CN113344241B - 一种流域洪水分区分级预报方法 - Google Patents

Abstract

本发明公开了一种流域洪水分区分级预报方法，基于降雨时程分配指标进行参数分级率定，并利用台风雨和非台风雨两种情况下相邻站点间降雨序列的联系实现降雨数据的互补应用，通过建立模型实现精细化的洪水预报，具体包括三个处理过程：对流域分区建立洪水预报模型、不连续降雨序列的更精确互补计算和将精细化洪水预报流域分区模型参数基于最为敏感的降雨时程分配指标(最大降雨强度和降雨分配方差)进行分级率定。与现有技术相比，本发明能够从模型参数和模型输入两方面减小流域响应的不确定性，实现精细化的洪水预报，使洪水模拟结果更加精确；同时，以更精确的互补计算方法考虑降雨资料不连续地区降雨序列间的互补移用，提高降雨数据的可靠性。

Description

一种流域洪水分区分级预报方法

技术领域

本发明涉及防洪减灾领域，特别是涉及一种洪水预报技术方法。

背景技术

流域内地形地貌复杂、水系河网众多、降雨分布不均、气候差异性大等现象，严重影响精细化洪水预报结果的准确性。因此，对研究区域划分子流域建立洪水预报模型可 以提高预报模型的精度，准确、快速、实时洪水过程预报可为防洪调度、指挥决策、抢 险救灾等方面提供科学依据，使洪灾损失减少到最小。

目前由于缺乏准确的关于流域的地面覆盖和气象驱动数据集以及成熟的模型参数 转移技术，洪水预报面临着流域气象水文表征及流域响应表征皆具非平稳性的挑战。其中，模型参数的不确定性是流域响应非平稳性的重要表征。随着PUB计划(无资料流 域水文预报)的实施，模型参数在空间异质方面的推求取得一定进展，空间邻近法、回 归分析法以及物理相似法等参数区域化方法应运而生，但流域模型参数的时间异质性却 很少被考虑。降雨的时空变异性导致了流域突发降雨过程中的传输损失的不确定性、模 型参数的非平稳性等现象，因此，仅通过建立一个预报模型率定一组水文模型参数来对 全流域洪水进行预报会存在很大的预报误差。另外，降雨数据是水文计算中的核心输入 数据。在水文实践过程中，相邻地区降雨数据的移用和卫星遥感反演及气候模式再分析 方法是降雨数据缺乏流域水文规律识别的常用方法，但仅考虑距离未考虑降雨中心时空 分布的数据移用将造成移用数据的精确性不高；同时卫星雷达降雨产品由于其空间分辨 率低，在流域的水文模拟或地形、水系复杂的流域适用性较差。

传统降雨数据移用未考虑降雨中心时空分布造成移用数据的精确性不高和卫星雷 达降雨产品由于其空间分辨率低，在流域的水文模拟或地形、水系复杂的流域适用性较差的问题，是本发明亟待解决的技术问题。

发明内容

针对流域情况复杂和模型参数的时间异质性很少被考虑，不连续降雨数据补全方法 精度不高等问题，本发明提出了一种流域洪水分区分级预报方法，实现了考虑流域参数分级优化和降雨序列互补的流域分区分级预报，实现洪水的精确模拟，通过流域洪水方 法进行精细化洪水预报；

本发明的一种流域洪水分区分级预报方法，基于从虚拟河网提取目标流域的原始DEM数据确定目标流域出水口与分割点，完成目标区域子流域的划分；进行模型率定 所需的气象水文数据选定，所需的气象水文数据对台风影响下的不连续降雨序列和非台 风影响下的不连续降雨序列分别采用协整关系和集对分析补足；对每个子流域建立精细 化洪水预报分区模型；该方法包括以下步骤：

步骤1、进行极性参与率定的不连续降雨序列间的互补计算：

步骤1.1、针对作为目标序列的台风影响下的某站点的不连续降雨序列，从设定距离内选取作为参照序列的具有此场降雨记录的距离近站点的连续降雨序列，分别对目标降雨序列和参照降雨序列进行单位根检验；零单位根检验下，假设有单位根，若降雨序 列在ADF检验中T统计量均小于1％、5％、10％显著水平下的检验临界值，则说明当 前检验的降雨序列为平稳序列；否则，需对降雨序列进行一阶差分后再次进行检验，直 至将降雨序列差分为平稳序列，并判断两个降雨序列的单整阶数：同阶单整下的两降雨 序列通过普通最小二乘法进行线性回归，并对回归方程的与实测值间的残差是否具有单 位根进行ADF检验；若残差序列为平稳序列，表明降雨序列间满足线性协整关系；基 于线性协整关系建立目标序列和参照序列之间的误差修正模型，利用改误差修正模型并 结合一个雨量站的降雨资料计算目标站缺少的不连续降雨数据；

步骤1.2、针对不连续的非台风雨降雨过程，选取与目标站点相邻站点的降雨序列， 并对多个降雨序列利用补充集合经验模态分解进行分解，之后对分解后包含目标站点降 雨分量的相应IMF分量对分别进行集对分析，计算综合联系度，判断目标站点此场次 降雨序列与相邻站点降雨序列的相似性，最终确定考虑降雨中心分布的降雨数据移用最 优方案；

步骤2、考虑降雨强度及分配引起的产流规律变化，将精细化洪水预报分区模型中的参数基于降雨时程分配指标包含最大降雨强度和降雨分配方差进行分级率定；其中， 降雨分配方差具体指降雨序列与最大降雨强度间的方差。

与现有技术相比，本发明能够达到以下积极技术效果：

1)能够从模型参数和模型输入两方面减小流域响应的不确定性，实现精细化的洪水预报，使洪水模拟结果更加精确；

2)以更精确的互补计算方法考虑降雨资料不连续地区降雨序列间的互补移用，提高降雨数据的可靠性。

附图说明

图1为本发明的一种流域洪水分区分级预报方法整体流程图；

图2为参数率定验证结果示意图；

图3为模型率定结果图。

具体实施方式

下面结合附图和具体实施例对本发明技术方案作进一步详细描述。

本发明的一种流域洪水分区分级预报方法，基于降雨时程分配指标进行参数分级率 定，并利用台风雨和非台风雨两种情况下相邻站点间降雨序列的联系实现降雨数据的互 补应用，通过建立模型实现精细化的洪水预报，具体包括对流域分区建立洪水预报模型、 不连续降雨序列的更精确互补计算和参数精细化分级率定三个处理过程。该方法能够减 少洪水预报模型建立、模型输入和模型参数引起的不确定性。如图1所示，为本发明的一种流域洪水分区分级预报方法整体实施架构图。

下面以广西省崇左市宁明县驮英水库流域为例，对目标区域划分子流域，建立每个子流域的洪水预报模型，考虑降雨分配引起的产流规律变化，将模型参数基于降雨时 程分配指标进行分级优化率定，同时，以更准确的互补计算方法实现降雨序列的连续特 性。本发明的具体步骤说明如下：

对流域分区建立洪水预报模型，具体处理如下：

1)划分目标区域的子流域，具体包括收集流域地形地貌、河流水系、水利工程建筑物、水文气象站点分布、降雨径流、土地利用、气候特征、水资源利用、土壤植被和 社会经济状况等资料；将河流水系、水文气象站点以及工程建筑物布置作为子流域划分 的重要控制点，结合收集资料细化调整每个子流域，使得每个子流域内的气象因素以及 下垫面情况基本一致；

然后，利用连续的气象水文数据建立每个子流域的洪水预报模型(包括智能模型)；

2)选定模型率定所需的气象水文数据，包括选定不同重现期的设计洪水过程以及雨量站实测降雨资料：首先检查降雨数据的连续性，针对不连续的降雨序列，根据同一 流域内一定距离范围内的站点间的降雨序列是否满足线性关系确定此次降雨是台风雨 还是非台风雨。若多对降雨序列均满足线性关系，则判断此次降雨受台风影响引起的降 雨过程；否则，判断此次降雨为受锋面、热带气旋等天气影响的降雨过程。

步骤1、进行极性参与率定的不连续降雨序列间的互补计算：降雨序列为非平稳序列，台风雨影响下未经差分的降雨序列间的线性回归可能出现“伪回归”现象。因此， 未经差分及非同阶单整的降雨序列间的线性关系并不能代表线性协整关系。台风雨序列 间的线性协整回归及非台风雨降雨序列的CEEMD分解都是基于不连续降雨序列的对 应数据开展的，即要保证连续降雨序列与非连续降雨序列间的时刻和序列长度的一致性。

①针对台风影响下的不连续降雨序列(目标序列)，从设定距离内选取具有此场降雨记录的较近站点的连续降雨序列(参照序列)，分别对其中两个降雨序列(目标序列 和参照序列)进行单位根(ADF)检验，在单位根检验(ADF检验)过程中确定最大 滞后阶数k，根据AIC准则、SC准则确定二者皆取最小值的原则，确定以下三种ADF 检验中最小二乘法线性回归模型的最终模型。

变量y(所有场次的降雨序列)的一阶差分Δy_t的最小二乘法线性回归模型I(该模型有截距有趋势)，如公式(1)所示：

变量y的一阶差分Δy_t的最小二乘法线性回归模型II(该模型有截距无趋势)，如公式(2)所示：

变量y的一阶差分Δy_t的最小二乘法线性回归模型III(该模型无截距无趋势)，如公式(3)所示：

式中，k为滞后阶数(由AIC准则和SC准则确定)，Δy_t为t时刻的变量y的一阶 差分，Δy_t-i为滞后时刻的变量y的一阶差分；y为时间序列；t为时间项；i为时间滞后 项；y_t-1为下一时刻时间序列；δ_i滞后项相关系数；α代表截距，为常数；ρ、δ_t为系 数；ε_t为白噪声参数。

在零单位根检验时，假设有单位根，若ADF检验的T统计量均小于1％、5％、10％ 显著水平下的检验临界值，则说明当前检验的降雨序列为平稳序列；否则，需对降雨序 列先进行一阶差分之后再次进行检验，直至将降雨序列差分为平稳序列，并判断两个降 雨序列的单整阶数：同阶单整下通过普通最小二乘法(OLS)对两个降雨序列进行线性 回归，并对回归方程与实测值间的残差是否具有单位根进行ADF检验；

若残差序列为平稳序列，则证明台风雨下一定距离范围内的降雨序列间满足线性协 整关系；基于线性协整关系，根据两变量(目标序列和参照序列)建立误差修正模型(ECM)，利用改误差修正模型(ECM)并结合一个雨量站的降雨资料计算目标站缺 少的不连续降雨数据，公式如下：

式中，Δy_t、Δx_t分别为y、x变量在t时刻的一阶差分，β₀、β₁为回归系数，

为两个降雨序列协整关系的前一时刻计算残差，α为修正系数，即因变量拉回长期均衡 状态的速度。

②针对非台风影响下的目标站点的不连续降雨序列，选取目标站点与其相邻站点组 成集对，并采用集对分析方法研究目标站点不连续降雨序列和相邻站点连续降雨序列之 间的确定性和不确定性。首先对连续降雨序列与非连续降雨序列对应时间上做处理，之后对多个降雨序列利用补充集合经验模态分解(CEEMD)进行分解，对分解获得的包 含目标站点降雨分量的相应IMF分量对分别进行集合对分析(SPA)，计算多个集合对 综合联系度，表达式如下：

μ＝S/N+(F/N)i+(P/N)j (5)

上式经简化后可得：

μ＝a+bi+cj (6)

式中，μ为集合对的综合联系度，S为多个集合对的同一度的个数，F为多个集合 对的差异度，P为多个集合对的对立度的个数，N为两个集合的同、异、反3个角度的 特征个数总数，i为差异不确定性系数，j为对立系数。在计算中一般取i＝0.5，j＝-1。

根据综合联系度判断目标站点的此场次降雨序列与相邻站点降雨序列的相似性，进 行综合联系度高的降雨数据的移用，并非距离近的站点间的降雨数据移用，这很大程度上取决于降雨的时空分布。

步骤2、进行预报模型参数率定：考虑降雨强度及分配引起的产流规律变化，将精细化洪水预报流域分区模型参数基于最为敏感的降雨时程分配指标(最大降雨强度和降雨分配方差)结合实际径流进行分级率定。

如表1所示，基于模型参数最为敏感的降雨时程分配指标(最大降雨强度和降雨分配方差)的参数分级率定结果。

表1

如表2所示为本发明实施例的参数分级率定结果。

表2

本发明提供了一种基于降雨时程分配指标(最大降雨强度和分配方差)的流域分区 参数分级优化方法，根据台风雨和非台风雨两种情况下相邻站点间降雨序列的联系实现 降雨数据的互补移用，以更准确的互补计算方法实现降雨序列的连续特性。以上提供的改进方法可分别从模型参数、模型建立和模型输入三方面减小流域响应的不确定性，使 洪水预报精度显著提高。

Claims (1)

1.一种流域洪水分区分级预报方法，基于从虚拟河网提取目标流域的原始DEM数据确定目标流域出水口与分割点，完成目标区域子流域的划分；进行模型率定所需的气象水文数据选定，所需的气象水文数据对台风影响下的不连续降雨序列和非台风影响下的不连续降雨序列分别采用协整关系和集对分析补足；对每个子流域建立精细化洪水预报分区模型；其特征在于，该方法包括以下步骤：

步骤1、进行极性参与率定的不连续降雨序列间的互补计算：

步骤1.1、针对作为目标序列的台风影响下的某站点的不连续降雨序列，从设定距离内选取作为参照序列的具有此场降雨记录的距离近站点的连续降雨序列，分别对目标降雨序列和参照降雨序列进行单位根检验；零单位根检验下，假设有单位根，若降雨序列在ADF检验中T统计量均小于1％、5％、10％显著水平下的检验临界值，则说明当前检验的降雨序列为平稳序列；否则，需对降雨序列进行一阶差分后再次进行检验，直至将降雨序列差分为平稳序列，并判断两个降雨序列的单整阶数：同阶单整下的两降雨序列通过普通最小二乘法进行线性回归，并对回归方程与实测值间的残差是否具有单位根进行ADF检验；若残差序列为平稳序列，表明降雨序列间满足线性协整关系；基于线性协整关系建立目标序列和参照序列之间的误差修正模型，利用误差修正模型并结合一个雨量站的降雨资料计算目标站缺少的不连续降雨数据；

其中，ADF检验中最小二乘法回归模型有以下三种：

所有场次的降雨序列的变量y的一阶差分Δy_t的最小二乘法线性回归模型I，如公式(1)所示：

变量y的一阶差分Δy_t的最小二乘法线性回归模型II，如公式(2)所示：

变量y的一阶差分Δy_t的最小二乘法线性回归模型III，如公式(3)所示：

式中，k为滞后阶数，Δy_t为t时刻的变量y的一阶差分，Δy_t-i为滞后时刻的变量y的一阶差分，y为时间序列，t为时间项，i为时间滞后项，y_t-1为下一时刻时间序列，δ_i为滞后项相关系数，α为截距，ρ为系数，ε_t为白噪声参数；

基于线性协整关系的误差修正模型的表达式如下：

式中，Δy_t、Δx_t分别为y、x变量在t时刻的一阶差分，β₀、β₁为回归系数，

为两个降雨序列协整关系的前一时刻计算残差，γ为修正系数，即因变量拉回长期均衡状态的速度；

步骤1.2、针对不连续的非台风雨降雨过程，选取与目标站点相邻站点的降雨序列，并对多个降雨序列利用补充集合经验模态分解进行分解，之后对分解后包含目标站点降雨分量的相应IMF分量对分别进行集对分析，计算综合联系度，判断目标站点此场次降雨序列与相邻站点降雨序列的相似性，最终确定考虑降雨中心分布的降雨数据移用最优方案；

其中，多个集合对综合联系度的表达式如下：

μ＝S/N+(F/N)i+(P/N)j (5)

式中，μ为集合对的综合联系度，S为同一的个数，F为差异的个数，P为对立的个数，N为特征个数总数，i为差异不确定性系数，j为对立系数；

步骤2、考虑降雨强度及分配引起的产流规律变化，将精细化洪水预报分区模型中的参数基于降雨时程分配指标包含最大降雨强度和降雨分配方差进行分级率定；其中，降雨分配方差具体指降雨序列与最大降雨强度间的方差。

Images