水文預報方法與中長期水文預報的分析

□許　峰（遼寧省本溪水文局）

?

水文預報方法與中長期水文預報的分析

□許峰（遼寧省本溪水文局）

文章以遼寧省大伙房水庫作為研究對象，通過對幾種中長期水文預報方法的比較分析，選取出預報精度最高的一種方法。研究結果表明，BP神經網絡法在徑流中長期預報方面的精度最高，因此可運用該方法對水庫徑流進行中長期預報，從而為水庫引水及調度計劃的合理制定提供依據。期望通過文章的研究能夠對中長期水文預報方法的推廣應用有所幫助。

水文預報；中長期；徑流

1　中長期水文預報方法的研究現狀

所謂的中長期水文預報具體是指按照前期的水文氣象要素，采用成因分析、數理統計等方法，對未來一段時期內的水文要素進行科學合理地預測。現階段，國內中長期水文預報的主要項目有以下幾類：徑流、旱澇趨勢分析、江河湖海水位預測、冰情及泥沙情況等等。在這些預報項目中，徑流預報是水文領域研究的重點內容，一般將預見期超過流域最大匯流時間的情況稱之為中長期徑流預報。在開展中長期水文預報的過程中，較為常用的方法有以下幾類。

1.1成因分析法

這是一種側重于描述和分析水文現象物理形成過程的預報方法。較具代表性的成因分析法為利用前期環流進行預報，其又被稱之為天氣學預報方法，該方法的理論依據如下：在制約流域或某個地區水文情況的諸多因素中，大氣環流是最為主要的因素之一，通常情況下，大面積洪澇和干旱災害總是與較大范圍內的環流異常密切相關。為此，通過分析找出異常環流的演變規律，便可對后期的水文情況進行預報。該方法的基礎是歷史氣候資料，通過對大氣環流逐月平均形勢與對應的水文要素進行綜合分析，可以概括出旱澇年前期的環流特征模式，然后再依據前期的環流特征，便可對后期的水文情況進行定性預報。這種預報方法是以水文要素與預報因子之間存在的因果關系來建立分析模型，由此構建起來的模型更具物理意義。

1.2數理統計法

在水文預報中，該方法常被用于定量預報，它以歷史資料為依據，運用概率和數理統計的方法，探尋水文要素歷史變化的統計規律，找到出現過的預報對象與預報因子間的統計規律和關系，進而建立起預報模型，對水文要素進行定量預報。根據制作預報模型的歷史資料，可將其細分為以下兩類，一類是單個要素預報，具體是指對水文要素本身的時序變化規律進行分析預報，常用的方法有歷史演變法、平穩時間序列、隨機函數分解、趨勢分析等等；另一類是多個因子綜合預報，具體是指分析水文要素與前期多個因子之間的相關性，再以數理統計法進行綜合預報，常用的方法有多元回歸分析法、多維時間序列等等。

1.3現代中長期水文預報法

1.3.1模糊數學預測法

該方法于上個世紀80年代正式在水文研究領域中得到應用。當時，業內的一些專家在水文水利、水資源及環境科學等領域進行了模糊集的應用研究，經過不懈的努力取得了一定的成績，通過將模糊集分析與系統分析結合到一起，形成了全新的模糊隨機系統分析體系，該體系在水文預報研究中獲得了廣泛的應用。

1.3.2人工神經網絡法

這種方法從上個世紀90年代以來，被廣泛應用于水文預報當中，一些專家學者提出，人工神經網絡模型具有高度的非線性特征，它可以有效地模擬本質為非線性的水文系統

1.3.3小波分析理論

該方法源自于傅立葉分析，實踐表明，其適應于水文序列的變化特性分析，可以使用該方法對水文序列的周期進行檢測。

中長期水文預報的方法及相關模型的種類相對較多，截止到目前，尚且沒有一種模型可以適用于所有的水文序列，水文預報模型的適用性仍然是一個有待深入研究的重要課題。在工程實際應用中，一般都是采用分析、嘗試、檢驗等步驟，找出最適宜的水文預報模型。

2　中長期水文預報方法的優選

2.1水庫概況

大伙房水庫地處遼寧省撫順市東部，位于渾河流域的中上游，共有3個入庫口。該水庫的總庫容量約為21.87×108m3，整個水庫控制的流域面積約為5437 km3，水庫的興利庫容約為12.96×108m3，死水庫容量約為1.34×108m3。水庫的主體工程全部按照1000 a一遇洪水標準進行設計建造，并以10000 a一遇洪水標準進行校核。水庫設計的年供水量為9.70×108m3，水電站裝機總量為 3.20×104kW，設計年發電量為6940× 104kWh。大伙房水庫兼具防洪、城市供水、農業灌溉、發電等功能，自2002以來，先后興建了一期和二期引水工程。下面文章選用幾種較具代表性的中長期水文預報方法，用其進行大伙房水庫年徑流預報建模，通過不同方案模擬結果的比較，選取出預報精度最高的一種方法。

2.2預報因子的選取

由于水文要素本身具有復雜性的特征，并且它的發展變化會受到多方面因素的影響，為了深入探索水文要素與各個影響因子之間的關系，可以采用成因分析法進行預報。徑流變化的影響因素主要包括以下幾類：流域下墊層、水文、氣象、人類活動等，因水文、氣象這兩大要素受環境影響的變化幅度要比另外兩個因素更加明顯，所以常將之作為徑流變化的主要影響因素。遼寧省地處東北，大伙房水庫則處于東北部山區當中，該地區的降雨多集中在汛期，換言之，水庫年水量的豐枯期受汛期來水的影響較大，該觀點從現有的歷史資料中可以得到證明。相關研究結果表明，汛期的來水量會間接受到大氣環流的影響，如臺風環流北上，會使北部地區產生暴雨天氣。通常可將枯水期分為兩個部分，隨著汛期的結束，降水量也會相應減少，河流來水為前期流域蓄水消退所形成，在這個期間的水量主要受汛期存蓄地下水量的影響；在5-6月時，前期的蓄水對徑流的影響較小，河流的大部分水量為春季降雨，少部分來自于冰雪融化。鑒于上述分析，結合現有的資料，對用于預報的因子進行初步選定，詳情如表1所示。

表1　預報因子集表

2.3中長期水文預報方法的選取

本次研究選用了以下3種預防方法：時間序列法、逐步線性回歸法、BP神經網絡法。下面分別通過這3種方法對年徑流預報方案進行制定。

2.3.1基于時間序列法的建模

本方法的建模資料選取大伙房水庫以往44年的徑流數據，自回歸模型的階數P=3（因為當P為3時，擬合預報的合格率最最高），具體的回歸方程如下：

在上式當中，Y表示待預報年徑流量；x1～x3表示待預報年之前三年的徑流量。

2.3.2基于逐步現象回歸法的建模

采用該方法進行建模前，需要對因子進行篩選，為了防止重要因子被遺漏的情況發生，α可以取最大值，即0.25。參與計算的因子包括表1中列出的所有因子，通過逐步回歸計算，得出對預報氣象影響最為顯著的5個因子，依次為表1中的2、12、9、3、5。由此可建立起如下回歸方程：

上式當中，Y表示待預報年徑流量，x2…x12的意義與表1中（2～12）因子的相同。通過對該方程進行統計檢驗后得出F=141.93＞Fα=7.40，表明回歸效果較為顯著，證明該模型能夠用于徑流量預報計算。

2.3.3基于BP神經網絡的建模

在BP神經網絡模型的構建中，選取以下5個因子，即表1中的2、7、1、11、9。BP神經網絡模型的有關參數如下：模型結構（5，7，1），學習率0.60，沖量因子0.10，允許迭代誤差0.06×10-1，訓練次數4098，擬合預報確定性系數0.88。

2.4預報結果分析

進過擬合計算后，三種預報方法的合格率依次為70.62%、81.15%、89.20%，依據我國現行的《水文情報預報規范》的規定要求，預防方法的擬合合格率應當≥70%，上述三種方法均可用于徑流預報。其中時間序列法的合格率最低，僅為70.62%，BP神經網絡法的合格率最高為89.20%，因此，建議選用BP神經網絡法進行徑流中長期水文預報。

3　結論

綜上所述，文章在對中長期水文預報方法進行簡要介紹的基礎上，以遼寧省大伙房水庫為研究對象，對幾種預報方法進行了比較分析，結果表明，BP神經網絡法的預報精度最高，建議在水庫徑流中長期預報中，以該方法作為所選。

［1］馮國章.中長期水文預報研究評述與展望［J］.西北農業大學學報，2012（10）：88-90.

［2］陳森林.水文周期迭加預報模型的改進及應用［J］.吉林水利，2013（6）：77-79.

［3］許士國.徑流長期預報的模糊數學方法［J］.大連理工大學學報，2014（5）：102-104.

（責任編輯：趙鑫）

TV 124

B

1673-8853（2016）06-0038-02

2016-01-26