CN113589404B - 一种场次暴雨径流量预测方法 - Google Patents

Abstract

本发明公开了一种场次暴雨径流量预测方法，通过收集目标流域内各个水文气象站点的降雨径流数据；其次，根据曼‑肯德尔法秩次相关检验法和R/S分析法分别对流域内场次极端暴雨量和次洪量进行趋势检验和持续性检验；最后，利用次降雨量拟合法、降雨因子组合拟合法、次降雨分时段雨量拟合法、上包络线法4种方法对目标流域内场次暴雨径流量进行预测，本发明能够较为简单快速的对单次暴雨洪水进行预测，为政府决策部门防汛减灾、预测预警、调洪调度工作的开展以及流域水资源合理开发利用提供理论支撑和技术支持。

Description

一种场次暴雨径流量预测方法

技术领域

本发明属于水文预测技术领域，具体涉及一种场次暴雨径流量预测方法。

背景技术

降雨不仅是气候变化的主导因子，且是产流产沙的动力因子，使得流域径流量对降雨变化极为敏感，近年来，全国各地汛期时极端降雨也即暴雨频次和总量都呈现增加态势，暴雨危害和破坏性比普通降水更为明显，黄土高原的年径流量和年侵蚀量基本由少数几场暴雨引起，且暴雨事件在流域内易引起大水和大沙，易导致水库、淤地坝溃坝等风险，城镇地区的极端降水会导致城市防洪压力进一步加大，同时，由于城市的排水系统的设计标准偏低，导致我国城市内涝现象日益严重。

而现有技术中普遍将暴雨情形下的径流量预测与普通降雨特性认为一致，没有考虑到暴雨情形和普通降雨情形两者间性质的不同。

因此，如何准确地对场次暴雨产生的径流量进行预测，是本领域技术人员有待解决的技术问题。

发明内容

本发明的目的是为了解决现有技术无法对场次暴雨所产生的径流量进行准确地预测，提出了一种场次暴雨径流量预测方法。

本发明的技术方案为：一种场次暴雨径流量预测方法，包括以下步骤：

S1、获取目标流域内的历史数据，所述历史数据具体为所述目标流域内所有雨量站和所有水文站中记载的降雨数据和洪水摘录表数据，并对所述历史数据进行预处理得到预处理数据；

S2、基于曼肯德尔法划分出所述预处理数据的现状期并得到现状期数据；

S3、通过R/S分析法在所述现状期数据中确定出预测数据；

S4、基于所述预测数据对场次暴雨径流量进行预测。

进一步地，所述步骤S1中的预处理具体包括以下步骤：

S11、将所述降雨数据和洪水摘录表数据统一时间步长；

S12、根据统一时间步长后的各站点对应的降雨数据确定所述目标流域中场次降雨对应的场次降雨量；

S13、根据统一时间步长后的各站点对应的洪水摘录表确定所述目标流域中场次降雨对应的场次洪量；

S14、将大于50mm的场次降雨量对应的场次降雨和场次洪量分别组成场次降雨序列和场次洪量序列，并将所述场次降雨序列和所述场次洪量序列组合为所述预处理数据。

进一步地，所述步骤S12中确定所述目标流域中场次降雨对应的场次降雨量具体通过泰森多边形法进行确定，所述泰森多边形法如下公式所示：

式中，P为场次降雨量，P_i为流域内第i个雨量站雨量，α_i为流域内第i个雨量站的面积权重系数，n为流域内雨量站个数。

进一步地，所述步骤S2具体包括以下分步骤：

S21、通过曼-肯德尔法判断所述预处理数据是否通过显著性检验，若是，则执行步骤S22，若否，则执行步骤S23；

S22、将所述预处理数据进行突变点检验，并以突变点检验结果为依据划分所述现状期以及所述现状期数据；

S23、将所述预处理数据作为所述现状期，并将所述预处理数据作为现状期数据。

进一步地，所述步骤S3具体为通过R/S分析法确定出所述现状期数据的赫斯特指数，并根据所述赫斯特指数确定出预测数据。

进一步地，所述步骤S4具体包括以下分步骤：

S41、基于所述预测数据，通过场次降雨量拟合法、降雨因子组合拟合法、场次降雨量分时段雨量拟合法和上包络法建立四种径流量预测计算式；

S42、基于所述场次降雨量拟合法、降雨因子组合拟合法、场次降雨量分时段雨量拟合法和上包络法建立的四种径流量预测计算式分别对场次暴雨径流量进行预测，并得到四个预测结果；

S43、基于所述四个预测结果确定所述场次暴雨径流量的预测区间，并将所述预测区间作为最终预测结果。

进一步地，所述场次降雨量分时段雨量拟合法建立的径流量预测计算式具体如下：

W＝K₁P₁+K₂P_2-1+K₃P_3-2+K₄P_4-3+K₅P_5-4+K₆P_6-5+K₇P_P-6+c；

式中，W为径流量预测值，P₁、P_2-1、P_3-2、P_4-3、P_5-4、P_6-5、P_P-6为各分时段雨量，K₁、K₂、K₃、K₄、K₅、K₆、K₇、c为方程拟合系数。

与现有技术相比，本发明具备以下有益效果：

(1)本发明通过收集目标流域内各个水文气象站点的降雨径流数据；其次，根据曼-肯德尔法次相关检验法和R/S分析法分别对流域内场次极端暴雨量和次洪量进行趋势检验和持续性检验；最后，利用次降雨量拟合法、降雨因子组合拟合法、次降雨分时段雨量拟合法、上包络线法4种方法对目标流域内场次暴雨径流量进行预测，本发明能够较为简单快速的对单次暴雨洪水进行预测，为政府决策部门防汛减灾、预测预警、调洪调度工作的开展以及流域水资源合理开发利用提供理论支撑和技术支持。

(2)本发明得到四种预测公式，不同降雨因子和不同的降雨预测效果不同，通过不同公式预测径流量的区间，达到预测结果更加精准。

附图说明

图1所示为本发明实施例提供的一种场次暴雨径流量预测方法的流程示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请提出了一种场次暴雨径流量预测方法，如图1所示为一种场次暴雨径流量预测方法的流程示意图，该方法包括以下步骤：

步骤S1、获取目标流域内的历史数据，所述历史数据具体为所述目标流域内所有雨量站和所有水文站中记载的降雨数据和洪水摘录表数据，并对所述历史数据进行预处理得到预处理数据。

在本申请实施例中，所述步骤S1中的预处理具体包括以下步骤：

S11、将所述降雨数据和洪水摘录表数据统一时间步长；

S12、根据统一时间步长后的各站点对应的降雨数据确定所述目标流域中场次降雨对应的场次降雨量；

S13、根据统一时间步长后的各站点对应的洪水摘录表确定所述目标流域中场次降雨对应的场次洪量；

S14、将大于50mm的场次降雨量对应的场次降雨和场次洪量分别组成场次降雨序列和场次洪量序列，并将所述场次降雨序列和所述场次洪量序列组合为所述预处理数据。

在具体的应用场景中，统一时间步长具体是等时间间隔数据，也即一小时，场次洪量的计算公式如下：

式中，W为次洪水量，亿m³；t为时段，h；i为次洪过程时段次序，n为次洪过程时段划分数量；Q为流量，m³/s。

所述步骤S12中确定所述目标流域中场次降雨对应的场次降雨量具体通过泰森多边形法进行确定，所述泰森多边形法如下公式所示：

式中，P为场次降雨量，P_i为流域内第i个雨量站雨量，α_i为流域内第i个雨量站的面积权重系数，n为流域内雨量站个数。

步骤S2、基于曼-肯德尔法划分出所述预处理数据的现状期并得到现状期数据。

在本申请实施例中，所述步骤S2具体包括以下分步骤：

S21、通过曼-肯德尔法判断所述预处理数据是否通过显著性检验，若是，则执行步骤S22，若否，则执行步骤S23；

S22、将所述预处理数据进行突变点检验，并以突变点检验结果为依据划分所述现状期以及所述现状期数据；

S23、将所述预处理数据作为所述现状期，并将所述预处理数据作为现状期数据。

在具体应用场景中，曼-肯德尔法具体实施步骤如下：

对于一个具有n个样本量的时间序列X，首先构造一秩序列：

式中：S_k是第i时刻数值大于j时刻数值的累计个数，X_i,X_j分别是第i时刻和j时刻的样本值。

定义统计量：

式中：UF₁＝0；n为样本数；E(S_k)是累计数S_k的均值；

Var(S_k)是累计数S_k的方差；

以α＝0.05为给定的显著性水平值，即U_0.05＝±1.96。当UF_i<0时，表明序列呈下降趋势；当UF_i>0时，表明序列呈上升趋势。一般情况下，若UF_i>U_0.05时，认为序列存在明显的上升或下降趋势变化。

对通过显著性检验的序列进行突变点检验，以突变点检验结果为依据进行时期的划分。若未通过趋势的显著性检验，则整个序列皆为现状期；认为序列受气候变化和人类活动的影响小，整个研究时期内未发生显著变化。

若UF_i>U_0.05，则表明序列存在明显的趋势变化，将时间序列X按逆序排列，再按曼-肯德尔法计算所得的UF_i值定义为UB_i，如果UB_i和UF_i两条曲线出现交点且交点在临界直线之间，那么交点对应的时刻就是突变时刻。

步骤S3、通过R/S分析法在所述现状期数据中确定出预测数据。

在本申请实施例中，所述步骤S3具体为通过R/S分析法确定出所述现状期数据的赫斯特指数，并根据所述赫斯特指数确定出预测数据。

在具体应用场景中，对现状期下的场次暴雨量序列和径流量时间序{ζ(t)}t＝1,2,…,n，对于任意的正整数τ≥1，定义如下的统计量：

均值序列：

累计离差：

极差：

R(τ)＝maxX(t,τ)-minX(t,τ)τ＝1,2…

标准差：

如果R/S＝R(τ)/S(τ)存在以下关系：

R/S∝τ^H

则序列存在Hurst现象也即赫斯特指数，两边取对数，即Log(R/S)＝Logc+Hlogτ，c为某一常数值，Log(R/S)～Logτ图形中，直线斜率H即为Hurst指数。0.5<Hurst<1，表明未来趋势与现状下一致；若0<Hurst<0.5，表明未来趋势与现状趋势相反。

以R/S分析法检测结果判断数据是否具有预测性。若现状期数据通过R/S持续性检验，即0.5<Hurst<1，表明未来暴雨径流趋势与现状期趋势一致，序列具有预测性。若0<Hurst<0.5，表明未来暴雨径流与现状期趋势相反，序列不具有预测性。

步骤S4、基于所述预测数据对场次暴雨径流量进行预测。

在本申请实施例中，所述步骤S4具体包括以下分步骤：

S41、基于所述预测数据，通过场次降雨量拟合法、降雨因子组合拟合法、场次降雨量分时段雨量拟合法和上包络法建立四种径流量预测计算式；

S42、基于所述场次降雨量拟合法、降雨因子组合拟合法、场次降雨量分时段雨量拟合法和上包络法建立的四种径流量预测计算式分别对场次暴雨径流量进行预测，并得到四个预测结果；

S43、基于所述四个预测结果确定所述场次暴雨径流量的预测区间，并将所述预测区间作为最终预测结果。

在本申请实施例中，所述场次降雨量分时段雨量拟合法建立的径流量预测计算式具体如下：

W＝K₁P₁+K₂P_2-1+K₃P_3-2+K₄P_4-3+K₅P_5-4+K₆P_6-5+K₇P_P-6+c；

式中，W为径流量预测值，P₁、P_2-1、P_3-2、P_4-3、P_5-4、P_6-5、P_P-6为各分时段雨量，K₁、K₂、K₃、K₄、K₅、K₆、K₇、c为方程拟合系数。

上式中，每场降雨过程中7个分时段最大雨量，即最大1h降雨量(P₁)、最大2h降雨量减去最大1h降雨量(P_2-1)、…、最大6h降雨量减去最大5h降雨量(P_6-5)、最大6h降雨量之外的降雨量(P_p-6)。

在具体应用场景中，次降雨量拟合法为以场次降雨量为横坐标，场次径流量为纵坐标，拟合现状期下的径流量预测计算式。

降雨因子组合拟合法为影响场次降雨产流的因子包括降雨量及雨强，为同时考虑两者对径流量的影响，将场次降雨量与平均雨强的乘积PI作为自变量，径流量作为因变量，拟合现状期下降雨因子与径流量的计算式。

上包络线法为尽可能考虑复杂不利条件的影响，选取场次降雨量与径流量关系图的上边缘点据，点绘现状期的上包络线并建立径流量预测计算式。

需要说明的是，场次降雨量拟合法、降雨因子组合拟合法和上包络法建立的径流量预测计算式，是根据实测点数据，定义自变量和因变量后，放到统计软件中进行非线性拟合，最终以决定性系数为评判标准择优选择径流量预测计算式，例：次降雨量拟合法为以场次暴雨降雨量为横坐标，场次径流量为纵坐标，输入序列后，显示二次项计算式拟合较好，所以最后计算式为W₁＝8×10^-5P²-0.003P+0.13，不同的区域计算式不同，也有可能是呈指数关系，三次关系等，主要抓住不同的降雨因子作为自变量，这是由本领域技术人员根据实际情况进行选择实施的。

为验证本发明所提出的方法能够对流域内暴雨情景下的径流量进行预测，选取汾河静乐站控制流域作为验证流域，流域内包括怀道、宁化堡和海子背等雨量站，场次径流量利用汾河静乐站记录数据。

数据选取的时间跨度为1971～2014年汛期场次产流降雨的相关数据，共89场数据，将其整理为时间间隔1h的降雨、径流过程数据，统计计算每场洪水的降雨量、洪量、降雨历时、平均雨强、各分时段雨量。

利用Mann-Kendall非参数秩次相关检验法对场次暴雨量和径流量序列进行了趋势性检验和突变性检验。场次极端暴雨量和对应的次洪量的UF_i分别为0.61和1.74(表1)，序列有上升趋势，但都没有通过显著性检验，表明其上升趋势不明显。无突变点，整个序列作为现状期。

表1流域场次暴雨洪水特征变化趋势检验

利用R/S分析法对场次暴雨量和径流量序列径流持续性分析。场次暴雨量和径流量序列的Hurst指数分别为0.61和0.71，均大于0.5，表明流域内的降雨径流序列在未来一段时间内仍持续为不显著增长趋势。可以用现状降雨径流序列预测未来场次暴雨下的可能径流量。

按照步骤S4建立次降雨量拟合法、降雨因子组合拟合法、次降雨分时段雨量拟合法、上包络线法对应的四种径流量预测计算式，见表2。并利用水文频率分析法和历史极端降雨组合法设计极端降雨情景，频率达到百年一遇和三百年一遇并带入计算式，与实际的同等量级场次降雨洪量对比发现，预测效果较好。

表2径流量预测计算式

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (6)

1.一种场次暴雨径流量预测方法，其特征在于，包括以下步骤：

S1、获取目标流域内的历史数据，所述历史数据具体为所述目标流域内所有雨量站和所有水文站中记载的降雨数据和洪水摘录表数据，并对所述历史数据进行预处理得到预处理数据；

S1中的预处理具体包括以下步骤：

S11、将所述降雨数据和洪水摘录表数据统一时间步长；

S12、根据统一时间步长后的各站点对应的降雨数据确定所述目标流域中场次降雨对应的场次降雨量；

S13、根据统一时间步长后的各站点对应的洪水摘录表确定所述目标流域中场次降雨对应的场次洪量；

S14、将大于50mm的场次降雨量对应的场次降雨和场次洪量分别组成场次降雨序列和场次洪量序列，并将所述场次降雨序列和所述场次洪量序列组合为所述预处理数据；

S2、基于曼肯德尔法划分出所述预处理数据的现状期并得到现状期数据；

S3、通过R/S分析法在所述现状期数据中确定出预测数据；

S4、基于所述预测数据对场次暴雨径流量进行预测。

2.如权利要求1所述的场次暴雨径流量预测方法，其特征在于，所述步骤S12中确定所述目标流域中场次降雨对应的场次降雨量具体通过泰森多边形法进行确定，所述泰森多边形法如下公式所示：

式中，P为场次降雨量，P_i为流域内第i个雨量站雨量，α_i为流域内第i个雨量站的面积权重系数，n为流域内雨量站个数。

3.如权利要求1所述的场次暴雨径流量预测方法，其特征在于，所述步骤S2具体包括以下分步骤：

S21、通过曼-肯德尔法判断所述预处理数据是否通过显著性检验，若是，则执行步骤S22，若否，则执行步骤S23；

S22、将所述预处理数据进行突变点检验，并以突变点检验结果为依据划分所述现状期以及所述现状期数据；

S23、将所述预处理数据作为所述现状期，并将所述预处理数据作为现状期数据。

4.如权利要求1所述的场次暴雨径流量预测方法，其特征在于，所述步骤S3具体为通过R/S分析法确定出所述现状期数据的赫斯特指数，并根据所述赫斯特指数确定出预测数据。

5.如权利要求1所述的场次暴雨径流量预测方法，其特征在于，所述步骤S4具体包括以下分步骤：

S41、基于所述预测数据，通过场次降雨量拟合法、降雨因子组合拟合法、场次降雨量分时段雨量拟合法和上包络法建立四种径流量预测计算式；

S42、基于所述场次降雨量拟合法、降雨因子组合拟合法、场次降雨量分时段雨量拟合法和上包络法建立的四种径流量预测计算式分别对场次暴雨径流量进行预测，并得到四个预测结果；

S43、基于所述四个预测结果确定所述场次暴雨径流量的预测区间，并将所述预测区间作为最终预测结果。

6.如权利要求5所述的场次暴雨径流量预测方法，其特征在于，所述场次降雨量分时段雨量拟合法建立的径流量预测计算式具体如下：

W＝K₁P₁+K₂P_2-1+K₃P_3-2+K₄P_4-3+K₅P_5-4+K₆P_6-5+K₇P_P-6+c；

式中，W为径流量预测值，P₁、P_2-1、P_3-2、P_4-3、P_5-4、P_6-5、P_P-6为各分时段雨量，K₁、K₂、K₃、K₄、K₅、K₆、K₇、c为方程拟合系数。

Images