基于贝叶斯模型平均法的多模型综合预报洪水概率研究

研究对象为淮河流域内的息县、潢川、班台至王家坝区间,在采用新安江模型和降雨径流经验模型进行洪水模拟的基础上,构建了基于BMA洪水概率预报模型与基于BP神经网络的组合预报模型,对比分析了两种方法的预报效果.结果表明,以BMA概率预报的期望值为预报值,12场洪水的平均确定性系数为0.93,整体上优于新安江模型(0.92)和...     

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。     

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。     

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。     

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。     

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。     

丹江口水库入库洪水概率预报及调度风险分析

为了科学表示洪水预报中的不确定性和风险信息,以丹江口水库为研究对象,基于Copula贝叶斯方法开展丹江口水库入库洪水流量概率预报,从概率预报期望值的精度、预报区间的优良性以及整体性能3个方面对概率预报结果进行评价,并在此基础上进行丹江口水库调度风险策略分析。结果表明：随着预见期的延长,丹江口水库流量概率预报的不确定性相应增加,精度有所降低;各预见期的概率预报区间总体合理可靠,区间覆盖率均超过0.87;概率预报期望值精度较确定性预报略有提升,不同预见期的连续概率排位分数CRPS始终小于相应的确定性预报的平均绝对误差MAE,较确定性预报MAE的降低幅度均超过25%。研究成果可提供不同方案下水库水位超目标水位的风险信息,为科学风险调度决策提供参考。     

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。     

基于遗传算法的参数投影寻踪回归及其在洪水预报中的应用

针对传统非参数投影寻踪回归方法在应用时存在的问题，提出了三点改进措施：(1)采用实数编码的遗传算法代替高斯 牛顿算法优化投影方向；(2)采用参数非线性Hermite多项式代替非参数逐段线性回归来拟合岭函数；(3)参数优化同时进行无需分组，逐个增加岭函数，不实行返回拟合的优选策略。新的方法被称为参数投影寻踪回归，将其用于紫坪埔洪水预报，取得了满意的预报效果，而且所提出的方法在实际应用时，具有简单、有效和易于编程实现的优点。     

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。     

基于广义极值分布和Metropolis-Hastings 抽样算法的贝叶斯MCMC 洪水频率分析方法

广义极值（GEV）分布是国内外洪水频率分析建模中广泛应用的一种概率分布。本文将水文频率分布线型的未知参数看作随机变量,通过基于Metropolis-Hastings抽样算法的贝叶斯MCMC方法估计GEV分布参数和设计洪水的后验分布,并据此进行极值洪水的频率分析。汉江流域丹江口水库年最大1日（3日、5日、7日）洪量和年最大洪峰流量频率分析结果表明,基于Metropolis-Hastings抽样的MCMC模拟在GEV分布参数的贝叶斯估计计算中行之有效;由于利用了与似然函数渐近性质无关的先验信息,贝叶斯估计方法得到的高分位数设计洪量的后验分布比经典统计方法得到的设计洪量能包含更多的信息,从而能表达由于参数不确定性而引起的预测不确定性。该方法能显著地通过分位数图、PPCC法、均方根误差法、K-S法等多种拟合优度检验方法,拟合效果不亚于矩法、极大似然估计法等常用的经典统计方法。     

观音阁流域洪水预报模型初探

本文阐述了观音阁水库流域洪水预报模型的选取、产流和汇流原理及模型参数优选及调式结果。应用表明,该洪水预报模型产流、汇流预报精度较高,有较强的实用价值。     

编制金华站洪水预报模型的几点探索

根据2000年度颁布的《水文情报预报规范》进行编制的金华站洪水预报模型，采用新安江、姜湾两种模型进行编制，其中对雨量站网的精选、部分参数计算的改进，误差分析和预报软件系统的研制等作了一些探索。     

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。     

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