秦淮河水文水动力模型及实时校正

为了解秦淮河的径流规律及特征,针对秦淮河流域的地形、水系、产汇流特性、水利工程及下游潮位特征,构建了秦淮河流域水文水动力模型,计算了秦淮河水系主要计算断面的水位流量过程,并选择K最近邻算法(KNN法)和反馈法两种实时校正方法对模拟结果进行校正。结果表明,以各洪水场次的洪峰相对误差和纳什效率系数作为评价指标,秦淮河流域水文水动力模型模拟效果良好,经实时校正后,模拟精度得到了进一步提高,可用于流域的洪水预报。     

改进的KNN实时校正方法在山区中小流域的应用

为提高山区中小流域实时洪水预报精度,提出了一种基于历史洪水学习的KNN实时校正方法(KNN-H法),并选择陕北黄土高原地区2个山区中小流域为研究区域,将其与传统KNN法和AR法进行对比,验证该方法的校正效果。结果表明:KNN法和KNN-H法的校正精度总体高于AR法；KNN法和AR法不能有效降低预报结果的峰现时间误差,而KNN-H法校正结果峰现时间误差比校正前有明显降低；KNN-H法通过对历史洪水预报误差的学习,可有效解决KNN法在实时校正中因为预热期资料不足导致的校正精度不高问题；当预报洪水过程处于涨洪或退水阶段时,KNN-H法能够快速定位到历史洪水的相同阶段,分析历史预报误差后迅速对当前预报值做出校正；总体上KNN-H法校正精度高于传统KNN法。     

水动力学模型实时校正方法对比

选择典型的实时校正方法:传统的误差自回归、基于K最邻近算法(KNN)的非参数校正及基于Kalman滤波的多断面校正法,并以Kalman滤波与KNN结合构造综合方法,以淮河流域吴家渡—小柳巷区间作为试验河段,构建一维水动力学模型并与实时校正方法联合应用。简要介绍这4种方法的原理与模型构建方法,然后对比分析各种方法的模拟结果,尤其对模拟洪峰稳定性、峰现时间、峰现误差等进行比较,认为前3种基本方法均能在相当长的预见期内提高洪水的预报精度,而综合法实时校正法对洪峰部位的模拟更为稳定可靠、总体效果更好,更适合预报校正工作的需要。     

山区小流域洪水预报实时校正研究

为了解决现有实时校正方法对山区小流域洪水进行校正能力不足的问题,引入K最近邻算法用于洪水预报实时校正。以安徽省沙埠流域为试验流域,构建基于K最近邻算法的实时校正模型,同时采用BP神经网络实时校正法和传统的误差自回归方法,以洪峰相对误差和确定性系数为评价指标,分析各校正模型的校正结果。结果表明:基于K最近邻的实时校正法对确定性系数改善最优,BP神经网络实时校正法对洪峰误差校正更精确;将历史洪水资料纳入学习样本后,基于K最近邻的实时校正法的校正能力将进一步提升。基于K最近邻的实时校正法能够有效避免误差自回归方法对洪峰误差控制较差的缺陷,适应性强,反应灵敏,精确度高,可作为山区小流域洪水预报实时校正的有效工具。     

水文水力学结合的秦淮河流域洪水模拟与实时校正

针对以栅格新安江模型为代表的分布式水文模型在秦淮河流域洪水模拟预报中下游感潮河段应用精度受限的问题,以前垾村(秦)站为节点,上游采用栅格新安江模型计算产流,下游采用水动力学模型对受闸泵调度影响的感潮河段水位进行模拟,并采用K最近邻(KNN)法和反馈法对模拟结果进行实时校正。结果表明,采用KNN法校正后确定性系数为0.718～0.975,达到了乙等预报精度要求,可用于秦淮河流域洪水模拟预报。     

基于实时校正和组合预报的水文预报方法研究

基于实时校正和组合预报方法,提出了3种有效减小预报误差的耦合模型,即先实时校正后组合预报、先组合预报后实时校正以及实时校正组合预报一体化模型,并以牧马河流域为例,开展了例证研究.结果表明:3种耦合方法均能显著地减小预报误差,提高水文预报精度,其中实时校正组合预报一体化的方法效果最优.     

新安江模型和支持向量机模型实时洪水预报应用比较

选择新安江模型和支持向量机模型分别在浙江省、陕西省的4个流域进行实时洪水预报,并使用K-最近邻实时校正法对新安江模型预报结果实时校正,比较2种模型在不同流域的应用效果,其中选择确定性系数、峰现时间误差、洪峰相对误差和均方误差作为模型预报评价指标。进一步改变预报预见期并分析2种模型在不同预见期内的预报精度。研究结果表明,新安江模型和支持向量机模型在不同流域洪水预报中各有优势,支持向量机模型预报精度受降雨精度影响较大。当预报预见期较长时,新安江模型预报结果更好;随着预见期缩短,支持向量机模型预报精度显著提高,在短预见期实时预报中支持向量机模型优势更明显。在预报难度较大的半湿润半干旱流域,新安江模型和支持向量机模型在率定期和实时预报过程中均具有较高精度。     

五强溪水库近坝区洪水预报方法研究

针对五强溪水库近坝区洪水预报难度大、预报精度难以满足实际需求的现状,基于历史暴雨中心分布与流域产汇流特征划分单元流域,采用三水源新安江模型构建入库洪水预报新方案进行参数率定和历史洪水模拟,并综合剖析了洪水预报误差的主要原因。研究结果表明,构建的洪水预报新方案能够取得较高的洪水预报精度,在2021年实时洪水预报作业中取得了良好的应用效果。流域内水利工程泄洪资料的缺失是目前造成洪量及洪峰模拟误差的主要原因。     

基于集合卡尔曼滤波的新安江模型状态变量实时修正方法

为了提高洪水预报的精度,基于集合卡尔曼滤波,提出对流域中子流域中间状态量进行全状态量回溯修正方法。该方法根据每个子流域地貌特征和汇流时间不同,分别找出其相应的回溯时间,与新安江模型相结合对各个子流域特定时段前的中间状态量进行全状态量回溯修正,逐步降低误差的累积。采用理想模型验证,结果显示子流域中间状态量得到有效修正,洪量相对误差和洪峰相对误差减小,确定性系数提高。以大坡岭流域为例,采用该方法对流域12场历史洪水进行修正,修正结果表明此方法能有效提高洪水预报的精度,可在实际洪水预报中推广应用。     

基于气象水文水动力耦合模型的流域尺度洪水预报方法： 以北江流域为例

针对中小流域目前径流和淹没预报难度较大且精度偏低的问题,本文以北江流域为研究对象,构建降雨径流-洪水淹没模型。在非耦合情况下,基于WRF-Hydro模式构建北江流域水文模型,通过对主要参数率定,优化了WRF-Hydro水文模型,模拟了流域的产流、汇流等水循环关键要素。在耦合情况下,将WRF-Hydro模式模拟的径流过程作为CaMa-Flood模型的边界条件,从而实现对整个流域的洪水淹没模拟。研究结果表明：在经过参数率定的WRF-Hydro水文模型中,针对验证期的5场典型洪水事件,皮尔逊相关系数均高于0.8,纳什效率系数在0.52至0.71之间,在预报期的三个洪水事件中,洪峰的平均误差为22.2％。在水文水动力模型耦合后,能够准确地捕捉洪水淹没与降雨强度、洪水流量变化之间的关系,进而提供洪水发生后洪泛区的淹没深度和范围等关键信息。本文构建的降雨径流-洪水淹没模型能够适用于地形复杂、降雨时空分布不均匀的北江流域,为类似半湿润流域的洪水预报提供了有益参考,同时也为水文水动力模型耦合的研究奠定了基础。     

在洪水预报中的应用与改进

为了实现概率洪水预报,采用贝叶斯预报系统(BFS)中的水文不确定性处理器(HUP),对水文预报的不确定性进行分析.采用新安江模型作为确定性水文模型,以贝叶斯理论为工具,在先验分布和似然函数确定的基础上,最终得到后验分布,从而实现了概率预报.针对预报结果的特点,提出了BFS的改进方案,最后将模型应用于密赛流域.应用结果表明,BFS能够有效地提高预报精度,而改进的BFS能够进一步提高预报精度.     

基于递推最小二乘改进算法的洪水预报模型研究

由递推最小二乘算法估算出的自回归系数在一定条件下具有最佳的统计特性,但在实际应用中,这种方法往往难以动态地把握水文现象的动态特性.为提高自回归洪水预报模型的精度,分别用衰减记忆、有限记忆及2种算法相结合的方法对基本的递推最小二乘算法进行改进,并利用这几种改进算法对白马寺水文站的实测径流序列进行了模拟演算.结果表明,这3种改进的递推最小二乘算法,都可以使自回归洪水预报模型取得较好的预报效果,但实际应用时应根据不同预报的侧重点选择相应的算法.     

综合多源不确定性的洪水概率预报试验

为探究多种不确定性因素综合影响下洪水概率预报的实现方法及其适用性,利用2003—2020年史灌河流域多场次洪水开展模拟试验,在量化降雨输入、模型参数及结构不确定性程度的前提下,基于MCMC(Markov chain Monte Carlo)方法融合各来源不确定性实现洪水概率预报,并分别基于覆盖率、确定性系数指标评估预报结果的可靠性及预报精度。结果表明:综合多源不确定性洪水概率预报的5%~95%置信区间,能够较为稳定也包络预见期内洪水发展变化过程,有效降低误报、漏报的可能性;均值预报结果所提供确定性的预报洪水略优于原始的单一模型预报结果,进一步提高了洪水预报成果的可靠性及参考价值。     

洪水预报误差置信限与误差评定方法研究

在实时洪水预报调度中,洪水预报误差的统计特性和误差置信限对调度风险的确定影响较大,为此,以三花间伊河卢氏流域为例研究了洪水预报误差的统计特性和误差置信限问题,结果表明,洪水预报误差通常具有有偏概率分布的特点,用现行水情预报精度标准及误差置信限评定方法对其进行评定时可能会出现两种不同的结果,但误差置信限评定方法比现行水情预报精度标准更为严格。     

组合预测方法中权系数的应用研究

针对组合预测方法中权系数的确定问题,提出两种组合预测方法。一种是引入误差评价公式来确定权系数的固定权系数组合预测方法;一种是基于神经网络的误差倒数变权组合预测方法。通过实例分析说明了两种方法的可行性,且结果表明方法比单模型方法预测和传统组合预测方法具有更高的拟合精度。