水文預報方法分析

王晶

摘 要：水文預報時水利水電以及防洪、水資源調度等工作具有基礎性的引導作用，而目前我國常見的水文預報方式主要有兩種，即數據驅動模型、過程驅動模型。數據驅動模型不以水文過程作為模型建立的基礎，而是通過數據之間數學關系，建立起有效的水文模型。而過程驅動模型基礎則是水文學概念，從而完成對河道以及流域的演進模型。在中長期的水文預報中，過程驅動模型較為適用，主要改進流域降雨徑流模型結構，在時間跨度相對較長的水文預報中較為適用。而由于近年來我國水文預報中引入了模糊數學方法、非線性時間序列分析模型、神經網絡模型以及灰色系統模型等模型，加之水文數據的獲取、分析技術也有了巨大的發展，數據驅動模型開始在水文預報中發揮巨大的作用。

關鍵詞：水文預報；方法；模型；數據驅動模型

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未來一段時間的發展狀態。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據驅動兩種模型方式。過程驅動也屬于數學模型，是對徑流以及河道的產流、演進等過程進行模擬的一種模型，從而對流域流量進行預報。而與過程驅動模型不同的數據模型則屬于物理機制，幾乎不受水文過程影響，通過將獲取數據之間的關系，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據驅動模型，但是隨著水文預測技術的發展近年來我國還產生了更多新型的水文預測方式，不但提升了水文預測效率，同時也提高了水文預測精度。加之水文數據獲取能力的提升，在水文預測工作中越來越多的開始使用數據驅動模型進行水文狀況的預測。

1 過程驅動模型分析

依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。前者主要用于慢反應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應出自然流域在不同時節的水文狀況，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，若降水對徑流狀態有明顯影響，則該方式無法使用。

1.2 概念性流域降雨徑流模型

該種模型主要結合了經驗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行模擬，并將徑流同降雨之間的轉換描述出來。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，以此提高水文預報精度。

而在時間尺度相對較大的水文預報中，若使用概念性模型，需要適當對模型結構進行調整，從而保證模型預報精度。例如在月經流量預報中所使用的水箱模型，都是經過長時間的實踐研究，經過不斷改善后的技術成果。

2 數據驅動模型分析

下面便針對幾種常見的數據驅動模型進行具體分析。

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發展而迅速普及，并且主成分分析等技術被引入到回歸分析之中，以提高預報精度。回歸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。在中長期預報中，依照流量以及影響因素分析，應當在以下方面多加關注：首先，研究區域中長期流量同模型中那些指標相關性最強；其次，研究區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性；最后，在模型建設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能夠提高水文預報精度。

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，依照時間序列數目，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 神經網絡

人工神經網絡（ANN）具有良好的非線性映射能力，而且ANN模型構建方便，對數據的適應性很好，因而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）神經網絡（rE被稱為BP網絡），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網絡進行流量過程的中長期預報。

采用ANN模型進行預報時最重要的是確定哪些數據作為輸入，采用什么類型的神經網絡以及相應的網絡結構。關于如何確定ANN輸入變量，有兩個問題需要考慮：一是當訓練數據長度較短，無法覆蓋序列的全部可能范圍時，如何提高ANN對可能出現的極端情況的預報能力。為解決這一問題，在用MLP模型進行月平均流量預報時，先用AR模型生成模擬序列，以此增加訓練數據量，提高預報精度。二是在進行多步預報時，如何解決ANN模型的氣象輸入數據。理想的選擇是采用氣象預報數據，因此也有研究者采用歷史氣象數據作為ANN模型的輸入進行多步預報。

2.4 模糊數學

將模糊數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，另一種為模糊模式識別預測法。若變量之間因果關系不十分明確，那么使用模糊邏輯方式較為適宜。依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，從而對流量進行有效預報。而模糊模式識別預測法，其基礎為歷史樣本的模糊聚類，通過對歷史樣本模式進行分析計算測到待測狀態特征。繼而以后早回歸方程對水文狀態進行預報。除此之外較為直接的方式是從歷史數據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，并將該狀態下一刻的狀態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，繼而建立預報方程。通過模糊數學法預報的水文狀態誤差相對較大，但該方式較為直觀簡便。

2.5 灰色系統

水資源系統可以當作灰色系統看待。最常用的描述灰色系統模型的數學模型為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 結束語

近年來水文預報方式也隨著科技的發展而不斷的增多，水文預報模型法依照驅動方式的不同可以氛圍過程驅動模型以及數據驅動模型兩種。并且隨著技術的發展，各類模型于包房是層出不窮，加之水文數據獲取技術以及分析能力的進步，數據驅動模型展現了巨大的生機活力。

參考文獻

[1]康爾泗，程國棟，藍永超，等.概念性水文模型在出山徑流預報中的應用[J].地球科學進展，2012，17（1）：18-26.

[2]王根緒，沈永平，劉時銀.黃河源區降水與徑流過程對ENSO事件的響應特征[J].冰川凍土，2001，23（1）：16-21.