CN108021773A - 基于dss数据库读写的分布式水文模型多场次洪水参数率定方法 - Google Patents
基于dss数据库读写的分布式水文模型多场次洪水参数率定方法 Download PDFInfo
- Publication number
- CN108021773A CN108021773A CN201711440083.6A CN201711440083A CN108021773A CN 108021773 A CN108021773 A CN 108021773A CN 201711440083 A CN201711440083 A CN 201711440083A CN 108021773 A CN108021773 A CN 108021773A
- Authority
- CN
- China
- Prior art keywords
- mrow
- parameter
- msub
- model
- population
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于DSS数据库读写的分布式水文模型多场次洪水参数率定方法，属于水文模型参数率定技术领域，步骤为：1)构建多目标遗传算法eNSGA‑II框架用于HEC‑HMS模型的参数多目标优化率定；2)基于参数优化框架，利用JAVA语言将参数种群中的个体写入basin文件以输入模型参数，并在模型运行之后从DSS数据库中提取模拟结果反馈至框架以计算参数个体适应度生成新参数种群，实现模型与参数优化框架的耦合，完成整个参数自动率定过程；3)依据参数物理意义是否符合流域特性等标准，在Pareto解集中选取适宜的参数输入模型，并对模拟结果进行精度评定。本发明突破模型的应用局限性，极大地节省率定时间和人力，有利于模型的推广使用。
Description
技术领域
本发明属于水文模型参数率定技术领域，涉及一种基于DSS数据库读写的分布式水文模型多场次洪水参数率定方法。
背景技术
国内外用于洪水预报的水文模型众多，各类集总、半分布、分布式水文模型相继开发并应用于实际。集总式水文模型因其建模简单、计算效率高、预报数据要求低等优点，广泛用于洪水预报的工程实际中。但集总式水文模型空间分辨率低，没有充分考虑降雨及流域下垫面条件的时空变化特征，且需要大量的实测资料进行模型参数率定，因此无法满足山丘区无资料地区洪水预报需求。
近年来，随着水文气象观测手段及地理信息技术的飞速发展，分布式水文模型发展十分迅速，在山洪预警中的应用研究也越来越多。在HEC-HMS水文模型研究方面，2000年后，随着GIS技术的发展，国内学者开始将水文模型应用于我国部分流域，以中北部地区应用居多，而南方地区特别是季风气候地区的应用较少。2004年，董小涛、李致家将HEC-HMS水文模型应用于漳卫南流域，精度较高；2005年，陆波、梁忠民等将HEC-HMS水文模型应用于江西修水万家埠流域，结果表明HEC-HMS在该流域适用性较好；2006年，雍斌、张万昌等将模型应用于汉江褒河流域；董小涛、李致家等利用新安江模型、TOPMODEL模型和HEC-HMS模型对半干旱地区进行洪水模拟，比较了不同模型的应用效果；2010年，邓霞、董晓华等研究了HEC-HMS水文模型目标函数对参数率定的影响；2012年，陈芬、林峰等将HEC-HMS模型应用于晋江流域的暴雨次洪模拟中，效果较好。总的来说，尽管HEC-HMS在我国小流域的降雨径流模拟中应用效果较为理想，但由于模型模拟场次洪水的限制，无法进行多场洪水率定，需要反复手动输入参数试算，调试过程耗时耗力且不容易找到最优参数，在很大程度上局限了HEC-HMS模型的推广应用。
发明内容
针对现有技术存在的问题，本发明提供一种基于DSS数据库读写的分布式水文模型多场次洪水参数率定方法。
本发明的技术方案如下：
一种基于DSS数据库读写的分布式水文模型多场次洪水参数率定方法，包括以下步骤：
第一步，搭建用于HEC-HMS模型参数率定的eNSGA-II框架，设定优化目标函数及相应算法参数。
本发明采用多目标优化算法eNSGA-II进行水文模型的参数率定，以获得更为准确的模型参数。eNSGA-II是目前应用较为广泛的多目标遗传算法之一，它降低了非劣排序遗传算法的复杂性，并保证优良种群个体在进化过程中不会被丢弃，从而提高优化结果的精度，具有运行速度快、解集的收敛性好等优点。
1.1)选取目标函数
传统的水文模型参数率定主要采用单一目标函数。然而，水文模型的实际应用表明，基于单目标的水文模型参数优化率定仅仅考虑了水文过程某一方面的特征，不能充分反映水文系统的不同动力学行为特征。为了使优化的参数能更好地反映流域水文特征，以洪水预报结果精度评定标准为基础，选择三个目标函数，即产流、汇流及确定性系数的合格率均越高越好，目标函数的具体计算方法如下：
①径流深的绝对误差小于20mm且相对误差小于20％，或径流深绝对误差小于3mm视为产流合格，合格场次越多越好。
Rabs＝|Rsim-Robs| (2)
式中，Rsim、Robs分别为径流深的模拟值与实测值，Rabs为径流深绝对误差，Rrel为相对误差。
②洪峰流量相对误差小于20％且峰现时间差在2h内视为汇流合格，合格场次越多越好。
式中，Qsim、Qobs分别为洪峰流量的模拟值与实测值，Qrel为洪峰流量相对误差。
ΔT＝Tsim-Tobs (5)
式中：Tsim、Tobs分别为峰现时间的模拟值与实测值，ΔT为峰现时间差
③确定性系数大于0.7视为洪水过程模拟合格，合格场次越多越好。
式中，Qis、Qio分别为洪水过程中第i个时刻的模拟流量和实测流量，Qo为洪水过程的平均实测流量，DC即为确定性系数。
1.2)算法设定
评价次数：100000次
种群数量：100～1000
交叉率：1.0
交叉分布指数：15
变异率：0.125
变异分布指数：20
第二步，基于第一步搭建的参数优化框架，利用JAVA语言将参数种群中的个体写入basin文件用以输入模型参数，并在模型运行之后从DSS数据库中提取模拟结果反馈至参数优化框架，用于计算参数个体适应度生成新参数种群，进而实现模型与参数优化框架的耦合，完成整个参数自动率定过程。具体过程为：
2.1)输入参数种群与运行模型
①将eNSGA-II框架生成的参数种群中的个体分别写入HEC模型流域文件夹下的basin文件；②建立外部脚本文件(compute.script)，突破模型单机版界面运行的限制；③通过cmd运行.bat文件，调用外部脚本文件(compute.script)运行HEC-HMS水文模型以完成模型参数的输入及模拟过程。以上步骤均利用JAVA语言实现。
2.2)获取模拟结果与计算目标函数值
①模拟过程结束后，此次模拟结果自动存入流域文件夹下的DSS数据库，通过DSS数据库可识别的Python语言将模拟结果提取至搭建的JAVA框架下；②按设定的目标函数计算参数个体的适应度(fitness)，反馈给eNSGA-II优化框架，用于框架评估个体优劣并生成下一代种群。
2.3)重复上述步骤，从而实现模型与参数优化框架eNSGA-II的耦合，得到Pareto解集，完成整个参数率定过程。
第三步，依据参数物理意义是否符合流域特性等标准，在第二步得到的Pareto解集中选取适宜的参数输入模型，并对模拟结果进行洪水预报的精度评定。
洪水预报的精度评定是指预报模型各洪水预报要素的精度等级，本发明按下述洪水要素确定，其中径流深、洪峰流量、洪峰出现时间、确定性系数由合格率(QR)指标给出，洪水过程由确定性系数(DC)指标给出。
所述的合格率为合格预报次数与预报总次数之比的百分数，表示多次预报总体的精度水平，其中，一次预报的误差小于许可误差时，为合格预报。合格率按下式计算：
式中，n为合格预报次数，m为预报总次数。
上述方法第一步中多目标优化算法eNSGA-II的原理如下：
eNSGA-II为eNSGA的改进版本，为更好地理解eNSGA-II，首先简单介绍eNSGA的算法原理。eNSGA与简单的遗传算法的主要区别在于：该算法在选择算子执行之前根据个体之间的支配关系进行了分层，其选择算子、交叉算子和变异算子与简单遗传算法没有区别。分层排序体现了多目标问题解的特点，能够保证最佳个体不被丢失，迅速提高种群水平。在选择操作执行之前，种群根据个体之间的支配与非支配关系进行分层排序，其具体流程为：首先找出该种群中的所有非支配个体，并赋予他们一个共享的虚拟适应度值，得到第一个非支配最优层；然后，忽略这组已分层的个体，对种群中的其它个体继续按照支配与非支配关系进行分层，并赋予它们一个新的虚拟适应度值，该值要小于上一层的值；最后，对剩下的个体继续上述操作，直到种群中的所有个体都被分层。
eNSGA-II在eNSGA的基础上做出了三点改进。第一，对非支配排序方法进行了改进，提出了快速非支配排序法，降低了算法的计算复杂度。其改进方法为：首先，对于每个个体i都设以下两个参数ni和Si，ni为在种群中支配个体i的解个体的数量，Si为被个体i所支配的解个体的集合；然后，找到种群中所有ni＝0的个体，将它们存入当前集合F1；之后，对于当前集合F1中的每个个体j，考察它所支配的个体集Sj，将集合Sj中的每个个体k的nk减去l，即支配个体k的解个体数减1(因为支配个体k的个体j已经存入当前集F1)，如果nk-1＝0则将个体k存入另一个集H；最后，将F1作为第一级非支配个体集合，并赋予该集合内个体一个相同的非支配序irank，继续对H作上述分级操作并赋予相应的非支配序，直到所有的个体都被分级。第二，eNSGA-II提出了拥挤度和拥挤度比较算子，代替了需要指定共享半径的适应度共享策略，并在快速排序后的同级比较中作为胜出标准，使准Pareto域中的个体能扩展到整个Pareto域，并均匀分布，保持了种群的多样性。第三，eNSGA-II引入精英策略，扩大了采样空间。该策略核心是将父代种群与其产生的子代种群组合，共同竞争产生下一代种群，有利于保持父代中的优良个体进入下一代，并通过对种群中所有个体分层存放，使得最佳个体不会丢失，迅速提高种群水平。
本发明涉及的eNSGA-II算法主流程如下：
首先，随机初始化一个父代种群P0，并将所有个体按非支配关系排序且指定一个适应度值；采用选择、交叉、变异算子产生下一代种群Q0，大小为N。
其次，将第t代产生的新种群Qt与父代Pt合并组成Rt，种群大小为2N。对Rt进行非支配排序，产生一系列非支配集Fi并计算其拥挤度。由于子代和父代个体都包含在Rt中，则经过非支配排序以后的非支配集F1中包含的个体是Rt中最好的，所以先将F1放入新的父代种群Pt+1中。如果F1的大小小于N，则继续向Pt+1中填充下一级非支配集F2，直到添加Fm时，种群的大小超出N，对Fm中的个体进行拥挤度排序，取前N-|Pt+1|个个体，使Pt+1个个体数量达到N。通过遗传算子产生新的子代种群Qt+1。
算法的整体复杂性，由算法的非支配排序部分决定，不必再继续对剩下的部分进行排序。非支配解的多样性由拥挤度比较算子保证，不需要额外的共享参数。通过对当前解和种群中所有个体的分级存放，使得最佳个体不会丢失。
本发明的效果和益处为：本发明通过JAVA语言耦合HEC-HMS水文模型与多目标优化参数框架，得到Pareto解集实现模型多场次自动率定，突破模型的应用局限性，极大地节省率定时间和人力，有利于模型的推广使用。
附图说明
图1是本发明eNSGA-II算法流程图；
图2是本发明HEC-HMS模型参数自动率定框架示意图。
具体实施方式
本发明在HEC-HMS单机版界面及模拟场次洪水局限的基础上，提出一种基于DSS数据库读写的分布式水文模型多场次洪水参数率定方法。
下面通过实施例，对本发明做进一步说明。
栾川流域位于河南省西南部栾川县，控制流域面积343km2，属于山丘区小流域，降雨量年内分布不均，暴雨频发，常出现在7月下旬和8月上旬，暴雨造成的洪水陡涨陡落，历时短、洪峰高、突发性强，不易防范，易发生灾害。以该区为实例进行模型多场次自动率定，具体步骤如下：
第一步，根据栾川流域子流域划分情况及HEC-HMS模型产汇流方法确定需自动率定的参数个数，并在优化框架中参数取值范围进行设定。
HEC-HMS模型自带多种产汇流及河道演进计算方法，在具体研究中可根据不同的流域、不同的资料情况以及不同的计算要求自行选择方法组合。本次实例研究中选择初损后损法计算产流，Snyder单位线计算汇流，运动波进行河道演算，该组合方法原理简单，参数较少，在缺资料或无资料地区易于推广。栾川流域面积343km2，共划分为37个子流域，每个子流域需要率定两个参数：流域滞时和峰值系数，则研究过程中一共需要率定37*2＝74个参数，即优化框架中决策变量个数为74。流域滞时取值在1～25h，峰值系数取值在0.1～0.99。
第二步，利用JAVA语言实现模型与参数优化框架的耦合，完成整个参数自动率定过程，其中将参数种群个体输入模型和读取模型结果反馈给优化框架是最为核心的两个步骤。
2.1)模型参数的输入
①将eNSGA-II框架生成的参数种群中的个体分别写入HEC模型流域文件夹下的basin文件，以下为basin文件中某一子流域的参数；
②建立外部脚本文件(compute.script)，突破模型单机版界面运行的限制；
from hms.model.JythonHms import*
OpenProject(″ProjLuanchuan″，″F：\Hms_luanchuan″)
Compute(″120708″)
Exit(0)
③通过cmd运行.bat文件，调用外部脚本文件(compute.script)运行HEC-HMS水文模型以完成模型参数的输入及模拟过程。
@echo off
C：
cd C：\Program Files(x86)\HEC\HEC-HMS\4.0\
HEC-HMS.cmd-s F：\Hms_luanchuan\compute.script
exit 0
2.2)模拟结果的获取
根据栾川流域历史水文资料，共划分22场洪水，其模拟结果均自动保存至流域工程文件夹下的DSS数据库，场次洪水模拟流量记录标识为“//OUTLET/FLOW/洪水发生年月/1HOUR/RUN：洪号/”，场次洪水实测流量记录标识为“//OUTLET/FLOW-OBSERVED/洪水发生年月/1HOUR/RUN：洪号/”。编写Python文件：“readDssDate”、“readDssOutFlow”及“readDssOutFlowObs”分别读取洪水过程时间、模拟流量及实测流量到相应的数组，以便于后续优化框架计算个体适应度。
第三步，从上述HEC-HMS多场次优化率定框架得到的Pareto解集中选取适宜的参数值，再输入模型得到栾川流域的模拟结果，并与其它常用水文模型进行模拟精度对比，如下表所示。
由此可知，HEC-HMS多场次优化率定框架得到的参数解可得到较优的模拟结果，且整个率定过程大大节省时间和人力，有利于模型的推广应用。
Claims (1)
1.一种基于DSS数据库读写的分布式水文模型多场次洪水参数率定方法，其特征在于以下步骤：
第一步，搭建用于HEC-HMS模型参数率定的eNSGA-II框架，设定优化目标函数及相应算法参数；
1.1)选取目标函数
以洪水预报结果精度评定标准为基础，选择三个目标函数，目标函数的计算方法如下：
①径流深的绝对误差小于20mm且相对误差小于20％，或径流深绝对误差小于3mm视为产流合格，合格场次越多越好；
<mrow>
<msub>
<mi>R</mi>
<mrow>
<mi>a</mi>
<mi>b</mi>
<mi>s</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>|</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>o</mi>
<mi>b</mi>
<mi>s</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>R</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>R</mi>
<mrow>
<mi>a</mi>
<mi>b</mi>
<mi>s</mi>
</mrow>
</msub>
<msub>
<mi>R</mi>
<mrow>
<mi>o</mi>
<mi>b</mi>
<mi>s</mi>
</mrow>
</msub>
</mfrac>
<mo>&times;</mo>
<mn>100</mn>
<mi>%</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，Rsim、Robs分别为径流深的模拟值与实测值，Rabs为径流深绝对误差，Rrel为相对误差；
②洪峰流量相对误差小于20％且峰现时间差在2h内视为汇流合格，合格场次越多越好；
<mrow>
<msub>
<mi>Q</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>Q</mi>
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>Q</mi>
<mrow>
<mi>o</mi>
<mi>b</mi>
<mi>s</mi>
</mrow>
</msub>
<mo>|</mo>
</mrow>
<msub>
<mi>Q</mi>
<mrow>
<mi>o</mi>
<mi>b</mi>
<mi>s</mi>
</mrow>
</msub>
</mfrac>
<mo>&times;</mo>
<mn>100</mn>
<mi>%</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，Qsim、Qobs分别为洪峰流量的模拟值与实测值，Qrel为洪峰流量相对误差；
ΔT＝Tsim-Tobs (5)
式中：Tsim、Tobs分别为峰现时间的模拟值与实测值，ΔT为峰现时间差
③确定性系数大于0.7视为洪水过程模拟合格，合格场次越多越好；
<mrow>
<mi>D</mi>
<mi>C</mi>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>Q</mi>
<mrow>
<mi>i</mi>
<mi>s</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>Q</mi>
<mrow>
<mi>i</mi>
<mi>o</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>Q</mi>
<mi>x</mi>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>Q</mi>
<mi>o</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，Qis、Qio分别为洪水过程中第i个时刻的模拟流量和实测流量，为洪水过程的平均实测流量，DC即为确定性系数；
1.2)算法设定
评价次数：100000次
种群数量：100～1000
交叉率：1.0
交叉分布指数：15
变异率：0.125
变异分布指数：20
第二步，基于第一步搭建的参数优化框架，利用JAVA语言将参数种群中的个体写入basin文件用以输入模型参数，并在模型运行之后从DSS数据库中提取模拟结果反馈至参数优化框架，用于计算参数个体适应度生成新参数种群，进而实现模型与参数优化框架的耦合，完成整个参数自动率定过程；具体过程为：
2.1)输入参数种群与运行模型
①将eNSGA-II框架生成的参数种群中的个体分别写入HEC模型流域文件夹下的basin文件；②建立外部脚本文件compute.script，突破模型单机版界面运行的限制；③通过cmd运行.bat文件，调用外部脚本文件compute.script运行HEC-HMS水文模型以完成模型参数的输入及模拟过程；
2.2)获取模拟结果与计算目标函数值
①模拟过程结束后，此次模拟结果自动存入流域文件夹下的DSS数据库，将模拟结果提取至搭建的JAVA框架下；②按设定的目标函数计算参数个体的适应度，反馈给eNSGA-II优化框架，用于框架评估个体优劣并生成下一代种群；
2.3)重复上述步骤，从而实现模型与参数优化框架eNSGA-II的耦合，得到Pareto解集，完成整个参数率定过程；
第三步，依据参数物理意义是否符合流域特性等标准，在第二步得到的Pareto解集中选取适宜的参数输入模型，并对模拟结果进行洪水预报的精度评定；所述洪水预报的精度评定是指预报模型各洪水预报要素的精度等级，按下述要素确定，其中，径流深、洪峰流量、洪峰出现时间、确定性系数由合格率QR指标给出，洪水过程由确定性系数DC指标给出；
所述的合格率为合格预报次数与预报总次数之比的百分数，表示多次预报总体的精度水平，其中，一次预报的误差小于许可误差时，为合格预报；合格率按下式计算：
<mrow>
<mi>Q</mi>
<mi>R</mi>
<mo>=</mo>
<mfrac>
<mi>n</mi>
<mi>m</mi>
</mfrac>
<mo>*</mo>
<mn>100</mn>
<mi>%</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，n为合格预报次数，m为预报总次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711440083.6A CN108021773B (zh) | 2017-12-27 | 2017-12-27 | 基于dss数据库的分布式水文模型多场次洪水参数率定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711440083.6A CN108021773B (zh) | 2017-12-27 | 2017-12-27 | 基于dss数据库的分布式水文模型多场次洪水参数率定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108021773A true CN108021773A (zh) | 2018-05-11 |
| CN108021773B CN108021773B (zh) | 2021-01-05 |
Family
ID=62071421
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711440083.6A Active CN108021773B (zh) | 2017-12-27 | 2017-12-27 | 基于dss数据库的分布式水文模型多场次洪水参数率定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108021773B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110555069A (zh) * | 2018-05-15 | 2019-12-10 | 中国科学院城市环境研究所 | 一种基于hec-hms模型的实时在线洪水预报方法 |
| CN110619432A (zh) * | 2019-09-17 | 2019-12-27 | 长江水利委员会水文局 | 一种基于深度学习的特征提取水文预报的方法 |
| CN111914431A (zh) * | 2020-08-14 | 2020-11-10 | 贵州东方世纪科技股份有限公司 | 一种有资料地区水文模型参数自动率定方法 |
| CN112163366A (zh) * | 2020-08-14 | 2021-01-01 | 贵州东方世纪科技股份有限公司 | 一种无资料地区水文模型参数自动率定方法 |
| CN112507549A (zh) * | 2020-12-03 | 2021-03-16 | 中国水利水电科学研究院 | 一种模块化水文模拟系统 |
| CN113887847A (zh) * | 2021-12-08 | 2022-01-04 | 中国水利水电科学研究院 | 一种基于WRF-Hydro模型的混合产流区次洪预报方法 |
| CN114548680A (zh) * | 2022-01-19 | 2022-05-27 | 武汉理工大学 | 城市暴雨洪水管理模型参数自动率定方法及系统 |
| CN115689051A (zh) * | 2022-11-17 | 2023-02-03 | 郑州大学 | 一种基于GA算法耦合Morris和GLUE的SWMM模型参数自动率定方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040138815A1 (en) * | 2003-01-10 | 2004-07-15 | Weimin Li | Method and system to flexibly calculate hydraulics and hydrology of watersheds automatically |
| CN102289570A (zh) * | 2011-07-23 | 2011-12-21 | 浙江大学 | 基于降雨-径流-洪水演进计算的洪水预报方法 |
| CN105094202A (zh) * | 2015-09-02 | 2015-11-25 | 重庆大学 | 基于nsga-ⅱ参数寻优的ecpt系统输出稳压控制方法 |
| CN105825308A (zh) * | 2016-03-24 | 2016-08-03 | 辽宁省水利水电勘测设计研究院 | 一种基于多目标分析的水库连通性分析方法 |
| CN106326656A (zh) * | 2016-08-24 | 2017-01-11 | 东南大学 | 一种工程设施极端暴雨洪水位的模拟预测方法 |
| CN106682355A (zh) * | 2017-01-12 | 2017-05-17 | 中国水利水电科学研究院 | 一种基于pso‑ga混合算法的水文模型参数率定方法 |
| EP3258389A1 (en) * | 2015-02-11 | 2017-12-20 | Obschestvo S Ogranichennoi Otvetstvennostiyu "Mivar" | Automated acquisition of a logical deduction path in a mivar knowledge base |
-
2017
- 2017-12-27 CN CN201711440083.6A patent/CN108021773B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040138815A1 (en) * | 2003-01-10 | 2004-07-15 | Weimin Li | Method and system to flexibly calculate hydraulics and hydrology of watersheds automatically |
| CN102289570A (zh) * | 2011-07-23 | 2011-12-21 | 浙江大学 | 基于降雨-径流-洪水演进计算的洪水预报方法 |
| EP3258389A1 (en) * | 2015-02-11 | 2017-12-20 | Obschestvo S Ogranichennoi Otvetstvennostiyu "Mivar" | Automated acquisition of a logical deduction path in a mivar knowledge base |
| CN105094202A (zh) * | 2015-09-02 | 2015-11-25 | 重庆大学 | 基于nsga-ⅱ参数寻优的ecpt系统输出稳压控制方法 |
| CN105825308A (zh) * | 2016-03-24 | 2016-08-03 | 辽宁省水利水电勘测设计研究院 | 一种基于多目标分析的水库连通性分析方法 |
| CN106326656A (zh) * | 2016-08-24 | 2017-01-11 | 东南大学 | 一种工程设施极端暴雨洪水位的模拟预测方法 |
| CN106682355A (zh) * | 2017-01-12 | 2017-05-17 | 中国水利水电科学研究院 | 一种基于pso‑ga混合算法的水文模型参数率定方法 |
Non-Patent Citations (5)
| Title |
|---|
| KALYANMOY DEB 等: "A fast and elitist multiobjective genetic algorithm: NSGA-II", 《IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION 》 * |
| Y. TANG 等: "How efficient and effective are evolutionary multiobjective algorithms at hydrologic model calibration", 《HYDROLOGY & EARTH SYSTEM SCIENCES》 * |
| 冯世伟: "基于HEC-HMS与新安江模型洪水预报研究与应用", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
| 周建中 等: "水文模型参数多目标率定及最优非劣解优选", 《水文》 * |
| 郭俊 等: "水文模型参数多目标优化率定及目标函数组合对优化结果的影响", 《四川大学学报(工程科学版)》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110555069A (zh) * | 2018-05-15 | 2019-12-10 | 中国科学院城市环境研究所 | 一种基于hec-hms模型的实时在线洪水预报方法 |
| CN110619432A (zh) * | 2019-09-17 | 2019-12-27 | 长江水利委员会水文局 | 一种基于深度学习的特征提取水文预报的方法 |
| CN110619432B (zh) * | 2019-09-17 | 2022-08-30 | 长江水利委员会水文局 | 一种基于深度学习的特征提取水文预报的方法 |
| CN111914431A (zh) * | 2020-08-14 | 2020-11-10 | 贵州东方世纪科技股份有限公司 | 一种有资料地区水文模型参数自动率定方法 |
| CN112163366A (zh) * | 2020-08-14 | 2021-01-01 | 贵州东方世纪科技股份有限公司 | 一种无资料地区水文模型参数自动率定方法 |
| CN112163366B (zh) * | 2020-08-14 | 2024-06-07 | 贵州东方世纪科技股份有限公司 | 一种无资料地区水文模型参数自动率定方法 |
| CN111914431B (zh) * | 2020-08-14 | 2024-06-04 | 贵州东方世纪科技股份有限公司 | 一种有资料地区水文模型参数自动率定方法 |
| CN112507549B (zh) * | 2020-12-03 | 2024-03-19 | 中国水利水电科学研究院 | 一种模块化水文模拟系统 |
| CN112507549A (zh) * | 2020-12-03 | 2021-03-16 | 中国水利水电科学研究院 | 一种模块化水文模拟系统 |
| CN113887847B (zh) * | 2021-12-08 | 2022-03-11 | 中国水利水电科学研究院 | 一种基于WRF-Hydro模型的混合产流区次洪预报方法 |
| CN113887847A (zh) * | 2021-12-08 | 2022-01-04 | 中国水利水电科学研究院 | 一种基于WRF-Hydro模型的混合产流区次洪预报方法 |
| CN114548680A (zh) * | 2022-01-19 | 2022-05-27 | 武汉理工大学 | 城市暴雨洪水管理模型参数自动率定方法及系统 |
| CN114548680B (zh) * | 2022-01-19 | 2024-06-21 | 武汉理工大学 | 城市暴雨洪水管理模型参数自动率定方法及系统 |
| CN115689051A (zh) * | 2022-11-17 | 2023-02-03 | 郑州大学 | 一种基于GA算法耦合Morris和GLUE的SWMM模型参数自动率定方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108021773B (zh) | 2021-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108021773A (zh) | 基于dss数据库读写的分布式水文模型多场次洪水参数率定方法 | |
| CN102722759B (zh) | 基于bp神经网络的电网供电可靠性预测方法 | |
| CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
| CN103729550B (zh) | 基于传播时间聚类分析的多模型集成洪水预报方法 | |
| Li et al. | Reducing lake water-level decline by optimizing reservoir operating rule curves: A case study of the Three Gorges Reservoir and the Dongting Lake | |
| CN109272146A (zh) | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 | |
| CN116070971B (zh) | 河湖水系有序流动调控方法和系统 | |
| CN105469196A (zh) | 一种矿井建设项目过程后评价的综合评价方法及系统 | |
| CN104715292A (zh) | 基于最小二乘支持向量机模型的城市短期用水量预测方法 | |
| CN102495937A (zh) | 一种基于时间序列的预测方法 | |
| CN104573857A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
| CN113435630B (zh) | 一种产流模式自适应的流域水文预报方法及系统 | |
| CN104881718A (zh) | 基于多尺度经济先行指标的区域电力景气指数构建方法 | |
| CN106599562A (zh) | 基于概率加权fdc法的河流生态需水量计算方法 | |
| CN114219131A (zh) | 一种基于lstm的流域径流预测方法 | |
| CN104834975A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
| CN111143498B (zh) | 小河流洪水预报方法 | |
| CN116050595A (zh) | 一种注意力机制与分解机制耦合的径流量预测方法 | |
| CN109285219A (zh) | 一种基于dem的网格型水文模型网格演算次序编码方法 | |
| CN110135652B (zh) | 一种长期汛期径流预测方法 | |
| CN117909888A (zh) | 智慧人工智能气候预测方法 | |
| CN114707753B (zh) | 区域化lstm洪水预报方法 | |
| CN105825347A (zh) | 经济预测模型建立的方法和预测方法 | |
| CN113836807B (zh) | 一种基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法 | |
| CN115358587A (zh) | 区域多部门协同的基础设施规划方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |