产流误差平稳矩阵的系统响应修正方法参数分析

为进一步提高洪水预报精度,扩展产流误差平稳矩阵的系统响应修正方法的应用范围,首先通过理论推导,比较了产流误差动态系统响应曲线修正方法与产流误差平稳矩阵的系统响应修正方法的特点,比较结果表明后者具有更强的修正稳定性以及更好的修正效果;然后通过理想案例和实际案例对该方法应用效果和参数选取进行讨论,应用结果显示产流误差平稳矩阵的系统响应修正方法应用于达开水库流域具有较好的修正效果,明显提高了洪水预报精度;参数分析结果显示存在一个最优的权重系数使得修正效果达到最佳,并且在实际流域上权重系数取值幅度较大。     

产流误差动态系统响应曲线修正方法的应用

动态系统响应曲线修正方法(Dynamic System Response Curve,DSRC)是一种基于微分响应的有明确物理意义并且有效的实时修正新方法,属于向误差源头进行修正的方法。通过计算产流的系统响应曲线对产流系列进行修正,实现流量过程的修正。将该方法与新安江模型相结合应用于闽江上游的水吉流域,并将修正效果与递推最小二乘法进行了比较。利用水吉流域29场洪水资料进行模拟和修正,结果表明该方法可以有效提高洪水预报的精度,且其效果优于递推最小二乘法。     

三水源模型在滦河流域的应用分析

流域洪水预报模型大致可分蓄满产流和超渗产流2种方式,针对滦河流域的地形、地貌及雨洪特性,采用三水源模型,属于蓄满产流方式。介绍三水源模型实时洪水预报系统在滦河流域的应用。利用模型,根据计算误差来实时修正估计结果、模型参数等,使得实时洪水预报系统具有较好的实时修正和动态跟踪能力。实际应用过程中,由于流域实际产流过程是复杂、多样的,蓄满与超渗2种产流方式在同一区域可能同时存在,预报结果与实测数据存在一定误差,但通过实例分析,多数误差在规定的范围内,正常情况下的预报精度较高,基本上满足了水库防汛要求。     

基于总体最小二乘法的系统响应修正方法

为了提高实时洪水预报的预报精度,提出了基于总体最小二乘平差理论的系统响应方法。传统的系统响应方法基于最小二乘法,只能考虑观测值的误差,因而传统的系统响应方法不能考虑动态系统响应矩阵存在的误差。对传统方法进行了分析并引入了总体最小二乘平差理论,改进方法同时考虑了动态系统响应矩阵和观测值的误差。针对动态系统响应矩阵的病态情形,通过总体最小二乘的岭估计解法给出稳定解。通过改进方法对新安江模型中的土壤含水量进行修正,应用于七里街流域,并与传统的系统响应方法进行比较。结果表明,两种方法都能提高模拟精度,改进方法相比于传统方法精度明显提升;改进方法的修正效果要优于传统方法,更加稳定。     

全过程联合校正的洪水预报修正方法

洪水实时校正是洪水预报的重要组成内容,也是水文预报研究的热点与难点。为进一步提高洪水预报精度,提出了一种全过程联合校正的洪水预报修正方法。该方法的主旨是在雨量站数目较多的流域,构建雨量站网密度与洪水预报误差分配比例之间的定量关系;对雨量站数目较少的流域,借用该比例关系,将洪水预报总误差按比例划分为面雨量输入误差和模型误差两部分;再基于系统响应理论,对研究流域的这两部分误差进行修正,从而实现输入误差与模型误差的全过程联合校正。在淮河三个典型流域的应用结果表明,相较于目前单变量的系统响应曲线修正方法,全过程联合校正方法可进一步提升误差修正效果,提高洪水预报精度。     

乌溪江流域自动洪水预报系统研究与应用

由于预报模型的局限性和实时信息的不完善,洪水预报过程存在一定误差。利用自动预报模型和人工预报参数交互式修改相结合的方式可提高洪水预报精度。在乌溪江流域自动洪水预报系统研究中,采用径流系数控制前期雨量损失总量,通过调整雨量损失进行产流计算,根据时段降雨的降雨中心和降雨强度选用单位线进行汇流计算。同时在自动化洪水预报基础上配以预报人员的多年预报经验,完成可实时修正、高精度的实时洪水预报。以典型洪水预报为例,人工预报参数交互式修改方法的准确性较高,人工预报峰现时间相差1 h,人工预报洪峰流量误差为0.74%,预报精度等级为乙级。研究成果已在浙江省乌溪江流域自动洪水预报系统得到应用,对其他流域洪水预报具有参考价值。     

降雨微分响应修正在港口湾水库洪水预报中的适用性分析

港口湾水库位于长江南岸一级支流水阳江上游支流西津河上，对水阳江流域防洪起着重要作用。降雨微分响应修正是基于系统和微分角度的模型误差修正方法，将该方法应用于港口湾水库流域，对该流域23场历史洪水分别进行雨量单站微分响应与流域平均微分响应2种模式的修正计算。计算结果表明，2种模式的降雨微分响应修正方法在不损失预见期的情况下均能够有效地提高港口湾水库洪水预报的精度，值得进一步研究与推广。     

基于协整理论的淮河流域上游洪水预报实时校正方法

为了提高淮河流域上游的洪水预报精度,引入计量经济学中的协整理论与误差修正模型用于洪水预报实时校正;同时为了解决自回归算法无法针对非平稳序列建模以及序贯相关性问题,构建了基于误差修正概念的自回归误差修正模型。以淮河鲁台子站以上流域为研究区域,基于分布式垂向混合产流模型模拟结果,分别构建一阶至三阶自回归模型、误差修正模型和基于误差修正的自回归模型对模拟结果进行校正,采用修正效果评价系数、确定性系数、洪峰相对误差、径流深相对误差和峰现时差5个评价指标,分析对比各校正模型对流域2003—2014年10场洪水的校正效果。结果表明:3种实时校正方法均对淮河流域上游洪水有一定的校正效果,其中,自回归模型校正效果最差,排除误差序列非平稳的两次洪水后,其平均修正效果评价系数为0.20;误差修正模型能够有效校正预报洪水,其平均修正效果评价系数为0.76;基于误差修正的自回归模型校正效果较好,与传统自回归模型相比,对洪峰流量的校正效果显著提高,其平均修正效果评价系数达到0.98,可用于淮河流域上游洪水预报的实时校正。     

土壤蓄水量反馈修正技术在清河水库洪水预报中的应用

系统分析了流域土壤蓄水量对于水量平衡、蒸散发计算、产流量计算等方面的影响,提出反馈修正技术,通过对时段计算流量值和实测流量值之间的差值分析、计算,反馈给计算模型中的修正模块,直接对流域时段平均产流量进行修正,进而达到修正土壤蓄水量误差提高洪水预报精度的目的。     

流域产流理论研究进展

流域产流是一个动态的复杂的山坡水文过程，它在水文及水环境过程的形成与模拟中占有相当重要的地位。本文较为详细地论述了近年来在流域产流理论研究方面的新进展，包括对产流机制的新认识，产流、产涉及溶质运移的多相流产生机制，产流面积的空间变化以及小流域产流对大流域洪水响应的影响等．可为进一步的研究和应用提供参考。     

基于LSTM实时校正的WRF/WRF-Hydro耦合径流预报

为改进WRF/WRF-Hydro陆气耦合系统的径流预报效果,减小耦合系统在峰现时间、洪峰流量预报上的误差,本文在使用变分数据同化技术充分降低预报降雨误差水平的基础上,采用长短期记忆人工神经网络LSTM对WRF/WRF-Hydro耦合系统的径流预报过程开展了实时校正研究,并与自回归滑动平均模型ARMA实时校正结果进行对比。研究结果表明,通过数据同化技术可有效提升WRF模式降雨预报精度,降低WRF-Hydro模式的输入误差,但径流预报准确性仍有待提升。对比LSTM和ARMA两种实时校正模型对耦合径流预报结果的实时校正：在前3 h预见期,两种模型在中国北方半湿润、半干旱地区山区小流域6场典型洪水预报中的表现基本接近,除场次4外,LSTM和ARMA两种模型在3 h预见期的衰减速率分别为2.04~23.08和9.18~36.47,随着预见期的延长,LSTM径流预报精度的衰减速度在整体上慢于ARMA模型,预报效果优于ARMA模型。     

基于小波分解及Arima误差修正的径流预测模型及应用

为改善传统径流预测模型对随机性时间序列的预测效果并不理想的现状,构建基于小波分解及Arima误差修正的径流预测模型。应用小波分解法将径流时间序列进行分解和重构,使非平稳、随机性的径流时间序列平稳化,对数据样本预处理后建立以相关向量机(RVM)为理论基础的径流预测模型,并采用改进粒子群算法进行核函数全局寻优,最后对模型拟合残差进行Arima误差修正。通过实例计算得到传统支持向量机(SVM)模型、RVM模型和径流预测模型的预测值平均误差分别为8.60%,9.02%和3.64%。结果表明:通过小波分解及重构方法对非平稳时间序列的预处理可有效提高预测精度,同时Arima误差修正也有很好的效果,相比于SVM模型、RVM模型,基于小波分解及Arima误差修正的径流预测模型具有更高的预测精度,在实际工程中具有一定的可行性。     

改进BP神经网络集成模型在径流预测中的应用

为提高径流预测预报的精度和泛化能力,建立了基于3种基本改进算法的BP神经网络集成预测模型。利用ADF单位根检验方法、自相关分析方法确定径流时间序列的平稳性和模型的输入向量。针对BP神经网络标准算法收敛速度慢、易陷入局部极值的缺陷,采用自适应动量梯度法、共轭梯度法和Levenberg-Marquardt法分别改进BP神经网络标准算法,依次构建基于3种改进算法的BP神经网络模型对文山州南利河董湖水文站年径流进行预测,并构建GA-BP预测模型作为对比模型;采用加权平均方法对各单一模型预测结果进行综合集成。结果表明:集成模型对南利河2001-2005年径流预测平均相对误差绝对值为4.67%,最大相对误差绝对值为7.11%,精度和泛化能力均优于各单一模型和GA-BP模型。集成模型克服了单一模型预测精度不高和误差不稳定的缺点,具有较好的预测精度和泛化能力,是提高径流预测预报精度的有效方法。     

R/S-GM(1,1)组合模型在径流预测中的应用

基于R/S分析法能提供有效的非线性科学预测,河川径流具有灰色禀性,为了提高河流径流预报精度,提出了R/S分析与灰色理论相结合的河川径流预测方法。该方法可以克服径流灰色预测存在的数据波动较大时预测精度降低的缺陷。将该方法应用到黑河莺落峡站和正义峡站的年径流量、汛期和非汛期径流量6个序列进行径流预测验证。结果表明:两站年径流量和汛期径流量序列的预测精度都在90%左右,非汛期径流量序列在80%以上,各径流序列预测结果与Mann-Kendall趋势检验一致,预测结果可靠,为河流径流量的科学预测提供了一种新方法。     

基于KPCA-PSO-SVM的径流预测研究

为提高径流预测模型的准确性与稳定性,对KPCA-PSO-SVM的径流预测方法进行了研究。在分析径流影响因素的基础上,利用核主成分分析(KPCA)法对径流影响因子进行非线性特征提取,获得主成分作为支持向量机(SVM)的输入变量,建立了径流预测SVM模型,其中模型参数通过粒子群算法(PSO)进行优化。模型建立后,以新疆伊犁河雅马渡站中长期径流预测为例进行分析。预测分析结果表明,在拟合和检验阶段模型的平均相对误差分别为0.77%和7.64%,与其他预测模型比较,基于KPCA-PSO-SVM方法建立的径流预测模型有较好的预测和泛化能力,是一种行之有效的中长期径流预测方法。     

Daily Runoff Forecasting Using a Hybrid Model Based on Variational Mode Decomposition and Deep Neural Networks

Accurate and reliable runoff forecasting plays an increasingly important role in the optimal management of water resources. To improve the prediction accuracy, a hybrid model based on variational mode decomposition (VMD) and deep neural networks (DNN), referred to as VMD-DNN, is proposed to perform daily runoff forecasting. First, VMD is applied to decompose the original runoff series into multiple intrinsic mode functions (IMFs), each with a relatively local frequency range. Second, predicted models of decomposed IMFs are established by learning the deep feature values of the DNN. Finally, the ensemble forecasting result is formulated by summing the prediction sub-results of the modelled IMFs. The proposed model is demonstrated using daily runoff series data from the Zhangjiashan Hydrological Station in Jing River, China. To fully illustrate the feasibility and superiority of this approach, the VMD-DNN hybrid model was compared with EMD-DNN, EEMD-DNN, and multi-scale feature extraction -based VMD-DNN, EMD-DNN and EEMD-DNN. The results reveal that the proposed hybrid VMD-DNN model produces the best performance based on the Nash-Sutcliffe efficiency (NSE?=?0.95), root mean square error (RMSE?=?9.92) and mean absolute error (MAE?=?3.82) values. Thus the proposed hybrid VMD-DNN model is a promising new method for daily runoff forecasting.