CN107273686B - 雨洪径流氮磷输出负荷预测方法 - Google Patents

Abstract

本发明涉及雨洪径流氮磷输出负荷预测方法，包括：选定目标流域，并选定该目标流域出口处的监测断面；获取历史数据；根据相应数据拟合数学模型；验证数学模型的模拟效果；选择模拟效果更好的数学模型作为预测模型用于预测。本发明针对性强，且能根据实际情况选择更加合适的预测模型，科学合理。

Description

雨洪径流氮磷输出负荷预测方法

技术领域

本发明涉及一种雨洪径流氮磷输出负荷预测方法，属于水文监测技术领域。

背景技术

降雨是流域面源污染发生的主要驱动因子，面源污染物一般随流域雨洪径流过程输出。我国东部位于东亚季风气候区，雨洪过程主要集中在6月至9月。研究氮磷随雨洪径流过程输出特征对于流域氮磷污染控制具有重要意义。由于面源污染的发生和降雨径流过程有关，在开展面源污染输出负荷估算时需要同时监测水量和水质，这需要投入大量的人力物力和财力。若能在已有监测资料基础上，利用水文监测要素与氮磷输出负荷之间的关系，建立基于水文要素的次洪过程氮磷输出负荷预测模型，预测次洪过程氮磷输出负荷，可以节省面源污染负荷估算成本。

经检索发现，专利号CN201110109508.1、授权公告号CN102201034B、名称《一种临河村落非点源污染负荷的估算方法》的中国发明专利，其方法包括：1)基础资料收集：获取某地小雨、中雨、大到暴雨等三种情况的多年累积平均雨量R1、R2、R3，以及村庄面积A等基本情况；2)野外实地的监测：对有效降雨场次的降雨历时、降雨量和降雨径流的次径流系数、径流历时、产流面积进行监测，收集的水样进行化学需氧量、总氮、总磷的监测；3)非点源污染负荷的模型估算：采用公式计算临河村落非点源污染物化学需氧量、总氮、总磷的年污染负荷。

然而，以上述技术方案为代表的现有技术并没有提供专门针对雨洪径流的预测方法，亟待加以研究。

发明内容

本发明所要解决的技术问题是：克服现有技术存在的问题，提供一种雨洪径流氮磷输出负荷预测方法，针对性强，且能根据实际情况选择更加合适的预测模型。

本发明解决其技术问题的技术方案如下：

一种雨洪径流氮磷输出负荷预测方法，其特征是，包括以下步骤：

第一步、选定目标流域，并选定该目标流域出口处的监测断面；选定历史时期，获取目标流域在该历史时期内的历史降水量数据，并获取该监测断面在该历史时期内的历史流量数据、总氮浓度数据以及总磷浓度数据；

第二步、根据历史降水量数据，筛选出次降水事件；所述次降水事件指单次且连续的降水事件；所述次降水事件中，从降水开始的时刻至降水结束的时刻，为次降水事件期间；

第三步、在第二步所得的所有次降水事件期间：

根据相应的历史流量数据、总氮浓度数据以及总磷浓度数据，计算出总氮输出负荷数据以及总磷输出负荷数据；根据历史流量数据按预定算法计算出历史直接径流量数据；将历史降水量数据与总氮输出负荷数据、历史降水量数据与总磷输出负荷数据、历史直接径流量数据与总氮输出负荷数据、历史直接径流量数据与总磷输出负荷数据分别一一对应；

第四步、根据第三步得出的所有对应数据，拟合数学模型：

将历史降水量数据与总氮输出负荷数据、历史降水量数据与总磷输出负荷数据分别拟合为总氮输出负荷、总磷输出负荷与降水量相关的二次多项式模型；

将历史直接径流量数据与总氮输出负荷数据、历史直接径流量数据与总磷输出负荷数据分别拟合为总氮输出负荷、总磷输出负荷与直接径流量相关的线性模型；

其中，与总氮输出负荷数据相关的二次多项式模型和线性模型属于总氮负荷预测模型，与总磷输出负荷数据相关的二次多项式模型和线性模型属于总磷负荷预测模型；

第五步、根据历史降水量数据，筛选出不同于第二步的次降水事件；

在这些次降水事件期间：

根据相应的历史流量数据、总氮浓度数据以及总磷浓度数据，计算出总氮输出负荷数据以及总磷输出负荷数据，作为实际数据；根据历史流量数据按预定算法计算出历史直接径流量数据；将历史降水量数据、历史直接径流量数据分别代入到第四步所得的数学模型中，并计算得出相应的总氮输出负荷数据以及总磷输出负荷数据，作为各数学模型的预测数据；

第六步、针对各数学模型，将其预测数据与实际数据进行比较，并计算得出评价因子，所述评价因子包括相对平均误差、决定系数和模拟效率系数；根据评价因子，分别在总氮负荷预测模型、总磷负荷预测模型中选择模拟效果更好的数学模型作为最终的总氮负荷预测模型和总磷负荷预测模型；

第七步、将第六步所得的总氮负荷预测模型和总磷负荷预测模型用于预测。

发明人经深入实践研究发现，不同的流域，预测其雨洪径流氮磷输出负荷往往需要不同的预测模型；在此发现的基础上，发明人经进一步地实践研究，终于得出了上述方法，先分别拟合与降水量相关的二次多项式模型和与直接径流量相关的线性模型，再从中选择模拟效果更好的模型用于预测，即能专门针对雨洪径流，并实现良好的预测效果。

本发明进一步完善的技术方案如下：

优选地，第一步中，所述历史时期为连续N年，N为大于或等于3的整数，即从第一年至第N年；第二步中，从第一年起至少两年中筛选出次降水事件；第五步中，从其余历史时期中筛选出次降水事件。

具体而言，第一步中，所述历史时期为连续三年，即第一年、第二年以及第三年；第二步中，从第一年和第二年中筛选出次降水事件；第五步中，从第三年中筛选出次降水事件。

采用该优选方案，能进一步确保数学模型的模拟效果。

优选地，第三步及第五步中，所述预定算法为按以下公式进行计算：

q_f(t)＝q_(t)-q_b(t)

且

其中，q_b(t)为t时刻的基流；q_b(t-1)为t-1时刻的基流；q_(t)为t时刻实测径流量，且q_(t)来源于历史流量数据；t为时间，单位为天；q_f(t)为t时刻的直接径流量，且q_f(t)构成历史直接径流量数据；BFI_max为最大基流指数；α为退水常数；

当t＝1时，q_b(t-1)＝所选历史时期内历史流量数据的最小值×调整系数，1.1≤调整系数≤1.5。

具体而言，0<BFI_max<1，且0<α<1。

在具体应用时，BFI_max＝0.97，α＝0.8。

采用该优选方案，可更加简单、准确地将各时刻流量分割为直接径流量和基流量，进而利于确保与直接径流量相关数学模型的模拟效果。

优选地，第四步中，二次多项式模型为：L＝A+B·P+C·P²，其中，L为总氮或总磷输出负荷，P为降水量，A、B、C为常数；

线性模型为：L＝J+K·DR，其中，L为总氮或总磷输出负荷，DR为直接径流量，J、K为常数。

采用该优选方案，可进一步简化数学模型，利于提高整个预测方法的效率。

优选地，第六步中，所述评价因子由相对平均误差RME、决定系数R²和模拟效率系数Nash-Sutcliffe组成。

相对平均误差RME按下式计算：

决定系数R²按下式计算：

模拟效率系数Nash-Sutcliffe按下式计算：

其中，P_oi为第i次观测得到的负荷值，为全部观测负荷值的平均值，P_si为由模型计算得到与第i次观测对应的负荷值，为由模型计算所得全部负荷值的平均值，n为总观测次数。

此外，第六步中，模拟效果的评价过程为：

S1、评价原则为：相对平均误差的绝对值接近零者为佳；决定系数的数值接近1者为佳；模拟效率系数的数值接近1者为佳；

S2、评价同属于总氮或总磷负荷预测模型的二次多项式模型和线性模型：比较两模型的相对平均误差、决定系数以及模拟效率系数；若其中一个模型有两个以上评价因子均更佳，则该模型的模拟效果更好。

采用该优选方案，可快速得出评价结果，利于提高整个预测方法的效率。

与现有技术相比，本发明针对性强，且能根据实际情况选择更加合适的预测模型，科学合理。

附图说明

图1至图4为试验案例中的比较结果图。

具体实施方式

下面参照附图并结合实施例对本发明作进一步详细描述。但是本发明不限于所给出的例子。

本发明具体实施的雨洪径流氮磷输出负荷预测方法，包括：

第一步、选定目标流域，并选定该目标流域出口处的监测断面；选定历史时期，获取目标流域在该历史时期内的历史降水量数据，并获取该监测断面在该历史时期内的历史流量数据、总氮浓度数据以及总磷浓度数据。

第二步、根据历史降水量数据，筛选出次降水事件；次降水事件指单次且连续的降水事件；次降水事件中，从降水开始的时刻至降水结束的时刻，为次降水事件期间。

第三步、在第二步所得的所有次降水事件期间：

根据相应的历史流量数据、总氮浓度数据以及总磷浓度数据，计算出总氮输出负荷数据以及总磷输出负荷数据；根据历史流量数据按预定算法计算出历史直接径流量数据；将历史降水量数据与总氮输出负荷数据、历史降水量数据与总磷输出负荷数据、历史直接径流量数据与总氮输出负荷数据、历史直接径流量数据与总磷输出负荷数据分别一一对应。

第四步、根据第三步得出的所有对应数据，拟合数学模型：

将历史降水量数据与总氮输出负荷数据、历史降水量数据与总磷输出负荷数据分别拟合为总氮输出负荷、总磷输出负荷与降水量相关的二次多项式模型；

将历史直接径流量数据与总氮输出负荷数据、历史直接径流量数据与总磷输出负荷数据分别拟合为总氮输出负荷、总磷输出负荷与直接径流量相关的线性模型；

其中，与总氮输出负荷数据相关的二次多项式模型和线性模型属于总氮负荷预测模型，与总磷输出负荷数据相关的二次多项式模型和线性模型属于总磷负荷预测模型。

具体而言，二次多项式模型为：L＝A+B·P+C·P²，其中，L为总氮或总磷输出负荷，P为降水量，A、B、C为常数；

线性模型为：L＝J+K·DR，其中，L为总氮或总磷输出负荷，DR为直接径流量，J、K为常数。

第五步、根据历史降水量数据，筛选出不同于第二步的次降水事件；

在这些次降水事件期间：

根据相应的历史流量数据、总氮浓度数据以及总磷浓度数据，计算出总氮输出负荷数据以及总磷输出负荷数据，作为实际数据；根据历史流量数据按预定算法计算出历史直接径流量数据；将历史降水量数据、历史直接径流量数据分别代入到第四步所得的数学模型中，并计算得出相应的总氮输出负荷数据以及总磷输出负荷数据，作为各数学模型的预测数据；

第六步、针对各数学模型，将其预测数据与实际数据进行比较，并计算得出评价因子，评价因子包括相对平均误差、决定系数和模拟效率系数；根据评价因子，分别在总氮负荷预测模型、总磷负荷预测模型中选择模拟效果更好的数学模型作为最终的总氮负荷预测模型和总磷负荷预测模型。

具体而言，评价因子由相对平均误差RME、决定系数R²和模拟效率系数Nash-Sutcliffe组成。

相对平均误差RME按下式计算：

决定系数R²按下式计算：

模拟效率系数Nash-Sutcliffe按下式计算：

其中，P_oi为第i次观测得到的负荷值，为全部观测负荷值的平均值，P_si为由模型计算得到与第i次观测对应的负荷值，为由模型计算所得全部负荷值的平均值，n为总观测次数。

模拟效果的评价过程为：

S1、评价原则为：相对平均误差的绝对值接近零者为佳；决定系数的数值接近1者为佳；模拟效率系数的数值接近1者为佳；

S2、评价同属于总氮或总磷负荷预测模型的二次多项式模型和线性模型：比较两模型的相对平均误差、决定系数以及模拟效率系数；若其中一个模型有两个以上评价因子均更佳，则该模型的模拟效果更好。

第七步、将第六步所得的总氮负荷预测模型和总磷负荷预测模型用于预测。

其中，第一步中，历史时期为连续N年，N为大于或等于3的整数，即从第一年至第N年；第二步中，从第一年起至少两年中筛选出次降水事件；第五步中，从其余历史时期中筛选出次降水事件。

比如，第一步中，历史时期为连续三年，即第一年、第二年以及第三年；第二步中，从第一年和第二年中筛选出次降水事件；第五步中，从第三年中筛选出次降水事件。

第三步及第五步中，预定算法为按以下公式进行计算：

q_f(t)＝q_(t)-q_b(t)

且

其中，q_b(t)为t时刻的基流；q_b(t-1)为t-1时刻的基流；q_(t)为t时刻实测径流量，且q_(t)来源于历史流量数据；t为时间，单位为天；q_f(t)为t时刻的直接径流量，且q_f(t)构成历史直接径流量数据；BFI_max为最大基流指数；α为退水常数。

当t＝1时，q_b(t-1)＝所选历史时期内历史流量数据的最小值×调整系数，1.1≤调整系数≤1.5。

0<BFI_max<1，且0<α<1。

注：根据水文学基本原理，将总径流分割为基流和直接径流，其中，基流包括深层壤中流和地下径流，直接径流流包括表层径流和浅层壤中流。

以下为具体试验案例。

以花某山流域为目标流域，并选定其出口处的某监测断面。选定历史时期为2012-2014年，通过当地水文局获取：该历史时期内的历史降水量数据，该监测断面在该历史时期内的历史流量数据、总氮浓度数据以及总磷浓度数据。

筛选出2012年、2013年的全部次降水事件，在这些次降水事件期间，根据相应的历史流量数据、总氮浓度数据以及总磷浓度数据，计算出总氮输出负荷数据以及总磷输出负荷数据；根据历史流量数据按预定算法计算出历史直接径流量数据(BFI_max＝0.97，α＝0.8)；将历史降水量数据与总氮输出负荷数据、历史降水量数据与总磷输出负荷数据、历史直接径流量数据与总氮输出负荷数据、历史直接径流量数据与总磷输出负荷数据分别一一对应。

然后根据这些对应数据，拟合数学模型如下：

L_总氮＝-8.84+0.25×P+0.0015×P²

L_总磷＝8.61-0.1697×P+0.00125×P²

L_总氮＝-2.47+1.78×DR

L_总磷＝0.34+0.27×DR。

之后，筛选出2014年的全部次降水事件，在这些次降水事件期间：

根据相应的历史流量数据、总氮浓度数据以及总磷浓度数据，计算出总氮输出负荷数据以及总磷输出负荷数据，作为实际数据；

根据历史流量数据按预定算法计算出历史直接径流量数据；将历史降水量数据、历史直接径流量数据分别代入到上述数学模型中，并计算得出相应的总氮输出负荷数据以及总磷输出负荷数据，作为各数学模型的预测数据。

针对各数学模型，将其预测数据与实际数据进行比较，并计算得出评价因子，评价因子由相对平均误差RME、决定系数R²和模拟效率系数Nash-Sutcliffe组成。结果如图1至图4所示。

采用前文提到的模拟效果评价办法进行评价，可知，总氮负荷预测模型、总磷负荷预测模型均应采用与直接径流量相关的线性模型用于预测。

除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。

Claims (10)

1.一种雨洪径流氮磷输出负荷预测方法，其特征是，包括以下步骤：

第一步、选定目标流域，并选定该目标流域出口处的监测断面；选定历史时期，获取目标流域在该历史时期内的历史降水量数据，并获取该监测断面在该历史时期内的历史流量数据、总氮浓度数据以及总磷浓度数据；

第二步、根据历史降水量数据，筛选出次降水事件；所述次降水事件指单次且连续的降水事件；所述次降水事件中，从降水开始的时刻至降水结束的时刻，为次降水事件期间；

第三步、在第二步所得的所有次降水事件期间：

根据相应的历史流量数据、总氮浓度数据以及总磷浓度数据，计算出总氮输出负荷数据以及总磷输出负荷数据；根据历史流量数据按预定算法计算出历史直接径流量数据；将历史降水量数据与总氮输出负荷数据、历史降水量数据与总磷输出负荷数据、历史直接径流量数据与总氮输出负荷数据、历史直接径流量数据与总磷输出负荷数据分别一一对应；

第四步、根据第三步得出的所有对应数据，拟合数学模型：

将历史降水量数据与总氮输出负荷数据、历史降水量数据与总磷输出负荷数据分别拟合为总氮输出负荷、总磷输出负荷与降水量相关的二次多项式模型；

将历史直接径流量数据与总氮输出负荷数据、历史直接径流量数据与总磷输出负荷数据分别拟合为总氮输出负荷、总磷输出负荷与直接径流量相关的线性模型；

其中，与总氮输出负荷数据相关的二次多项式模型和线性模型属于总氮负荷预测模型，与总磷输出负荷数据相关的二次多项式模型和线性模型属于总磷负荷预测模型；

第五步、根据历史降水量数据，筛选出不同于第二步的次降水事件；

在这些次降水事件期间：

根据相应的历史流量数据、总氮浓度数据以及总磷浓度数据，计算出总氮输出负荷数据以及总磷输出负荷数据，作为实际数据；根据历史流量数据按预定算法计算出历史直接径流量数据；将历史降水量数据、历史直接径流量数据分别代入到第四步所得的数学模型中，并计算得出相应的总氮输出负荷数据以及总磷输出负荷数据，作为各数学模型的预测数据；

第六步、针对各数学模型，将其预测数据与实际数据进行比较，并计算得出评价因子，所述评价因子包括相对平均误差、决定系数和模拟效率系数；根据评价因子，分别在总氮负荷预测模型、总磷负荷预测模型中选择模拟效果更好的数学模型作为最终的总氮负荷预测模型和总磷负荷预测模型；

第七步、将第六步所得的总氮负荷预测模型和总磷负荷预测模型用于预测。

2.根据权利要求1所述的雨洪径流氮磷输出负荷预测方法，其特征是，第一步中，所述历史时期为连续N年，N为大于或等于3的整数，即从第一年至第N年；第二步中，从第一年起至少两年中筛选出次降水事件；第五步中，从其余历史时期中筛选出次降水事件。

3.根据权利要求2所述的雨洪径流氮磷输出负荷预测方法，其特征是，第一步中，所述历史时期为连续三年，即第一年、第二年以及第三年；第二步中，从第一年和第二年中筛选出次降水事件；第五步中，从第三年中筛选出次降水事件。

4.根据权利要求1所述的雨洪径流氮磷输出负荷预测方法，其特征是，第三步及第五步中，所述预定算法为按以下公式进行计算：

q_f(t)＝q_(t)-q_b(t)

且

其中，q_b(t)为t时刻的基流；q_b(t-1)为t-1时刻的基流；q_(t)为t时刻实测径流量，且q_(t)来源于历史流量数据；t为时间，单位为天；q_f(t)为t时刻的直接径流量，且q_f(t)构成历史直接径流量数据；BFI_max为最大基流指数；α为退水常数；

当t＝1时，q_b(t-1)＝所选历史时期内历史流量数据的最小值×调整系数，1.1≤调整系数≤1.5。

5.根据权利要求4所述的雨洪径流氮磷输出负荷预测方法，其特征是，0<BFI_max<1，且0<α<1。

6.根据权利要求5所述的雨洪径流氮磷输出负荷预测方法，其特征是，BFI_max＝0.97，α＝0.8。

7.根据权利要求1所述的雨洪径流氮磷输出负荷预测方法，其特征是，第四步中，二次多项式模型为：L＝A+B·P+C·P²，其中，L为总氮或总磷输出负荷，P为降水量，A、B、C为常数；

线性模型为：L＝J+K·DR，其中，L为总氮或总磷输出负荷，DR为直接径流量，J、K为常数。

8.根据权利要求1所述的雨洪径流氮磷输出负荷预测方法，其特征是，第六步中，所述评价因子由相对平均误差RME、决定系数R²和模拟效率系数Nash-Sutcliffe组成。

9.根据权利要求1所述的雨洪径流氮磷输出负荷预测方法，其特征是，相对平均误差RME按下式计算：

决定系数R²按下式计算：

模拟效率系数Nash-Sutcliffe按下式计算：

其中，P_oi为第i次观测得到的负荷值，为全部观测负荷值的平均值，P_si为由模型计算得到与第i次观测对应的负荷值，为由模型计算所得全部负荷值的平均值，n为总观测次数。

10.根据权利要求1所述的雨洪径流氮磷输出负荷预测方法，其特征是，第六步中，模拟效果的评价过程为：

S1、评价原则为：相对平均误差的绝对值接近零者为佳；决定系数的数值接近1者为佳；模拟效率系数的数值接近1者为佳；

S2、评价同属于总氮或总磷负荷预测模型的二次多项式模型和线性模型：比较两模型的相对平均误差、决定系数以及模拟效率系数；若其中一个模型有两个以上评价因子均更佳，则该模型的模拟效果更好。