CN115544785A - 一种无资料梯级水库流域水文模拟方法和系统 - Google Patents
一种无资料梯级水库流域水文模拟方法和系统 Download PDFInfo
- Publication number
- CN115544785A CN115544785A CN202211282050.4A CN202211282050A CN115544785A CN 115544785 A CN115544785 A CN 115544785A CN 202211282050 A CN202211282050 A CN 202211282050A CN 115544785 A CN115544785 A CN 115544785A
- Authority
- CN
- China
- Prior art keywords
- data
- reservoir
- hydrological
- basin
- remote sensing
- 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.)
- Granted
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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种无资料梯级水库流域水文模拟方法和系统,通过无资料梯级水库流域的多源遥感对地观测数据构建梯级水库水位‑面积变化曲线,计算水库蓄水量变化,揭示无资料梯级水库流域水库动态变化过程、蓄水策略及运行规则;结合区域化方法与整合多源目标的水文参数率定方案构建水文模型,基于实测历史径流、河道雷达测高虚拟站点水位和流域重力卫星水储量变化优化水文参数,提高径流模拟精度;综合水量平衡和水库汇流方案等方法,依据水库蓄水量变化和模拟的天然径流,重建水库调控下的流域出口径流,可定量揭示气候变化和水库调控对流域出口径流的影响以及对下游丰枯变化的水量控制效应。
Description
技术领域
本发明涉及地球科学研究服务领域,特别是涉及一种无资料梯级水库流域水文模拟方法和系统。
背景技术
淡水资源始终是世界范围内经济社会发展的战略性稀缺资源。跨境河流水资源开发利用涉及流域各国的切身利益,由此引发的国际纠纷比比皆是,始终是国际社会关注的热点。如何提高变化环境下跨境河流梯级水库流域水资源演变的科学认知,使流域沿线各国在水资源科学利用上达成共识,是区域社会经济可持续发展的重要基础,对促进流域地区安全稳定、保障国家能源储备、促进边疆地区稳定发展等具有重要的战略意义。
跨境河流,例如澜沧江梯级水库流域空间异质性较大,存在着对气候变化响应敏感、梯级水库间相互关联与调控复杂、实测水文站点与水库建设不匹配等问题。对于跨境河流的水文科学研究服务领域,目前流域基于径流单目标参数率定的径流模拟研究往往精度受限,梯级水库调控的径流模拟不确定性扩大,导致定量评估气候变化和水库调控对径流影响困难。如何基于水文、气象等研究方法,借助现有的对地观测等先进技术对所有梯级水库动态变化过程进行系统的定量研究,以实现对国民经济建设的高质量服务,是学术界亟待解决的关键科学问题。
发明内容
基于上述问题的存在,本申请提供一种无资料梯级水库流域水文模拟方法和系统,以解决在对跨境河流的水文进行研究,以服务国土规划经济布局时,跨境河流流域的空间异质性较大,存在着对气候变化响应敏感、梯级水库间相互关联与调控复杂、实测水文站点与水库建设不匹配以及资料匮乏(水文资料、水库动态变化资料等),无法开展有效的研究和服务等问题,具体的技术方案是:
第一方面,本发明公开一种无资料梯级水库流域水文模拟方法,所述方法包括:
获取所述无资料梯级水库流域的多源遥感对地观测数据;
根据所述无资料梯级水库流域的多源遥感对地观测数据构建所述梯级水库水位、面积以及蓄水量变化的动态变化特征时间序列;
基于多目标和多目标函数对所述无资料梯级水库流域的水文参数进行率定;
根据所述无资料梯级水库流域的多源遥感对地观测数据、径流汇流和水文参数率定建立所述无资料梯级水库流域的水文模型;
基于水量平衡原理构建梯级水库汇流方案,并基于上述无资料梯级水库流域的水文模型和水文参数对所述无资料梯级水库流域进行水文模拟;
可视化所述水文模拟的结果。
进一步的,所述基于所述无资料梯级水库流域的水文模型对所述无资料梯级水库流域进行水文模拟,包括:
获取模拟请求,对模拟输入数据进行预处理,提取模拟输入驱动和率定数据的时间序列特征;
将所述时间序列特征输入所述无资料梯级水库流域的水文模型进行水文模拟,并输出所述水文模拟的结果。
进一步的,所述构建所述无资料梯级水库流域的径流汇流,包括:
获取所述无资料梯级水库流域的水库水位、面积和蓄水量变化时间序列;
基于所述无资料梯级水库流域的水库水位、面积和蓄水量变化时间序列,根据水量平衡原理重建所有梯级水库的入流、出流以及整个流域出口径流。
进一步的,所述获取所述无资料梯级水库流域的多源遥感对地观测数据,包括:
匹配多源卫星的气象、雷达测高和影像的遥感对地观测数据;
构建所述无资料梯级水库流域的气象驱动、水库动态变化和水文率定遥感数据集。
进一步的,所述根据所述无资料梯级水库流域的多源遥感对地观测数据、径流汇流和水文参数率定建立所述无资料梯级水库流域的水文模型,还包括:
利用Budyko水文模型框架、Muskingum汇流模块以及Degree-day融雪模块建立所述无资料梯级水库流域的水文模型。
进一步的,所述多目标包括:实测径流、河道测高水位和流域GRACE总水储量变化;
所述多目标函数包括:FDC(流量历时曲线)和Climate Benchmark(气候基准)。
进一步的,所述基于多目标和多目标函数对所述无资料梯级水库流域的水文参数率定,还包括:
对所述多目标函数进行整合,整合的目标函数计算多个目标的模拟值和参考值之间的加权标准偏差。
进一步的,所述无资料梯级水库流域的多源遥感对地观测数据包括:
下垫面数据、遥感气象驱动数据、遥感水库动态变化数据和遥感水文模型率定数据;
所述下垫面数据包括数字高程模型、土地利用和覆被数据;
所述遥感气象驱动数据包括降水和温度数据;
所述遥感水库动态变化数据包括水位与面积数据;
所述遥感水文模型率定数据包括实测径流、河道测高水位和流域GRACE总水储量变化数据。
进一步的,所述获取所述无资料梯级水库流域的多源遥感对地观测数据,包括:
基于遥感降水和温度数据,利用区域统计方法(Zonal statistics)提取不同子集水区的降水、最高和最低温度日时间序列,构建遥感气象驱动数据;
根据Landsat遥感影像提取水库范围,基于BQA波段进行阈值测试,择优选择影像,使用NDWI确定水体象元,建立水体范围序列,构建水库面积数据;
基于以下算式计算水位数据H:
其中,R为星地之间的距离,hsat为卫星高程,iono_corr为电离层延迟修正,dry_trop_corr为对流层干延迟修正,wet_trop_corr为对流层干湿延迟修正,earth_trop_corr为固体潮修正,pole_tide为极潮修正,N为大地水准面改正量;
基于以下算式计算水库蓄水变化量ΔVt;
其中,St-1、St分别表示t-1时刻和t时刻的水库面积,ΔH表示t-1时刻和t时刻大坝位置的水位差。
第二方面,基于上述方法,本发明还公开一种无资料梯级水库流域水文模拟系统,所述系统包括:
模型构建模块,用于建立所述无资料梯级水库流域的水文模型;
水文模拟模块,用于对所述无资料梯级水库流域进行水文模拟;
可视化模块,用于可视化所述水文模拟的结果;
所述模型构建模块包括:
数据匹配单元,用于获取所述无资料梯级水库流域的多源遥感对地观测数据;
动态变化特征时间序列构建单元,用于根据所述无资料梯级水库流域的多源遥感对地观测数据构建所述梯级水库水位、面积以及蓄水量变化的动态变化特征时间序列;
水文参数率定单元,用于基于多目标和多目标函数对所述无资料梯级水库流域的水文参数进行率定;
水文模型构建单元,用于根据所述无资料梯级水库流域的多源遥感对地观测数据、径流汇流和水文参数率定建立所述无资料梯级水库流域的水文模型。
第三方面,本发明提供了一种电子设备,包括存储器、处理器及存储在存储器上并可以在处理器上运行的计算机程序,处理器执行计算机程序时可以运行上述无资料梯级水库流域水文模拟系统和执行上述无资料梯级水库流域水文模拟方法。
第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,可以运行上述无资料梯级水库流域水文模拟系统和执行上述无资料梯级水库流域水文模拟方法。
本发明公开的一种无资料梯级水库流域水文模拟方法和系统,基于多目标和多目标函数对所述无资料梯级水库流域的水文参数进行高精度的率定,通过无资料梯级水库流域的多源遥感对地观测数据、径流汇流和水文参数率定建立无资料梯级水库流域的水文模型;基于所述无资料梯级水库流域的水文模型对所述无资料梯级水库流域进行水文模拟,可明晰梯级水库面积、水位、蓄水量变化过程以及蓄水策略与运行规则,提高天然径流模拟精度,可定量揭示气候变化和水库调控对流域出口径流的影响以及对下游丰枯变化的水量控制效应。从而可以提高当前复杂变化环境下跨境河流梯级水库流域水资源演变的科学认知,使流域沿线各国在水资源科学利用上达成共识,形成区域社会经济可持续发展的重要基础,对促进流域地区安全稳定、保障国家能源储备、促进边疆地区稳定发展等具有重要的战略意义。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对本领域技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
为了更完整地理解本申请及其有益效果,下面将结合附图来进行说明。其中,在下面的描述中相同的附图标号表示相同部分。
图1为本发明建立所述无资料梯级水库流域的水文模型的流程示意图;
图2为本发明无资料梯级水库流域的水文模拟的流程示意图;
图3为本发明无资料梯级水库流域水文模拟系统的结构示意图;
图4为本发明无资料梯级水库流域水文模拟系统的模型构建流程示意图。
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。
跨国河流梯级水库流域空间异质性较大。例如我国的澜沧江—湄公河流域,存在着对气候变化响应敏感、梯级水库间相互关联与调控复杂、实测水文站点与水库建设不匹配等问题。由于各种因素的限制,例如经济发展条件或者管辖权的限制,很多区域缺少必要的水文资料,目前流域基于径流单目标参数率定的径流模拟研究往往精度受限,梯级水库调控的径流模拟不确定性扩大,导致定量评估气候变化和水库调控对径流影响困难。
本发明公开的无资料梯级水库流域水文模拟方法或系统,主要包括模型构建和结果模拟估算两个相对独立的过程,模拟模型构建过程主要利用卫星测高、遥感影像与数字高程模型等卫星对地观测数据,动态监测跨国流域梯级水库的变化过程,明晰梯级水库面积、水位、蓄水量变化以及蓄水策略与运行规则;结合区域化方法和有限的站点实测径流、河道Sentinel-3虚拟站点测高水位以及流域GRACE重力卫星总储水变化量等数据,优化跨国流域水文参数,提高天然径流模拟精度;综合水量平衡和水库汇流方案等方法,重建水库调控下径流过程,定量揭示气候变化和水库调控对流域出口径流的影响以及对下游丰枯变化的水量控制效应。
实施例一,参考图1和2,基于上述思路,本发明提供的一种无资料梯级水库流域水文模拟方法,包括以下步骤:
S10:建立所述无资料梯级水库流域的水文模型;
S20:对所述无资料梯级水库流域进行水文模拟;
S30:可视化所述水文模拟的结果。
对于步骤S10,具体包括以下步骤:
S11:获取所述无资料梯级水库流域的多源遥感对地观测数据;
S12:根据所述无资料梯级水库流域的多源遥感对地观测数据构建所述梯级水库水位、面积以及蓄水量变化的动态变化特征时间序列;
S13:基于多目标和多目标函数对所述无资料梯级水库流域的水文参数进行率定;
S14:根据所述无资料梯级水库流域的多源遥感对地观测数据、径流汇流和水文参数率定建立所述无资料梯级水库流域的水文模型。
对于步骤S11,具体包括:
S111:匹配多源卫星的气象、雷达测高和影像的遥感对地观测数据;
S112:构建所述无资料梯级水库流域的气象驱动、水库动态变化和水文率定遥感数据集。
无资料梯级水库流域空间异质性较大,存在着对气候变化响应敏感、梯级水库间相互关联与调控复杂、实测水文站点与水库建设不匹配等问题。卫星技术的快速发展,丰富了多源卫星协同观测,融合卫星遥感技术是现代水文学发展的趋势,给无资料地区水文模拟提供了可能。本发明的遥感对地观测数据涉及到雷达测高水位数据(Sentinel-3等)、GRACE重力卫星数据、遥感影像数据以及气象驱动数据(降水与温度)等,为后续的数据提供数据基础。
上述获取的无资料梯级水库流域的多源遥感对地观测数据,其中的数据类型可以包括:
下垫面数据、遥感气象驱动数据、遥感水库动态变化数据和遥感水文模型率定数据;
所述下垫面数据包括数字高程模型、土地利用和覆被数据;
所述遥感气象驱动数据包括降水和温度数据;
所述遥感水库动态变化数据包括水位与面积数据;
所述遥感水文模型率定数据包括实测径流、河道测高水位和流域GRACE总水储量变化数据。
上述多源遥感对地观测数据的具体获取方法,可以采用以下的方法:
对于遥感气象驱动数据,可以基于遥感降水和温度数据(GPM等),利用区域统计方法(Zonal statistics)提取不同子集水区的降水、最高和最低温度日时间序列,构建遥感气象驱动数据。
对于水库面积数据,可以根据Landsat遥感影像提取水库范围,基于BQA波段进行阈值测试,择优选择影像,使用NDWI确定水体象元,建立水体范围序列,构建水库面积数据。
作为一种较佳的实施方式,可以采用Sentinel-1SAR影像数据对上述方法进行优化,Sentinel-1SAR影像具有连续观测、不受气候和下垫面条件影响的优势,使用双极化阈值分割法来提取水库范围补充Landsat影像由于多云和传感器损坏导致的数据缺失。基于水库水位和面积,水库蓄水量变化数据采用非线性拟合函数(Isqnonlin)确定梯级水库的水位-面积变化曲线,根据最低水位给定参数(a,b,h)的初始值,采用式子(1)进行迭代循环,直到各参数值达到收敛,得到最终的水库面积数据序列。
S(H)=a*(H-h)b (1)
对于水库的水位数据,可以基于以下算式(2)计算水位数据H:
其中,R为星地之间的距离,hsat为卫星高程,iono_corr为电离层延迟修正,dry_trop_corr为对流层干延迟修正,wet_trop_corr为对流层干湿延迟修正,earth_trop_corr为固体潮修正,pole_tide为极潮修正,N为大地水准面改正量。上述水位测量的原理基于雷达测高计,是通过记录微波脉冲信号在发射机与地表反射物体之间的往返时间,来计算星地之间的距离(R)。结合卫星精密定轨获得卫星高程(h_sat),近而计算得到地表反射面的高程h,即h=h_sat-R。由于测高计工作过程和微波传播过程中受到多种因素的影响,计算的星地间距比实际距离偏大,必须对其进行修正。这些修正项(Corr)主要包括电离层延迟修正(iono_corr)、对流层干湿延迟修正(dry_trop_corr和wet_trop_corr)、固体潮修正(earth_trop_corr)、极潮修正(pole_tide)等。最后,根据大地水准面改正量(N)转换椭球高(h),得到正高(H)。高度计接收到的水面回波形状(前沿)和最大回波能量是判断数据有效性和质量的良好指标。
本发明采用以下步骤对研究区的VS数据进行提取和评估:1、根据水体覆盖率数据筛选VS,剔除水体覆盖率低于10%的数据;2、根据VS波形中值构造新的波形,设定最大回波能量阈值,去除噪音数据;3、根据后向散射系数阈值进一步筛选VS;4、最后构建各虚拟站点水位时间序列,分析水库水位变化规律。
对于水库蓄水变化量数据,可以基于以下算式(3)计算水库蓄水变化量ΔVt;
其中,St-1、St分别表示t-1时刻和t时刻的水库面积,ΔH表示t-1时刻和t时刻大坝位置的水位差。
上述获取的卫星遥感数据可以作为随后步骤水文模型水文参数率定的目标数据。
对于步骤S12:根据所述无资料梯级水库流域的多源遥感对地观测数据构建所述梯级水库水位、面积以及蓄水量变化的动态变化特征时间序列,具体包括:
S121:获取所述无资料梯级水库流域的水库水位、面积和蓄水量变化时间序列;
S122:基于所述无资料梯级水库流域的水库水位、面积和蓄水量变化时间序列,根据水量平衡原理重建所有梯级水库的入流、出流以及整个流域出口径流。
其中,上述水量平衡原理,指的是水库的出流(Qout)等于水库的入流(Qin)减去水库的蓄水变化量(ΔV)。依据上述原理,可以基于前一个水库的出流和Muskingum汇流模型即可得到下一个水库的入流,结合下个水库的水量变化即可计算水库出流,以此类推,重建所有梯级水库的入流、出流以及整个流域出口径流。
Qout=Qin―ΔV (4)
对于步骤13,基于多目标和多目标函数对所述无资料梯级水库流域的水文参数进行率定。
其中的多目标包括:实测径流、河道测高水位和流域GRACE总水储量变化等目标;
所述步骤13的多目标函数包括:FDC(流量历时曲线)和Climate Benchmark(气候基准)。
本发明的水文参数率定方案,使用流量历时曲线(Flow Duration Curve,FDC)和气候基准法(Climate Benchmark,CB)挖掘水文站历史径流的特征信息,在此基础上,结合卫星测高水位和重力卫星储水变化量数据,开发基于遥感地面观测数据整合多目标的水文率定方案。
其中,流量历时曲线(Flow Duration Curve,FDC)反映的是径流在频率域上的变化,表示在设定时间间隔内超过(或者低于)某一强度的流量持续的时间或者出现的频率。其目标函数如算式(5)所示。
具体的,在间隔区间(例如共20个)上分别对模拟和参考FDC进行评分,如果偏离小于10%,则认为模拟结果较好,Si=0,如果偏离超过10%,则Si=―1或者1,最佳拟合情况下,RFDC=1。
气候基准法(Climate Benchmark,CB)用来反映目标的年内变化特征。采用目标函数(算式(6))计算模拟和参考目标(径流、水位和水储量)误差曲线之间的年内加权均方根偏差,其中权重为参考值的标准差。目标函数RCB值的范围是0到正无穷,RCB=0时为理想状态,RCB<1代表偏差小于参考值的年际变化,则可以接受。
流域水储量是总地下水量和总径流量之和,考虑到GRACE分辨率较粗,水储量按整个流域率定,河道虚拟站点水位经过转换与水深较,同时优化几个目标函数需要权衡不同目标函数之间的最优解决方案,需要花费大量的时间和计算成本。
本发明采用多目标整合的率定方案,对所述多目标函数进行整合,整合的目标函数计算多个目标的模拟值和参考值之间的加权标准偏差。根据先验知识和预实验给不同的目标(径流、水位和水储量)函数赋予不同的优先级和权重,从而在各个目标贡献之间达到平衡。
具体的,本发明实施例采用多目标整合的率定方案(算式(7)),整合的目标函数是计算多个目标的模拟值Rsim,i和参考值Rref,i之间的加权标准偏差。根据先验知识和预实验给不同的目标(径流、水位和水储量)函数赋予不同的优先级和权重ωi,从而在各个目标贡献之间达到平衡。在最近的100次模型运行中,如果目标函数值的变化达到收敛(0.1%)或者超过最高运行次数,则输出参数为最优解。
需要指出的是,上述步骤S12和S13,并没有先后次序之分,可以根据实际需要先执行步骤S12,也可以先执行S13。
对于步骤S14:根据所述无资料梯级水库流域的多源遥感对地观测数据、径流汇流和水文参数率定建立所述无资料梯级水库流域的水文模型,还包括:利用Budyko水文模型框架、Muskingum汇流模块以及Degree-day融雪模块建立所述无资料梯级水库流域的水文模型。
利用Budyko水文模型框架、Muskingum汇流模块以及Degree-day融雪模块建立所述无资料梯级水库流域的水文模型,基本原理是:将集水区的水储量概化为三个含水层:根系层、浅层含水层和深层含水层。使用Budyko界限概念(ffu1981)将降水(P)分为直接径流(Qd)和集水区滞留(X),实际蒸散发(E)直接消耗掉一部分土壤水(S),其余部分和集水区滞留都转换为地下水补给(Rs hallow)。最后,来自深层含水层的基流和来自梯级河道的直接径流通过Muskingum汇流模型汇集到主河道。算式如下:
X=P*ffu1981(X0,P,α1) (8)
Qd=max(0,P―X) (9)
E=W*ffu1981(E0,W,α2) (10)
W=X+S0 (11)
Rshallow=XGW*(W―Y) (12)
Y=W*ffu1981(E0+Smax,W,α2) (13)
Rdeep=(1―XGW)*(W―Y) (14)
S=max(0,Y―E) (15)
上述式中,X0为初始状态滞留,α1和α2分别为根系层和浅层含水层保留系数,W为有效水量,XGW表示浅、深层含水层分配系数,Y为潜在蒸散发,Rdeep为深层地下水补给,S0和Smax分别为初始和最大土壤含水量。地下水总回灌量在两个不同保留系数的含水层之间进行分配,浅层储水量Gshallow、浅层基流Qbaseflow、深层储水量Gdeep和深层基流Qdeep可以通过以下算式计算得到:
Gshallow=max(0,(1―d)*G0_shallow+Rshallow) (16)
Qbaseflow=max(0,d*Rshallow) (17)
Gdeep=max(0,(1―ddeep)*G0_deep+Rdeep) (18)
Qdeep=max(0,ddeep*Gdeep) (19)
上述式中,G0_shallow和G0_deep分别表示初始浅层和深层储水量,d和ddeep分别表示浅、深层基流消退常数。模型中耦合线性水库模块,用于模拟天然系统中能够延迟径流到达主河道的支流过程(参数:NNash,KNash)。来自深层含水层的基流(Qd)和来自梯级河道的直接径流(Qbaseflow)通过Muskingum汇流模型汇集到主河道(参数:x,n)。总地下水量(G)和总径流量(Q)通过以下算式计算得到:
G=Gdeep+Gshallow (20)
Q=Qd+Qbaseflow (21)
Degree-day融雪模块建立,对于度日模型来说,其优点在于气温是模型输入的主要数据要素,相对于其他观测要素,气温较为容易获取;气温的空间插值相对较为容易;模型计算相对简单。基于以上特点,度日模型已广泛的应用于冰川物质平衡、冰川对气候敏感性响应、冰雪融水径流模拟及冰川动力模型等的研究中。高程是决定气候(温度和降水)、积雪和融雪的关键因素。在本发明中,每个子流域根据500m的海拔高度步幅进行分割,每个子流域从250m到6250m被分割成13个高程带(Ei,i=[1 13]),然后计算每个高程带占据整个流域的比例Pi。如算式(22)所示,其中H为整个子流域的平均海拔:
Ti(t)=Tempt(t)+(Eii-H)*Tlaps (23)
其中,t表示某天,Ti(t)和Pi(t)分别代表在i高程带t天的气温和降水,Tlaps为高程每上升100m气温的下降速率,Plaps为高程每上升1m降水的增加速率,Pdays代表在整个模拟时期子流域降水的天数,Days代表整个模拟时期的天数。
式中,raini(t)和snowi(t)分别代表在t天i高程带的降雨和积雪,T0表示融雪临界温度,D_snow是积雪融化的度日因子,某个子流域在t天的降雨rain(t)和积雪snow(t)通过对每个高程带的结果累加得到,算式如下:
对于步骤S20:对所述无资料梯级水库流域进行水文模拟;可以基于步骤S10得到的无资料梯级水库流域的水文模型以及基于水量平衡原理构建梯级水库汇流方案,对所述无资料梯级水库流域进行水文模拟;具体包括:
S21:获取模拟请求,对模拟输入数据进行预处理,提取模拟输入数据的时间序列特征;
S22:将所述时间序列特征输入所述无资料梯级水库流域的水文模型进行水文模拟,并输出所述水文模拟的结果。
对于步骤S21,具体包括:
S211,根据用户模拟需求生成模拟请求。
用户模拟需求包括指定模拟日期,相应日期的对地观测数据存储位置以及模拟结果输出位置。模拟请求中还包括指定的模拟参数配置文件。针对不同的数据源,如在引入不同的率定数据的情况下,可能出现不同的水文参数配置文件。
对于步骤S22,具体包括:
步骤S221,根据模拟请求进行模拟。
具体是根据步骤S211检索模拟请求中的模拟日期,相应日期的对地观测数据存储位置以及模拟参数配置文件,模拟结果。
步骤S222,对模拟结果进行融合处理。
具体是对于模拟得到的多指标进行融合处理,得到用户关注区域的最终模拟结果。
步骤S223,生成模拟响应并返回模拟结果。
模拟响应对模拟结果进行封装,根据步骤S211中模拟请求中的模拟结果输出位置进行处理。例如,输出DAT格式或TXT格式返回给用户。
本实施例的无资料梯级水库流域水文模拟方法,基于多目标和多目标函数对所述无资料梯级水库流域的水文参数进行高精度的率定,通过无资料梯级水库流域的多源遥感对地观测数据、径流汇流和水文参数率定建立无资料梯级水库流域的水文模型;基于所述无资料梯级水库流域的水文模型对所述无资料梯级水库流域进行水文模拟,可明晰梯级水库面积、水位、蓄水量变化过程以及蓄水策略与运行规则,提高天然径流模拟精度,可定量揭示气候变化和水库调控对流域出口径流的影响以及对下游丰枯变化的水量控制效应。从而可以提高当前复杂变化环境下跨境河流梯级水库流域水资源演变的科学认知,使流域沿线各国在水资源科学利用上达成共识,形成区域社会经济可持续发展的重要基础,对促进流域地区安全稳定、保障国家能源储备、促进边疆地区稳定发展等具有重要的战略意义。
实施例二
基于实施例一的方法,在实施例二中,如图3、4所示,本发明公开一种无资料梯级水库流域水文模拟系统,所述系统包括:
模型构建模块,用于建立所述无资料梯级水库流域的水文模型;
水文模拟模块,用于对所述无资料梯级水库流域进行水文模拟;
可视化模块,用于可视化所述水文模拟的结果;
其中,所述模型构建模块包括:
数据匹配单元,用于获取所述无资料梯级水库流域的多源遥感对地观测数据;
动态变化特征时间序列构建单元,用于根据所述无资料梯级水库流域的多源遥感对地观测数据构建所述梯级水库水位、面积以及蓄水量变化的动态变化特征时间序列;
水文参数率定单元,用于基于多目标和多目标函数对所述无资料梯级水库流域的水文参数进行率定;
水文模型构建单元,用于根据所述无资料梯级水库流域的多源遥感对地观测数据、径流汇流和水文参数率定建立所述无资料梯级水库流域的水文模型。
可视化模块包括:处理单元,可视化单元。其中,处理单元基于数据统计分析技术,实现对不同模拟指标验证和统计处理。可视化单元根据处理单元的结果执行可视化,进行估算结果的直观展示。
对于上述实施例中的系统,其中各个模块单元执行步骤的具体方式和方法已经在实施例一中进行了详细描述,此处将不做详细阐述说明。
实施例三
本实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可以在处理器上运行的计算机程序,处理器执行计算机程序时可以运行实施例二公开的无资料梯级水库流域水文模拟系统并实现实施例一公开的无资料梯级水库流域水文模拟方法,执行的具体方式和方法已经在实施例一和二中进行了详细描述,此处将不做详细阐述说明。
实施例四
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,可以运行实施例二公开的无资料梯级水库流域水文模拟系统并实现实施例一公开的无资料梯级水库流域水文模拟方法,执行的具体方式和方法已经在实施例一和二中进行了详细描述,此处将不做详细阐述说明。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种无资料梯级水库流域水文模拟方法,其特征在于,包括:
获取所述无资料梯级水库流域的多源遥感对地观测数据;
根据所述无资料梯级水库流域的多源遥感对地观测数据构建所述梯级水库水位、面积以及蓄水量变化的动态变化特征时间序列;
基于多目标和多目标函数对所述无资料梯级水库流域的水文参数进行率定;
根据所述无资料梯级水库流域的多源遥感对地观测数据、径流汇流和水文参数率定建立所述无资料梯级水库流域的水文模型;
基于水量平衡原理构建梯级水库汇流方案,并基于所述无资料梯级水库流域的水文模型对所述无资料梯级水库流域进行水文模拟;
可视化所述水文模拟的结果。
2.根据权利要求1所述的一种无资料梯级水库流域水文模拟方法,其特征在于,所述基于所述无资料梯级水库流域的水文模型对所述无资料梯级水库流域进行水文模拟,包括:
获取模拟请求,对模拟输入数据进行预处理,提取模拟输入驱动和率定数据的时间序列特征;
将所述时间序列特征输入所述无资料梯级水库流域的水文模型进行水文模拟,并输出所述水文模拟的结果。
3.根据权利要求1所述的一种无资料梯级水库流域水文模拟方法,其特征在于,所述构建所述梯级水库水位、面积以及蓄水量变化的动态变化特征时间序列,包括:
获取所述无资料梯级水库流域的水库水位、面积和蓄水量变化时间序列;
基于所述无资料梯级水库流域的水库水位、面积和蓄水量变化时间序列,根据水量平衡原理重建所有梯级水库的入流、出流以及整个流域出口径流。
4.根据权利要求1所述的一种无资料梯级水库流域水文模拟方法,其特征在于,所述获取所述无资料梯级水库流域的多源遥感对地观测数据,包括:
匹配多源卫星的气象、雷达测高和影像的遥感对地观测数据;
构建所述无资料梯级水库流域的气象驱动、水库动态变化和水文率定遥感数据集。
5.根据权利要求1所述的一种无资料梯级水库流域水文模拟方法,其特征在于,所述根据所述无资料梯级水库流域的多源遥感对地观测数据、径流汇流和水文参数率定建立所述无资料梯级水库流域的水文模型,还包括:
利用Budyko水文模型框架、Muskingum汇流模块以及Degree-day融雪模块建立所述无资料梯级水库流域的水文模型。
6.根据权利要求1所述的一种无资料梯级水库流域水文模拟方法,其特征在于,
所述多目标包括:实测径流、河道测高水位和流域GRACE总水储量变化;
所述多目标函数包括:FDC(流量历时曲线)和Climate Benchmark(气候基准)。
7.根据权利要求6所述的一种无资料梯级水库流域水文模拟方法,其特征在于,所述基于多目标和多目标函数对所述无资料梯级水库流域的水文参数进行率定,还包括:
对所述多目标函数进行整合,整合的目标函数计算多个目标的模拟值和参考值之间的加权标准偏差。
8.根据权利要求1所述的一种无资料梯级水库流域水文模拟方法,其特征在于,所述无资料梯级水库流域的多源遥感对地观测数据包括:
下垫面数据、遥感气象驱动数据、遥感水库动态变化数据和遥感水文模型率定数据;
所述下垫面数据包括数字高程模型、土地利用和覆被数据;
所述遥感气象驱动数据包括降水和温度数据;
所述遥感水库动态变化数据包括水位与面积数据;
所述遥感水文模型率定数据包括实测径流、河道测高水位和流域GRACE总水储量变化数据。
9.根据权利要求8所述的一种无资料梯级水库流域水文模拟方法,其特征在于,所述获取所述无资料梯级水库流域的多源遥感对地观测数据,包括:
基于遥感降水和温度数据,利用区域统计方法(Zonal statistics)提取不同子集水区的降水、最高和最低温度日时间序列,构建遥感气象驱动数据;
根据Landsat遥感影像提取水库范围,基于BQA波段进行阈值测试,择优选择影像,使用NDWI确定水体象元,建立水体范围序列,构建水库面积数据;
基于以下算式计算水位数据H:
其中,R为星地之间的距离,hsat为卫星高程,iono_corr为电离层延迟修正,dry_trop_corr为对流层干延迟修正,wet_trop_corr为对流层干湿延迟修正,earth_trop_corr为固体潮修正,pole_tide为极潮修正,N为大地水准面改正量;
基于以下算式计算水库蓄水变化量ΔVt;
其中,St-1、St分别表示t-1时刻和t时刻的水库面积,ΔH表示t-1时刻和t时刻大坝位置的水位差。
10.一种无资料梯级水库流域水文模拟系统,其特征在于,包括:
模型构建模块,用于建立所述无资料梯级水库流域的水文模型;
水文模拟模块,用于对所述无资料梯级水库流域进行水文模拟;
可视化模块,用于可视化所述水文模拟的结果;
所述模型构建模块包括:
数据匹配单元,用于获取所述无资料梯级水库流域的多源遥感对地观测数据;
动态变化特征时间序列构建单元,用于根据所述无资料梯级水库流域的多源遥感对地观测数据构建所述梯级水库水位、面积以及蓄水量变化的动态变化特征时间序列;
水文参数率定单元,用于基于多目标和多目标函数对所述无资料梯级水库流域的水文参数进行率定;
水文模型构建单元,用于根据所述无资料梯级水库流域的多源遥感对地观测数据、径流汇流和水文参数率定建立所述无资料梯级水库流域的水文模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211282050.4A CN115544785B (zh) | 2022-10-19 | 2022-10-19 | 一种无资料梯级水库流域水文模拟方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211282050.4A CN115544785B (zh) | 2022-10-19 | 2022-10-19 | 一种无资料梯级水库流域水文模拟方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115544785A true CN115544785A (zh) | 2022-12-30 |
CN115544785B CN115544785B (zh) | 2023-04-11 |
Family
ID=84735314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211282050.4A Active CN115544785B (zh) | 2022-10-19 | 2022-10-19 | 一种无资料梯级水库流域水文模拟方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115544785B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562176A (zh) * | 2023-07-11 | 2023-08-08 | 成都理工大学 | 一种基于耦合神经网络与水文物理模型的径流模拟方法 |
CN117172965A (zh) * | 2023-11-03 | 2023-12-05 | 长江三峡集团实业发展(北京)有限公司 | 一种考虑气候变化的梯级水库群水能资源评估方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599571A (zh) * | 2016-12-12 | 2017-04-26 | 武汉大学 | 兼顾流量和蒸发的流域水文模型分期率定方法 |
CN109754025A (zh) * | 2019-02-02 | 2019-05-14 | 中国水利水电科学研究院 | 一种结合水文模拟和连续遥感影像的无资料小水库参数识别方法 |
CN112700068A (zh) * | 2021-01-15 | 2021-04-23 | 武汉大学 | 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 |
CN112800636A (zh) * | 2021-04-08 | 2021-05-14 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种估算无资料地区流域地表水资源量的方法及系统 |
-
2022
- 2022-10-19 CN CN202211282050.4A patent/CN115544785B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599571A (zh) * | 2016-12-12 | 2017-04-26 | 武汉大学 | 兼顾流量和蒸发的流域水文模型分期率定方法 |
CN109754025A (zh) * | 2019-02-02 | 2019-05-14 | 中国水利水电科学研究院 | 一种结合水文模拟和连续遥感影像的无资料小水库参数识别方法 |
CN112700068A (zh) * | 2021-01-15 | 2021-04-23 | 武汉大学 | 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 |
CN112800636A (zh) * | 2021-04-08 | 2021-05-14 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种估算无资料地区流域地表水资源量的方法及系统 |
Non-Patent Citations (1)
Title |
---|
JUAN WANG 等: "Simulation of Lake Water Volume in Ungauged Terminal Lake Basin Based on Multi-Source Remote Sensing" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562176A (zh) * | 2023-07-11 | 2023-08-08 | 成都理工大学 | 一种基于耦合神经网络与水文物理模型的径流模拟方法 |
CN116562176B (zh) * | 2023-07-11 | 2023-10-03 | 成都理工大学 | 一种基于耦合神经网络与水文物理模型的径流模拟方法 |
CN117172965A (zh) * | 2023-11-03 | 2023-12-05 | 长江三峡集团实业发展(北京)有限公司 | 一种考虑气候变化的梯级水库群水能资源评估方法及装置 |
CN117172965B (zh) * | 2023-11-03 | 2024-02-09 | 长江三峡集团实业发展(北京)有限公司 | 一种考虑气候变化的梯级水库群水能资源评估方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115544785B (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115544785B (zh) | 一种无资料梯级水库流域水文模拟方法和系统 | |
CN109815305B (zh) | 一种无资料地区场次洪水径流过程反演的方法 | |
Fumière et al. | Extreme rainfall in Mediterranean France during the fall: added value of the CNRM-AROME Convection-Permitting Regional Climate Model | |
Lauri et al. | Using reanalysis and remotely sensed temperature and precipitation data for hydrological modeling in monsoon climate: Mekong River case study | |
Haiden et al. | The Integrated Nowcasting through Comprehensive Analysis (INCA) system and its validation over the Eastern Alpine region | |
Yoon et al. | Estimating river bathymetry from data assimilation of synthetic SWOT measurements | |
Fiddes et al. | TopoSCALE v. 1.0: downscaling gridded climate data in complex terrain | |
Mourre et al. | Spatio-temporal assessment of WRF, TRMM and in situ precipitation data in a tropical mountain environment (Cordillera Blanca, Peru) | |
Dou et al. | The simulation of snowmelt runoff in the ungauged Kaidu River Basin of TianShan Mountains, China | |
Serreze et al. | Monitoring precipitation over the Arctic terrestrial drainage system: Data requirements, shortcomings, and applications of atmospheric reanalysis | |
Alfieri et al. | High resolution satellite products improve hydrological modeling in northern Italy | |
Chubb et al. | Estimation of wind-induced losses from a precipitation gauge network in the Australian snowy mountains | |
Atencia et al. | Effect of radar rainfall time resolution on the predictive capability of a distributed hydrologic model | |
CN113281754B (zh) | 一种雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法 | |
Bhattacharya et al. | A case study for the assessment of the suitability of gridded reanalysis weather data for hydrological simulation in Beas river basin of North Western Himalaya | |
CN116305933B (zh) | 一种基于dem数据的坡面产汇流简易计算方法及装置 | |
Rezacova et al. | An estimation of the probable maximum precipitation for river basins in the Czech Republic | |
Wong et al. | Towards the blending of NWP with nowcast—Operation experience in B08FDP | |
Zhang et al. | Using NWP simulations in satellite rainfall estimation of heavy precipitation events over mountainous areas | |
Lupakov et al. | Application of different structures of HBV model to studying runoff formation processes: case study of experimental catchments | |
Beaucage et al. | Synthetic aperture radar satellite data for offshore wind assessment: A strategic sampling approach | |
CN116823579B (zh) | 一种高山冰川湖泊水量变化预测方法和系统 | |
Vieux et al. | Distributed hydrologic prediction: Sensitivity to accuracy of initial soil moisture conditions and radar rainfall input | |
Nourani et al. | Multi-station calibration strategy for evaluation and sensitivity analysis of the snowmelt runoff model using MODIS satellite images | |
Nagler et al. | The application of ERS-1 SAR for snowmelt runoff modelling |
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 |