基于GIS的分布式月水量平衡模型及其应用

应用地理信息系统 (GIS)技术 ,在MapInfo平台上建立分布式流域水文模型 ,模拟赣江流域的径流过程 ,探讨月水量平衡模型参数的地区分布规律 ,计算各网格的径流深和水资源量 ,并与实测值进行比较 .结果表明模拟径流深与实测径流深吻合良好 ,年径流的相对误差可控制在 10 %以内     

大尺度水文模型及其与气候模型的联结耦合研究

本文综述陆地表面水文过程，大尺度水文模型及其与气候模型联结耦合研究的最新进展和存在问题。介绍ＧＥＷＥＸ－ＧＡＭＥ研究项目的目标和内容，科学价值和现实意义及其在我国开展研究的计划。     

考虑洪水过程预报误差的水库防洪调度风险分析

根据洪水预报确定性系数的定义,推导了洪水过程相对预报误差的标准差与确定性系数的关系,分析了洪水过程预报误差的分布规律;采用水库调洪演算的随机微分方程,解析了方差率与预报误差分布规律的关系,从而将洪水过程预报误差的不确定性转化为库水位过程的不确定性,借以分析水库防洪预报调度的风险水平。以隔河岩水库为例,计算了不同洪水预报精度下水库防洪调度的极限风险率和漫坝风险率,为隔河岩水库开展洪水预报调度提供了科学依据。     

三峡水库汛限水位动态控制可行性研究

应用实际观测资料,分析三峡水库水文气象预报精度和长江上游来沙量,研究三峡水库实施汛限水位动态控制的可行性.结果表明,三峡水库入库洪水1d、2d、3d预报精度均达到甲级标准;其区间流域未来24h、48 h无雨和小雨预报信息可以用于实时调度;与1961年～1970年系列相比,2003年～2009年系列各站年均来沙量减少44...     

考虑入库洪水随机过程的梯级水库防洪优化调度

针对梯级水库防洪优化调度求解过程中存在的入库洪水过程的随机性,以及优化调度模型求解的复杂性这两方面的问题,建立了基于Copula函数的梯级各地区洪水的联合分布函数,通过随机模拟方法得到梯级水库的入库洪水过程;建立了梯级水库防洪优化调度模型,并提出了基于并行搜索思想的PDP算法进行求解。清江梯级水库实例研究结果表明,基于Copula函数的随机模拟方法,能充分考虑洪水地区组成方式的多样性和随机性,从而能模拟对梯级防洪调度最不利的情况;PDP算法比文中其他算法更容易收敛到全局最优解;较常规调度,梯级水库防洪优化调度可进一步降低下游地区的防洪风险。     

采用非线性水库假设的基流分割方法及应用

介绍了基于非线性水库假设的基流分割方法. 该方法的主要特点是假设径流退水过程中的土壤蓄水量和出流的关系是非线性的,即S=aQb. 通过优化方法率定出非线性关系中的两个参数 a和b 的值后,采用逆向推导公式,将基流过程从总径流中分割出来. 该方法在汉江的牧马河流域上进行了应用,所得到的基流过程和采用滤波方法求得的结果基本一致.     

Copula联结函数在多变量水文频率分析中的应用

介绍了Copula联结函数的定义、属性和构造方法.在应用实例中,针对位于同一河流上下游的两个水文站点采用Copula联结函数建立起两个站点的年最大洪水联合分布函数.结果表明,Copula联结函数能够比较好的模拟这两个站点的年最大洪水联合分布概率.由于Copula联结函数可以采用各种各样的边际函数来推求联合分布函数,具有灵活性和应用范围广等特点,因此在多变量水文频率分析中具有广泛的应用前景.     

基于Web的水库洪水预报调度系统设计与开发

在分析基于Web水库洪水预报调度系统结构体系的基础上,提出系统开发策略、关键技术、实现的途径和方法.利用现代洪水预报调度技术和分布式网络编程技术,成功开发了基于Web的水库洪水预报调度系统.该系统技术先进、实用可靠、界面友好,提供了分布式计算平台,实现了在Internet环境下进行水库洪水预报调度.     

三层耦合流域水文模型──(Ⅰ)模型结构和数学方程

提出和建立了一个新的三层耦合流域水文模型,简称为耦合模型,它以土壤层的含水量作为描述流域系统在降雨、径流转换过程中物理特征的状态变量,用三个耦合的线性常微分方程来描述整个流域系统将降雨转化为径流的反应机制．该模型具有概念清楚,结构简单,假设合理,模拟精度较高等优点．     

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。