水文預報方法分析

水文預報方法分析在水利水電工作中，水文預報具有重要的意義，通過水文預報可以獲知流域的實際狀況以及將來一段時間的開展狀態(tài)。水文預報方式相對較多，通過驅動方式的差異可以將其分為過程驅動和數(shù)據(jù)驅動兩種模型方式。過程驅動也屬于數(shù)學模型，是對徑流以及河道的產(chǎn)流、演進等過程進展模擬的一種模型，從而對流域流量進展預報。而與過程驅動模型不同的數(shù)據(jù)模型那么屬于物理機制，幾乎不受水文過程影響，通過將獲取數(shù)據(jù)之間的關系，獲取模型的黑箱子方式。其中回歸模型是使用最為廣泛的數(shù)據(jù)驅動模型，但是隨著水文預測技術的開展近年來我國還產(chǎn)生了更多新型的水文預測方式，不但提升了水文預測效率，同時也進步了水文預測精度。加之水文數(shù)據(jù)獲取才能的提升，在水文預測工作中越來越多的開始使用數(shù)據(jù)驅動模型進展水文狀況的預測。1過程驅動模型分析按照應用領域的不同可以將過程驅動模型分為兩類，一類為枯季徑流退水模型，另一類為概念性流域降雨徑流模型。前者主要用于慢反響水源以及地下水作為水源的流域；后者應用范圍相對較廣，可以在不同徑流中的流量過程。1.1枯季徑流退水模型通過退水曲線可以反響出自然流域在不同時節(jié)的水文狀況，尤其是枯季徑流退稅過程。通過枯季徑流退水曲線法可以總結出枯季徑流的退水規(guī)律，從而將其應用到徑流量以及過程的預報中。另外需要注意該種方式僅僅適用在沒有顯著降水的情況下，假設降水對徑流狀態(tài)有明顯影響，那么該方式無法使用。該種模型主要結合了經(jīng)歷公式以及物理學公式，通過二者的結合，針對徑流河道的演進過程進展模擬，并將徑流同降雨之間的轉換描繪出來。概念性模型在短期水文預報中預報時間較短，其預報時間間隔大多為日或小時。而在中長期水文預報中會適當調整輸入、輸出量時間，將其變化為旬或月，通過這種改變調整該種預報方式的適用范圍。在降雨徑流模型中，降水輸入是必不可少的，所以需要將降水預報結合到中長期的水文預報中，以此進步水文預報精度。而在時間尺度相對較大的水文預報中，假設使用概念性模型，需要適當對模型構造進展調整，從而保證模型預報精度。例如在月經(jīng)流量預報中所使用的水箱模型，都是經(jīng)過長時間的理論研究，經(jīng)過不斷改善后的技術成果。2數(shù)據(jù)驅動模型分析下面便針對幾種常見的數(shù)據(jù)驅動模型進展詳細分析。2.1回歸分析回歸分析是流量中長期預報中應用最早、最廣的方法之一，其應用于徑流預報的歷史可以追溯到早期的降雨徑流相關圖方法，20世紀60年代以后隨計算機技術的開展而迅速普及，并且主成分分析等技術被引入到回歸分析之中，以進步預報精度?；貧w分析至今仍是流量預報實際工作中的一種重要手段。從操作分析，回歸模型便于操作，較為容易實現(xiàn)。在中長期預報中，按照流量以及影響因素分析，應當在以下方面多加關注：首先，研究區(qū)域中長期流量同模型中那些指標相關性最強；其次，研究區(qū)域中的時間尺度同選定指標中哪一時間尺度具有相對較大的關聯(lián)性；最后，在模型建立中相關性之間的時距多長。在水文預報中預報因子相對較多，例如積雪量、土壤適度以及降水量、上游站前期流量、預報站前期流量和氣溫等。另外一些控制流量過程長期變化的因素也可以作為預報因子。這是由于很多預報因子雖然會對流域造成影響，但是會存在滯后時間，有些滯后時間為幾個月，有些甚至長達幾年。所以在水文預報工作中充分考慮這些因子可以進步水文預報精度。2.2時間序列水文學研究中時間序列是最為核心的工具之一。時間序列模型在水文預報中使用較多，按照時間序列數(shù)目，在模型中可以分為兩大類，一種為多變量模型，一種為單變量模型。2.3神經(jīng)網(wǎng)絡人工神經(jīng)網(wǎng)絡〔ANN〕具有良好的非線性映射才能，而且ANN模型構建方便，對數(shù)據(jù)的適應性很好，因此ANN可以說是近10多年來最廣為關注的一種非線性預報方法，已被廣泛應用于實時中長期水文預報中。最常用于徑流預報的ANN類型為采用誤差后向傳播〔BP〕算法的多層感知器〔MLP〕神經(jīng)網(wǎng)絡〔rE被稱為BP網(wǎng)絡〕，廣泛應用于年、月徑流量或平均流量的預報。此外，為了更好地擬合流量過程的非線性特征，可以采用模塊化神經(jīng)網(wǎng)絡進展流量過程的中長期預報。采用ANN模型進展預報時最重要的是確定哪些數(shù)據(jù)作為輸入，采用什么類型的神經(jīng)網(wǎng)絡以及相應的網(wǎng)絡構造。關于如何確定ANN輸入變量，有兩個問題需要考慮：一是當訓練數(shù)據(jù)長度較短，無法覆蓋序列的全部可能范圍時，如何進步ANN對可能出現(xiàn)的極端情況的預報才能。為解決這一問題，在用MLP模型進展月平均流量預報時，先用AR模型生成模擬序列，以此增加訓練數(shù)據(jù)量，進步預報精度。二是在進展多步預報時，如何解決ANN模型的氣象輸入數(shù)據(jù)。理想的選擇是采用氣象預報數(shù)據(jù)，因此也有研究者采用歷史氣象數(shù)據(jù)作為ANN模型的輸入進展多步預報。2.4模糊數(shù)學將模糊數(shù)學模型應用到水文預報領域模型預測中的方式主要有兩種，一種為模糊邏輯法，另一種為模糊形式識別預測法。假設變量之間因果關系不十清楚確，那么使用模糊邏輯方式較為適宜。按照變量之間所具有的模糊邏輯關系，建立起邏輯模型或者專家系統(tǒng)，從而對流量進展有效預報。而模糊形式識別預測法，其根底為歷史樣本的模糊聚類，通過對歷史樣本形式進展分析計算測到待測狀態(tài)特征。繼而以后早回歸方程對水文狀態(tài)進展預報。除此之外較為直接的方式是從歷史數(shù)據(jù)中找尋同測量樣本特征值之間差距最小的或最為接近的狀態(tài)，并將該狀態(tài)下一刻的狀態(tài)值作為當前的預報值。但是從本質講，該方式同近鄰預報法較為接近，不同的是近鄰預報法找到是鄰近狀態(tài)，繼而建立預報方程。通過模糊數(shù)學法預報的水文狀態(tài)誤差相對較大，但該方式較為直觀簡便。2.5灰色系統(tǒng)水資源系統(tǒng)可以當作灰色系統(tǒng)對待。最常用的描繪灰色系統(tǒng)模型的數(shù)學模型為GM〔1，1〕，G代表Grey〔灰色〕，M代表Model〔模型〕，GM〔1，1〕指1階、1個變量的線性常微分方程模型。它在徑流預報、災變預測中有不少應用實例。3完畢語近年來水文預報方式也隨