JP2022540885A - 予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法 - Google Patents

予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法 Download PDF

Info

Publication number
JP2022540885A
JP2022540885A JP2022502259A JP2022502259A JP2022540885A JP 2022540885 A JP2022540885 A JP 2022540885A JP 2022502259 A JP2022502259 A JP 2022502259A JP 2022502259 A JP2022502259 A JP 2022502259A JP 2022540885 A JP2022540885 A JP 2022540885A
Authority
JP
Japan
Prior art keywords
runoff
forecast
period
data
reservoir
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
Application number
JP2022502259A
Other languages
English (en)
Other versions
JP7310004B2 (ja
Inventor
浩 王
明祥 楊
会超 戴
云鍾 蒋
勇 趙
寧澎 董
恒 楊
永楠 朱
朝暉 楊
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 Institute of Water Resources and Hydropower Research
Original Assignee
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 Institute of Water Resources and Hydropower Research filed Critical China Institute of Water Resources and Hydropower Research
Publication of JP2022540885A publication Critical patent/JP2022540885A/ja
Application granted granted Critical
Publication of JP7310004B2 publication Critical patent/JP7310004B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q50/06—Energy or water supply
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

本発明は、資料を収集するステップと、収集された資料に基づいて、既知の水文モデルとＫＮＮモデルを利用して調節・蓄積影響量推定モデルを確立するステップと、収集された資料を組み合わせて水文モデルを駆動し、将来の流出量を予測するステップと、前の期間の予報誤差を取得するステップと、前の期間の予報誤差に基づいて、調節・蓄積影響量推定モデルを組み合わせて、将来の調節・蓄積影響量推定値を取得するステップと、将来の流出量に将来の調節・蓄積影響量推定値を加算して将来の期間における流出予報値を取得するステップと、を含む予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法を開示する。【選択図】図１

Description

本発明は水文予報技術分野に関し、特に予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法に関する。
正確な水文予報は水害干ばつ防止、各種用水を供給する利水事業を展開する前提であり、高い経済的、社会的価値を有する。科学技術の絶え間ない進歩に伴い、自然を変える人間の能力はますます強くなり、貯水池を建築して都市に水を供給することや、水エネルギー資源を利用して発電することは人間が自然を変え、自然を活用する具体例と見なされる。
現在、中国は十万基以上の貯水池工事を有し、世界で貯水池の数が最も多い国であり、大量の貯水池は中国の経済発展に利便さをもたらしたが、河川流域の水文法則を激しく変え、天然流出過程が人間活動の影響下での流出過程に変えられ、これは水文予報の仕事に難題をもたらした。これは、貯水池工事群が流出時間配分を変える能力があり、一定期間内に流入した水を蓄積することができ（流入量が流出量より大きい）、また一定期間内に貯水池に蓄積された水を放出することができる（流出量が流入量より大きい）ことが主因であり、それにより、降水、流出形成、合流、河道進化の天然水文法則を破り、従来の調節・蓄積影響量推定モデルの正確さを著しく低下させる。
現在、上流貯水池群の貯水・放流による下流流出予報の正確さが低い問題に対して、主に上流貯水池群の貯水・放流計画をリアルタイムに取得することに、区間水文予報の成果を重ねて加えることを通して解決したのである。この方法を適用できる前提は、上流貯水池群の貯水・放流計画情報を取得できることにあるが、実際には、ほとんどの場合、上流貯水池がそのような情報を直接共有したり提供したりしない（商業機密などに関わるため）、また多くの場合、予報断面上流の貯水池群の数が非常に膨大であるため、大多数の場合に予報断面上流の貯水池群の貯水・放流計画情報を取得できない。そのため、上流貯水池群の影響による従来の水文推定モデルの正確さが低い。従来の解決方法は、適用条件が過酷であり、実際的な操作性がないという問題がある。
本発明は予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法を提供することを目的とし、それによって従来技術に存在する前記問題を解決する。
上記目的を達成するために、本発明は、以下の技術的解決手段を採用する。
予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法であって、前記方法は、
資料を収集するステップＳ１と、
収集された資料に基づいて、既知の水文モデルとＫＮＮモデルを利用して調節・蓄積影響量推定モデルを確立するステップＳ２と、
収集された資料を組み合わせて水文モデルを駆動して、将来の流出量を予測するステップＳ３と、
前の期間の予報誤差を取得するステップＳ４と、
前の期間の予報誤差に基づいて、調節・蓄積影響量推定モデルを組み合わせて、将来の調節・蓄積影響量推定値を取得するステップＳ５と、
将来の流出量に将来の調節・蓄積影響量推定値を加算して将来の期間における流出予報値を取得するステップＳ６と、を含む。
好ましくは、ステップＳ１で収集された資料は、具体的に、降水データと流出データを含み、前記降水データは、上流貯水池が下流流出過程に著しく影響し始めた時点から現時点までの期間にわたる降水データであり、前記流出データは、上流貯水池が下流流出過程に著しく影響し始めた時点から現時点までの期間にわたる流出データである。
好ましくは、ステップＳ２は、具体的に、
予報誤差は上流貯水池の調節・蓄積による天然流出変化が主因と見なされることを前提として、下記の予報誤差計算式
ω＝δ＋ε
（ここで、ωは総予報誤差であり、δは上流貯水池の調節・蓄積による予報誤差であり、εは他の予報誤差であり、ω≒δである）を取得するステップＳ２１と、
貯水池の調節・蓄積による流出変化メカニズムは、
δｉ＝Ｔ（ｓｔａｔｅｉ－１）
（ここで、ｓｔａｔｅｉ－１は貯水池の初期時点の状態、すなわち前の期間末の貯水池の状態であり、δｉは現時点の流出予報誤差、すなわち貯水池の調節・蓄積による流出変化量である）と一般化できるため、現時点の貯水池状態を、
ｓｔａｔｅｉ＝ｓｔａｔｅｉ－１－８６４００×δｉ
で計算するステップＳ２２と、
既知の水文モデルとＫＮＮモデルを利用して、現在の期間予報誤差と次の期間貯水池の調節・蓄積による流出変化量との関係である調節・蓄積影響量推定モデルを確立するステップＳ２３と、を含む。
好ましくは、前記既知の水文モデルは、新安江モデルである。
好ましくは、ステップＳ２３は、具体的に、
降水データと流出データを水文モデルに入力し、水文モデルが出力した、各期間の流出量を含む流出シーケンス｛Ｆ１，Ｆ２，Ｆ３，…Ｆｎ｝を取得するステップＳ２３１と、
水文モデルが出力した流出予報シーケンスに基づいて、同期間の流出データを組み合わせて、ｊ期間の予報誤差δｊとｊ＋１期間の貯水池の調節・蓄積による流出変化量Δｑｊ＋１とで構成されるデータセット｛δｊ，Δｑｊ＋１｝（ここで、ｊ∈（０，ｎ］）を取得できるステップＳ２３２と、
ステップＳ２３２におけるデータセットを組み合わせて、且つＫＮＮモデルにおけるハイパーパラメータｋ＝５を設定することにより、調節・蓄積影響量推定モデル、すなわち現在の期間の予報誤差と、次の期間の貯水池調節・蓄積による流出変化量との関係を取得することができるステップＳ２３３と、を含む。
好ましくは、ステップＳ３は具体的に、予報予定日を選択し、降水データと流出データを組み合わせて、水文モデルを駆動することにより、予報予定日の流出量を取得し、将来の流出量の予報を実現することができる。
好ましくは、ステップＳ４は、具体的に、予報期間がｉ＋１にされる場合、前の期間がｉになり、ｉ期間の予報誤差を取得し、すなわちｉ期間の流出データからｉ期間における流出予報値を減算し、
δｉ＝Ｑｉ－Ｆｉ
（ここで、δｉはｉ期間の予報誤差であり、Ｑｉはｉ期間の流出データであり、Ｆｉはｉ期間における流出予報値である）
で表すことができる。
好ましくは、ステップＳ５は、具体的に、ｉ期間の予報誤差を調節・蓄積影響量推定モデルに入力し、ｉ期間の予報誤差とデータセット｛δｊ，Δｑｊ＋１｝におけるそれぞれのｊ期間の予報誤差の間の距離｜δｉ－δｊ｜を取得し、距離が最も小さいｊ期間の予報誤差に対応する流出変化量Δｑｊ＋１を５つ抽出し、且つ当該５つの流出変化量Δｑｊ＋１の平均値を計算し、ｉ＋１期間の調節・蓄積影響量推定値Δｑｉ＋１を取得することができる。
好ましくは、ステップＳ６は、具体的に、下記の式
Ｆ’ｉ＋１＝Ｆｉ＋１＋Δｑｉ＋１
（ここで、Ｆ’ｉ＋１は将来のｉ＋１期間の流出予報値であり、Ｆｉ＋１は調節・蓄積影響量推定モデルが出力したｉ＋１期間の流出量であり、Δｑｉ＋１はｉ＋１期間の調節・蓄積影響量推定値である）
で計算する。
本発明の有益な効果は以下のとおりである。１つ目は、本発明が提供する方法は前の時点の予報誤差を利用して、貯水池群の貯水・放流状況の法則を間接的に反映することができ、予報誤差と、貯水池の貯水・放流による流出変化量（影響量）との相関関係を確立し、さらに、調節・蓄積影響量推定モデルの予報結果を修正することにより、上流貯水池群の貯水・放流計画を直接取得せずに、貯水池群からの影響における流出予報を行う目的を達成する。２つ目は、本発明の方法を用いて上流貯水池群の影響を受ける流出予報を実施し、予報過程で上流貯水池群が流出に及ぼす影響量を考慮したため、従来の水文予報方法に比べて、より高い正確さを備える。３つ目は、上流貯水池群の治水利水計画を事前に取得し、貯水池群からの影響における流出予報の正確さを著しく向上させることができ、これは、上流貯水池群の影響による流出予報を実施する従来の方法と手段であり、従来方法を適用する前提は上流貯水池群の治水利水計画を取得できることであり、このような資料は実に容易に取得できず、従来方法の適用条件が厳しく、従来方法と比較すれば、本発明の方法を用いて上流貯水池群の影響を受ける流出予報を実施することは、予報誤差と貯水池群の流出調節・蓄積との相関関係を確立するため、上流の大量の貯水池群の治水利水計画の収集は必要がなくなり、必要な資料はすべて入手しやすい。
本発明の実施例における方法のフローチャートである。
本発明の目的、技術的解決手段及び利点をより明確に理解させるように、以下、図面を参照しながら本発明をさらに詳細に説明する。ここで説明する具体的な実施形態は、本発明の説明を目的としたものにすぎず、本発明を限定するものではないことを理解されたい。
（実施例１）
図１に示すように、本実施例では、予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法を提供し、
前記方法は、
資料を収集するステップＳ１と、
収集された資料に基づいて、既知の水文モデルとＫＮＮモデルを利用して調節・蓄積影響量推定モデルを確立するステップＳ２と、
収集された資料を組み合わせて水文モデルを駆動して、将来の流出量を予測するステップＳ３と、
前の期間の予報誤差を取得するステップＳ４と、
前の期間の予報誤差に基づいて、調節・蓄積影響量推定モデルを組み合わせて、将来の調節・蓄積影響量推定値を取得するステップＳ５と、
将来の流出量に将来の調節・蓄積影響量推定値を加算して将来の期間における流出予報値を取得するステップＳ６と、を含む。
本実施例において、本発明が提供する方法の適用前提は、予報断面に対して予報を実施できる水文モデルが既に存在することであり、当該水文モデルパラメータは上流に貯水池が建築されず、又は貯水池の影響が小さい時期の降水、流出データ率を利用することで決定され、当該断面流出予報の主な誤差は、上流の貯水池の調節・蓄積から生じるものである。以上の前提が成立した場合において、本発明は主に、資料を収集するステップと、調節・蓄積影響量推定モデルを確立し、将来の流量を予報するステップと、前の期間の予報誤差を取得して、将来の調節・蓄積影響量推定値を取得するステップと、将来の流出量予報値と調節・蓄積影響量推定値を加算するステップとを含む。
本実施例において、ステップＳ１で収集された資料は具体的に降水データと流出データを含み、前記降水データは、上流貯水池が下流流出過程に著しく影響し始めた時点から現時点までの期間にわたる降水データであり、前記流出データは、上流貯水池が下流流出過程に著しく影響し始めた時点から現時点までの期間にわたる流出データである。収集すべき資料は具体的に以下の表に示される。
Figure 2022540885000002
本実施例において、ステップＳ２は、具体的に以下のステップを含む。
ステップＳ２１、例として、1日の予測期間での日次スケールの予報を取り上げてみると、本発明方法の適用前提に基づき、予報誤差は上流貯水池の調節・蓄積による天然流出変化が主因と見なされるため、予報誤差は、
ω＝δ＋ε
（ここで、ωは総予報誤差であり、δは上流貯水池の調節・蓄積による予報誤差であり、εは他の予報誤差であり、ω≒δである（単位：ｍ３／ｓ）。）
で表すことができる。
ステップＳ２２、予報誤差は主に上流貯水池の調節・蓄積に起因し、且つ誤差量は調節・蓄積に起因する流出変化量であり、また貯水池の調節・蓄積は貯水池の初期時点の状態を根拠とし、貯水量、貯水位などを含むため、貯水池の調節・蓄積に起因する流出の変化メカニズムは、
δｉ＝Ｔ（ｓｔａｔｅｉ－１）
（ここで、ｓｔａｔｅｉ－１貯水池の初期時点の状態、すなわち前の期間末の貯水池状態であり、δｉは現時点の流出予報誤差、すなわち貯水池の調節・蓄積による流出変化量である）
と一般化することができる。
貯水池の現在状態が前の時点の状態に貯水池の調節・貯水量を加算することである（流出への影響符号と逆であり、貯水池に貯水量を増加させると、流出量が減少する）ため、現時点の貯水池状態は、
ｓｔａｔｅｉ＝ｓｔａｔｅｉ－１－８６４００×δｉ
で計算し、
現時点の貯水池状態の計算式から分かるように、前の時点での貯水池状態は既知であるため、現在の貯水池状態は現在の予報誤差と線性相関関係にあり、現在の貯水池状態はまた次の期間の流出過程に影響を与え、さらに次の期間の予報誤差を決定し、すなわち現在の予報誤差は次の期間の貯水池の調節・蓄積による流出変化に関連する。
以上の結論に基づいて、現在の期間に既知の予報誤差を利用して将来の期間の貯水池の調節・蓄積による流出変化量を予報することができる。本発明は、ＫＮＮモデルが既知の水文モデルとして選択され、現在の期間の予報誤差と次の期間の貯水池の調節・蓄積による流出変化量との関係を確立する。ＫＮＮモデルの作用メカニズムに基づき、ｉ期間の予報誤差δｉとｉ＋１期間の貯水池の調節・蓄積による流出変化量Δｑｉ＋１とのデータセット｛δｉ，Δｑｉ＋１｝を確立する必要があり、即ち、ステップＳ２３のとおりである。
ステップＳ２３では、既知の水文モデルを利用して、現在の期間の予報誤差と次の期間の貯水池の調節・蓄積による流出変化量との関係である調節・蓄積影響量推定モデルを確立する。既知の水文モデルは新安江モデルである。
本実施例において、ステップＳ２３は、具体的に下記の内容を含む。
ステップＳ２３１、降水データと流出データをＫＮＮモデルに入力し、ＫＮＮモデルが出力した、各期間の流出量を含む流出予報シーケンス｛Ｆ１，Ｆ２，Ｆ３，…Ｆｎ｝を取得する。
ステップＳ２３２、前記流出シミュレーションシーケンスに基づいて、ｊ期間の予報誤差δｊとｊ＋１期間の貯水池の調節・蓄積による流出変化量Δｑｊ＋１とで構成されるデータセット｛δｊ，Δｑｊ＋１｝（ここで、ｊ∈（０，ｎ］）を取得する。
ステップＳ２３３、ステップＳ２３２におけるデータセットを組み合わせて、ＫＮＮモデルにおけるハイパーパラメータｋ＝５を設定することにより、調節・蓄積影響量推定モデル、すなわち現在の期間の予報誤差と次の期間の貯水池調節・蓄積による流出変化量との関係を取得することができる。
まとめれば、ステップＳ２３の主な過程は以下のとおりである。
一、降水などのデータを利用して水文モデルを駆動する。
二、流出シミュレーション（予報）シーケンス｛Ｆ１，Ｆ２，Ｆ３，…Ｆｎ｝を取得する。
三、ｊ期間の予報誤差δｊとｊ＋１期間の貯水池の調節・蓄積による流出変化量Δｑｊ＋１とで構成されるデータセット｛δｊ，Δｑｊ＋１｝（ここで、ｊ∈（０，ｎ］）を取得できる。
本実施例において、ステップＳ３は具体的に、予報予定日を選択し、降水データと流出データを組み合わせて、水文モデルを駆動し、予報予定日の流出量を取得し、将来の流出量の予報を実現することができる。
ステップＳ３において、すなわちデータセットの確立が完了した後、ＫＮＮアルゴリズムの動作メカニズムに基づいて、ＫＮＮにおけるハイパーパラメータｋ＝５を設定し、実際の予報過程で、取得した降水などの資料に基づいて、水文モデルを駆動し、次の時点の貯水池の調節・蓄積による流出変化量を実現することができ、すなわち将来の流出量の予測を実現できる。本発明は1日の予測期間での日次スケールの流出予報について活動を展開するため、ここで予報する将来の流出量は「明日」又は「２番目の期間」の流出量であり、単位はｍ３／ｓである。
本実施例は、ステップＳ４において、具体的に、予報期間がｉ＋１である場合、前の期間がｉであり、ｉ期間の予報誤差を取得し、すなわちｉ期間の流出データからｉ期間の流出予報値を減算し、
δｉ＝Ｑｉ－Ｆｉ
（ここで、δｉはｉ期間の予報誤差であり、Ｑｉはｉ期間の流出データであり、Ｆｉはｉ期間における流出予報値である。）
で表すことができる。
本実施例において、ステップＳ５は、具体的には、ｉ期間の予報誤差を調節・蓄積影響量推定モデルに入力し、ｉ期間の予報誤差とデータセット｛δｊ，Δｑｊ＋１｝におけるそれぞれのｊ期間の予報誤差の間の距離｜δｉ－δｊ｜を取得し、距離が最も小さいｊ期間の予報誤差に対応する流出変化量Δｑｊ＋１を５つ抽出し、且つ当該５つの流出変化量Δｑｊ＋１の平均値を計算し、ｉ＋１期間の調節・蓄積影響量推定値Δｑｉ＋１を取得することができる。
本実施例において、ステップＳ６は、具体的に、下記の式
Ｆ’ｉ＋１＝Ｆｉ＋１＋Δｑｉ＋１
（ここで、Ｆ’ｉ＋１は将来のｉ＋１期間の流出予報値であり、単位はｍ３／ｓであり、Ｆｉ＋１は調節・蓄積影響量推定モデルが出力したｉ＋１期間の流出量であり、単位はｍ３／ｓであり、Δｑｉ＋１はｉ＋１期間の調節・蓄積影響量推定値であり、単位はｍ３／ｓである。）
で計算する。
（実施例２）
本実施例において、丹江口ダム貯水池を研究対象に選定し、予報効果の検証期間は２０１６年７月１日から２０１６年７月３１日までであり、予報目的は１日の予測期間内の日次スケールの流出を取得することである。それにより、本発明が提供する方法の実施過程を詳細に説明する。
一、資料を収集する。収集すべき資料は以下の表に示される（資料が多すぎるため、一部の資料のみが示される）。
Figure 2022540885000003
二、調節・蓄積影響量推定モデルを確立する。
選択された予報効果の検証時間は２０１６年７月１日から２０１６年７月３１日までの期間であるため、２００９年１月１日から２０１６年６月３０日までの降水データを選択して水文モデルを駆動して、履歴予報情報を取得し、且つ２００９年１月１日から２０１６年６月３０日までの流出データを組み合わせて、調節・蓄積影響量推定モデルを確立し、具体的な実施例のステップは以下のとおりである。
（１）、降水などのデータを利用して水文モデルを駆動する。
本実施例で選択された水文モデルはすでに丹江口ダム貯水池に実際に適用した新安江モデルであり、当該モデルは２００９年以前の降水、流出データを用いて較正を行い、較正後のナッシュ効率係数は０．９７に達したが、２００９年以前に丹江口ダム貯水池以上の流域の貯水池の数は相対的に少なく、調節・蓄積能力は限られ、丹江口ダム貯水池への影響は相対的に小さく、天然流出過程と見なされる。２００９年１月１日から２０１６年６月３０日までの日次スケール降水データを用いて、新安江モデルに入力し、対応する期間の日次スケール流出予報データＦｉを取得し、同期間の流出観測データＱｉを組み合わせて、予報誤差情報δｉ及び次の期間の流出変化量Δｑｉ＋１を算出することができ、以下の表に示すとおりである（データが多すぎるため、データの一部のみが示される）。
Figure 2022540885000004
Figure 2022540885000005
Figure 2022540885000006
（２）、流出シミュレーション（予報）｛Ｆ１，Ｆ２，Ｆ３，…Ｆｎ｝を取得する。
上表における「予報流量（Ｆｉ）」は、取得された流出シミュレーション（予報）シーケンスである。
（３）、ｊ期間の予報誤差δｊとｊ＋１期間の貯水池の調節・蓄積による流出変化量Δｑｊ＋１とで構成されるデータセット｛δｊ，Δｑｊ＋１｝（ここで、ｊ∈（０，ｎ］）を取得する。
上表における「予報誤差（δｊ）」と「次の期間の流出変化量（Δｑｊ＋１）」を組み合わせて、「データセット｛δｊ，Δｑｊ＋１｝」を形成する。
以上のデータセットの確立が完了した後、ＫＮＮアルゴリズムの動作メカニズムに基づいて、ＫＮＮモデルにおけるハイパーパラメータｋ＝５を設定し、ここで、調節・蓄積影響量推定モデルの確立が完了したことになる。
三、将来の流出量を予報する。
本実施例で選択された予報の検証期間は２０１６年７月２日から２０１６年７月３１日までの期間であり、合計３０日間の日間流出予報値を含む。本実施例で採用された新安江モデルは将来一日の流出量しか予報できないため、本発明の有効性をよりよく説明するように、２０１６年６月１日から２０１６年６月３０日までの一日累積降水を利用し、水文モデルを駆動して予熱し、予熱した上で、２０１６年７月１日から２０１６年７月３１日までの３１件の降水データを利用して水文モデルを駆動し、３１回実行させ、３１件の予報結果を取得し、下表にリストする。
Figure 2022540885000007
四、前の期間の予報誤差を取得する。
上表における実測流出から新安江モデルによる予報流出を減算して予報誤差（予報期間に対して、当該予報誤差は、前の期間の予報誤差である）を取得する。下表の最後の列に示されるとおりである。
Figure 2022540885000008
上表から見ると、７月には、上流貯水池が流出に対して、様々な程度でせき止めたり蓄積したりしたため、新安江モデルによる予報結果が一般的に高くなったことがわかる。
五、将来の調節・蓄積影響量推定値を取得する。
実施例１で紹介された方法によれば、予報期間の調節・蓄積影響量の予測値（将来の調節・蓄積影響量の推定値）を取得する。下表の最後の例に示されるとおりである。
Figure 2022540885000009
六、将来の流出量予報値に調節・蓄積影響量推定値を加算する。
将来の流出量予報値に調節・蓄積影響量推定値を加算した後、最終予報結果を取得する。下表の最後の列に示されるとおりである。
Figure 2022540885000010
ナッシュ効率係数を利用して本発明による予報流出及び新安江モデルによる予報流出の正確さを定量的に評価すると、本発明による予報流出のナッシュ効率係数ＮＳ＝０．８８であり、新安江モデルの直接使用による予報のナッシュ効率係数ＮＳ＝０．６６より高いことが分かる。また、本発明は、上流貯水池群の治水利水計画を使用せずに、予報正確さを０．６６から０．８８に向上させる上で、必要な資料の数量は従来法よりも少なくすることができる。ナノ効率係数の計算式は以下のとおりである。
Figure 2022540885000011
ここで、Ｑｏは観測値であり、Ｑｍはシミュレーション値であり、Ｑｔ（上付き）はｔ番目の時点のある値であり、Ｑｏ（上線）は観測値の総平均値を表す。Ｅはナッシュ効率係数であり、値は負の無限大から１までであり、Ｅは１に近い場合、モードの品質がよく、モデルの信頼性が高いことを示し、Ｅは０に近い場合、シミュレーション結果が観測値の平均値レベルに近く、すなわち全体結果は信頼できるが、過程シミュレーション誤差が大きいことを示し、Ｅが０よりはるかに小さい場合、モデルは信頼できない。
本発明が開示する上記技術的解決手段を採用することにより、以下の有益な効果が得られる。
本発明は予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法を提供し、前記方法は、前の時点予報誤差を利用することによって貯水池群貯水・放流状況の法則を間接的に反映することができ、予報誤差と、貯水池の貯水・放流による流出変化量（影響量）との相関関係を確立し、さらに、調節・蓄積影響量推定モデルの予報結果を修正し、上流貯水池群の貯水・放流計画を直接取得せずに、貯水池群からの影響における流出予報を行う目的を達成できる。本発明の方法を用いて上流貯水池群の影響を受ける流出予報を実施することは、予報過程で上流貯水池群が流出に及ぼす影響量を考慮したため、従来の水文予報方法と比較すれば、より高い正確さを備える。上流貯水池群の治水利水計画を事前に取得することにより、貯水池群の影響下での流出の予報正確さを著しく向上させることができ、これは、上流貯水池群の影響による流出予報を実施する従来の方法と手段であり、従来方法を適用できる前提は上流貯水池群の治水利水計画を取得することであり、このような資料は実に容易に取得できず、従来方法の適用条件は厳しく、従来方法に比べて、本発明の方法を用いて上流貯水池群の影響を受ける流出予報を実施することは、予報誤差と貯水池群による流出の調節・蓄積との相関関係を確立したため、上流における大量の貯水池群の治水利水計画を収集する必要がなくなり、必要な資料はすべて入手しやすい。
上記の内容は、本発明の好ましい実施形態にすぎず、当業者であれば、本発明の原理から逸脱することなく、幾つかの改良及び修飾を行うこともでき、これらの改良及び修飾も本発明の保護範囲に属すると見なすべきである。
（付記）
（付記１）
資料を収集するステップＳ１と、
収集された資料に基づいて、既知の水文モデルとＫＮＮモデルを利用して調節・蓄積影響量推定モデルを確立するステップＳ２と、
収集された資料を組み合わせて水文モデルを駆動し、将来の流出量を予測するステップＳ３と、
前の期間の予報誤差を取得するステップＳ４と、
前の期間の予報誤差に基づいて、調節・蓄積影響量推定モデルを組み合わせて、将来の調節・蓄積影響量推定値を取得するステップＳ５と、
将来の流出量に将来の調節・蓄積影響量推定値を加算して将来の期間における流出予報値を取得するステップＳ６と、を含む、
ことを特徴とする予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法。
（付記２）
ステップＳ１で収集された資料は、具体的に、降水データと流出データとを含み、前記降水データは、上流貯水池が下流流出過程に著しく影響し始めた時点から現時点までの期間にわたる降水データであり、前記流出データは、上流貯水池が下流流出過程に著しく影響し始めた時点から現時点までの期間にわたる流出データである、
ことを特徴とする付記１に記載の予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法。
（付記３）
ステップＳ２は具体的に、
予報誤差の主要な原因が上流貯水池の調節・蓄積による天然流出変化であることを前提として、予報誤差計算式
ω＝δ＋ε
（ここで、ωは総予報誤差であり、δは上流貯水池の調節・蓄積による予報誤差であり、εは他の予報誤差であり、ω≒δである）を取得するステップＳ２１と、
貯水池の調節・蓄積による流出変化メカニズムは、
δｉ＝Ｔ（ｓｔａｔｅｉ－１）
（ここで、ｓｔａｔｅｉ－１は貯水池の初期時点の状態、すなわち前の期間末の貯水池の状態であり、δｉは現時点の流出予報誤差、すなわち貯水池の調節・蓄積による流出変化量である）と一般化でき、現時点の貯水池状態を、
ｓｔａｔｅｉ＝ｓｔａｔｅｉ－１－８６４００×δｉで計算するステップＳ２２と、
既知の水文モデルとＫＮＮモデルを利用して、現在の期間予報誤差と次の期間貯水池の調節・蓄積による流出変化量との関係である調節・蓄積影響量推定モデルを確立するステップＳ２３と、を含む、
ことを特徴とする付記２に記載の予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法。
（付記４）
前記既知の水文モデルは、新安江モデルである、
ことを特徴とする付記３に記載の予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法。
（付記５）
ステップＳ２３は具体的に、
降水データと流出データを水文モデルに入力し、水文モデルが出力した、各期間の流出量を含む流出予報シーケンス｛Ｆ１，Ｆ２，Ｆ３，…Ｆｎ｝を取得するステップＳ２３１と、
水文モデルが出力した流出予報シーケンスに基づいて、同期間の流出データを組み合わせて、ｊ期間の予報誤差δｊとｊ＋１期間の貯水池の調節・蓄積による流出変化量Δｑｊ＋１とで構成されるデータセット｛δｊ，Δｑｊ＋１｝（ここで、ｊ∈（０，ｎ］である）を取得することができるステップＳ２３２と、
ステップＳ２３２におけるデータセットを組み合わせて、ＫＮＮモデルにおけるハイパーパラメータｋ＝５を設定することにより、調節・蓄積影響量推定モデル、すなわち現在の期間の予報誤差と次の期間の貯水池調節・蓄積による流出変化量との関係を取得することができるステップＳ２３３と、を含む、
ことを特徴とする付記３に記載の予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法。
（付記６）
ステップＳ３は具体的に、予報予定日を選択し、降水データと流出データを組み合わせて、水文モデルを駆動し、予報予定日の流出量を取得し、将来の流出量の予報を実現することができる、
ことを特徴とする付記５に記載の予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法。
（付記７）
ステップＳ４は、具体的に、予報期間がｉ＋１である場合、前の期間がｉであり、ｉ期間の予報誤差を取得し、すなわちｉ期間の流出データからｉ期間の流出予報値を減算し、
δｉ＝Ｑｉ－Ｆｉ
（ここで、δｉはｉ期間の予報誤差であり、Ｑｉはｉ期間の流出データであり、Ｆｉはｉ期間の流出予報値である）
と表すことができる、
ことを特徴とする付記６に記載の予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法。
（付記８）
ステップＳ５は具体的に、ｉ期間の予報誤差を調節・蓄積影響量推定モデルに入力し、ｉ期間の予報誤差とデータセット｛δｊ，Δｑｊ＋１｝におけるそれぞれのｊ期間の予報誤差の間の距離｜δｉ－δｊ｜を取得し、距離が最も小さいｊ期間の予報誤差に対応する流出変化量Δｑｊ＋１を５つ抽出し、且つ当該５つの流出変化量Δｑｊ＋１の平均値を計算し、ｉ＋１期間の調節・蓄積影響量推定値Δｑｉ＋１を取得することができる、
ことを特徴とする付記７に記載の予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法。
（付記９）
ステップＳ６は具体的に、下記の式
Ｆ’ｉ＋１＝Ｆｉ＋１＋Δｑｉ＋１
（ここで、Ｆ’ｉ＋１は将来のｉ＋１期間の流出予報値であり、Ｆｉ＋１は調節・蓄積影響量推定モデルが出力したｉ＋１期間の流出量であり、Δｑｉ＋１はｉ＋１期間の調節・蓄積影響量推定値である）
で計算する、
ことを特徴とする付記８に記載の予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法。

Claims (9)

  1. 資料を収集するステップＳ１と、
    収集された資料に基づいて、既知の水文モデルとＫＮＮモデルを利用して調節・蓄積影響量推定モデルを確立するステップＳ２と、
    収集された資料を組み合わせて水文モデルを駆動し、将来の流出量を予測するステップＳ３と、
    前の期間の予報誤差を取得するステップＳ４と、
    前の期間の予報誤差に基づいて、調節・蓄積影響量推定モデルを組み合わせて、将来の調節・蓄積影響量推定値を取得するステップＳ５と、
    将来の流出量に将来の調節・蓄積影響量推定値を加算して将来の期間における流出予報値を取得するステップＳ６と、を含む、
    ことを特徴とする予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法。
  2. ステップＳ１で収集された資料は、具体的に、降水データと流出データとを含み、前記降水データは、上流貯水池が下流流出過程に著しく影響し始めた時点から現時点までの期間にわたる降水データであり、前記流出データは、上流貯水池が下流流出過程に著しく影響し始めた時点から現時点までの期間にわたる流出データである、
    ことを特徴とする請求項１に記載の予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法。
  3. ステップＳ２は具体的に、
    予報誤差の主要な原因が上流貯水池の調節・蓄積による天然流出変化であることを前提として、予報誤差計算式
    ω＝δ＋ε
    （ここで、ωは総予報誤差であり、δは上流貯水池の調節・蓄積による予報誤差であり、εは他の予報誤差であり、ω≒δである）を取得するステップＳ２１と、
    貯水池の調節・蓄積による流出変化メカニズムは、
    δｉ＝Ｔ（ｓｔａｔｅｉ－１）
    （ここで、ｓｔａｔｅｉ－１は貯水池の初期時点の状態、すなわち前の期間末の貯水池の状態であり、δｉは現時点の流出予報誤差、すなわち貯水池の調節・蓄積による流出変化量である）と一般化でき、現時点の貯水池状態を、
    ｓｔａｔｅｉ＝ｓｔａｔｅｉ－１－８６４００×δｉで計算するステップＳ２２と、
    既知の水文モデルとＫＮＮモデルを利用して、現在の期間予報誤差と次の期間貯水池の調節・蓄積による流出変化量との関係である調節・蓄積影響量推定モデルを確立するステップＳ２３と、を含む、
    ことを特徴とする請求項２に記載の予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法。
  4. 前記既知の水文モデルは、新安江モデルである、
    ことを特徴とする請求項３に記載の予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法。
  5. ステップＳ２３は具体的に、
    降水データと流出データを水文モデルに入力し、水文モデルが出力した、各期間の流出量を含む流出予報シーケンス｛Ｆ１，Ｆ２，Ｆ３，…Ｆｎ｝を取得するステップＳ２３１と、
    水文モデルが出力した流出予報シーケンスに基づいて、同期間の流出データを組み合わせて、ｊ期間の予報誤差δｊとｊ＋１期間の貯水池の調節・蓄積による流出変化量Δｑｊ＋１とで構成されるデータセット｛δｊ，Δｑｊ＋１｝（ここで、ｊ∈（０，ｎ］である）を取得することができるステップＳ２３２と、
    ステップＳ２３２におけるデータセットを組み合わせて、ＫＮＮモデルにおけるハイパーパラメータｋ＝５を設定することにより、調節・蓄積影響量推定モデル、すなわち現在の期間の予報誤差と次の期間の貯水池調節・蓄積による流出変化量との関係を取得することができるステップＳ２３３と、を含む、
    ことを特徴とする請求項３に記載の予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法。
  6. ステップＳ３は具体的に、予報予定日を選択し、降水データと流出データを組み合わせて、水文モデルを駆動し、予報予定日の流出量を取得し、将来の流出量の予報を実現することができる、
    ことを特徴とする請求項５に記載の予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法。
  7. ステップＳ４は、具体的に、予報期間がｉ＋１である場合、前の期間がｉであり、ｉ期間の予報誤差を取得し、すなわちｉ期間の流出データからｉ期間の流出予報値を減算し、
    δｉ＝Ｑｉ－Ｆｉ
    （ここで、δｉはｉ期間の予報誤差であり、Ｑｉはｉ期間の流出データであり、Ｆｉはｉ期間の流出予報値である）
    と表すことができる、
    ことを特徴とする請求項６に記載の予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法。
  8. ステップＳ５は具体的に、ｉ期間の予報誤差を調節・蓄積影響量推定モデルに入力し、ｉ期間の予報誤差とデータセット｛δｊ，Δｑｊ＋１｝におけるそれぞれのｊ期間の予報誤差の間の距離｜δｉ－δｊ｜を取得し、距離が最も小さいｊ期間の予報誤差に対応する流出変化量Δｑｊ＋１を５つ抽出し、且つ当該５つの流出変化量Δｑｊ＋１の平均値を計算し、ｉ＋１期間の調節・蓄積影響量推定値Δｑｉ＋１を取得することができる、
    ことを特徴とする請求項７に記載の予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法。
  9. ステップＳ６は具体的に、下記の式
    Ｆ’ｉ＋１＝Ｆｉ＋１＋Δｑｉ＋１
    （ここで、Ｆ’ｉ＋１は将来のｉ＋１期間の流出予報値であり、Ｆｉ＋１は調節・蓄積影響量推定モデルが出力したｉ＋１期間の流出量であり、Δｑｉ＋１はｉ＋１期間の調節・蓄積影響量推定値である）
    で計算する、
    ことを特徴とする請求項８に記載の予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法。
JP2022502259A 2020-04-28 2021-03-15 予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法 Active JP7310004B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN202010349743.5A CN111401666B (zh) 2020-04-28 2020-04-28 一种利用预报误差开展上游水库群影响下径流预报的方法
CN202010349743.5 2020-04-28
PCT/CN2021/080782 WO2021218457A1 (zh) 2020-04-28 2021-03-15 一种利用预报误差开展上游水库群影响下径流预报的方法

Publications (2)

Publication Number Publication Date
JP2022540885A true JP2022540885A (ja) 2022-09-20
JP7310004B2 JP7310004B2 (ja) 2023-07-18

Family

ID=71429855

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022502259A Active JP7310004B2 (ja) 2020-04-28 2021-03-15 予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法

Country Status (5)

Country Link
US (1) US20230071484A1 (ja)
JP (1) JP7310004B2 (ja)
CN (1) CN111401666B (ja)
GB (1) GB2599862B (ja)
WO (1) WO2021218457A1 (ja)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401666B (zh) * 2020-04-28 2021-07-27 中国水利水电科学研究院 一种利用预报误差开展上游水库群影响下径流预报的方法
CN112711896B (zh) * 2021-01-05 2021-09-03 浙江大学 一种考虑多源预报误差不确定性的复杂水库群优化调度方法
CN113468464B (zh) * 2021-06-30 2023-04-18 国能黄骅港务有限责任公司 调蓄湖库水位预测方法、装置、计算机设备和存储介质
CN114548487A (zh) * 2022-01-10 2022-05-27 杭州市水文水资源监测中心 基于卷积神经网络的江河涌潮预报方法
CN114819322B (zh) * 2022-04-18 2024-05-14 武汉大学 湖泊入湖流量的预报方法
CN114840989B (zh) * 2022-04-22 2022-11-11 河海大学 一种栅格尺度考虑水利工程拦蓄的河道汇流演算方法
CN115600749B (zh) * 2022-10-24 2023-07-18 北京市生态环境保护科学研究院 地下水位预测方法、装置及电子设备
CN115795258B (zh) * 2022-10-27 2023-11-28 华能伊敏煤电有限责任公司 一种定量分析改变取水方式对河流下游污染物浓度影响的方法
CN116595330A (zh) * 2023-05-06 2023-08-15 中国长江三峡集团有限公司 一种考虑水文建模不确定性的径流变化归因方法
CN116681202B (zh) * 2023-05-08 2024-02-06 广东省水利水电科学研究院 一种基于蓄水模数的水资源分析方法、系统、装置及介质
CN116579626B (zh) * 2023-05-15 2024-06-04 长江水利委员会水文局 一种基于博弈理论的梯级水库群蓄水策略计算方法
CN117131977B (zh) * 2023-08-09 2024-01-23 长江勘测规划设计研究有限责任公司 一种基于误判风险最小准则的径流预报样本集划分方法
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
CN117332908B (zh) * 2023-12-01 2024-02-13 长江水利委员会水文局 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
CN117852395B (zh) * 2023-12-22 2024-10-18 中国长江三峡集团有限公司 一种水库群调蓄对下游水文干旱影响的定量评价方法
CN117454778B (zh) * 2023-12-26 2024-05-07 海纳云物联科技有限公司 蓄水量数据处理方法、设备及存储介质
CN118070684B (zh) * 2024-04-22 2024-07-05 华中科技大学 一种基于数据驱动模型的水库径流归因方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001167078A (ja) * 1999-12-13 2001-06-22 Fuji Electric Co Ltd ダムまたは河川における流量予測方法
WO2016163129A1 (ja) * 2015-04-06 2016-10-13 株式会社 東芝 防災システム
JP2019194424A (ja) * 2018-02-16 2019-11-07 エンリケ・メノッティ・ペスカルモーナ 河川流域に関する水文解析および管理のためのプロセスおよびシステム

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0808985D0 (en) * 2008-05-19 2008-06-25 Univ Exeter The Analysis of pressure management economics in water distribution systems and conceptual risk-based decision support methodology for improved near real time-
US10115158B2 (en) * 2010-10-25 2018-10-30 Trimble Inc. Generating a crop recommendation
TWI446129B (zh) * 2012-02-15 2014-07-21 Nat Applied Res Laboratories 水位預報即時校正的方法
CN103116701A (zh) * 2013-01-30 2013-05-22 南京理工大学连云港研究院 一种用于水利信息系统的水利信息调度方法
US10529036B2 (en) * 2016-01-22 2020-01-07 The Climate Corporation Forecasting national crop yield during the growing season using weather indices
CN106529176B (zh) * 2016-11-11 2018-04-06 中国水利水电科学研究院 一种双核双驱洪水预报方法
CN106951980B (zh) * 2017-02-21 2021-07-09 河海大学 一种基于rcp情景的水库群适应性调度方法
CN108108838B (zh) * 2017-12-18 2021-08-27 华电福新能源股份有限公司福建分公司 一种高水量利用率的季调节水库优化调度方法
CN110110339B (zh) * 2018-01-29 2022-10-11 中国电力科学研究院有限公司 一种日前水文预报误差校正方法及系统
EP3844633A4 (en) * 2018-08-31 2022-05-18 The Climate Corporation UNDERFIELD MOISTURE MODEL IMPROVEMENT USING OVERLAND RIVER MODELING WITH SHALLOW WATER CALCULATIONS
CN109886461A (zh) * 2019-01-18 2019-06-14 昆仑(重庆)河湖生态研究院(有限合伙) 一种径流预报方法及装置
CN109816167A (zh) * 2019-01-18 2019-05-28 昆仑(重庆)河湖生态研究院(有限合伙) 径流预报方法及径流预报装置
CN111311026A (zh) * 2020-03-19 2020-06-19 中国地质大学（武汉） 一种顾及数据特征、模型和校正的径流非线性预测方法
CN111401666B (zh) * 2020-04-28 2021-07-27 中国水利水电科学研究院 一种利用预报误差开展上游水库群影响下径流预报的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001167078A (ja) * 1999-12-13 2001-06-22 Fuji Electric Co Ltd ダムまたは河川における流量予測方法
WO2016163129A1 (ja) * 2015-04-06 2016-10-13 株式会社 東芝 防災システム
JP2019194424A (ja) * 2018-02-16 2019-11-07 エンリケ・メノッティ・ペスカルモーナ 河川流域に関する水文解析および管理のためのプロセスおよびシステム

Also Published As

Publication number Publication date
JP7310004B2 (ja) 2023-07-18
CN111401666A (zh) 2020-07-10
GB2599862A (en) 2022-04-13
GB2599862B (en) 2022-09-07
CN111401666B (zh) 2021-07-27
WO2021218457A1 (zh) 2021-11-04
US20230071484A1 (en) 2023-03-09

Similar Documents

Publication Publication Date Title
JP7310004B2 (ja) 予報誤差を利用して上流貯水池群からの影響における流出予報を行う方法
Fewkes Modelling the performance of rainwater collection systems: towards a generalised approach
Kumar et al. Assessment of natural groundwater recharge in Upper Ganga Canal command area
KR20090093520A (ko) 유역통합 물관리 의사결정지원방법
KR20140140361A (ko) 앙상블 유출 예측기법을 적용한 하천 수질예측 시스템
Willis et al. Climate change and flood operations in the Sacramento Basin, California
CN101290713A (zh) 一种结合周相似特性的分形交通流预测方法
Dong et al. A hybrid hydrologic modelling framework with data-driven and conceptual reservoir operation schemes for reservoir impact assessment and predictions
Zeng et al. Reservoir flood routing considering the non-stationarity of flood series in north China
CN109190810A (zh) 基于tdnn的中国北方草原地区ndvi的预测方法
CN114595631B (zh) 一种基于efdc模型和机器学习算法的水质预测方法
KR101758116B1 (ko) 실측 유량 전이를 이용한 미계측 유역 장기유출량 산정방법
Meema et al. Real-time optimization of a large-scale reservoir operation in Thailand using adaptive inflow prediction with medium-range ensemble precipitation forecasts
Liu et al. Using a Bayesian probabilistic forecasting model to analyze the uncertainty in real-time dynamic control of the flood limiting water level for reservoir operation
Zhong et al. Probabilistic forecasting based on ensemble forecasts and EMOS method for TGR inflow
Guo et al. Analytical probabilistic flood routing for urban stormwater management purposes
Li et al. Long-lead daily streamflow forecasting using Long Short-Term Memory model with different predictors
Fu et al. Simulation of urban wastewater systems using artificial neural networks: embedding urban areas in integrated catchment modelling
KR20240000915A (ko) 유역 상세화를 통한 실적자료 기반 물수급 분석 방법 및 그 방법을 구현하기 위한 컴퓨터로 판독 가능한 기록매체에 저장된 프로그램
Kolm et al. Modeling Paleohydrological system structure and function
Hansen et al. Flow forecasting in urban drainage systems using deterministic updating of water levels in distributed hydraulic models
Jiang et al. Responses of river runoff to climate change based on nonlinear mixed regression model in Chaohe River Basin of Hebei Province, China
CN112528462A (zh) 一种基于动态响应曲线对主河道区间入流量修正的方法
Worthen et al. Sensitivity analysis using the SWMM LID Control for an extensive green roof in Syracuse, NY
Hussain et al. Steady and Unsteady Simulation of Lower Bari Doab Canal using SIC Model

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220113

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230131

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230228

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230427

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230606

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230705

R150 Certificate of patent or registration of utility model

Ref document number: 7310004

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150