西津水库实时洪水预报模型(1).
API模型在炼城水文站洪水预报中的应用
API模型在炼城水文站洪水预报中的应用本文运用降雨径流关系模型（API模型），对炼城水文站流域内的历史降雨和流量资料进行整理、分析，通过多年资料分析确定炼城水文站基流、流域土壤最大缺水量Im、炼城站1～12月平均日消退系数K，最终确定流域P（降雨量）～Pa（前期影响雨量）～R（净雨）相关图，用率定后的1h单位线得出炼城水文站预报断面出口流量过程，通过对历史洪水预报的檢验，该方法达到了《水文情报预报规范》对水文预报精度的要求，因此可以将其应用到炼城水文站水文预报当中。
标签：P～Pa～R相关图;消退系数K;产流;汇流;单位线1、水文站网分布弥苴河流域根据站点分布情况，目前流域内有炼城水文站，炼城站位于大理州洱源县玉湖镇巡检村，断面以上流域面积为1024km2，河长49.0km，平均比降28.6‰。
是澜沧江流域黑惠江支流弥苴河区域代表站，为国家基本水文站，属中央报汛站。
流域内有福和、洱源牛街、凤羽、银桥、沙坪、白草萝、涧门口、小甸、上龙门、海西海、茈碧湖水库等11个雨量站（喜州、挖色、下关、吊草沟为下游邻近站点）。
2、资料使用情况雨量站选用：流域内共有11个雨量站，其中白草萝、涧门口、小甸、上龙门为中小河流建设站点，海西海、茈碧湖水库为水库雨量站，仅有人工观测资料，资料较长的福和为人工委托观测，2010年改为自记站，不具备编制洪水预报方案的要求，因此该方案中共有3个资料系列较长的雨量站（炼城、洱源牛街、凤羽），用这三个站1985年～2012年，2016年1～7月的降雨资料进行率定，预报时增加福和、白草萝、涧门口、小甸、上龙门的雨量资料进行洪水预报。
蒸发选用与雨量资料统一年份的炼城本站蒸发资料。
水文站的选用：选用炼城站水文站1985年～2012年、2016年1～7月逐时水位流量资料，炼城站实测最大洪峰流量发生在1955年8月6日为122m3/s，方案中使用了1991年8月16日的次次大洪水108 m3/s参与率定分析。
《HEC-HMS模型在小流域的洪水预报研究与应用》范文
《HEC-HMS模型在小流域的洪水预报研究与应用》篇一一、引言随着全球气候变化的影响，洪水灾害频发，准确及时的洪水预报成为了防洪减灾工作的重要环节。
HEC-HMS（Hydrologic Engineering Centers - Hydrologic Modeling System）模型作为一种先进的洪水预报模型，因其强大的水文模拟能力和广泛的适用性，被广泛应用于小流域的洪水预报工作中。
本文将探讨HEC-HMS 模型在小流域的洪水预报研究与应用。
二、HEC-HMS模型概述HEC-HMS模型是由美国水文工程中心（HEC）开发的一种分布式水文模型，它集成了水文、气象、地貌等多方面的信息，通过建立水文响应单元（HRU）来模拟流域的水文过程。
该模型具有结构简单、操作方便、物理意义明确等优点，被广泛应用于各种尺度的洪水预报工作。
三、HEC-HMS模型在小流域的洪水预报应用在小流域的洪水预报中，HEC-HMS模型的应用主要体现在以下几个方面：1. 数据收集与处理：HEC-HMS模型需要收集流域的气象、地形、土壤、植被等数据。
通过对这些数据进行处理和分析，可以建立合适的水文响应单元，为模型的运行提供基础数据支持。
2. 模型参数率定与验证：根据流域的水文特性，对HEC-HMS模型的参数进行率定和验证。
通过对比模型的输出结果与实际观测数据，不断调整模型参数，使模型能够更好地反映流域的水文过程。
3. 洪水预报：在获得可靠的模型参数后，可以利用HEC-HMS模型进行洪水预报。
通过输入气象预报数据和流域的实际观测数据，模型可以输出未来一段时间内的径流、洪峰流量等关键指标，为防洪减灾工作提供决策支持。
四、案例分析以某小流域为例，应用HEC-HMS模型进行洪水预报。
首先，收集该流域的气象、地形、土壤、植被等数据，建立合适的水文响应单元。
然后，对模型的参数进行率定和验证，使模型能够较好地反映该流域的水文过程。
最后，利用模型进行洪水预报，并与实际观测数据进行对比分析。
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.。
巴基斯坦卡洛特水电站实时洪水预报系统设计及运用
文章编号：1006-0081（2020）07-0005-04收稿日期：2020-04-15作者简介：刘启松，男，助理工程师，主要从事水文预报方面的工作。
E-mail ：****************1研究背景洪水预报系统在国内研究开发已超过30a ［1］，一开始通过研究国外系统总结技术经验，经过不断探索，开发了大量洪水预报系统并不断对其优化，如长江流域防洪调度系统［2］和黄河防洪调度决策支持系统［3］等洪水预报系统在我国流域防洪调度上发挥至关重要的作用。
这些系统通过分析研究洪水特点及河床变形规律，采用水文学、水力学、河流动力学等相结合的方法，建立符合流域实际情况的洪水预报经验方案和数学预报模型，输入雨情和水情等信息，可对洪峰、洪量等洪水要素进行预报，为各级防汛指挥部门提供决策依据［4］。
卡洛特水电站是“一带一路”首个大型水电投资项目，也是“中巴经济走廊”首个水电投资项目［5］。
目前卡洛特水电站处于施工关键期且汛期洪水较多，因此对施工期洪水预报要求较高。
为保证预报精度，预报员常需对多种预报模型计算结果进行对比，作业难度大且繁杂。
为解决该水电站施工期洪水预测预报这一难题，提升预报员作业效率和精度，开发了卡洛特水电站实时洪水预报系统。
本文重点介绍当前该系统设计思路、使用的方法及效果，并讨论了系统面临的问题和挑战。
2卡洛特水电站实时洪水预报系统卡洛特水电站实时洪水预报系统主要分为预报方案构建、预报系统管理和洪水作业预报三大模块（见图1）。
建设思路主要是以实时雨水情数据库、历史洪水数据库、地理空间数据库、气象数据库等信息资源作为基础，依托计算机网络环境，遵循统一的技术构架，具有系统管理、预报模型管理、预报方案管理、模型参数率定、实时交互式预报及河系洪水预报、预报评估等功能［6］。
2.1预报方案构建卡洛特水电站实时洪水预报系统对坝址进行的水文预报是由干流河道流量演算和区间小流域降雨径流预报方案组成。
根据该电站坝址以上流域的自然地理特征、降雨及洪水特性，将坝址以上流域划分为8个降雨径流计算小区，吉拉姆河流域站网分布见图2。
两江电站雪山湖水库水情预报方案
两江电站雪山湖水库水情预报方案摘要：两江电站雪山湖水库水情预报的任务是实现电站的短期流量预报，本文通过对流域的分析，设置预报断面，介绍预报流程。
选择了流量预报模型、实时校正模型，采用流域水雨情资料对预报模型参数进行率定，统计预报断面的合格率。
根据预报方案编制水情预报系统，利用2016年的资料进行了验证，结果表明编制的方案适合两江电站雪山湖水库流域，满足日常生产的需要。
关键词：水情预报；预报方案；参数率定；参数检验。
1引言图1 两江电站雪山湖水库库区流域图雪山湖水库位于二道松花江干流，二道松花江是第二松花江一级支流，发源于长白山天池，坝址位于二道松花江与富尔河汇合口以上18km处，控制流域面积2970km2，总库容2.105亿m3，属于不完全年调节水库，设计洪水标准为100年一遇洪水，校核洪水标准为2000年一遇洪水。
流域随着人为因素干预不断加强以及下垫面逐步变化，原有两江电站水情水调自动化系统已经不能满足现条件下的生产需求，因此需对原有系统进行更新改造。
升级改造的两江电站水库调度综合自动化系统于2014年建成，系统包含12个遥测站（其中3个水文站，2个水位站，6个雨量站，1个气象站）以及中心站应用软件等。
两江电站雪山湖水库水情预报方案的任务是实现雪山湖水库坝址断面的水情预报，内容主要为电站及其区间的水情预报。
2总体设计2.1预报断面设置在进行水情预报时，首先需要确定预报断面，预报断面一般设在水文站、电站所在位置。
预报断面分为天然河道断面、运行期电站断面，预报断面的预报项目为流量。
两江电站雪山湖水库流域整体设置1个预报断面，编制预报方案，需要为其设置预报模型，进行模型参数率定，见表1、表2。
流域面雨量是预报模型重要的输入，面雨量通过对测站降雨量加权计算得到。
考虑流域降雨不均匀性问题，减少降雨在空间上分布不均匀引起的面雨量计算误差，需对断面区间流域进行分单元产流计算，单元是流域产汇流计算的最小单位。
水电工程溃坝洪水计算
水电工程溃坝洪水计算1 前言水电是洁净能源，是西部地区重要的能源资源，开发西部水电,实现“西电东送”是实施“ 西部大开发”战略的重要举措，也是西部地区脱贫致富的重要途径之一。
但水电站往往处于深山峡谷，甚至高地震区中，水电站的溃决将造成巨大的损失，为了预估溃坝洪水带来的影响，并提早采取相应的措施，将洪水灾害造成的影响减少到最小程度，有必要进行溃坝洪水计算。
本次计算电站地处青藏高原东南缘，区域内地势较高,平均海拔在4 000m左右。
且电站坝址区覆盖层深厚,构造裂隙较发育，是我国西部著名的强地震带。
电站下游主要的城镇为某城市，该城为我国西部少数民族集居区，经济以农牧业为主。
2 数学模型2.1 模型结构本次计算采用美国国家气象局编制的溃坝洪水预报模型DAMBRK模型〔１〕。
该模型由三部分组成：1）大坝溃口形态描述。
用于确定大坝溃口形态随时间的变化，包括溃口底宽、溃口顶宽、溃口边坡及溃决历时。
2）水库下泄流量的计算。
3）溃口下泄流量向下游的演进。
溃口是大坝失事时形成的缺口。
溃口的形态主要与坝型和筑坝材料有关。
目前,对于实际溃坝机理仍不是很清楚，因此，溃口形态主要通过近似假定来确定。
考虑到模型的直观性、通用性和适应性，一般假定溃口底宽从一点开始，在溃决历时内，按线性比率扩大，直至形成最终底宽。
若溃决历时小于10分钟，则溃口底部不是从一点开始,而是由冲蚀直接形成最终底宽。
溃口形态描述主要由四个参数确定：溃决历时（τ），溃口底部高程（h bm)，溃口边坡(z)。
由第一个参数可以确定大坝溃决是瞬溃还是渐溃。
由后面三个参数可以确定溃口断面形态为矩形、三角形或梯形及局部溃或全溃。
水库下泄流量由两部分组成，一是通过溃口下泄流量Q b ，二是通过泄水建筑物下泄的流量 Q s ，即Q=Q b ＋Q s漫顶溃口出流由堰流公式计算Q b =C 1（h －h b ）1.5+C 2(h －h b )2。
5其中 C 1=3。
1b i C v K S ,C 2=2.45ZC v K S 当t b ≤τ时,h b =h d －(h d －h bm ）·t b /τb i =b·t b /τ当t b >τ时,b=h bmb i =b行进流速修正系数C v =1。
分布式新安江模型在横锦水库洪水预报中的应用
分布式新安江模型在横锦水库洪水预报中的应用
赵丽平;邢西刚;宋君;姜晓明;王刚
【期刊名称】《中国防汛抗旱》
【年(卷),期】2022(32)7
【摘要】横锦水库是一座以防洪、灌溉为主的大(2)型水利枢纽工程,洪水预报对于确保水库的防洪安全至关重要。
利用分布式新安江模型构建了横锦水库流域洪水预报方案,并分别进行了日模(8 a日尺度资料)与次洪(25场洪水资料)过程模拟。
应用结果表明:无论率定期还是检验期,次洪径流深相对误差和洪峰相对误差最大值皆在20%以内,确定性系数的平均值分别为0.834和0.838,峰现时差皆在2 h以内,25场洪水的合格率为100%。
水库流域无可靠的实测流量过程,预报方案精度评定只考虑合格率,确定性系数仅供参考,故预报方案精度为甲等。
构建的预报方案精度较高、合理可行,可为横锦水库流域洪水预报提供一定的参考价值。
【总页数】5页(P72-76)
【作者】赵丽平;邢西刚;宋君;姜晓明;王刚
【作者单位】中国水利水电科学研究院;水利部防洪抗旱减灾工程技术研究中心;水利部水利水电规划设计总院;青岛市水文局胶州分局
【正文语种】中文
【中图分类】P338
【相关文献】
1.网格新安江模型在于桥水库洪水预报中的应用
2.新安江三水源模型在柘林水库洪水预报中的应用
3.基于新安江模型的横锦水库入库洪水预报研究
4.基于新安江模型的横锦水库入库洪水预报研究
5.半分布式新安江模型在石家庄西部山区小流域洪水预报中的应用
因版权原因，仅展示原文概要，查看原文内容请购买。
《黄土区典型中小流域洪水预报KNN-FWA-ELM模型及其适用件研究》
《黄土区典型中小流域洪水预报KNN-FWA-ELM模型及其适用件研究》黄土区典型中小流域洪水预报KNN-FWA-ELM模型及其适用性研究一、引言洪水预报是防洪减灾工作的重要环节，对于黄土区中小流域的防洪减灾尤为重要。
近年来，随着科学技术的不断进步，各类水文预报模型被广泛应用于洪水预报中。
本文针对黄土区典型中小流域的洪水预报问题，提出了一种基于KNN（K-Nearest Neighbor）与FWA（Fishery Water Animal算法）相结合的ELM （Extreme Learning Machine）模型（KNN-FWA-ELM模型），并对其适用性进行了深入研究。
二、黄土区中小流域特点黄土区中小流域地形复杂，植被覆盖率低，雨水容易汇集形成洪峰，同时土壤疏松，水流迅速渗透也可能形成泥石流等自然灾害。
因此，在黄土区中小流域开展洪水预报工作具有十分重要的意义。
三、KNN-FWA-ELM模型构建1. KNN算法：KNN算法是一种基于实例的学习算法，通过计算待分类样本与已知样本的相似度来预测其类别。
在洪水预报中，KNN算法可以用于预测未来时刻的洪水流量。
2. FWA算法：FWA算法是一种基于生物种群行为的优化算法，具有全局搜索能力和良好的鲁棒性。
在KNN-FWA-ELM模型中，FWA算法用于优化ELM模型的参数，提高模型的预测性能。
3. ELM算法：ELM是一种高效的单隐层神经网络算法，具有良好的学习能力和泛化性能。
在KNN-FWA-ELM模型中，ELM算法用于构建预测模型，实现洪水流量的快速预测。
四、模型应用及适用性分析1. 数据准备：选取黄土区典型中小流域的历史洪水数据作为训练样本，包括降雨量、水位、流量等数据。
2. 模型训练：利用KNN-FWA算法对ELM模型进行参数优化，然后利用训练样本对模型进行训练。
3. 模型验证：采用独立测试集对训练好的模型进行验证，评估模型的预测性能。
4. 适用性分析：通过对比分析KNN-FWA-ELM模型与其他传统水文预报模型的预测性能，发现KNN-FWA-ELM模型在黄土区中小流域的洪水预报中具有较高的预测精度和鲁棒性。
- 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)。
西津水库实时洪水预报模型(1)
论文结合西津水库以上流域的地形地貌、水文气象特征及水库防汛调度的需，
将洪水预报模型、河道洪水演进模型和实时校正模型相结合，建立了实时洪水
预报模型。模型软件与水情自动测报系统于1998年初开发完成并投入应用后，
由于能及时获取水、雨情信息，水库在防洪、发电和航运方面较为充分地发挥
了综合利用效能，取得了明显的社会效益和经济效益。
关键词：预报模型 洪水演进 实时校正 综合利用
1 流域概况
西津水库位于广西横县县城上游5 km 处的西津村，是一座以发电、通航为主
兼顾灌溉效益的大型水利枢纽工程。水库坝址以上集水面积为80901km2，其中
南宁以上集水面积为73301km2，占西津水库坝址以上集水面积的90.6%；南
宁～西津集水面积为7600km2，占西津水库坝址以上集水面积的9.4%。南宁上
游宋村处分为左江和右江，左江发源于越南大凉山，全长为523 km，集水面积
为 31500km2，占南宁以上集水面积的43.0%，占西津水库坝址以上集水面积的
38.9%；右江发源于云南省广南县，全长为629 km，集水面积为 37600 km2，
占南宁以上集水面积的51.3%，占西津水库坝址以上集水面积的46.5%。流域水
系及站网分布见图2所示。
2 预报思路
根据流域地形、地貌条件及所布设的水情遥测站网，按天然流域将全流域划分
为11块即：百色以上、百色～田东、田东～下颜、下颜～南宁、龙州以上、宁
明以上、新和以上、龙州＋宁明＋新和～崇左、崇左～扶绥、扶绥～南宁、南
宁～西津。其中南宁～西津采用流域水文模型，其余主采用河道洪水演进模
型。
3 模型概述
西津水库实时洪水预报模型由洪水预报模型、河道洪水演进模型和实时校正模
型三部分组成。洪水预报模型：通过产流、汇流计算，预报部分流域的入库流
量过程。河道洪水演进模型：根据选用的河道演进模型，计算洪水过程在主河
道中的演进过程，并给出主控制站点的水位或流量。实时校正模型：根据选用
的实时校正模型和计算与实测流量（或水位）过程从上游往下游逐级逐时段进
行实时修正。模型计算流程见图1。
3.1 洪水预报模型
南宁～西津的洪水预报采用目前国内外有着广泛应用，在湿润、半湿润地区行
之有效的三水源新安江模型[1]。
3.1.1 产汇流计算
为了反映南宁～西津流域内水文气象特征的差异，模型分单元面积计算。根据
水情自动测保系统在该流域内设计的9个遥测雨量站网（南宁、五塘、邕宁、
长塘、那楼、露圩、峦城、新福、西津），将流域分为9块单元面积；单元面
积出口与流域出口用河网连接，形成单元面积～河网汇流系统；对每一块单元
面积分别进行产流、汇流计算，计算出各单元面积的入库流量过程；将各单元
面积上的入库流量过程线性叠加，即为南宁～西津流域进入西津水库总的入库
流量过程。
3.1.2 模型参数
模型参数的初值是以具有实测水文资料的东班江露圩以上流域作为代表性流
域，经模型验证，求得其参数后，在分析参数地区规律的基础上将其移用于无
实测水文资料的其它单元面积；分别以日资料和次洪水资料对全流域进行模
拟，比较实测值与计算值，优选参数。优选后的模型参数见表1。
3.2 河道洪水演进模型
南宁以上左江、右江流域大部分为群山峻岭，地势陡峻，河谷深切，部分流域
面积在越南境内。水情自动测报系统设计遥测雨量站点少，遥测水位站点较
多。所以右江的百色以上、百色～田东、田东～下颜、下颜～南宁，左江的龙
州以上、宁明以上、新和以上、龙州＋宁明＋新和～崇左、崇左～扶绥、扶
绥～南宁预报以河道洪水演进为主。
3.2.1 模型概述
目前国内外河道洪水演进大致有三种途径：以圣维南方程组为基础的水力学途
径；以水量平衡和蓄泄方程为基础的水文学途径；运用系统概念和系统分析方
法的研究途径。
1、水力学途径
圣维南方程组属于一阶拟线性双曲型偏微分方程组，目前尚无法求的其精确解
析解，因而实践中常采用近似的计算方法，直接差分法就是其中的一种方法。
直接差分法是用偏差商代替偏微商，将基本微分方程离散化为差分方程，求在
自变量域x～t平面差分网格上各节点近似数值解的方法。基本微分方程中的偏
微商可用不同形式的偏差商即差分格式代替，从而得到不同的差分方程。水力
学途径的优点是：①可以较详细构建河系的空间分布结构，将各种水力单元有
机连接起来，进行整体计算；②可以全面、综合、真实反映各因素间的相互作
用；③有关结构弹性好、层次清晰，河系内各种水力单元易于定义和编码；④
能适合于各种初始边界条件，适合于实测水文资料短缺地区；⑤能提供不同河
段内水位的时空分布及洪水在河段内的演进过程。水力学途径的缺点是：①所
建模型的率定和检验需河段地形实测大断面资料，通常该资料获取困难大，费
用高；②实际应用时对水情信息的求很高，操作困难大；③需与水文学模型相
配合以获取为之提供外边界条件；③从目前的技术手段而言，研究成果一般用
于规划设计阶段，流域水文模型中采用并不多。
2、水文学途径
水文学方法是以水量平衡方程和槽蓄方程为基础，用差分形式合解水量平衡方
程与槽蓄方程。水文学方法的优点是：①能考虑主影响因素及其相互作用，既
能使计算简化，又能保证计算精度；②结构简单、实用，能够较好地模拟洪水
在河道中的运动，并给出洪水在河段内的主特征值；③对基本资料和外界水情
信息求不高，可操作性强。水文学方法的缺点是：①概化相对较粗，难于详细
分析河道内复杂水流情势以及主特征；②难于提供河段内水位的时空分布和动
态模拟洪水河段内的演进过程。
3、系统研究方法
运用系统概念和系统分析方法的研究途径应用于河道洪水演进实际较为成功的
算例和报道不多见。
根据西津水库上游流域特点，河道洪水演进采用水文学途径（马斯京根分段连
续演算方法）。方法的特点及参数的确定已为大家所熟知，在此不再赘述。
3.2.2 模型参数
河道洪水演进采用的参数见表2。
4 实时校正模型
模型预报值与实测值（流量或水位，下同）之间往往存在一定的误差，造成两
者间误差的因素很多，若针对某一个单一的因素，它们是难于描述和预见的。
实时校正是指在每次预报做出之前，根据当时的实时信息，对预报模型的结构
或参数或状态变量或输入向量或预报值进行某种修正，使其更符合客观实际，
以提高预报精度。
摘论文结合西津水库以上流域的地形地貌、水文气象特征及水库防汛调度的
需，将洪水预报模型、河道洪水演进
本篇论文是由3COME文档频道的网友为您在网络上收集整理饼投稿至本站
的，论文版权属原作者，请不用于商业用途或者抄袭，仅供参考学习之用，否
者后果自负，如果此文侵犯您的合法权益，请联系我们。
实时校正方法有许多种，主与所选用的预报模型有关。更确切地说，主与预报
模型的“数学表达形式”及“算法”有关。对线性系统模型已有许多卓有成效
的实时校正模型，如卡尔曼滤波、递推最小二乘法、误差自回归模型等[3]。西
津水库实时校正模型选用递推最小二乘法。
4.2.2 离线确定
根据历史上多场大、中、洪水的预报流量与实测流量的误差过程分别建立方程
组，用最小二乘法原理将其化为正规方程组，求解回归系数。用上述方法求出
的各组回归系数分别进行相关分析和方差分析，并用F值对整个回归进行显著
性检验，判断其线性关系是否显著。经检验后确定回归系数。离线确定反映了
回归系数平均情况。
南宁以上左、右江河段设有较多的遥测水位站，利用已获得的实测流量或水位
与预报值间的误差信息，通过在线逐时段追踪方法确定回归系数；对预报的流
量逐级逐时段进行实时修正。
5 应用实例
2001年7月上旬，受第3号台风榴莲和第4号台风尤特的影响，珠江流域分别
于7月1～4日、5～9日发生了两次大范围的降水过程，郁江及其上游左、右
江暴发大洪水，其中右江发生超过历史记录的洪水，郁江干流出现建国以来的
最大洪水[2]；2003年8月25日和9月5日郁江流域发生了两次大的洪水。西
津水库实时洪水预报模型对2001年7～8月洪水和2003年两次大的洪水进行了
连续预报。由于能及时获取水、雨情信息，预报较准确，水库在防洪、发电等
方面较为充分地发挥了综合利用效能，取得了明显的社会效益和经济效益。因
篇幅所限，仅列出2001年的预报成果，见表3和图3。
6 问题讨论
多年实际应用结果表明，洪水预报具有较高的精度，说明采用的预报模型合
理，预报思路和技术路线正确。以下三方面问题有待引起重视和深入：①研究
由于西津水库坝址以上流域面积大，南宁以上的左、右江流域大部分地区为崇
山峻岭，遥测雨量站点少，主为遥测水位站，洪水预报以河道洪水演进为主。
所以，百色、田东、下颜、龙州、宁明、新和、崇左、扶绥和南宁的遥测水
位，尤其是下颜、崇左、扶绥和南宁遥测水位的精度将直接影响南宁以上流域
的洪水预报精度。②南宁～西津流域是掌握下游洪水、水库水位变化及预见期
的关键区域，该流域内遥测雨量站点的精度对西津水库洪水预报精度和预见期
有着十分重的影响。③南宁的洪水由上游左、右江及区间来水组成；西津水库
的洪水由南宁以上流域及南宁～西津流域来水组成。据资料统计，以上游左江
来水为主而导致西津水库发生洪水的频率为65%，以上游右江来水为主而导致
西津水库发生洪水的频率为19%，而两江同时发生洪水的频率为12.5% [2]。两
江暴雨洪水发生规律及其与南宁～西津流域洪水的组合有待深入研究。