淺談富水流域洪水預報實時校正

【摘要】我國目前所用的實時校正方法雖然有一定的效果，但在山區的中小流域洪水預報方面依舊存在能力不足等問題，基于這種狀況，我們引進了K最近鄰算法對山區中小流域洪水預報進行實時校正，并采用模型，利用其他幾種有效方法進行試驗，通過分析校正結果，我們確認K最近鄰算法對山區中小流域洪水預報實時校正而言有積極意義。

【關鍵詞】山區中小流域；洪水預報；實時校正

引言：

以K最近鄰算法為基礎構建模型，同時利用BP神經網絡實時校正法和誤差自回歸方法，把洪峰相對誤差和確定性系數作為指標進行評價，對校正結果進行分析。通過觀察比對分析結果我們可以發現：采用K最近鄰算法對確定性系數的改善最有效，BP法實時校正能更準確地校正誤差，將K最近鄰算法和誤差自回歸方法相結合可以控制洪峰誤差出現的短板，可操作性強，能為山區中小流域的洪水預報提供準確的實時校正。

一、山區中小流域洪水預報實時校正的必要性

（一）山區中小流域洪水預報的主要誤差來源

（1）觀察測量出現誤差

對山區中小流域進行洪水預報時，需要建立模型，模型的建立需要對降水量、所試驗流域的蒸發散發狀況進行數據調查，但是由于受到自然條件的影響加上技術不完善、儀器精確度不高等條件的制約，使最后的結果出現誤差。

（2）模型建構出現誤差

建構出的模型有時會出現表達式不準確的情況，主要表現在模型不能完整的表述出山區中小流域洪水發生的整個過程。

（3）模型參數出現誤差

其實無論選擇什么結構方法或測量技術，模型的參數與實際情況之間總是存在一定的誤差，只是出現的誤差大小不同。

（4）系統的初始狀態出現誤差

在洪水預報剛開始進行時，模型中會出現一些變量，如果對系統初始情況下的變量發生掌握不清楚，也會導致誤差的出現。

（5）資料的誤差

山區中小流域往往都有水文資料缺乏的狀況，加上測量過程中系統出現的偏差和觀測試驗流域出現的偏差，誤差出現的概率就會增加。

雖然每種狀況出現的誤差都不打，但是由于這幾種狀況都會使洪水預報出現誤差，相加起來就會造成誤差較大，所以對山區中小流域洪水預報實時校正，提高預報的準確度必須早日完成。

（二）山區中小流域洪水預報實時校正的方法

山區中小流域洪水預報實時校正的方法主要有兩種：

（1）建立校正模型

可以使用遞推最小二乘法、卡爾曼濾波算法等對參數進行在線追蹤，對狀態出現的變量及時校正，這種方法的適用性強，流域的大小對此不產生影響，所以校正能力較強，準確度高。但建立模型需要明確所實驗的流域規律，所以需要大量的及時測量資料，因此這種方法不適用于資料缺乏的流域。

（2）預報模型與校正模型相加

這種情況下校正模型直接校正預報結果，兩者不是完全獨立的，也是存在關聯性的。因為兩者相加構建的模型便利，對試驗測量的時間、數據要求較低，可以和BP法、AR法等多種模型共同使用，所以實用性更強，更適用于山區的中小流域。

山區中小流域的地形狀況本身就比較復雜，加上附近居民伐木種田、有目的者的亂砍濫伐，致使水土流失狀況嚴重，流域內規律不可尋，狀況不穩定，因此構建精確度高、結構復雜的模型難度相對較大，采用的模型又因結構簡單等原因精確度較低，所以必須對山區中小流域洪水預報的結果進行校正。

二、山區中小流域洪水預報實時校正的方法

實時校正是指在對模型的參數、結構等方面進行校正時參考最新的降雨量監測結果和流域水位變化，保證校正結果的精確度，KNN法、BP法和AR法都是較為常見的估計預報值的誤差的方法。

（一）KNN法

KNN法是指利用統計學和概率學的方法進行學習，在試驗過程中尋找與該流域狀況相似的歷史例子對當下問題進行解決。由于歷史問題與現在所遇到的問題必然存在某些聯系，所以KNN法在校正中也是有據可循的。

（二）AR法

AR法對試驗流域的實時水流量進行檢測，根據測量值與預測值之間的關系建立誤差序列，利用誤差自回歸方程對預報出現的誤差進行估測。

（三）BP法

BP法通過信息的傳播方式和誤差的傳播方式相反對BP神經網絡各層權值進行調整，以這種方式不斷縮小誤差。

三、實時校正的方法比較

試驗進行的樣本不僅僅局限于目前的流域狀況，也可以在歷史資料的積累中尋找典型樣本。但是隨著樣本資料的增加，試驗成本也會隨之提高。我們要采取有效的方法在保證結果不受影響的同時更多的實時校正洪水預報。

AR法構建結構相對簡單，在中型流域更容易實現準確的校正，但面對小型流域時其能力就不太出彩了。

BP法校正能力好，能適應山區中小流域變化較大的情況，但由于參數眾多、結構復雜等特點實現起來比較困難。

KNN法對測量結果等資料的需求較低，加上此種方法可以和多種模型相結合，相對于AR法和BP法更容易操作，并且校正結果更清晰準確。

總結：

山區中小流域狀況特殊，經常出現洪水漲落不定時、洪峰量較小等情況，加上有些流域的歷史資料保存不得當導致資料缺乏，所以使用普通的實時校正方法很難獲得較為準確的校正精確度。本文所提到的KNN法、AR法和BP法都在進行試驗的、具有代表性的山區中小流域上對模型的預報結果進行了再次檢測和校正。經過驗證比較，我們可以發現KNN法和BP法比AR法的校正準確度更高，采取KNN法進行的校正效果最好，采取BP法進行的校正誤差最小。KNN法對山區中小流域的資料要求低，更易于實現，所以在洪水預報實時校正中的應用更常見。

參考文獻：

[1]闞光遠，李致家，劉志雨，等.改進的神經網絡模型在水文模擬中的應用[J].河海大學學報：自然科學版，2013，41（4）：294-299.

[2]劉開磊，姚成，李致家，等.水動力學模型實時校正方法對比[J].河海大學學報：自然科學版，2014，42（2）：124-129.

[3]楊峰.DEM在小流域洪水預報中的應用研究[J].人民長江，2013，44（15）：22-25.

作者簡介： 馬哲健，1986年4月生，男，漢，湖北陽新，學歷：本科，單位：湖北省富水水庫管理局，當前職務：防辦副主任，當前職稱：中級，研究方向：水文水資源、水利工程。