洪水预报智能模型在中国半干旱半湿润区的应用对比

为探究不同洪水预报智能模型在我国半干旱半湿润区的应用效果,选用决策树、多层感知器、随机森林和支持向量机4种模型在陕西省3个典型流域进行逐时洪水预报;选择相关系数、纳什效率系数、均方根误差、平均绝对误差和相对误差等评价指标,比较不同预见期下4种模型在半干旱半湿润典型流域洪水预报的适用性。结果表明:在短预见期预报中,4种模型在半湿润区典型流域均可获得较高的预报结果,在半干旱典型流域模拟精度相对偏低,仅支持向量机模型满足预报要求;随着预见期延长,不同模型性能变化差异大,支持向量机模型整体稳定,在小流域实时洪水预报中具有明显优势;随机森林模型与决策树模型精度随预见期延长而缓慢下降,前者适应性更好;多层感知器模型精度随预见期延长而骤减,模型稳定性较差。     

三峡特大流域洪水预报方案应用与分析

摘要：基于三峡工程572个遥测站点，进行三峡以上覆盖面积约39万km2流域的洪水预报方案制作，通过2008年汛期7场洪水的检验，证明方案可行、满足需要。洪水预报实践经验表明：多模型多方案组合预报、半分布式模型选用和通过相关关系确定各单元河网汇流参数以及流域分级预报、逐级检验是大型、特大型流域预报方案成功制作的关键；同时未来降雨接入、实时校正是提高实时预报精度、增长预见期的有效手段。     

GFS集合降雨预报的校正后处理研究

耦合降水集合预报信息与水文模型是水文预报发展的一个重要方向。然而由于大气运行初始条件及模式的不确定性数值降雨预报不可避免地存在误差。基于全球集合预报系统(GFS)提供的1～8d预见期的降雨集合预报数据,研究了基于扩展型Logistic算法和异方差扩展型Logistic算法发展的5个统计后处理模型对淮河流域息县子流域GFS预报降雨的校正效果。结果表明,5个模型对GFS预报降雨均具有较好的校正效果,但随着预见期的增长,各个模型的校正能力呈衰减趋势。总体而言,相较于基于扩展型Logistic算法的3个模型,基于异方差扩展型Logistic算法的2个模型具有更优的校正能力。     

基于机器学习模型的短期降雨多模式集成预报

短期降雨预报对洪水预报和水库调度极为重要,提高短期降雨预报精度有着重要的意义。以TIGGE资料中心的ECMWF、CMA及NCEP三个集合预报中心发布的桓仁水库流域预报降雨数据为基础,利用ANN、ELM以及SVM模型对桓仁水库流域未来1～3d降雨进行多模式集成预报,以期提高预报精度,并从绝对平均误差、均方根误差、相对误差、纳什系数、预报准确率等多个方面分析了集成预报的效果。试验结果表明,基于SVM和ELM的多模式集成预报模型预报效果均优于单一模式,基于ANN的集成预报模型在输入因子选择合适的情况下,其预报效果也优于单一模式,三种模型中,SVM模型对降雨预报精度改善最为明显。说明基于机器学习模型的多模式降雨集成预报方法可行且能够提高短期预报降雨精度。     

考虑水文模型参数时变的水库水位多预见期实时预报——以水布垭水库为例

精准可靠的坝前水位预测可支撑水库的调度决策,保障流域防洪安全。传统水库水位实时预报方法均基于降雨径流稳态假定,在变化环境下精度不高。为此,本研究提出了一种整合水文模型参数时变和实时校正的水库水位多预见期实时预报方法：识别变化环境下水文模型参数的时变过程,构建时变参数与自然、社会经济因子的函数关系;基于时变参数函数式构建预报调度集成模型,以预见期内多个时刻预报水位与观测水位的吻合程度为目标函数率定水文模型的参数;采用基于反向拟合算法的实时校正技术进行误差校正,输出不同预见期的水库水位预报。以水布垭水库流域为研究对象,结果表明,较传统水库水位预报方法,论文提出的方法在率定期和检验期的平均绝对值误差分别下降了0.050和0.040 m,可为防洪减灾提供高精度、长预见期的水库水位预测。     

闹得海水库水文自动测报系统优化改造

文章根据闹得海水库自动测报系统现状和洪水预报要求,提出闹得海水库水文自动测报系统遥测站网优化改造.统计分析了闹得海水库流域内降雨径流预报洪水预见期和河段预报洪水预见期,计算、对出了遥测站点增设前后流域3日面雨量误差.从洪水预见期、流域降雨产流特点、面雨量精度、遥测站布设密度、水文规范要求等方面,论证闹得海水库水文自动测报系统改造的合理性与必要性.     

临近流域替代法在巴基斯坦卡洛特水电站坝址洪峰流量预报中的应用

为延长巴基斯坦卡洛特水电站施工期坝址洪水预见期,利用临近流域替代法和API模型估算印控克什米尔地区区间来水,实现卡洛特水电站短期坝址流量预报计算或估算。选取"20170406""20180420"和"20180807"等3场洪水实测降雨资料和预报降雨资料对该方法的适用性进行验证。结果表明:以上3场洪水实测降雨估算洪峰流量结果与实测洪峰流量最大相对误差均在许可误差的20%内,预报降雨计算结果受预报准确率影响,导致"20180807"洪水计算结果偏小。在获得流域准确降雨预报时,该方法能较好地预估洪峰范围,延长洪水预报预见期,可为卡洛特水电站安全度汛提供技术支撑。     

基于LSTM实时校正的WRF/WRF-Hydro耦合径流预报

为改进WRF/WRF-Hydro陆气耦合系统的径流预报效果,减小耦合系统在峰现时间、洪峰流量预报上的误差,本文在使用变分数据同化技术充分降低预报降雨误差水平的基础上,采用长短期记忆人工神经网络LSTM对WRF/WRF-Hydro耦合系统的径流预报过程开展了实时校正研究,并与自回归滑动平均模型ARMA实时校正结果进行对比。研究结果表明,通过数据同化技术可有效提升WRF模式降雨预报精度,降低WRF-Hydro模式的输入误差,但径流预报准确性仍有待提升。对比LSTM和ARMA两种实时校正模型对耦合径流预报结果的实时校正：在前3 h预见期,两种模型在中国北方半湿润、半干旱地区山区小流域6场典型洪水预报中的表现基本接近,除场次4外,LSTM和ARMA两种模型在3 h预见期的衰减速率分别为2.04~23.08和9.18~36.47,随着预见期的延长,LSTM径流预报精度的衰减速度在整体上慢于ARMA模型,预报效果优于ARMA模型。     

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。     

基于多机器学习的强夯有效加固深度预测对比研究

采用当前应用较为广泛的6种算法模型,即BP神经网络模型、SVM模型、RF模型、MLP模型、XGBoost模型以及朴素贝叶斯模型,对不同土质、不同夯击能量、不同夯锤面积下的强夯有效加固深度进行预测,采用均方根误差、平均绝对百分比误差、决定系数以及平均绝对误差4项指标对比各模型的预测准确率、误差及泛化能力,并结合工程实例数据做检验。结果表明,机器学习方法具有较高的预测精度和泛化能力,可通过少量且简单的强夯数据进行预测强夯有效的加固深度,能为强夯工程设计提供参考依据;在小样本的情况下,RF模型性能较为优异,其次为XGBoost模型与朴素贝叶斯模型,BP神经网络模型、MLP模型与SVM模型表现较差,建议在样本数据有限的情况下,优先选用RF模型进行强夯有效加固深度预测。     

暴雨洪水相似性判别及外推预估方法

超前洪水预估精度不高一直困扰防洪决策，为解决这一技术难题，提出一种基于暴雨洪水知识的相似性分 析方法，进行洪水预报预测。该方法从历史典型暴雨洪水知识中提取多要素特征指标，基于欧氏距离进行当前与 历史暴雨洪水的特征指标相似性判别，根据判别出的最相似洪水，经“峰-量”联合修正消除非一致性后，实时外推 预估未来洪水过程，构成一套完整的“多要素特征指标提取-历史暴雨洪水相似性判别-实时洪水修正外推预估” 技术。在沂河蒙阴站的应用结果表明，基于“降雨-径流”关系，对判别出的最相似洪水进行修正，显著提高了外推 预估洪水精度，洪峰流量相对误差δQm 的范围降至 10?% 附近，峰现时间绝对误差 ΔT的范围降至±2?h 以内，径流深 相对误差 δR的范围降至±20?% 以内，且随着时间推移，精度水平不断提高。该套技术方法能够挖掘隐含在历史暴 雨洪水数据中的相似性，超前预估当前洪水变化过程，为洪水预报提供一种新的技术参考。     

降水预报产品在不同水文气象分区中小流域的 适应性评估

以位于不同水文气象分区的屯溪流域和绥德流域为研究对象,选取 TIGGE(THORPEX?Interactive?Garnd Global?Ensemble) 数 据 集 中 NCEP（ National?Centers?for?Environmental?Prediction） 、 ECMWF（ European?Centre?for Medium-range?Weather?Forecasts）、CMA（China?Meteorological?Administration）3 种预报产品的 2010—2015 年控制 预 报 数 据 , 基 于 分 位 数 映 射 法 中的 QUANT（ non-parametric ?quantile ?mapping ?using ?empirical ?quantiles） 法 和 RQUANT（non-parametric?quantile?mapping?using?robust?empirical?quantiles）法进行预报降雨修正,并采用多分类预报 检验、连续型预报检验和概率型预报检验等方法,对不同水文气象分区、不同预报产品和不同修正方法进行比较 与适用性分析;同时,以屯溪流域实测降雨为例,通过增加噪声项对降雨重采样,基于新安江模型分析降雨不确定 性对水文模拟结果的影响。结果表明：在研究流域,所选的预报产品对无雨和小雨期的预报精度都较高,但随着 降雨量的增加,各产品的预报能力均出现较为明显的下降。多分类和连续型检验表明绥德流域的降雨预报效果 更佳,NCEP 和 ECMWF 在研究流域的整体预报精度较高,CMA 的整体预报精度在研究流域略低于其他产品。各 产品在修正后大部分检验指标预报精度提高,其中：ECMWF 在绥德流域修正后预报精度最高,对两种修正方法都 有很好的适用性;在屯溪流域,NCEP 和 ECMWF 在不同修正方法后各指标预报精度各有高低,CMA 在修正后仅 在大雨量级的 TS 评分预报精度高于其他产品。降雨的不确定性会对水文模拟产生消极影响,并导致参数的不确 定性和水文模拟精度的下降。     

基于增量动力分析与多层感知机的 混凝土坝地震易损性评估

传统坝体地震易损性评估所采用的非线性数值模拟手段的计算量很大，为兼顾大坝地震易损性评估的高效 性与准确性，提出基于增量动力分析（incremental?dynamic?analysis,?IDA）与多层感知机（multilayer?perceptron,?MLP） 的混凝土坝地震易损性评估方法。以我国西北地区某混凝土重力坝为例，建立三维坝体-库水-地基有限元模型并 开展多组地震响应计算。利用等步长调幅处理所选地震动记录，并采用三向地震进行幅值输入；选取峰值 [ 地 面 ] 加速度（peak?ground?acceleration,?PGA）为地震动强度指标，坝顶顺河向位移为大坝损伤指标，初步进行混凝土 坝易损性分析。提取各地震动特性参数作为输入，坝顶顺河向位移为输出，训练并测试 MLP 模型；扩充地震动以 获取各地震动特性参数，利用 MLP 模型进行坝顶顺河向位移的快速预测，实现有限元结果的扩充，进行混凝土坝 易损性分析，并绘制易损性曲线。结果表明，将 MLP 模型引入分析可有效扩充数据量，利用 IDA-MLP 耦合方法 建立的大坝地震易损性曲线符合实际规律，验证了采用 MLP 模型预测混凝土坝损伤指标进而扩充数据的可行性， 在保证精度的情况下大幅提高计算效率，为同类型水工建筑物的抗震安全评价和防震减灾提供科学依据。     

基于 InfoWorks ICM 的城市河网调控与分析 −以福州市仓山区龙津阳岐片区为例

针对典型感潮河网地区水环境污染日趋严重与洪涝灾害频发的问题，为优化河网水动力和降低河道漫溢风 险，基于 InfoWorks?ICM（integrated?catchment?management）模型建立福州市仓山区龙津阳岐片区城市水文模型与一 维河网水动力耦合模型，以 2022 年 6 月 14 日实测降雨及河道水位数据对模型参数进行校准，平均纳什效率系数 为 0.78，平均洪峰误差为 1.5%。设计并模拟 3 种晴天工况和 3 种“卢碧”台风雨天工况，结果表明：晴天从无调控 到工况 3，随着引水量的增加，河网平均流速逐步增加，总体增加 66.4%，河道水动力提升显著；雨天从原有调控工 况到工况 3，随着河道预降水位值增大，关键断面平均超警历时逐步减少，总体下降 73%，河道漫溢风险明显降低。 构建河网水文水动力耦合模型和工况优选，可为仓山区进一步提升河网水动力与城市汛期洪涝灾害防治能力的 方案制定提供决策依据，也可为其他同类研究提供借鉴。     

Correction of Reservoir Runoff Forecast Based on Multi-scenario Division and Multi Models

Accurate runoff forecast is very important for reservoir operation. In view of the shortcomings of the existing correction models for runoff forecast, including the influence of the difference of external factors on the forecast results is not considered, and the optimal situation adaptation of different forecast models is not considered, three models, i.e., long and short-term memory neural network model (LSTM), gaussian process regression model (GPR) and support vector machine regression model (SVR), are used to forecast the relative errors of runoff forecast under different scenarios in this paper. The classification of forecast scenarios is determined based on factors such as rainfall, inflow, and foresight period, and two scenario sets are given, i.e., 12 forecast scenarios and 24 forecast scenarios. Then, a multi-model coupled runoff forecast correction method considering forecast error and forecast scenario is proposed. Through the case study of the Three Gorges Reservoir (TGR), it is found that, when the analysis is carried out based on the forecast period, the SVR model should be used for forecast correction when the foresight period is 1–5 days, and the LSTM model should be used for forecast correction when the foresight period is 6 days. The application effect of SVR and LSTM is better than GPR in the scenario set of 12 forecast scenarios. LSTM model has the highest accuracy of forecast correction in the scenario set of 24 forecast scenarios, and the mean value of the coefficient of certainty (R²) changes from 0.919 of 12 forecast scenarios to 0.931 of 24 forecast scenarios, increasing by 1.31%. The mean value of mean relative error (MRE) changes from 6.80% of 12 forecast scenarios to 5.64% of 24 forecast scenarios, a decrease of 17.06%. Finally, the best model adaptation table corresponding to different forecast scenarios of TGR is established, which has an important guiding role in the actual runoff forecast of TGR.

     

What Is the Potential of Integrating Phase Space Reconstruction with SVM-FFA Data-Intelligence Model? Application of Rainfall Forecasting over Regional Scale

Rainfall modeling is one of the major component process in the meteorological engineering. Hence, exploring an advance and reliable intelligent model for its forecasting is essential for water resources engineering. In this current research, novel integrative intelligence model coupled with phase space reconstruction is proposed to forecast monthly rainfall in Chhattisgarh State, India. The proposed model is a hybridization of support vector machine (SVM) model with firefly optimization algorithm (FFA). The modeling is undertaken based on three stages starting with configuring the delay time and embedding dimension using mutual information and false nearest neighbors to determine the input matrix of the forecasting model. In the second stage, the firefly optimizer is employed to tune the SVM model. Finally, the hybrid model is conducted to forecast the monthly time scale rainfall time series. Monthly time scale rainfall data for sixteen raingauge stations over a century (1901–2002) are utilized and tested. A validation of the capacity of the suggested model is carried out by comparing the accuracy results with classical SVM and hybrid SVM-FFA “without mutual information analysis” models. The three predictive models are trained using 75% of available data set and tested the remaining 25% dataset. The model’s results were statistically verified using mean absolute error and best-good-fitness measurements in addition to Taylor diagram visualization. In conclusion, the proposed model was significantly improved the forecasting accuracy of the modeling. Also, it was exhibited a very robust intelligent model that can be applied for the Indian regional zone for monthly rainfall forecasting.     

Monthly Rainfall Forecasting Using EEMD-SVR Based on Phase-Space Reconstruction

Rainfall links atmospheric and surficial processes and is one of the most important hydrologic variables. We apply support vector regression (SVR), which has a high generalization capability, to construct a rainfall forecasting model. Before construction of the model, a self-adaptive data analysis methodology called ensemble empirical mode decomposition (EEMD) is used to preprocess a rainfall data series. In addition, the phase-space reconstruction method is implemented to design input vectors for the forecasting model. The proposed hybrid model is applied to forecast the monthly rainfall at a weather station in Changchun, China as a case study. To demonstrate the capacity of the proposed hybrid model, a typical three-layer feed-forward artificial neural network model, an auto-regressive integrated moving average model, and a support vector regression model are constructed. Predictive performance of the models is evaluated based on normalized mean squared error (NMSE), mean absolute percent error (MAPE), Nash–Sutcliffe efficiency (NSE), and the coefficient of correlation (CC). Results indicate that the proposed hybrid model has the lowest NMSE and MAPE values of 0.10 and 14.90, respectively, and the highest NSE and CC values of 0.91 and 0.83, respectively, during the validation period. We conclude that the proposed hybrid model is feasible for monthly rainfall forecast and is better than the models currently in common use.     

汉江上游径流情势变化及归因分析

基于 Budyko 框架及径流变化情势指标同气象因子的拟合关系，拓展 Budyko 方程并得到微分方程。选择汉 江上游安康和白河水文站的年均径流、汛期平均径流和非汛期平均径流资料系列，开展径流情势变化及归因研究。 结果表明：所有径流指标均发生变异且明显减小；多元对数线性回归模型拟合的相关系数大于 0.90，能够较好预 估径流变化情势指标，并捕捉到径流变化情势指标同气象参数之间的非线性关系；基于 Budyko 假设的互补关系 法性能优于全微分法，气候（流域下垫面）变化对安康站年均径流量、汛期平均径流量和非汛期平均径流量贡献的 绝对值分别为 35.89%?(64.11%)、34.58%?(65.42%) 和 71.12%(28.88%)，对白河站年均径流量、汛期平均径流量和非 汛期平均径流量贡献的绝对值分别为 34.82%(65.18%)、26.29?%(73.71%) 和 35.11%(64.89%)。     

基于 SWMM 的 LID 设施分区布局及减排效益

为探讨低影响开发（low?impact?development，LID）设施对缓解城市洪涝灾害以及削减污染负荷的效果，选取 绿色屋顶、雨水花园、透水铺装和雨水罐 4 种 LID 设施，通过构建暴雨洪水管理模型（storm?water?management model，SWMM），并根据实际地形和管网走向将研究区汇水面分为不同分区，分析 LID 设施组合在 7 种布设方案 下对径流控制和雨水污染负荷减排的影响。结果表明：对于 7 种布设方案，LID 设施组合均能有效削减径流量和 雨水污染负荷，且分区布设时，LID 设施组合在上中游分区对径流量的控制效果较好；在相同设计降雨重现期下， 各布设方案的削减效果依次为全区>上中游分区>中下游分区>上下游分区>下游分区>中游分区>上游分区；LID 设施组合布设在下游分区时的径流量削减率较布设在上游分区提升 5.19%～6.82%，布设在上中游分区较布设在 上下游分区提升 1.87%～3.62%，较布设在下游分区提升 16.48%~18.97%；LID 设施组合全区布设较布设在下游分区 提升 29.60%～31.17%，较布设在上中游分区提升 12.20%～13.12%。因此，在海绵城市规划建设之前建议全区按需 布设 LID 设施，在进行老旧小区改造时可着重考虑将 LID 设施布设在上中游分区。     

基于SVM的河道洪峰水位校正预报方法

针对平原河网地区河道洪峰水位预报中经验模型可靠性不足的问题,提出一种基于SVM的河道洪峰水位校正预报方法。采用谱系聚类法对历史洪水过程数据按降雨特性分类,选择与预报降雨过程最接近的历史数据训练预报模型;采用PCA对输入数据降维以提取有效特征;基于支持向量回归机建立河道洪峰水位预报模型;采用滚动模式对洪峰水位预报,每小时根据最新水位以及降水信息预报未来洪峰水位,不断提高预报精度。通过对京杭运河拱宸桥站的洪峰水位实例预测验证了该研究方法的有效性。