CN114676882B - 一种水文多模型时变权重组合预报方法 - Google Patents
一种水文多模型时变权重组合预报方法 Download PDFInfo
- Publication number
- CN114676882B CN114676882B CN202210193958.1A CN202210193958A CN114676882B CN 114676882 B CN114676882 B CN 114676882B CN 202210193958 A CN202210193958 A CN 202210193958A CN 114676882 B CN114676882 B CN 114676882B
- Authority
- CN
- China
- Prior art keywords
- flood
- preset
- historical
- hydrological
- moment
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 24
- 230000009466 transformation Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 9
- 230000000630 rising effect Effects 0.000 claims description 9
- 150000001875 compounds Chemical class 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000006424 Flood reaction Methods 0.000 description 4
- 238000007418 data mining Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 208000028659 discharge Diseases 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种水文多模型时变权重组合预报方法,步骤如下:确定参与组合预报的多个水文模型,并获取目标流域各历史洪水场次中各水文气象数据;利用贝叶斯模型平均算法计算各历史洪水中各时刻单个水文模型的权重值;筛选出与当前洪水最为相似的各优选洪水样本;利用KNN方法选择与当前洪水匹配度最高的k个洪水样本,通过反距离加权的思想得到各个水文模型的预报权重值,结合各个水文模型在预报时刻的洪水流量预报值进行加权求和得到目标流域的融合洪水流量预报值,实现对目标流域洪水流量的预报。本发明通过贝叶斯理论将多个水文模型融合预报,借助KNN学习算法实现时变权重的更新组合,提高洪水预报值的精度,为防洪决策提供依据。
Description
技术领域
本发明属于水文技术领域,具体涉及一种水文多模型时变权重组合预报方法。
背景技术
中长期径流预报对防汛抗旱、水资源管理以及水利工程的调度运行具有重要意义,而降水、下垫面条件、水利工程建设以及气候环境等多重影响因素的耦合作用增大了中长期预报的不确定性,因此如何提高中长期径流预报的精度是水文领域的重难点之一。
当今大数据时代,数据挖掘技术引起了广大学者的关注。KNN(K-NearestNeighbor)邻近算法作为经典的数据分类方法,可以有效组织和管理大量文本数据,目前在天气预报、智能学习等多个领域得到广泛应用。KNN方法思路简单,逻辑清晰,易于理解和实现,且不需要估计参数,但是不足之处在于分类过程中需要计算每个样本的欧式距离,计算量巨大而耗费大量的时间,导致效率低下。
组合预报中不同的权重组合得到的预报结果精度也不相同,与仅使用一组权重值预报的结果相比,在洪水过程中分段选取多组权重值进行预报的结果精度要好得多。目前基于临近时段预报误差确定模型权重的时变组合已被提出应用,但该方法仅考虑了当前场次洪水的部分实测数据,历史发生的多场洪水数据没有任何参考价值,因此预报结果具有片面性,精度较差,且该方法随着预见期的延长,实时预报精度逐渐下降,对于研究范围较大、洪水预见期较长的流域而言,其预报的精度往往达不到要求。
发明内容
本发明为了解决中长期径流预报中对历史大数据应用性差、预报精度低的问题,提供一种水文多模型时变权重组合预报方法,充分考虑所有历史场次洪水过程资料,实现多个水文模型时变加权组合预报,提高预报精度。
本发明具体采用以下技术方案解决上述技术问题:
一种水文多模型时变权重组合预报方法,针对目标流域,执行以下步骤,实现对目标流域洪水流量的预报:
步骤A:获取目标流域各历史洪水场次中各预设时刻洪水样本的下垫面数据、降雨数据、气象数据、洪水流量实测值;
分别针对目标流域各历史洪水场次,预设各个水文模型分别遍历该历史洪水场次中各预设时刻洪水样本,得到该历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的洪水流量预报值;
步骤B:基于目标流域各历史洪水场次中各预设时刻洪水样本的洪水流量实测值,以及各历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的洪水流量预报值,采用贝叶斯模型平均算法得到目标流域各历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的历史权重值;
步骤C:基于目标流域各历史洪水场次中各预设时刻洪水样本的下垫面数据、降雨数据、气象数据,针对目标流域洪水在当前时刻的下垫面数据、降雨数据、气象数据,从目标流域各历史洪水场次中各预设时刻洪水样本中筛选出分别满足下垫面数据预设条件、降雨数据预设条件、气象数据预设条件的各初步洪水样本;并通过各个水文模型对当前洪水时刻的洪水流量预报值设置阈值进一步筛选各初步洪水样本得到各优选洪水样本;
步骤D:利用KNN方法从步骤C中筛选得到的各优选洪水样本中选择与当前洪水匹配度最高的预设k个洪水样本;基于各预设k个洪水样本的预报时刻洪水样本的历史权重值,结合反距离加权的思想,分别得到各个水文模型在当前洪水时刻对预报时刻的预报权重值,进而对各水文模型的预报权重值与各个水文模型在当前时刻对预报时刻的洪水流量预报值进行加权求和得到目标流域的融合洪水流量预报值,实现对目标流域洪水流量的预报。
作为本发明的一种优选技术方案,所述步骤B中基于目标流域各历史洪水场次中各预设时刻洪水样本的洪水流量实测值,以及各历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的洪水流量预报值,分别针对目标流域各历史洪水场次,各个水文模型分别执行以下步骤,得到目标流域各历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的权重值:采用贝叶斯模型平均算法得到目标流域各历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的历史权重值;
步骤B1,基于该历史洪水场次中各预设时刻洪水样本的洪水流量实测值Qre,以及该历史洪水场次中各预设时刻洪水样本对应该水文模型的洪水流量预报值Qsi,通过Box-Cox变换对该历史洪水场次中的各洪水流量实测值和该水文模型对应的各洪水流量预报值分别进行正态变换,得到洪水流量实测值的正态变换值Qre,λ,以及洪水流量预报值的正态变换值Qsi,λ,并计算该水文模型对应的各洪水流量预报值的正态变换值的均值μ和方差σ;
步骤B2:计算该水文模型在该历史洪水场次中各预设时刻的先验概率P(Mt,i):
式中,P(Mt,i)为该历史洪水场次中第t个预设时刻第i个水文模型Mt,i的先验概率,水文模型共有n个,当t=1时, 为该历史洪水场次中第i个水文模型在第1个预设时刻至第t-1个预设时刻内的预报误差;
步骤B3:采用贝叶斯模型平均算法得到该历史洪水场次中各预设时刻洪水样本分别对应该水文模型的历史权重值,即第i个水文模型在第t个预设时刻的后验概率:
其中,
式中,为该历史洪水场次中第t个预设时刻第i个水文模型Mt,i发生的条件下发生的概率;为该历史洪水场次中第t个预设时刻洪水流量实测值发生正态变换的值;μi为第i个水文模型在该历史洪水场次中所有预设时刻洪水样本的Qsi,λ的均值,σi为第i个水文模型在该历史洪水场次所有预设时刻洪水样本的Qsi,λ的方差;ωt,i为该历史洪水场次中第t个预设时刻第i个水文模型对应的历史权重值,为发生的条件下水文模型Mt,i发生的概率。
作为本发明的一种优选技术方案,所述正态变换的公式为:
式中,Q指代洪水流量预报值Qsi或洪水流量实测值Qre,Qλ为正态变换之后的值,即Qre,λ或Qsi,λ,λ表示转换参数。
作为本发明的一种优选技术方案,所述步骤C的具体过程如下:
步骤C1:针对目标流域洪水在当前时刻的下垫面数据,获取目标流域各历史洪水场次中满足下垫面数据预设条件的各预设时刻洪水样本;
步骤C2:针对目标流域洪水在当前时刻的降雨数据,获取目标流域各历史洪水场次中满足降雨数据预设条件的各预设时刻洪水样本;
步骤C3:针对目标流域洪水在当前时刻的气象数据,获取目标流域各历史洪水场次中满足气象数据预设条件的各预设时刻洪水样本;
步骤C4:分别满足下垫面数据预设条件、降雨数据预设条件、气象数据预设条件的各历史洪水场次中的各预设时刻洪水样本构成各初步洪水样本,通过各个水文模型对当前洪水时刻的洪水流量预报值设置阈值η判定目标流域当前洪水时刻属于涨洪阶段或退水阶段,进而进一步从各初步洪水样本中筛选出相同阶段的各优选洪水样本。
作为本发明的一种优选技术方案,所述步骤C4中阈值η的设置过程以及判定目标流域洪水在当前时刻属于涨洪阶段或退水阶段的过程如下:
作为本发明的一种优选技术方案,所述下垫面数据预设条件为目标流域洪水在当前时刻的下垫面数据的上下波动预设范围内;所述降雨数据预设条件为目标流域洪水在当前时刻的降雨数据的上下波动预设范围内;所述气象数据预设条件为目标流域洪水在当前时刻的气象数据的上下波动预设范围内。
作为本发明的一种优选技术方案,所述步骤D的具体过程如下:步骤D1:利用KNN方法从步骤C筛选得到的各优选洪水样本中选择与当前洪水匹配度最高的预设k个洪水样本:选择目标流域洪水在当前时刻时刻及之前连续预设l个时刻各个水文模型对应的各权重向量作为当前洪水预报权重的特征向量,为 代表时刻n个水文模型的权重列向量,水文模型共有n个;历史时刻u时刻的预报权重的特征向量为Vu(ωu-l+1,ωu-l+2,…,ωu-1,ωu),而ωu代表u时刻n个水文模型的权重列向量,计算当前洪水时刻预报权重的特征向量与历史洪水时刻预报权重的特征向量Vu的欧氏距离D:
选择欧氏距离最近的预设k个洪水样本;
步骤D2:基于各预设k个洪水样本的预报时刻洪水样本的历史权重值,结合反距离加权的思想,分别得到各水文模型对应k个洪水样本的预报时刻的融合权重值,分别作为各个水文模型在当前时刻对预报时刻的预报权重值;
步骤D3:各水文模型在当前时刻对预报时刻的预报权重值与各个水文模型在当前时刻对预报时刻的洪水流量预报值进行加权求和得到目标流域的融合洪水流量预报值:
作为本发明的一种优选技术方案,当前洪水每个已发生时刻的洪水流量实测值与各个水文模型分别对应的洪水流量预报值、以及各个水文模型分别对应的权重值进行存储,进而实现数据的不断更新。
本发明的有益效果为:本发明提供的一种水文多模型时变权重组合预报方法,基于历史数据根据贝叶斯模型平均理论计算历史洪水各水文模型的权重值,构建历史权重数据库;逐步筛选与当前洪水发生阶段较为相似的历史洪水,利用KNN方法选择k个匹配度最高的样本,并结合反距离加权的思想估算出每个水文模型在预报时刻的预报权重值,与每个水文模型在预报时刻的洪水流量预报值加权求和得到融合洪水流量预报值。本方法基于KNN数据挖掘技术,充分利用了历史场次洪水的大数据资料,通过人机交互的方式筛选出与当前洪水发生条件最为接近的历史洪水,具有统计意义,可靠性强,运用贝叶斯理论建立了多个水文模型时变权重求解方法,弥补了各模型的缺点,保证了预报结果的客观合理性,有效提高了预见期较长的洪水预报精度。
附图说明
图1为本发明水文多模型时变权重组合预报方法流程示意图;
图2为具体实施例中筛选出的初步洪水样本,2008052715号洪水;
图3为本发明KNN与贝叶斯理论相结合对当前2015051021号洪水多个水文多模型的时变权重结果;
图4为本发明KNN与贝叶斯理论对当前2015051021号洪水实现水文多模型时变权重组合预报的预报结果。
具体实施方式
下面结合附图对本发明进行进一步说明。
本发明选定栅格新安江模型、栅格蓄超模型和超渗产流模型用以贝叶斯多模型融合预报,将湖北省屯溪流域2015051021号洪水作为当前洪水,如图1所示,本发明提供了一种水文多模型时变权重组合预报方法,该方法具体包括以下步骤:
一种水文多模型时变权重组合预报方法,针对目标流域,执行以下步骤,实现对目标流域洪水流量的预报:
步骤A:获取目标流域各历史洪水场次中各预设时刻洪水样本的下垫面数据、降雨数据、气象数据、洪水流量实测值;
分别针对目标流域各历史洪水场次,预设各个水文模型分别遍历该历史洪水场次中各预设时刻洪水样本,得到该历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的洪水流量预报值。假设M={M1,M2,…,Mn}为n个水文模型组成的模型空间。
步骤B:基于目标流域各历史洪水场次中各预设时刻洪水样本的洪水流量实测值,以及各历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的洪水流量预报值,采用贝叶斯模型平均算法得到目标流域各历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的历史权重值。
所述步骤B中基于目标流域各历史洪水场次中各预设时刻洪水样本的洪水流量实测值,以及各历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的洪水流量预报值,分别针对目标流域各历史洪水场次,各个水文模型分别执行以下步骤,得到目标流域各历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的权重值:采用贝叶斯模型平均算法得到目标流域各历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的历史权重值;
步骤B1,基于该历史洪水场次中各预设时刻洪水样本的洪水流量实测值Qre,以及该历史洪水场次中各预设时刻洪水样本对应该水文模型的洪水流量预报值Qsi,通过Box-Cox变换对该历史洪水场次中的各洪水流量实测值和该水文模型对应的各洪水流量预报值分别进行正态变换,得到洪水流量实测值的正态变换值Qre,λ,以及洪水流量预报值的正态变换值Qsi,λ,并计算该水文模型对应的各洪水流量预报值的正态变换值的均值μ和方差σ。
所述正态变换的公式为:
式中,Q指代洪水流量预报值Qsi或洪水流量实测值Qre,Qλ为正态变换之后的值,即Qre,λ或Qsi,λ,λ表示转换参数。
当Q为某历史场次洪水中模型洪水流量预报值矩阵Qsi时,其中代表某场次洪水中第1个时刻n个模型的洪水流量预报值列向量,代表某场次洪水中第2个时刻n个模型的洪水流量预报值列向量,代表某场次洪水中第t个时刻n个模型的洪水流量预报值列向量,具体表示如下:
故Qsi转换之后得到的Qsi,λ具体表示为:
步骤B2:计算该水文模型在该历史洪水场次中各预设时刻的先验概率P(Mt,i),可认为各模型的预报误差相互独立,先验概率与误差倒数平方成正比:
式中,P(Mt,i)为该历史洪水场次中第t个预设时刻第i个水文模型Mt,i的先验概率,水文模型共有n个,当t=1时, 为该历史洪水场次中第i个水文模型在第1个预设时刻至第t-1个预设时刻内的预报误差。
步骤B3:采用贝叶斯模型平均算法得到该历史洪水场次中各预设时刻洪水样本分别对应该水文模型的历史权重值,即第i个水文模型在第t个预设时刻的后验概率:
其中,
式中,为该历史洪水场次中第t个预设时刻第i个水文模型Mt,i发生的条件下发生的概率;为该历史洪水场次中第t个预设时刻洪水流量实测值发生正态变换的值;μi为第i个水文模型在该历史洪水场次中所有预设时刻洪水样本的Qsi,λ的均值,σi为第i个水文模型在该历史洪水场次所有预设时刻洪水样本的Qsi,λ的方差;为发生的条件下水文模型Mt,i发生的概率,某场次历史洪水中各水文模型在各时刻对应的历史权重矩阵为:
式中,ωt,i为该历史洪水场次中第t个预设时刻第i个水文模型对应的历史权重值。
步骤C:基于目标流域各历史洪水场次中各预设时刻洪水样本的下垫面数据、降雨数据、气象数据,针对目标流域洪水在当前时刻的下垫面数据、降雨数据、气象数据,从目标流域各历史洪水场次中各预设时刻洪水样本中筛选出分别满足下垫面数据预设条件、降雨数据预设条件、气象数据预设条件的各初步洪水样本;并通过各个水文模型对当前洪水时刻的洪水流量预报值设置阈值进一步筛选各初步洪水样本得到各优选洪水样本;
所述步骤C的具体过程如下:
步骤C1:针对目标流域洪水在当前时刻的下垫面数据,获取目标流域各历史洪水场次中满足下垫面数据预设条件的各预设时刻洪水样本;下垫面数据包括初始土壤含水量、水利工程初始蓄水量等;所述下垫面数据预设条件为各类下垫面数据均满足目标流域洪水在当前时刻的下垫面数据的上下波动预设范围内。
步骤C2:针对目标流域洪水在当前时刻的降雨数据,获取目标流域各历史洪水场次中满足降雨数据预设条件的各预设时刻洪水样本;降雨数据包括降雨量、降雨强度和降雨中心等;所述降雨数据预设条件为各类降雨数据均满足目标流域洪水在当前时刻的降雨数据的上下波动预设范围内。
步骤C3:针对目标流域洪水在当前时刻的气象数据,获取目标流域各历史洪水场次中满足气象数据预设条件的各预设时刻洪水样本;气象数据包括温度、风速、相对湿度和净辐射等;所述气象数据预设条件为各类气象数据均满足目标流域洪水在当前时刻的气象数据的上下波动预设范围内。图2为通过本发明在历史洪水中找到的初步洪水样本(2008052715号洪水)。
步骤C4:分别满足下垫面数据预设条件、降雨数据预设条件、气象数据预设条件的各历史洪水场次中的各预设时刻洪水样本构成各初步洪水样本,通过各个水文模型对当前洪水时刻的洪水流量预报值设置阈值η判定目标流域当前洪水时刻属于涨洪阶段或退水阶段,进而进一步从各初步洪水样本中筛选出相同阶段的各优选洪水样本。
所述步骤C4中阈值η的设置过程以及判定目标流域洪水在当前时刻属于涨洪阶段或退水阶段的过程如下:
若所有水文模型在当前洪水时刻时刻及之后连续预设s个时刻的η值均大于0,说明当前洪水时刻时刻为涨洪阶段,否则为退水阶段;忽略个别数据量的误差,默认涨洪阶段各水文模型在当前洪水时刻时刻及之后连续预设s个时刻的η值均大于0,退水阶段相同。
步骤D:利用KNN方法从步骤C中筛选得到的各优选洪水样本中选择与当前洪水匹配度最高的预设k个洪水样本;基于各预设k个洪水样本的预报时刻洪水样本的历史权重值,结合反距离加权的思想,分别得到各个水文模型在当前洪水时刻对预报时刻的预报权重值,进而对各水文模型的预报权重值与各个水文模型在当前时刻对预报时刻的洪水流量预报值进行加权求和得到目标流域的融合洪水流量预报值,实现对目标流域洪水流量的预报。
作为本发明的一种优选技术方案,所述步骤D的具体过程如下:
利用KNN方法从步骤C中筛选得到的各优选洪水样本中选择与当前洪水匹配度最高的预设k个洪水样本;基于预设k个洪水样本,结合反距离加权的思想,分别得到各个水文模型在当前时刻的预报权重值,进而对各个水文模型在当前时刻的洪水流量预报值进行加权求和得到目标流域的融合洪水流量预报值,实现对目标流域洪水流量的预报。
步骤D1:利用KNN方法从步骤C筛选得到的各优选洪水样本中选择与当前洪水匹配度最高的预设k个洪水样本:选择目标流域洪水在当前时刻时刻及之前连续预设l个时刻各个水文模型对应的各权重向量作为当前洪水预报权重的特征向量,为 代表时刻n个水文模型的权重列向量,水文模型共有n个;历史时刻u时刻的预报权重的特征向量为Vu(ωu-l+1,ωu-l+2,…,ωu-1,ωu),而ωu代表u时刻n个水文模型的权重列向量,计算当前洪水时刻预报权重的特征向量与历史洪水时刻预报权重的特征向量Vu的欧氏距离D:
选择欧氏距离最近的预设k个洪水样本;
步骤D2:基于各预设k个洪水样本的预报时刻洪水样本的历史权重值,结合反距离加权的思想,分别得到各水文模型对应k个洪水样本的预报时刻的融合权重值,分别作为各个水文模型在当前时刻对预报时刻的预报权重值;
步骤D3:各水文模型在当前时刻对预报时刻的预报权重值与各个水文模型在当前时刻对预报时刻的洪水流量预报值进行加权求和得到目标流域的融合洪水流量预报值:
为当前洪水时刻的预报时刻时刻第i个水文模型的洪水流量预报值;为当前洪水时刻的预报时刻时刻第i个水文模型的预报权重值;图3为三个水文模型通过KNN方法与贝叶斯理论相结合对当前洪水的时变权重结果,可以看出栅格新安江模型和栅格蓄超模型的权重变化较为一致,与各个水文模型对应的预报流量相乘即可得到该时刻的融合预报流量,图4为当前洪水的模型组合预报结果,流量相对误差为31%,2015051021号洪水实测洪峰流量为1360m3/s,多模型组合预报结果为1336m3/s
当前洪水每个已发生时刻的洪水流量实测值与各个水文模型分别对应的洪水流量预报值、以及各个水文模型分别对应的权重值进行存储,进而实现数据的不断更新。
本发明设计的一种水文多模型时变权重组合预报方法,确定参与组合预报的多个水文模型,获取目标流域历史洪水场次中的下垫面数据、降雨数据、气象资料、洪水径流预报值和实测值等资料;基于先验信息的先验分布,利用贝叶斯模型平均算法计算所有历史洪水中各时刻单个水文模型的权重值;逐步筛选出与当前洪水最为相似的各洪水样本,设置阈值用以判断当前洪水处于涨洪或退水阶段,进而定位到历史相似洪水的同一阶段;利用KNN方法选择k个匹配度最高的样本,并结合反距离加权的思想估算出每个水文模型在预报时刻的预报权重值,与每个水文模型在预报时刻的洪水流量预报值加权求和得到融合洪水流量预报值。本方法基于KNN数据挖掘技术,充分利用了历史场次洪水的大数据资料,通过人机交互的方式筛选出与当前洪水发生条件最为接近的历史洪水,具有统计意义,可靠性强,运用贝叶斯理论建立了多个水文模型时变权重求解方法,弥补了各模型的缺点,保证了预报结果的客观合理性,有效提高了预见期较长的洪水预报精度。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (8)
1.一种水文多模型时变权重组合预报方法,其特征在于:针对目标流域,执行以下步骤,实现对目标流域洪水流量的预报:
步骤A:获取目标流域各历史洪水场次中各预设时刻洪水样本的下垫面数据、降雨数据、气象数据、洪水流量实测值;
分别针对目标流域各历史洪水场次,预设各个水文模型分别遍历该历史洪水场次中各预设时刻洪水样本,得到该历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的洪水流量预报值;
步骤B:基于目标流域各历史洪水场次中各预设时刻洪水样本的洪水流量实测值,以及各历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的洪水流量预报值,采用贝叶斯模型平均算法得到目标流域各历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的历史权重值;
步骤C:基于目标流域各历史洪水场次中各预设时刻洪水样本的下垫面数据、降雨数据、气象数据,针对目标流域洪水在当前时刻的下垫面数据、降雨数据、气象数据,从目标流域各历史洪水场次中各预设时刻洪水样本中筛选出分别满足下垫面数据预设条件、降雨数据预设条件、气象数据预设条件的各初步洪水样本;并通过各个水文模型对当前洪水时刻的洪水流量预报值设置阈值进一步筛选各初步洪水样本得到各优选洪水样本;
步骤D:利用KNN方法从步骤C中筛选得到的各优选洪水样本中选择与当前洪水匹配度最高的预设k个洪水样本;基于各预设k个洪水样本的预报时刻洪水样本的历史权重值,结合反距离加权的思想,分别得到各个水文模型在当前洪水时刻对预报时刻的预报权重值,进而对各水文模型的预报权重值与各个水文模型在当前时刻对预报时刻的洪水流量预报值进行加权求和得到目标流域的融合洪水流量预报值,实现对目标流域洪水流量的预报。
2.根据权利要求1所述的一种水文多模型时变权重组合预报方法,其特征在于:所述步骤B中基于目标流域各历史洪水场次中各预设时刻洪水样本的洪水流量实测值,以及各历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的洪水流量预报值,分别针对目标流域各历史洪水场次,各个水文模型分别执行以下步骤,得到目标流域各历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的权重值:采用贝叶斯模型平均算法得到目标流域各历史洪水场次中各预设时刻洪水样本分别对应各个水文模型的历史权重值;
步骤B1,基于该历史洪水场次中各预设时刻洪水样本的洪水流量实测值Qre,以及该历史洪水场次中各预设时刻洪水样本对应该水文模型的洪水流量预报值Qsi,通过Box-Cox变换对该历史洪水场次中的各洪水流量实测值和该水文模型对应的各洪水流量预报值分别进行正态变换,得到洪水流量实测值的正态变换值Qre,λ,以及洪水流量预报值的正态变换值Qsi,λ,并计算该水文模型对应的各洪水流量预报值的正态变换值的均值μ和方差σ;
步骤B2:计算该水文模型在该历史洪水场次中各预设时刻的先验概率P(Mt,i):
式中,P(Mt,i)为该历史洪水场次中第t个预设时刻第i个水文模型Mt,i的先验概率,水文模型共有n个,当t=1时, 为该历史洪水场次中第i个水文模型在第1个预设时刻至第t-1个预设时刻内的预报误差;
步骤B3:采用贝叶斯模型平均算法得到该历史洪水场次中各预设时刻洪水样本分别对应该水文模型的历史权重值,即第i个水文模型在第t个预设时刻的后验概率:
其中,
4.根据权利要求1所述的一种水文多模型时变权重组合预报方法,其特征在于:所述步骤C的具体过程如下:
步骤C1:针对目标流域洪水在当前时刻的下垫面数据,获取目标流域各历史洪水场次中满足下垫面数据预设条件的各预设时刻洪水样本;
步骤C2:针对目标流域洪水在当前时刻的降雨数据,获取目标流域各历史洪水场次中满足降雨数据预设条件的各预设时刻洪水样本;
步骤C3:针对目标流域洪水在当前时刻的气象数据,获取目标流域各历史洪水场次中满足气象数据预设条件的各预设时刻洪水样本;
步骤C4:分别满足下垫面数据预设条件、降雨数据预设条件、气象数据预设条件的各历史洪水场次中的各预设时刻洪水样本构成各初步洪水样本,通过各个水文模型对当前洪水时刻的洪水流量预报值设置阈值η判定目标流域当前洪水时刻属于涨洪阶段或退水阶段,进而进一步从各初步洪水样本中筛选出相同阶段的各优选洪水样本。
6.根据权利要求4所述的一种水文多模型时变权重组合预报方法,其特征在于:所述下垫面数据预设条件为目标流域洪水在当前时刻的下垫面数据的上下波动预设范围内;所述降雨数据预设条件为目标流域洪水在当前时刻的降雨数据的上下波动预设范围内;所述气象数据预设条件为目标流域洪水在当前时刻的气象数据的上下波动预设范围内。
7.根据权利要求1所述的一种水文多模型时变权重组合预报方法,其特征在于:所述步骤D的具体过程如下:步骤D1:利用KNN方法从步骤C筛选得到的各优选洪水样本中选择与当前洪水匹配度最高的预设k个洪水样本:选择目标流域洪水在当前时刻时 刻及之前连续预设l个时刻各个水文模型对应的各权重向量作为当前洪水预报权重的特征向量,为 代表时刻n个水文模型的权重列向量,水文模型共有n个;历史时刻u时刻的预报权重的特征向量为Vu(ωu-l+1,ωu-l+2,…,ωu-1,ωu),而ωu代表u时刻n 个水文模型的权重列向量,计算当前洪水时刻预报权重的特征向量与历史洪水时刻预报权重的特征向量Vu的欧氏距离D:
选择欧氏距离最近的预设k个洪水样本;
步骤D2:基于各预设k个洪水样本的预报时刻洪水样本的历史权重值,结合反距离加权的思想,分别得到各水文模型对应k个洪水样本的预报时刻的融合权重值,分别作为各个水文模型在当前时刻对预报时刻的预报权重值;
步骤D3:各水文模型在当前时刻对预报时刻的预报权重值与各个水文模型在当前时刻对预报时刻的洪水流量预报值进行加权求和得到目标流域的融合洪水流量预报值:
8.根据权利要求1所述的一种水文多模型时变权重组合预报方法,其特征在于:当前洪水每个已发生时刻的洪水流量实测值与各个水文模型分别对应的洪水流量预报值、以及各个水文模型分别对应的权重值进行存储,进而实现数据的不断更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210193958.1A CN114676882B (zh) | 2022-03-01 | 2022-03-01 | 一种水文多模型时变权重组合预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210193958.1A CN114676882B (zh) | 2022-03-01 | 2022-03-01 | 一种水文多模型时变权重组合预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114676882A CN114676882A (zh) | 2022-06-28 |
CN114676882B true CN114676882B (zh) | 2022-12-13 |
Family
ID=82071464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210193958.1A Active CN114676882B (zh) | 2022-03-01 | 2022-03-01 | 一种水文多模型时变权重组合预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114676882B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116451879B (zh) * | 2023-06-16 | 2023-08-25 | 武汉大学 | 一种干旱风险预测方法、系统及电子设备 |
CN116882211B (zh) * | 2023-09-06 | 2023-12-19 | 珠江水利委员会珠江水利科学研究院 | 一种基于数字孪生的水库水情预报仿真方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108597189A (zh) * | 2018-04-24 | 2018-09-28 | 河海大学 | 基于临界雨量的分布式中小流域地质灾害及洪水预警方法 |
CN112084461A (zh) * | 2020-08-10 | 2020-12-15 | 河海大学 | 一种基于历史洪水学习的knn实时校正方法 |
CN113569438A (zh) * | 2021-06-04 | 2021-10-29 | 郑州大学 | 基于多源降雨融合和实时校正的城市洪涝模型构建方法 |
CN113592143A (zh) * | 2021-06-28 | 2021-11-02 | 清华大学 | 基于降雨预报的中长期径流集合预报方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9053439B2 (en) * | 2012-09-28 | 2015-06-09 | Hewlett-Packard Development Company, L.P. | Predicting near-future photovoltaic generation |
-
2022
- 2022-03-01 CN CN202210193958.1A patent/CN114676882B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108597189A (zh) * | 2018-04-24 | 2018-09-28 | 河海大学 | 基于临界雨量的分布式中小流域地质灾害及洪水预警方法 |
CN112084461A (zh) * | 2020-08-10 | 2020-12-15 | 河海大学 | 一种基于历史洪水学习的knn实时校正方法 |
CN113569438A (zh) * | 2021-06-04 | 2021-10-29 | 郑州大学 | 基于多源降雨融合和实时校正的城市洪涝模型构建方法 |
CN113592143A (zh) * | 2021-06-28 | 2021-11-02 | 清华大学 | 基于降雨预报的中长期径流集合预报方法及系统 |
Non-Patent Citations (3)
Title |
---|
中长期降雨预报模型比较研究;王艺晗等;《治淮》;20191215(第12期);全文 * |
基于k-最近邻筛选的BMA集合预报模型研究;刘开磊等;《水利学报》;20170430(第04期);全文 * |
基于网格的精细化降雨径流水文模型及其在洪水预报中的应用;李致家等;《河海大学学报(自然科学版)》;20171125(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114676882A (zh) | 2022-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114676882B (zh) | 一种水文多模型时变权重组合预报方法 | |
CN109902801B (zh) | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 | |
CN110084367B (zh) | 一种基于lstm深度学习模型的土壤墒情预测方法 | |
Zhang et al. | Calibration and uncertainty analysis of the SWAT model using Genetic Algorithms and Bayesian Model Averaging | |
Liu et al. | Deriving reservoir operation rule based on Bayesian deep learning method considering multiple uncertainties | |
CN110288157A (zh) | 一种基于注意力机制和lstm的径流预测方法 | |
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 | |
CN104090974B (zh) | 展延水库后续来水的动态数据挖掘方法及系统 | |
CN113379110A (zh) | 一种中长期径流预报结果趋势检验方法 | |
Vishwakarma et al. | Pre-and post-dam river water temperature alteration prediction using advanced machine learning models | |
CN112541839B (zh) | 基于神经微分方程的水库入库流量预测方法 | |
Tahmasebifar et al. | A new hybrid model for point and probabilistic forecasting of wind power | |
CN105701571A (zh) | 一种基于神经网络组合模型的短时交通流量预测方法 | |
CN108830423B (zh) | 一种基于预报域的年径流预测方法 | |
CN115759459B (zh) | 一种雨水工情耦合的流域洪水流量集合概率智能预报方法 | |
CN113887787A (zh) | 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 | |
CN112182063A (zh) | 一种基于时空特征的水文预报模型的构建方法 | |
CN116432828A (zh) | 一种缺资料流域径流量智能预测方法 | |
CN108647425A (zh) | 基于粒子群优化的K-means径流丰枯年份预报方法 | |
CN106021698A (zh) | 基于迭代更新的ukfnn铝电解功耗模型构建方法 | |
CN112084461A (zh) | 一种基于历史洪水学习的knn实时校正方法 | |
CN117744501B (zh) | 考虑生态流量的水网系统调蓄节点优化调度与决策方法 | |
CN117332908B (zh) | 一种耦合集合预报的梯级水库多目标优化调度方法及系统 | |
CN109902266B (zh) | 一种基于Copula函数的河道流量演算方法 | |
Cheng-Ping et al. | Research on hydrology time series prediction based on grey theory and [epsilon]-support vector regression |
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 |