CN114819322B - 湖泊入湖流量的预报方法 - Google Patents
湖泊入湖流量的预报方法 Download PDFInfo
- Publication number
- CN114819322B CN114819322B CN202210406963.6A CN202210406963A CN114819322B CN 114819322 B CN114819322 B CN 114819322B CN 202210406963 A CN202210406963 A CN 202210406963A CN 114819322 B CN114819322 B CN 114819322B
- Authority
- CN
- China
- Prior art keywords
- lake
- water level
- value
- flow
- rainfall
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013277 forecasting method Methods 0.000 title abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 152
- 238000005259 measurement Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000004088 simulation Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 34
- 230000008020 evaporation Effects 0.000 claims description 16
- 238000001704 evaporation Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 239000002689 soil Substances 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 239000003673 groundwater Substances 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 230000004907 flux Effects 0.000 abstract 1
- 238000011160 research Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000008235 industrial water Substances 0.000 description 2
- 230000008595 infiltration Effects 0.000 description 2
- 238000001764 infiltration Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 240000005373 Panax quinquefolius Species 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 125000000217 alkyl group Chemical group 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 210000000051 wattle Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Sewage (AREA)
Abstract
本发明提供一种湖泊入湖流量的预报方法，包括：收集流域水文气象数据；建立水量平衡方程和湖泊水位‑湖容曲线，并预估湖泊入湖流量；对步骤2预估得到的湖泊入湖流量进行数据处理；率定NAM模型参数，获得模型参数初值和入湖流量模拟值；根据模拟的湖泊入湖流量值，结合水量平衡方程和湖泊水位‑湖容曲线，预测湖泊水位的逐日变化，获得湖泊水位预报值日变化序列；对湖泊水位预报值日变化序列和实测值日变化序列进行比较；根据步骤6优化降雨径流模型参数，获得降雨径流模型参数的优化值；采用优化参数后的降雨径流模型进行长时间系列湖泊入湖流量预报。本发明提高了入湖水量的时间和空间分辨率，为湖泊防洪排涝调度和入湖污染通量计算奠定了基础。
Description
技术领域
本发明属于湖泊水环境的技术领域，具体涉及一种湖泊入湖流量的预报方法。
背景技术
湖泊入湖流量实测数据是湖泊运行管理的基础性数据。例如，在编制湖泊水文预报方案时，湖泊实测入湖流量作为已知数据，是率定、验证水文模型参数和评价预报方案效率、精度的基准，但湖泊实测入湖流量估计中存在的误差给水文预报工作带来了极大难度；在湖泊调度中，湖泊实测入湖流量是最基本的输入条件，湖泊洪水演算、湖泊控制运用意见的编制以及湖泊运行经济评价等均以湖泊入湖流量数据为基础，因此精准的入湖流量数据也是正确开展湖泊控制运用的基础。
目前湖泊入湖流量的主要方法有：1)采用湖泊水量平衡方程和湖泊水位-湖容曲线反推湖泊入湖流量；2)采用流域产流系数，通过计算水位与实测水位比较修正产流系数，进而反推河流入湖流量。对于有水文站控制的入湖河道，依据水文站控制断面实测的逐日流量、对应关键时长的降雨总量、上游集水域面积，利用线性回归法，建立控制水文站实测流量与集水域对应关键时长内总降雨线性关系式，求得流域单位面积降雨产流系数；对于无径流资料河道，可假设在时段内其单位面积降雨产流系数与流域内有水文站控制的入湖河道相等；3)基于水文模型的入湖流量预报方法；4)基于圣维南方程的水动力学方法；5)采用智能算法进行湖泊入湖流量预报，如人工神经网络等。
其中水动力学方法计算复杂，而且需要详细的湖泊水文地质资料；人工神经网络方法虽然具有较高的精度，但结构不具有唯一性，收敛性较慢；水量平衡方程、湖泊水位-湖容曲线反推方法存在的主要问题是湖泊入湖流量必须由湖泊水量平衡方程反推，易呈现较大幅度的振荡，甚至出现负值；流域产流系数法反推河流入湖流量只适用于入湖河道有水文站控制的湖泊。
基于水文模型的入湖流量预报方法，物理概念明确，有多种水文模型可供选择，适用面广，主要难点是率定和验证水文模型参数需要3至5年及以上可靠的入湖流量实测数据。建模所需主要数据包括流域降雨、蒸发以及用于模型率定和验证的3至5年及以上地表径流数据，其中降雨量、蒸发量来源于研究区内的雨量观测站和蒸发量观测站。对于入湖河道没有水文站控制的湖泊，入湖径流无实测资料，不能直接采用实测入湖流量数据来率定模型参数。在湖泊入流研究中，丰富的水位观测资料，以及水位与湖泊容量的关系，使得采用水量平衡法计算湖泊入流成为可能。由于难以准确获得包括农业用水、工业用水、生活用水、渗透等在内的详细的日常用水数据，基于湖泊水量平衡方程的入湖流量反推结果不合理，甚至可能是负值。因此，需要开发出一种新的预估湖泊入湖流量的预报方法以解决没有水文站控制的湖泊，入湖径流无实测资料，不能直接采用实测入湖流量数据来率定模型参数的问题。
发明内容
本发明的目的在于针对现有技术的不足之处，提供一种湖泊入湖流量的预报方法，较好地解决了入湖河道没有水文站控制的湖泊，入湖径流缺乏流量监测数据，无法率定和验证水文模型参数的难题。
为解决上述技术问题，本发明采用如下技术方案：
一种湖泊入湖流量的预报方法，包括如下步骤：
步骤1：收集流域水文数据、气象数据及湖泊控制运用资料；
步骤2：基于步骤1中获得的数据和湖泊控制运用资料，建立水量平衡方程和湖泊水位-湖容曲线，并根据水量平衡方程和湖泊水位-湖容曲线预估湖泊入湖流量；
步骤3：对步骤2预估得到的湖泊入湖流量进行数据处理以校正不合理数值；
步骤4：将数据处理后的入湖流量预估值设定为实测值，同时输入步骤1中得到的流域降雨和蒸发数据，采用降雨径流模型模拟流域内的降雨径流过程，以实测值为目标，率定和验证降雨径流模型参数，从而获得降雨径流模型的参数初值，并以率定后的参数为降雨径流模型的输入参数，模拟获得入湖流量模拟值；
步骤5：根据步骤4模拟的湖泊入湖流量值，结合步骤2中建立的水量平衡方程和湖泊水位-湖容曲线，预测由降雨径流导致湖泊水位的逐日变化，获得降雨导致的湖泊水位预报值日变化序列；
步骤6：对湖泊水位预报值日变化序列和湖泊水位实测值日变化序列变化曲线进行比较；
步骤7：优化降雨径流模型参数，使得湖泊水位预报日变化序列变化曲线逼近湖泊水位实测日变化序列，获得降雨径流模型参数的优化值；
步骤8：以步骤7中优化得到的参数作为降雨径流模型的输入参数，采用降雨径流模型进行长时间系列湖泊入湖流量预报。
进一步地，步骤2中，建立的水量平衡方程和湖泊水位-湖容曲线方程组成的方程组：
S(t+1)＝S(t)+[I(t)-D(t)-E(t)-DF2(t)]*Δt (1)
Zt＝f(St) (2)
式中，S(t+1)、S(t)分别t时段末、初湖泊蓄水量；I(t)为t时段入湖流量，D(t)为t时段出湖流量，E(t)为t时段湖面蒸发水量折算的流量，DF2(t)为t时段内垸分洪流量，Δt为t时段步长，Z(t)为t时段湖泊水位，f(*)为湖泊水位-湖容曲线函数。
进一步地，步骤3中对预估得到的湖泊入湖流量进行数据处理得方法为：当基于湖泊水量平衡方程的入湖流量反推结出现负值，将该负值当作零处理。
进一步地，步骤7具体包括以下子步骤：
7.1确定因子和因子水平
因子取NAM模型的多个主要参数，水平取步骤4确定的主要参数的初值和的两个变化；
7.2 Taguchi方法选直交表
选择符合条件的直交表，将多个主要参数分别代入直交表中，筛选出多种方案；
7.3降雨径流模拟
输入逐日降雨数据、逐日蒸发数据，并将数据处理后的入湖流量预估值作为实测值，通过降雨径流模拟，完成直交表中多种方案的计算；
7.4输出湖泊入湖流量预报值
分别输出多种方案对应的入湖流量降雨径流模拟值；
7.5基于水量平衡方程和湖泊水位-湖容曲线，预测由降雨、径流导致湖泊水位的逐日变化，获得降雨导致的湖泊水位预报值日变化序列；
7.6计算衡量湖泊水位预报值日变化序列和实测值日变化序列拟合程度的指标；
7.7信噪比分析
Taguchi优化中，根据确定性系数R2接近1，目标值越大越优的优化目标，把确定性系数R2结果按目标值越大越优LTB进行转换；
其中，SN为信噪比；yi为某目标试验值；n为试验次数；s2为总体方差， 为n次试验的平均值；
将确定性系数R2按LTB类型计算，依次得到优化评价指标所对应的信噪比；
7.8确定NAM参数最优参数
在信噪比S/N分析中，参数的最佳水平也就是信噪最大的水平；换言之，每个因子选择最大信噪比相对应的那个水平，基于这样的原则，通过分析各因子的信噪比响应可以组成因子间的优化目标最佳组合方案。
进一步地，主要参数包括地表蓄水层最大含水量Umax、浅层蓄水层最大含水量Lmax、地表径流系数CQOF、壤中流出流时间常数CKIF、地表径流汇流时间常数CK1、地表径流阈值TOF、根系带壤中流阈值TIF、地下水补给阈值TG、基流时间常数CKBF、地表径流汇流时间常数CK2。
与现有技术相比，本发明的有益效果为：
(1)提供了一种以流域降雨、蒸发作为输入，湖泊入湖流量作为输出，湖泊水位作为中间变量的湖泊入湖流量计算方法，较好的解决了入湖河道没有水文站控制的湖泊，入湖径流缺乏流量监测数据，无法率定和验证水文模型参数的难题；
(2)时间分辨率显著提高，目前大部分湖泊入湖水量仅能估算到逐月水量，无逐日流量数据；
(3)使得流域各类水文信息价值得到充分挖掘，使得获得的逐日流量数据、水位数据保持了高度的相容性和协调性。
附图说明
图1为本发明实施例中研究区域地理位置及雨量站分布图；
图2为本发明实施例的流程图；
图3为本发明实施例中2007-2010年入湖流量预估值分布图；
图4为本发明实施例中2015-2016年入湖流量预估值分布图；
图5为本发明实施例中数据处理后2007-2010年入湖流量预估值分布图；
图6为本发明实施例中数据处理后2015-2016年入湖流量预估值分布图；
图7为本发明实施例中率定期(2007-2010年)实测径流量与模拟径流对比图；
图8为本发明实施例中验证期(2015-2016)实测径流量与模拟径流对比图；
图9为本发明实施例中2007年湖泊水位预报值日变化序列1和湖泊水位实测值日变化序列2变化曲线的比较图；
图10为本发明实施例中2008年湖泊水位预报值日变化序列1和湖泊水位实测值日变化序列2变化曲线的比较图；
图11为本发明实施例中2009年湖泊水位预报值日变化序列1和湖泊水位实测值日变化序列2变化曲线的比较图；
图12为本发明实施例中2010年湖泊水位预报值日变化序列1和湖泊水位实测值日变化序列2变化曲线的比较图；
图13为本发明实施例中2016年湖泊水位预报值日变化序列1和湖泊水位实测值日变化序列2变化曲线的比较图；
图14为本发明实施例中Taguchi优化方法流程图；
图15为本发明实施例中Taguchi法主效应图；
图16为本发明实施例中1965-2016年湖泊入湖流量预报图。
具体实施方式
下面将结合本发明实施例对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合具体实施例对本发明作进一步说明，但不作为本发明的限定。
本实施例以湖北省四湖流域进行说明，湖北省四湖流域地处江汉平原腹地，南滨长江、北临汉江及东荆河，总面积11547.5km2，分上中下三区。长湖是中国湖北省第三大湖泊，是四湖流域上区的主要调蓄湖泊。长湖承雨面积2265km2，承纳太湖港、龙会桥河、夏桥河、拾桥河、唐林河、龙挡河、双店渠(可容纳大港河和西荆河来水)等来水。上世纪80～90年代，长湖水位33.00m(吴淞高程)时，水面面积为157.5km2，相应湖容为6.18亿m3。最新湖泊详查资料，长湖水位33.00m，对应水面面积为130km2，相应湖容为5.64亿m3。长湖湖泊区域是湖北省洪水易涝区，区域内长湖水位超过32.50m，内垸就会有大片农田受涝减产。2016年长湖遭遇暴雨袭击，7月22日23时长湖水位达到33.45m，超33.00m保证水位0.45m。7月22日开始启用4个内垸分洪，给当地经济社会造成了严重的损失。自80年代以来，长湖水位超过33.00m的年份就发生了七次，洪涝频繁发生的趋势仍在继续，开展长湖入湖流量预报方案研究具有十分重要的意义。
表1洪涝灾害年长湖最高水位表 单位：m
| 湖泊 | 1980年 | 1983生 | 1991生 | 1996生 | 2008生 | 2016生 | 2020年 |
| 长湖 | 33.11 | 33.30 | 33.01 | 33.26 | 33.02 | 33.45 | 33.57 |
本实施以长湖湖堤以上的集水区为研究区域。长湖湖区内共有4个雨量站和2个水文站(图1)。降雨、蒸发均为逐日观测资料，数据来自湖北省水文水资源局。使用资料如下：①长湖湖区内烟墩集、万城、拾桥和老合台4个雨量站和河溶水文站2007年-2010年和2015年-2016年逐日降雨资料；②习家口水文站2007年-2010年和2015年-2016年逐日水位资料；③刘岭闸、习家口闸、荆襄河闸、双店闸2007年-2010年和2015年-2016年逐日出湖流量资料；④习家口水文站2007年-2010年和2015年-2016年逐日蒸发量资料；⑤来源于湖北省水利厅2016年长湖内垸的分洪数据。
参见图2，本发明提供一种湖泊入湖流量的预报方法，包括以下步骤：
步骤1：收集流域水文数据、气象数据及其湖泊控制运用资料；
选择2007-2010年和20152016年烟墩集、河溶、万城、拾桥、老合台五个站的逐日雨量的算术平均值作为降雨量时间序列文件的来源；选择习家口站逐日蒸发量代表湖区蒸发量时间序列文件的来源；在本实施例中，湖泊控制运用资料为当《湖北省大型排涝泵站调度及主要湖泊控制运用意见(鄂政发〔2011〕74号)》。
步骤2：基于步骤1的数据，建立水量平衡方程和湖泊水位-湖容曲线，并根据水量平衡方程和湖泊水位-湖容曲线预估湖泊入湖流量，其中，建立的水量平衡方程和湖泊水位-湖容曲线方程组成的方程组：
S(t+1)＝S(t)+[I(t)-D(t)-E(t)-DF2(t)]*Δt； (1)
Zt＝f(St)； (2)
根据该步骤的方法，本实施例2007-2010年计算结果见图3，2015-2016年见图4。
步骤3：对步骤2预估得到的湖泊入湖流量进行数据处理以校正不合理数值；由于难以准确获得包括农业用水、工业用水、生活用水、渗透等在内的详细的日常用水数据，基于湖泊水量平衡方程的入湖流量反推结果有时候不合理，出现负值，处理方法是将负值当作零处理。数据处理后2007-2010年计算结果见图5，2015-2016年见图6。
步骤4：将数据处理后的入湖流量预估值设定为实测值，同时输入步骤1中得到的流域降雨和蒸发数据，采用降雨径流模型(NAM)模拟流域内的降雨径流过程，以实测值为目标，率定和验证降雨径流模型参数，从而获得降雨径流模型(NAM)的参数初值，并以率定后的参数为降雨径流模型的输入参数，模拟获得入湖流量模拟值；
根据掌握的水文和气象数据情况，以2007-01-01至2010-12-31作为模型率定期，2015-01-01至2016-12-31作为模型验证期。参数率定由计算机自动率定程序完成，率定的参数见表2。
表2 NAM模型考虑的主要参数和本研究初始取值
| 序号 | 参数 | 参数描述 | 单位 | 优化值 | 取值范围(较小值) | 取值范围(较大值) |
| 1 | Umax | 地表蓄水层最大含水量 | mm | 1.83 | 1.8 | 20 |
| 2 | Lmax | 浅层蓄水层最大含水量 | mm | 32.8 | 30 | 300 |
| 3 | CQOF | 地表径流系数 | 0.85 | 0.1 | 1 | |
| 4 | CKIF | 壤中流出流时间常数 | hours | 304.5 | 200 | 1000 |
| 5 | CK1 | 地表径流汇流时间常数 | 26.8 | 10 | 60 | |
| 6 | TOF | 地表径流阈值 | hours | 0.062 | 0 | 0.99 |
| 7 | TIF | 根系带壤中流阈值 | 0.277 | 0 | 0.99 | |
| 8 | TG | 地下水补给阈值 | 0.334 | 0 | 0.99 | |
| 9 | CKBF | 基流时间常数 | hours | 4150 | 500 | 5000 |
| 10 | CK2 | 地表径流汇流时间常数 | hours | 52.6 | 10 | 65 |
率定期实测径流量与模拟径流对比见图7，率定期模型的确定性系数R2达到0.77，水量平衡误差系数％WBL达到-6.71％。
验证期实测径流量与模拟径流对比见图8，率定期模型的确定性系数R2达到0.80，水量平衡误差系数％WBL达到-12.59％。
步骤5：根据步骤4模拟的湖泊入湖流量值，结合步骤2中建立的水量平衡方程(公式1)和湖泊水位-湖容曲线(公式2)，预测由降雨径流导致湖泊水位的逐日变化，获得降雨导致的湖泊水位预报值日变化序列1；
步骤6：以确定性系数R2和水量平衡指数％WBI为模型精度评价指标，进行湖泊水位预报值日变化序列1和湖泊水位实测值日变化序列2变化曲线的比较。
2007-2010年湖泊水位预报值日变化序列1和湖泊水位实测值日变化序列2变化曲线的比较见图9-图12；其中，率定期模型的确定性系数R2达到0.818，水量平衡指数％WBI达到0.29％；
2016年湖泊水位预报值日变化序列1和湖泊水位实测值日变化序列2变化曲线的比较见图13；其中，率定期模型的确定性系数R2达到0.89，水量平衡指数％WBI达到0.01％。
步骤7：通过Taguchi优化方法，优化NAM模型参数，使得湖泊水位预报日变化序列1变化曲线逼近湖泊水位实测日变化序列2，获得NAM模型参数的优化值，见图14；
(1)确定因子和因子水平
因子取NAM模型的10个主要参数(Umax、Lmax、CQOF、CKIF、CK1、CK2、TOF、TIF、TG和CKBF)；水平取步骤4确定的10个参数初值和的两个变化；本实施例的参数及其水平见表3；
表3 NAM参数及其因子水平
| NAM参数 | -10％ | 初值 | 10％ |
| Umax | 1.65 | 1.83 | 2.01 |
| Lmax | 29.52 | 32.80 | 36.08 |
| CQOF | 0.77 | 0.85 | 0.94 |
| CKIF | 274.05 | 304.50 | 334.95 |
| CK1 | 24.12 | 26.80 | 29.48 |
| CK2 | 47.34 | 52.60 | 57.86 |
| TOF | 0.056 | 0.062 | 0.068 |
| TIF | 0.249 | 0.277 | 0.305 |
| TG | 0.301 | 0.334 | 0.367 |
| CKBF | 3735 | 4150 | 4565 |
(2)Taguchi方法选直交表
选择符合条件的直交表，将多个主要参数分别代入直交表中，筛选出多种方案；
在本实施例中，符合条件的直交表为L27(310)直交表，将以上10个控制因子分别代入，在总共59049种方案中筛选出27种方案，见表4；
表4 NAM参数直交表
(3)降雨径流(NAM)模拟
输入逐日降雨数据、逐日蒸发数据，并将数据处理后入湖流量预估值作为实测值，通过降雨径流模拟，完成直交表中多个方案(本实施例是27个方案)的计算，分别输出多个方案对应的入湖流量模拟值；
(4)分别输出多个方案对应的入湖流量降雨径流(NAM)模拟值，在本实施例中输出27个方案的降雨径流模拟值；
(5)基于水量平衡原理和湖泊水位-湖容曲线，预测由降雨径流导致湖泊水位的逐日变化，获得降雨导致的湖泊水位日变化序列1的预报值。
(6)计算衡量湖泊水位预报值和实测值拟合程度的指标：R2和％WBI；
本实施例，使用以下两个指标评价模型的精度：
1)确定性系数R2，反映模型对实测水位过程的拟合程度，其值越接近于1，表明模型的效果越好；
2)水量平衡指数％WBI，评估洪水期湖泊的水平衡，其值为0表示完全满足水平衡条件；
式中：Zobj·i、Zsim·i、分别对应为时间步长i时的实测、预测水位和实测水位的平均值；WI、WO分别对应为时间步长i时的入湖和出湖水量总体积；
本实施例计算得到的R2和％WBI见表5；
表5输出确定性系数R2和％WBI
(7)信噪比(S/N)分析
Taguchi优化中，根据确定性系数R2接近1，目标值越大越优的优化目标，把确定性系数R2结果按以下类型转换将给数据处理带来很多方便。
The-Larger-the-better(目标值越大越优，LTB)：
其中，SN为信噪比；yi为某目标试验值；n为试验次数；s2为总体方差， 为n次试验的平均值；
将确定性系数R2按望大LTB特性计算，得到确定性系数R2所对应的信噪比。在信噪比(S/N)分析中，参数的最佳水平也就是信噪比最大的水平。换言之，每个因子应选择具有最大的信噪比相对应的那个水平，基于这样的原则，通过分析各因子的信噪比响应可以组成因子间的单目标最佳组合方案。我们将表4与表5输入Taguchi模型进行处理，计算信噪比，建立信噪比响应表6，绘制主效应图，如图15所示。
表6 R2所对应的信噪比响应表
/>
(8)确定NAM参数最优参数
在信噪比(S/N)分析中，参数的最佳水平也就是信噪比最大的水平。观察图15，根据确定性系数R2按望大特性最优化特性要求，信噪比最大化的原则，初步选定因子最佳组合为：
Umax＝1.83；Lmax＝32.80；CQOF＝0.77；CKIF＝334.95；CK1＝29.48；
CK2＝52.60；TOF＝0.068；TIF＝0.305；TG＝0.301；CKBF＝4565。
步骤8：以步骤7优化后的参数作为降雨径流模型的输入参数，采用降雨径流模型进行长时间系列湖泊入湖流量预报；
采用Taguchi方法优化的NAM参数，开展1965-2016年湖泊入湖流量预报工作，结果见图16。
以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。
Claims (3)
1.一种湖泊入湖流量的预报方法，其特征在于，包括如下步骤：
步骤1：收集流域水文数据、气象数据及湖泊控制运用资料；
步骤2：基于步骤1中获得的数据和湖泊控制运用资料，建立水量平衡方程和湖泊水位-湖容曲线，并根据水量平衡方程和湖泊水位-湖容曲线预估湖泊入湖流量；
步骤3：对步骤2预估得到的湖泊入湖流量进行数据处理以校正不合理数值；
步骤4：将数据处理后的入湖流量预估值设定为实测值，同时输入步骤1中得到的流域降雨和蒸发数据，采用降雨径流模型模拟流域内的降雨径流过程，以实测值为目标，率定和验证降雨径流模型参数，从而获得降雨径流模型的参数初值，并以率定后的参数为降雨径流模型的输入参数，模拟获得入湖流量模拟值；
步骤5：根据步骤4模拟的入湖流量模拟值，结合步骤2中建立的水量平衡方程和湖泊水位-湖容曲线，预测由降雨径流导致湖泊水位的逐日变化，获得降雨导致的湖泊水位预报值日变化序列；
步骤6：对湖泊水位预报值日变化序列和湖泊水位实测值日变化序列变化曲线进行比较；
步骤7：优化降雨径流模型参数，使得湖泊水位预报日变化序列变化曲线逼近湖泊水位实测日变化序列，获得降雨径流模型参数的优化值；
步骤8：以步骤7中优化得到的参数作为降雨径流模型的输入参数，采用降雨径流模型进行长时间系列湖泊入湖流量预报；
其中，步骤7具体包括以下子步骤：
7.1确定因子和因子水平
因子取NAM模型的多个主要参数，因子水平取步骤4确定的参数的初值和的两个变化；
7.2 Taguchi方法选直交表
选择符合条件的直交表，将多个主要参数分别代入直交表中，筛选出多种方案；
7.3降雨径流模拟
输入逐日降雨数据、逐日蒸发数据，并将数据处理后的入湖流量预估值作为实测值，通过降雨径流模拟，完成直交表中多种方案的计算；
7.4输出湖泊入湖流量预报值
分别输出多种方案对应的入湖流量降雨径流模拟值；
7.5基于水量平衡方程和湖泊水位-湖容曲线，预测由降雨、径流导致湖泊水位的逐日变化，获得降雨导致的湖泊水位预报值日变化序列；
7.6计算衡量湖泊水位预报值日变化序列和实测值日变化序列拟合程度的指标；
7.7信噪比分析
Taguchi优化中，根据确定性系数接近1,目标值越大越优的优化目标，把确定性系数结果按目标值越大越优LTB进行转换；
；
其中，为信噪比；/>为某目标试验值；/>为试验次数；/>为/>次试验的平均值；
将确定性系数按LTB类型计算，依次得到优化评价指标所对应的信噪比；
7.8确定NAM参数最优参数
在信噪比分析中，参数的最佳水平也就是信噪比最大的水平；换言之，每个因子选择最大信噪比相对应的那个水平，基于这样的原则，通过分析各因子的信噪比响应可以组成因子间的优化目标最佳组合方案；
主要参数包括地表蓄水层最大含水量、浅层蓄水层最大含水量/>、地表径流系数/>、壤中流出流时间常数/>、地表径流汇流时间常数/>、地表径流阈值/>、根系带壤中流阈值/>、地下水补给阈值/>、基流时间常数/>、地表径流汇流时间常数。
2.根据权利要求1所述的湖泊入湖流量的预报方法，其特征在于，步骤2中，建立的水量平衡方程和湖泊水位-湖容曲线方程组成的方程组：
；
；
式中，分别/>时段末、初湖泊蓄水量；/>为/>时段入湖流量，/>为/>时段出湖流量，/>为/>时段湖面蒸发水量折算的流量，/>为/>时段内垸分洪流量，/>为/>时段步长，/>为/>时段湖泊水位，/>为湖泊水位-湖容曲线函数。
3.根据权利要求1所述的湖泊入湖流量的预报方法，其特征在于，步骤3中对预估得到的湖泊入湖流量进行数据处理得方法为：当基于湖泊水量平衡方程的入湖流量反推结果出现负值，将该负值当作零处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210406963.6A CN114819322B (zh) | 2022-04-18 | 2022-04-18 | 湖泊入湖流量的预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210406963.6A CN114819322B (zh) | 2022-04-18 | 2022-04-18 | 湖泊入湖流量的预报方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114819322A CN114819322A (zh) | 2022-07-29 |
| CN114819322B true CN114819322B (zh) | 2024-05-14 |
Family
ID=82537029
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210406963.6A Active CN114819322B (zh) | 2022-04-18 | 2022-04-18 | 湖泊入湖流量的预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114819322B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117216468B (zh) * | 2023-08-14 | 2024-05-24 | 河海大学 | 基于深度学习及联合概率分布的湖泊生态缺水预警方法 |
| CN116955897A (zh) * | 2023-08-28 | 2023-10-27 | 河海大学 | 一种无边界平原型湖库动态库容曲线计算方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104392111A (zh) * | 2014-11-10 | 2015-03-04 | 连承锴 | 基于水位样本的洪水预报方法 |
| CN107679021A (zh) * | 2017-09-27 | 2018-02-09 | 中国科学院南京地理与湖泊研究所 | 一种河流入湖库流量计算方法 |
| CN111046574A (zh) * | 2019-12-20 | 2020-04-21 | 武汉大学 | 一种平原湖区湖河闸泵***防洪排涝演算方法 |
| CN111651885A (zh) * | 2020-06-03 | 2020-09-11 | 南昌工程学院 | 一种智慧型海绵城市洪涝预报方法 |
| CN113011685A (zh) * | 2021-04-27 | 2021-06-22 | 黄河勘测规划设计研究院有限公司 | 一种无径流资料地区内陆湖泊水位变化模拟预测方法 |
| CN113762618A (zh) * | 2021-09-07 | 2021-12-07 | 中国水利水电科学研究院 | 一种基于多因子相似分析的湖泊水位预报方法 |
| CN113807545A (zh) * | 2021-09-09 | 2021-12-17 | 浙江大学 | 一种基于深度学习和物理模型的河湖生态流量预报预警方法 |
| WO2022032872A1 (zh) * | 2020-08-14 | 2022-02-17 | 贵州东方世纪科技股份有限公司 | 一种基于大数据的水文预报方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111401666B (zh) * | 2020-04-28 | 2021-07-27 | 中国水利水电科学研究院 | 一种利用预报误差开展上游水库群影响下径流预报的方法 |
-
2022
- 2022-04-18 CN CN202210406963.6A patent/CN114819322B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104392111A (zh) * | 2014-11-10 | 2015-03-04 | 连承锴 | 基于水位样本的洪水预报方法 |
| CN107679021A (zh) * | 2017-09-27 | 2018-02-09 | 中国科学院南京地理与湖泊研究所 | 一种河流入湖库流量计算方法 |
| CN111046574A (zh) * | 2019-12-20 | 2020-04-21 | 武汉大学 | 一种平原湖区湖河闸泵***防洪排涝演算方法 |
| CN111651885A (zh) * | 2020-06-03 | 2020-09-11 | 南昌工程学院 | 一种智慧型海绵城市洪涝预报方法 |
| WO2022032872A1 (zh) * | 2020-08-14 | 2022-02-17 | 贵州东方世纪科技股份有限公司 | 一种基于大数据的水文预报方法 |
| CN113011685A (zh) * | 2021-04-27 | 2021-06-22 | 黄河勘测规划设计研究院有限公司 | 一种无径流资料地区内陆湖泊水位变化模拟预测方法 |
| CN113762618A (zh) * | 2021-09-07 | 2021-12-07 | 中国水利水电科学研究院 | 一种基于多因子相似分析的湖泊水位预报方法 |
| CN113807545A (zh) * | 2021-09-09 | 2021-12-17 | 浙江大学 | 一种基于深度学习和物理模型的河湖生态流量预报预警方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于WEP模型和TRMM_PR的唐家山堰塞湖入湖径流预报;赵志轩;严登华;王浩;贾仰文;;水利学报;20110715(第07期);全文 * |
| 液气射流泵内部流场的数值计算;向清江;袁寿其;何培杰;李同卓;;江苏大学学报(自然科学版);20080510(第03期);全文 * |
| 鄱阳湖湖泊流域***水文水动力联合模拟;李云良;张奇;姚静;李相虎;;湖泊科学;20130306(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114819322A (zh) | 2022-07-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113379109B (zh) | 一种基于预测模型自适应的径流预报方法 | |
| CN114819322B (zh) | 湖泊入湖流量的预报方法 | |
| CN114970377B (zh) | 基于新安江与深度学习耦合模型的场次洪水预报方法和*** | |
| CN111080157B (zh) | 一种梯级水电站排磷量的调度方法和*** | |
| CN109543147A (zh) | 一种流域降雨径流关系非线性快速诊断及归因分析的方法 | |
| CN114741987B (zh) | 考虑洪水预报模型绝对误差拟合残差分布的洪水概率预报模型 | |
| CN108614915B (zh) | 基于情景驱动的水文模型自由组建策略方法 | |
| CN111733759B (zh) | 一种考虑区间支流来水的干流水库生态调度方法 | |
| CN112528563B (zh) | 一种基于svm算法的城市内涝预警方法 | |
| CN113297814A (zh) | 基于河湖水质限值的流域动态水环境容量计算方法及*** | |
| CN112330065A (zh) | 一种基于基流分割和人工神经网络模型的径流预报方法 | |
| CN116756481B (zh) | 基于时变增益模型和Copula的流域未来水文干旱概率分析方法 | |
| CN111815043B (zh) | 一种基于暴雨特征的洪水流量预测方法及*** | |
| CN112052559A (zh) | 一种基于月水量平衡的三参数水文模型及其构建方法 | |
| CN113792367B (zh) | 基于PySWMM的排水***多来源入流入渗和出渗量动态估算方法 | |
| CN114969655A (zh) | 流域输沙量的模拟估算方法 | |
| CN117648878A (zh) | 一种基于1d-cnn算法的洪水快速演进及淹没模拟方法 | |
| CN113836807B (zh) | 一种基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法 | |
| CN115809562A (zh) | 一种确定小流域引水沟渠规模方案的方法 | |
| CN111047213B (zh) | 基于多要素联合判别的中长期水资源量临界预警指标方法 | |
| CN117421558B (zh) | 一种梯级水库运行规则提取及其模型训练方法 | |
| Cui et al. | Quantify and reduce flood forecast uncertainty by the CHUP-BMA method | |
| CN113094876B (zh) | 未来情景下基于arima模型的水库防洪风险计算方法和*** | |
| Lu et al. | Research of reservoir watershed fine zoning and flood forecasting method | |
| CN117390125B (zh) | 一种产流模式智能适配的流域水文预报方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |