重大影响降雨模式的改变导致油藏流入的变化。如今,印尼水库水文专家执行流入预测根据技术指导pd - t - 25 - 2004 a。这一技术准则没有考虑气候变量直接导致重大偏差的观察结果。本研究打算预测油藏流入使用统计降尺度(SD)的大气环流模式(GCM)输出。GCM输出从国家环境预报中心的获得/国家大气研究中心的再分析(NCEP / NCAR再分析)。提出一种新的混合SD模型叫小波支持向量机(WSVM)是利用。这是一个多尺度的组合主成分分析(MSPCA)和非线性支持向量机回归。模型验证在Sutami水库,印度尼西亚。训练和测试进行了使用1991 - 2008和2008 - 2012年的数据,分别。结果表明,MSPCA产生更好的比PCA提取的数据。 The WSVM generated better reservoir inflow prediction than the one of technical guideline. Moreover, this research also applied WSVM for future reservoir inflow prediction based on GCM ECHAM5 and scenario SRES A1B.

 1。介绍

温室气体浓度增加引起的全球变暖导致气候变化。它有一个在时空的角度对降雨模式的变化的影响。基于第四报告政府间气候变化专门委员会(IPCC) ( 1),降雨和极端降雨事件的模式在东南亚国家气候变化将会改变。在印尼,降雨模式也显著改变成一个时空由于气候变化。一些地区经历了时机转变之间的湿和干个月( 2]。气候变化也影响降雨量的变化趋势或模式在东爪哇Brantas分水岭,印度尼西亚( 3]。

降水的时空变化模式可能导致油藏流入的变化。如今,预测水库的流入执行使用pd - t - 25 - 2004技术指导部门颁发的结算和区域基础设施(Kimpraswil)、印度尼西亚( 4]。这个技术准则没有考虑气候变量直接导致重大偏差相比,观察结果。

本研究的目的是预测油藏流入包括气候变量以直接的方式。大气环流模式(GCM)的大气数据输出来自美国国家海洋和大气管理局(NOAA)国家环境预报中心的/国家大气研究中心的再分析(NCEP / NCAR再分析)。NCEP / NCAR再分析输出有一个粗空间分辨率( 2。5 ° × 2。5 ° ),使它无法使用在流域水文模型尺度( 5- - - - - - 7]。不恰当的空间分辨率是通过发展解决降尺度技术( 8, 9]。

降尺度技术可以分为两种类型的方法,即动态缩小规模(DD)和统计降尺度(SD)。DD模型方法是区域气候模型(RCM),指物理边界条件在区域范围内GCM。这种方法需要一个复杂的设计和计算成本非常高 10, 11]。SD模型是计算简单和经济是由确定传递函数(经验),大气环流之间连接变量(预测)和当地气候变量(预测值)[ 12]。

水流建模使用SD模型是使用两种方法执行的,也就是说,间接的降尺度和直接缩小规模。第一种方法是由连接的SD模型降雨和水文模型( 7, 13- - - - - - 15]。同时,第二种方法是使用SD模型执行的流水量根据GCM(直接输出 9, 16, 17]。在这种方法中,土地利用的影响,不考虑土壤覆盖层、地下水贮存。

GCM的潜在预测输出的选择是SD模型中的一个重要组成部分 11]。在每个地区预测的选择可能会有所不同,根据GCM输出的特点和预测值的特点 18]。此外,最佳的选择域的网格GCM输出可能会导致一个更好的预测与预报量之间的相关性。Ghosh和Mujumdar 16)和Sachindra et al。 17)采用最优域网格的GCM输出 5 × 5 和 7 × 6 分别为SD流水量,而特里帕西et al。 11)和Tolika et al。 8)采用最优域网格的GCM输出 6 × 6 和 4 × 6 分别为SD降水。预处理和提取数据预测的最佳GCM域网格执行使用主成分分析(PCA) ( 9, 16, 17]。此外,提取数据可以进行基于小波变换,即多尺度主成分分析(MSPCA)。它更适合提取数据包含贡献随时间变化和频率( 19]。

本研究开发的直接统计降尺度模型预测水库流入使用一种新颖的混合模型,即小波支持向量机(WSVM)。WSVM GCM的组合输出数据提取基于小波变换和非线性支持向量机回归。

 2。数据和方法 2.1。研究区和数据资源

SD模型的校准和验证测试油藏流入Sutami储层进行了预测。Sutami大坝位于上层Brantas流域汇水面积约2052公里2。这个网站注册Karangkates村,Sumberpucung街道、玛琅摄政,印度尼西亚。地理上,上层Brantas分水岭是观察到的坐标7°44 29′′′- 8°19′47′′之间的南纬度和25 112°27′′′和23 112°55′′′东经。有八个降雨站,Pujon, Tangkil, Poncokusumo, Dampit, Sengguruh, Sutami Wagir, Tunggorono。在图所示的位置的研究 1。

降雨站和河流的位置站在Sutami分水岭,印度尼西亚。

为了提供输入校准和验证的SD模型,NCEP / NCAR再分析资料来自1991 - 2012年期间 http://www.esrl.noaa.gov/psd/。选择潜在的NCEP / NCAR再分析数据的预测是基于预测值的相关系数高于0.5(当地降水)。降水的潜在预测由水(prwtr),纬向速度分量(uwnd),经向速度分量(vwnd)、温度(空气)、压力(总统),海平面气压(slp),相对湿度500 hPa (rhum500),相对湿度850 hPa (rhum850),含湿量在500 hPa (shum500),含湿量在850 hPa (shum850),欧米茄500 hPa (omega500),欧米茄850 hPa (omega850),纬向速度分量在850 hPa (uwnd850)和经向速度分量850 hPa (vwnd850)。此外,月降水量和油藏流入也获得了类似的时期从Perum Jasa Tirta我,玛琅,印度尼西亚。数据集被分为两组,即训练数据(1991年至2008年)和测试数据(2008年至2012年)。

对未来的预测储层流入,每月输出的GCM ECHAM5在特殊排放场景(sr) aib IPCC报告从项目获得了气候模型诊断和相互比对(PCMDI)网站( http://www.ipcc-data.org/sim/gcm_monthly/SRES_AR4/index.html2013 - 2035年期间)。GCM ECHAM5用于油藏流入预测是指在先前的研究 20., 21]。sr aib是一个气候变化的场景表明,大气CO2浓度达到720 ppm(2100年 18]。研究由Ambarsari和Tedjasukmana 22证明了大气CO2浓度在印尼增加从370 ppm到390 ppm 8年期间(2002 - 2010)。如果公司的增长率2浓度是假定为常数(每年2.5 ppm),在2100年将达到615 ppm (sr aib最近)。

 2.2。小波变换

小波分析是一个重要的工具来提供频率和时域信息的时间序列数据。小波变换分解时间序列数据到不同的频率使用小波函数。应用小波变换的流速及流水量预测是由几个研究人员,如郭et al。 23),基西人和试件 24),桑托斯和席尔瓦( 25]。此外,小波变换是为了减少高数据执行的尺寸( 26]。

小波变换的优势在PCA在降低数据维度能够提供很多可以选择替代的变换矩阵,以这样一种方式,由此产生的尺寸是符合原始数据( 26]。小波系数的矩阵是通过扩张和翻译的两种类型的小波函数,即父亲小波( ϕ )和母小波( ψ )[ 27]。

 2.3。多尺度主成分分析(MSPCA)

小波变换降维的数据可能会引起多重共线性;因此,进一步分析利用主成分分析是必要的。结合数据降维小波变换与主成分分析被称为多尺度主成分分析(MSPCA)。MSPCA结合PCA的decorrelate变量通过提取小波分析提取的线性关系,确定的特性和大约decorrelate autocorrelated测量。MSPCA计算各尺度小波系数的PCA,紧随其后的是相关尺度的结果结合起来,( 19]。通过采用MSPCA预处理数据的应用程序中可以看到几个以前的文献,如Aminghafari et al。 28),Sharma et al。 29日),Widjaja et al。 30.,安瓦尔et al。 31日]。

图 2介绍了MSPCA算法。NCEP / NCAR再分析预测使用Daubechies小波分解订单10 (db-10)三级,产生细节系数( c D 我 )和近似系数( c 一个 我 ), 我 的水平。应用主成分分析的小波系数在每个规模。如果第一个特征值超过了所有的平均特征值数据(Kaiser的规则),新的小波系数计算。否则,小波系数在尺度设置为零。(表示获得的新的小波系数 c D ^ 我 和 c 一个 ^ 我 )。尺度,重建新的小波系数,最后主成分(pc)。

MSPCA算法。

 2.4。支持向量机(SVM)

在过去的几十年中,传统的人工神经网络(ANN)等多层反向传播(MLBP)和径向基函数(RBF)一直在集中使用水文建模。局部最小值和过度拟合建模中经常遇到和安( 32]。最近,Vapnik [ 33)开发的一种新的机器学习算法,称为支持向量机(SVM),它提供了一个很好的解决这些问题。

基本上,支持向量机是基于输入空间映射到一个高维特征空间。见图 3( 34]。

非线性映射 ϕ 从输入空间到特征空间。

可以表示成非线性关系 (1) y ^ = f x = w T ϕ x + b , 在哪里 y ^ 是输出模型, w 是一个可调权向量, b 是一种偏见。参数估计通过最小化代价函数( 35, 36]: (2) 最小化 Φ w , ξ , ξ ∗ = 1 2 w T w + C ∑ 我 = 1 n ξ 我 + ξ 我 ∗ 受 y 我 - - - - - - y ^ 我 ≤ ε + ξ 我 我 = 1、2 , … , n - - - - - - y 我 + y ^ 我 ≤ ε + ξ 我 ∗ 我 = 1、2 , … , n ξ 我 ≥ 0 我 = 1、2 , … , n ξ 我 ∗ ≥ 0 我 = 1、2 , … , n 。 松弛变量 ξ 我 和 ξ 我 ∗ 描述了 ε 不敏感损失函数。常数 C 是一个指定的积极的参数。第一项的成本函数是找到适当的值 w 为了提高模型的泛化。第二项成本函数的罚函数安排输出偏差和目标比 ε 使用 ε 不敏感损失函数。根据Smola Scholkopf [ 36),支持向量机软边缘设置如图 4。

支持向量机软边缘设置。

优化( 2)是对回归原始的问题。它可以使用拉格朗日乘数法解决方法( 35),表示为 (3) w = ∑ 我 = 1 n α 我 - - - - - - α 我 ∗ · ϕ x 我 。 α 我 和 α 我 ∗ 是拉格朗日乘数法非负实数。不为零的数据点( α 我 - - - - - - α 我 ∗ )被称为支持向量。从( 3)获得支持向量机的非线性函数估计和表达 (4) y ^ = f x = ∑ 我 = 1 n α 我 - - - - - - α 我 ∗ K x 我 , x j + b 。 K ( x 我 , x j ) 是按照定义的内积核Mercer定理( 35]。它是表示为 (5) K x 我 , x j = ϕ x 我 T ϕ x j 。 有几种内核函数,可以使用包括多项式,高斯径向基函数(RBF),乙状结肠。在这项研究中,RBF用于将输入空间映射到高维特征空间。RBF核函数的优点是,它能有效地处理条件时,预测和预报值之间的关系是非线性的。此外,RBF比多项式计算简单的内核有多个参数( 11]。RBF的内核是由 (6) K x 我 , x j = 经验值 ⁡ - - - - - - x 我 - - - - - - x j 2 2 σ 2 。 RBF核函数的支持向量机涉及到选择的惩罚参数( C )和RBF内核参数( σ )。支持向量机参数的最优值通过网格搜索方法( 37]。体系结构的支持向量机回归图中可以看到 5( 35]。

支持向量机的体系结构。

 2.5。SD模型的表现

SD模型的性能进行评估,通过比较模型输出与油藏流入观察。标准模型的性能进行评估使用确定系数( R 2 ),均方根误差(RMSE)和平均绝对误差(MAE)。 R 2 措施的比例变化的因变量(预测值)解释通过独立变量回归模型(预测)。这是一个衡量估计回归模型的拟合优度。RMSE的区别是预测和观察。用于迭代算法和一个更好的衡量高值。美措施在一组的平均大小错误预测没有考虑他们的方向,没有得到太多的受到更高的价值。

 2.6。油藏流入预测使用技术指导

如今,预测储层流入指的是由技术指南(pd - t - 25 - 2004 a)国务院签发的结算和区域基础设施、Kimpraswil,印度尼西亚 4]。技术指导,油藏流入特征分为三个水文气象条件,也就是说,丰水年,正常年份,干一年。分析了储层预测流入水库的基于历史数据流入通过考虑这三个水文气象条件。水文气象条件的分类是指油藏流入体积的百分比如表所示 1。

水文气象条件的分类。

流入的概率(%) 每年的类别
0 - 33.30 干
33.30 - -66.70 正常的
-100 - 66.70 湿

基于每月流入记录,每年流入决心是累积的。结果被列在升序排序。每个数据集的概率可以根据其等级数量和获得的数量每年流入的数据。阴谋的年度流入及其关联概率可以建立(图 6)。数据可以被分成三类根据概率值代表干燥,正常,湿年。最后,流入预测连续个月根据获得的类型。

每年流入概率曲线。

 3所示。结果与讨论 3.1。选择最优域网格和潜在的预测因子

没有特定的准则来确定最优域网格大小NCEP / NCAR再分析( 17]。Ghosh和Mujumdar 16)和Sachindra et al。 17)利用5×5和7×6电网,分别在他们流水量降尺度模型。这项工作确定最优网格基于相关系数。各种域网格的计算结果展示在表 2的目标位置在中心域网格(图 7)。它清楚地表明,4×4的最优网格大小的相关性最高的价值。

相关值不同域网格。

网格数量 域的大小 相关系数
1 1×1 0.806
2 2×2 0.815
3 4×4 0.843
4 6×6 0.804
5 8×8 0.828

大气域网格的NCEP / NCAR再分析。

 3.2。预处理NCEP / NCAR再分析的数据

每个预测域网格4×4有25个观察点。SD油藏流入预测建模所需的14个预测因子。然后350观察点了。然后PCA和MSPCA都应用于降低数据维度。表中列出的结果 3。后( 11),这项工作累积方差超过98%。这表明MSPCA只需要7个人电脑而不是11个人电脑PCA实现98%的累积方差。利用小波变换在MSPCA独自PCA相比显著降低数据维度。这是选择的分解预测由于其更详细的格式,它提供了更好的预测的数据表示。

减少使用PCA和MSPCA NCEP / NCAR预测。

个人电脑 主成分分析 个人电脑 MSPCA
特征值 比例 累积 特征值 比例 累积
PC1 4170.10 75.08 75.08 PC1 3904.91 79.00 79.00
PC2 383.40 6.90 81.98 PC2 417.75 8.45 87.45
生物 313.30 5.64 87.62 生物 235.65 4.77 92.22
PC4 189.30 3.41 91.03 PC4 121.40 2.46 94.67
PC5 129.60 2.33 93.36 PC5 74.29 1.50 96.18
PC6 105.80 1.90 95.27 PC6 63.10 1.28 97.45
PC7 46.10 0.83 96.10 PC7 37.76 0.76 98.22
PC8 42.40 0.76 96.86 PC8 26.26 0.53 98.75
PC9 32.10 0.58 97.44 PC9 17.00 0.34 99.09
PC10 24.20 0.44 97.87 PC10 16.19 0.33 99.42
PC11 19.00 0.34 98.21 PC11 10.37 0.21 99.63
PC12 17.40 0.31 98.53 PC12 8.02 0.16 99.79
PC13 17.10 0.31 98.84 PC13 2.90 0.06 99.85
PC14 11.80 0.21 99.05 PC14 2.46 0.05 99.90
PC15 10.20 0.18 99.23 PC15 1.41 0.03 99.93
PC16 9.10 0.16 99.40 PC16 1.14 0.02 99.95
PC17 7.80 0.14 99.54 PC17 0.73 0.01 99.97
PC18 6.60 0.12 99.65 PC18 0.53 0.01 99.98
PC19 5.80 0.10 99.76 PC19 0.42 0.01 99.99
PC20 4.70 0.08 99.84 PC20 0.28 0.01 99.99
PC21 4.50 0.08 99.92 PC21 0.23 0.00 100.00
PC22 4.20 0.08 100.00 PC22 0.10 0.00 100.00
3.3。支持向量机和WSVM降尺度模型校准和验证

SVM的PCA降尺度模型和MSPCA结果作为输入数据。输入数据的数量是11个人电脑MSPCA的PCA和7个人电脑。支持向量机与被任命为WSVM MSPCA输入数据。RBF核函数的支持向量机用于这项研究有两个参数( C , σ )来确定。这些参数是相互依赖,改变一个参数的值改变其他参数。参数值是通过网格搜索方法。支持向量机的最优参数和WSVM获得的平均价值的5倍交叉验证。支持向量机的最优参数的获得 C = 1。0 和RBF内核参数 ( σ ) = 0.046 ,而WSVM是获得最优参数 C = 1 。 0 和RBF内核参数 ( σ ) = 0.05 0 。

支持向量机和WSVM模型的运行结果在训练和测试阶段给出了表 4,而支持向量机运行结果的情节和WSVM数据所示 8和 9。此外,pd - t - 25 - 2004的性能——一个表中可以看到 4和图 9。

支持向量机的性能、WSVM和pd - t - 25 - 2004 a。

模型 培训(1991 - 2008) 测试(2008 - 2012)
R 2 RMSE 美 R 2 RMSE 美
支持向量机 0.727 17.65 12.42 0.622 24.40 18.51
WSVM 0.756 16.66 11.58 0.621 24.49 18.71
pd - t - 25 - 2004 a - - - - - - - - - - - - - - - - - - 0.346 33.54 22.27

阴谋的结果运行支持向量机和WSVM(训练阶段)。

情节的SVM、WSVM和pd - t - 25 - 2004 a(测试阶段)。

结果表明,WSVM需要更少的个人电脑比支持向量机的输入来生成结果与类似的准确性。它还证明WSVM油藏流入预测是一个吝啬的模型与尽可能少输入或电脑。

 3.4。比较油藏流入建模

SD模型运行的结果来预测油藏流入采用支持向量机和WSVM(图 9和表 4)表明,支持向量机和WSVM模型生成更好的预测结果的预测模型相比,目前使用的油藏流入(pd - t - 25 - 2004 a)。技术指南不能预测油藏流入当季节的异常变化或雨季和旱季期间发生(从正常的6个月的转变)如图所示的油藏流入预测2010年低于观察到的油藏流入(图 9)。2010年是丰水年,雨季的持续时间超过了平常时期。

直接使用SVM和WSVM适用于使用降尺度模型预测水库流入由于气候变化。这种模式的优势是能够包括全球气候因素(大气环流)变量在这种直接的方式,允许预测水库的流入。然而,这个模型还显示限制自Sutami分水岭的物理特性的影响是不包括在内。水库流入变化被认为是只有变化对降雨模式的影响由于气候变化。然而,水库流入之间的变化是一个复杂的组合的影响全球气候变化和物理特性的变化对分水岭。

 3.5。油藏流入预测气候变化的情况下

油藏流入预测气候变化的情况下是基于发射场景的特别报道(sr) aib的马克斯普朗克研究所(GCM ECHAM-5)。图 10显示了油藏流入的数量的月度变化在未来气候变化情景下22年(2013 - 2035)。

sr aib下油藏流入预测。

未来的趋势油藏流入(2013 - 2035)有相同的模式历史趋势的油藏流入(1991 - 2012)。在未来,预测趋势,水库流入水库最优操作是很重要的。据张et al。 38),趋势的知识流水量对水资源的有效管理是重要的。

 4所示。结论

这项工作是成功构建和验证统计降尺度油藏流入框架直接从GCM输出。提出一种新的混合称为WSVM SD模型成功地应用于预测油藏流入。它利用MSPCA所需输入数据比PCA生成类似的性能结果。利用NCEP / NCAR再分析输出,该模型成功地提供更好的预测比印尼的技术指导,忽视了气候变化的影响。模型还成功预测2013 - 2035年期间的油藏流入趋势用GCM ECHAM5。然而,WSVM没有考虑土地利用变化和地下水等自然水文循环存储在储层流入预测。

 利益冲突

作者宣称没有利益冲突有关的出版。

 确认

这项研究是由印尼教育部高等教育和大学研究所jembe(批准号432 / UN25.3.1 / LT.6/2014)。

 联合国政府间气候变化专门委员会 2007年气候变化:工作组的自然科学基础,贡献我的在政府间气候变化专门委员会第四次评估报告 2007年 英国剑桥 剑桥大学出版社 Slamet s . L。 Berliana 美国年代。 Indikasi Perubahan Iklim达里语Pergeseran Bulan Basah, Bulan ker丹Lembab 研讨会阵线Pemanasan全球丹Perubahan Iklim(拉潘' 07) Nopember 2007 Aldrian E。 jami y S。 时空降雨在印度尼西亚东爪哇的气候变化 国际气候学杂志 2008年 28 4 435年 448年 10.1002 / joc.1543 2 - s2.0 - 41449103578 Kimpraswil 单一水库操作:构造和建筑的技术指导 pd - t - 25 - 2004 a Departemen Pemukiman丹Prasarana Wilayah 2004,(印尼) Wilby r . L。 查尔斯 s P。 Zorita E。 铜鼓 B。 Whetton P。 默恩斯 l . O。 使用指南气候场景由统计降尺度方法 2004年 福勒 h·J。 Blenkinsop 年代。 Tebaldi C。 气候变化造型与影响研究:水文模型的降尺度技术的最新进展 国际气候学杂志 2007年 27 12 1547年 1578年 10.1002 / joc.1556 2 - s2.0 - 35348933854 陈 H。 徐 彭译葶。 郭 年代。 比较和评价的多个模型,统计降尺度和水文模型研究气候变化对径流的影响 《水文 2012年 434 - 435 36 45 10.1016 / j.jhydrol.2012.02.040 2 - s2.0 - 84862827010 Tolika K。 Maheras P。 Vafiadis M。 Flocas h·A。 Arseni-Papadimitriou 一个。 模拟季节降水和raindays希腊:统计降尺度技术基于人工神经网络(ann) 国际气候学杂志 2007年 27 7 861年 881年 10.1002 / joc.1442 2 - s2.0 - 34250367489 Tisseuil C。 Vrac M。 列克 年代。 韦德 a·J。 统计降尺度的河流 《水文 2010年 385年 1 - 4 279年 291年 10.1016 / j.jhydrol.2010.02.030 2 - s2.0 - 77950946426 起重机 r·G。 款 b . C。 翻了一番有限公司2susquenhanna盆地降水变化:从创世纪环流降尺度模型 国际气候学杂志 1998年 18 1 65年 76年 2 - s2.0 - 0031944625 特里帕西 年代。 斯 诉V。 Nanjundiah r S。 降尺度的降水气候变化的场景:一个支持向量机的方法 《水文 2006年 330年 3 - 4 621年 640年 10.1016 / j.jhydrol.2006.04.030 2 - s2.0 - 33750018142 款 b . C。 起重机 r·G。 气候降尺度:技术和应用程序 气候研究 1996年 7 2 85年 95年 10.3354 / cr007085 2 - s2.0 - 0030417301 Dibike y . B。 Coulibaly P。 沙格奈河流域水文的影响气候变化:降尺度方法的比较和水文模型 《水文 2005年 307年 1 - 4 145年 163年 10.1016 / j.jhydrol.2004.10.012 2 - s2.0 - 19744363846 徐 z . X。 赵 F F。 李 j . Y。 回应的河流上游源头流域气候变化的黄河流域 第四纪国际 2009年 208年 1 - 2 62年 75年 10.1016 / j.quaint.2008.09.001 2 - s2.0 - 70349846341 Samadi 年代。 卡伯恩 g . J。 马达维 M。 ·沙里夫 F。 Bihamta m·R。 统计降尺度的气候数据来估计在半干旱流域河流 水文和地球系统科学的讨论 2012年 9 4 4869年 4918年 10.5194 / hessd - 9 - 4869 - 2012 戈什 年代。 Mujumdar P P。 统计降尺度GCM模拟水流使用相关向量机 水资源的进步 2008年 31日 1 132年 146年 10.1016 / j.advwatres.2007.07.005 2 - s2.0 - 36049032414 Sachindra d . A。 黄 F。 巴顿 一个。 佩拉 b . j . C。 最小二乘支持向量和多元线性回归统计降尺度环流模型输出集水流速及流水量 国际气候学杂志 2013年 33 5 1087年 1106年 10.1002 / joc.3493 2 - s2.0 - 84876097012 Anandhi 一个。 斯 诉V。 Nanjundiah r S。 乐库马尔 D。 降尺度降水流域在印度使用支持向量机对IPCC sr场景 国际气候学杂志 2008年 28 3 401年 420年 10.1002 / joc.1529 2 - s2.0 - 40949134707 问题 b R。 多尺度主成分分析与应用多元统计过程监控 AIChE杂志 1998年 44 7 1596年 1610年 10.1002 / aic.690440712 2 - s2.0 - 0032118892 Wigena a . H。 Aunuddin B。 布尔 R。 每月统计降尺度建模使用投影寻踪回归预测降雨量、月降雨量的Indramayu[博士。论文) 2006年 茂物、印度尼西亚 茂物农业大学 (印尼) Aldrian E。 Duminel-Gates l 雅各 D。 Podzun R。 谷纳温 D。 印尼的长期模拟降雨与MPI区域模型 气候动力学 2004年 22 8 795年 814年 10.1007 / s00382 - 004 - 0418 - 9 2 - s2.0 - 3843058211 Ambarsari N。 Tedjasukmana b S。 Kajian perkembangan各种测深为她mengukur konsentrasi有限公司2di atmosfer 采购3架Dirgantara公司Berita 2011年 12 1 28 27 郭 J。 周 J。 秦 H。 邹 Q。 李 Q。 每月流水量预测基于改进支持向量机模型 专家系统与应用程序 2011年 38 10 13073年 13081年 10.1016 / j.eswa.2011.04.114 2 - s2.0 - 79957986045 基西人 O。 试件 M。 每月wavelet-support向量机模型,结合流速及流水量预测 《水文 2011年 399年 1 - 2 132年 140年 10.1016 / j.jhydrol.2010.12.041 2 - s2.0 - 79951579061 桑托斯 c·a·G。 席尔瓦 g . b . l . D。 每天流水量预测使用小波变换和人工神经网络混合模型 水文科学杂志 2014年 59 2 312年 324年 10.1080 / 02626667.2013.800944 2 - s2.0 - 84896697205 Sunaryo 年代。 Notodipuro k。 Darusalam l·K。 Mangku i W。 使用小波变换预处理方法校准模型[博士。论文) 2005年 茂物、印度尼西亚 茂物农业大学 (印尼) 内森 g . P。 西尔弗曼 b·W。 离散小波变换的年代 计算和图形统计杂志》上 1994年 3 2 163年 191年 10.2307 / 1390667 Aminghafari M。 Cheze N。 Poggi 人类。 多变量使用小波去噪和主成分分析 计算统计和数据分析 2006年 50 9 2381年 2398年 10.1016 / j.csda.2004.12.010 2 - s2.0 - 33644673645 沙玛 l . N。 Danadapat 年代。 Mahanta 一个。 基于多尺度主成分分析质量控制的多路心电信号的去噪 国际信息与电子工程》杂志上 2012年 2 107年 111年 无力偿付 D。 迪斯特 e . V。 Huffel s V。 提取的直接呼吸着重对转速图表使用多尺度主成分分析 国际期刊的Bioelectromagnetism 2013年 15 1 97年 101年 安瓦尔 一个。 哈利克 G。 Edijatno 摘要干旱灾害统计降尺度模型由于气候变化在印尼Sampean分水岭 1 22日学报》描述国会在灌溉和排水 2014年9月 韩国光州 427年 问题58 59 Suykens j·a·K。 非线性模型和支持向量机 1 18 IEEE仪器和测量技术研讨会论文集(IMTC ' 01) 2001年5月 匈牙利布达佩斯 IEEE 287年 294年 10.1109 / IMTC.2001.928828 2 - s2.0 - 0034822542 Vapnik v . N。 统计学习理论 1998年 纽约,纽约,美国 约翰威利& Sons MR1641250 谢长廷 W·W。 机器学习方法在环境科学 2009年 英国剑桥 剑桥大学出版社 微积分 年代。 神经网络:一个全面的基础 2003年 4日 新加坡 培生教育 Smola a·J。 Scholkopf B。 支持向量回归的教程 统计和计算 2004年 14 3 199年 222年 10.1023 / b: stco.0000035301.49549.88 2 - s2.0 - 4043137356 许 c·W。 常 C . C。 林 c·J。 支持向量分类的实用指南 2003年 http://www.csie.ntu.edu.tw/ ~ cjlin /论文/指导/ guide.pdf 张 Z。 Dehoff 答:D。 Pody r D。 新方法来识别趋势的水流模式 水文工程杂志 2010年 15 3 244年 248年 10.1061 /(第3期)he.1943 - 5584.0000179 2 - s2.0 - 77950664096