基于参数不确定性的洪水概率预报研究

水文模型参数的选取通常依靠经验判断或者依赖历史库中的不完备数据集进行自动优选,所选参数并不一定能够准确反映流域降雨径流特点,更不足以反映不同洪水涨落阶段洪水特征的变化。基于水文模型的参数存在显著不确定性的客观事实,以随机参数驱动水文模型,并结合数值模型实现概率预报。通过东湾流域36场洪水模拟试验,揭示了水文参数不确定性对洪水预报结果的显著影响,验证了概率预报算法能够给出精确、可靠的预报结果,说明该算法能够降低水文模型参数所带来的洪水预报不确定性。     

分布式水文模型结合气象预报方法初步探讨

为了尽量消除因流域空间非均一性引起的水文模拟不确定性,采用基于GBHM分布式水文模型以及具有明确物理意义的模型参数,利用三峡区间2011年5~6月期间的气象预报信息,探讨该区域实时洪水预报方法,以及不同预见期的洪水预报精度。结果表明,分布式水文模型与气象预报数据结合,能够较好地模拟该区间的洪水过程。该方法在一定预见期内能够对实时洪水过程进行预报,预报精度很大程度上取决于降水预报的准确性。     

贝叶斯概率水文预报研究进展与展望

水文预报不可避免地存在着输入、水文模型参数和结构等不确定性,导致预报结果也具有不确定性。因此,定量估计水文预报的不确定性,实现概率水文预报,不仅可得到比确定性预报更高的精度,而且还能为决策者提供更丰富的预报信息。本文根据不确定性来源的不同,从输入资料、模型结构、模型参数和综合不确定性等方面,详细综述了贝叶斯水文概率预报的研究进展,归纳了精度评定指标和效果检验方法,并展望了贝叶斯概率水文预报未来的研究重点和方向:(1)科学有效地解释、沟通和传播水文预报不确定性信息和概率水文预报产品;(2)建立水文集合概率预报框架,估计并降低水文预报的总不确定性;(3)开展考虑预报变量时空相关性的贝叶斯概率水文预报研究;(4)深入推动概率水文预报信息在风险决策中的应用。     

基于不同物理参数化方案的中小流域 降雨径流集合预报

气象水文耦合预报能够延长洪水预报预见期,针对预报结果不确定性大的问题,选取东南沿海地区的梅溪流域为研究区,以2012年8月3日“苏拉”台风和2014年6月17日“海贝思”台风引发的降雨洪水为例,开展气象水文耦合下的集合预报研究。依托WRF（weather research and forecasting）模式建立基于36种物理参数化方案组合的降雨集合预报集,并通过耦合WRF模式和梅溪流域分布式水文模型,实现降雨径流集合预报。结果表明：在不同物理参数化方案下,数值降雨预报结果有一定差异,且对降雨空间分布的预报效果优于降雨时间分布,更容易准确描述时空分布均匀的降雨,很难捕捉短历时强降雨;采用集合预报的方式能够有效降低洪水预报的不确定性,当预见期超过6 h时,对于时空分布均匀的降雨,相应洪水过程的洪峰流量预报误差Rf为11.30%,能够准确反映洪峰量级,峰现时间提前2h,相比基于“落地雨”开展的洪水预报有一定优势;基于异方差扩展型Logistic算法对预报降雨进行处理后,能够有效提高降雨预报精度,但对于时空分布不均匀的降雨,洪峰流量误差R f由处理前的-86.89%降低至-48.95%,仍有较大的提升空间。     

基于PDM的飞来峡水库实时水文预报模型

水文预报模型是实时预报预警系统的核心。基于新型的概率水文预报PDM(The Probability Distributed Model),构建了北江流域飞来峡水库概率水文预报模型。将整个流域划分为18个子流域,对每个子流域分别建立PDM,并采用历史降雨流量数据序列对各子流域和流域PDM进行参数率定;以横石站为参考站,采用52场次实测历史洪水进行模型验证和精度评定,洪峰预报合格率为99%,精度等级为甲等,模拟精度高,说明了PDM结构和参数取值的合理性,以及模型在该流域的适用性。     

淮河梅山水库流域洪水模拟不确定性分析

由于自然水文过程的复杂性和人类认识水平的局限性,应用水文模型进行模拟和预报时不可避免地存在着诸如降水输入、模型结构和参数的不确定性,由此导致洪水模拟和预报结果的不确定性。基于三水源新安江水文模型,分析贝叶斯预报系统(BFS)-水文不确定性处理器(HUP)在淮河梅山水库入库洪水模拟不确定性分析中适用性。通过对入库洪水模拟结果的不确定性量化,实现梅山水库入库洪水概率预报。结果表明,与确定性洪水预报相比,基于不确定性分析的洪水概率预报在提供均值预报的同时还能给出更为丰富的不确定性信息(如90%预报置信区间)。     

三峡水库区间定量降水预报不确定性初探

在过去研究的基础上,对三峡水库区间流域随机降水模型与区间流域洪水预报模型耦合得到的模拟流量序列进一步研究,分析定量降水预报误差对水文预报结果的影响,得到区间流域定量降水预报不确定性的解析解;介绍了定量降水预报不确定性处理器(PUP),并且与区间流域随机降水模型进行比较分析.结果表明,两个模型的精度均高于确定性预报结果,且随机降水模型的精度要高于PUP.     

流域洪水预报系统及其关键问题研究

论述了流域洪水预报系统的主要任务和核心内容,介绍了流域洪水预报系统的结构和主要功能,分析了系统的主要功能模块,将智能算法与传统的水文预报方法相结合,在水文预报模型参数自动率定、实时洪水校正两方面进行了尝试,并建立了相应的模型,经过流域长系列水文资料检验和应用,获得了满意的结果,为实时洪水预报开辟了新的途径。     

三峡水库区间流域定量降水预报不确定性初探

在文献[10]的基础上，对三峡水库区问流域随机降水模型与区间流域洪水预报模型耦舍得到的模拟流量序列进一步研究，分析定量降水预报误差对水文预报结果的影响，得到区间流域定量降水预报不确定性的解析解；介绍了定量降水预报不确定性处理器（PUP），并且与区间流域随机降水模型进行比较分析，结果表明，两个模型的精度均高于确定性预报结果，且随机降水模型的精度要高于PUP.     

基于混合深度学习模型的洪水过程概率预报研究

传统的人工神经网络模型无法量化洪水预报的不确定性,而且在多时段连续预报中未考虑输出的时间相关性。本文通过融合新安江(XAJ)模型、基于外源输入编码-解码(EDE)结构的长短期记忆(LSTM)神经网络和混合密度网络(MDN),构建了XAJ-LSTM-EDE-MDN混合深度学习模型,以实现洪水过程概率预报。该模型在考虑预报洪水时间相关性的前提下,将解码过程产生的点估计转化为条件概率分布的估计;进一步采用最大似然估计法建立了损失函数,通过自适应矩估计(Adam)算法优选模型参数。在陆水和建溪两个流域的研究结果表明：该模型在不降低XAJ-LSTM-EDE模型预报精度的前提下,可有效反映预报洪水过程的不确定性,获得合理可靠的置信区间和优良的概率预报性能,为水库防洪调度等决策提供更多的风险信息,同时为研究深度学习在洪水概率预报中的应用提供参考。