基于贝叶斯平均法的洪水分类组合预报研究

以实测样本隶属于某一模型的后验概率为权重,对各模型预报变量的后验分布进行加权平均,获得综合预报变量的概率密度函数,进而推导出均值、方差公式和置信区间。将“基于BP神经网络和遗传算法的分类洪水预报”与“基于贝叶斯模型平均法的多模型组合预报”相结合,实现“洪水分类多模型加权组合预报”。该方法综合考虑了各模型对不同类型洪水的适应条件及多个模型的优势,可同步降低模型参数与模型结构不确定性对预报结果的影响。以大伙房水库为研究区域,采用大伙房水库1960年~2016年的25场历史典型洪水作为本研究的基础资料,分别完成实例验证与分析,效果整体上优于单个模型。     

河道洪水概率预报方法研究

河道洪水预报对防洪减灾和水资源的综合利用有着重要的现实意义。考虑到水文预报不确定性的水文风险,为了更科学地对河道洪水进行预测,提出将贝叶斯方法的思路引入到河道洪水的概率预报中,计算预报流量的概率密度分布和置信区间,获得河道洪水的概率预报结果,为防洪决策提供更丰富的信息。     

基于BP神经网络的贝叶斯概率水文预报模型

本文在贝叶斯概率水文预报系统(BFS)框架之上，研究了双牌水库水文预报的不确定性，建立了流量先验分布及似然函数的BP神经网络模型，并通过Markov链Monte Carlo(MCMC)方法求解得到流量后验分布及其统计参数。通过对双牌水库历史洪水的研究结果表明，基于BP神经网络的BFS不仅显著提高了预报精度，而且为防洪决策提供了更多的信息，使得预报人员在决策中能考虑预报的不确定性，定量的估计各种决策的风险和后果。     

基于AM-MCMC算法的贝叶斯概率洪水预报模型

本文在贝叶斯预报系统的框架下,利用BP网络能描述非线性映射的特性建立了基于BP网络的先验密度和似然函数的模型,并采用基于自适应采样算法(Adaptive Metropolis algorithm,简称AM)的马尔可夫链蒙特卡罗模拟方法(Markov Chain Monte Carlo,简称MCMC)求解流量的后验密度,最后给出流量的概率预报。实例表明,基于AM-MCMC的BP贝叶斯概率水文预报的精度高,且能给出预报的方差,使得防洪决策可以考虑预报的不确定性。     

基于多模型 M CP 方法的洪水概率预报

洪水概率预报通过提供具有一定置信度的预报区间,评估预报结果的可靠度,为防洪调度提供重要依据。以淮河关键防洪断面王家坝为研究对象,分别采用API和新安江(XAJ)确定性模型进行初始的确定性预报,在此基础上,再采用模型条件处理器(MCP)推求不同量级洪水预报流量的条件概率分布函数,实现洪水概率预报。分别从中位数的确定性精度评价和概率预报的可靠度评价两方面对预报结果进行分析,结果表明:MCP洪水概率预报结果不仅具有较高的可靠度,而且其中位数预报与确定性模型结果相比,预报精度整体有所提高,说明MCP具备一定的校正预报能力。     

贝叶斯模型平均法在流域组合预报中的应用

基于贝叶斯模型法的计算框架,应用概率论和统计学的方法针对多个单一子流域水文模型进行分析处理,得到了较为精确的预报结果。该方法与以往单一预报模拟方法相比,具有综合、完整的优点,基于贝叶斯模型平均法的水文模型组合预报可以给出精度较高的预报模拟结果。     

猫街水文站洪水预报模型研究

针对猫街水文站采用物理模型进行洪水预报时过程复杂、适用性和快捷性较差等问题,笔者选取BP神经网络模型作为预报模型进行洪水预报研究,选取2013—2018年猫街水文站共计6年主汛期逐日水文观测资料作为训练样本,2019—2021年共3年主汛期资料作为测试样本。研究结果表明,在现有数据条件下,除部分特殊年份外,采用BP神经网络模型进行洪水预报的精度较高,整体预报精度较好,对实际预报作业有一定的指导意义。同时,BP神经网络预报模型具有误差修正功能,随着模型学习训练期的延长、预报次数增加,预报精度还会相应提高,未来可运用到实际预报作业当中。     

BFS-HUP模型在潼关站洪水概率预报中的应用

采用马斯京根演算法作为确定性预报模型,并选用贝叶斯预报系统(BFS)的水文不确定性处理器(HUP)作为概率预报模型,获得预报变量的概率分布,实现黄河潼关站洪水的概率预报。将预报变量概率分布的中位数作为定值预报与确定性预报进行对比,发现预报精度有所提高,表明贝叶斯模型的预报校正能力较强。通过设定不同确定性预报精度的情景方案,探讨了确定性预报精度对概率预报可靠度的影响。结果表明,随着确定性预报精度的提高,概率预报区间宽度和离散度均有所减小;HUP洪水概率预报的可靠度对确定性预报的偶然性误差比较敏感,对系统偏差相对不敏感。     

基于BP神经网络和遗传算法的丰满水库洪水预报模型研究

根据丰满水库的流域特性,尝试使用BP神经网络模型进行洪水预报。针对随机生成网络权重的盲目性,采用遗传算法进行初始权重优化。通过历史洪水检验,证实此模型在丰满水库的洪水预报中有很高的预报精度和应用价值。     

千河流域实时洪水预报模型研究

以千河流域为例，提出了西北半干旱地区流域总径流非线性响应的Volterra模型，并用BP神经网络模型进行了流量过程误差序列的实时校正。结果表明：①由于考虑了流域产汇流的强非线性特征，因此基于Volterra模型和BP神经网络模型的实时洪水预报方案取得了相对较好的效果；②该预报方案的适用性尚须在其他流域进行进一步检验；③通过引进一个“门槛值”将雨强分阶，将结构和求解过程都比较复杂的Volterra模型改进为高阶多输入形式，是今后需要进一步研究的内容。     

贝叶斯概率水文预报研究进展与展望

水文预报不可避免地存在着输入、水文模型参数和结构等不确定性,导致预报结果也具有不确定性。因此,定量估计水文预报的不确定性,实现概率水文预报,不仅可得到比确定性预报更高的精度,而且还能为决策者提供更丰富的预报信息。本文根据不确定性来源的不同,从输入资料、模型结构、模型参数和综合不确定性等方面,详细综述了贝叶斯水文概率预报的研究进展,归纳了精度评定指标和效果检验方法,并展望了贝叶斯概率水文预报未来的研究重点和方向:(1)科学有效地解释、沟通和传播水文预报不确定性信息和概率水文预报产品;(2)建立水文集合概率预报框架,估计并降低水文预报的总不确定性;(3)开展考虑预报变量时空相关性的贝叶斯概率水文预报研究;(4)深入推动概率水文预报信息在风险决策中的应用。     

贝叶斯概率洪水预报模型及其比较应用研究

贝叶斯概率预报系统(BFS)为开发各种概率水文预报模型提供了方法性的框架,选择合理的先验密度和似然函数是其关键问题。利用Copula函数推导了流量先验分布及似然函数的解析表达式,通过数值方法求解后验分布,构建了Copula-BFS模型。以三峡水库汛期入库流量概率预报为例,对所提Copula-BFS模型进行检验,并与水文不确定性处理器(HUP)和基于BP神经网络的贝叶斯洪水概率预报模型(BP-BFS)进行比较。结果表明:Copula-BFS模型后验均值预报可以提高预报精度且略优于现有的模型,具有性质更加优良的预报置信区间。本文所提Copula-BFS模型不需要进行线性-正态假设,适用范围更广,应用更加灵活,为洪水概率预报研究提供一条新途径。     

基于分位点回归模型的洪水概率预报方法

采用分位点回归模型分析洪水预报的不确定性, 提供洪水预报倾向值( 预报概率分布的中位数) 和 90% 置信度的预报区间成果, 实现了洪水概率预报。基于/ 精度2可靠性0 联合评价指标对分位点回归模型计算的预报倾向值 和预报区间成果进行了评估。在信江流域梅港站的应用结果表明: 基于分位点回归模型提供的倾向值定值预报结 果可进一步提升洪水预报的精度; 同时该模型提供的 90% 预报区间结果具有较高的覆盖率( 约 90% ) 且离散度较小 ( 小于 01 20) , 表明预报区间以较窄的宽度包含了绝大多数的实测值, 预报可靠性较强。     

英国实时洪水预报研究

河流洪水会引起生命损失、灾难性的财产破坏以及对经济和环境的负面影响。虽然不能完全消除洪水的风险,但是,实时洪水预报模型作为洪水警报服务的重要和不可分割的组成部分,可给及时洪水警报提供足够的超前时间,以尽量减少洪水损失。介绍了英国开发的2种实时洪水警报模型：简单触发洪水警报模型和流域综合水文和水动力学模型。     

北京市城区洪水预报模型研究

在充分认识北京市产流方式的基础上，建立了三水源综合汇流新安江模型，在预报精度上有较大的提高。     

实时洪水预报的反向传播模型研究

在降雨径流模型中，应用二水源蓄满产流模型与多输入、单输出的约束线性系统模型相结合制作预报方案。在实时校正方案中，对人工神经网络系统的反向传播模型的结构和算式作了一定的改进，使其与汇流系统有机地衔接，通过反馈系统的输出误差用有交物修改网络的权系数，以此来改进模型的计算效果，形成一个直观、简洁的校正算式。与传统校正相比，具有计算过程平稳、迭代易于收敛等优点，应用渠江巴河流域实际洪水资料作验证，取得了较     

浙江省洪水预报系统平台研究

对浙江省重要河段已建立流域水文模型的预报断面进行了研究，并建立了重要河段的断面洪水预报系统。在实际使用过程中得到了较为满意的结果。