|
表3 各因子的相对权值
Relative weighted values of factors
|
|
|
权序 |
1 |
2 |
3 |
4 |
|
|
|
因子 |
X4 |
X3 |
X1 |
X2 |
|
相对权值 |
1.00000 |
0.85190 |
0.71617 |
0.29765 |
|
|
若以相对误差δ<20%算合格，从表2可见，年均含沙量PPR预测模型拟合样本数为全部合格，其拟合合格率为100%，而预留4个检验样本合格率为75%，其拟合和预留检验效果如图1所示。
应用PP回归技术建立该流域的年均含沙量预测模型的拟合精度较高，但预留的4个检验效果不太理想。这是因为流域年均含沙量除了受上述几个比较稳定的关系密切的因子影响外，也会受到某些突发性偶然因素比如特大暴雨，滑坡等灾害事故及人为因素的影响。而用PP回归建模时，无法考虑这些偶然因素作用。第18个预测值与实况值相差较大，有可能就是某些突发性因素影响的结果。
4 结论
图1 某流域产沙量的PP回归拟合及预留检验效果
Effects of fitting and verification of sediment yield
in a watershed by using PPR model
1.PP回归采用了“审视数据—模拟—预测”探索性数据分析新途径，建立的模型稳健性和抗干扰性好，因而预测模型有较高的精度。
2.PP回归无论对于正态或偏态分布，线性或非线性，独立或非独立分布的数据都能有效地处理。因此，它适用于分析和处理流域含沙量等非正态和非线性等有关问题。
3.PP回归用于流域输沙量等预测建模，只需直接使用原始监测数据，不需要对数据作预处理，避免了人为干预，客观性好。
4.PP回归也可用于水土流失中其它指标的预测建模。
5.本文用PP回归技术建立了流域年均含沙量的预测模型，求得年均含沙量S后，只要将年径流量QT×年均含沙量S就可得到流域的年输沙量QsT。
6.本文用PP回归建立的流域年均含沙量预测模型未考虑对含沙量有影响的突发性因子在内，只适用于对含沙量有稳定影响因素的预测建模，如何把这些影响考虑在内，还有待进一步研究。
参 考 文 献
1 陈浩。水土保持学报。1992，6(2)：17-23.
2 张醒。泥沙研究。1991，(1)：15-19.
3 Friedman J.H.&. Stuetzle W.,J. Amer. Statis. Assoc. 1981, 76:817.
4 Huber P.J..Ann. Statistics, 1985,13:435.
5 郑祖国。水文。1994，(4)：6-10.
6 吴建明编著。环境统计学。北京：中国环境科学出版社，1991：504.
| 
