CN114611290B - 一种基于量变参数水文不确定性处理器的场次洪水水文模型实时预报方法 - Google Patents

一种基于量变参数水文不确定性处理器的场次洪水水文模型实时预报方法 Download PDF

Info

Publication number
CN114611290B
CN114611290B CN202210237338.3A CN202210237338A CN114611290B CN 114611290 B CN114611290 B CN 114611290B CN 202210237338 A CN202210237338 A CN 202210237338A CN 114611290 B CN114611290 B CN 114611290B
Authority
CN
China
Prior art keywords
flood
field
hydrological
forecasting
flow
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
Application number
CN202210237338.3A
Other languages
English (en)
Other versions
CN114611290A (zh
Inventor
马海波
屈艳萍
常文娟
雷晓辉
康爱卿
刘冀
彭涛
徐宇航
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Three Gorges University CTGU
China Institute of Water Resources and Hydropower Research
Original Assignee
China Three Gorges University CTGU
China Institute of Water Resources and Hydropower Research
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Three Gorges University CTGU, China Institute of Water Resources and Hydropower Research filed Critical China Three Gorges University CTGU
Priority to CN202210237338.3A priority Critical patent/CN114611290B/zh
Publication of CN114611290A publication Critical patent/CN114611290A/zh
Application granted granted Critical
Publication of CN114611290B publication Critical patent/CN114611290B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Alarm Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于量变参数水文不确定性处理器的场次洪水水文模型实时预报方法，包括收集并整理研究流域的资料；构建水文模型；构建次洪预报模型；为组内各场次洪水分别设计目标函数；以目标函数最小为目标，利用目标函数优化算法对组内多场次洪水的目标函数同时进行优化，确定最优参数；确定实测流量过程和预报流量过程的边际分布和经验分布；推求转换空间上实测流量的先验密度函数和似然函数以及后验分布；推求原始空间场次洪水实测流量的后验分布函数；基于量变参数的水文不确定性处理器预报次洪径流过程。优点是：在流域全年场次洪水产汇流特性差异较大、调参者不具备丰富的调参经验的情况下，仍然能得到精度较高的实时洪水预报结果。

Description

一种基于量变参数水文不确定性处理器的场次洪水水文模型 实时预报方法
技术领域
本发明涉及水文预报技术领域，尤其涉及一种基于量变参数水文不确定性处理器的场次洪水水文模型实时预报方法。
背景技术
当前为了提高实时洪水预报的精度，分析水文预报的不确定性并根据水文预报的误差不断的修正水文模型预报结果是必不可少的步骤之一。现在广泛采用的修正水文模型预报结果的方法是采用自回归修正模型或贝叶斯修正模型，自回归修正模型通过建立水文变量自身的相关关系，通过实时观测的数据不断的修正模型参数，对水文变量进行实时预报。这种方法计算简便，操作性强，然而当水文变量前后时段的相关性不强的时候，这种方法模拟的精度较低。贝叶斯修正模型通过贝叶斯公式建立基于已知实测数据和水文模型预报数据的实测数据分布函数，从而得到实测数据的概率估计区间。该方法充分利用水文模型的预报数据以及已知的实测数据，具有较好的应用效果。
然而，该模型在应用时对实测流量、预报流量的先验分布以及似然函数依赖性较强，对于不同洪峰量级的洪水，次洪预报模型的参数不同，实测流量以及预报流量分布函数差异也较大，贝叶斯修正模型的精度往往较低。因此，需要一种基于量变参数水文不确定性处理器的预报方法实现场次洪水实时预报。
发明内容
本发明的目的在于提供一种基于量变参数水文不确定性处理器的场次洪水水文模型实时预报方法，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：
一种基于量变参数水文不确定性处理器的场次洪水水文模型实时预报方法，包括如下步骤，
S1、收集并整理研究流域的资料；
S2、构建适用于研究流域径流预报的日尺度的水文模型；
S3、构建适用于研究流域场次洪水预报的次洪预报模型，并基于日尺度的水文模型为次洪预报模型提供初始状态变量；
S4、基于次洪预报模型构建组内各场次洪水的目标函数；
S5、以目标函数最小为目标，利用目标函数优化算法对组内多场次洪水的目标函数同时进行优化，并基于次洪预报模型确定组内综合场次洪水水文模型的最优参数；
S6、基于最优参数确定实测流量过程和预报流量过程的边际分布和经验分布；
S7、推求转换空间上实测流量的先验密度函数和似然函数以及后验分布；
S8、推求原始空间场次洪水实测流量的后验分布函数；
S9、基于量变参数的水文不确定性处理器预报次洪径流过程。
优选的，步骤S1具体包括如下内容，
S11、收集研究流域内各雨量站的逐日降雨量系列以及降雨量摘录表、研究流域内水文站的逐日蒸发量系列、研究流域出口断面的日平均流量系列以及洪水要素摘录表；
S12、将场次洪水的径流过程通过线性插值的方法插值成时段长度为1小时的逐时段流量系列；将场次洪水过程的降雨量系列通过线性插值的方法插值成时段长度为1小时的逐时段降雨量系列；通过泰森多边形法或算数平均法计算研究流域的面平均雨量系列和面平均蒸发量系列。
优选的，步骤S2具体为，构建适用于研究流域径流预报的日尺度的水文模型，利用该水文模型计算研究流域各日的状态变量，以为研究流域的次洪预报模型提供初始状态变量；所述状态变量包括土壤含水量、产流面积比、自由水蓄水量。
优选的，步骤S3具体包括如下内容，
S31、构建适用于研究流域产汇流特性的次洪预报模型，并设置约束条件；
S32、以洪峰量级为分组条件对研究流域的场次洪水进行分组综合，选定具有代表性的各组场次洪水并确定各个场次洪水的起止时间；
S33、利用S2中构建的日尺度的水文模型计算各场次洪水的初始状态变量。
优选的，步骤S4具体为，根据对单场洪水的优化效果，为各场次洪水分别选择目标函数；所述目标函数为残差平方和函数或峰值加权均方根误差函数或洪量误差百分比函数或综合考虑洪峰洪量影响的综合函数。
优选的，步骤S5具体包括如下内容，
S51、选择基于超多目标大规模优化的优化算法，以各个目标函数最小为优化目标，对组内各场次洪水的目标函数同时进行优化，确定组内综合场次洪水水文模型最优参数的帕累托解；
S52、综合分析组内场次洪水水文模型最优参数的帕累托解，选择使率定期预报合格率最高的参数作为组内综合场次洪水水文模型的最优参数；
基于各场次洪水的初始状态变量，次洪预报模型采用马斯京根法或滞时演算法进行河道洪水演算进而确定率定期预报合格率；其中马斯京根法的约束条件为，
Figure BDA0003542797160000031
其中，k为当河道为恒定流时，洪水传播时间；x为流量比重系数；Δt为时段长度。
优选的，步骤S6具体包括如下内容，
S61、将步骤S5中获取的组内综合场次洪水水文模型的最优参数代入到次洪预报模型中，计算组内各场次洪水的逐时段径流过程，得到组内各场次洪水的预报流量系列S；
S62、按照数学期望公式分别计算该洪峰量级的场次洪水实测流量系列H和相应的预报流量系列S的经验分布；
S63、选定水文变量常用的边际分布系列，利用BIC准则选定与场次洪水实测流量系列以及相应的预报流量系列的经验分布拟合最好的边际分布分别作为该洪峰量级的场次洪水实测流量系列和相应的预报流量系列的理论边际分布函数，分别记为Γi和Λi；所述BIC准则的计算公式为，
BIC＝ln(n)k-2ln(L)
其中，BIC为某种边际分布的BIC值；n为样本数量，即该洪峰量级的场次洪水的总时段数；k为边际分布函数参数的个数；L为似然函数。
优选的，步骤S7具体为，将相同洪峰量级的场次洪水实测流量系列H和相应的预报流量系列S通过正态分位数转换方法转换至空间上的场次洪水实测流量系列W和相应的预报流量系列X，进而推求转换空间上实测流量的先验密度函数和似然函数以及后验分布；所述正态分位数转化的公式为，
Wi＝Q-1(Γi(Hi)), i＝1,2,…,12
Xi＝Q-1(Γi(Si)), i＝1,2,…,12
其中,Q为标准正态分布函数，i为第i个时段。
优选的，步骤S8具体为，通过雅克比公式将待预报的同一场次洪水的实测流量系列在转换空间上的后验分布转化为原始空间上的后验分布函数；所述雅克比公式为，
J(y)＝m(y)/q(Q-1(M(y)))
其中，m为场次洪水实测流量系列H的密度函数；y为待预报的同一洪峰量级的场次洪水实测流量系列H0；q为标准正态分布密度函数；Q为标准正态分布函数；M为场次洪水实测流量系列H的边缘分布函数Γ。
优选的，步骤S9具体为，将待预报的相同洪峰量级的场次洪水的时段长度为1小时的实测流量系列H0和次洪预报模型预报流量系列S1代入到步骤S8得到的原始空间场次洪水实测流量的后验分布中，通过随机抽样方法对该分布函数进行随机抽样，计算实测流量的50％、2.5％、97.5％的分位数，以50％的分位数作为水文不确定处理器实时流量的预报结果，以2.5％和97.5％的分位数作为实时流量预报的95％置信区间的上限和下限。
本发明的有益效果是：1、采用基于超多目标大规模优化的优化算法同时对同一量级的所有场次洪水的目标函数进行优化，利用优化后的水文模型计算各场次洪水的预报流量，从而建立基于该洪峰量级的水文不确定性处理器，通过建立的水文不确定性处理器对待预报的场次洪水进行实时预报。2、在流域全年场次洪水产汇流特性差异较大、调参者不具备丰富的调参经验的情况下，通过较简单的操作，仍然能得到精度较高的实时洪水预报结果。
附图说明
图1是本发明实施例中实时预报方法的流程示意图；
图2是本发明实施例中大坡岭以上流域的泰森多边形及个水文站位置示意图；
图3是本发明实施例中日尺度水文模型的计算结果示意图；
图4是本发明实施例中帕累托前沿示意图；
图5是本发明实施例中帕累托前沿所对应的水文模型参数值示意图；
图6是本发明实施例中次洪实测流量边际分布曲线示意图；
图7是本发明实施例中次洪预报流量边际分布曲线示意图；
图8是本发明实施例中次洪预报模型的预报结果示意图；
图9是本发明实施例中水文不确定性处理器的预报结果示意图。
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。
实施例一
如图1所示，本实施例中，提供了一种基于量变参数水文不确定性处理器的场次洪水水文模型实时预报方法，包括如下步骤，
S1、收集并整理研究流域的资料；
S2、构建适用于研究流域径流预报的日尺度的水文模型；
S3、构建适用于研究流域场次洪水预报的次洪预报模型，并基于日尺度的水文模型为次洪预报模型提供初始状态变量；
S4、基于次洪预报模型构建组内各场次洪水的目标函数；
S5、以目标函数最小为目标，利用目标函数优化算法对组内多场次洪水的目标函数进行优化，并基于次洪预报模型确定组内综合场次洪水水文模型的最优参数；
S6、基于最优参数确定实测流量过程和预报流量过程的边际分布和经验分布；
S7、推求转换空间上实测流量的先验密度函数和似然函数以及后验分布；
S8、推求原始空间场次洪水实测流量的后验分布函数；
S9、基于量变参数的水文不确定性处理器预报次洪径流过程。
本实施例中，实时预报方法具体包括九个部分，分别是资料的收集与整编、构建水文模型、构建次洪预报模型、设定目标函数、对组内多场次洪水的目标函数同时进行优化、确定实测流量过程和预报流量过程的边际分布和经验分布、推求转换空间上实测流量的先验密度函数和似然函数以及后验分布、推求原始空间实测流量的后验分布函数、基于量变参数的水文不确定性处理器预报次洪径流过程。下面分别针对这九部分内容进行详细的解释说明。
一、资料的收集与整编
该部分对应步骤S1，具体包括如下内容，
S11、收集研究流域内各雨量站的逐日降雨量系列以及降雨量摘录表、研究流域内水文站的逐日蒸发量系列、研究流域出口断面的日平均流量系列以及洪水要素摘录表；
S12、将场次洪水的径流过程通过线性插值的方法插值成时段长度为1小时的逐时段流量系列；将场次洪水过程的降雨量系列通过线性插值的方法插值成时段长度为1小时的逐时段降雨量系列；通过泰森多边形法或算数平均法等面平均雨量计算方法计算研究流域的面平均雨量系列；通过泰森多边形法或算数平均法等方法计算研究流域面平均蒸发量系列。
二、构建水文模型
该部分对应步骤S2，具体为，构建适用于研究流域径流预报的日尺度的水文模型，利用该水文模型计算研究流域各日的状态变量，包括土壤含水量、产流面积比、自由水需水量等。
构建的日尺度水文模型能够为研究流域的次洪预报模型提供初始状态变量。
三、构建次洪预报模型
该部分对应步骤S3，具体包括如下内容，
S31、构建适用于研究流域产汇流特性的次洪预报模型，并设置约束条件；
S32、以洪峰量级为分组条件对研究流域的场次洪水进行分组综合，选定具有代表性的各组场次洪水并确定各个场次洪水的起止时间；
S33、利用S2中构建的日尺度的水文模型计算各场次洪水的初始状态变量。
四、设定目标函数
该部分对应步骤S4，具体为，根据对单场洪水的优化效果，为各场次洪水分别选择目标函数；所述目标函数为残差平方和函数或峰值加权均方根误差函数或洪量误差百分比函数或综合考虑洪峰洪量影响的综合函数。
目标函数可以根据单场洪水的优化效果进行选择，组内有几场洪水就设计几个目标函数，各个场次洪水的目标函数根据实际需要可以不同或相同。
五、对组内多场次洪水的目标函数同时进行优化
该部分对应步骤S5，具体包括如下内容，
S51、选择基于超多目标大规模优化的优化算法，以各个目标函数最小为优化目标，同时对组内各场次洪水的目标函数进行优化，确定组内场次洪水水文模型最优参数的帕累托解；
S52、综合分析组内场次洪水水文模型最优参数的帕累托解，选择使率定期预报合格率最高的参数作为组内综合场次洪水水文模型的最优参数；
每场洪水有一个目标函数，组内有n场洪水就有n个目标函数，选择基于超多目标大规模优化的优化算法，比如基于竞争群优化器的高效大规模多目标优化算法，以各个目标函数最小为优化目标，同时对组内各场次洪水的目标函数进行优化，确定组内场次洪水水文模型的最优参数的帕托累解，综合分析选择使率定期预报合格率最高的参数作为组内综合场次洪水水文模型的最优参数。
基于超多目标大规模优化的优化算法能够同时优化3场以上的洪水的目标函数，同时，对于场次洪水水文模型的参数在100个以上的情况也能够优化。
步骤S52中，基于各场次洪水的初始状态变量，次洪预报模型采用马斯京根法或滞时演算法进行河道洪水演算进而确定率定期预报合格率；其中马斯京根法的约束条件为，
Figure BDA0003542797160000071
其中，k为当河道为恒定流时，洪水传播时间；x为流量比重系数；Δt为时段长度。
六、确定实测流量过程和预报流量过程的边际分布和经验分布
该部分对应步骤S6，具体包括如下内容，
S61、将步骤S5中获取的组内综合场次洪水水文模型的最优参数代入到次洪预报模型中，计算组内各场次洪水的逐时段径流过程，得到组内各场次洪水的预报流量系列S；
S62、按照数学期望公式分别计算该洪峰量级的场次洪水实测流量系列H和相应的预报流量系列S的经验分布；
S63、选定水文变量常用的边际分布系列，利用BIC准则选定与场次洪水实测流量系列以及相应的预报流量系列的经验分布拟合最好的边际分布分别作为该洪峰量级的场次洪水实测流量系列和相应的预报流量系列的理论边际分布函数，分别记为Γi和Λi；所述BIC准则的计算公式为，
BIC＝ln(n)k-2ln(L)
其中，BIC为某种边际分布的BIC值；n为样本数量，即该洪峰量级的场次洪水的总时段数；k为边际分布函数参数的个数；L为似然函数。
所选边际分布包括但不限于以下分布：β分布、指数分布、极值分布、伽马分布、广义极值分布、反高斯分布、Logistic分布、对数Logistic分布分布、对数正态分布、Nakagami分布，正态分布、Rayleigh分布、Rician分布、广义帕累托分布、考虑位置和尺度的t分布、威布尔分布、对数威布尔分布等。
七、推求转换空间上实测流量的先验密度函数和似然函数以及后验分布
该部分对应步骤S7，具体为，将相同洪峰量级的场次洪水实测流量系列H和相应的预报流量系列S通过正态分位数转换方法转换至空间上的场次洪水实测流量系列W和相应的预报流量系列X，进而推求转换空间上实测流量的先验密度函数和似然函数以及后验分布；所述正态分位数转化的公式为，
Wi＝Q-1(Γi(Hi)), i＝1,2,…,12
Xi＝Q-1(Γi(Si)), i＝1,2,…,12
其中,Q为标准正态分布函数，i为第i个时段。
八、推求原始空间实测流量的后验分布函数
该部分对应步骤S8，具体为，通过雅克比公式将待预报的同一场次洪水的实测流量系列在转换空间上的后验分布转化为原始空间上的后验分布函数；所述雅克比公式为，
J(y)＝m(y)/q(Q-1(M(y)))
其中，m为场次洪水实测流量系列H的密度函数；y为待预报的同一洪峰量级的场次洪水实测流量系列H0；q为标准正态分布密度函数；Q为标准正态分布函数；M为场次洪水实测流量系列H的边缘分布函数Γ。
九、基于量变参数的水文不确定性处理器预报次洪径流过程
该部分对应步骤S9，具体为，将待预报的相同洪峰量级的场次洪水的时段长度为1小时的实测流量系列H0和次洪预报模型预报流量系列S1代入到步骤S8得到的原始空间场次洪水实测流量的后验分布中，通过随机抽样方法对该分布函数进行随机抽样，计算实测流量的50％、2.5％、97.5％的分位数，以50％的分位数作为水文不确定处理器实时流量的预报结果，以2.5％和97.5％的分位数作为实时流量预报的95％置信区间的上限和下限。
实施例二
本实施例中，以淮河上游大坡岭流域场次洪水实时预报为实例，以表现本发明达到的效果。
大坡岭站是淮河干流最上游的水文站，控制流域面积1640平方公里。大坡岭以上河流长73公里，流域内多为山区丘陵，植被良好。河流属山溪性河流，支流多，坡度大，汇流快，水流急，干旱时易断流。流域内水利工程不多，农作物以水稻为主。大坡岭以上流域有4个水文站。实施例以起止时间为1999年1月1日至2009年12月31日4个水文站的逐日降雨量资料，桐柏站的逐日蒸发量、大坡岭站的逐日流量资料、四场洪峰流量大于1500m3/s的场次洪水径流数据以及相对应的降雨摘录数据、蒸发量数据等为基础，对大坡岭以上流域的洪峰流量大于1500m3/s的场次洪水的径流过程进行实时预报。本实施例基于量变参数水文不确定处理器的场次洪水水文模型实时预报方法的步骤如下：
一、资料的收集与整编
收集1999年1月1日至2009年12月31日流域内4个水文站的逐日各雨量数据、桐柏站的逐日蒸发量数据、大坡岭站的逐日平均流量数据。选取洪峰流量大于1500m3/s的4场次洪水径流数据以及相对应的降雨摘录数据，通过线性插值方法将场次洪水径流过程插值成时段长度为1小时的径流过程、将流域内各雨量站的降雨量摘录数据插值成时程长度为1小时的降雨过程；收集大坡岭水文站以上流域的DEM数据，4个水文站的经纬度数据，利用GIS软件提取流域水系图，获取流域面积数据，划分泰森多边形确定各水文站的面积权重，计算流域的平均面雨量系列。大坡岭以上流域的泰森多边形图及个水文站位置见附图2。通过计算，四个雨量站的泰森多边形权重如下表1所示：
表1各水文站泰森多边形权重
桐柏 吴城 黄冈 大坡岭
0.26 0.29 0.32 0.13
二、构建水文模型
构建适用于大坡岭流域径流预报的日尺度的水文模型，产流模块采用蓄满产流模式，蒸发模块采用三层蒸发模式，坡地汇流、壤中流汇流、地下径流汇流计算均采用线性水库法，单元出流采用滞时演算法。构建的日尺度水文模型计算结果见附图3。利用该模型计算步骤一的4场洪水的初始状态变量，包括上下深层的土壤含水量、产流面积比、初始自由水蓄水量。比如20020623号洪水的初始状态变量分别为上层土壤含水量WU＝3.49mm；下层土壤蓄水量为WL＝5.54mm；深层土壤蓄水量为WD＝0mm；产流面积比FR＝0.17；初始自由水蓄水量S＝0.18mm。
三、构建次洪预报模型
构建适用于大坡岭流域的次洪预报模型，计算时段长度取1小时，产流模块采用蓄满产流模式，蒸发模块采用三层蒸发模式，坡地汇流采用单位线计算法，壤中流汇流、地下径流汇流计算采用线性水库法，单元出流采用滞时演算法。次洪初始状态变量采用第二步中的计算结果。
四、设定目标函数
四场洪水均采用峰值加权均方根误差函数作为目标函数。峰值加权均方根误差函数为
Figure BDA0003542797160000101
其中，f为均值加权均方根误差函数；NQ为计算的过程线纵坐标数目；q0(i)为实测场次洪水在第i时刻的流量；qs(i)为用所选的模型参数计算的产出给i洪水在第i时刻的流量；q0(mean)为实测场次洪水流量的平均值。
五、对组内多场次洪水的目标函数同时进行优化
采用基于竞争群优化器的高效大规模多目标优化算法对四场洪水的目标函数同时进行优化，优化的帕累托前沿如图4所示。帕累托前沿对应的各组水文模型参数如图5所示。选择第4组参数作为最终的次洪水文模型参数，20020623号洪水的预报结果的确定性系数为0.96；20050626号洪水预报结果的确定性系数为0.94；20050710号洪水预报结果的确定性系数为0.94；20050829号洪水预报结果的确定性系数为0.96。
六、确定实测流量过程和预报流量过程的边际分布和经验分布
根据BIC准则，20020623号、20050626号、20050710号、20050829号洪水的实测流量服从广义帕累托分布，分布函数形式为
Figure BDA0003542797160000111
Figure BDA0003542797160000112
参数为k＝1.211；σ＝34.1363；θ＝3.63，次洪实测流量边际分布曲线见附图6；上述四场洪水的次洪预报模型预报流量服从威布尔分布，分布函数形式为
Figure BDA0003542797160000115
参数为a＝104.799,b＝0.5198,次洪预报流量边际分布曲线见附图7。
七、推求转换空间上实测流量的先验密度函数和似然函数以及后验分布
场次洪水的实测径流系列在转换空间上的先验密度函数为
Figure BDA0003542797160000113
其中，小标Q为在转换空间内的先验密度函数；w0为预报面临时刻的实测数据在转换空间上的值；w1为面临时刻1小时后的实测流量在转换空间上的值；q为标准正态分布密度函数。
转换空间上的似然函数为
Figure BDA0003542797160000114
其中，x1为表示面临时刻1小时后的预报流量在转换空间上的值。
八、推求原始空间实测流量的后验分布函数
待预报的20030630号洪水实测径流过程在原始空间的后验分布函数为：
Figure BDA0003542797160000121
其中，h0为预报面临时刻的实测数据在原空间上的值；h1为面临时刻1小时后的实测流量在原空间上的值。s1为面临时刻1小时后的预报流量在原空间上的值。
九、基于量变参数的水文不确定性处理器预报次洪径流过程
20030630号洪水次洪预报模型的预报结果如附图8所示，基于时变参数水文不确定性处理器的预报结果如附图9所示。经计算通过新安江模型对大坡岭流域20020630号洪水预报纳什系数为0.93，通过基于时变参数水文不确定性处理器预报的纳什系数为0.96，精度提高效果显著。
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：
本发明提供了一种基于量变参数水文不确定性处理器的场次洪水水文模型实时预报方法，该方法采用基于超多目标大规模优化的优化算法同时对同一量级的所有场次洪水的目标函数同时进行优化，利用优化后的水文模型计算各场次洪水的预报流量，从而建立基于该洪峰量级的水文不确定性处理器，通过建立的水文不确定性处理器对待预报的场次洪水进行实时预报。该方法在流域全年场次洪水产汇流特性差异较大、调参者不具备丰富的调参经验的情况下，通过较简单的操作，仍然能得到精度较高的实时洪水预报结果。
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 (8)

1.一种基于量变参数水文不确定性处理器的场次洪水水文模型实时预报方法，其特征在于：包括如下步骤，
S1、收集并整理研究流域的资料；
S2、构建适用于研究流域径流预报的日尺度的水文模型；
S3、构建适用于研究流域场次洪水预报的次洪预报模型，并基于日尺度的水文模型为次洪预报模型提供初始状态变量；
S4、基于次洪预报模型构建组内各场次洪水的目标函数；
S5、以目标函数最小为目标，利用目标函数优化算法对组内多场次洪水的目标函数同时进行优化，并基于次洪预报模型确定组内综合场次洪水水文模型的最优参数；步骤S5具体包括如下内容，
S51、选择基于超多目标大规模优化的优化算法，以各个目标函数最小为优化目标，对组内各场次洪水的目标函数同时进行优化，确定组内综合场次洪水水文模型最优参数的帕累托解；
S52、综合分析组内场次洪水水文模型最优参数的帕累托解，选择使率定期预报合格率最高的参数作为组内综合场次洪水水文模型的最优参数；
基于各场次洪水的初始状态变量，次洪预报模型采用马斯京根法或滞时演算法进行河道洪水演算进而确定率定期预报合格率；其中马斯京根法的约束条件为：
Figure FDA0004012192020000011
其中，k为当河道为恒定流时，洪水传播时间；x为流量比重系数；Δt为时段长度；
S6、基于最优参数确定实测流量过程和预报流量过程的边际分布和经验分布；
步骤S6具体包括如下内容，
S61、将步骤S5中获取的组内综合场次洪水水文模型的最优参数代入到次洪预报模型中，计算组内各场次洪水的逐时段径流过程，得到组内各场次洪水的预报流量系列S；
S62、按照数学期望公式分别计算各洪峰量级的场次洪水实测流量系列H和相应的预报流量系列S的经验分布；
S63、选定水文变量常用的边际分布系列，利用BIC准则选定与场次洪水实测流量系列以及相应的预报流量系列的经验分布拟合最好的边际分布分别作为该洪峰量级的场次洪水实测流量系列和相应的预报流量系列的理论边际分布函数，分别记为Γi和Λi；所述BIC准则的计算公式为：
BIC＝ln(n)k-2ln(L)
其中，BIC为某种边际分布的BIC值；n为样本数量，即该洪峰量级的场次洪水的总时段数；k为边际分布函数参数的个数；L为似然函数；
S7、推求转换空间上实测流量的先验密度函数和似然函数以及后验分布；
S8、推求原始空间场次洪水实测流量的后验分布函数；
S9、基于量变参数的水文不确定性处理器预报次洪径流过程。
2.根据权利要求1所述的基于量变参数水文不确定性处理器的场次洪水水文模型实时预报方法，其特征在于：步骤S1具体包括如下内容，
S11、收集研究流域内各雨量站的逐日降雨量系列以及降雨量摘录表、研究流域内水文站的逐日蒸发量系列、研究流域出口断面的日平均流量系列以及洪水要素摘录表；
S12、将场次洪水的径流过程通过线性插值的方法插值成时段长度为1小时的逐时段流量系列；将场次洪水过程的降雨量系列通过线性插值的方法插值成时段长度为1小时的逐时段降雨量系列；通过泰森多边形法或算数平均法计算研究流域的面平均雨量系列和面平均蒸发量系列。
3.根据权利要求1所述的基于量变参数水文不确定性处理器的场次洪水水文模型实时预报方法，其特征在于：步骤S2具体为，构建适用于研究流域径流预报的日尺度的水文模型，利用该水文模型计算研究流域各日的状态变量，以为研究流域的次洪预报模型提供初始状态变量；所述状态变量包括土壤含水量、产流面积比、自由水蓄水量。
4.根据权利要求1所述的基于量变参数水文不确定性处理器的场次洪水水文模型实时预报方法，其特征在于：步骤S3具体包括如下内容，
S31、构建适用于研究流域产汇流特性的次洪预报模型，并设置约束条件；
S32、以洪峰量级为分组条件对研究流域的场次洪水进行分组综合，选定具有代表性的各组场次洪水并确定各个场次洪水的起止时间；
S33、利用S2中构建的日尺度的水文模型计算各场次洪水的初始状态变量。
5.根据权利要求1所述的基于量变参数水文不确定性处理器的场次洪水水文模型实时预报方法，其特征在于：步骤S4具体为，根据对单场洪水的优化效果，为各场次洪水分别选择目标函数；所述目标函数为残差平方和函数或峰值加权均方根误差函数或洪量误差百分比函数或综合考虑洪峰洪量影响的综合函数。
6.根据权利要求1所述的基于量变参数水文不确定性处理器的场次洪水水文模型实时预报方法，其特征在于：步骤S7具体为，将相同洪峰量级的场次洪水实测流量系列H和相应的预报流量系列S通过正态分位数转换方法转换至空间上的场次洪水实测流量系列W和相应的预报流量系列X，进而推求转换空间上实测流量的先验密度函数和似然函数以及后验分布；所述正态分位数转化的公式为：
Wi＝Q-1(Γi(Hi)),i＝1,2,…,12
Xi＝Q-1(Γi(Si)),i＝1,2,…,12
其中,Q为标准正态分布函数，i为第i个时段。
7.根据权利要求6所述的基于量变参数水文不确定性处理器的场次洪水水文模型实时预报方法，其特征在于：步骤S8具体为，通过雅克比公式将待预报的同一场次洪水的实测流量系列在转换空间上的后验分布转化为原始空间上的后验分布函数；所述雅克比公式为：
J(y)＝m(y)/q(Q-1(M(y)))
其中，m为场次洪水实测流量系列H的密度函数；y为待预报的同一洪峰量级的场次洪水实测流量系列；q为标准正态分布密度函数；Q为标准正态分布函数；M为场次洪水实测流量系列H的边缘分布函数。
8.根据权利要求7所述的基于量变参数水文不确定性处理器的场次洪水水文模型实时预报方法，其特征在于：步骤S9具体为，将待预报的相同洪峰量级的场次洪水的时段长度为1小时的实测流量系列和与其相应的次洪预报模型预报流量系列代入到步骤S8得到的原始空间场次洪水实测流量的后验分布中，通过随机抽样方法对该分布函数进行随机抽样，计算实测流量的50％、2.5％、97.5％的分位数，以50％的分位数作为水文不确定处理器实时流量的预报结果，以2.5％和97.5％的分位数作为实时流量预报的95％置信区间的上限和下限。
CN202210237338.3A 2022-03-11 2022-03-11 一种基于量变参数水文不确定性处理器的场次洪水水文模型实时预报方法 Active CN114611290B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210237338.3A CN114611290B (zh) 2022-03-11 2022-03-11 一种基于量变参数水文不确定性处理器的场次洪水水文模型实时预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210237338.3A CN114611290B (zh) 2022-03-11 2022-03-11 一种基于量变参数水文不确定性处理器的场次洪水水文模型实时预报方法

Publications (2)

Publication Number Publication Date
CN114611290A CN114611290A (zh) 2022-06-10
CN114611290B true CN114611290B (zh) 2023-03-10

Family

ID=81862492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210237338.3A Active CN114611290B (zh) 2022-03-11 2022-03-11 一种基于量变参数水文不确定性处理器的场次洪水水文模型实时预报方法

Country Status (1)

Country Link
CN (1) CN114611290B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105868534A (zh) * 2016-03-24 2016-08-17 大连理工大学 一种基于多目标优化抽样的水文模型不确定性分析方法
CN107423546A (zh) * 2017-04-18 2017-12-01 武汉大学 基于Copula函数的多变量水文不确定性处理方法
CN107729695A (zh) * 2017-11-21 2018-02-23 中国水利水电科学研究院 一种用于小流域次洪模拟的水文模型率定方法
CN109635435A (zh) * 2018-12-12 2019-04-16 中山大学 一种基于贝叶斯理论的天然河道水位流量关系确定方法
CN109993372A (zh) * 2019-04-12 2019-07-09 淮河水利委员会水文局(信息中心) 一种基于多源不确定性的洪水概率预报方法
CN111126699A (zh) * 2019-12-25 2020-05-08 华中科技大学 一种考虑降雨量等级的水文预报方法及系统
CN113221342A (zh) * 2021-04-30 2021-08-06 天津大学 一种小流域洪水自适应智能组网预报方法
CN113887787A (zh) * 2021-09-15 2022-01-04 大连理工大学 一种基于长短时记忆网络和nsga-ii算法的洪水预报模型参数多目标优化方法
CN114091277A (zh) * 2021-11-25 2022-02-25 三峡大学 一种考虑初始状态变量影响的新安江模型参数率定方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542169B (zh) * 2012-01-09 2014-10-22 中国科学院地理科学与资源研究所 一种在水文频率计算过程中进行线型选择的方法
US10962682B2 (en) * 2015-12-15 2021-03-30 Wuhan University System and method for forecasting floods
CN109815305B (zh) * 2019-01-18 2020-01-14 三峡大学 一种无资料地区场次洪水径流过程反演的方法
CN113723024B (zh) * 2021-08-30 2024-04-05 浙江大学 一种适用于滨海地区的“溪流”-“河道”-“河口”分布式洪水过程模拟方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105868534A (zh) * 2016-03-24 2016-08-17 大连理工大学 一种基于多目标优化抽样的水文模型不确定性分析方法
CN107423546A (zh) * 2017-04-18 2017-12-01 武汉大学 基于Copula函数的多变量水文不确定性处理方法
CN107729695A (zh) * 2017-11-21 2018-02-23 中国水利水电科学研究院 一种用于小流域次洪模拟的水文模型率定方法
CN109635435A (zh) * 2018-12-12 2019-04-16 中山大学 一种基于贝叶斯理论的天然河道水位流量关系确定方法
CN109993372A (zh) * 2019-04-12 2019-07-09 淮河水利委员会水文局(信息中心) 一种基于多源不确定性的洪水概率预报方法
CN111126699A (zh) * 2019-12-25 2020-05-08 华中科技大学 一种考虑降雨量等级的水文预报方法及系统
CN113221342A (zh) * 2021-04-30 2021-08-06 天津大学 一种小流域洪水自适应智能组网预报方法
CN113887787A (zh) * 2021-09-15 2022-01-04 大连理工大学 一种基于长短时记忆网络和nsga-ii算法的洪水预报模型参数多目标优化方法
CN114091277A (zh) * 2021-11-25 2022-02-25 三峡大学 一种考虑初始状态变量影响的新安江模型参数率定方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
The effect of rain gauge density and distribution on runoff simulation using a lumped hydrological modelling approach;Qiang Zeng et al;《Journal of Hydrology》;20180831;全文 *
不同目标函数和时间尺度下水文模拟比较研究;揭梦璇;《中国优秀硕士学位论文全文数据库电子期刊 基础科学辑》;20200615;第2020年卷(第6期);全文 *
基于AREM模式的贝叶斯洪水概率预报试验;殷志远 等;《暴雨灾害》;20120331;第31卷(第1期);全文 *
径流分类组合预报方法及其应用研究;刘冀;《中国博士学位论文全文数据库电子期刊 工程科技II辑》;20090515;第2009年卷(第5期);参见摘要、第2.3、4.2、6.5-6.6节 *

Also Published As

Publication number Publication date
CN114611290A (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
Han et al. Crop evapotranspiration prediction by considering dynamic change of crop coefficient and the precipitation effect in back-propagation neural network model
Wu et al. Projected climate change impacts on the hydrology and temperature of Pacific Northwest rivers
CN102289570B (zh) 基于降雨-径流-洪水演进计算的洪水预报方法
CN110598290B (zh) 考虑气候变化的流域未来水电发电能力预测方法和系统
Tatsumi et al. Effect of irrigation water withdrawals on water and energy balance in the Mekong River Basin using an improved VIC land surface model with fewer calibration parameters
CN106991278A (zh) 一种集合降水预报与实时洪水概率预报的耦合方法
CN109815305A (zh) 一种无资料地区场次洪水径流过程反演的方法
CN112765800A (zh) 一种分布式水资源配置模型的设计方法
CN104281780B (zh) 线性水库滞留汇流及嵌套流域（多子流域）汇流方法
CN111914432A (zh) 一种基于大数据的水文预报方法
CN110928965B (zh) 一种基于流域精细分类的多模型灵活架构的模拟方法
CN102419788A (zh) 基于渗蓄一体化动态产流机制的分布式水文模型的设计方法
CN107463730A (zh) 一种考虑土地利用时空演变的径流变化归因识别方法
CN105320827A (zh) 降雨径流预报系统
CN112686426B (zh) 一种基于水电站流域关键点的来水量预警方法及系统
CN112700068B (zh) 基于机器学习融合多源遥感数据的水库调度规则优化方法
CN113065090B (zh) 一种区域农田灌溉用水量分析计算方法
Chea et al. Flow simulation in an ungauged catchment of Tonle Sap Lake Basin in Cambodia: Application of the HEC-HMS model
CN114091277B (zh) 一种考虑初始状态变量影响的新安江模型参数率定方法
Leta et al. Parameter uncertainty analysis for streamflow simulation using SWAT model in Nashe Watershed, Blue Nile River Basin, Ethiopia
Kaur et al. Impact of climate change on groundwater levels in Sirhind Canal Tract of Punjab, India
CN116305933B (zh) 一种基于dem数据的坡面产汇流简易计算方法及装置
CN114611290B (zh) 一种基于量变参数水文不确定性处理器的场次洪水水文模型实时预报方法
CN106355264A (zh) 一种参考作物腾发量组合预测方法
CN113435630B (zh) 一种产流模式自适应的流域水文预报方法及系统

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Ma Haibo

Inventor after: Qu Yanping

Inventor after: Chang Wenjuan

Inventor after: Lei Xiaohui

Inventor after: Kang Aiqing

Inventor after: Liu Ji

Inventor after: Peng Tao

Inventor after: Xu Yuhang

Inventor before: Ma Haibo

Inventor before: Chang Wenjuan

Inventor before: Lei Xiaohui

Inventor before: Kang Aiqing

Inventor before: Liu Ji

Inventor before: Peng Tao

Inventor before: Xu Yuhang

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20221215

Address after: 443002 No. 8, University Road, Yichang, Hubei

Applicant after: CHINA THREE GORGES University

Applicant after: China Institute of Water Resources and Hydropower Research

Address before: 443002 No. 8, University Road, Yichang, Hubei

Applicant before: CHINA THREE GORGES University

GR01 Patent grant
GR01 Patent grant