CN109059875B - 一种驱动完美模型开展月尺度径流预报的方法 - Google Patents
一种驱动完美模型开展月尺度径流预报的方法 Download PDFInfo
- Publication number
- CN109059875B CN109059875B CN201810684497.1A CN201810684497A CN109059875B CN 109059875 B CN109059875 B CN 109059875B CN 201810684497 A CN201810684497 A CN 201810684497A CN 109059875 B CN109059875 B CN 109059875B
- Authority
- CN
- China
- Prior art keywords
- month
- runoff
- forecast
- increment
- driving
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000001556 precipitation Methods 0.000 claims description 50
- 239000013598 vector Substances 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 235000014676 Phragmites communis Nutrition 0.000 claims 1
- 230000007246 mechanism Effects 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 10
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 230000003321 amplification Effects 0.000 abstract description 3
- 238000003199 nucleic acid amplification method Methods 0.000 abstract description 3
- 238000005096 rolling process Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 abstract 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010924 continuous production Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种驱动完美模型开展月尺度径流预报的方法，涉及水文预报技术领域。该方法利用历史上已经出现的初始状态、驱动条件和产出的组合，结合当前预报时段的初始状态和驱动条件滚动获取预报结论，具有如下的优势：①未涉及水文模型建模过程，屏蔽了对产汇流等机理进行描述的环节，因此，预报过程中的模型结构误差、模型参数误差将消失；②结构简单，方便易用，只需要有限的实测数据即可完成预报任务，较水文模型、相关分析等方法更具操作性；③在前期数据较为丰富的情况下，仅存在驱动数据误差这一种误差源，误差之间不会形成叠加和放大，较其他方法精度更高。
Description
技术领域
本发明涉及水文预报技术领域，尤其涉及一种驱动完美模型开展月尺度径流预报的方法。
背景技术
月尺度的径流预报对于水资源综合管理具有重要意义，是水量分配、水资源调度等工作的重要前提。
目前，开展月尺度径流预报主要分为如下几种方法，一种是分析径流时序资料自身特征，包括频率、振幅、周期等，直接利用径流资料构建预报模型；二是利用统计学方法，构建海温、大气环流、天文现象等因子与径流的回归方程；三是利用数值方法，利用物理方程构建能够反映流域产汇流特征的水文模型，在降水预报信息的驱动下获取径流预报信息。
然而，以上所述三种方法均存在一定的问题。第一种方法过于简单，仅能反映时序变量本身的规律性特征，但径流现象更多的受其他因素的影响，如降水、下垫面条件等，因此其预报效果较差，精度较低，当前应用较少。第二种方法以相关性为基础，将相关性高的变量(如海温、海冰、大气环流等)作为预报因子，通过简单的回归方程或神经网络等智能方法构建预报模型，其本质是希望通过数学方法反映各影响因子与径流的定量转化关系。然而，这种转化关系是通过大量实测数据率定得到的，对于一个维度异常高的现实流域，长度有限、质量有限的实测资料率定得到的转化关系在代表性上必然存在较大缺陷。第三种方法试图通过数学方程反映天然流域产汇流机理，但流域产汇流过程极其复杂，人们在构建数值模型的时候往往会有大量的概化过程，这就导致该类方法存在多种误差来源，首先是模型结构误差(利用数学方程概化的产汇流机理难以反映真实情况)，其次是模型参数误差(异参同效等)，再者是驱动数据误差(观测误差，降水预测误差等)。多种误差相互叠加和放大，导致预报精度较低，在实际生产实践中应用较少。
综上，目前的方法均试图通过人工途径直接或间接对产汇流特征或规律(自身规律、自身与影响因子之间的关系、各要素演变的物理机制)进行刻画和反映，但实际产汇流规律极其复杂，人类认识水平有限，导致这些方法在当前理论和技术发展水平下难以取得较好的效果，所以，上述这些方法在实际预报中存在较大局限性。
发明内容
本发明的目的在于提供一种驱动完美模型开展月尺度径流预报的方法，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
一种驱动完美模型开展月尺度径流预报的方法，包括如下步骤：
S1，结合预报任务，分析月尺度下完美模型的初始条件和驱动条件；
S2，根据实际情况，对所述初始条件和驱动条件进行简化，形成m个能够反映完美模型初始条件和驱动条件的指标；
S3，获取历史上各月的能够反映完美模型初始条件和驱动条件的指标数据，并对其进行标准化，形成n个m维历史向量，其中，n为历史上的各月；
S4，获取当前预报月的能够反映完美模型初始条件和驱动条件的m个指标数据，并对其进行标准化，形成一个m维当前预报向量；
S5，将S4中形成的点与S3中形成的历史上各月的样本点做欧几里德距离，在历史上各月的样本点中挑选x个距离最近的点，取该x个点对应的径流值的算数平均值作为当前预报月的径流预报值；
S6，基于下一个预报月的驱动条件和S5中获取到的当前预报月的径流预报值，将下一个预报月作为当前预报月，重复S4-S5，直到预报期内所有月份的径流值预报完毕，其中，S4中，当前预报月从预报期内的起始月份开始顺次排列，起始月份为第n个历史月的下一个月份。
优选地，所述初始条件包括下垫面条件、前期径流量和前期降水量，所述驱动条件包括降水量。
优选地，利用前期产流率来反映下垫面条件，其中，前期产流率用前期径流量/前期降水量表示。
优选地，S2中，所述能够反映完美模型初始条件的指标为：前期降水量Pi-1、前期径流量Qi-1、前期降水量变化量Pi-1_Increment、前期径流量变化量Qi-1_Increment；
所述能够反映完美模型驱动条件的指标为：降水量Pi，
其中：Pi-1_Increment＝Pi-1-Pi-2
Qi-1_Increment＝Qi-1-Qi-2
优选地，S3中，获取历史上各月的月累积降水量和月平均径流量，并根据获取到的数据对所述能够反映完美模型初始条件和驱动条件的指标进行赋值或计算，并对其进行标准化，得到n个5维向量，如下：
Sk＝{Pk-1，Pk，Qk-1，Pk-1_Increment，Qk-1_Increment}，其中，k∈[1,n]，n为历史上的各月。
优选地，S4中，获取当前预报月的降水量，并根据获取到的数据对所述能够反映完美模型初始条件和驱动条件的指标进行赋值或计算，并对其进行标准化，得到一个5维向量，如下：Oi＝{Pi-1，Pi，Qi-1，Pi-1_Increment，Qi-1_Increment}，i为当前预报月份。
优选地，S5中，所述将S4中形成的点与S3中形成的历史上各月的样本点做欧几里德距离，具体采用如下公式计算：
其中：Dis_ik为Oi与Sk的欧几里得距离；
Sk1为Pk-1,Sk2为Pk,Sk3为Qk-1,Sk4为Pk-1_Increment,Sk5为Qk-1_Increment，
Oi1为Pi-1，Oi2为Pi，Oi3为Qi-1，Oi4为Pi-1_Increment，Oi5为Qi-1_Increment。
本发明的有益效果是：本发明实施例提供的驱动完美模型开展月尺度径流预报的方法，利用历史上已经出现的初始状态、驱动条件和产出的组合，结合当前预报时段的初始状态和驱动条件滚动获取预报结论，该方法具有如下的优势：
①未涉及水文模型建模过程，屏蔽了对产汇流等机理进行描述的环节，因此，预报过程中的模型结构误差、模型参数误差将消失。
②结构简单，方便易用，只需要有限的实测数据即可完成预报任务，较水文模型、相关分析等方法更具操作性。
③在前期数据较为丰富的情况下，仅存在驱动数据误差这一种误差源，误差之间不会形成叠加和放大，较其他方法精度更高。
附图说明
图1是本发明提供的驱动完美模型开展月尺度径流预报的方法流程示意图；
图2是1970年1月至2013年12月的月累积降水量示意图；
图3是1970年1月至2013年12月的月平均径流量示意图；
图4是本发明实施例提供的预报效果图；
图5是新安江模型预报效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
现实世界中必然存在某种确定的“产汇流模型”(自然界本身就是一个极其复杂的模型系统)，只是目前其机理尚未被人类掌握，或在相当长的一段时间内人类难以有效刻画这种机理，但这种“模型”是客观存在的，在这样的一个模型系统下，必然也存在模型输入、模型结构和模型输出这三个部分。不同于传统方法，本发明不着力刻画或间接描述产汇流机理，而认为现实世界中已经客观存在这种“模型”，称为完美模型。这种完美模型与人类构建的数值模型类似，相同的初始状态和驱动条件将导致相同的产出。因此，从侧面突破，本发明将利用历史上已经出现的初始状态、驱动条件和产出的组合，结合当前初始状态和驱动条件获取预报结论。
如图1所示，本发明实施例提供了一种驱动完美模型开展月尺度径流预报的方法，包括如下步骤：
S1，结合预报任务，分析月尺度下完美模型的初始条件和驱动条件；
S2，根据实际情况，对所述初始条件和驱动条件进行简化，形成m个能够反映完美模型初始条件和驱动条件的指标；
S3，获取历史上各月的能够反映完美模型初始条件和驱动条件的指标数据，并对其进行标准化，形成n个m维历史向量，其中，n为历史上的各月；
S4，获取当前预报月的能够反映完美模型初始条件和驱动条件的m个指标数据，并对其进行标准化，形成一个m维当前预报向量；
S5，将S4中形成的点与S3中形成的历史上各月的样本点做欧几里德距离，在历史上各月的样本点中挑选x个距离最近的点，取该x个点对应的径流值的算数平均值作为当前预报月的径流预报值；
S6，基于下一个预报月的驱动条件和S5中获取到的当前预报月的径流预报值，将下一个预报月作为当前预报月，重复S4-S5，直到预报期内所有月份的径流值预报完毕，其中，S4中，当前预报月从预报期内的起始月份开始顺次排列，起始月份为第n个历史月的下一个月份。
上述方法中，S3中，获取到n个历史月的m个能够反映完美模型初始条件和驱动条件的指标数据后，在S4中，根据这些指标数据可以得到预报期内起始月份的能够反映完美模型初始条件的指标数据，并测量获取到预报期内起始月份的能够反映完美模型驱动条件的指标数据，根据S5中得到的当前预报月的预报径流预报值，并结合下一个预报月的驱动条件，得到下一个预报月的能够反映完美模型初始条件和驱动条件的m个指标数据，并根据S5得到的下一个预报月的预报径流预报值，照此，依次滚动计算，就可以根据历史月的初始条件，结合预报月的驱动条件，得到预报月的预报径流数据。
采用上述方法进行径流预报，具有如下的优势：
①该发明未涉及水文模型建模过程，跳过了对产汇流等机理进行描述的步骤，因此，预报过程中模型结构误差、模型参数误差将消失。
②该发明结构简单，方便易用，只需要若干实测数据即可完成预报任务，较水文模型、相关分析等方法更具操作性。
③该发明在前期数据较为丰富的情况下，仅存在驱动条件数据误差这一种误差源，误差之间不会形成叠加和放大，较其他方法精度更高。
本发明实施例中，所述初始条件可以包括下垫面条件、前期径流量和前期降水量，所述驱动条件可以包括降水量。
本发明实施例中，利用前期产流率来反映下垫面条件，其中，前期产流率用前期径流量/前期降水量表示。
在一定时间段内，下垫面条件对产流的影响，主要表现为土壤含水量的多少对产流系数的影响，如土壤含水量较多，则时段内产流系数则较高，反之较少。因此，本实施例中，选取前一个时段的降水量和前一个时段的径流量来代表前期下垫面条件。
在本发明的一个优选实施例中，S2中，所述能够反映完美模型初始条件的指标为：前期降水量Pi-1、前期径流量Qi-1、前期降水量变化量Pi-1_Increment、前期径流量变化量Qi-1_Increment；
所述能够反映完美模型驱动条件的指标为：降水量Pi，
其中：Pi-1_Increment＝Pi-1-Pi-2
Qi-1_Increment＝Qi-1-Qi-2
由于降水和径流为连续过程，具有一定的持续性。因此，选择前期降水变化和前期径流变化这两个指标参与完美模型计算。所以，选取的用以反映初始条件的主要指标包括前期降水量Pi-1、前期径流量Qi-1、前期降水量变化量Pi-1_Increment、前期径流量变化量Qi-1_Increment。用以反映驱动条件的指标是降水量Pi。
S3中，获取历史上各月的月累积降水量和月平均径流量，并根据获取到的数据对上述获取到的所述能够反映完美模型初始条件和驱动条件的5个指标进行赋值或计算，并对其进行标准化，得到n个5维向量，如下：
Sk＝{Pk-1，Pk，Qk-1，Pk-1_Increment，Qk-1_Increment}，其中，k∈[1,n]，n为历史上的各月。
本实施例中，S4中，获取当前预报月的降水量，并根据获取到的数据对所述能够反映完美模型初始条件和驱动条件的指标进行赋值或计算，并对其进行标准化，得到一个5维向量，如下：Oi＝{Pi-1，Pi，Qi-1，Pi-1_Increment，Qi-1_Increment}，i为当前预报月份。
本实施例中，S5中，所述将S4中形成的点与S3中形成的历史上各月的样本点做欧几里德距离，具体采用如下公式计算：
其中：Dis_ik为Oi与Sk的欧几里得距离；
Sk1为Pk-1,Sk2为Pk,Sk3为Qk-1,Sk4为Pk-1_Increment,Sk5为Qk-1_Increment，
Oi1为Pi-1，Oi2为Pi，Oi3为Qi-1，Oi4为Pi-1_Increment，Oi5为Qi-1_Increment。
具体实施例：
采用本发明提供的方法对黄河上游唐乃亥断面开展月尺度径流预报，按照如下步骤进行实施：
步骤一，本方法初始条件包括前期下垫面条件、前期径流量、前期雨量等。驱动条件主要包括降水等。
步骤二，对初始条件和驱动条件进行简化。在一定时间段内，下垫面条件对产流的影响，主要表现为土壤含水量的多少对产流系数的影响，如土壤含水量较多，则时段内产流系数则较高，反之较少。因此，选取前一个时段的降水量和前一个时段的径流量来代表前期下垫面条件。众所周知，降水和径流为连续过程，具有一定的持续性。因此，选择前期降水变化和前期径流变化这两个指标参与完美模型计算。可见，针对黄河上游唐乃亥中长期预报，选取的用以反映初始条件的主要指标包括前期降水量Pi-1、前期径流量Qi-1、前期降水量变化量Pi-1_Increment、前期径流量变化量Qi-1_Increment。用以反映边界条件的指标主要是降水量Pi。
其中：Pi-1_Increment＝Pi-1-Pi-2
Qi-1_Increment＝Qi-1-Qi-2
步骤三，收集断面1970年1月至2013年12月的径流观测数据和断面以上流域面上的降水量观测数据，其中，从1970年1月至2013年12月的月累积降水量可参见图2所述，从1970年1月至2013年12月的月平均径流量可参见图3所述。
根据收集到的月累积降水量和月平均径流量数据，生成每个时段的Pi-1，Qi-1，Pi-1_Increment，Qi-1_Increment和Pi指标数据，如表1所示：
表1 1970年1月至2013年12月各月份的指标数据
| 月份 | P<sub>i-1</sub> | P<sub>i</sub> | Q<sub>i-1</sub> | P<sub>i-1</sub>_Increment | Q<sub>i-1</sub>_Increment |
| 1970/1/1 | 2.53 | ||||
| 1970/2/1 | 2.53 | 2.85 | 129.42 | ||
| 1970/3/1 | 2.85 | 6.71 | 129.11 | 0.32 | -0.31 |
| 1970/4/1 | 6.71 | 8.08 | 180.55 | 3.87 | 51.44 |
| 1970/5/1 | 8.08 | 25.79 | 362.70 | 1.37 | 182.15 |
| 1970/6/1 | 25.79 | 49.05 | 540.68 | 17.70 | 177.98 |
| 1970/7/1 | 49.05 | 94.97 | 655.07 | 23.27 | 114.39 |
| 1970/8/1 | 94.97 | 67.46 | 709.35 | 45.91 | 54.29 |
| 1970/9/1 | 67.46 | 38.36 | 1095.26 | -27.51 | 385.90 |
| 1970/10/1 | 38.36 | 10.26 | 534.80 | -29.09 | -560.46 |
| 1970/11/1 | 10.26 | 2.46 | 584.06 | -28.11 | 49.26 |
| 1970/12/1 | 2.46 | 1.14 | 330.50 | -7.80 | -253.56 |
| 1971/1/1 | 1.14 | 2.76 | 160.29 | -1.31 | -170.21 |
| 1971/2/1 | 2.76 | 2.06 | 127.06 | 1.62 | -33.23 |
| … | … | … | … | … | … |
| 2012/11/1 | 15.75 | 1.75 | 893.77 | -18.66 | -171.56 |
| 2012/12/1 | 1.75 | 2.35 | 472.97 | -14.00 | -420.81 |
| 2013/1/1 | 2.35 | 3.04 | 243.52 | 0.60 | -229.45 |
| 2013/2/1 | 3.04 | 5.08 | 243.87 | 0.69 | 0.35 |
| 2013/3/1 | 5.08 | 3.67 | 264.61 | 2.04 | 20.74 |
| 2013/4/1 | 3.67 | 12.78 | 326.42 | -1.42 | 61.81 |
| 2013/5/1 | 12.78 | 47.08 | 312.27 | 9.12 | -14.15 |
| 2013/6/1 | 47.08 | 55.39 | 663.77 | 34.30 | 351.51 |
| 2013/7/1 | 55.39 | 76.99 | 886.60 | 8.31 | 222.83 |
| 2013/8/1 | 76.99 | 38.05 | 1586.74 | 21.60 | 700.14 |
| 2013/9/1 | 38.05 | 46.86 | 1193.52 | -38.94 | -393.23 |
| 2013/10/1 | 46.86 | 18.72 | 732.37 | 8.81 | -461.15 |
| 2013/11/1 | 18.72 | 2.89 | 614.65 | -28.14 | -117.72 |
| 2013/12/1 | 2.89 | 1.44 | 357.97 | -15.84 | -256.68 |
| 2014/1/1 | 1.44 | 183.71 | -1.45 | -174.26 | |
| -1.44 | -183.71 |
由表1可见，对于预报月份2014年1月(表格下部加粗部分)，仅有当月降水量是未知的，所以，只要能够获取到预报月份2014年1月的驱动条件，即可完成向前滚动预报。
步骤四，将Pi-1，Qi-1，Pi-1_Increment，Qi-1_Increment和Pi进行标准化，生成各个月份这5个指标标准化后的值，如表2所示：
表2 1970年1月至2013年12月各指标标准化结果
| 时间 | P<sub>i-1</sub> | P<sub>i</sub> | Q<sub>i-1</sub> | P<sub>i-1</sub>_Increment | Q<sub>i-1</sub>_Increment |
| 1970/1/1 | 0.0176 | ||||
| 1970/2/1 | 0.0176 | 0.0206 | 0.0122 | ||
| 1970/3/1 | 0.0206 | 0.0564 | 0.0121 | 0.5679 | 0.4197 |
| 1970/4/1 | 0.0564 | 0.0692 | 0.0270 | 0.5982 | 0.4314 |
| 1970/5/1 | 0.0692 | 0.2335 | 0.0796 | 0.5769 | 0.4610 |
| 1970/6/1 | 0.2335 | 0.4494 | 0.1309 | 0.7166 | 0.4600 |
| 1970/7/1 | 0.4494 | 0.8756 | 0.1640 | 0.7642 | 0.4456 |
| 1970/8/1 | 0.8756 | 0.6203 | 0.1796 | 0.9580 | 0.4320 |
| 1970/9/1 | 0.6203 | 0.3502 | 0.2910 | 0.3297 | 0.5071 |
| 1970/10/1 | 0.3502 | 0.0893 | 0.1292 | 0.3162 | 0.2928 |
| 1970/11/1 | 0.0893 | 0.0169 | 0.1435 | 0.3246 | 0.4309 |
| 1970/12/1 | 0.0169 | 0.0048 | 0.0703 | 0.4984 | 0.3623 |
| 1971/1/1 | 0.0048 | 0.0198 | 0.0211 | 0.5539 | 0.3812 |
| 1971/2/1 | 0.0198 | 0.0132 | 0.0115 | 0.5790 | 0.4122 |
| … | … | … | … | … | … |
| 2012/11/1 | 0.1403 | 0.0104 | 0.2329 | 0.4055 | 0.3809 |
| 2012/12/1 | 0.0104 | 0.0159 | 0.1114 | 0.4453 | 0.3244 |
| 2013/1/1 | 0.0159 | 0.0223 | 0.0452 | 0.5702 | 0.3677 |
| 2013/2/1 | 0.0223 | 0.0413 | 0.0453 | 0.5711 | 0.4198 |
| 2013/3/1 | 0.0413 | 0.0281 | 0.0512 | 0.5826 | 0.4244 |
| 2013/4/1 | 0.0281 | 0.1128 | 0.0691 | 0.5530 | 0.4337 |
| 2013/5/1 | 0.1128 | 0.4311 | 0.0650 | 0.6432 | 0.4165 |
| 2013/6/1 | 0.4311 | 0.5082 | 0.1665 | 0.8586 | 0.4993 |
| 2013/7/1 | 0.5082 | 0.7087 | 0.2308 | 0.6362 | 0.4702 |
| 2013/8/1 | 0.7087 | 0.3473 | 0.4329 | 0.7500 | 0.5783 |
| 2013/9/1 | 0.3473 | 0.4291 | 0.3194 | 0.2320 | 0.3306 |
| 2013/10/1 | 0.4291 | 0.1679 | 0.1863 | 0.6405 | 0.3153 |
| 2013/11/1 | 0.1679 | 0.0209 | 0.1523 | 0.3244 | 0.3931 |
| 2013/12/1 | 0.0209 | 0.0075 | 0.0782 | 0.4296 | 0.3616 |
| 0.0075 | 0.0279 | 0.5528 | 0.3802 | ||
| 0.5528 | 0.3781 |
步骤五，获取预报时段(2014年1月至2014年12月)的降水信息。本发明欲对未来12个月的径流值进行预报，因此获取2014年1月至2014年12月共计12个月的黄河流域唐乃亥以上月累积降水信息(面雨量)，如表3所示。
表3 2014年唐乃亥以上各月面雨量信息
| 月份 | 面雨量(mm) |
| 2014/1/1 | 2.73 |
| 2014/2/1 | 4.70 |
| 2014/3/1 | 7.48 |
| 2014/4/1 | 11.34 |
| 2014/5/1 | 28.32 |
| 2014/6/1 | 71.21 |
| 2014/7/1 | 56.35 |
| 2014/8/1 | 57.11 |
| 2014/9/1 | 58.44 |
| 2014/10/1 | 14.92 |
| 2014/11/1 | 2.38 |
| 2014/12/1 | 3.71 |
将表3中的各条记录在1970-2013年范围内标准化，得到2014年唐乃亥以上各月面雨量标准化数据，如下表4所示。
表4 2014年唐乃亥以上各月面雨量标准化
| 月份 | 标准化数值 |
| 2014/1/1 | 0.0195 |
| 2014/2/1 | 0.0378 |
| 2014/3/1 | 0.0636 |
| 2014/4/1 | 0.0994 |
| 2014/5/1 | 0.2570 |
| 2014/6/1 | 0.6551 |
| 2014/7/1 | 0.5172 |
| 2014/8/1 | 0.5242 |
| 2014/9/1 | 0.5366 |
| 2014/10/1 | 0.1326 |
| 2014/11/1 | 0.0162 |
| 2014/12/1 | 0.0286 |
步骤六，利用表4的降水信息，逐条补齐表2中2014年1月空缺的降水信息(Pi列)，补齐之前的数据如下所示：
| 时间 | P<sub>i-1</sub> | P<sub>i</sub> | Q<sub>i-1</sub> | P<sub>i-1_Increment</sub> | Q<sub>i-1_Increment</sub> |
| 2014/1/1 | 0.0075 | 0.0279 | 0.5528 | 0.3802 |
补齐之后的数据如下所示：
| 时间 | P<sub>i-1</sub> | P<sub>i</sub> | Q<sub>i-1</sub> | P<sub>i-1_Increment</sub> | Q<sub>i-1_Increment</sub> |
| 2014/1/1 | 0.0075 | 0.0195 | 0.0279 | 0.5528 | 0.3802 |
可见2014年1月份的Pi-1，Pi，Qi-1，Pi-1_Increment，Qi-1_Increment，组成向量Oi＝{0.0075，0.0195，0.0279，0.5528，0.3802}，表2中的记录则可认为是n个5维向量，如下：
Sk＝{Pk-1，Pk，Qk-1，Pk-1_Increment，Qk-1_Increment}，其中，k∈[1,n]
步骤七，求Oi与Sk的欧几里得距离Dis_ik，计算公式如下：
其中：Sk1为Pk-1,Sk2为Pk,Sk3为Qk-1,Sk4为Pk-1_Increment,Sk5为Qk-1_Increment，
Oi1为Pi-1，Oi2为Pi，Oi3为Qi-1，Oi4为Pi-1_Increment，Oi5为Qi-1_Increment，
按照从小到大的顺序对Dis_ik进行排列，取其前20位做平均，得到2014年1月份的径流预报值为150.93m3/s。
步骤八，将步骤六中的2014年1月的径流预报值当做实测值，与1970年1月至2013年12月各月的历史数据一起作为历史数据，得到新的n个5维向量，如下：
Sk＝{Pk-1，Pk，Qk-1，Pk-1_Increment，Qk-1_Increment}，其中，k∈[1,n]。
步骤九，结合2014年2月降水预报值，得到2014年2月的5个指标值(Pi-1，Pi，Qi-1，Pi-1_Increment，Qi-1_Increment)，重复步骤七，直到完成2014年所有月份的预报，得到的预报值与实测值如图4所示，确定性系数可以达到0.92。
对比例：
为了与传统模型预报方法做对比，本发明中，针对唐乃亥断面，构建了集总式新安江模型的对比例，经建模、率定等过程，该对比例中，2014年所有月份的预报值与实测值如图5所示。其确定性系数仅为0.68。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：本发明实施例提供的驱动完美模型开展月尺度径流预报的方法，利用历史上已经出现的初始状态、驱动条件和产出的组合，结合当前预报时段的初始状态和驱动条件滚动获取预报结论，该方法具有如下的优势：
①未涉及水文模型建模过程，跳过了对产汇流等机理进行描述的步骤，因此，预报过程中模型结构误差、模型参数误差将消失。
②结构简单，方便易用，只需要若干实测数据即可完成预报任务，较水文模型、相关分析等方法更具操作性。
③在前期数据较为丰富的情况下，仅存在驱动数据误差这一种误差源，误差之间不会形成叠加和放大，较其他方法精度更高。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。
Claims (5)
1.一种驱动完美模型开展月尺度径流预报的方法，其特征在于，包括如下步骤：
S1，结合预报任务，分析月尺度下完美模型的初始条件和驱动条件；
S2，根据实际情况，对所述初始条件和驱动条件进行简化，形成m个能够反映完美模型初始条件和驱动条件的指标；
S3，获取历史上各月的能够反映完美模型初始条件和驱动条件的指标数据，并对其进行标准化，形成n个m维历史向量，其中，n为历史上的各月；
S4，获取当前预报月的能够反映完美模型初始条件和驱动条件的m个指标数据，并对其进行标准化，形成一个m维当前预报向量；
S5，将S4中形成的点与S3中形成的历史上各月的样本点做欧几里德距离，在历史上各月的样本点中挑选x个距离最近的点，取该x个点对应的径流值的算数平均值作为当前预报月的径流预报值；
S6，基于下一个预报月的驱动条件和S5中获取到的当前预报月的径流预报值，将下一个预报月作为当前预报月，重复S4-S5，直到预报期内所有月份的径流值预报完毕，其中，S4中，当前预报月从预报期内的起始月份开始顺次排列，起始月份为第n个历史月的下一个月份；
所述初始条件包括下垫面条件、前期径流量和前期降水量，所述驱动条件包括降水量；
利用前期产流率来反映下垫面条件，其中，前期产流率用前期径流量/前期降水量表示。
2.如权利要求1所述的驱动完美模型开展月尺度径流预报的方法，其特征在于，S2中，所述能够反映完美模型初始条件的指标为：前期降水量Pi-1、前期径流量Qi-1、前期降水量变化量Pi-1_Increment、前期径流量变化量Qi-1_Increment；
所述能够反映完美模型驱动条件的指标为：降水量Pi，
其中：Pi-1_Increment＝Pi-1-Pi-2
Qi-1_Increment＝Qi-1-Qi-2
i表示当前预报月份。
3.如权利要求2所述的驱动完美模型开展月尺度径流预报的方法，其特征在于，S3中，获取历史上各月的月累积降水量和月平均径流量，并根据获取到的数据对所述能够反映完美模型初始条件和驱动条件的指标进行赋值或计算，并对其进行标准化，得到n个5维向量，如下：
Sk＝{Pk-1，Pk，Qk-1，Pk-1_Increment，Qk-1_Increment}，其中，k∈[1,n]，n为历史上的各月。
4.如权利要求3所述的驱动完美模型开展月尺度径流预报的方法，其特征在于，S4中，获取当前预报月的降水量，并根据获取到的数据对所述能够反映完美模型初始条件和驱动条件的指标进行赋值或计算，并对其进行标准化，得到一个5维向量，如下：Oi＝{Pi-1，Pi，Qi-1，Pi-1_Increment，Qi-1_Increment}，i为当前预报月份。
5.如权利要求4所述的驱动完美模型开展月尺度径流预报的方法，其特征在于，S5中，所述将S4中形成的点与S3中形成的历史上各月的样本点做欧几里德距离，具体采用如下公式计算：
其中：Dis_ik为Oi与Sk的欧几里得距离；
Sk1为Pk-1,Sk2为Pk,Sk3为Qk-1,Sk4为Pk-1_Increment,Sk5为Qk-1_Increment，
Oi1为Pi-1，Oi2为Pi，Oi3为Qi-1，Oi4为Pi-1_Increment，Oi5为Qi-1_Increment。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810684497.1A CN109059875B (zh) | 2018-06-28 | 2018-06-28 | 一种驱动完美模型开展月尺度径流预报的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810684497.1A CN109059875B (zh) | 2018-06-28 | 2018-06-28 | 一种驱动完美模型开展月尺度径流预报的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109059875A CN109059875A (zh) | 2018-12-21 |
| CN109059875B true CN109059875B (zh) | 2019-11-01 |
Family
ID=64818102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810684497.1A Active CN109059875B (zh) | 2018-06-28 | 2018-06-28 | 一种驱动完美模型开展月尺度径流预报的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109059875B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816167A (zh) * | 2019-01-18 | 2019-05-28 | 昆仑(重庆)河湖生态研究院(有限合伙) | 径流预报方法及径流预报装置 |
| CN109886461A (zh) * | 2019-01-18 | 2019-06-14 | 昆仑(重庆)河湖生态研究院(有限合伙) | 一种径流预报方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103577895A (zh) * | 2013-11-08 | 2014-02-12 | 河海大学 | 一种资料短缺情形下的二次耦合月径流预报方法 |
| CN107992961A (zh) * | 2017-11-21 | 2018-05-04 | 中国水利水电科学研究院 | 一种自适应的流域中长期径流预报模型架构方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7254564B2 (en) * | 2001-10-22 | 2007-08-07 | Coppola Jr Emery J | Neural network based predication and optimization for groundwater/surface water system |
| KR101492323B1 (ko) * | 2013-04-18 | 2015-02-11 | 창원대학교 산학협력단 | 다차원 수리모형을 이용한 하천흐름 연계모의 gui장치 |
| CN105740969B (zh) * | 2016-01-21 | 2019-08-06 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于数据驱动的小流域洪水实时预报方法 |
| CN106295193B (zh) * | 2016-08-15 | 2019-03-05 | 浙江工业大学 | 一种基于压缩感知的河流月径流量预测方法 |
| CN106845771B (zh) * | 2016-12-16 | 2018-12-21 | 中国水利水电科学研究院 | 一种基于前期雨量优选参数的洪水预报方法 |
| CN107292098A (zh) * | 2017-06-15 | 2017-10-24 | 河海大学 | 基于前期气象因子与数据挖掘技术的中长期径流预报方法 |
| CN107274030B (zh) * | 2017-06-23 | 2019-03-05 | 华中科技大学 | 基于水文变量年际和月变化特性的径流预报方法和系统 |
-
2018
- 2018-06-28 CN CN201810684497.1A patent/CN109059875B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103577895A (zh) * | 2013-11-08 | 2014-02-12 | 河海大学 | 一种资料短缺情形下的二次耦合月径流预报方法 |
| CN107992961A (zh) * | 2017-11-21 | 2018-05-04 | 中国水利水电科学研究院 | 一种自适应的流域中长期径流预报模型架构方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109059875A (zh) | 2018-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Guo et al. | Prediction of heating and cooling loads based on light gradient boosting machine algorithms | |
| CN104063588B (zh) | 基于多源数据融合的管道腐蚀缺陷尺寸的预测方法 | |
| CN110276477B (zh) | 一种基于分层贝叶斯网络和增量学习的洪水预报方法 | |
| CN106408223A (zh) | 基于气象相似日及误差校正的短期负荷预测方法 | |
| CN108898250B (zh) | 一种基于D藤copula函数的月径流模拟方法 | |
| CN113837912B (zh) | 一种建筑业碳排放影响因素分析方法 | |
| CN106227998A (zh) | 一种基于优化时间窗口的风资源评估方法 | |
| WO2018214364A1 (zh) | 一种降水预报精度评定方法 | |
| CN106485360A (zh) | 基于全局夜光遥感的局部社会经济指标预测方法及系统 | |
| CN109059875B (zh) | 一种驱动完美模型开展月尺度径流预报的方法 | |
| CN101319893A (zh) | 精确确定区域高程异常的方法 | |
| CN109523077B (zh) | 一种风电功率预测方法 | |
| CN105425583A (zh) | 基于协同训练lwpls的青霉素生产过程的控制方法 | |
| CN114330915A (zh) | 一种短期风电功率组合模型预测方法 | |
| CN109190810B (zh) | 基于tdnn的中国北方草原地区ndvi的预测方法 | |
| CN116934274A (zh) | 一种基于人工智能的工程进度管理系统 | |
| CN115577597B (zh) | 裂隙通道中溶质超扩散的模拟方法、装置、介质、设备 | |
| Gui et al. | Simulation-based inexact fuzzy semi-infinite programming method for agricultural cultivated area planning in the Shiyang River Basin | |
| CN105678420A (zh) | 一种跨年度长时效的气候预测方法 | |
| CN115840793A (zh) | 基于随机森林的气象空间归一化方法及系统 | |
| CN105260944A (zh) | 一种基于lssvm算法与关联规则挖掘的统计线损计算方法 | |
| CN109460526A (zh) | 基于Copula函数和信息熵理论相结合的综合式水文站网评估模型 | |
| CN108491955A (zh) | 一种集成指标筛选与气温校正的月度工业用电量预测方法 | |
| CN110909492B (zh) | 一种基于极端梯度提升算法的污水处理过程软测量方法 | |
| CN106980764B (zh) | 一种通用的直接利用遥感蒸发的水文模拟方法 |
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 |