基于神经网络与半分布式水文模型相结合的缺资料区径流估计模型 ——以莺落峡流域为例

针对黑河上游莺落峡流域海拔较高区域降水缺测问题,基于半分布式水文模型TOPMODEL,利用神经网络(ANN)融合海拔较高区模拟降水与流域稀疏站点观测作为降水输入计算产汇流,并利用粒子群优化算法进行参数全局优化以同时率定TOPMODEL与ANN参数,从而构建基于ANN与半分布式水文模型TOPMODEL相结合的径流估计模型P-NN-TOP.利用1990—1995年莺落峡水文控制站观测日径流进行模型进行参数率定,利用1996—2000年的相应观测进行模拟验证,并借助所发展模型P-NN-TOP对2001—2010年的日径流进行估计与分析.结果表明:在模型率定和验证期,新发展的P-NN-TOP模型较其他模型表现出明显的优势,在观测站点稀疏情况下能较好地融合站点观测和模式模拟信息;并在兼具输入数据可获取性的同时提高了径流模拟的精度.此外,结果还显示2001年为模拟与观测日径流相关性的年突变点并从2004年开始明显降低,与上游水电站的开发使用在时间上基本一致,表明所发展的P-NNTOP模型能较为合理描述2001—2010年出山流量日变化,在探索径流估计新方法的同时也为类似流域的洪涝预警和水资源调配提供一定参考.