基于山區(qū)中小河流水文資料的洪水預(yù)測研究
——以貴州省威寧縣為例

馬 祥

(威寧縣水務(wù)局,貴州 威寧 553100)

0 引 言

洪澇災(zāi)害的發(fā)生受多種因素影響。在保定地區(qū),除了水利設(shè)施建設(shè)以及人為因素以外,暴雨氣候和地形因素等條件也是洪水發(fā)生的原因之一[1]。因此,洪水災(zāi)害預(yù)警和河流徑流量預(yù)測成為現(xiàn)階段國內(nèi)外學(xué)者的重點研究對象。陳忠虎[2]以莆田市涵江區(qū)為樣本,研究了山洪災(zāi)害防治項目評價方法,并采用推理公式法進(jìn)行了洪水評價方法的參數(shù)優(yōu)化。張乾柱等[3]從地貌、高程、坡度、降雨及河網(wǎng)密度等因素方面,分析了重慶山洪災(zāi)害發(fā)生的空間分布規(guī)律,結(jié)果表明,重慶地區(qū)長江干支流沿線更容易發(fā)生洪水災(zāi)害,該試驗可為重慶市的抗洪建設(shè)提供數(shù)據(jù)支持。周晏等[4]創(chuàng)新性地將智能視覺識別技術(shù)和山區(qū)洪水防治結(jié)合,利用時空特征學(xué)習(xí)方法和三維卷積神經(jīng)網(wǎng)絡(luò),對山洪進(jìn)行了視頻監(jiān)測。該方法識別檢測快、精度性能高,為傳統(tǒng)山洪預(yù)警方法進(jìn)行了有效補(bǔ)充。

基于以上研究,本文通過GA算法優(yōu)化的水文模型,進(jìn)行山區(qū)中小河流洪水災(zāi)害預(yù)測,旨在通過徑流量的計算模型優(yōu)化以及威寧縣興隆河樣本測試分析,驗證模型的有效價值,為河流洪水災(zāi)害預(yù)警提供有效的技術(shù)支持。

1 基于LSTM的山區(qū)中小河流水文資料的洪水預(yù)測方法

1.1 威寧縣水文條件分析及水文模型研究

季節(jié)性暴雨是我國南方山區(qū)洪水災(zāi)害發(fā)生的主要原因,周期性的水文條件變化對洪水防治問題提出新的挑戰(zhàn)。為了對山區(qū)中小河流的洪水災(zāi)害進(jìn)行預(yù)警,本次研究將基于河流水文條件和氣象資料,對貴州省威寧縣地區(qū)進(jìn)行水文資料分析。在水文研究中,一般將長度小于10km、流域面積小于3 000km2的河流定義為中小河流。在山區(qū)中小河流流域內(nèi),季節(jié)性暴雨具有時空分布不均衡的特點。地形地貌特殊,降水時空分布復(fù)雜,可能因局地短時強(qiáng)降水引發(fā)山洪災(zāi)害。極端強(qiáng)降水可能引發(fā)滑坡、泥石流、小流域山洪、城市內(nèi)澇等次生災(zāi)害。本次研究構(gòu)建威寧縣興隆河水文模型,對河流洪水進(jìn)行預(yù)測分析,同時采用長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)對模型進(jìn)行優(yōu)化[5]。首先對威寧縣的水文條件和地理環(huán)境進(jìn)行分析,見圖1。

圖1 威寧縣水系圖

圖1中,線條表示河流水系,中間橢圓表示草海。由圖1可知,威寧縣內(nèi)眾多河湖交錯,河流總長度1 031.1km,干流長368.5km。縣內(nèi)中小河流可分為四大水系,四大水系又由眾多河流湖泊組成。其中,北盤江水系包括小可渡河、麻乍河、文昌河、冒水小河等河流;牛欄江水系包括哈喇河、安丹河、恰西河等河流;橫江水系包括羊街河、三道河、興隆河等河流;烏江水系包括拱橋河、文明小河、妥倮沖小河等河流。縣內(nèi)河網(wǎng)密度16.4km/km2,許多地處河湖地帶的鄉(xiāng)鎮(zhèn)村寨都以河湖來命名,如草海鎮(zhèn)由城西南部草海得名、二塘鎮(zhèn)因二塘河貫穿其間而得名。

威寧縣的氣候特征屬于亞熱帶季風(fēng)性濕潤氣候,年日照時數(shù)1 812h,無霜期180天,年降雨量926mm,降雨集中在八九月份。特殊的地理環(huán)境和水文氣候條件導(dǎo)致威寧縣常常出現(xiàn)特大暴雨,因此也是貴州省的山洪多發(fā)地區(qū)。2014年8月10日開始,受持續(xù)強(qiáng)降雨影響,貴州省多地遭受暴雨洪澇災(zāi)害。截至12日14時,強(qiáng)降雨導(dǎo)致12人死亡、12人失蹤,3.5萬余人緊急轉(zhuǎn)移安置。受災(zāi)最嚴(yán)重的習(xí)水、赤水、威寧等地交通、電力、通訊設(shè)施損毀嚴(yán)重,城鎮(zhèn)發(fā)生不同程度的內(nèi)澇。

本次研究借鑒新安江水文模型,構(gòu)建威寧縣興隆河水文模型,同時從威寧縣水務(wù)局收集相關(guān)水文降雨氣象資料[6]。水文模型對于河流洪水的預(yù)測,依靠現(xiàn)代信息技術(shù)以及徑流量計算的原理完成,而河流的水文條件模型表示和徑流量計算,依靠流域內(nèi)產(chǎn)流量和匯流量等參數(shù)的分析完成。本次研究構(gòu)建的水文模型結(jié)構(gòu)見圖2。

圖2 山區(qū)中小河流洪水預(yù)警水文模型

從圖2可以看出,本次研究構(gòu)建的模型中主要參數(shù)為產(chǎn)流量、降雨氣候因素以及匯流量[7]。本次研究中,對于降雨氣候的評估將采用誤差值、相關(guān)系數(shù)進(jìn)行評價,而在水文模型中,對于模型徑流量的評估精度采用納什效率系數(shù)(Nash-Sutcliffe efficiency coefficient,NSE)和相關(guān)性系數(shù)進(jìn)行評價[8-9]。

1.2 LSTM山區(qū)洪水預(yù)測模型構(gòu)建

根據(jù)水文模型的理論分析,以貴州威寧縣興隆河作為研究對象,構(gòu)建水文氣象參數(shù)模型。對于河流徑流量的預(yù)測來完成洪水災(zāi)害預(yù)測的目標(biāo),可以看出是一個參數(shù)變化之后的時間序列問題[10]。因此,本次研究考慮通過優(yōu)化的遺傳算法(Genetic Algorithm,GA)來進(jìn)行水文模型的優(yōu)化處理[11]。水文模型的參數(shù)類別、具體參數(shù)及其含義見表1。

表1 威寧縣興隆河水文模型參數(shù)

從表1可以看出,對于山區(qū)中小河流水文模型的構(gòu)建需要氣象參數(shù),其中降雨量和蒸發(fā)量決定了通過一個簡化的降雨評級和蒸發(fā)量閾值進(jìn)行判定。當(dāng)河流流域內(nèi)的降雨量為大且大于蒸發(fā)量閾值時,表明河流的徑流量會急速增加。當(dāng)降雨量為小且小于蒸發(fā)量閾值時,表示洪水災(zāi)害的風(fēng)險較小[12]。產(chǎn)流量參數(shù)中,主要考慮的是透水面積和不透水面積的產(chǎn)流量,兩個參數(shù)通過蓄水容量參數(shù)和蓄水容量曲線指數(shù)衡量[13]。匯流量參數(shù)分為地面徑流、壤中流和地下徑流3種,因此3種階段的徑流消退系數(shù)以及滯留時間決定了流域內(nèi)的匯流量。

本次研究采用非支配排序遺傳算法,進(jìn)行多目標(biāo)優(yōu)化問題中的參數(shù)分析[14]。該算法的優(yōu)勢在于采用精英策略,將父代個體與子代個體合并后進(jìn)行非支配排序,使得搜索空間變大,生成下一代父代種群時按順序?qū)?yōu)先級較高的個體選入,并在同級個體中采用擁擠度進(jìn)行選擇,保證優(yōu)秀個體能夠有更大的概率被保留。研究通過輪盤賭方式進(jìn)行選擇,同時利用交叉操作,模擬自然界中染色體的交叉換位現(xiàn)象,用于生成新個體,公式表示如下:

式中:p(1,x+1)、p(2,x+1)分別為交叉操作生成的第x+1代個體;α為均勻分布因子;p1,x、p2,x分別為兩個新個體的父代個體。

同時,本次研究采用變異操作,是模擬生物的基因變異、豐富子代生產(chǎn)的方式,其表達(dá)式如下:

2 GA算法參數(shù)優(yōu)化的水文模型在山區(qū)中小河流洪水預(yù)測中的應(yīng)用分析

為了驗證本次研究構(gòu)建的GA參數(shù)優(yōu)化水文模型在山區(qū)中小河流洪水災(zāi)害預(yù)測中具有實際應(yīng)用價值,本次研究將貴州省威寧縣興隆河作為研究對象,同時選取2022年9月11日凌晨1時至12時的興隆河徑流量數(shù)據(jù)和流域氣候資料進(jìn)行分析。本次研究的數(shù)據(jù)來源于威寧縣水務(wù)局。

本次研究構(gòu)建的水文模型,經(jīng)過GA算法參數(shù)優(yōu)化,對比參數(shù)優(yōu)化前后兩個模型的相關(guān)性系數(shù),見圖3。由圖3(a)可知,傳統(tǒng)模型的相關(guān)性系數(shù)在提前一天的最高值為0.853,提前兩天的預(yù)測結(jié)果相關(guān)性系數(shù)為0.703,提前三天的結(jié)果降為0.62。由圖3(b)可知,優(yōu)化模型的相關(guān)性系數(shù)在提前一天的預(yù)測結(jié)果中最高值為0.957,提前兩天最高值為0.917,提前三天的預(yù)測結(jié)果中相關(guān)性系數(shù)為0.882。

圖3 傳統(tǒng)水文模型和優(yōu)化模型的預(yù)測相關(guān)性結(jié)果對比

本次研究對原水文模型和GA優(yōu)化參數(shù)的水文模型進(jìn)行性能對比分析,水文模型在優(yōu)化前后的徑流量預(yù)測能力是隨著預(yù)測時間的提前而降低,見圖4。由圖4(a)可知,傳統(tǒng)水文模型在提前一天的納什效率系數(shù)最高為0.728,提前二天為0.492,提前三天降至0.337。由圖4(b)可知,優(yōu)化模型的納什效率系數(shù)在提前一天的預(yù)測結(jié)果中最高值為0.915,提前兩天最高值為0.832,提前三天預(yù)測納什效率系數(shù)仍然保持在0.77的水平,表明傳統(tǒng)耦合模型的穩(wěn)定性不足。在不同時間段和預(yù)測提前量的基礎(chǔ)上,本次研究提出的GA優(yōu)化水文模型在性能中均高于傳統(tǒng)模型。

圖4 傳統(tǒng)水文模型和GA優(yōu)化模型的效率系數(shù)對比

本次研究將不同算法進(jìn)行參數(shù)優(yōu)化之后的水文模型進(jìn)行徑流量預(yù)測性能對比,見圖5。從圖5可以看出,威寧縣興隆河流域在2022年9月11日當(dāng)天的河流徑流量計算中,蟻群算法當(dāng)天的預(yù)測誤差處于[0.457m3/s,1.09 3m3/s]之間,24h內(nèi)河流徑流量預(yù)測數(shù)據(jù)的平均誤差為0.851 2m3/s;粒子群算法當(dāng)天的預(yù)測誤差處于[0.297m3/s,1.071m3/s]之間,24h內(nèi)河流徑流量預(yù)測數(shù)據(jù)的平均誤差為0.674 9m3/s;本次研究提出的GA算法優(yōu)化模型預(yù)測的當(dāng)天徑流量誤差處于[0.198m3/s,0.654m3/s]之間,24h內(nèi)河流徑流量預(yù)測數(shù)據(jù)的平均誤差為0.436 1m3/s。研究表明,2022年9月11日當(dāng)天的威寧縣興隆河流域在不同算法優(yōu)化下,本次研究提出的GA水文優(yōu)化模型誤差較小,對于河流徑流量的預(yù)測更精確。

圖5 不同參數(shù)優(yōu)化算法的徑流量預(yù)測誤差對比

3 結(jié) 論

針對貴州山區(qū)暴雨天氣中氣象參數(shù)分布時空不均,導(dǎo)致傳統(tǒng)模型徑流量預(yù)測相應(yīng)慢、誤差大問題,本文研究構(gòu)建了遺傳算法參數(shù)優(yōu)化的水文模型,用于威寧縣興隆河的徑流量預(yù)測,并對威寧縣興隆河流域2022年9月11日的氣象水文數(shù)據(jù)樣本進(jìn)行了分析。結(jié)果顯示,本次研究構(gòu)建的優(yōu)化模型在降雨預(yù)測中相關(guān)性系數(shù)最高為0.957,而預(yù)測結(jié)果的最高效率系數(shù)為0.915。同時,模型預(yù)測當(dāng)天徑流量的誤差處于[0.198m3/s,0.654m3/s]之間,24h內(nèi)河流徑流量預(yù)測數(shù)據(jù)的平均誤差為0.436 1m3/s,誤差小于其他優(yōu)化算法。研究表明,本次研究構(gòu)建的GA優(yōu)化水文模型在威寧縣興隆河的洪水預(yù)測中性能優(yōu)化,徑流量預(yù)測誤差小,相關(guān)性高,優(yōu)于其他算法模型。