基于相关分析的雨量站选择及洪水预报方法
洪水预报方案

洪水预报方案引言洪水是一种自然灾害,给人们的生命财产安全造成了巨大威胁。
及时、准确地预报洪水是保护社会和人们生命财产安全的关键举措。
为此,制定一套完善的洪水预报方案非常重要。
本文将介绍洪水预报方案的基本原理、监测方法以及预报流程,旨在提供一种可行的方案来减少洪水对社会造成的影响。
一、洪水预报方案的基本原理洪水发生的原因非常复杂,常常由多种条件和因素共同作用而产生。
洪水预报方案的基本原理是通过收集、分析并综合各类数据信息,判断降雨态势和水文条件,并根据历史降雨和水文数据进行建模和预测,从而实现对洪水发生的提前预警。
二、洪水监测方法1. 气象监测气象监测是洪水预报的重要环节之一。
通过气象监测站点的实时观测数据,包括降雨量、风速、风向、湿度等,可以及时掌握降雨的情况,并进行准确的预报。
2. 水文监测水文监测主要是通过水位测量、流量测量、水质监测等手段来掌握河流、湖泊等水域的水文条件。
这些监测数据可以用于分析水位上涨的趋势和速率,从而判断洪水的可能性。
3. 遥感技术遥感技术可以通过卫星遥感图像来观测气象、地形等信息。
利用遥感技术,可以实时监测地表的水情变化,包括洪水的形势和范围。
三、洪水预报流程1. 数据收集与分析对气象、水文和遥感等监测数据进行收集,并进行分析和处理。
通过建立数据模型,可以对数据进行综合分析,并确定是否存在洪水发生的可能性。
2. 洪水模型建立基于历史降雨和水文数据,建立洪水模型。
该模型可以通过对数据进行处理和计算,预测洪水的发生时间、强度和可能影响范围。
3. 洪水预警发布当洪水模型预测到洪水有可能发生时,应及时发布洪水预警。
预警信息应包括预计发生洪水的时间、地点以及可能造成的影响等。
4. 应急响应措施根据洪水预报结果和预警信息,相关部门应及时制定和实施应急响应措施。
这些措施可能包括疏散人员、加强抢险救援以及加大水利工程的巡查和维护等。
四、洪水预报方案的改进和完善洪水预报方案是一个不断发展和完善的过程。
基于水情预警预报系统平台的建立及预报方法探讨

基于水情预警预报系统平台的建立及预报方法探讨摘要:洪水预警预报系统实现了预报站的计算机预报操作,水文站及水库预测方案实用、程序化,综合预测和信息查询,通过对水库、河流、降雨等水情的监测和数据分析,对计算结果发出了预警,该系统的建设,为预报雨水情提供技术支持,具有及时准确的特点,为区域有效防止洪水带来的灾害提供及时的科预报数据。
关键词:预警;预报;洪水;系统建设;预报方法引言我国地处北温带,亚热带季风区,地形复杂,气候多变,降水年际变化很大,严重的水情将会直接影响人们的生命安全、财产安全以及身心健康问题,因此需要对当地水库的液位、水质以及降雨量对水库的水情影响等因素进行在线监测。
而新疆地区农业、自动化技术相对落后,水情测量工作仍旧存在些困难。
水情自动监测系统的研究自九十年代以后,世界上大量家公司推出了功能强、应用范围广的产品。
在国外,如美国,荷兰等国较早将水情监测列为重点工程,以先进的技术手段进行快速发展。
在我国,水情监测系统的研究起始于20世纪70年代中期。
80年代的中期阶段,我国用自己的硬实力和软实力建成了一些属于自主研发的水情自动监测系统。
目前主流的水质监测方法及设备主要分为三类:人工采样实验室化验,移动监测和监测站,水情监测的方法和设备基本算是半成熟。
目前市场上的水情监测系统功能齐全、精度较高,但是其成本整体较高、体积较大,为了满足水情监测系统的小体积、便携式及非现场监测等需求,本设计基于当前流行的蓝牙技术实现手机APP便携式监测水情的功能。
1程序结构模式程序的运行主要依靠水情数据库的支持,当业务模块给程序下达指令后,程序通过服务器与数据库连接并获取数据,之后程序通过自动计算、预警阈值分析对比得到结果,最后将结果显示在前端UI界面。
程序为用户提供直观的人机交互平台,启动后完全自动化运行,有效减少了工作人员的频繁操作,降低了工作强度,增加防汛过程中的反应时间,大幅提升工作效率。
程序结构模式见图1。
江阴潮位分析及预报方案

江阴潮位分析及预报方案江苏省水文水资源勘测局无锡分局盛龙寿2005年12月目录前言 (1)1概况 (1)1.1位置及沿革 (1)1.2潮位特性 (1)2潮位分析 (3)2.1最高潮位分析 (3)2.2潮位涨落的成因分析 (4)2.2.1天文因素(潮汐) (4)2.2.2上游来水(洪水) (8)2.2.3天气因素(风向风力) (9)3预报方案 (10)3.1一般潮位(逐时过程)预报 (10)3.1.1模型及预报方法 (10)3.1.2预报实例 (11)3.1.3误差现时校正 (15)3.1.4预报精度平定 (15)3.2特殊潮位预报(高、低潮预报) (19)3.2.1状态方程Y i,j =K i,j x+B i,j的确定 (20)3.2.2状态修正值T i,j的计算 (20)3.2.3台风、高潮增水方程ZS j=b0j+b1j*F j +b2j*Q j的确定 (21)3.2.4预报实例 (22)3.2.5误差现时校正 (26)3.2.6预报精度平定 (27)4预报方案小结 (30)5资料和建议 (31)前言每当汛期,各级政府及沿江厂矿企业、居民都非常关注长江下游潮位的变化过程。
特别是台风季节,风暴潮引起的高潮位引人关注。
做好长江下游潮位预报工作,为政府科学决策防洪抢险意义十分重大。
为此,我局在长江下游江阴潮位站几十年水文资料的基础上,结合天文、台风等相关资料,编制长江江阴站潮位分析预报方案。
1概况1.1位置及沿革长江江阴潮位站位于江阴市东郊滨江开发区,长江干流南岸的肖山脚下。
东经120度18分,北纬31度57分。
该站于1915年2月由上海浚浦局设立,至1937年10月31日停测,1948年1月1日恢复,至1949年4月14日停测,1949年6月5日由上海港务管理局恢复为水位站,1956年1月1日改由长江水利委员会下游工程局领导,1962年1月1日移交江苏省水文总站领导。
长江江阴潮位站是长江入海口潮流界上的重要水情站,他每天向中央和各级地方政府发报高、低潮位和雨情。
基于深度学习的雷达降雨临近预报及洪水预报

第34卷第5期2023年9月㊀㊀水科学进展ADVANCES IN WATER SCIENCEVol.34,No.5Sep.2023DOI:10.14042/ki.32.1309.2023.05.003基于深度学习的雷达降雨临近预报及洪水预报李建柱,李磊菁,冯㊀平,唐若宜(天津大学水利工程仿真与安全国家重点实验室,天津㊀300350)摘要:为探究深度学习的雷达降雨临近预报在流域洪水预报中的适用性,采用U-Net㊁嵌入注意力门的Attention-Unet 和添加转换器的多级注意力TransAtt-Unet 开展雷达降雨临近预报,将预报降雨作为HEC-HMS 水文模型的输入,对柳林实验流域进行洪水预报㊂结果表明:1h 预见期时,Attention-Unet 对短时强降雨预报结果较好,TransAtt-Unet 预报降雨模拟的洪峰流量和径流量相对误差小于20%,各深度学习模型对量级较大的降雨和洪水预报精度较高;2h 预见期的预报降雨强度㊁降雨总量㊁洪峰流量和径流量存在显著低估,U-Net 能取得相对较好的降雨预报结果㊂基于深度学习的1h 预见期雷达降雨临近预报及洪水预报可为流域防洪减灾提供科学依据㊂关键词:雷达降雨临近预报;降雨定量估计;深度学习;洪水预报;柳林实验流域中图分类号:P333㊀㊀㊀文献标志码:A㊀㊀㊀文章编号:1001-6791(2023)05-0673-12收稿日期:2023-05-19;网络出版日期:2023-09-19网络出版地址:https :ʊ /urlid /32.1309.P.20230918.1718.002基金项目:国家自然科学基金资助项目(52279022)作者简介:李建柱(1981 ),男,河北沧州人,教授,博士,主要从事水文水资源方面研究㊂E-mail:lijianzhu@近年来,极端降雨事件导致洪涝灾害频发,对洪水预报精度和时效性的要求越来越高[1]㊂准确的降雨预报是洪水预报的关键,可为防洪减灾工作提供重要的科学依据[2]㊂传统的洪水预报主要以地面雨量站实测降雨输入水文模型,导致洪水预报的有效预见期短,且雨量站实测降雨无法反映其空间分布特性[3]㊂天气雷达具有高时空分辨率㊁高精度和可靠性等特点[4]㊂将雷达降雨临近预报结果作为水文模型的输入进行洪水预报,能在一定程度上延长洪水预见期[5],是水文预报领域的主要发展趋势,但降雨临近预报是尚未解决的重要科学难题[6]㊂以光流法㊁质心跟踪法㊁交叉相关法为主的传统雷达回波外推方法[7],能在较短预见期内对缓慢变化的回波过程取得较好的外推效果,但无法准确描述迅速变化的回波过程[8]㊂近年来大量研究将深度学习的方法引入到水文气象领域,并取得显著成效[9-10]㊂Zhang 等[6]提出一种具有预测误差优化的神经网络模型NowcastNet,基于中国和美国的雷达资料开展降雨预报,显著提高了极端强降雨的预报精度㊂Ritvanen 等[11]提出一种基于卷积神经网络U-Net 的拉格朗日模型,改善了强降雨的临近预报效果㊂作为一种应用广泛的基础模型,U-Net 在临近预报领域得到推广[12]㊂Han 等[13]将U-Net 模型用于雷达回波外推,并与循环神经网络的TrajGRU 和交叉相关法的预报结果进行对比,表明U-Net 模型在时空序列预测问题的适用性㊂预报降雨的重要用途之一是作为水文模型的输入进行洪水预报[14-15]㊂Heuvelink 等[16]使用确定性和概率性方法进行降雨预报,并将结果作为WALRUS 水文模型的输入进行流量预报,在小流域取得较好的预报效果;Nguyen 等[17]将雷达回波外推和数值模式天气预报结合,提高了降雨预报精度,并指出降雨预报与分布式水文模型结合使用的优势;包红军等[18]构建了临近降雨集合预报的中小河流洪水预报模型,延长了洪水预报的预见期㊂但目前使用深度学习的方式开展雷达降雨临近预报,从而进行洪水预报的精度还有待提高,尤其是在半干旱半湿润地区的小流域㊂U-Net 结构简单,可根据目标灵活调整和添加模块,为实现更加精确的雷达降雨临近预报和洪水预报提供了更多可能㊂因此,本研究采用深度学习的U-Net,并尝试使用嵌入注意力门的Attention-Unet(简写为Att-674㊀水科学进展第34卷㊀Unet)和添加转换器的多级注意力TransAtt-Unet进行柳林实验流域典型降雨过程的1h和2h预见期雷达回波外推,利用动态雷达反射率因子和降雨强度关系计算外推回波对应的逐小时降雨,作为半分布式水文模型HEC-HMS的输入进行洪水预报,对比分析预报降雨与雨量站实测降雨模拟的洪水精度差异,探讨基于深度学习的雷达降雨临近预报在小流域洪水预报中的适用性㊂1㊀研究区域与数据1.1㊀流域概况选择河北省邢台市内丘县柳林实验流域为研究区㊂如图1所示,流域出口位于114ʎ21ᶄE㊁37ʎ17ᶄN,布设有柳林水文站进行水位和流量观测㊂流域面积为57.4km2,主河道长13.2km,流域坡度为30.9ɢ㊂地处半干旱半湿润气候区,季节变化分明,径流的年内和年际分配不均,降雨多发生在6 9月,多年平均降水量为594.5mm,多年平均径流深为80.7mm㊂雷达资料来源于中国新一代多普勒天气雷达监测网河北省石家庄市的Z9311站㊂雷达位于114ʎ42ᶄ50ᵡE㊁38ʎ21ᶄ00ᵡN,采用VP21体扫模式,扫描半径为230km,时间分辨率为6min,能够完成9个不同仰角的扫描㊂柳林实验流域在距离雷达120km范围内,可保证雷达回波数据的质量㊂图1㊀柳林实验流域位置和雷达监测范围Fig.1Location of Liulin experimental watershed and radar monitoring range1.2㊀雷达数据预处理将2018 2020年降雨时段的雷达基数据,经过编码转换㊁杂波抑制㊁衰减订正㊁地物遮挡订正㊁坐标转换后,形成反射率混合扫描数据图,用于深度学习模型的训练㊂由于柳林实验流域面积较小,将回波图裁剪至流域周围128行128列的范围(113ʎ36ᶄ36ᵡE㊁37ʎ30ᶄ36ᵡN到114ʎ53ᶄ24ᵡE㊁36ʎ47ᶄ24ᵡN)㊂以训练集中20180521场次降雨为例,图2为经过预处理与未处理回波对比图,经过质量控制后的回波剔除了杂波干扰并显著减少波束遮挡,具有较高的可靠性㊂训练集和验证集共包含20000帧回波图,按照8ʒ2的比例划分进行模型训练和验证㊂测试集选取2012年㊁2016年和2021年的4场典型降雨过程对应的雷达数据㊂1.3㊀典型降雨洪水过程降雨洪水资料来源于河北省邢台水文勘测研究中心㊂洪水资料为柳林水文站汛期实测逐小时流量数据,㊀第5期李建柱,等:基于深度学习的雷达降雨临近预报及洪水预报675㊀图2㊀20180521场次降雨未处理与预处理后回波对比Fig.2Comparison of unprocessed and preprocessed echoes of20180521case暴雨资料为流域内菩萨岭㊁神头㊁任庄㊁安上和柳林5个雨量站汛期逐小时雨量,筛选出与雷达回波时段对应的典型降雨洪水过程对降雨和洪水预报精度进行评价㊂降雨洪水信息如表1所示㊂由于20211006场次降雨过程在汛期后发生,柳林水文站未对其洪水过程进行观测㊂表1㊀典型降雨洪水过程信息Table1Information of typical rainfall and flood processes降水场次降水量/mm最大小时雨量/mm降雨时长/h洪水径流深/mm洪峰流量/(m3㊃s-1) 2012072675.958.45 5.147.020160719251.942.718129.2368.020210721149.426.92929.993.32021100625.58.25//2㊀研究方法2.1㊀雷达回波外推的深度学习模型2.1.1㊀U-NetU-Net网络由4层编码器-解码器组成,是一种卷积神经网络㊂如图3(a)所示,网络的左边是编码器,应用最大池化和双重卷积来减小图像大小和加倍特征映射的数量㊂编码器之后的右侧为解码器,通过双线性插值进行上采样操作,使特征图大小增加1倍㊂每层编码器和解码器之间通过1个跳跃连接保存来自较浅层的细尺度信息㊂完成上述采样操作之后,模型通过一个1ˑ1的卷积,输出代表网络预测值的单个特征图㊂2.1.2㊀Att-UnetAtt-Unet(图3(a))在U-Net的解码器前添加注意力门,以此过滤跳跃连接传播的特征,再将编码器的特征与解码器中相应的特征进行拼接,有效抑制无关区域的激活,减少编码器中无关信息的跳跃连接,达到改善预测效果的目的[19]㊂本研究将Att-Unet模型调整为时间序列预测模型进行回波外推㊂676㊀水科学进展第34卷㊀图3㊀U-Net㊁Att-Unet㊁TransAtt-Unet和TSA㊁GSA模块结构Fig.3Structure of U-Net,Attention-Unet,TransAtt-Unet,TSA and GSA modules2.1.3㊀TransAtt-UnetTransAtt-Unet将多层次引导注意和多尺度跳跃连接联合嵌入U-Net,如图3(b)㊂将变换器自注意力(TSA)和全局空间注意力(GSA)嵌入到网络中,同时在解码器中使用多尺度跳跃连接来聚合不同语义尺度的特征,从而有效减少卷积层叠加和连续采样操作造成的细节损失㊂如图3(c)和图3(d)所示,TSA将特征嵌入到Q㊁K㊁V3个矩阵中,在Q和K的转置之间采用Softmax函数进行归一化运算,形成注意力图,再与V 矩阵相乘得到注意力权重㊂GSA对特征进行卷积转置映射为W㊁M㊁N,对M㊁N采用Softmax函数进行归一化运算得到位置注意力信息,再与W相乘得到位置特征㊂在解码器部分采用残差多尺度跳跃连接的方式[20],输入特征图通过双线性插值向上采样到输出的分辨率,然后与输出特征图进行级联,作为后续块的输入㊂2.2㊀深度学习模型训练1h外推数据集取前1h间隔6min共10帧回波图(反射率因子),预测后1h共10帧回波图(2h外推为前20帧预测后20帧)㊂深度学习模型基于Pytorch环境,初始学习率设置为0.001,批处理大小设置为8,损失函数采用均方根误差(E MS)[13],在NVIDIA Geforce RTX3050上采用Adam优化器训练200个轮次㊂当损失函数在4个周期内没有增加时,学习率调节器将学习率自动减小10%㊂采用二元评价指标命中率(Proba-bility of detection,D PO)㊁虚警率(False alarm ratio,R FA)㊁临界成功指数(Critical success index,I CS)和准确率(Accuracy,A)进行雷达回波外推精度的评价[21]㊂2.3㊀雷达降雨临近预报多普勒天气雷达采用Z R关系描述雷达反射率因子(Z)和降雨强度(R)的幂指数关系[22]㊂中国的多普勒雷达普遍采用Z=aR b(a=300,b=1.4)进行降雨定量估计,但仅适用于平均情况㊂基于实测资料动态调整的Z R关系,可以实现更加精确的降雨估计[23]㊂殷志远等[24]采用4种不同的Z R关系开展雷达降雨定量估计,并将结果用于水文模拟,表明动态Z R关系的降雨定量估计精度最高,洪水模拟效果最好㊂动态Z R关系建立在逐小时快速更新资料的基础上,通过动态调节参数a和b,使逐小时雷达估测降雨与对应㊀第5期李建柱,等:基于深度学习的雷达降雨临近预报及洪水预报677㊀的雨量站观测降雨的最优判别函数δ达到最小[23],从而确定适用于逐小时雷达定量降雨估计的多组Z R关系参数㊂为保证参数a和b的取值合理,限定a和b数值调节范围分别为[150.00,400.00]㊁[0.80, 2.40],调整间隔分别为10和0.05㊂经过上述步骤最终确定出每场降雨过程的动态Z R关系参数如图4所示㊂采用相关系数(Correlation coefficient,C C)㊁平均偏差(Mean bias,B M)和平均绝对误差(Mean absolute error,E MA)进行降雨预报精度评价[14]㊂图4㊀动态Z R关系参数Fig.4Parameters of dynamic Z R relationship2.4㊀水文模型李建柱等[25]研究了地形数据源和分辨率对柳林实验流域洪水模拟精度的影响,结果表明,基于无人机三维倾斜摄影构建的1m分辨率DEM能反映流域真实地形的变化,在此基础上构建的HEC-HMS模型能较好地模拟流域洪水过程㊂本研究采用作者基于无人机三维倾斜摄影构建的1m分辨率HEC-HMS模型,将雷达降雨临近预报结果作为HEC-HMS水文模型的输入,进行柳林实验流域洪水预报㊂采用洪峰流量相对误差(E RP)㊁径流量相对误差(E RV)㊁峰现时差(ΔT)和纳什效率系数(E NS)进行洪水预报精度评价[25]㊂3㊀结果及分析3.1㊀回波外推结果分析以反射率20dBZ和30dBZ为阈值计算二元评价指标㊂1h回波外推评价结果见表2,Att-Unet对20120726场次降雨的回波外推效果相对较好,注意力门加强了Att-Unet对强回波的识别和外推效果,同时抑制弱回波或杂波产生的干扰,但对弱回波或中等回波的外推效果较差;TransAtt-Unet采用的多尺度跳跃连接和注意力机制使模型能综合不同尺度的图像特征,提高模型精度和稳定性,因此,该模型对于持续时间较长㊁降雨过程变化丰富的20160719场次回波过程取得了较好的外推效果;20210721和20211006场次降雨的过程回波总体偏弱,各模型的1h预见期回波外推精度差异并不显著㊂2h回波外推评价结果见表3,U-Net 模型对30dBZ阈值的回波外推效果优于其他模型,其原因是雷达回波外推需要预测每个像素的精确值;Att-Unet和TransAtt-Unet所采用的注意力门或者多尺度跳跃连接结构仅增强局部特征的学习,而忽略随时间动态变化的信息,因此导致预测时效性的不足㊂U-Net模型尽管结构简单,但以往研究表明其在时间序列预测中具有一定适用性[26],对不同等级回波信息具有一定的泛化能力[27],因此,尽管U-Net的1h预见期回波外推效果略差于添加注意力机制的模型,但能在更长预见期的回波外推中保持相对较好的效果㊂总体来看, 3种模型对中等强度回波外推效果均好于强回波,1h预见期回波外推效果好于2h预见期㊂国内外研究主要依靠天气雷达外推实现1h预见期降雨预报[5]㊂与传统的雷达外推方法相比,深度学习678㊀水科学进展第34卷㊀对回波和降水的演变趋势具有更好的预报效果,更适用于剧烈变化的降雨过程[28]㊂曹伟华等[29]使用基于U-Net网络搭建的RainNet模型开展雷达降雨临近预报,并与交叉相关的外推结果进行对比,指出了深度学习模型对降雨消亡过程的时空演变趋势和强度变化范围具有更好的预报效果,而交叉相关法更适合于稳定降雨的预报㊂本研究预报的4场典型降雨过程,除20211006场次持续时间短㊁降雨强度较小外,其余场次降雨过程变化较为剧烈,回波过程变化较为迅速,因此,采用深度学习的方法进行雷达降雨临近预报更为合适㊂表2㊀1h回波外推结果评价指标值Table2Evaluation index value of1h echo extrapolation results降雨场次模型D PO R FA I CS A20dBZ30dBZ20dBZ30dBZ20dBZ30dBZ20dBZ30dBZ20120726U-Net0.830.370.070.190.780.330.820.56 Att-Unet0.820.520.120.170.760.440.800.65 TransAtt-Unet0.750.350.060.170.720.340.770.5820160719U-Net0.710.370.140.440.610.210.610.31 Att-Unet0.790.460.150.450.680.240.690.33 TransAtt-Unet0.870.470.140.490.750.240.750.3120210721U-Net0.740.420.140.210.670.360.810.71 Att-Unet0.700.490.260.440.540.280.640.51 TransAtt-Unet0.720.520.260.460.550.290.650.5320211006U-Net0.450.240.560.760.190.090.740.64 Att-Unet0.440.210.550.790.240.080.750.61 TransAtt-Unet0.430.280.560.720.210.090.690.63表3㊀2h回波外推结果评价指标值Table3Evaluation index value of2h echo extrapolation results降雨场次模型D PO R FA I CS A20dBZ30dBZ20dBZ30dBZ20dBZ30dBZ20dBZ30dBZ20120726U-Net0.660.370.140.160.600.350.640.63 Att-Unet0.620.180.140.170.590.180.650.48 TransAtt-Unet0.660.200.110.130.590.200.630.5120160719U-Net0.590.200.420.630.380.120.430.47 Att-Unet0.480.120.440.640.310.070.370.47 TransAtt-Unet0.570.150.360.600.410.100.420.4820210721U-Net0.690.480.140.330.620.330.770.62 Att-Unet0.600.360.250.390.460.220.590.51 TransAtt-Unet0.650.380.290.460.480.220.570.4820211006U-Net0.500.170.480.770.320.080.670.58 Att-Unet0.420.180.670.810.210.020.600.54 TransAtt-Unet0.410.170.610.800.200.040.640.52㊀第5期李建柱,等:基于深度学习的雷达降雨临近预报及洪水预报679㊀3.2㊀降雨预报精度分析利用动态Z R关系计算各降雨场次真实回波和外推回波的逐小时降雨,精度和相关性评价指标见表4㊂20160719㊁20210721和20211006场次真实回波的反演降雨与实际降雨有较高的相关性,但20120726场次真实回波反演降雨与实际降雨的相关性较弱,但该场次回波外推取得较高的技能评分,其原因可能是2012年Z9311雷达为单偏振雷达,所采集的原始回波数据存在一定的数值和发生时间的系统误差,且该场降雨过程变化迅速,导致预报降雨与实际产生误差㊂TransAtt-Unet对20160719和20210721场次降雨在1h预见期内具有较小的误差,Att-Unet在20160719场次降雨的预报中具有最高的相关性㊂3种模型对20211006场次降雨预报效果差别并不显著,其原因是该场降雨强度较小,深度学习模型对此类降雨预报性能较接近㊂在2h 预见期降雨预报中,U-Net模型的降雨预报效果优于其他模型,这与雷达回波外推结果相对应,表明了U-Net在较长预见期降雨预报中的适用性㊂表4㊀降雨相关性评价指标值Table4Rainfall correlation evaluation index value降雨场次模型E MA/mm C C B M/mm1h2h1h2h1h2h20120726U-Net22.5722.49-0.28-0.41-1.96-2.32 Att-Unet23.9921.28-0.22-0.32-0.66-3.08 TransAtt-Unet24.2022.66-0.28-0.32-1.76-2.66真实回波14.780.31 2.9320160719U-Net8.868.840.480.420.22-6.21 Att-Unet8.7010.710.590.170.25-7.05 TransAtt-Unet7.8810.520.580.13-0.74-6.77真实回波 6.020.77-0.0620210721U-Net 4.57 4.780.520.380.31-1.90 Att-Unet 4.85 5.580.320.19-0.93-1.31 TransAtt-Unet 4.40 5.650.470.21-0.22-1.29真实回波 3.090.67-0.4120211006U-Net 2.81 2.650.840.61-2.81-2.39 Att-Unet 2.61 2.790.790.63-2.61-2.79 TransAtt-Unet 2.48 2.620.820.65-2.48-2.62真实回波 1.670.88-1.67㊀㊀预报降雨过程如图5所示㊂3种模型在1h预见期时,预报的20120726场次降雨峰值与实际较为一致,但出现1h时差;对20160719和20210721场次降雨过程预报结果出现部分异常值,这与回波外推过程较大的虚警率有关,但总体上能反映降雨过程变化和雨强峰值;20211006场次降雨则存在少量低估,但能预报出该场降雨峰值出现的时间,这与动态Z R算法对较弱降雨的系统性低估有关㊂2h预见期降雨可以一定程度预报降雨过程的变化,但对各场降雨的峰值存在显著低估㊂目前,小流域降雨临近预报效果普遍较差㊂Heuvelink等[16]采用拉格朗日持续性方法在一个40km2的680㊀水科学进展第34卷㊀流域上对一场强降雨进行预报,产生了50%相对误差,发现面积越小的流域对过程变化迅速的降雨越容易产生误报;石毅[30]采用Farneback光流法和ConvLSTM在柳林实验流域进行降雨预报,结果表明光流法对回波演变的敏感性相对较低,ConvLSTM对强回波存在显著的均化趋势,导致1h预见期强降雨存在严重的低估㊂本研究采用的深度学习方法,在1h预见期内对不同类型的降雨均取得相对较好的回波外推效果,且能较准确的预报出强降雨峰值和变化过程,尽管2h预见期的预报精度相对较差,但能预报出降雨变化过程㊂预报结果存在的误差与定量降雨估计方法的系统误差和小流域上有限的雷达回波信息相关㊂动态Z R关系在定量降雨估计中具有相对较高的精度,但在降雨预报的业务化应用中仍然具有优化的空间,如Mihulet等[31]使用机器学习的方法改善了定量降雨估计的效果㊂另外,由于流域面积较小,随着预见期的延长降雨发生的实际位置也许出现在雷达图之外,使得深度学习的方法对剧烈变化的降雨产生较大的误差,Heuvelink等[16]也指出面积越小的流域对降雨发生的位置敏感性越高㊂图5㊀预报逐小时降雨过程Fig.5Forecasted hourly rainfall process3.3㊀洪水预报精度分析表5为洪水预报精度评价结果㊂3场实测降雨模拟的洪峰流量均小于实测洪峰流量,但E NS均达到了0.7以上㊂预报降雨模拟的20120726和20210721场次峰量较小的洪水,E NS均小于0.3,但20120726场次洪水1h预见期径流量相对误差小于20%,20210721场次洪水的洪峰流量预报效果也好于实测降雨模拟结果㊂对于20160719场次峰量较大的洪水,1h预见期预报的洪水E NS均能达到0.7以上且预报洪峰流量相对误差均小于20%,满足预报的精度要求㊂2h预见期洪水预报效果显著变差,洪峰流量和径流量的预报也存在较大误差㊂1h预见期时,TransAtt-Unet对于3场洪水的预报洪峰流量和径流量相对误差均小于20%,且20160719场次洪水E NS达0.78;Att-Unet则较准确地预报出20210721场次洪水的洪峰流量,相对误差仅为-0.9%㊂由于2h预见期预报的降水量存在显著低估,使得预报洪峰流量显著小于实测值,但U-Net模型对3场洪水预报的E NS为3个深度学习模型的最优值,且预报的20160719场次洪水E NS达0.52㊂㊀第5期李建柱,等:基于深度学习的雷达降雨临近预报及洪水预报681㊀表5㊀洪水预报精度评价结果Table5Accuracy evaluation of forecasted floods洪水场次模型预见期Q S/(m3㊃s-1)E RP/%V S/mm E RV/%ΔT/h E NS20120726U-Net1h31.3-33.4 4.4-13.610.23 2h19.2-59.2 4.7-8.010.16Att-Unet1h40.3-24.5 5.68.810.06 2h17.8-62.1 3.9-43.630.08TransAtt-Unet1h38.0-19.2 5.3 2.210.23 2h19.0-59.6 4.3-17.110.15实测降雨模拟36.7-21.97.0537.200.7220160719U-Net1h372.4 1.2162.525.810.76 2h198.4-46.189.3-30.930.52Att-Unet1h407.310.7165.928.410.77 2h185.3-49.779.3-38.640.34TransAtt-Unet1h354.9-3.6154.819.910.78 2h191.3-48.183.9-35.030.37实测降雨模拟343.3-6.7167.729.810.8320210721U-Net1h123.232.033.010.400.25 2h32.3-65.47.7-74.300.14Att-Unet1h92.5-0.917.9-40.110.04 2h41.6-55.411.6-61.31-0.09TransAtt-Unet1h101.08.325.7-14.000.19 2h57.0-38.912.8-57.210.02实测降雨模拟76.2-18.327.7-7.300.79㊀㊀预报洪水过程线如图6所示㊂3种模型1h预见期洪水变化过程与实际较为一致,预报的20120726场次洪水峰现时间和洪水涨落时间较实际滞后1h;20160719场次预报洪水与实测降雨模拟的峰现时间均较实际滞后1h,预报洪峰与实际较为接近,但径流量存在一定的高估;对于20210721场次洪水预报,U-Net预报的洪峰流量较实际偏大,Att-Unet预报的峰现时间较实际滞后1h,TransAtt-Unet的预报结果与实际更为接近,3种模型均能预报出该场洪水的涨落过程㊂深度学习的方法对于剧烈变化的降雨引发的洪水,1h预见期的预报洪水E NS较低,但能较好地预报出洪水的变化过程和洪峰流量,对量级较大的洪水能取得较高的E NS,且能在准确预报洪水变化过程的基础上,较准确地预报出洪峰流量㊁径流量和峰现时间㊂2h预见期降雨虽然可以预报出洪峰形成过程,但对洪峰流量和径流量存在显著低估㊂糜佳伟等[32]在梅溪流域(面积约956km2)进行降雨预报和洪水预报,指出1h预见期降雨预报结果能满足中小流域洪水预报需求㊂本研究在降雨径流响应时间更快的柳林实验流域进行洪水预报,尽管预报洪水E NS较小,但能在1h预见期对不同类型降雨引发的洪水取得较为准确的洪峰流量和径流量预报效果,预报的20160719场次大洪水的洪峰流量和径流量相对误差小于实测降雨模拟洪水结果,因此,1h预见期洪水预报效果具有一定的准确性,为流域的防洪减灾工作争取了更长的时间㊂未来可在更多流域开展雷达降雨临近预报和洪水预报研究,以验证本文采用的深度学习方法在其他流域的适用性㊂682㊀水科学进展第34卷㊀图6㊀模拟和预报洪水过程线Fig.6Simulated and forecasted flood hydrographs4㊀结㊀㊀论采用深度学习的U-Net㊁Att-Unet和TransAtt-Unet进行雷达回波外推,通过动态雷达反射率因子和降雨强度关系实现雷达降雨临近预报,将降雨预报的结果输入HEC-HMS水文模型对柳林实验流域典型洪水过程进行预报,得到以下主要结论:(1)1h预见期时Att-Unet对强回波过程外推效果较好,TransAtt-Unet对变化更丰富的回波过程外推效果较好;2h预见期时U-Net外推效果更稳定㊂(2)深度学习模型在1h预见期对短时强降雨存在时间上的误差,对持续时间较长的降雨存在少量预报异常值,但均能较准确地预报降雨强度和过程;2h预见期降雨存在显著低估和较大误差㊂(3)3种模型的1h预见期预报的洪水能反映实际变化过程,TransAtt-Unet预报的洪峰流量和径流量误差更小,Att-Unet能对部分场次洪水取得较准确的洪峰预报效果㊂U-Net在2h预见期洪水预报效果精度最高㊂参考文献:[1]雍斌,张建云,王国庆.黄河源区水文预报的关键科学问题[J].水科学进展,2023,34(2):159-171.(YONG B, ZHANG J Y,WANG G Q.Key scientific issues of hydrological forecast in the headwater area of Yellow River[J].Advances in Water Science,2023,34(2):159-171.(in Chinese))[2]金君良,舒章康,陈敏,等.基于数值天气预报产品的气象水文耦合径流预报[J].水科学进展,2019,30(3):316-325.(JIN J L,SHU Z K,CHEN M,et al.Meteo-hydrological coupled runoff forecasting based on numerical weather prediction products[J].Advances in Water Science,2019,30(3):316-325.(in Chinese))[3]IMHOFF R O,BRAUER C C,van HEERINGEN K J,et rge-sample evaluation of radar rainfall nowcasting for flood early warning[J].Water Resources Research,2022,58(3):e2021WR031591.[4]IMHOFF R O,de CRUZ L,DEWETTINCK W,et al.Scale-dependent blending of ensemble rainfall nowcasts and numerical weather prediction in the open-source pysteps library[J].Quarterly Journal of the Royal Meteorological Society,2023,149(753):㊀第5期李建柱,等:基于深度学习的雷达降雨临近预报及洪水预报683㊀1335-1364.[5]刘佳,邱庆泰,李传哲,等.降水临近预报及其在水文预报中的应用研究进展[J].水科学进展,2020,31(1):129-142.(LIU J,QIU Q T,LI C Z,et al.Advances of precipitation nowcasting and its application in hydrological forecasting[J]. Advances in Water Science,2020,31(1):129-142.(in Chinese))[6]ZHANG Y C,LONG M S,CHEN K Y,et al.Skilful nowcasting of extreme precipitation with NowcastNet[J].Nature,2023, 619(7970):526-532.[7]SOKOL Z,SZTURC J,ORELLANA-ALVEAR J,et al.The role of weather radar in rainfall estimation and its application in mete-orological and hydrological modelling:a review[J].Remote Sensing,2021,13(3):351.[8]HAN L,ZHAO Y Y,CHEN H N,et al.Advancing radar nowcasting through deep transfer learning[J].IEEE Transactions on Geoscience and Remote Sensing,2022,60:1-9.[9]BI K F,XIE L X,ZHANG H H,et al.Accurate medium-range global weather forecasting with3D neural networks[J].Nature, 2023,619(7970):533-538.[10]李步,田富强,李钰坤,等.融合气象要素时空特征的深度学习水文模型[J].水科学进展,2022,33(6):904-913.(LI B,TIAN F Q,LI Y K,et al.Development of a spatiotemporal deep-learning-based hydrological model[J].Advances in Water Science,2022,33(6):904-913.(in Chinese))[11]RITVANEN J,HARNIST B,ALDANA M,et al.Advection-free convolutional neural network for convective rainfall nowcasting[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2023,16:1654-1667. [12]AYZEL G,SCHEFFER T,HEISTERMANN M.RainNet v1.0:a convolutional neural network for radar-based precipitation now-casting[J].Geoscientific Model Development,2020,13(6):2631-2644.[13]HAN L,LIANG H,CHEN H N,et al.Convective precipitation nowcasting using U-net model[J].IEEE Transactions on Geo-science and Remote Sensing,2022,60:1-8.[14]熊立华,刘成凯,陈石磊,等.遥感降水资料后处理研究综述[J].水科学进展,2021,32(4):627-637.(XIONG LH,LIU C K,CHEN S L,et al.Review of post-processing research for remote-sensing precipitation products[J].Advances in Water Science,2021,32(4):627-637.(in Chinese))[15]刘家宏,梅超,刘宏伟,等.特大城市外洪内涝灾害链联防联控关键科学技术问题[J].水科学进展,2023,34(2):172-181.(LIU J H,MEI C,LIU H W,et al.Key scientific and technological issues of joint prevention and control of river flood and urban waterlogging disaster chain in megacities[J].Advances in Water Science,2023,34(2):172-181.(in Chi-nese))[16]HEUVELINK D,BERENGUER M,BRAUER C C,et al.Hydrological application of radar rainfall nowcasting in the Netherlands[J].Environment International,2020,136:105431.[17]NGUYEN H M,BAE D H.An approach for improving the capability of a coupled meteorological and hydrological model for rain-fall and flood forecasts[J].Journal of Hydrology,2019,577:124014.[18]包红军,曹勇,曹爽,等.基于短时临近降水集合预报的中小河流洪水预报研究[J].河海大学学报(自然科学版),2021,49(3):197-203.(BAO H J,CAO Y,CAO S,et al.Flood forecasting of small and medium-sized rivers based on short-term nowcasting and ensemble precipitation forecasts[J].Journal of Hohai University(Natural Sciences),2021,49(3): 197-203.(in Chinese))[19]GAO Y B,GUAN J P,ZHANG F H,et al.Attention-unet-based near-real-time precipitation estimation from Fengyun-4A satel-lite imageries[J].Remote Sensing,2022,14(12):2925.[20]FANG J,YANG C,SHI Y T,et al.External attention based TransUNet and label expansion strategy for crack detection[J].IEEE Transactions on Intelligent Transportation Systems,2022,23(10):19054-19063.[21]TREBING K,STA CZYK T,MEHRKANOON S.SmaAt-UNet:precipitation nowcasting using a small attention-UNet architec-ture[J].Pattern Recognition Letters,2021,145:178-186.[22]ZOU H B,WU S S,TIAN M X.Radar quantitative precipitation estimation based on the gated recurrent unit neural network andecho-top data[J].Advances in Atmospheric Sciences,2023,40(6):1043-1057.[23]GOU Y B,CHEN H N,CHANDRASEKAR V.A dynamic approach to quantitative precipitation estimation using multiradar mul-tigauge network[J].IEEE Transactions on Geoscience and Remote Sensing,2020,58(9):6376-6390.。
水文预报课程设计洪水预报

水文预报课程设计洪水预报一、课程目标知识目标:1. 学生能理解水文预报的基本概念,掌握洪水形成的原因及其发展过程。
2. 学生能够掌握洪水预报的主要方法及其适用条件,如降雨径流模型、统计模型等。
3. 学生能够了解我国洪水预报的现状及发展趋势,了解相关法规政策。
技能目标:1. 学生能够运用所学知识,分析特定流域的洪水形成过程,进行简单的洪水预报。
2. 学生能够运用水文预报软件,进行数据收集、处理和分析,提高解决实际问题的能力。
3. 学生能够通过小组合作,进行洪水预报案例的研究,提高沟通协作能力。
情感态度价值观目标:1. 学生能够认识到水文预报在防洪减灾中的重要作用,增强社会责任感和使命感。
2. 学生在学习过程中,培养严谨的科学态度,树立正确的价值观。
3. 学生通过了解我国在水文预报方面的成就,增强民族自豪感,激发为国家和人民服务的情怀。
本课程针对高中年级学生,结合学科特点,注重理论知识与实践操作的相结合,培养学生的实际应用能力。
课程设计以学生为中心,充分考虑学生的认知水平、兴趣和需求,采用案例教学、小组合作等方法,激发学生的学习兴趣,提高教学效果。
通过本课程的学习,使学生能够掌握洪水预报的基本知识和技能,提高防洪减灾意识,为我国水文预报事业贡献力量。
二、教学内容1. 水文预报基本概念:洪水定义、洪水分类、洪水周期与洪水频率。
2. 洪水形成原因及发展过程:降水过程、流域特性、径流形成与汇集。
3. 洪水预报方法:- 降雨径流模型:水箱模型、单位线法、流域水文模型。
- 统计模型:时间序列分析、回归分析、人工神经网络。
4. 洪水预报软件应用:数据收集、处理、分析和预报结果输出。
5. 我国洪水预报现状与发展趋势:技术进展、政策法规、防洪减灾体系。
6. 实践案例:分析特定流域洪水预报实例,掌握预报流程和操作方法。
教学内容依据课程目标,参照教材相关章节进行组织。
教学大纲安排如下:第一周:水文预报基本概念及洪水形成原因。
第四章 河道流量演算与洪水预报_1

=f ( Z0 , u , t )
τo=f( Z0,u,t)
3、以支流水位为参数的洪峰水位(流量)相关法
基 本 表 达 式
有支流河段的洪峰水位预报,通常取影响较大的支 流相应水位(流量)为参数,建立上、下站洪峰水位 关系曲线,其通式为: Z p,ι,t=f(Z p,u,t- τ,Z
1,t- τ1)
v 图形直观,使用方便; v 根据上、下断面历史资料建立的经验相关图,只能 在建图范围内使用,在时间及空间上难于外延; v 不能预报河段内任意断面的流量; v 难于预报流量过程; v 确定各干支流河段的流量传播时间 τ i 比较困难。 常采用试算法或按照流量值大小分级确定该值,经 验性强。
4.6 回水、感潮河段的水位(流 量)预报
(三)现时校正法 下图所示为受回水顶 托影响的河段,在作 业预报时,要同时考 虑上站水位及回水代 表站水位影响所造成 的预报 误 差 e( 即 B 、 C 两点 的差值 ) 的 变化 趋 势 ,以 校正 预报值 ( 即 D点)。
相 应 水 位 法 特 点
v 图形直观,使用方便; v 根据上、下断面历史资料建立的经验相关图,只能 在建图范围内使用,在时间及空间上难于外延; v 不能预报河段内任意断面的水位或流量; v 难于预报水位或流量过程。
(二)水位(流量)过程预报 在防汛工作中,洪峰及其出现时间是一个很重要的 预报要素 ,但在 大江 大河及 有些河流的中下游,洪水 历时很长,往往还要预报水位(流量)过程以弥补洪峰预 报的不足 。过程 预报可以采 用洪峰水位 制作的关系 并 采 用 现时 校正的 方法 进行。由于篇幅所 限,不 再展开 细述,可以参考相关的文献。
相应水位(流量)法的基本原理
1、相应水位(流量)法 (一)洪峰水位(流量)预报
暴雨设计洪水计算方法比选

暴雨设计洪水计算方法发展历程
基于实测数据的洪水计算方法
起源于19世纪末,随着水文站的建立和发展,人们开始利用实测数据研究洪水规律。
基于降雨数据的洪水计算方法
发展于20世纪中叶,随着计算机技术的发展,人们开始利用数学模型模拟洪水过程。
基于径流数据的洪水计算方法
成熟于20世纪末至今,随着GIS、RS等技术的发展,人们可以更加精细地研究洪水规律。
04
暴雨设计洪水计算方法优缺 点分析
基于理论分析的优缺点分析
数学模型法
水文比拟法
优点:能够准确地模拟水文现象的空间和时间变化,对数 据要求较低,适用于多种水文条件下的模拟。
缺点:需要对水文数据进行较为详细的分析和收集,建立 的模型也需经过验证才能用于实际应用。
优点:基于历史洪水资料,通过水文相似性原理推求设计 洪水,方法简单、易于操作。
常用暴雨设计洪水计算方法简介
1 2 3
基于实测数据的洪水计算方法
适用于有水文站、雨量站等实测数据的情况下, 优点是数据可靠、精度高,缺点是数据有限、无 法覆盖所有情况。
基于降雨数据的洪水计算方法
适用于没有实测数据或需要预测未来洪水的情况 下,优点是可预测未来洪水情况,缺点是模型复 杂、精度有待提高。
基于径流数据的洪水计算方法
适用于有流域内径流数据的情况下,优点是数据 丰富、精度较高,缺点是还原和修正过程中可能 引入误差。
03
暴雨设计洪水计算方法比选
比选原则和方法
实用性原则
选择的计算方法应适用于实际工 程应用,方便工程技术人员操作
。
精度要求
计算方法应能够相对准确地计算 出暴雨设计洪水,以满足工程需
02
当前,暴雨设计洪水计算方法存在多样性,每 种方法都有其优缺点和适用条件。
基于地面雨情信息的长江三峡区间洪水预报研究_李哲

第32卷第1期2013年2月水力发电学报JOURNAL OF HYDROELECTRIC ENGINEERING Vol.32No.1Feb.,2013基于地面雨情信息的长江三峡区间洪水预报研究李哲,杨大文,田富强(清华大学水利水电工程系水沙科学与水利水电工程国家重点实验室,北京100084)摘要:长江三峡区间的暴雨洪水对三峡水利枢纽的影响迅速而且直接,是进行三峡坝址洪水预报的重要边界条件。
本文基于分布式物理模型GBHM 与概念性新安江模型开展了三峡区间洪水预报研究。
利用2004-2007年地面观测的雨量及流量信息,首先在日尺度上对两个预报模型进行了参数率定及模型检验,然后在小时尺度上对典型洪水过程进行了预报试验。
结果表明,两个模型对逐日洪水过程的模拟均有较高精度。
考虑到逐时流量数据的限制,本研究直接利用在日尺度上拟合的模型参数进行逐时的洪水预报。
结果显示新安江模型的预报精度大幅下降,GBHM 模型对洪水过程及洪水总量的预报仍能够保持一定精度,表明分布式物理性水文模型在三峡区间洪水预报中具有应用优势和潜力。
关键词:水文学;短期洪水预报;地面观测雨量;GBHM 模型;新安江模型中图分类号:P338+.2文献标识码:AFlood forecast for Three Gorges region of the Yangtze basedon ground-observed rainfallLI Zhe ,YANG Dawen ,TIAN Fuqiang(Tsinghua University ,Department of Hydraulic Engineering ,State Key Laboratory ofHydro-science and Engineering.Beijing100084)Abstract :Flood generated in the Three Gorges region (TGR )of the Yangtze impacts fast and significantly on the operation of Three Gorges reservoir ,and it offers critical boundary conditions for flood forecast at the dam site.We studied the short-term forecast of this flood with a physically-based distributed model (GBHM )and a conceptual model (Xin ’anjiang model )separately.These models were calibrated and validated using the daily runoff and ground-observed rainfall from 2004to 2007,and the forecasts were also on a daily time scale.The results show that both models capture the daily flood process with good accuracy ,and the GBHM model is slightly better.To overcome the limitation of hourly runoff data available ,calibration of the model parameters was maintained on a daily time scale ,while an hourly time scale was adopted for the forecasts.These hourly forecasts reveal that the Xin ’anjiang model shows a dramatic decrease in accuracy ,while the GBHM model can preserve certain accuracy in calculations of total volume and time history of runoff.Thus ,the potential of physically-based distributed model in application to flood forecast for the Three Gorges region are demonstrated.Key words :hydrology ;flood forecast ;ground-observed rainfall ;GBHM model ;Xin ’anjiang model收稿日期:2011-03-23基金项目:水利部创业公益项目(201001004,201101004);水沙科学与水利水电工程国家重点实验室与灾害天气国家重点实验室联合资助项目作者简介:李哲(1986—),男,博士生.E-mail :zli09@mails.tsinghua.edu.cn 通信作者:杨大文,男,教授.E-mail :yangdw@tsinghua.edu.cn 0前言长江三峡水利枢纽的首要任务是防洪,可以利用三峡水库的防洪库容拦蓄长江上游洪水并对中下游进行洪水补偿调节(葛守西,1997),此外三峡工程还承担着发电、航运及库区经济开发等任务。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
性 及 相 关 性 高 的雨 量 站 作 为 关键 测站 。
影 响 。 因 此 , 文 在 分 析 历 史 降 雨 资 料 的 基 础 上 , 析 流 域 内 本 分 各 雨 量 站 点 雨 量 与 流 域 面 雨 量 的 相 关 关 系 , 结 合 水 文 站 流 域
分 布 图 选 出 与 流 域 面 雨 量 相 关 性 高 且 有 区域 代 表 性 的 雨 量 站
为 维 护 关 键 测 站 的 稳 定 运 行 , 信 方 式 及 数 据 收 集 方 式 是 通 主 要 问题 。 目前 . 内外 水 情 测 报 系统 通 信 方 式 主 要 有 超 短 波 国 通 信 , 用 专 用 、 用 及 公 用 电 话 线 通 信 , 星 余 迹 通 信 , 星 利 租 流 卫
对 关 键 测 站 采 用 信 号 好 ,抗 干 扰 性 强 的 通 信 方 式 而 其 他 测 站 保 持 原 有 通 信 方 式 不 变 。 在 水 情 数 据 收 集 方 面 可 以 采 用 自报 应 答 兼 容 式 。 遇 超 标 准 降 雨 或 测 站 设 备 损 坏 时 , 以进 行 人 在 可
作 为关 键 测 站 , 保 证 其稳 定 运 行 。通 过 建 立 点 面 关 系 将 关 键 并 测 站 的 时 段 点 雨 量 转 化 为 流 域 时 段 面 雨 量 进 行 洪 水 预 报 。该 方 法 只 需 关 键 测 站 的 雨 量 资 料 , 算 简 单 , 于 维 护 , 应 了 计 易 适 遥 测 系统 出错 时 信 息 缺 测 的 随 机 性 。实 例 应 用 表 明 , 方 法 预 该
维普资讯
第 2 卷 第3 7 期
20 年 6 0 7 月
水
文
Vo . No3 I 27 .
J OURNAL OF CHI A N HYDROL OGY
基 于相 关分析 的雨量站选择及 洪水预报方法
张 静 ,王本德
( 大连理工大学 土木水利学院,辽宁 大连 162 ) 104
的洪水预报工作带来 了较大 困难 ,给洪水预 报精度 也带来 了
Y分 别 为 、 i Y样本 系列 的第 i 值 ; 个 n为样 本 数 。 在 进 行 流 域关 键 测 站 选 择 时 ,先 收集 流 域 内 n场 历 史 降 雨
过程 . 计算 每 场 降 雨 过 程各 测 站 的降 雨 总 量及 流域 平 均 降 雨 量 ,
立 合 适 的 经 验 关 系 或 流 域 水 文 模 型 进 行 预 报 . 因 此 及 时 准 确
∑( ) ) (
i =l
式 中 : 为 变 量 、 的 线 性 相 关 系 数 ; Y分 别 为 、 均 值 ; r Y问 、 Y的
பைடு நூலகம்
的 降 雨 信 息 是 流 域 洪 水 预 报 的 前 提 。 为 在 线 实 时 提 供 水 雨 情
关键 词 : 关 分析 ; 关键 测 站 ;洪 水预 报 相
中图分类号 :3 21P 3 P 3 .;3 8
文献标识码 : A
文章编号 :00-822 0 )3 0 3 — 4 10 - 5 (0 7 - 0 1 0 0 0
1 引 言
可 靠 的洪 水 预 报 是 流 域 防 洪 减 灾 的重 要 非 工 程 措 施 之 一 . 是 水 库 防 洪 和 洪 水 资 源 利 用 的 安 全 保 障 。 洪 水 预 报 是 水 文 预 报 研 究 的 重 要 内容 川 目前 . 水 预 报 都 是 根 据 已有 的 资 料 建 。 洪
2 关键测站选择及维护
对 于历 史 水 文资 料 较 全 的 流 域 ,不但 可 以找 到 一 个 精 度 较
高 的洪 水 预 报模 型 ,还 为 建 立 各 雨 量站 点 雨 量 与 流 域 面 雨量 相
信 息 ,许 多 水 库 在 流 域 内 雨 量 站 布 设 的 基 础 上 建 立 了 水 雨 情 自动 测 报 遥 测 系统 。 然 而 由 于遥 测 系 统 出错 或 通 信 故 障 等 各 种 偶 然 因 素 的 影 响 。遥 测 系 统 有 时 只 能 获 得 随 机 雨 量 站 的 雨 量 信 息 . 些 时 候 甚 至 没 有 遥 测 站 数 据 可 得 , 给 汛 期 流 域 内 某 这
报结果令人 满意。
通 信 . 波 通 信 及 混 合 通 信 等 , 国大 多 数 水 库 的 水 文 信 息 短 我
是 通 过 邮 电 局 的程 控 电 话 、微 波通 讯 机 或 无 线 电 台 承 担 的| 3 1 。
为 保 证 关 键 测 站 的通 信 畅 通 , 采 用 混 合 组 网 的通 信 方 式 , 可 即
摘 要 : 分 析 历 史 降 雨 资料 的 基 础 上 , 立 流 域 内各 雨 量站 点 雨 量 与 流 域 平 均 面 雨量 的相 关 关 系。 合 流域 水 文站 分 布 在 建 结
图选 出与 流域 面 雨量 相 关 性 高且 有 区域 代 表 性 的 雨 量站 作 为遥 测 系统 的 关键 测站 , 证 其 稳 定 运 行 。 利 用 定 点 定 面 关 系 保 分析方法, 由流 域 内关键 测 站 的 时段 雨 量推 求 流域 时段 面 雨 量 , 带 入 洪 水预 报 模 型 进 行 洪 水预 报 该 方法 不依 赖流 域 内 并 全 部 测站 的 降 雨信 息 , 可有 效 解 决 流 域 内雨 量站 缺 测 或 数 据 错误 时 的洪 水 预 报 问题 。该 方 法 可 为 无 资 料或 资料 短 缺 地 区 及 新 建水 库 因资 金 限 制 只 能 建设 少量 测 站 时 的 洪 水预 报 提 供 参 考