对于中长期水文预报的认识

对于中长期水文预报的认识

中长期水文预报是水文预报之一。通常称预见期在两周左右的为中期水文预报，15天以上一年以内的为长期水文预报，一年以上的为超长期水文预报。中长期水文预报的内容有河流径流量、湖泊和河口的水位、冰情、河道及水库冲淤变化和旱涝趋势等。

水文情势长期变化的影响因素主要有：①大气环流。它决定着一个流域（或地区）的降水和蒸发的变化，影响水文循环的各个环节。异常的旱涝现象总与大气环流的异常联系在一起。②太阳活动。太阳辐射是大气运动和水文循环的能量来源，太阳活动的增强和减弱会引起大气运动状态的改变从而影响水文过程，使其发生相应的变化。如不少地区的旱涝灾害与太阳黑子相对数的变化存在一定的对应关系。③下垫面情况。海洋表层水温异常会引起大气运动的异常,陆地表面状况的异常,也会影响大气环流的形势，从而影响水文过程的长期变化。④其他天文地球物理因素。地球自转速度的变化、火山爆发、行星相对位置等对大气环流和水文形势变化也有一定影响。⑤人类活动。人类活动不仅直接影响当地水文情况的变化，而且对水文过程产生间接影响。

中期水文预报方法主要有高空气象因素法，即当影响预报流域的暴雨天气形势出现时，在 700百帕形势图上分析水汽输送和垂直上升运动等条件，选择能够反映这些条件的高空气象因素与后期发生的洪水建立合轴相关图或预报方程，据此作出中期洪水预报。也可把上一旬的平均环流、前期水量和下垫面情况等因素与下一旬的水量建立回归方程，作出下一旬的水量预报。此外，时间序列分析中的自回归模型也已应用于中期预报。中长期水文预报精度尚不高。大范围旱涝趋势的定性预报准确率较高，有一定参考价值。但定量预报误差较大，尚不能满足实际需要。对特大的洪涝和干旱还缺乏有效的预报能力,需要多学科共同协作,进一步查明影响水文过程各种因素的物理本质和它们的相互作用，特别是引起大旱大涝的环流异常状态及其演变规律，是提高中长期水文预报的关键。

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，是相关部门和管理者进行决策时的重要依据。因此作出准确的水文预报就显得尤为重

要，为了提高水文预报特别是中长期水文预报的精度和可靠度，人们从不同方向并结合相应的学科知识，对中长期水文预报提出了许多方法。这些方法大致可分为传统方法和新方法两大类，前者主要有成因分析和水文统计方法，后者主要包括人工神经网络、灰色系统分析、模糊数学模型等方法。

成因分析法：①由前期大气环流形势预测后期水文情况。大气环流有全球性的特点，因此主要采用北半球 500百帕月平均形势图或能反映主要环流特征的各种环流指数和环流特征量作为依据。根据水文要素和环流的历史资料，概括出旱涝年前期环流特征的模式，由前期环流特征作出后期水文情况的定性预测；或在月平均形势图上找出与预报对象关系显著的地区和时段,从中挑选物理意义明确、统计贡献显著的因子,用逐步回归或其他多元分析方法与预报对象建立方程，据此作出定量预估。②根据前期海温分布特征进行预报。海温的异常分布具有范围广、厚度大、持续时间长等特点，它往往是大气环流异常的先兆，能为长期水文预报提供信息。根据历史资料概括出旱涝年前期海温分布的模式后，可由前期海温分布特征对后期水文状况作出定性预估；或考虑时间与空间上的连续性，在关键海域和关键时段内挑选若干地点的海温作为预报因子，并与预报对象建立回归方程，进行定量预报。③利用太阳活动的某些信息进行预报。主要采用太阳黑子相对数来反映太阳活动的强弱。根据太阳黑子数11年周期的位相或分析黑子数的变化与江河水量变化之间的对应关系，定性预测后期可能发生的旱涝。④统计预报。有两大类：一类是多元分析，即把江河水量等预报对象作为随机变量，把分析得出的各个影响因素作为预报因子，然后应用回归分析或判别分析的方法对预报因子进行筛选，建立预报方程,进行预测。此外,为了客观分型、浓缩信息、简化计算等，还经常应用聚类分析、主分量分析、典型相关等方法作为数据处理的手段。另一类方法是时间序列分析，其原理是把预报对象作为一个离散化的平稳随机过程，应用自回归模型进行预测。考虑到水文序列的非平稳性，60年代前后主要采用的方法是，把水文序列分解成趋势项、周期项、平稳项，然后分项预测，叠加后得到预报结果。

水文统计方法是通过水文资料的统计分析进行概率预测,可分为两大类:一类是分析水文要素自身随时间变化的统计规律,然后用这种规律进行预报,如历史演变法、时间序列分析法等;另一类是用多元回归分析法,建立预报方案,进行

预报。目前应用较广的水文统计预报方法主要有多元分析与时间序列两种。多元回归分析常用的方法主要有逐步回归、聚类分析、主成分分析等。这种方法的主要问题有如何合理选择因子个数,解决拟合效果与预报效果不一致的矛盾;由于预报值是取各个因子数据的均值,难以预报出极大或极小值的水文现象。时间序列分析是应用水文要素的观测记录,寻找其自身的演变规律来进行预报。常用的有平稳时间序列中的自回归模型、周期均值迭加、马尔可夫链等。60年代以前主要采取把序列分解成趋势、周期、平稳等项,然后再分项预测后进行迭加而得到预报结果。70年代后,Box等提出的ARMA类模型逐步应用于中长期水文预报。同时,具有非线性特点的TAR模型也开始用于中长期水文预报。

人工神经网络（ANN）是基于连接学说构造的智能仿生模型，是由大量神经元组成的非线性动力学系统，具有并行分布处理、自组织、自适应、自学习和容错性等特点。20世纪90年代以来，人工神经网络在水文预报中的应用逐渐增多，是近20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（MLP）神经网络（也称为BP网络），广泛应用于年、月径流量或平均流量的预报。Birikundavyi等用MLP网络进行未来1~7天的流量预报；Zealand 等采用MLP网络进行未来1~4周期的流量预报；Markus、Jain、Kisi等用MLP 网络模型进行月流量预报研究。径向量函数（RBF）神经网络也被不少研究者用于月平均流量预报。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的中长期预报。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，采用什么类型的神经网络以及相应的网格结构。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，即无法覆盖水文预测中的不确定性信息时，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，Cigizoglu在用MLP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，但是，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。

1982年邓聚龙创立了灰色系统理论，认为水资源系统可以当作灰色系统看