水文实时预报方法
洪水预报方案
洪水预报方案引言洪水是一种自然灾害，给人们的生命财产安全造成了巨大威胁。
及时、准确地预报洪水是保护社会和人们生命财产安全的关键举措。
为此，制定一套完善的洪水预报方案非常重要。
本文将介绍洪水预报方案的基本原理、监测方法以及预报流程，旨在提供一种可行的方案来减少洪水对社会造成的影响。
一、洪水预报方案的基本原理洪水发生的原因非常复杂，常常由多种条件和因素共同作用而产生。
洪水预报方案的基本原理是通过收集、分析并综合各类数据信息，判断降雨态势和水文条件，并根据历史降雨和水文数据进行建模和预测，从而实现对洪水发生的提前预警。
二、洪水监测方法1. 气象监测气象监测是洪水预报的重要环节之一。
通过气象监测站点的实时观测数据，包括降雨量、风速、风向、湿度等，可以及时掌握降雨的情况，并进行准确的预报。
2. 水文监测水文监测主要是通过水位测量、流量测量、水质监测等手段来掌握河流、湖泊等水域的水文条件。
这些监测数据可以用于分析水位上涨的趋势和速率，从而判断洪水的可能性。
3. 遥感技术遥感技术可以通过卫星遥感图像来观测气象、地形等信息。
利用遥感技术，可以实时监测地表的水情变化，包括洪水的形势和范围。
三、洪水预报流程1. 数据收集与分析对气象、水文和遥感等监测数据进行收集，并进行分析和处理。
通过建立数据模型，可以对数据进行综合分析，并确定是否存在洪水发生的可能性。
2. 洪水模型建立基于历史降雨和水文数据，建立洪水模型。
该模型可以通过对数据进行处理和计算，预测洪水的发生时间、强度和可能影响范围。
3. 洪水预警发布当洪水模型预测到洪水有可能发生时，应及时发布洪水预警。
预警信息应包括预计发生洪水的时间、地点以及可能造成的影响等。
4. 应急响应措施根据洪水预报结果和预警信息，相关部门应及时制定和实施应急响应措施。
这些措施可能包括疏散人员、加强抢险救援以及加大水利工程的巡查和维护等。
四、洪水预报方案的改进和完善洪水预报方案是一个不断发展和完善的过程。
第五章 河道洪水演算及实时洪水预报
第五章 河道洪水演算及实时洪水预报河道洪水演算，是以河槽洪水波运动理论为基础，由河段上游断面的水位、流量过程预报下游断面的水位、流量过程。
本文着重介绍马斯京根洪水演算方法以及简化的水力学方法。
5.1 马斯京根演算法马斯京根演算法是美国麦卡锡(G . T. McCarthy)于1938年在美国马斯京根河上使用的流量演算方法。
经过几十年的应用和发展，已形成了许多不同的应用形式。
下面介绍主要的演算形式。
该法将河段水流圣维南方程组中的连续方程简化为水量平衡方程，把动力方程简化为马斯京根法的河槽蓄泄方程，对简化的方程组联解，得到演算方程。
5.1.1 基本原理该法的基本原理，就是根据入流和起始条件，通过逐时段求解河段的水量平衡方程和槽泄方程，计算出流过程。
在无区间入流情况下，河段某一时段的水量平衡方程为122121)(21)(21W W t O O t I I -=∆+-∆+ (5-1) 式中：1I 、2I 分别为时段初、末的河段入流量；1O 、2O 分别为时段初、末的河段出流量；1W 、2W 分别为时段初、末的河段蓄量。
河段蓄水量与泄流量关系的蓄泄方程，一般可概括为)(O f W = (5-2)式中：O 为河段任一流量O 对应的槽蓄量。
根据建立蓄泄方程的方法不同，流量演算法可分为马斯京根法、特征河长发等。
马斯京根法就是按照马斯京根蓄泄方程建立的流量演算方法。
5.1.2 马斯京根流量演算方程马斯京根蓄泄方程可写为Q K O x xI K W '=-+=])1([ (5-3)式中：K 为蓄量参数，也是稳定流情况下的河段传播时间；x 称为流量比重因子；Q '为示储流量。
联立求解式(5-2)和(5-3)，得到马斯京根流量演算公式为1211202O C I C I C O ++= (5-4)其中：⎪⎪⎪⎩⎪⎪⎪⎨⎧∆+-∆--=∆+-+∆=∆+--∆=t Kx K t Kx K C t Kx K Kx t C t Kx K Kx t C 5.05.05.05.05.05.0210 (5-5) 1210=++C C C (5-6)式中：0C 、1C 和2C 为马斯京根洪水演算方法的演算系数，，都是K 、x 和t ∆的函数。
[水文,方法]水文预报方法分析
![[水文,方法]水文预报方法分析](https://img.taocdn.com/s3/m/ad5ef20080eb6294dc886c25.png)
水文预报方法分析在水利水电工作中，水文预报具有重要的意义，通过水文预报可以获知流域的实际状况以及未来一段时间的发展状态。
水文预报方式相对较多，通过驱动方式的差异可以将其分为过程驱动和数据驱动两种模型方式。
过程驱动也属于数学模型，是对径流以及河道的产流、演进等过程进行模拟的一种模型，从而对流域流量进行预报。
而与过程驱动模型不同的数据模型则属于物理机制，几乎不受水文过程影响，通过将获取数据之间的关系，获取模型的黑箱子方式。
其中回归模型是使用最为广泛的数据驱动模型，但是随着水文预测技术的发展近年来我国还产生了更多新型的水文预测方式，不但提升了水文预测效率，同时也提高了水文预测精度。
加之水文数据获取能力的提升，在水文预测工作中越来越多的开始使用数据驱动模型进行水文状况的预测。
1 过程驱动模型分析依照应用领域的不同可以将过程驱动模型分为两类，一类为枯季径流退水模型，另一类为概念性流域降雨径流模型。
前者主要用于慢反应水源以及地下水作为水源的流域；后者应用范围相对较广，可以在不同径流中的流量过程。
1.1 枯季径流退水模型通过退水曲线可以反应出自然流域在不同时节的水文状况，尤其是枯季径流退税过程。
通过枯季径流退水曲线法可以总结出枯季径流的退水规律，从而将其应用到径流量以及过程的预报中。
另外需要注意该种方式仅仅适用在没有显著降水的情况下，若降水对径流状态有明显影响，则该方式无法使用。
该种模型主要结合了经验公式以及物理学公式，通过二者的结合，针对径流河道的演进过程进行模拟，并将径流同降雨之间的转换描述出来。
概念性模型在短期水文预报中预报时间较短，其预报时间间隔大多为日或小时。
而在中长期水文预报中会适当调整输入、输出量时间，将其变化为旬或月，通过这种改变调整该种预报方式的适用范围。
在降雨径流模型中，降水输入是必不可少的，所以需要将降水预报结合到中长期的水文预报中，以此提高水文预报精度。
而在时间尺度相对较大的水文预报中，若使用概念性模型，需要适当对模型结构进行调整，从而保证模型预报精度。
水文服务中的水文预报
水文预报的精度评估
评价指标
水文预报的精度评估通常采用评价指标如均 方根误差（RMSE）、平均绝对误差（MAE ）等。
对比分析
将实际观测数据与预报数据进行对比分析，计算各 项评价指标，评估预报精度。
误差来源分析
通过对误差来源进行分析，找出影响预报精 度的主要因素，为改进预报方法提供依据。
03
水文预报在防洪减灾中的应用
未来水文预报
随着科技的不断进步，水 文预报将更加精细化、智 能化和个性化。
水文预报的种类与特点
种类：洪水预报、枯水预报、冰情预报 、水质预报等。
动态性：随着时间和空间的变化，水文 状况也在不断变化，需要不断更新和调 整预测结果。
复杂性：需要考虑多种因素，如气候、 地形、土壤、植被等。
特点
针对性：针对不同流域、不同季节、不 同情况下的水文状况进行预测。
根据预测结果，指导相关部门进行生态修复工作，促进水生生物群 落结构的恢复和改善。
湿地生态修复预测
湿地生态系统监测
通过定期监测湿地的植被、土壤、水文等指标，了解湿地生态系统状况。
预测模型
建立湿地生态修复预测模型，根据历史数据和实时监测数据，对未来湿地生态系统变化进 行预测。
修复方案制定
根据预测结果，制定相应的湿地生态修复方案，包括植被恢复、土壤改良、水资源管理等 方面的工作。同时，根据修复过程中的监测结果，及时调整修复方案，确保湿地生态系统 的恢复和改善。
参与国际合作
积极参与国际水文组织和机构的 活动，加强与其他国家和地区的 合作与交流。
02
引进国际先进技术
引进国际上先进的水文预报技术 和经验，促进我国水文预报水平 的提高。
03
推动国际交流与培 训
实时洪水预报新方法初探
近 几 年 来 ， 小 河 流 域 因 降 雨 引 发 洪 水 的 灾 害 问 题 日益 突 中 出 ， 好 实 时 洪水 预 报 工作 ， 使 决 策 者 信 息 灵 、 况 明 ， 抗 洪 做 能 情 在 斗争 中始 终 掌 握 主 动 权 ， 定 防 洪 减 灾 的 坚 实 基 础 。 奠 目前 的水 文监 测 预 报 资 源 还 不 可 能 在 每 个 危 险 和 具 有 重 要 设 施 的河 段 布 设 水 文 站 ， 进 行 实 时 监 测 预 报 。 因 此 ， 依 托 现 并 能 有 的水文站 ， 找一种简 易实用的新方 法 ， 用 各种水文要 素 ， 寻 利 对 水 文 站 所 在 流 域 内 的 重 要 水 利 、 电设 施 、 市 、 洪 能 力 低 水 城 防 且 危 及 人 民生 产 生 活 及 生 命 财 产 的 重 点 河 段 ， 立 实 用 功 能 较 建
—
２ 原 理
假 定 流 域 在 蓄 满 产 流 时 ， 考 虑 流 域 内 产 流 空 间 上 的 分 布 不 不 均 匀 性 ， 流 域 内 在 同 一 时 刻 、 上 的 产 流 量 相 同 （ 流 时 ） 即 面 等 ， 它 的产 流 强 度 ｒ 时 间 上 的 变 化 通 过 水 文 断 面 控 制 。 在 如 不 考 虑 洪 水 峰 形 在 河 道 内 的 扩 展 、 形 和 河 道 的槽 蓄 能 变 力 ， 洪 水 预 见 期 可 用 下 式 计 算 ： 则
收 稿 日期 ： ０ ｌ—ｌ ２１ ２—０ ６
５个 点 ， 确 定 出它 们 在 断 面 内 的 位 置 、 离 。施 测 洪 痕 高 程 并 距 （ ）点 图 ， 比例 在 坐 标 纸 上 点 绘 纵 、 断 面 图 ， 据 调 查 ３ 按 横 根
现代水文模拟与预报技术 pdf
现代水文模拟与预报技术现代水文模拟与预报技术在水资源管理和防洪减灾等领域起着重要作用。
它利用数学模型和计算机技术，对水文过程进行建模和模拟，以预测未来的水文变化并提供决策支持。
以下是关于现代水文模拟与预报技术的详细介绍。
一、水文模拟与预报技术的概念：水文模拟与预报技术是指利用数学模型和计算机技术，对水文过程进行建模和模拟，以预测未来的水文变化和提供相应的预报信息。
这些技术可以帮助我们更好地了解水文系统的运行规律，预测洪水、干旱等极端事件，并为水资源管理、水利工程设计和防洪减灾等提供科学依据。
二、水文模拟与预报技术的方法与步骤：1.数据采集：收集与水文过程相关的各种数据，包括气象数据、水文观测数据、地形数据等。
这些数据是建立水文模型的基础。
2.水文模型建立：选择合适的数学模型和方法，根据实际情况构建水文模型。
常用的水文模型包括降水-径流模型、水库调度模型、地下水模型等。
3.参数估计与校准：对水文模型中的参数进行估计和校准，以使模型能够更准确地反映实际情况。
参数估计可以通过历史观测数据和试算来进行。
4.模型验证与评估：利用独立观测数据对建立的水文模型进行验证和评估，检验模型的准确性和可靠性。
5.预报模拟与结果分析：利用建立的水文模型进行未来的水文预报模拟，得到相应的预报结果。
对预报结果进行分析和解读，提取有价值的信息。
6.预报发布与应用：将预报结果按照一定的形式发布给相关部门和用户，以支持决策制定和行动指导。
这些预报结果可以用于洪水预警、水资源管理、水利工程设计等方面。
三、现代水文模拟与预报技术的应用领域：1.洪水预报与防洪减灾：利用水文模拟与预报技术，可以对洪水过程进行建模和模拟，提前预警并采取相应的防洪措施，减轻洪灾的影响。
2.干旱监测与水资源管理：通过水文模拟与预报技术，可以对干旱过程进行监测和预测，及时调整水资源分配和利用，保障水资源的合理利用。
3.水库调度与水电能源规划：利用水文模拟与预报技术，可以对水库的蓄水和放水过程进行优化调度，以实现最大效益的水电能源开发和利用。
水文预报 方案
水文预报方案1. 概述水文预报是通过对水文要素的监测、数据分析和模型预测，提前预判水文情况的一种方法。
水文预报在水资源管理、防洪抗旱、生态环境保护等领域具有重要意义。
本文将讨论水文预报的方案，包括数据采集与处理、模型建立与优化以及预报结果的可视化与评估。
2. 数据采集与处理2.1 数据采集水文预报的第一步是收集水文要素的监测数据，包括降水量、径流量、地下水位等。
可以利用现有的气象站、水文测站和地下水测井等设备进行数据采集。
确保数据采集设备的准确性、稳定性和实时性是数据采集的关键。
2.2 数据处理采集到的原始数据可能存在缺失值、异常值和噪声。
因此，在进入模型建立之前，需要对数据进行处理。
常见的数据处理方法有：填补缺失值，剔除异常值，平滑噪声等。
可以使用统计学方法和时间序列分析方法来处理数据。
3. 模型建立与优化3.1 模型选择根据水文预报的特点，可以选择不同类型的预报模型。
常用的模型有统计模型、物理模型和数据驱动模型。
统计模型基于历史数据的统计规律进行预报；物理模型基于对水文过程的深入认识和建模进行预报；数据驱动模型则通过机器学习的方法从历史数据中学习得到预报模型。
3.2 模型建立根据选定的模型类型，建立对应的数学模型。
例如，使用统计模型时可以利用回归分析建立线性或非线性回归模型；使用物理模型时可以建立流域水文模型，包括表示水文过程的连续方程和初始条件等；使用数据驱动模型时可以采用神经网络、支持向量机等机器学习方法。
3.3 模型优化经过初步建模后，需要对模型进行优化和验证。
可以利用交叉验证、模型比较和参数调整等方法对模型进行优化，以提高预测精度和鲁棒性。
4. 预报结果的可视化与评估4.1 结果可视化对于水文预报的结果，可以通过图表的形式进行可视化展示。
常见的可视化方法有折线图、柱状图、散点图等。
可以将预报结果与观测数据进行比较，以评估预报的准确性和可靠性。
4.2 结果评估为了评估水文预报的准确性和可靠性，可以采用不同的评估指标，例如均方根误差（RMSE）、平均绝对误差（MAE）和相关系数等。
水利部工作人员在水文监测与预报中的工作流程
水利部工作人员在水文监测与预报中的工作流程水文监测和预报是水利部工作人员的重要职责之一。
通过对水文监测数据的收集、分析和预报，可以及时掌握水资源的状况，为灾害防范和水资源管理提供可靠依据。
以下是水利部工作人员在水文监测与预报中的典型工作流程。
1. 数据采集与传输水文监测的第一步是数据采集。
工作人员负责布设水文测站，确保数据的准确性和可靠性。
常见的水文测站包括水位站、流量站和降雨站。
通过自动化观测设备，工作人员可以远程监测和控制测站，实现数据的实时传输。
2. 数据处理与分析采集到的水文监测数据需要进行处理和分析，以获得有意义的信息。
工作人员利用专业的软件和算法对数据进行质控和校准，去除异常值和噪声干扰，确保数据的可靠性。
然后，他们对数据进行统计和趋势分析，寻找规律和变化趋势，并生成相关的报表和图表。
3. 模型建立与预报基于历史数据和分析结果，水利部工作人员可以建立水文模型，模拟水文过程，预测未来的水资源状况。
通过挖掘数据之间的关系和规律，他们可以利用数学和统计方法建立预报模型，预测各种水文指标的变化趋势。
这些预报结果可以帮助决策者及时调整水资源管理策略，提前做好防灾准备。
4. 报告编制与发布工作人员根据分析和预报结果，撰写相关的报告和研究论文，为上级部门和科研机构提供参考。
这些报告通常包括数据分析方法、研究结果和政策建议等内容，并以图表和表格的形式进行呈现，使报告更具可读性和说服力。
工作人员还负责将重要的数据和预报信息发布到水利部的网站或其他渠道，供公众使用和参考。
5. 实时监测与应急响应水文监测和预报是一个持续的过程，需要工作人员实时监测数据的动态变化，并及时做出应急响应。
在气象条件复杂、水情突变的情况下，工作人员需要迅速调整监测策略，增加现场观测频率，保证数据的及时性和准确性。
同时，他们还要根据预报结果和相关政策，制定应对措施，提前做好防洪、排涝等工作。
总结：水利部工作人员在水文监测与预报中的工作流程包括数据采集与传输、数据处理与分析、模型建立与预报、报告编制与发布、实时监测与应急响应等环节。
水利工程水文预报与洪水调度方案
水利工程水文预报与洪水调度方案水利工程是国家重要的基础设施之一，对于国民经济和社会发展具有重要的支撑作用。
水文预报与洪水调度方案是水利工程管理的重要组成部分，它能够对洪水进行准确预报，并制定相应的调度方案，保障人民群众的生命财产安全。
本文将对水利工程水文预报与洪水调度方案进行探讨。
1. 水文预报的重要性水文预报是指根据历史数据、实时监测数据、气象预报等信息，利用数学模型和统计方法对未来一段时间内的水文情况进行预测。
水文预报的准确性直接影响到洪水调度方案的制定和工程管理的安全性。
通过水文预报，可以提前采取措施，减轻洪水对人民群众和水利工程的影响。
2. 水文预报的数据来源水文预报需要依赖多种数据来源进行分析和预测。
首先是历史数据，通过对历史洪水事件的分析，可以提取出一些规律，并作为参考依据。
其次是实时监测数据，包括水位、雨量、流量等指标的实时数据收集和分析。
还有气象预报数据，通过对未来一段时间内的降雨情况进行预测，可以辅助水文预报的准确性。
3. 水文预报的方法水文预报主要分为经验预报和数学模型预报两种方法。
经验预报是根据历史数据和经验公式，通过对过去的洪水事件进行分析总结，预测未来的洪水情况。
数学模型预报则是利用数学模型对水文过程进行模拟和预测。
数学模型可以综合考虑多种因素，如降雨、蒸发、径流等，提高水文预报的准确性。
4. 洪水调度方案的制定洪水调度方案是指在洪水来临时，根据水文预报结果制定出的一系列管理和调度措施。
洪水调度方案需要考虑多种因素，如灌区需水、下游河道容纳能力、水库蓄水量等，并综合考虑人民群众的生命财产安全与经济发展的需要。
洪水调度方案的制定需要充分的技术支持和决策参考，确保方案的科学性和可行性。
5. 水文预报与洪水调度方案的应用实例以某水利工程为例，通过建立水文预报系统，及时监测降雨情况，并利用数学模型进行水文预报。
在洪水来临之前，水利工程管理部门制定了相应的洪水调度方案，提前进行蓄洪、泄洪等调度措施，有效减轻了洪水对下游地区的冲击，并保障了人民群众的生命财产安全。
第五章 水文预报
目
5.1 概述 5.2 短期洪水预报
录
5.3 水文预报精度的评定
5.1
内容提要
概 述
1. 水文预报的重要作用；2. 水文预报的 分类； 3. 水文预报工作的基本程序
学习要求
掌握预见期的定义、水文预报分类及水 文预报工作的基本程序。
一、概念
水文预报：利用实测的水文气象资料，揭示和预 测未来水文要素变化的一门水文学科。
（1）评定指标：许可误差——许可误差是人们在预 报作业时拟定的误差允许范围，是评定预报精度的 一种标准。 （2）河道水位（流量）预报许可误差的拟定
变幅许可误差 1）预见期内最大变幅的许可误差：采用实测变幅的均方 差 变幅为零的许可误差 ：采用0.3 ； 其余变幅的许可误差：采用以上二者间线性内插法确定。 说明：①对于水位的预报：许可误差的上限为1.0m，下限 为0.1；（上限为最大变幅许可误差，下限为变幅为0的 许可误差） ②对于流量预报：算出的许可误差小于测验误差时，以测 验误差为下限。 2）预报洪峰出现时间的许可误差 上限：预报根据时间至实测洪峰出现时间间距的30％； 下限：3小时为下限。
(1) (2)
S——河段蓄水量，m3/s· h； Q——河段流量， m3/s
当河段有区间入流q时，则式 （1）的左边应增加（q1+q2） △t/2一项。 关键：建立槽蓄曲线（方程）
图5-2-10
2、马斯京根法及其槽蓄曲线方程
（1）马斯京根法 1938年 G.T.McCarthy 美国马斯京根河流域而得 名。 （2）马斯京根槽蓄曲线方程 洪水波产生附加比降，涨洪时，流量大，槽蓄量S 大；落洪时，流量小，槽蓄量S小。故S~Q关系曲线随 水面比降i变化。即： S=f(Q,i) 马斯京根槽蓄曲线方程中，河段槽蓄量两部分组成： a 柱蓄 b 楔蓄
水文信息报汛方法
水文信息报汛方法宜昌市防汛抗旱指挥部办公室水情科二〇一〇年四月目录1、报汛的基本常识 (1)2、水库拍报的内容及要求 (6)2.1 水库降水量拍报规定及内容 (6)2.1.1降水量拍报一般规定 (6)2.1.2 各水库雨量报汛方法及内容 (7)2.1.3 雨量报汛举例 (8)2. 2 水库水情报汛内容 (9)2.2.1水库水情拍报规定 (9)2.2.2水库水情报汛内容 (10)2.2.3 水库水情报汛举例 (10)3、堤防拍报的内容及要求 (11)3.1 雨量拍报方法及内容 (11)3.2 堤防水位拍报要求 (11)4、排灌站拍报的内容及要求 (11)5、报汛制度及要求 (12)水文信息报汛方法1、报汛的基本常识（一）汛、汛期和防汛汛的含义是指定期涨水，即由于降雨、融雪、融冰，使江河水域在一定的季节呈周期性的涨水现象。
汛常以出现的季节或形成的原因命名，如春汛、伏汛、潮汛等。
春汛（或桃汛）是春季江河流域内降雨冰雪融化汇流形成的涨水现象或伏天或秋天由于降雨汇流形成的江河涨长，称伏汛或秋汛。
沿江滨海地区海水周期性上涨，称潮汛。
汛期的含义是指江河水域中汛水自始涨到回落的期间。
我国各河流所处的地理位置、气候条件和降雨季节不同，汛期长短不一，有长有短，有早有晚，即使是同一条河流的汛期，各年情况也不尽相同，有早有迟，汛期来水量相差很大，变化过程也是千差万别。
为了做好防汛工作，根据主要降水规律和江河涨水情况规定了汛期，我市汛期按省明确为5月1日至10月15日。
防汛的含义是为防止或减轻洪水灾害，在汛期进行的防御洪水的工作，其目的是保证水库、堤坊和水库下游的安全防汛主要工作内容是：防汛组织，防汛责任制和防汛抢险队伍的建立，防汛物资和经费的筹积存储，江河水库、堤防、水闸等防洪工程的巡查防守，水文气象测报和暴雨天气洪水水情预报，蓄洪、泄洪、分洪、滞洪等防洪设施的调度运用，出现非常情况时采取临时应急措施，发现险情后的紧急抢护和洪灾抢救等。
若干水文预报方法综述
第25卷第1期水利水电科技进展2005年2月V ol.25N o.1Advances in Science and T echnology of Water Res ources Feb.2005 作者简介:王文(1967—),男,江苏姜堰人,副教授,博士,从事GIS 与遥感应用及水文时间序列分析研究.若干水文预报方法综述王 文1,马 骏2(1.河海大学水资源环境学院,江苏南京 210098;2.黄河水利委员会水文局,河南郑州 450004)摘要:将现有水文预报方法分为过程驱动模型方法和数据驱动模型方法两大类.过程驱动模型指以水文学概念为基础,对径流的产流过程与河道演进过程进行模拟,从而进行流量过程预报的模型.过程驱动模型近年在中长期预报方面的发展主要表现在对概念性流域降雨径流模型的结构进行改进,以适应较大时间尺度预报的需要.数据驱动模型则是基本不考虑水文过程的物理机制,而以建立输入输出数据之间的最优数学关系为目标的黑箱子方法.数据驱动模型以回归模型最为常用,近年来由于神经网络模型、非线性时间序列分析模型、模糊数学方法和灰色系统模型等的引进,以及水文数据获取能力和计算能力的发展,数据驱动模型在水文预报中受到了广泛的关注.关键词:河流流量;水文预报;水文模型;过程驱动模型;数据驱动模型中图分类号:P338 文献标识码:A 文章编号:1006Ο7647(2005)01Ο0056Ο05R eview on some methods for hydrological forecasting//W ANG Wen 1,M A Jun 2(1.College o f Water Resources and Environment ,Hohai Univ.,Nanjing 210098,China ;2.Hydrology Bureau o f Yellow River Conservancy Commission ,Zhengzhou 450004,China )Abstract :The current methods for hydrological forecasting are divided into tw o classes ,i.e.the process 2driven m odel and the data 2driven m odel.The process 2driven m odel is based on the conception of hydrology ,with which the discharge forecasting can be per formed by simulation of the runoff variation and river channel ev olution.The advances of process 2driven m odels in medium 2and long 2term forecasting mainly concentrate on the m odification of the precipitation and runoff m odels of river basins ,s o that the m odels can meet the requirement of the medium 2and long 2term forecasting.While ,the data 2driven m odel ,without requirement of the analysis of the physical mechanics ,is fundamentally a black 2box m odel with an objective of identification of the optimal mathematical relationship between inputs and outputs.Am ong all the data 2driven m odels ,the linear regression m odel is the m ost comm only used.Owing to the introduction of s ome new forecasting methods into hydrological forecasting ,such as the artificial neural netw ork m odel ,the nonlinear time 2series analysis m odel ,the fuzzy mathematic m odel ,the grey system m odel ,and s o on ,and the im provement of the capability of data acquisition and calculation ,the data 2driven m odel has drawn wide attentions in hydrological forecasting.K ey w ords :river flow rate ;hydrological forecasting ;hydrological m odel ;process 2driven m odel ;data 2driven m odel 水文预报对于水库调度、洪水控制、发电、灌溉等工作至关重要.水文预报方法很多,可以粗略地分为过程驱动模型方法和数据驱动模型方法两大类.过程驱动模型指以水文学概念为基础,对径流的产流过程与河道演进过程进行模拟,从而进行流量过程预报的数学模型.数据驱动模型则是基本不考虑水文过程的物理机制,而以建立输入输出数据之间的最优数学关系为目标的黑箱子方法.数据驱动模型以回归模型最为常用,近年来新的预测手段得到很快发展,如神经网络模型、非线性时间序列分析模型、模糊数学方法和灰色系统模型等,同时,水文数据的获取能力及计算能力得到飞速发展,因此,数据驱动模型在水文预报中得到越来越广泛的关注和应用.1 过程驱动模型过程驱动模型大致可以分为两类,一类是模拟以地下水或其他慢反应水源为主要径流来源的枯季径流退水模型;另一类是应用范围更广,可用于具有不同径流来源的流量过程的概念性流域降雨径流模型.1.1 枯季径流退水模型自然流域的枯季径流退水过程可以通过退水曲线反映出来.枯季径流退水曲线法应用枯季径流的退水规律来预报枯季径流总量和径流过程,如Mishra 等建立退水模型进行青尼罗河的枯季退水径流预报[1].推求退水曲线表达式的方法有多种,但由于不同时期的退水特性有很大差异,退水曲线的定量表达缺乏一致性,这就限制了退水曲线法的应用[2].此外,用退水曲线法只能预报无显著降水情况下的径流消退过程,如果预见期内的降水对径流过程有明显影响,则该方法不适用.1.2 概念性流域降雨径流模型概念性流域降雨径流模型是将一些有物理依据的公式与经验性的公式结合起来,描述降雨径流的转换过程及径流的河道演进过程的数学模型.概念性模型被广泛应用于实时或短期预报,其输入、输出量的时间单位一般是小时或日.在应用于中长期预报时,其输入、输出量的时间单位相应有所改变(比如由小时、日变为旬、月).由于降水输入是降雨径流模型必不可少的输入量,因此将其应用于中长期预报时,一般要与降水预报相结合.如由欧洲多国共同开发的欧洲洪水预报系统(EFFS)根据欧洲中期气象预报中心(EC MWF)的逐日降水预报结果,采用多个概念性模型进行未来10d的逐日流量概率预报[3];Tucci等将大气环流模型预报的降水数据输入到一个分布式水文模型中,预报未来若干月的流量[4].也有以历史降水资料作为模型输入的,如加拿大哥伦比亚河Mica工程在过去20多年中使用一个半分布式水文模型(UBC模型),以流域当前状态(如积雪及土壤湿度状况等)为基础,根据历史降水数据进行1～8月份的日流量预报,并聚合而成月流量预报[5].当概念性模型应用于较大时间尺度的流量过程预报时,模型的结构也可能需要做适当调整.新安江模型[6,7]、水箱模型[8]、H BV模型[9]等都被不同研究者经过适当的结构改进后用于月径流量预报.比如,刘新仁[6]提出了可以适应不同时间尺度的系列化水文模型,在将新安江月模型应用于月尺度的预报时,可以只考虑两种水源即快速响应水源(地表径流与壤中流)及慢响应水源(地下径流),相应地在划分水源的模型参数上,不再需要自由蓄水库向壤中流和地下径流的排水系数及壤中流的调蓄系数.也有部分研究者提出以中长期预报为主要目的的水文模型,例如王国庆等[10]建立了一个大尺度融雪径流模型,用于月径流量预报;M ohseni等[11]提出了一个基于水量平衡原理的集总式概念性模型进行月径流量的模拟和预报.2 数据驱动模型2.1 回归分析模型回归分析是流量中长期预报中应用最早、最广的方法之一,其应用于径流预报的历史可以追溯到早期的降雨径流相关图方法,20世纪60年代以后随计算机技术的发展而迅速普及,并且,主成分分析等技术被引入到回归分析之中[12],以提高预报精度.回归分析至今仍是流量预报实际工作中的一种重要手段[13,14].回归模型的主要优点在于简单、易于实现.在根据影响因子与流量过程的相关关系进行中长期预报时,关键要解决好以下几方面的问题:①哪些指标与研究区域的中长期流量有显著的相关性?②所选定的指标在哪个时间尺度(如月或季)上与研究区域的哪个时间尺度的流量有最大的相关性?③这种相关关系的时距有多长?最常用的预报因子有预报站前期流量、上游站前期流量、集水流域降水量、土壤湿度、积雪量、气温等,还可以将一些对流量过程的长期变化规律起控制作用的影响因子作为预报因子,包括太阳辐射、太阳黑子数、地震场、地温场等地球物理量,海洋表面温度、E NS O指数等海洋物理量,气压高度场、大气环流指数等大气物理量.由于上述很多因子对流量的影响往往有几个月甚至更长的滞后时间才能反映出来,因此,考虑这些因子会有助于提高长期预报精度.这方面的研究成果很多,比如,有研究表明地震场[15]、地温场[16]与年流量均有较大相关性;许多研究成果表明E NS O事件与河流流量变化有关,这种关系可用于进行长期流量预报[17,18].2.2 时间序列模型时间序列分析是水文学研究的一个重要工具.在流量过程预报中用到的时间序列模型很多,按模型中包含的时间序列的数目,可以分两大类:单变量模型与多变量模型.单变量模型以自回归滑动平均(ARMA)模型及其衍生类型最常用.自回归(AR)模型是ARMA模型的一种特殊类型,在年、月径流量模拟和预报中使用较广,如卢华友[19]采用三阶自回归模型AR(3)对丹江口水库年径流进行预报.但ARMA模型是建立在时间序列平稳的假设之上的,而时间尺度小于年的流量序列(如月、旬流量)通常具有很强的季节性,并非平稳序列,因此直接使用ARMA模型一般不合适.模拟和预报这种季节性序列的模型主要有3种[20]:①用季节性ARI MA模型(简称为S ARI MA);②除季节性ARMA模型,即先除去原流量序列中的季节性均值与方差,再对除季节性序列拟合ARMA 模型;③周期ARMA模型(简称为PARMA),包括PAR模型.这3种模型在流量中长期预报中都很常用[21,22].近年来,河流流量过程的长记忆特性研究受到关注.具有长记忆特性的随机过程可以用分数阶差分自回归滑动平均(ARFI MA)模型较好地描述,如M ontanari等[23]用ARFI MA模型进行尼罗河阿斯旺月流量过程的模拟与预报;O oms等[24]将PARMA 模型与ARFI MA模型相结合,提出用周期长记忆模型(PARFI MA,Periodic ARFI MA)拟合月流量过程;王文[25]采用包括ARFI MA模型在内的多种时间序列模型进行黄河上游唐乃亥站未来10d的逐日平均流量预报.如果考虑外部输入因素的影响,可以构建多变量时间序列模型,最常用的是含外部变量的自回归滑动平均(ARMAX)模型或传递函数噪声(TFN)模型.例如,Awadallahl等[26]以不同海区的海温作为外部输入变量建立TFN模型,进行尼罗河夏季径流量的预报.由于考虑了外部影响因素,利用了更多的预报信息,TFN模型的预报精度一般高于单变量的ARI MA类模型的预报精度.例如,Thom pstone等[21]对1/4月流量过程建立了除季节性ARMA模型、周期自回归(PAR)模型、考虑降水与融雪输入的TFN 模型及一个概念性模型进行预报试验,结果表明TFN模型精度优于其他模型.如果流量过程显著受某种外部因素干扰而呈现异常波动,则可以采用干扰模型来模拟这种干扰,它可以看作是TFN模型的一种特殊类型.K uo等[27]在AR(1)模型的基础上,考虑台风因素的影响,建立干扰模型进行台湾淡水河的10d平均流量的预报和模拟.流量过程时间序列预报模型还可以根据模型是否具有线性结构分为线性模型与非线性模型.前面提到的ARMA,TFN等模型可以视为线性模型.近年来,水文系统的非线性研究越来越受到关注,相应地非线性模型的应用实例也增多.门限自回归模型(T AR)是中长期流量过程预报中常用的一种非线性时间序列模型[28].前面提到的很常用的PARMA及PAR模型实际上可以视为T AR模型的一种特殊类型,它们以季节为门限值,对不同季节分别建立线性模型.如果考虑外部因素的影响,T AR可以扩展为门限回归模型,因其可以描述为树形结构,也被部分研究者称为模型树模型,这种方法有应用于实时降雨径流预报的实例[29],在中长期预报中也会很有应用价值.2.3 神经网络模型人工神经网络(ANN)具有良好的非线性映射能力,而且,ANN模型构建方便,对数据的适应性很好,因而ANN可以说是近10多年来最广为关注的一种非线性预报方法,已被广泛应用于实时中长期水文预报中.最常用于径流预报的ANN类型为采用误差后向传播(BP)算法的多层感知器(M LP)神经网络(也被称为BP网络),广泛应用于年、月径流量或平均流量的预报.Birikundavyi等[30]用M LP网络进行未来1～7d的流量预报;Z ealand等[31]采用M LP 网络进行未来1～4周的流量预报;Markus[32], Jain[33],K isi[34]等用M LP网络模型进行月流量预报研究.径向基函数(RBF)神经网络也被不少研究者用于月平均流量预报(如[25,35]).此外,为了更好地拟合流量过程的非线性特征,可以采用模块化神经网络进行流量过程的中长期预报[36,37].采用ANN模型进行预报时最重要的是确定哪些数据作为输入,应的网络结构.关于如何确定ANN输入变量,有两个问题需要考虑:一是当训练数据长度较短,无法覆盖序列的全部可能范围时,如何提高ANN对可能出现的极端情况的预报能力.为解决这一问题,Cigi2 zoglu[38]在用M LP模型进行月平均流量预报时,先用AR模型生成模拟序列,以此增加训练数据量,提高预报精度.二是在进行多步预报时,如何解决ANN 模型的气象输入数据.理想的选择是采用气象预报数据,如Birikundavyi等[30]采用预报的降水、气温数据进行未来1～7d的流量预报.但是有研究表明,由于气象预报精度的限制,采用气象预报数据对流量预报的精度提高是有限的[39],因此,也有研究者采用历史气象数据作为ANN模型的输入进行多步预报,如Z ealand等[31].2.4 模糊数学模型在水文领域应用模糊数学进行预测的方法有两类,一类是模糊模式识别预测法,另一类是模糊逻辑方法.模糊模式识别预测法的基本思路是:以对历史样本模式的模糊聚类为基础,计算待测状态的类别特征值,从而根据预报值与类别特征值之间的回归方程进行预报[40];或者比较直接的做法是,从历史样本中寻找与当前待测状态具有最小模糊距离或最大贴近度的那个状态,以此状态的下一时刻值作为预报值[41].就本质而言,模糊模式识别预测法与下文提到的近邻预报方法相似,主要差别在于近邻的选择方法不同,以及找到近邻状态(或者称贴近状态)后建立预报方程的方法有所不同.模糊逻辑方法可以描述变量之间不十分明确的因果关系.根据变量之间的模糊逻辑关系,可以建立模糊逻辑模型(或称为模糊专家系统)进行流量预报,例如Zhu[42],Mahabir等[43]采用模糊逻辑模型进行长期流量预报.2.5 灰色系统模型水资源系统可以当作灰色系统看待.最常用的描述灰色系统模型的数学模型为G M(1,1),G代表G rey(灰色),M代表M odel(模型),G M(1,1)指1阶、1个变量的线性常微分方程模型.它在径流预报、灾变预测中有不少应用实例.夏军[44]提出了用灰关联模式识别的方法进行中长期径流预测.此后有研究者将此类模型应用于年、月径流预测[45,46].216 其他数据驱动模型除了上述几种数据驱动模型,下述几类模型也有少量应用实例.a.Markov链.Markov链预测技术是根据随机过程的状态转移概率来预测其未来变化趋势.该方法可用于河川径流系列的年际变化,如水库年平均入库流量[47].b.均生函数模型.均生函数模型根据系统状态前后记忆的特性,由时间序列按不同的时间间隔计算均值,生成一组周期函数,即所谓均生函数,通过建立原序列与这组函数间的回归预报方程,利用均生函数的外延值,可以对原时间序列作多步预报.冯建英[48]利用均生函数模型对河西地区3条内陆河1992～1996年春季各月和总流量进行了预报.c.经验正交函数.经验正交函数(E OF)分析方法是长期天气预报和短期气候预测中应用较为广泛的一种方法,可以移用到河流流量预报中,如李杰友等[49]应用经验正交函数分析方法,以月平均500hPa,100hPa高度场及月平均海温场为预报因子,进行月径流预报.d.典型相关分析.典型相关分析是分析两组随机变量间线性密切程度的统计方法,在气象气候研究领域应用较多.Uv o等[50]根据太平洋和大西洋海温,采用典型相关分析方法预报南美洲东北部亚马逊河流域若干地点的季节径流量.e.近邻预报方法.其基本思想是,从历史样本中选择与当前待预报状态相近的一个或k个历史状态(比如历史流量序列片段),根据这一个或k个历史状态的下一时刻观测值预报当前待预报状态的下一步值.该方法最早在20世纪80年代应用于流量预报[59],近年来随着混沌时间序列研究的增温,近邻预报方法受到较多关注,在日、月流量预报中都有应用[51,52].3 结 语水文预报模型很多,可以粗略地将其分为过程驱动模型和数据驱动模型两大类.近年来由于神经网络模型、非线性时间序列分析模型、模糊数学方法和灰色系统模型等的引进,以及水文数据获取能力和计算能力的发展,数据驱动模型在水文预报中受到了广泛的关注.参考文献:[1]M ishra A,Hata T,Abdelhadi A W,et al.Recession flow analy2sis of the Blue Nile River[J].Hydrol Process,2003,17:2825—2835.[2]T allaksen L M.A review of baseflow recession analysis[J].Journal of Hydrology,1995,165:349—370.[3]De R oo A P J,Bartholmes J,Bates P D,et al.Development of aEuropean Flood F orecasting System[J].Journal of River Basin Management,2003,1(1):49—59.[4]Tucci C E M,Clarke R T,C ollischonn W,et al.Long2term flowforecasts based on climate and hydrologic m odeling:Uruguay River basin[J].Water Res our Res,2003,39(7):SWC3Ο1ΟSWC3Ο11.[5]Druce D J.Insights from a history of seas onal in flow forecastingwith a conceptual hydrologic m odel[J].J Hydrol,2001,249: 102—112.[6]刘新仁.系列化水文模型研究[J].河海大学学报,1997,25(3):7—14.[7]郦建强.华北地区流域月降水径流模型比较研究[J].水科学进展,1998,9(3):282—288.[8]胡兴林,崔涛,王小玲,等.黄河上游唐乃亥站月、旬平均流量预报模型研究[J].水文,2000,20(3):24—26.[9]康尔泗,程国栋,蓝永超,等.概念性水文模型在出山径流预报中的应用[J].地球科学进展,2002,17(1):18—26.[10]王国庆,张建中,马吉让.融雪径流模型及其在黄河唐乃亥站的应用[J].西北水资源与水工程,1997,8(2): 60—64.[11]M ohseni O,S tefan H G.A m onthly stream flow m odel[J].Wa2ter Res ources Research,1998,34(5):1287—1298.[12]G aren D C.Im proved techniques in regression2based stream2flow v olume forecasting[J].J Water Res Plan Manage,1992, 118(6):654—670.[13]李杰友,熊学农,罗清标.新丰江水库月径流预报模型[J].河海大学学报,1998,26(5):104—106.[14]Mahabir C,Hicks F E,Fayek A R.Application of fuzzy logic toforecast seas onal runoff[J].Hydrol Process,2003,17:3749—3762.[15]汤懋苍,张建,杨良.江河丰枯与我国地震的相关分析[J].中国科学(B辑),1992(8):889—896.[16]蔡英,王冬梅.唐乃亥流量年变程分型与地温场的相关分析[J].高原气象,1996,15(4):472—477.[17]Piechota T C,Dracup J A.Long2range stream flow forecastingusing E l2Nino s outhern oscillation indicators[J].Journal ofHydrologic Engineering,1999,4(2):144—151.[18]王根绪,沈永平,刘时银.黄河源区降水与径流过程对E NS O事件的响应特征[J].冰川冻土,2001,23(1):16—21.[19]卢华友,邵东国,郭元裕.丹江口水库径流长期预报研究[J].武汉水利电力大学学报,1996,29(6):6—10.[20]Hipel K W,Mcleod A I.T ime series m odelling of water re2s ources and environmental systems[M].Amsterdam:E lsvier, 1994.[21]Thom pstone R M,Hipel K W,Mcleod A I.F orecasting quarter2m onthly river flow[J].Water Res ources Bulletin,1985,21(5):731—741.[22]Bender M,S im onovic S.T ime2series m odeling for long2rangestream2flow forecasting[J].J Water Res Plan Manag,1994, 120(6):857—870.[23]M ontanari A,R oss o R,T aqqu M S.A seas onal fractionalARFI M A m odel applied to the Nile River m onthly at As wan [J].Water Res ources Research,2000,36:1249—1259. [24]O oms M,Franses P H.A seas onal periodic long mem ory m odelfor m onthly river flows[J].Environmental M odeling&S oft2 ware,2001,16:559—569.[25]王文.黄河流量过程时间序列分析与建模[D].北京:中国科学院研究生院,2003.[26]Awadallahl A G,R ousselle J.Im proving forecasts of Nile floodusing SST inputs in TFN m odel[J].Journal of Hydrologic En2 gineering,2000,5(4):371—379.[27]K uo I T,Sun Y H.An intervention m odel for average10daystream flow forecast and synthesis[J].Journal of Hydrology, 1993,151(1):35—56.[28]冯国章,王比银,王学斌.自激励门限自回归模型在枯水径流预报中的应用[J].西北农业大学学报,1995,23(4):78—83.[29]S olomatine D P,Dulal K N.M odel trees as an alternative toneural netw orks in rain fall2runoff m odeling[J].Hydrol Sci J, 2003,48(3):399—411.[30]Birikundavyi S,Labib R,T rung H T,et al.Per formance of neu2ral netw orks in daily stream flow forecasting[J].J Hydrol Eng, 2002,7(5):392—398.[31]Z ealand C M,Burn D H,S im onovic S P.Short term stream flowforecasting using artificial neural netw orks[J].J Hydrol,1999, 214:32—48.[32]Markus M.Application of neural netw orks in stream flow fore2casting[D].C olorado:C olorado S tate University,1997. [33]Jain S K,Das A,SrivastavaD K.Application of ANN for reser2v oir in flow prediction and operation[J].J Water Res Plann Manage,1999,125(5):263—271.[34]K isi O.River flow m odeling using artificial neural netw orks[J].J Hydrol Eng,2004,9(1):60—63.[35]陈仁升,康尔泗,张济世.应用G RNN神经网络模型计算西北干旱区内陆河流域出山径流[J].水科学进展, 2002,13(1):87—92.[36]Zhang B,G ovindaraju R S.Prediction of watershed runoff usingBayesian concepts and m odular neural netw orks[J].Water Re2 s our Res,2000,36(3):753—762.[37]Hu T S,Lam K C,Ng S T.River flow time series predictionwith a range2dependent neural netw ork[J].Hydrol Sci J, 2001,46(5):729—745.[38]Cigizoglu H K.Incorporation of ARM A m odels into flow fore2casting by artificial neural netw orks[J].Environmetrics,2003, 14(4):417—427.[39]Clark M P,Hay L e of medium2range numerical weatherprediction m odel output to produce forecasts of stream flow[J].J Hydrometeor,2004,5(1):15—32.[40]陈守煜.中长期水文预报综合分析理论模式与方法[J].水利学报,1997(8):15—21.[41]白子岩.模糊模式识别法在中长期预报中的应用[J].水利水电技术,1999,30(2):50—51.[42]Zhu M2L,Fujita M,Hashim oto N,et al.Long lead time forecastof runoff using fuzzy reas oning method[J].J Japanese S oc Hy2 drol Water Res our,1994,7(2):83—89.[43]Mahabir C,Hicks F E,Fayek A R.Application of fuzzy logic toforecast seas onal runoff[J].Hydrol Process,2003,17:3749—3762.[44]夏军.中长期径流预报的一种灰关联模式识别与预测方法[J].水科学进展,1993,4(3):190—197.[45]袁秀娟,夏军.径流中长期预报的灰色系统方法研究[J].武汉水利电力大学学报,1994,27(4):367—375. [46]饶素秋,霍世青.灰色系统模型在黄河径流量分析预测中的应用[J].人民黄河,1997(7):39—42.[47]蓝永超,康尔泗,徐中民.龙羊峡水库年入库径流的Markov预测模型[J].中国沙漠,2000,20(1):95—97. [48]冯建英.河西内陆河春季流量变化特征的分析和预测[J].甘肃气象,1998,16(4):38—41.[49]李杰友,熊学农,刘秀玉.基于E OF迭代的月径流长期预报[J].河海大学学报(自然科学版),2001,29(2): 43—46.[50]Uv o C B,G raham N E.Seas onal runoff forecast for northernS outh America:a statistical m odel[J].Water Res our Res, 1998,34(12):3515—3524.[51]丁晶,邓育仁,傅军.洪水变化的混沌特性和相空间预测[A].刘昌明.第六次全国水文学术会议论文集[C].北京:科学出版社,1997.151—157.[52]S ivakumar B,Berndtss on R,Perss on M.M onthly runoff predic2tion using phase space reconstruction[J].Hydrol Sci J,2001, 46(3):377—387.(收稿日期:2003Ο10Ο29 编辑:熊水斌) (上接第55页)参考文献:[1]叶浩亮,闵经书.水轮机选型C AD程序设计[J].电脑开发与应用,2001(12):11—13.[2]宋文武,彭贵川.水轮机选型设计软件包的开发研究[J].大电机技术,1999(6):61—65.[3]陈杉,王宁,郭剑峰.用objectARX开发AutoC AD2000应用程序[M].北京:人民邮电出版社,2000.[4]李世国.AutoC AD高级开发技术ARX编程及应用[M].北京:机械工业出版社,1999.[5]刘大恺.水轮机[M].北京:中国水利水电出版社,1996.(收稿日期:2004Ο01Ο12 编辑:熊水斌)。
水文预报
水文预报是根据水文现象的客观规律，利用实测的水文气象资料，对水文要素未来变化进行预报的一门水文学科，它是水文学的一个重要组成部分。
水文预报根据前期或现时已出现的水文、气象等信息，运用水文学、气象学、水力学的原理和方法，对河流、湖泊等水体未来一定时段内的水文情势作出定量或定性的预报。
二、水文预报的分类(一) 按其预报项目分1.径流预报预报的要素:水位、流量。
水位预报:水位高程及其出现时间；流量预报:流量大小、涨落洪时间及其过程。
(1)洪水预报A：河段洪水预报以河槽洪水波运动理论为基础，预报河段下游某站的水位和流量。
洪水波在河段间的传播时间即为该方法的预见期B: 流域水文预报按降雨径流形成过程的原理，利用流域内的降雨资料，对流域上降水在流域出口处形成的流量过程的预报流域产流预报对流域内降水过程所产生净雨过程的预报。
流域汇流预报对流域内降水的净雨过程所形成的出口断面流量过程的预报.从降雨到达地面转变为出口断面的流量所经历的流域汇流时间，就是该方法所能提供的预见期。
预报方案根据河段洪水波运动理论或降雨径流形成过程的原理制作。
(二)按预见期的长短预见期是指预报发布时刻与预报要素出现时刻之间的时距。
1. 短期水文预报预见期通常为数小时至数天或主要由水文要素作出的预报。
2.中长期水文预报预见期通常为3天以上至1年以内或包括气象预报性质在内的水文预报（三门峡－花园口，24h）3.超长期水文预报预见期在1年以上的水文预报4.实时联机水文预报（实时水文预报）利用遥测系统收集流域内的实时水文气象数据输入计算机，直接与水文预报程序和预报误差校正程序连接，及时作出水文预报。
三、水文预报的基本程序（一）制定预报方案(1)由过去的观测资料推算预报要素大小和出现时间的一整套计算方法，(2)根据过去的实测资料进行分析计算，建立的预报对象与预报因子间的经验关系图或预报方程。
（二）进行作业预报根据预报方案开展预报服务工作。
将现时发生的水文气象信息，通过报汛设备迅速传送到预报中心，随即经过预报方案算出即将发生的水文预报要素大小和出现时间，及时将信息发布出去，供有关的部门应用。
工程水文学之水文预报
工程水文学之水文预报●分类●按项目●施工水文预报●围堰水情预报●截流期水情预报（枯水预报）●退水曲线法●前后期径流相关法●河网蓄水量法●径流预报●洪水预报●枯水预报●冰清预报●沙情预报●水质预报●按预见期长短预见期●短期水文预报以水文要素作出的预报为主●河段洪水预报●河段中的洪水波运动●附加比降●涨洪时●落洪时●稳定时●洪水波●洪水波的展开●洪水波的扭曲●相应水位（流量）法●基本原理●相应水位●相应流量●无支流河段的相应水位预报●简单的相应水位法●以下游站同时水位为参数的相应水位法●以上游站涨差为参数的水位相关法●合成流量法●流量演算法●基本原理●圣维南方程组●连续方程●河段水量平衡方程●动力方程●槽蓄方程●马斯京根法及其槽蓄曲线方程●马斯京根流量演算方程●马斯京根法中几个问题的分析●马斯京根法用于预报时没有预见期●降雨径流预报●编制降雨径流方案●作业预报●考虑实时修正的实时洪水预报●洪水实时预报的意义●实时预报●新息最新时刻的预报值和实测值之差●洪水实时预报方法的分类●洪水实时预报的最小二乘方法●中长期水文预报预见期长达一旬至一年，包含气象预报●预报方法与途径●天气学方法●天文地理物理因素方法●统计学方法●单要素方法●多要素综合法●多元线性回归分析法●长期水文预报●超长期水文预报●按预报范围或水体●河道洪水预报●水库水文预报●流域水文预报●方法●经验和半经验公式●水文模型法●统计预报法●性质●非工程性的防洪措施●意义●工作的基本程序●制定预报方案●进行作业预报●精度评定●预报差别●评定标准●预报方案的评定●作业预报的评定。
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的水文预报方法研究陈璐;杨振莹;周建中;张勇传;张俊宏;黄康迪【摘要】This study proposed three coupled models to reduce the flood forecast error These three coupled methods include real-time error correction together with multi-model composition method , multi-model composition forecast together with real-time error correction and global real-time combination model .The Muma River was selected as a case study .Results show that those three couple models can reduce forecast error significantly , especially for the global real-time combination model .%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.【期刊名称】《中南民族大学学报（自然科学版）》【年(卷),期】2017(036)004【总页数】5页(P73-77)【关键词】预报误差;实时校正;组合预报;耦合模型【作者】陈璐;杨振莹;周建中;张勇传;张俊宏;黄康迪【作者单位】华中科技大学水电与数字化工程学院,武汉430074;华中科技大学水电与数字化工程学院,武汉430074;华中科技大学水电与数字化工程学院,武汉430074;华中科技大学水电与数字化工程学院,武汉430074;中南民族大学资源与环境学院,武汉430074;华中科技大学水电与数字化工程学院,武汉430074【正文语种】中文【中图分类】TV124随着水文科学的发展，已研发了多种水文模型用于水文预报工作.然而,由于模型输入、模型结构以及模型参数中存在不确定性，导致水文模型进行水文预报时会产生一定的预报误差.因此，如何采用科学有效的方法来减小预报误差，提高预报精度一直是水文领域研究的热点问题.常用的减小预报误差的方法主要有两类[1]：一是水文预报的实时校正方法，二是多种水文模型的组合预报方法.实时校正是借助已出现的水情信息校正未来的预报值，从而减少未来预报值的误差量[4].组合预报是针对同一个流域采用多种模型进行预报，通过综合多种模型的预报优势，达到提高预报精度的目的[5].之前的研究大都是单一运用实时校正或组合预报方法[6-9]，并未考虑将二者进行耦合.因此，本文提出了三种耦合实时校正和组合预报的方法，大幅度地减少了预报误差.先针对每单个模型的预报结果进行实时校正然后对多个校正后的预报结果进行组合预报，称之为先实时校正后组合预报法；先用多个模型进行组合预报，然后对预报序列进行实时校正，称之为先组合预报后实时校正法；排除实时校正与组合预报的先后顺序的影响，将其一体化来进行水文预报校正，称之为实时校正组合预报一体化法.令实测序列为Qt=(Q1,Q2,…,Qn)，n为序列的长度，预报序列为预测序列与实测序列的差值为误差序列，记为ei=(e1,e2,…，en).通过建立误差自回归(AR)模型来校正预报误差值，误差序列的校正值与实测值之和为水文预报值的校正结果.误差自回归模型的数学表达式如下所示：式中，q为误差自回归模型的阶数，θ1,θ2,…,θq为回归系数，ζ是均值为零、方差为某值的白噪声信号.组合预报方法按组合预报值和各单一模型预报结果的函数关系可分为线性组合和非线性组合预报；按照组合预报加权系数计算方法的不同可分为最优组合和非最优组合预报方法[8].本文选用线性组合寻求加权系数的最优解.综合考虑多个水文模型的预报效果，通过分配权重的方法进行组合预报.假设参与组合预报的水文模型个数为m，各个水文模型的预报结果分别为如下：,组合预报的结果可通过下式计算：式中，Ft=F1,F2，…,Fn),Ft 为t时刻组合预报的结果，n为序列的长度；ω1,ω2,…,ωm分别为各个水文模型的耦合权重，且满足：采用最小二乘法来确定各个模型的耦合权重ω1,ω2,…,ωm.通过水文模型的预报值与实测值之差来计算各个模型的误差序列，得到各个模型的误差序列如下所示：组合预报结果的误差序列记为(Ft-Qt)，用符号E表示期望值，误差序列的方差期望值记为e(Ft-Qt)2，其计算式如下：为了使组合预报结果误差序列的方差期望值最小，求解该目标下各个模型权重值的问题转化为求解如下线性规划问题：引入拉格朗日乘子λ，构建目标函数：L(ω1,ω2,…,ωm,λ)=E(ω1e1t+ω2e2t+…+ωmemt)2+λ(ω1+ω2+…+ωm-1).目标函数分别对ω1,ω2,ωm,λ求偏导，并令其偏导等于0，得到如下方程组：其中：E(ejtekt)=(eji,eki)(j,k=1,2,…,m).通过求解方程组，即可得到各个水文模型的耦合权重ω1,ω2,…,ωm的值.选取m个水文预报模型进行耦合校正，记实测水文序列为Qt，m个水文模型的预报结果为Q1t,Q2t,…,Qmt.首先，根据m个模型的实测值和预报值，采用基于误差自回归模型的实时校正方法对各个模型进行实时校正，分别得到m个模型的校正结果然后，根据m个模型的实时校正结果，对m个模型进行组合预报，利用最小二乘法得到m个模型的耦合权重ω1,ω2,…,ωm之后，根据下式即可得到实时校正—组合预报耦合结果：首先，根据m个模型的实测值和预报值，开展m个模型的组合预报，利用最小二乘法得到m个模型的耦合权重ω1,ω2,…,ωm后，组合预报的结果为：然后，根据组合预报结果利用基于误差自回归模型的实时校正方法进行校正，得到先组合后实时校正的耦合结果，记为先实时后组合校正法和先组合后实时校正法都是将实时校正过程和组合预报过程作为独立的单元进行优化求解.在实时校正优化中存在自回归系数的优化问题，而在组合预报中也存在各模型权重系数的优化问题.因此可考虑将实时校正和组合预报作为一个整体进行耦合校正，即在同一目标下来优化确定自回归系数和模型权重系数.本文以3个模型的水文预报耦合为例.记实测水文序列为Qt，3个模型的预报结果分别为Q1t,Q2t,Q3t.对各个模型采用二阶的AR模型进行校正，记3个模型的误差项如下：将式(13)，带入式(7)，可得到如下公式：式中，包含有α11,α21,α12,α22,α13,α23,ω1,ω2,ω3共9个待定参数，本研究应用粒子群(PSO)算法来求解这些参数.本文以牧马河流域1988～1998年的日流量资料为研究对象，其中1988～1995年的数据用于水文模型的率定，1996～1998的数据用于模型的检验.采用新安江模型、Tank模型和HBV模型预报牧马河流域的径流序列，然后应用本文所提出的3种耦合方法对其进行校正，并利用确定性系数(DC)、平均相对误差(MAE)、平均绝对误差(MRE)、均方根误差(RMSE)4个评价指标，对预报结果进行精度评定，最后开展所提耦合模型与单一模型以及所提模型之间的比较分析.采用新安江模型、Tank模型和HBV模型单独进行水文预报，基于上述4种评价指标，率定期和检验期的精度评定结果如表1所示(校正前结果).采用本文所建立的实时校正模型，分别对新安江模型、Tank模型和HBV模型的预报结果进行实时校正，并将校正后的结果进行精度评定，并与未校正前的结果进行比较分析，比较结果如表1所示.由表1可知，除了水箱模型校正结果的MAE和MRE两个指标略微有所浮动下滑，其他各模型实时校正后预报精度都有一定的提高.因此，实时校正可以在一定程度上提高预报的准确性，但提高的幅度有限.由表1可知，对于不同的评价指标，对应的最优水文模型也不尽同.由此可见，没有一个独立的水文预报模型有绝对的预报优势，其预报结果无法使所有的精度评定指标达到最优值.事实上针对不同的预报时期，同一水文预报模型的预报效果也会不同.这是由于水文序列具有极大的随机性和非线性特征，任何一个模型都无法完全准确地模拟水文现象的动态真实特性，因此单一的水文预报模型预报能力有限，不存在一个具有普适性的最优模型[10].为此，本文提出了组合预报的计算方法.基于模型率定期的数据，采用本文所述组合预报的权重计算方法，确定新安江模型、Tank模型和HBV模型的权重分别为0.097、0.077和0.826，三个模型权重的和为1，由于HBV模型对牧马河流域的洪水模拟效果最佳，所以其权重较大.采用上述权重对牧马河流域率定期和检验期数据进行组合预报，并对预报结果进行精度评价.将组合预报后的4个评价指标分别与单一预报模型中各指标中的最优值进行对比，结果如表2所示.比较分析结果表明，组合预报后的结果要优于各单一模型的最优值.基于本文所提出的的3种耦合模型，对3个模型的预报序列进行了优化校正，并采用上述4种评价指标对3种耦合方法的效果进行评价，结果如表3所示.由表3可知，耦合校正的结果均优于单个模型的计算结果，实时校正组合预报一体化模型效果最为显著,并且要优于单独的实时校正以及单独的组合预报结果.例如，在率定期，3个模型预报结果的均方根误差最小(HBV模型)为26.417 m3/s，实时校正后的均方根误差为24.086 m3/s，组合预报后的均方根误差为26.394 m3/s，先实时校正后组合预报模型的均方根误差为24.206 m3/s，先组合预报后实时校正模型的均方根误差为24.435 m3/s，实时校正组合预报一体化模型的均方根误差为1.014 m3/s；在检验期，3个模型预报结果的均方根误差最小为26.789m3/s，实时校正的均方根误差为24.851，组合预报的均方根误差为26.545，先实时校正后组合预报的均方根误差为24.788 m3/s，先组合预报后实时校正的均方根误差为24.950 m3/s，实时校正组合预报一体化模型的均方根误差为1.102m3/s.可以看出，三种耦合模型对预报精度均显著提高，特别是实时校正组合预报一体化模型，提高效果最为显著而且要优于单一实时校正以及组合预报结果.图1为检验期1997年7月份的牧马河流域径流预报结果，由图1可知，先实时校正后组合预报模型和先组合预报后实时校正模型所得效果基本相当，而实时校正组合预报一体化模型的结果要显著优于以上两种耦合模型.本文提出三种实时校正和组合预报的耦合模型，并以牧马河流域的洪水预报为例，对基于这三种耦合方法所构建的模型进行了合理性与可行性的检验，最终得到以下结论.(1)实时校正结果表明：采用实时校正模型能够一定程度地提高水文预报的精度，建议在实际应用中，将其运用到实际的水文预报中以提高预报精度.(2)组合预报结果表明：多模型组合预报的结果要优于任意单一模型的预报结果，实际应用中，可考虑采用组合预报来提高水文预报的精度.(3)耦合校正结果表明：多模型耦合校正方法要优于任意单一模型预报，且先实时校正后组合预报模型和先组合预报后实时校正模型所得效果基本相当，而实时校正组合预报一体化模型的结果要显著优于以上两种方法且优于单独的各模型的实时校正和单独的组合预报.【相关文献】[1] Ajami N K, Duan Q, Gao X, et al. Multimodel combination techniques for analysis of hydrological simulations: Application to distributed model intercomparison project results[J]. Journal of Hydrometeorology, 2006, 7(4): 755-768.[2] Bogner K, Pappenberger F. Multiscale error analysis, correction, and predictive uncertainty estimation in a flood forecasting system[J]. Water Resources Research, 2011, 47(7):1772-1780.[3] Liao W, Lei X. Multi-model combination techniques for flood forecasting from the distributed hydrological model easy DHM[J]. Computational Intelligence and Intelligent Systems, 2012: 396-402.[4] 赵锡钢, 王玉成. 实时校正技术在洪水预报中的应用[J]. 东北水利水电, 2008(6):34-34.[5] Fernando A K, Shamseldin A Y, Abrahart R J. Use of gene expression programming for multimodel combination of rainfall-runoff models[J]. Journal of Hydrologic Engineering, 2011, 17(9): 975-985.[6] 田雨, 雷晓辉, 蒋云钟,等. 洪水预报实时校正技术研究综述[J]. 人民黄河, 2011, 33(3):25-26.[7] Bates J M, Granger C W J. The Combination of Forecasts[J]. Journal of the Operational Research Society, 1969, 20(4): 451-468.[8] 闫悦新, 包为民. 组合预报方法在洪水预报模型中的应用[J]. 水电能源科学, 2013, 31(10): 47-49.[9] 王婷婷, 周建中, 张勇传,等. 基于最小二乘法及信息熵的短期水文预报组合模型的比较[J]. 水电能源科学, 2015(10):13-17.[10] 周建中, 张勇传, 陈璐. 水电能源优化的若干问题研究[M]. 上海：上海科学技术出版社, 2015.。
水文气象预报
水文气象预报水文气象预报是指根据气象因素对水文条件进行预测和分析的一种技术手段。
通过水文气象预报，可以及时掌握水文情况，有效预防水灾和其他相关灾害，保障人民生命和财产的安全。
本文将从水文和气象方面介绍水文气象预报的重要性和应用。
一、水文预报水文预报是指根据已有的水文数据和气象资料，利用数学模型和统计分析方法，对未来一段时间内地表水和地下水的变化进行预测。
水文预报在水利工程、农田灌溉和城市排水等领域有着广泛的应用。
通过水文预报，我们可以预测河流的水位、流量和洪峰期，及时采取措施防范洪水灾害；同时，对于农田灌溉和城市排水管理也有重要的指导作用。
二、气象预报气象预报是指根据已有的气象数据和气象模型，结合气候系统变化规律，对未来一段时间内的天气变化进行推测。
气象预报在农业生产、交通运输和灾害防范等领域具有重要的意义。
通过气象预报，我们可以提前预知天气的变化，合理安排农业生产活动；对于交通运输管理方面，也可以提前采取措施，确保交通安全；此外，在灾害防范方面，气象预报可以提醒人们注意天气情况，避免不必要的风险。
三、水文气象预报的重要性水文气象预报是水文和气象两个领域的结合，可以充分利用气象因素对水文情况进行预测和分析。
它对于人们的生产生活和灾害防范具有重要的意义。
首先，水文气象预报可以帮助我们更好地规划和管理水资源。
通过对水文条件的预测，可以合理利用和配置水资源，提高水资源的利用效率。
同时，通过对气象因素的分析，可以预测降水情况，及时采取措施调节水源和灌溉计划，保障农田灌溉和城市供水。
其次，水文气象预报可以提前预警，减少灾害损失。
通过水文气象预报，我们可以及时了解水位、流量和天气等情况，预警洪水、干旱和其他自然灾害的发生。
这样可以提前采取防范措施，减少灾害的发生，保护人民的生命和财产安全。
最后，水文气象预报可以为各行各业提供重要的参考信息。
无论是农业生产、交通运输还是城市规划等，都需要根据水文气象情况进行决策和管理。
工程水文学试题库：水文预报
第九章水文预报学习本章的意义和内容：本章研究水文现象的客观规律，利用现时已经掌握的水文、气象资料，预报水文要素未来变化过程。
在防汛工作中，及时准确的水文预报，是防汛抗洪指挥决策的重要科学依据；在水能、水资源的合理调度、开发利用和保护以及航运等工作中，都需要有水文预报作指导。
本章习题内容主要涉及：短期洪水预报；枯水预报；施工水文预报；水文实时预报方法。
概念题（十三）填空题■ ■ ■1•附加比降1也是洪水波的主要特征之一，稳定流时，h_____ ;涨洪时，1也—；落■洪时，1也______ 。
2. 洪水波在传播过程中不断发生形变，洪水波变形有两种形态,即_________ 和。
3. 对同一河段而言,大洪水的传播时间较__________ ，小洪水的传播时间较 ________ 。
4. 一般而言，合成流量法的预见期取决于上游各站中传播时间______________ 的一个。
5. 相应水位是指____________________________________________________ ；同时水位是指 ____________________________________________________ 。
6. 示储流量是指____________________________________________________ 。
7. 马斯京根流量演算法中的两个参数分别是_____________________ ,8. ____________________________________________________________ 河段相应水位（流量）预报的预见期为 __________________________________________________9. 当实际河长L大于特征河长时,该河段的槽蓄曲线形状为10. 水文预报按预见期分类,可分为________________ 和_______________ 。
水文预报基本原理
水文预报基本原理
水文预报的基本原理是根据历史和实时的水文观测资料、气象预报资料等，利用水文数学模型和统计方法，分析研究流域的水文过程，预测未来一段时间内的河流水位、水流量、洪水等水文变量。
水文预报的基本原理包括以下几个方面：
1. 数据收集和处理：水文预报依赖于各类水文观测资料，包括水位、流量、降雨等数据。
这些数据需要通过测站、遥测等手段进行实时收集，并经过质量控制和处理，得到可靠的观测数据。
2. 建立水文模型：通过分析研究水文过程的机理，建立水文数学模型，描述降雨入渗、径流形成、河道水流等过程，包括水文模型的参数等。
3. 模型参数校准和验证：通过利用历史观测数据，对水文模型的参数进行校准和验证，使模型能够准确地模拟流域的水文过程。
4. 水文预报方法选择：根据流域的特点和需求，选择合适的水文预报方法。
常用的方法包括模拟法、统计法、组合法等。
模拟法通过运行水文模型，预测未来的水文变量；统计法通过分析历史观测资料，建立统计关系，进行预报；组合法结合模拟法和统计法等多种方法。
5. 预报结果评估和发布：对于水文预报结果进行评估，包括验证预报的准确性和可靠性。
预报结果可以通过多种方式发布，如预警信号、预报图表等，供相关部门和公众参考和决策。
水文预报的基本原理是通过观测资料、数学模型和统计方法相结合，分析研究水文过程，预测未来水文变量，为水资源管理和防洪减灾等提供科学依据。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
WUHEE
⑵对模型预报误差进行预测 对已出现的预报误差时序过程,建立合适的预报误差的 模型。通过预报未来的误差值以校正尚未出现的预报 值,从而提高水文预报的精度。
⑶对状态变量进行估计 一个预报模型中能控制当前及以后时刻系统状态和行 为的变量,称为状态变量。对状态变量的估计是认为预 报误差来源于状态估计的偏差和实际观测的误差,通过 实时修正状态变量来提高预报的精度。卡尔曼滤波就 是对状态变量进行实时校正的一种算法。
WUHEE
二、水文实时预报方法分类
1.水文预报误差的来源 水文预报误差的来源大致有如下几个方面：
⑴模型结构误差 在对水文循环过程的模拟中，采用了不同程度简化的模型或不完善 的处理方法，由此引起的误差称为模型结构误差。
⑵模型参数估计误差 水文模型中估计的模型参数对其真值来讲,总是存在着误差的。根据 各场洪水优选的模型参数,它是综合各场洪水的最优值,而对某一特 定场次的洪水,它并非就是最合适的。
第五节 水文实时预报方法
内容提要 1. 水文预报误差的来源； 2. 实时预报校正方法； 3. 递推最小二乘估计算法。
学习要求 了解水文预报误差的来源及最小二乘时预报的意义
水文现象受到自然界中众多因素的影响,人们采用的各种 方法或模型都不可能将复杂的水文现象模拟得十分确切, 水文预报估计值与实际出现值的偏离,即预报误差是不可 避免的。实时预报就是利用在作业预报过程中，不断得 到的预报误差信息,及时地校正、改善预报估计值或水文 预报模型中的参数,使以后阶段的预报误差尽可能减小。
WUHEE
3.实时预报校正方法的分类
根据不同预报误差的来源,实时预报校正方法可分 为以下三种。 ⑴对模型参数实时校正
若认为水文预报方法或模型的结构是有效的,只是 由于存在数据的观测误差,导致率定的模型参数不 准确,或是率定的模型参数对具体场次洪水并非最 优，可以在实际作业预报过程中,根据实际的预报 误差不断地修正模型参数。对模型参数进行实时校
WUHEE
⑶模型的输入误差 进行水文预报所输入的资料通常是降雨、流量和流域蒸散发,这些资 料或由实测获得,或根据天气预报估算得到。前者存在着测验和时段 统WU计HE平E 均误差,后者则存在着相当大的预报误差。
2. 实时预报校正模型
洪水实时预报校正方法包含两方面的内容：一是实时预报校正模型， 二是实时校正方法。实时预报校正模型在很大程度上取决于水文模 型的结构。 ⑴“显式”结构的水文模型 当水文模型相对于模型的待定参数是线性关系模型时，称为为“显 式”结构。一种处理方法是将水文系统视为动态系统，模型的动态 参数“在线”识别和实时预报是关键。另一种处理方法是将水文预 报模型改造成系统状态方程和系统观测方程，利用滤波的方法进行 实时校正。 ⑵“隐式”结构水文模型 一般来讲，流域概念性水文模型是较复杂的“隐式”结构。目前在 处理这类模型时，一种方法是对模型进行“显式”化处理；另一种 方法是基于确定性流域水文模型的预报流量与实测流量的误差序列， 建立流量误差预报的“显式”模型（如AR或ARMA模型），流域 洪水预报即用预报的流量残差叠加到模型的计算流量上，从而完成 洪水实时校正预报。