CN115641696B - 基于多源信息的网格化洪水预报模型构建及实时校正方法 - Google Patents

Abstract

本发明提供了基于多源信息的网格化洪水预报模型构建及实时校正方法，属于洪水预报技术领域，用于解决现有技术中无法应用现有观测信息提高洪水预报精度的问题。该方法基于现有水文、气象和下垫面等多源信息划分流域网格，设置水文模型以及基于KNN和集合卡尔曼滤波的网格化联合校正方法，可充分利用洪水发生发展过程中的不同来源观测信息，实现网格化的洪水预报结果输出和实时校正，从而提高洪水实时预报精度，为防洪减灾提供更有力的支撑。

Description

基于多源信息的网格化洪水预报模型构建及实时校正方法

技术领域

本发明属于洪水预报技术领域，尤其涉及一种基于多源信息的网格化洪水预报模型构建及实时校正方法。

背景技术

现有的洪水预报模型可分为水文模型和水力学模型，其中水力学模型主要是针对河道洪水而言的，流域洪水预报多采用水文模型。水文模型又可分为经验性、概念性与物理性三类。经验性水文模型多采用降雨-径流相关分析、Horton下渗理论以及Sherman单位线等理论描述产汇流机制；概念性水文模型又称为集总式水文模型，是将实际经验与以往的研究成果加以理论解释，使其系统化、逻辑化，通过集总式方式描述流域上发生的水文过程，概念性模型的参数虽具有一定的物理意义，但很难被直接测定或测算，必须利用流域出口断面的实测水文过程进行模型参数率定和检验，Stanford、Tank、SAC-SMA、新安江模型与陕北模型等许多流域水文模型属于概念型模型；物理性水文模型是利用质量、动量与能量守恒定律，将水流运动的偏微分方程直接离散化，应用初始条件及边界条件对方程进行数据分析法求解，这类模型也称谓分布式水文模型，如MIKE SHE模型等，其参数理论上可通过直接测量或估算得到，但由于水文过程的高度非线性与复杂性特征，物理性模型中往往也包含了达西定律和曼宁公式等经验性的内容，完全的物理性模型即完全分布式水文模型目前是很难实现的。

相关研究表明，分布式水文模型的洪水预报效果优于或至少相当于率定过的集总式水文模型，但在目前洪水预报及预警工作中应用较少，仍大多采用经验性和集总式水文模型。虽然分布式水文模型考虑了更为详细的局部水文气象下垫面信息等，但其所需要的观测资料较多，难以全部获取，即使是观测系统较为完备的大江大河流域也难以满足如此精细化的资料要求，同时由于其结构复杂，计算过程往往更加耗时，难以满足洪水预报预警工作的时效性要求。

随着观测技术的发展，全国各流域水文气象和下垫面等都新增了很多观测站点和观测设备，这些新的观测手段有望在洪水发生发展过程中提供更为及时准确的现场信息，已经能够提供更为详细的如雨量场(网格化的短临降雨预报或实测雨量)与流域状态场(土壤含水量、河道水位流量、库塘闸坝蓄水状况)等信息，这些信息在流域洪水预报和实时校正中可发挥积极作用，但这些多源信息仍无法支撑分布式水文模型，也无法直接在经验方案或集总式水文模型中应用，因此，无法基于现有观测技术的发展提高洪水预报精度。

为提高中小河流洪水预报的精细化水平，目前已有栅格型新安江模型，是基于DEM构建的分布式水文模型。常用的DEM一般为90m×90m或30m×30m的网格，这种基于DEM划分的栅格由于划分太细，一方面增加了模型应用于洪水预报的难度，难以实现快速洪水预报的要求；另一方面，目前流域也没有如此细化的观测信息应用。同时，目前并没有针对这种细化到栅格模型的实时校正方法，使得洪水发生发展过程中的流域观测信息无法及时更新到模型中实现实时校正。

发明内容

本发明针对现有集总式水文模型只考虑流域出口断面信息，中间的雨量场、状态场和流量场信息等无法应用于集总式水文模型的实时校正，而已有的栅格水文模型由于计算复杂、适用性差，也难以应用观测站点信息，从而限制了洪水预报精度提高的缺点，将常用的集总式水文模型进行网格化重构，提出一种基于多源信息的网格化洪水预报模型构建及实时校正方法，解决现有技术中无法应用现有观测信息提高洪水预报精度的问题，该方法基于现有观测信息分布划分网格尺度，充分利用现有观测信息提高洪水预报精度，为洪水预报预警及防洪减灾提供支撑。

为了实现上述目的，本发明采用以下技术方案：

基于多源信息的网格化洪水预报模型构建及实时校正方法，包括以下步骤：

步骤A：获得目标流域中多源信息观测站点位置及观测信息；

步骤B：在ArcGIS系统中对某一单源信息观测站点进行空间相关分析，然后利用克里金空间插值法进行插值，比较分析不同网格尺度大小对插值误差的影响，选取插值误差较小的网格尺度，并参考其它至少一种单源信息观测站点分布信息，使得各观测站点位于网格内，得到适宜网格尺度；

步骤C：根据步骤B确定的网格尺度，对目标流域进行网格剖分；

步骤D：获得目标流域历史上N场实测洪水过程的水文资料，作为模型率定期，形成降水洪水历史特征库；

步骤E：在每个网格单元尺度上，计算水文信息，设置水文模型及初始参数，进行产汇流计算，按DEM分析生成流域河网，沿河网逐步演算至流域出口断面；

步骤F：对有流量信息的网格单元和出口断面分别进行计算洪水预报精度，回到步骤E，调整水文模型参数，直至网格单元和出口断面流量过程预报精度达到稳定值，完成率定；

步骤G：计算每个网格产汇流对于流域出口断面或有流量信息的网格流量的权重；

步骤H：获得N场实测洪水发生过程中测得的网格尺度上的实时水位或流量信息，输入网格化的水文模型中，采用基于KNN和集合卡尔曼滤波的网格化联合校正方法在相应网格单元尺度上进行校正，网格上的流量或水位信息，以步骤G的权重对流域出口断面或有流量信息的网格流量进行更新。

进一步的，步骤A中，所述观测站点包括但不限于雨量站、气象站、水文站、蒸发站、水位站、土壤墒情站。

进一步的，步骤A中，若有预报雨量信息，亦获取预报雨量网格信息。

进一步的，步骤B中，各观测站点位于网格内后，与预报雨量网格进行对照分析，对网格尺度进行调整，得到最适宜网格尺度。

进一步的，步骤D中，所述水文资料包括但不限于降雨量、流量、水位、土壤墒情。

进一步的，步骤E中，所述水文信息包括但不限于降水信息、蒸发信息、土壤含水量信息。

进一步的，步骤E中，所述水文模型包括但不限于新安江模型。

进一步的，步骤H中，若缺流量信息，则应用历史特征库信息补充。

进一步的，步骤H中，所述基于KNN和集合卡尔曼滤波的网格化联合校正方法，具体为：

(1)依据网格尺度的水文信息，输入率定好的网格水文模型，得到初始洪水预报结果；

(2)应用集合卡尔曼滤波方法，结合实时网格水文资料，计算预测协方差矩阵和增益矩阵，更新状态变量，对初始洪水预报结果进行初步校正，尤其是洪峰流量和峰现时间的修正；

(3)结合历史洪水特征库，应用KNN方法，选择历史相似洪水过程，通过模型预报得到历史洪水误差序列，计算洪水误差序列与历史特征库中的误差向量的欧氏距离，使欧氏距离最小求得修正序列，从而对洪水预报过程进行再修正。

与现有技术相比，本发明的有益技术效果：本发明提出的网格化洪水预报模型及实时校正方法基于现有水文、气象和下垫面等多源信息划分流域网格，设置水文模型以及基于KNN和集合卡尔曼滤波的网格化联合校正方法，可充分利用洪水发生发展过程中的不同来源观测信息，实现网格化的洪水预报结果输出和实时校正，从而提高洪水实时预报精度，为防洪减灾提供更有力的支撑。

附图说明

图1是本发明一实施例中流域网格划分流程示意图；

图2是本发明一实施例中基于KNN和集合卡尔曼滤波的网格化联合校正流程示意图；

图3是本发明一实施例中网格尺度实时校正流程图；

图4是本发明一实施例中流域及子流域尺度实时校正流程图

图5是本发明另一实施例中横江屯溪以上流域水系分布图；

图6是本发明另一实施例中横江屯溪以上流域观测站点分布图；

图7是本发明另一实施例中横江屯溪以上流域网格划分图；

图8是本发明另一实施例中横江屯溪以上流域河网网格划分图；

图9是本发明另一实施例中2019年2场次之一洪水预报及校正结果图；

图10是本发明另一实施例中2019年2场次之二洪水预报及校正结果图；

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

实施例

请参阅附图1所示，基于多源信息的网格化洪水预报模型构建及实时校正方法，包括以下步骤：

步骤A：获得目标流域中雨量站、气象站、水文站、蒸发站、水位站、土壤墒情站等多源信息观测站点位置及观测信息；若有预报雨量信息，亦获取预报雨量网格信息；

步骤B：在ArcGIS系统中对雨量站点进行空间相关分析，然后利用克里金空间插值法进行插值，比较分析不同网格尺度大小对插值误差的影响，选取插值误差较小的网格尺度，并参考水文站、蒸发站、水位站、土壤墒情站等分布信息，使得各观测站点位于网格内；同时，若有预报雨量网格，则与预报雨量网格进行对照分析，得到最适宜网格尺度；

步骤C：根据步骤B确定的网格尺度，对目标流域进行网格剖分；

步骤D：获得目标流域历史上N场实测洪水过程的降雨量、流量、水位、土壤墒情等水文资料，作为模型率定期，形成降水洪水历史特征库；

步骤E：在每个网格单元尺度上，计算降水、蒸发、土壤含水量等信息，设置新安江模型及初始参数，进行产汇流计算，按DEM分析生成流域河网，沿河网逐步演算至流域出口断面；

步骤F：对有流量信息的网格单元和出口断面分别进行计算洪水预报精度，回到步骤E，调整水文模型参数，直至网格单元和出口断面流量过程预报精度达到稳定值，完成率定；

步骤G：计算每个网格产汇流对于流域出口断面或有流量信息的网格流量的权重；

步骤H：获得N场实测洪水发生过程中测得的网格尺度上的实时水位或流量信息，流量信息若缺，则应用历史特征库信息补充，输入网格化的水文模型中，采用基于KNN和集合卡尔曼滤波的网格化联合校正方法在相应网格单元尺度上进行校正，网格上的流量或水位信息，以步骤G的权重对流域出口断面或有流量信息的网格流量进行更新。

具体的，请参阅附图2-4所示，所述基于KNN和集合卡尔曼滤波的网格化联合校正方法为：

(1)依据网格尺度的降水、蒸发、土壤墒情等信息，输入率定好的网格新安江模型，得到初始洪水预报结果；

(2)应用集合卡尔曼滤波方法，结合实时网格流量、水位、降水或土壤含水量，计算预测协方差矩阵和增益矩阵，更新状态变量，对初始洪水预报结果进行初步校正，尤其是洪峰流量和峰现时间的修正；

(3)结合历史洪水特征库，应用KNN方法，选择历史相似洪水过程，通过模型预报得到历史洪水误差序列，计算洪水误差序列与历史特征库中的误差向量的欧氏距离，使欧氏距离最小求得修正序列，从而对洪水预报过程进行再修正。

集合卡尔曼滤波方法可充分利用洪水产汇流过程中的前面时段的状态信息形成预报误差方差，对预报洪水过程进行校正，其优势在于对实时观测信息的更新和应用，体现在对洪峰流量和峰现时间的修正；KNN(K-nearest neighbor)方法是通过识别历史相似洪水特征库，利用相似历史洪水实测系列来对预报洪水系列进行修正，其主要特征是对历史发生过的类似洪水过程信息的应用，体现在整个洪水预报过程的修正。基于此，联合两种实时校正方法能够同时充分利用实时观测信息和历史经验，从而提高洪水预报实时校正的精度和稳定性。

以横江屯溪以上流域为例，该流域位于安徽省南部黄山市境内，属于钱塘江水系，新安江流域的上游地区，靠近中国东南沿海，受季风影响较为严重，多年平均气温15℃左右，平均年降水量1670mm，最高达2708mm，降水多集中于4～10月。屯溪流域内的水系主要是率水、横江，流域控制面积2707.60km2。本研究选择的资料为屯溪流域1996～2017年、2019年的汛期(4月～10月)摘录的9个雨量站的实测降雨量资料和屯溪站的实测水文资料，从中筛选出52场洪水进行场次洪水模拟，其中41场作为率定场次，11场作为检验场次。如图5和6所示，按照雨量站、水文站、水位站、气象站、土壤墒情站、水利工程等分布，参考预报降水网格划分，将流域划分为1km×1km网格，如图7和8所示。以2019年两场检验洪水为例，应用流域网格内实时降水量和水位流量、土壤墒情信息校正后，其预报精度明显提高，如图9和10所示。根据《水文情报预报规范GB/T 22482-2008》，表1给出了验证期52场洪水的预报合格率统计情况。

表1 52场洪水预报及校正结果

结果表明，网格尺度的实时信息更新能较显著地提升洪水预报精度。集合卡尔曼滤波和KNN单一校正方法的校正结果存在一定的锯齿波动，这一现象在联合校正方法中得到了有效缓解。集合卡尔曼滤波和KNN联合校正方法相较于卡尔曼滤波和KNN单一校正方法，在洪峰流量、峰现时间和洪水总量的预报上均有更好的效果(表1)，尤其峰现时间误差显著减小、合格率显著提升。集合卡尔曼滤波方法对KNN校正的序列首先进行了处理，使得模拟过程中出现异常值的可能性大大降低，产生的误差序列也具有更好的稳定性与一致性，使得依赖于历史误差的KNN方法校正效果更好；同时，KNN方法对于消除集合卡尔曼滤波方法产生的误差后传播具有一定的修正作用，因而联合校正方法具有明确的优势。

Claims (9)

1.基于多源信息的网格化洪水预报模型构建及实时校正方法，其特征在于，包括以下步骤：

步骤A：获得目标流域中多源信息观测站点位置及观测信息；

步骤B：在ArcGIS系统中对某一单源信息观测站点进行空间相关分析，然后利用克里金空间插值法进行插值，比较分析不同网格尺度大小对插值误差的影响，选取插值误差小的网格尺度，并参考其它至少一种单源信息观测站点分布信息，使得各观测站点位于网格内，得到适宜网格尺度；

步骤C：根据步骤B确定的网格尺度，对目标流域进行网格剖分；

步骤D：获得目标流域历史上N场实测洪水过程的水文资料，作为模型率定期，形成降水洪水历史特征库；

步骤E：在每个网格单元尺度上，计算水文信息，设置水文模型及初始参数，进行产汇流计算，按DEM分析生成流域河网，沿河网逐步演算至流域出口断面；

步骤F：对有流量信息的网格单元和出口断面分别进行计算洪水预报精度，回到步骤E，调整水文模型参数，直至网格单元和出口断面流量过程预报精度达到稳定值，完成率定；

步骤G：计算每个网格产汇流对于流域出口断面或有流量信息的网格流量的权重；

步骤H：获得N场实测洪水发生过程中测得的网格尺度上的实时水位或流量信息，输入网格化的水文模型中，采用基于KNN和集合卡尔曼滤波的网格化联合校正方法在相应网格单元尺度上进行校正，网格上的流量或水位信息，以步骤G的权重对流域出口断面或有流量信息的网格流量进行更新。

2.根据权利要求1所述的基于多源信息的网格化洪水预报模型构建及实时校正方法，其特征在于：步骤A中，所述观测站点包括但不限于雨量站、气象站、水文站、蒸发站、水位站、土壤墒情站。

3.根据权利要求1所述的基于多源信息的网格化洪水预报模型构建及实时校正方法，其特征在于：步骤A中，若有预报雨量信息，亦获取预报雨量网格信息。

4.根据权利要求3所述的基于多源信息的网格化洪水预报模型构建及实时校正方法，其特征在于：步骤B中，各观测站点位于网格内后，与预报雨量网格进行对照分析，对网格尺度进行调整，得到最适宜网格尺度。

5.根据权利要求1所述的基于多源信息的网格化洪水预报模型构建及实时校正方法，其特征在于：步骤D中，所述水文资料包括但不限于降雨量、流量、水位、土壤墒情。

6.根据权利要求1所述的基于多源信息的网格化洪水预报模型构建及实时校正方法，其特征在于：步骤E中，所述水文信息包括但不限于降水信息、蒸发信息、土壤含水量信息。

7.根据权利要求1所述的基于多源信息的网格化洪水预报模型构建及实时校正方法，其特征在于：步骤E中，所述水文模型包括但不限于新安江模型。

8.根据权利要求1所述的基于多源信息的网格化洪水预报模型构建及实时校正方法，其特征在于：步骤H中，若缺流量信息，则应用历史特征库信息补充。

9.根据权利要求1所述的基于多源信息的网格化洪水预报模型构建及实时校正方法，其特征在于，所述基于KNN和集合卡尔曼滤波的网格化联合校正方法为：

(1)依据网格尺度的水文信息，输入率定好的网格水文模型，得到初始洪水预报结果；

(2)应用集合卡尔曼滤波方法，结合实时网格水文资料，计算预测协方差矩阵和增益矩阵，更新状态变量，对初始洪水预报结果进行初步校正；

(3)结合历史洪水特征库，应用KNN方法，选择历史相似洪水过程，通过模型预报得到历史洪水误差序列，计算洪水误差序列与历史特征库中的误差向量的欧氏距离，使欧氏距离最小求得修正序列，从而对洪水预报过程进行再修正。