多源數據嵌套式同化在水量監(jiān)測精度提升中的應用

摘要：

數據融合同化可以實現多源觀測數據和模型模擬的優(yōu)勢互補，提升監(jiān)測精度與可靠性。瀾滄江下游的水量變化對沿岸國家影響重大，但其水量監(jiān)測面臨著流域復雜、水利工程影響等諸多挑戰(zhàn)。為提高水量監(jiān)測的精度與效率，提出一種耦合水動力模擬的多源數據嵌套式融合同化方法。首先利用人工實測數據構建基于機器學習LASSO模型的側掃雷達精度提升方案，在此基礎上構建河道水動力數值模擬模型，并利用提升后的側掃雷達監(jiān)測流速優(yōu)化水動力模型參數，形成多層級多源數據的嵌套式融合同化，提高水量模擬精度的同時，將點觀測數據擴展到全河道，擴展水量要素的獲取范圍，最后在瀾滄江允景洪站進行應用驗證。結果表明：基于機器學習LASSO模型的精度提升方案，使側掃雷達在線監(jiān)測系統的精度較常規(guī)方法提升22.93%；多層級多源數據的嵌套式融合同化模式有效提升了斷面流量的模擬精度，驗證期相關系數為0.935，并獲取了建模河道內任意點的水位、流量、流速等水文要素數據。研究成果可為瀾滄江水量監(jiān)測提供技術支撐。

關" 鍵" 詞：

多源數據； 數據同化； 水量監(jiān)測； 機器學習LASSO模型； 水動力模型； 側掃雷達在線測流系統； 瀾滄江

中圖法分類號： TV11

文獻標志碼： A

DOI：10.16232/j.cnki.1001-4179.2025.01.011

收稿日期：2024-04-28；接受日期：2024-06-10

基金項目：

國家重點研發(fā)計劃項目“山洪災害風險防控區(qū)劃與全過程監(jiān)測防范關鍵技術”（2023YFC3006700）；水利部水利科技項目“基于數據同化方法提高瀾滄江允景洪站水量監(jiān)測精度的技術研究”（2023-117）；國家自然科學基金重大研究計劃項目“西南河流源區(qū)水文-環(huán)境多過程的立體感知及演變研究”（92047203）；水利部南京水利水文自動化研究所科研項目“雷達波測流數據降噪及流量計算優(yōu)化技術研究”（YJZS0624003）

作者簡介：

蔣飛卿，女，工程師，博士，主要從事水旱監(jiān)測與預報預警研究。E-mail：jiangfeiqing@nsy.com.cn

Editorial Office of Yangtze River. This is an open access article under the CC BY-NC-ND 4.0 license.

文章編號：1001-4179（2025） 01-0081-07

引用本文：

蔣飛卿，牛智星，朱易青，等.

多源數據嵌套式同化在水量監(jiān)測精度提升中的應用

［J］.人民長江，2025，56（1）：81-87，124.

0" 引 言

多源數據同化是指將不同來源、不同尺度、不同類型的觀測數據，通過數學和統計算法，與數值模型的預測結果相結合，以獲得系統狀態(tài)最優(yōu)估計的過程［1］。數據同化在水文監(jiān)測模擬中的應用已成為近年來的研究熱點，涉及土壤含水量、徑流、降水、蒸散發(fā)等多種水文變量［2-5］。例如，Liu等［6］利用支持向量機和數據同化框架，結合GRACE衛(wèi)星數據，對美國東北部地下水水位進行預測。Botto等［7］使用集合卡爾曼濾波（EnKF）方法，將人工降雨實驗中的壓力水頭、土壤水分和地下出流等多源觀測數據，同化到基于理查茲方程的集水區(qū)水文模型CATHY中，以改善模型的狀態(tài)和參數估計，提高模擬結果的準確性。流量數據的同化始于20世紀80年代，主要是對水文預報中基于站點流量觀測數據進行模型輸出結果的修正，即誤差校正。隨著數據同化技術與模型模擬技術的發(fā)展，流量數據同化不僅用在線性或弱非線性系統對狀態(tài)變量和輸出結果的校正上，更用在非線性系統中通過對模型狀態(tài)變量及參數的優(yōu)化來改進整個系統的過程模擬及預報精度上［8-9］。眾多研究表明，通過流量數據同化可以獲得較好的模型參數與狀態(tài)變量估計，從而有效改進水文模擬預報的精度與可靠性［9-10］。Revel等［11］使用ENVISAT、Jason1和Jason2三種衛(wèi)星高度計數據，結合水文模型，采用直接、異常和歸一化3種方法進行數據同化，提高了亞馬遜河流域的流量估計準確性，結果顯示歸一化方法能夠更好地改善流量估計的準確性和穩(wěn)定性。Coustau等［12］使用最佳線性無偏估計（BLUE）方法，將實測流量數據同化到基于事件的水文模型SCS-LR中，提高了洪峰預報的精度，并分析了不同的控制參數和初始條件對模擬結果的影響。Xie等［13］使用EnKF方法，將實測流量、土壤水分和蒸散發(fā)等多源數據，同化到SWAT水文模型中，提高了模擬結果的準確性和可靠性，并分析了EnKF對誤差設定、初始實現和集合大小的敏感性。Clark等［14］以美國馬里蘭州的巴爾的摩流域為研究區(qū)，使用EnKF方法將實測流量數據同化到分布式水文模型TOPMODEL中，以更新模型的狀態(tài)變量，并評估了數據同化方法對模型預測性能的改進，及其對不同觀測頻率和誤差水平的敏感性。目前，用于數據同化的水文模型由簡單的集總式概念性模型逐漸發(fā)展為具有物理機制的分布式模型［15］，但結合水動力模型的流量數據同化研究還很少見。

多源觀測數據提供了監(jiān)測流量的直接方法。流速儀［16］、走航式ADCP［17］等人工測流方式監(jiān)測精度高，但耗時耗力，且只能獲取某一斷面的流量狀況，監(jiān)測頻次有限，難以滿足防洪動態(tài)管理的需求。側掃雷達在線測流系統［18］能夠快速獲取河道水面流速的時空分布，越來越多地應用于河道洪水的監(jiān)測與管理中，但受視野范圍和安全距離的限制以及對于斷面資料的依賴，監(jiān)測頻次同樣有限。水動力模型是防洪安全管理的重要工具，可以獲取時空連續(xù)的水量分布［19］，提高測流效率，減少測流成本和風險，但受模型參數、輸入和邊界條件等不確定性因素的影響，模擬精度有待提高。數據融合同化可以實現多源觀測數據和模型模擬的優(yōu)勢互補［20］，利用同化算法可以將不同來源、不同類型、不同分辨率的多源觀測數據合理地融入水動力模型，以提高模型模擬精度和可靠性。

瀾滄江-湄公河是亞洲最長的國際河流之一，流經中國、緬甸、老撾、泰國、柬埔寨和越南6個國家，是這些國家的重要水資源和生態(tài)系統。瀾滄江下游的水量變化對沿岸國家的水利、農業(yè)、漁業(yè)、航運、旅游等產生重大影響，因此準確監(jiān)測瀾滄江的水量對于促進流域國家的合作與發(fā)展具有重要意義［21-22］。然而，由于流域的復雜性、水文站的分布不均、水文數據的共享不足等因素，瀾滄江的水量監(jiān)測面臨著諸多挑戰(zhàn)［23］。傳統的水量監(jiān)測方法主要依賴于水文站的實測數據，但這些數據往往存在時空分辨率低、覆蓋范圍小、更新頻率低等問題，難以滿足流域管理的需求。為了提高瀾滄江水量監(jiān)測的精度和效率，本文提出一種耦合水動力模型的多源數據嵌套式融合同化方法，利用人工實測數據、側掃雷達在線監(jiān)測數據和水動力數值模擬數據等多源數據，構建多層級多源數據的嵌套式融合同化模型，提高水量模擬精度的同時，將點觀測數據擴展到全河道，擴展了水量要素的獲取范圍。研究成果旨在為瀾滄江水量監(jiān)測提供一種方法和技術支撐，為流域國家的水資源管理和水災害防御提供科學依據和決策參考，對于推動瀾滄江-湄公河流域的水資源合作與可持續(xù)發(fā)展具有重要的理論和實踐價值。

1" 研究區(qū)與數據

1.1" 研究區(qū)概況

允景洪水文站（東經100°47′，北緯22°2′）為瀾滄江下游控制站，位于云南省西雙版納州景洪市景洪大橋上游320 m處，控制集水面積141 779 km2，距出境口距離104 km，承擔著對湄公河委員會及瀾滄江下游五國的報汛任務，其地理位置如圖1所示。該站主要負責瀾滄江下游段的水量、泥沙、水質等水文要素的監(jiān)測和預報，為水資源管理和水利工程提供數據支撐。該站日常人工流量測驗方式為走航式ADCP施測，目前使用的非接觸式在線測流設備為側掃雷達，因受干擾與上游電站影響，斷面流量精度需要繼續(xù)提升。

1.2" 數據來源

本文用到的數據資料包含：2020年6月至2023年8月景洪電站的下泄流量、壩下水位數據，允景洪水文站的實測水文數據、走航式ADCP測流數據、側掃雷達單元格流速數據；瀾滄江景洪電站至允景洪水文站河段的河道地理位置、大斷面形狀等地形資料。數據來源于云南省水文水資源局西雙版納分局。

2" 研究方法

2.1" 機器學習LASSO模型

機器學習LASSO模型是Tibshirani［24］在1996年提出的，目的是消除最小二乘回歸中的冗余變量，適用于參數數目縮減和參數選擇。在水文氣象領域，Hammami［25］、Bardsley［26］等最早將其應用于模型變量選擇和模型簡化，而在國內的應用較為少見。

LASSO模型損失函數為L1范數，其優(yōu)化的目標函數為

f（x）=miny2-x2β222+λβ21（1）

式中：y2表示實測輸出序列矩陣；x2表示實測輸入序列矩陣；λ表示控制LASSO模型復雜度的正則參數，一般通過迭代選擇最佳的λ，本次研究采用網格搜索法優(yōu)化該參數；β2表示模型回歸系數。

LASSO模型的L1正則化項為向量中各個元素絕對值之和，導致損失函數在零點位置不可導，其常見求解方法為坐標軸下降法和最小角回歸法，本次研究采用坐標軸下降法求解回歸系數β2［27］。坐標軸下降法固定其他坐標方向，沿某一坐標方向進行搜索，直至找到函數的局部極小值，不需要對目標函數求導，計算效率較高，最大迭代次數設置為5 000。

在受水利工程影響的復雜水情下，引入多個水力因素后仍然無法較好地擬合實測斷面平均流速樣本。復雜水情下流速變化且流場紊亂，如果將固定區(qū)間流速取均值后可能無法反映實際情況，故將所有相關性較強的單個流速單元格納入考慮，采用機器學習LASSO模型求解。

2.2" 水動力數值模擬

河道水動力數值模擬的原理是以圣維南方程組為理論基礎，在定解條件和基本假定下，利用六點隱式差分格式對方程組進行離散求解。

（1） 基本方程。

連續(xù)方程：

Qx+AT=q

（2）

動量方程：

Qt+xαQ2A+AgZx+gQ|Q|C2AR=0（3）

式中：Z為斷面平均水位；Q為斷面流量；A為過水面積；C為謝才系數；q為側向入流；g為重力加速度；R為水力半徑；α為動量修正系數。

（2） 方程離散。采用Abbott等［28］提出的六點隱式差分格式進行基本方程組的離散，該離散格式能夠交替計算按序排列網格的水位或流量，分別對應Z點及Q點。六點隱式差分格式的水位、流量點位置如圖2所示。

采用這種離散格式計算方程組能夠無條件穩(wěn)定，即無論方程組中的Courant數取到多大，計算方程組也可以保持穩(wěn)定。因此在這種情況下，為縮短計算時間可以適當增大時間步長。六點隱式差分格式如圖3所示。

在分布并生成各計算點時，將橫斷面處、河段上下游節(jié)點處設置為水位點，而相鄰水位點之間設置一個流量點。同時引入蓄存寬度B，即：

B=（A0，j+A0，j+1）/Δ2xj（4）

式中：A0，j，A0，j+1分別表示網格點j與網格點j-1及j+1之間的水面面積；Δ2xj表示網格點j-1與網格點j之間的距離。

則連續(xù)方程經過離散后可以轉化為如下形式：

Qx+BZt=q（5）

Qx=Qn+1j+1+Qnj+12-Qn+1j-1+Qnj-12/Δ2xj（6）

Zt=（Zn+1j-Znj）/Δt（7）

即連續(xù)方程的離散形式為

BZn+1j-ZnjΔt+［（Qn+1j+1+Qnj+1）/2-（Qn+1j-1+Qnj-1）/2］Δ2xj=qj（8）

將其簡化后可以寫為

αjQn+1j-1+βjZn+1j+γjQn+1j+1=δj（9）

式中：α，β，γ是B與δ的函數，同時依賴于Zn，Qn以及Qn+1/2。

同理，可以將動量方程進行離散并簡化為如下形式：

αjZn+1j-1+βjQn+1j+γjZn+1j+1=δj（10）

式中：αj與γj均為A的函數；δj=f（A，Δx，Δt，α，q，v，θ，Znj-1，Qnj-1，Znj+1，Q（n+1）/2j+1），0.5≤θ≤1，βj=f（Qnj，Δt，Δx，C，A，R）。

（3） 方程求解。

求解離散方程組可以采用雙向消除法。設一河道中分布有n個網格點，由于河道首尾網格點全部為水位點，因此n為奇數。n個網格點可以得到n個線性方程：

α1Zn+1us+β1Zn+11+γ1Qn+12=δ1

α2Zn+11+β1Zn+12+γ1Zn+13=δ2

αn-1Zn+1n-2+βn-1Qn+1n-1+γn-1Zn+1n=δn-1

αnQn+1n-1+βnZn+1n+γnZn+1ds=δn（11）

式中：Zus、Zds分別表示上下游汊點的水位，其與河道首尾網格點的水位相等，即Z1=Zus，Zn=Zds。對于單一河道，若上下游汊點水位已知，運用消元法便能夠求解出上述方程組。

2.3" 多層級多源數據的嵌套式融合同化

首先基于人工實測流速和側掃雷達在線監(jiān)測流速數據，綜合考慮水深、落差等因素，充分利用相關性較強的單個流速網格單元，構建基于機器學習LASSO模型的側掃雷達精度提升方案，以提高復雜水情下受水利工程影響的測驗斷面推流精度，以及側掃雷達流速在線監(jiān)測系統水平。在此基礎上，構建研究區(qū)河道水動力數值模擬模型，在利用走航式ADCP實測數據提升側掃雷達流速監(jiān)測精度的基礎上，利用提升后的側掃雷達監(jiān)測流速優(yōu)化水動力模型的參數，形成多層級多源數據的嵌套式融合同化。提高流速模擬精度的同時，將點觀測數據擴展到全河道，擴展水量要素的獲取范圍。技術路線如圖4所示。

2.4" 精度評價指標

采用納什效率系數（NSE）、決定系數（R2）、均方根誤差（RMSE）和平均相對誤差（MRE）4個指標來評價提升精度和模擬精度，其公式如下：

NSE=1-ni=1（Vobsi-Vsimi）2ni=1（Vobsi-Vobs）2（12）

R2=ni=1（Vobsi-Vobs）（Vsimi-Vsim）2ni=1（Vobsi-Vobs）2ni=1（Vsimi-Vsim）2（13）

RMSE=ni=1（Vobsi-Vsimi）2n（14）

MRE=1nni=1Vobsi-VsimiVobsi（15）

式中：Vobsi和Vsimi分別為實測流速和模擬流速，Vobs和Vsim分別為實測流速和模擬流速的平均值。NSE和R2越接近1，RMSE和MRE越小，說明模擬效果越好。

3" 結果與分析

3.1" 側掃雷達精度提升

側掃雷達測得的斷面表層流速分布與斷面平均流速有相關性但不等價，因此數據獲取后需經過分析處理才能用于推求斷面流量。本文首先分析側掃雷達的單元格流速與斷面平均流速的相關性，選取相關性較強的單個流速單元格，再綜合考慮水深、落差等水力因素，構建基于機器學習LASSO模型的推流公式，得到推流結果并進行精度評價。

首先進行側掃雷達單元格流速與實測斷面平均流速的相關性分析（圖5），以此作為單元格挑選依據。

由圖5可知，單元格6的相關性顯著增強，而后是主泓段，相關性保持較高的狀態(tài)；經過主泓段后，相關性逐漸減弱，到單元格23以后相關性銳減，流速相關系數分布與斷面形狀較為一致。選取相關系數在0.6以上的單元格6～17的區(qū)間流速作為LASSO模型的自變量，該區(qū)間基本位于主泓段，代表性較好。

將6～17單元格流速值、上下游落差、斷面水深作為自變量，增強其代表性，采用機器學習LASSO模型進行優(yōu)化求解。擬合公式為

vtui=3.170 922 83+17i=6bivi+b18x+b191h—（16）

式中：vtui為LASSO模型推算流速；bi為側掃雷達流速6～17單元格系數，取值見表1；vi為側掃雷達流速6～17單元格i的流速；x為景洪電站至允景洪水文站斷面的落差；h—為允景洪斷面平均水深。

使用構建好的機器學習LASSO模型推算研究時段內斷面平均流速，以實測斷面平均流速作為真值，進行誤差檢驗，如圖6所示。由圖6可知，使用機器學習LASSO模型推算流速的系統誤差為0.033%，隨機不確定度為3.473%；符號檢驗、適線檢驗、偏離數值檢驗結果顯示滿足水文規(guī)范要求。精度檢驗結果顯示：使用常規(guī)方法推算流速的平均相對誤差為0.018，使用LASSO模型為0.014，精度提升了22.93%。

3.2" 水動力模擬數據同化

3.2.1" 模型構建

構建允景洪河段水動力模型，主要包含以下數據文件：

（1） 河道文件。河道計算范圍為瀾滄江景洪電站下游至允景洪水文站的河段，總長3 320 m。

（2） 斷面文件。引入了允景洪水文站斷面在內的3個實測斷面來控制建模范圍的河段地形，創(chuàng)建時將實測斷面數據導入、移動到對應位置并設置與河道中心線垂直。

（3） 邊界條件。模型的上邊界設置為上游景洪電站的下泄流量，下邊界設置為允景洪水文站的實測水位。

（4） 參數文件。本次研究設置初始流量為0，初試水位為520.00 m。河床糙率是需要率定的參數，根據模型計算結果分析確定。

（5） 模擬文件。將上述4個數據文件進行集成，同時設定模擬的起止日期、時間步長、結果文件名及存儲路徑等，最終得到河道水動力模型的模擬文件。

3.2.2" 率定驗證

采用構建好的允景洪河段水動力模型進行洪水模擬，選取2021年1月1日至12月31日（率定期）的允景洪站斷面?zhèn)葤呃走_推算流速，與水動力模擬的斷面流速進行對比，然后不斷優(yōu)化水動力模型的參數，以使水動力模擬流速與提升后的側掃雷達監(jiān)測流速不斷接近，從而達到更好的擬合效果。其中，側掃雷達推算流速采用前述LASSO模型，即利用走航式ADCP實測數據提升側掃雷達監(jiān)測流量精度的基礎上，再利用提升后的側掃雷達監(jiān)測流速優(yōu)化水動力模型的參數，形成多層級多源數據的嵌套式融合同化，以提升水量模擬精度和擴展獲取范圍。

圖7為率定期允景洪站側掃雷達推算流速（以下簡稱實測流速）與水動力模擬流速對比圖。從圖7可以看出，模型模擬結果的過程線、峰值與實測值吻合較好，模擬流速與實測流速相關性較高（相關系數CI=0.912），說明模型參數n取值合理。最終該模型設置全局糙率為0.036。

選取2022年1月1日至12月31日（驗證期）的側掃雷達推算流速過程進行驗證。驗證過程如圖8所示。從圖8可以看出，模擬流速與實測流速相關性高（相關系數CI=0.935），滿足驗證精度，認為模型模擬結果整體可信。

模型率定期和驗證期的流速模擬精度統計如表2所列。

采用率定驗證好的允景洪河段水動力模型，除了可以模擬得到允景洪站斷面流速外，還能獲取建模范圍瀾滄江景洪電站下游至允景洪水文站的河道任意點的水位、流量、流速等水文要素數據。將點觀測數據擴展到全河道，實現了從單一斷面監(jiān)測到整體河道模擬的飛躍。

4" 結 論

為提高水量監(jiān)測的精度和效率，本次研究提出了一種耦合水動力模型的多源數據嵌套式融合同化方法，將機器學習LASSO模型應用于側掃雷達流量在線監(jiān)測系統的精度提升中，并利用提升后的側掃雷達監(jiān)測流速作為反饋信息，優(yōu)化水動力模型的參數，形成多層級多源數據的嵌套式融合同化，提高水量模擬精度的同時，將點觀測數據擴展到全河道，實現了從單一斷面監(jiān)測到整體河道模擬的飛躍。在瀾滄江下游允景洪水文站的應用表明：

（1） 綜合考慮上下游落差、斷面水深等因素，充分利用相關性較強的單個流速網格單元，本文所構建的基于機器學習LASSO模型的側掃雷達精度提升方案，有效提升了復雜水情下受水利工程影響的測驗斷面推流精度及側掃雷達流量在線監(jiān)測水平。

（2） 構建研究區(qū)河道水動力數值模擬模型，在利用走航式ADCP實測數據提升側掃雷達監(jiān)測流量精度的基礎上，利用提升后的側掃雷達監(jiān)測流速優(yōu)化水動力模型的參數，形成了多層級多源數據的嵌套式融合同化模式，有效提升了允景洪站斷面流速的模擬精度，驗證期相關系數達0.935，并獲取了建模河道內任意點的水位、流量、流速等水文要素數據。

該方法具有較強的理論基礎，結果合理可行，提高了水量監(jiān)測和模擬的精度與效率，實現了對河道水文要素的全面獲取和分析，為水資源管理和水災害防御提供了科學依據和決策參考。未來可以考慮進一步將水動力模型擴展到三維，以更好地描述水流的垂直結構和變化，以及水流與河床、岸壁、水利工程等的相互作用，從而更準確地模擬和預測水量、水位、流速等水文要素，尤其是對于分層流速的模擬與研究。

參考文獻：

［1］" 劉永偉，王文，劉元波，等.水文模型模擬預報的多源數據同化方法及應用研究進展［J］.河海大學學報（自然科學版），2021，49（6）：483-491.

［2］" CROW W T，RYU D.A new data assimilation approach for improving runoff prediction using remotely-sensed soil moisture retrievals［J］.Hydrology and Earth System Sciences，2009，13（1）：1-16.

［3］" YANG K，ZHU L，CHEN Y，et al.Land surface model calibration through microwave data assimilation for improving soil moisture simulations［J］.Journal of Hydrology，2016，533：266-276.

［4］" 李璐，夏軍，葉愛中，等.基于雷達測雨的降水數據同化研究［J］.人民長江，2006，37（9）：95-97.

［5］" LIEVENS H，MARTENS B，VERHOEST N E C，et al.Assimilation of global radar backscatter and radiometer brightness temperature observations to improve soil moisture and land evaporation estimates［J］.Remote Sensing of Environment，2017，189：194-210.

［6］" LIU，D，MISHRA A K，YU Z，et al.Support vector machine and data assimilation framework for groundwater level forecasting using GRACE satellite data［J］.Journal of Hydrology，2021，603：126929.

［7］" BOTTO A，BELLUCO E，CAMPORESE M.Multi-source data assimilation for physically based hydrological modeling of an experimental hillslope［J］.Hydrology and Earth System Sciences，2018，22（8）：4251-4266.

［8］" LEE H，SEO D J，KOREN V.Assimilation of streamflow and in situ soil moisture data into operational distributed hydrologic models：effects of uncertainties in the data and initial model soil moisture states［J］.Advances in Water Resources，2011，34（12）：1597-1615.

［9］" 李漫漫，石朋，尚艷麗，等.基于集合卡爾曼濾波的新安江模型狀態(tài)變量實時修正方法［J］.河海大學學報（自然科學版），2019，47（3）：209-214.

［10］L H，HOU T，HORTON R，et al.The streamflow estimation using the Xinanjiang rainfall runoff model and dual state-parameter estimation method［J］.Journal of Hydrology，2013，480：102-114.

［11］REVEL M，ZHOU X，YAMAZAKI D，et al.Assimilation of transformed water surface elevation to improve river discharge estimation in a continental-scale river［J］.Hydrology and Earth System Sciences，2023，27（3）：647-671.

［12］COUSTAU M，RICCI S，BORRELL-ESTUPINA V，et al.Benefits and limitations of data assimilation for discharge forecasting using an event-based rainfall-runoff model［J］.Natural Hazards and Earth System Science，2013，13（3）：583-596.

［13］XIE X，ZHANG D.Data assimilation for distributed hydrological catchment modeling via ensemble Kalman filter［J］.Advances in Water Resources，2010，33（6）：678-690.

［14］CLARK M P，RUPP D E，WOODS R A，et al.Hydrological data assimilation with the ensemble Kalman filter：use of streamflow observations to update states in a distributed hydrological model［J］.Advances in Water Resources，2008，31（10）：1309-1324.

［15］SMITH M B，SEO D J，KOREN V I，et al.The distributed model intercomparison project（DMIP）：motivation and experiment design［J］.Journal of Hydrology，2004，298（1/4）：4-26.

［16］劉彥琳，李洪志，李莉莉，等.山溪性河流中SVR手持電波流速儀流速系數率定［J］.人民長江，2020，51（6）：113-117，188.

［17］張丹鳳，王文娟，尤家偉，等.基于ADCP代表流速法“1+1”的多平臺流量測驗比測研究［J］.水利水電快報，2024，45（3）：23-29.

［18］鄒巍，胡春杰，嵇海祥，等.側掃雷達在線測流系統研究與應用［J］.陜西水利，2023（10）：163-165，169.

［19］單婷婷，杜德軍，徐華，等.長江下游天星洲河段水動力特性及近期演變研究［J］.人民長江，2021，52（增1）：19-23.

［20］馬建文，秦思嫻.數據同化算法研究現狀綜述［J］.地球科學進展，2012，27（7）：747-757.

［21］黃漢文，李昌文，徐馳.瀾滄江-湄公河水資源合作的現實、挑戰(zhàn)與方向［J］.人民長江，2021，52（7）：88-94.

［22］吳圣楠，雷雨，張汶海，等.瀾滄江-湄公河流域洪水災害防治合作回顧及建議［J］.科技導報，2020，38（16）：80-87.

［23］王文忠.瀾滄江干流末段水利工程和航運對水文測驗工作的影響及對策［J］.科技創(chuàng)新與應用，2018（8）：178-179.

［24］TIBSHIRANI R.Regression shrinkage and selection via the lasso［J］.Journal of the Royal Statistical Society Series B：Statistical Methodology，1996，58（1）：267-288.

［25］HAMMAMI D，LEE T S，OUARDA T B M J，et al.Predictor selection for downscaling GCM data with LASSO［J］.Journal of Geophysical Research：Atmospheres，2012，117（D17）：17864.

［26］BARDSLEY W E，VETROVA V，LIU S.Toward creating simpler hydrological models：a LASSO subset selection approach［J］.Environmental Modelling amp; Software，2015，72：33-43.

［27］PEDREGOSA F，VAROQUAUX G，GRAMFORT A，et al.Scikit-learn：machine learning in Python［J］.Journal of Machine Learning Research，2011，12：2825-2830.

［28］ABBOTT M B，IONESCU F.On the numerical computation of nearly horizontal flows［J］.Journal of Hydraulic Research，1967，5（2）：97-117.

（編輯：謝玲嫻）

Application of nested multi-source data assimilation methodology in water quantity monitoring accuracy improvement

JIANG Feiqing1，2，3，NIU Zhixing1，2，3，ZHU Yiqing4，WANG Bei5，ZHOU Anhui5，JI Haixiang1，2，3

（1.Nanjing Research Institute of Hydrology and Water Conservation Automation of Ministry of Water Resources，Nanjing 210012，China；

2.Jiangsu NIHWA Technology Co.，Ltd.，Nanjing 210012，China；

3.Research Center on Hydrology amp; Water Resources Monitoring of MWR，Nanjing 210012，China；

4.Liyang Jiangnan Engineering Testing Co.，Ltd.，Liyang 213300，China；

5.Xishuangbanna Branch Office，Yunnan Hydrological and Water Resources Bureau，Xishuangbanna 666100，China）

Abstract：

Data fusion and assimilation can complement the advantages of multi-source measured data and model simulation to enhance monitoring accuracy and reliability.Changes in the water volume of the lower Lancang River have a thriving impact on downstream countries，but the water monitoring faces many challenges，such as the complexity of the basin and the impact of hydraulic engineering.In order to improve the accuracy and efficiency of water quantity monitoring，we proposed a nested multi-source data assimilation methodology coupled with the hydrodynamic model，which utilizes multi-source data such as manual measurement data，side-scan radar online monitoring data，and hydrodynamic numerical simulation data.Firstly，an accuracy improvement scheme of side-scan radar based on machine learning LASSO model was constructed by using artificial measured data.On this basis，a numerical simulation model of river hydrodynamics was constructed，and the parameters of hydrodynamic model were optimized by using the improved side-scan radar monitoring velocity，forming a nested fusion assimilation of multi-level and multi-source data.The aim was to improve the accuracy of water quantity simulation，extend the point observation data to the whole river，and expand the access range of the water quantity elements.The application in Yunjinghong Hydrological Station of Lancang River showed that：the accuracy improvement scheme based on machine learning LASSO model improved the accuracy of the side-scan radar monitoring system by 22.93% compared with the conventional method.The nested fusion assimilation mode of multi-level and multi-source data effectively improved the simulation accuracy of sectional flow，and the correlation coefficient in the verification period was 0.935.And the hydrological elements data such as water level，flow rate and velocity at any point in the modeled river channel were obtained.This study can provide a new methodology and technical support for the monitoring of water quantity of Lancang River.

Key words：

multi-source data； data assimilation； water quantity monitoring； machine learning LASSO model； hydrodynamic model；side-scan radar online flow measurement system； Lancang River