A real-time flood forecasting model based on maximum-entropy spectral analysis: I. Development

This paper, the first of two, develops a real-time flood forecasting model using Burg's maximum-entropy spectral analysis (MESA). Fundamental to MESA is the extension of autocovariance and cross-covariance matrices describing the correlations within and between rainfall and runoff series. These matrices are used to derive the model forecasting equations (with and without feedback). The model may be potentially applicable to any pair of correlated hydrologic processes.Notation a _k extension coefficient of the model atkth step - B _k backward extension matrix forkth step - B _ijk element of the matrixB _k (i,j=1, 2) - c _k coefficient of the entropy model atkth step in the LB algorithm - e _k (e _x ,e _y )k = forecast error vector atkth step - E _k error matrix atkth step - E _ijk element of theE _k (i,j=1, 2) - f frequency - F _k forward extension matrix atkth step - F _ijk element of theF _k matrix (i,j=1, 2) - H(f) entropy expressed in terms of frequency - H _X entropy of the rainfall process (X) - H _Y entropy of the runoff process (Y) - H _XY entropy of the rainfall-runoff process - I identity matrix - forecast lead time - m model order, number of autocorrelations - R correlation matrix - S _x standard deviation of the rainfall data - S _y standard deviation of the runoff data - t time - T ₁ rainfall record - T ₂ runoff record - T rainfall-runoff record (T=T ₁ T ₂) - x _t rainfall data (depth) - X X() = rainfall process - mean of the rainfall data - y _t direct runoff data (discharge) - Y Y() = runoff process - mean of the runoff data - (x, y) _t rainfall-runoff data (att T) - (x, y, z) _t rainfall-runoff-sediment yield data (att T) - z complex number (in spectral analysis) - _k coefficient of the LB algorithm atkth step - _nj Lagrange multiplier atjth location in the _n matrix - _{n n} = matrix of the Lagrange multiplier atkth step - _X (k), _Y (k) autocorrelation function of rainfall and runoff processes atkth lag - _XY (k) cross-correlation function of rainfall and runoff processes atkth lag - W ₁(f) power spectrum of rainfall or runoff - W ₂(f) cross-spectrum of rainfall or runoff Abbreviations acf autocorrelation function - ARMA autoregressive moving average (model) - ARMAX ARMA with exogenous input - ccf cross-correlation function - det() determinant of the (...) matrix - E[...] expectation of [...] - FLT forecast lead time - KF Kalman filter - LB Levinson-Burg (algorithm) - MESA maximum entropy spectral analysis - MSE mean square error - SS state-space (model) - STI sampling time interval - forecast ofx - forecast ofx -step ahead - x _F feedback ofx-value (real value) - |x| module (absolute value) ofx - X ^–1 inverse of the matrixX - X* transpose of the matrixX     

The performance of some real-time statistical flood forecasting models seen through multicriteria analysis

In the present work, seven statistical-routing models have been developed and applied to the Medjerdah River (Tunisia) for forecasting the extreme flood events at Jendouba for different forecasting horizons. The performance of the models are characterized by statistical measures of precision, peak error and peak delay between the measured and forecast flow and their variations. Due to the important number of criteria, a multi-criteria analysis is used to rank the models according to four forecasting horizons. The mixed models seem to be the best ones for short (2–4 h) as well as long (6–8 h) forecasting horizons.     

实时洪水预报中基于岭估计的AR修正模型研究

为提高实时洪水预报精度,经常将水文模型与误差修正模型相结合,AR模型因其结构简单广泛应用于实时洪水预报误差修正。然而,实际应用显示,AR模型时常出现修正结果不稳定现象,表现为流量修正幅度过大,甚至出现“震荡”现象,严重影响修正效果。鉴于此,本文从矩阵特征值角度解释了AR模型出现不稳定现象的原因,并引入岭估计方法选择性利用流量信息更新自回归系数,使其更满足真实流量的涨落过程,增强该模型的稳健性。将新方法应用于蔺河口流域,结果显示岭估计方法显著提高了AR模型的稳健性,从而改善了模型修正效果,进一步提高了洪水预报精度。     

A coupled rainfall-runoff and runoff-routing model for adaptive real-time flood forecasting

This paper describes an adaptive hydrologic modelling technique for real-time flood forecasting. The modelling approach is based on a linear stochastic time-varying representation of the rainfall-runoff process and on the Muskingum routing method formulated as an optimal linear filtering problem. The most general stochastic rainfall-runoff model used for linear forecasting is known as the transfer function noise model. An on-line identification procedure based on an extension of the recursive Instrumental Variable estimator is discussed. The routing procedure, based on the Muskingum method, is written in a state-space representation. This allows real-time updating of the state and the system parameters by means of Kalman filtering. The described method is used to forecast extreme flood events for the River Ourthe (drainage basin: approx 3626 km²), one of the main tributaries of the River Meuse, Belgium. The method is compared with stationary modelling procedures and its superiority based on objective forecasting criteria is demonstrated.     

基于GIS的分布式托普卡匹水文模型在洪水预报中的应用

本文对托普卡匹(TOPKAPI)水文模型进行了改进，增加了植物截留、降水下渗、土壤水深层渗漏、地下径流等计算模块，并对壤中流计算模块作了相应的调整，将TOPKAPI模型改进成一个较完整的分布式流域水文模型。该改进后的TOPKAPI模型应用于面积约为1万km2的息县以上淮河流域1998年、2002年和2003年汛期洪水的模拟，模型确定性系数均在0.84以上，模拟成果令人满意。该模型可应用于洪水预报、土地利用和环境影响评价、洪水极值分析、无资料地区水文模拟计算等。     

河道洪水实时预报模型及在寸滩—螺山河段的应用

采用水力学和水文学相结合的方法，根据河道非恒定流的圣维南方程组，建立了河道洪水相应涨至预报模型和扩散波洪水预报模型，既可预报流量，又可预报水位。在模型的实时校正技术中，采用了具有时变遗忘因子的递推最小二乘实时校正算法，提高了参数实时跟踪能力和辨识精度。相应涨差实时预报模型和扩散波实时预报模型在寸滩－螺山河段上的应用均获得较好的效果。     

分布式洪水预报模型在汾河流域的应用

为提高汾河流域的洪水预报水平,选取了该流域DEM、土壤、土地利用及水文气象资料,基于EasyDHM建立了汾河流域分布式洪水预报模型,并进行参数率定。通过场次洪水对模型验证表明,该模型可以很好地应用于流域水情形势分析,从而为流域防洪调度工作的数字化提供技术支持。     

基于水文水动力学耦合的洪水预报模型研究及应用

为了提高下垫面变化剧烈流域的洪水预报精度,在传统流域水文模型的基础上耦合水动力学模型,建立水文水动力耦合洪水预报模型。首先利用水文模型获得某一断面的流量过程作为水动力学模型的边界条件;之后利用一维水动力学模型进行河道洪水演进计算,推求流域出口断面的流量过程;最后以烟台市外夹河流域为例进行验证。结果表明,所建水文水动力耦合模型模拟的产流合格率较高,流量过程与实测值吻合,在一定程度上弥补了集总式水文模型不能考虑河道内复杂水流运动的不足,因此对具有复杂水文、水力条件的流域的洪水预报具有重要的指导意义。     

基于流溪河模型的乐昌峡水库入库洪水预报模型研究

采用流溪河模型构建乐昌峡水库入库洪水预报模型,通过"粒子群(PSO)"算法优选模型参数,并对实测洪水过程进行了模拟,对比模型性能。研究发现,采用流溪河模型的乐昌峡水库入库洪水预报性能优良,可满足乐昌峡水库入库洪水预报对精度的要求;模型参数优选可明显提高乐昌峡水库入库洪水预报流溪河模型的洪水模拟精度;"粒子群"算法具有很强的全局优化能力,快速的计算收敛能力,参数优选中种群进化次数在30次以内;乐昌峡水库的建成运行产生了一定的水库洪水效应,10场洪水平均峰现时间提前1.3 h,次洪径流系数增加1.596%,洪峰流量增加0.207%。该模型可用于同类水库入库洪水预报。     

山前小流域水文—水力学耦合洪水预报研究

为了提高受人类活动影响显著的小流域洪水预报精度,以浙江省杭州市东苕溪流域为研究对象,分别以半分布式新安江模型、平原区水文模型、分洪区水动力模型以及一维河网模型模拟山区、平原区、分洪区以及河道的洪水过程,在卡尔曼滤波实时校正技术的支持下,建立流域水文—水力学耦合预报模型。通过对1996年以来瓶窑站典型洪水进行率定和验证,表明该模型符合东苕溪预报的精度要求。在2012年"海葵"台风的实时预报应用中,该模型发挥了辅助决策的作用,可作为后期防汛决策的参考。     

基于洪水分级的两江电站洪水预报方案研究

本文以两江电站为研究对象,针对传统洪水预报方案中没有考虑洪水分级的问题,将洪水分为大、中、小3个等级,编制了基于洪水分级的洪水预报方案。方案中,以泰森多边形对流域进行分块,预报模型采用三水源新安江模型和实时校证算法;采用人工经验与粒子群算法结合的方法,利用2000—2015年的资料,率定了不同类型洪水的模型参数。采用2016年洪水资料对预报模型和实时校正算法进行了验证。结果表明,本文洪水预报方案优于洪水不分级方案,率定出的模型参数适合不同等级的洪水,采用的实时校正算法可以提高预报精度。     

基于AE-RCNN的洪水分级智能预报方法研究

复杂产汇流特性地区使用洪水分级预报方法可提高预报精度,本文提出一种基于自编码器(Autoencoder,AE)和残差卷积神经网络(Residual Convolutional Neural Network,RCNN)的洪水分级智能预报方法,使用自编码器和K均值聚类算法实现对原始水文数据的特征提取和洪水分级,通过RCNN模型提升卷积神经网络的有效训练深度,以山东省小清河流域黄台桥水文站为例开展洪水分级智能预报研究。结果表明应用降维数据聚类的AE-RCNN模型MAE指标、RMSE指标、NSE指标分别为5.04、7.91、0.92,优于CNN模型、RCNN模型和降雨聚类RCNN模型。该方法能够有效提取水文数据特征、提高洪水预报精度。     

基于混合回归模型的沿海平原河网洪水位预报研究

本文针对沿海平原河网水文情势复杂、洪水位预报困难的特点,以温瑞平原为研究对象构建混合回归模型,采取物理成因与数理统计相结合的思路,探究适用于沿海平原地区的洪水位预报新途径.利用产汇流模型计算求得各水文分区洪水过程,形成预报因子库,并在此基础上构建混合回归模型,通过耦合多元逐步回归模型与门限回归模型进行洪水位预报研究.研...     

新安江模型在嫩江右侧主要支流洪水预报中的应用

根据嫩江流域的洪水特性,制作了嫩江右侧主要支流的三水源新安江预报模型.在缺少实测资料的情况下,采用SCE-UA算法进行模型自动率定,取得了较理想的结果,对于缺乏资料地区的洪水预报方案编制有一定的借鉴意义.     

岗黄桃洪水预报在桃林口水库防洪调度中的应用

应用岗黄桃洪水预报调度系统对桃林口水库"2012·7"暴雨洪水做出的反演预报,其调度成果验证了该系统将有效提高水库防洪决策的科学性、更充分地发挥水利工程的兴利减灾效益,阐述了系统的应用极大提高了水库防洪调度水平。     

中国洪水预报系统在贝江勾滩洪水预报中的应用

采用中国洪水预报系统的应用平台建立贝江勾滩水文站降雨径流模型洪水预报方案,利用系统自动进行模型参数的率定,该方案在精度的评定及实际应用中取得较满意的效果,解决了勾滩站长期没有洪水预报方案指导防洪的迫切的问题,为中国洪水预报在柳江流域的应用积累了经验.     

图形工作站在水文气象预报中的应用

图形工作站以其强大的图形处理功能得到日益广泛的应用。对于水文气象预报领域中所处理的信息数据，最直观的表示方法是图形，普通微机在图形处理方面不能满足水文气象预报的要求，而使用图形工作站则能使数据和图形密切结合。通过介绍图形工作站的基本构成及其在水文气象预报中的一些应用成果，以展示图形工作站在水文气象预报应用中的广阔前景。     

线性动态系统模型在实时洪水预报中的应用

应用一般的线性动态系统模型理论，并结合衰减记忆最小二乘递推识别的实时校正技术，建立了鄱阳湖吴城站水位过程的实时预报方案。模型结构采用AIC准则法和逐步回归筛选法综合确定，模型参数采用最小二乘法估计。应用结果表明，该预报模型适用于湖泊水位这类缓变型水文变量的预报，可以用于实时作业预报。     

投影寻踪法和遗传算法在洪水预报中的应用

文中将投影寻踪法和遗传算法两种方法有效的结合起来,利用投影寻踪建模的同时,利用遗传算法寻优,充分发挥两者优势,将这两种方法的结合运用于洪水预报,建立流域流量的多因子预报模型。     

基于TOPMODEL的中小河流分布式洪水预报模型及其应用

近年来广东省中小河流洪水灾害频发,研究中小流域洪水预报模型对预防洪水灾害具有重要意义。本研究改进了传统的TOPMODEL模型,以栅格为单元构建了基于TOPMODEL的中小河流分布式洪水预报模型,并以高田水上游流域为研究对象,采用SCE-UA优选算法对1975—2008年的8场洪水进行参数优选,并对2010—2012年的4场洪水进行模型验证。模拟结果表明,本次预报在率定期和验证期平均确定性系数为0.85,径流深预报合格率为92%,峰现时间预报合格率为100%,模型模拟效果较为理想。用改进后的模型研究了某场洪水汇流过程不同时刻的空间分布情况,表明改进后的TOPMODEL模型能够直观地反映洪水的时空变化,模型具有一定的合理性和实用性。