淮河洪水概率預報方法研究及應用

王 凱 蔣曉蕾

（淮河水利委員會水文局（信息中心） 蚌埠 233001 河海大學 南京 210098）

1 研究背景

水文預報是一種重要的防洪非工程措施，直接為防汛抗旱和水資源管理服務。目前廣泛使用的水文預報模型大多是確定性的，模型以確定預報值的形式輸出給用戶。實際上，由于水文過程的影響因素復雜多變，加之人類認識水平的有限，使得水文預報過程中不可避免地存在著諸多的不確定性。目前，水文預報不確定性量化已逐漸成為了研究熱點，概率預報作為其重要的表現形式，已成為了水文預報的發展趨勢。

當前國內外關于洪水概率預報的研究主要包括兩類途徑：第一類是全要素耦合途徑，分別量化降雨—徑流過程各個環節的主要不確定性，如降雨輸入不確定性、模型結構不確定性、模型參數不確定性等，并進行耦合，實現概率預報。如Kavetski等采用“潛在變量”雨深乘子（stormdepthmultiplier）反映降雨輸入的不確定性，并將模型的敏感性參數隨機化，應用馬爾可夫鏈蒙特卡洛（Markov Chain Monte Carlo，MCMC）采樣方法求解流量后驗分布，提出貝葉斯總誤差分析（Bayesian total error analysis，BATEA）方法。在國內，李明亮等基于層次貝葉斯模型（Bayesian hierarchical model），構建聯合概率密度函數以考慮模型參數和降雨輸入不確定性，并采用MCMC方法進行求解。梁忠民等借用抽站法原理推求降雨量的條件概率分布，進而實現考慮輸入不確定性的洪水概率預報。全要素耦合途徑能夠溯源預報不確定性，但計算相對耗時，無法滿足實時預報的需要。

第二類是總誤差分析途徑，即從確定性預報結果入手，直接對預報不確定性進行量化分析，推求預報量的分布函數，實現概率預報。Krzysztofowicz等提出的貝葉斯預報系統（Bayesian forecastingsystem，BFS）最具代表性，其中水文不確定性處理器（hydrologic uncertainty processor，HUP）在正態空間中對似然函數進行了線性假定，為推求預報量后驗分布的解析表達提供了可能。王善序詳細介紹了BFS的理論，并指出它可以綜合考慮預報過程的不確定性，不限定預報模型的內部結構。近年來，很多研究表明，不同流量量級的預報不確定性存在差異。王晶晶等在原始空間中開展預報誤差規律研究，發現不同流量量級的誤差服從不同的分布函數，為此采用極小熵確定各分布線型，采用極大熵進行參數估計，進而降低了福建池潭水庫管理的風險。Van Steenbergen等針對不同預見期、不同流量量級預報誤差統計規律的差異，采用頻率學方法，構建了三維誤差矩陣，量化預報不確定性。

本文在第二類研究途徑框架下，結合研究區域（淮河王家壩斷面）預報誤差的統計特征，假定誤差均值隨流量量級呈分段線性變化，在貝葉斯預報系統（BFS）的基礎上，對其水文不確定性處理器（HUP）進行改進，提出改進的貝葉斯概率預報系統（PCA-HUP），定量評估單個水文模型預報結果的可靠度，實現概率預報。

2 模型方法

考慮誤差異分布的洪水概率預報方法不涉及預報的中間環節，只對預報結果進行分析，定量評估預報結果的不確定性，并在此基礎上實現洪水概率預報。在貝葉斯預報系統（BFS）的基礎上，對其水文不確定性處理器（HUP）進行改進，提出改進的貝葉斯概率預報系統（PCA-HUP），定量評估單個水文模型預報結果的可靠度，實現概率預報。

2.1 HUP基本原理

水文不確定性處理器（Hydrologic UncertaintyProcessor，HUP）是貝葉斯概率預報系統（BFS）的主要組成部分，用以分析除降雨之外的其他所有不確定性。其特點是，不需要直接處理預報模型的結構與參數，而是從預報結果入手，分析其與實測水文過程的誤差，再利用貝葉斯公式估計預報變量的概率分布，從而實現水文模型預報結果的不確定性分析及概率預報。其工作流程如圖1所示。

2.2 改進的概率洪水預報PCA-HUP模型

為推求預報量后驗分布的解析解，傳統HUP模型結合亞高斯模型，在正態空間中對先驗分布式和似然函數式進行線性假設，并采用最小二乘法對相關參數進行估計。

然而，由于似然函數式的自變量之間存在明確的線性關系，必然導致回歸方程的多重共線性問題。若采用傳統最小二乘法進行參數估計，會使得估計的回歸系數不唯一，也使得回歸方程不穩定（原始數據的極小變化可造成參數估計值和標準差的明顯變化）。因此，項目研究結合主成分分析技術（Principal components analysis，PCA），對傳統 HUP模型進行改進，提出PCA-HUP模型。

主成分回歸的基本思想：對原始回歸變量進行主成分分析，將線性相關的自變量，轉化為線性無關的新的綜合變量，采用新的綜合變量建立模型回歸方程。

（1）主成分分析

設 X=（X1，…Xp）T是 P 維隨機向量，均值 E（X）=μ，協方差陣 D（X）=Σ。

考慮它的線性變換：

用矩陣表示為：

圖1 水文不確定性處理器工作流程示意圖

由式（2）可以將 P 個 X1，X2，…Xp轉化為 P 個新變量，Z1，Z2，…Zp若新變量 Z1，Z2，…Zp滿足下列條件：

1）Zi和 Zj相互獨立，i≠j，i，j=1，2，…，p；

2）Var（Z1）≥Var（Z2）≥…≥Var（Zp）；

則新變量 Z1，Z2，…Zp為 X1，X2，…Xp的 P 個主成分，且Z1，Z2，…Zp線性無關。

（2）主成分回歸

實際問題中不同的變量經常具有不同的量綱，變量的量綱不同會使分析結果不合理，將變量進行標準化處理可避免這種不合理的影響。

對數據進行標準化首先要得出樣本標準差和樣本均值，記sj為xj樣本標準差，即是 xj的樣本均值，即原始數據的標準化變換為：

標準化后的數據矩陣為：

標準化后，X的相關系數陣也就是X的協方差陣（半正定矩陣）：

其中：

采用Lagrange乘子法求解，可以求得：

其中：λ1≥λ2≥…≥λp≥0 為 R 的特征值，a1，a2，…ap是相對應的單位正交特征向量，ap=（a1pa2p，…app）T。

主成分回歸可以得到p個主成分，這p個主成分之間互相獨立，且方差呈遞減趨勢，所包含的自變量的信息也是遞減的。即主成分對因變量的貢獻率是遞減的，第i個主成分Zi的貢獻率可以用來表示。

在實際問題的分析時，由于主成分的貢獻率是遞減的，后面的主成分貢獻率有時會非常小，所以一般不選取P個主成分，而是根據累計貢獻率來確定主成分個數，即：前m個主成分的累計貢獻率達到0.85時，選取前m個主成分進行回歸。則原始回歸問題轉化為以下回歸問題：

其中：E（εt）=0，Var（εt）=σ2，Cov（εi，εi）=0，（i≠j）

回歸模型的矩陣形式為：

采用最小二乘法估計參數矩陣B，根據式（1）和式（3）可以估計因變量矩陣Y與自變量矩陣之間X的回歸系數矩陣。

由此可見，主成分回歸模型是對普通的最小二乘估計的改進，首先選取主成分，克服自變量間的多重共線性，然后對所選的主成分進行線性回歸，進而得到主成分回歸方程。

3 實例應用

3.1 研究區概況

王家壩站系淮河上游總控制站，集水面積30630km2。上游干流河長360km，河道比降0.5‰，年平均降水量800～1200mm，且降水年際變化大，時空分布不均勻。年降水量的60%集中在5～8月，以6、7兩月暴雨次數較多。產生暴雨的主要天氣系統是西南低渦、切變線、低壓槽和臺風等?；锤缮嫌渭盎茨仙絽^一般是王家壩洪水的主要來源區。本項目主要針對息縣、潢川、班臺至王家壩區間（面積為7110km2）開展研究，見圖 2。

3.2 概率預報結果

本研究以新安江模型為確定性預報模型，在此基礎上，采用PCA-HUP模型分別對上述模型預報的可靠度進行定量，并在淮河干流主要控制斷面王家壩進行了實際應用，采取滾動預報方式實現了洪水概率預報。

將新安江模型的預報結果與實測資料輸入PCA-HUP模型中，其中20場洪水用于相關參數的率定，8場洪水用于模型驗證。模型相關參數見表1。以置信度為90%（亦可采用其他置信度值）的預報區間為例，對概率預報結果進行評估，同時，對流量分布函數的中位數Q50進行分位數評價，率定期模型的模擬精度見表2。

由表2可知，PCA-HUP模型率定期模擬結果：預報區間（置信度為90%）覆蓋率較高，且離散度在0.2以內。此外，將每一時刻預報量概率分布的中位數預報與實測流量進行比較，確定性系數接近于1，洪峰誤差在1%以內，說明中位數預報的精度非常高，且從不同預見期的模擬過程線中可以看出，隨著預見期的逐漸增大，區間離散度呈現出遞增的趨勢。

采用驗證期8場洪水對概率預報模型進行檢驗，推求預報流量的概率分布，實現王家壩斷面的洪水概率預報。預報精度統計見表3，預報流量過程線以其中兩場為例，預報流量過程線如圖3～圖4所示。

由表3和2場洪水概率預報過程線可知，PCA-HUP模型（以新安江模型為確定性預報模型）提供的概率預報結果：預報區間（置信度為90%）覆蓋率在87%以上，且離散度在0.2以內，說明在相對較小的區間寬度內，預報區間仍然能夠覆蓋絕大多數實測數據，說明概率預報精度較高。此外，將每一時刻預報量概率分布的中位數預報與實測流量進行比較，確定性系數接近于1，洪峰誤差在1%以內，說明中位數預報的精度非常高，明顯高于新安江模型預報結果，充分體現了貝葉斯修正原理。從不同預見期的預報過程線中可以看出，隨著預見期的逐漸增大，區間寬度呈現出遞增的趨勢。

表2 PCA-HUP模型率定期模擬精度統計表（王家壩，Δt=2h）

圖2 王家壩斷面控制區域圖

表1 PCA-HUP模型參數表（王家壩）

圖3 a 19920505號洪水預報過程線圖（王家壩，Δt=2h）

圖3 b 19920505號洪水預報過程線圖（王家壩，Δt=6h）

圖3 c 19920505號洪水預報過程線圖（王家壩，Δt=12h）

圖4 a 19950707號洪水預報過程線圖（王家壩，Δt=2h）

圖4 b 19950707號洪水預報過程線圖（王家壩，Δt=6h）

圖4 c 19950707號洪水預報過程線圖（王家壩，Δt=12h）

表3 PCA-HUP模型驗證期概率預報精度統計表（王家壩，Δt=2h）

4 結論

本文在貝葉斯預報系統（BFS）的基礎上，對其水文不確定性處理器（HUP）進行改進，提出改進的貝葉斯概率預報系統（PCA-HUP），PCA-HUP模型是在正態空間中對預報誤差進行分析，構造線性似然函數，推求預報流量的后驗分布，實現洪水概率預報。以淮河王家壩斷面的洪水預報為示例進行了應用研究，表明該方法不僅可以提供不同置信度的區間預報結果，還可以獲得精度更高的定值預報結果。

該方法可以與任何確定性的水文預報模型相耦合。作為示例，文中對相對誤差進行了正態假設，但研究方法不局限于此，同樣適用于誤差服從其他分布的情況。限于研究區的預報誤差特征，本文僅考慮了誤差均值隨流量量級的變化規律，相同思路亦適用于誤差方差等分布參數隨流量變化的情況■