基于新安江模型的台风期间福州山区水库入库洪水预报

为对台风期间福州市区的洪涝灾害进行及时预警,采用新安江模型,建立了一套适用于台风期的福州市山区水库的入库洪水预报模型。由于水库资料较难获取,采用赤桥站的降雨径流资料对新安江模型参数进行了率定及验证,并将率定后的参数移植到各个水库进行验证。采用赤桥流域2007-2015年6场台风引发的洪水进行了率定模拟计算,采用2016年的2场台风引发的洪水进行验证模拟计算,将得到的参数移植到各水库子流域,运用八一水库及登云水库的降雨资料及由水库水位和水库泄流过程资料反推得到的同时段的入库流量资料,对新安江模型进行验证。结果表明:新安江模型在赤桥流域具有适用性,且对于雨型单一的降雨模拟效果良好。将赤桥流域率定得到的新安江模型参数移植到其他水库流域进行水库入库洪水预报的方法具有一定的可行性,可收集充分的资料进一步进行验证。     

基于长短时记忆神经网络（LSTM）的降雨径流模拟及预报

长短时记忆神经网络(LSTM)具有很强的时间序列关系拟合能力,非常适用于模拟及预报流域产汇流这一复杂的时间序列过程。基于LSTM针对不同预见期的径流预报分别建立了流域降雨径流模型,以探讨LSTM在水文预报当中的应用。模型采用流域降雨、气象及水文数据作为输入,不同预见期后的径流过程作为输出,率定期为14a,验证期为2a。结果显示,在预见期为0～2d时LSTM预报精度很高,在预见期为3d时预报精度较差,但仍优于新安江模型。隐藏层神经元数量作为神经网络复杂程度的代表既会影响模型预报精度,也会影响模型训练速度。而输入数据长度则仅会在预见期为0的条件下影响模型预报效果。     

SWAT模型在大尺度流域径流模拟影响因素分析——以巴拉那河上游流域为例

为了探讨SWAT模型在大尺度流域水文分析模拟的效果,以巴西巴拉那河上游流域为研究区,利用构建的流域大尺度SWAT模型,定量分析美国国家环境预报中心再分析数据(CFSR)降水再分析数据质量、子流域划分数量及模型参数对径流模拟结果的影响。结果表明,CFSR再分析数据对流域降水的空间分布估计偏差较大,导致径流模拟误差较大,模型参数经1次迭代后,确定系数(R²)值均小于0.2。随着子流域划分数量的增加,实测站点降水数据可以更准确地估计子流域面雨量,进而提高径流模拟拟合度。在子流域划分数量分别为66、781和4 111的情况下,比较模型参数经过1次迭代后的径流模拟效果发现,子流域个数为781个时,R²值相对于两种情况有明显提高。在涉及SWAT模型径流模拟的20个参数中,土壤蒸发补偿系数(ESCO)和SCS径流曲线数(CN2)是最敏感的两个参数。由分析可知,SWAT模型可以在大尺度流域径流模拟中应用,研究结果可以为大尺度流域水文模型的构建与应用提供参考。     

SWAT模型在大尺度流域的应用探索

为检验SWAT模型在大尺度流域径流模拟的应用效果，构建了巴西巴拉那河上游流域分布式水文模型并分析了模型的敏感性参数，利用17个流量站进行模型参数率定和验证。结果表明，土壤蒸发补偿系数和SCS径流曲线数是影响模拟的最敏感参数；对于实测站点密度较大的子流域，模型可以较好地模拟流域径流变化，17个流量站中有11个站的R²值大于0.5;受降水数据不足和土地利用变化等因素的影响，模型验证期表现不如率定期。可见SWAT模型可以作为大尺度流域的径流模拟工具，但模拟精度很大程度上取决于降水数据质量。