一种基于CPP的水文模型参数动态率定方法技术

本发明专利技术涉及一种基于CPP的水文模型参数动态率定方法。包括：S1.将率定期在年尺度上划分为多个子期，并计算所有子期的气象聚类指标和下垫面聚类指标；基于聚类指标与流量之间的非线性关系来筛选出候选聚类指数；S2.采用PCA算法消除聚类指标之间的多重共线性；S3.对所有年份的每个子期的聚类指标值进行平均；并根据气象指标和下垫面指标依次进行两次聚类操作，最终将年内水文过程划分为四个子期进行率定；S4.采用改进的并行率定方案在每个子期对TOPMODEL模型参数进行独立地优选，并组合以生成连续的流量序列值；S5.利用多指标综合评价体系评估水文模型在不同流量条件下的模拟性能。本发明专利技术有效提高了水文模型在变化环境下的预测能力。

A dynamic calibration method of hydrological model parameters based on CPP

The invention relates to a method for dynamic calibration of hydrological model parameters based on CPP. Including: S1. Divide the rate into several sub periods on the annual scale regularly, and calculate the meteorological clustering indexes and underlying surface clustering indexes of all sub periods; select candidate clustering indexes based on the non-linear relationship between clustering indexes and flow; S2. Use PCA algorithm to eliminate the multicollinearity between clustering indexes; S3. Average the clustering indexes of each sub period of all years; and According to the meteorological index and underlying surface index, the hydrological process is divided into four sub periods for calibration; S4. The parameters of TOPMODEL model are independently optimized and combined to generate continuous flow sequence values in each sub period by using improved parallel calibration scheme; S5. The hydrological model is evaluated in different flow terms by using multi index comprehensive evaluation system Simulation performance. The invention effectively improves the prediction ability of the hydrological model under the changing environment.

【技术实现步骤摘要】
一种基于CPP的水文模型参数动态率定方法
本专利技术涉及水文模拟和预报
，更具体地，涉及一种基于CPP的水文模型参数动态率定方法。
技术介绍
水文预报在防汛、抗旱、水资源开发利用、国民经济建设和国防等领域都有广泛的应用，经济效益巨大，应用单位众多。准确的水文预报为农业灌溉，生态系统管理，灾害管理，水力发电以及农村和城市供水提供了有价值的信息。因此，越来越多的过程驱动型或数据驱动型水文模型被设计开发。概念性水文模型用概化的方法表达流域的水文过程，模型结构简单，模拟结果有时不理想，但实用性强。分布式水文模型能够更准确地描述水文过程，但是对所需资料过于详细，计算过程过于复杂。无论是何种类型的水文模型，当前仍面临着诸多问题和挑战，例如模型参数的收敛性、参数的不确定性、参数的敏感性、模型结构的不确定性、模型的复杂性、模型的鲁棒性以及不同流量相位预测精度的冲突等等。
技术实现思路
本专利技术为克服上述现有技术中的缺陷，提供一种基于CPP的水文模型参数动态率定方法，提高了水文模型在变化环境下的预测能力。为解决上述技术问题，本专利技术采用的技术方案是：一种基于CPP的水文模型参数动态率定方法，包括以下步骤：步骤1.将率定期在年尺度上划分为多个子期，并计算所有子期的气象聚类指标和下垫面聚类指标；基于聚类指标与流量之间的非线性关系来筛选出候选聚类指数。将率定期在年尺度上划分为24个子期，时间尺度为半个月。半个月时间尺度不仅避免了连续的水文过程被打乱，而且保证了聚类的最小分类单元。聚类指标包括气象指标和下垫面指标。对于气象指标，除了考虑所有年份的各子期(半月时间尺度)平均降水和蒸发量，还考虑了流域的水文行为对极端气候事件高度敏感性，相应的极端气象指标也被视为聚类指标的另一部分。极端气象指标是参照世界气象组织联合专家组针对气候变化检测生成的指标(ETCCDI)而确定的。以往的研究主要集中在研究气象条件的变化对动态模型参数的影响，即基于单个或多个气象指标实现水文过程的聚类(划分)。然而，除了显著的气候季节性变化，下垫面变化(如土壤湿度，土地利用和植被变化)也是流域特征变化的另一种重要形式，其在流域水文响应方面发挥着重要的作用。值得注意的是，下垫面变化的实测数据是很难获得的，特别是在无资料地区。前期的流量可间接地反映前期的土壤水分和地下水储存量。因此，它被作为本专利技术中的下垫面指标之一。水文数据挖掘不仅需要考虑单个水文气象数据，还需要考虑多维度水文气象数据之间的相关性。径流系数是反映降水与径流之间关系的最简单的指标。它可以描述河流的下渗，蒸发，滞留和拦截等综合水文过程的影响。因此，径流系数被用作另一个下垫面指标。表1列出了聚类指标的详细说明。表1本专利技术选取的水文气象聚类指标除了选择合适的聚类指标外，聚类指标的预处理在子期聚类中起着重要作用。聚类指标之间复杂的非线性关系以及与径流量之间的弱相关性可能会严重干扰水文过程聚类。因此，在进行聚类操作之前，本专利技术首先利用MIC指标分析所有聚类指标间以及聚类指标与径流量时间序列之间复杂的相关性来筛选聚类指标。最大信息系数(MaximalInformationCoefficient，MIC)属于基于非参数探索的最大信息系数(MaximalInformation-basedNonparametricExploration，MINE)，用于衡量两个变量X和Y的线性或非线性的强度。MIC度量具有均衡性，对于相同噪声水平的函数关系或者非函数关系，MIC度量具有近似的值。所以MIC度量不仅可以用来纵向比较同一相关关系的强度，还可以用来横向比较不同关系的强度。当拥有充足的统计样本时，可以捕获广泛的关系，而不限定于特定的函数类型(如线性、指数型、周期型等)。此外，MIC对不同类型的噪声程度同等的关系给予相近的分数。本专利技术采用基于模拟退火和遗传的最大信息系数(SimulatedannealingandGenetic，SG-MIC)算法分析聚类指标间的非线性关系，该算法是改进了MIC算法的最优计算过程。步骤2.对选择的水文气象聚类指标进行预处理；采用PCA算法消除聚类指标之间的多重共线性。水文系统的非线性行为在所有的空间和时间尺度上以各种方式显著地呈现，存在非线性的主要原因如下：(1)气象变量和土地利用类型等输入因子以高度的非线性方式发生变化；(2)水文循环各组成部分之间复杂的相互作用也导致了水文系统的非线性特征。然而，常用的相关系数，如Pearson相关系数，很少提供有力且有意义的方法来量化具有均匀高斯噪声的水文变量之间的非线性关系。因此，本专利技术采用最大信息系数(Maximalinformationcoefficient，MIC)来确定上述聚类指标间以及聚类指标和径流量时间序列间的非线性相关性。针对该筛选准则，本专利技术假设当MIC值大于0.35时，两个因子之间具有显著的非线性相关性。由于协方差矩阵的复杂计算过程，聚类算法对高维度数据集进行分类时性能表现较差，即聚类指标的信息冗余削弱了聚类的稳健性。因此，本专利技术利用主成分分析(PCA)以消除聚类指标间的多重共线性和冗余信息。在多元统计分析中，主成分分析(Principalcomponentsanalysis，PCA)是一种分析、简化数据集的技术，可减少数据冗余并显示嵌入模式。主成分分析经常用于减少数据集的维数，同时保持数据集中对方差贡献最大的特征。这是通过保留低阶主成分，忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要方面。该算法使用正交变换将具有潜在相关性的一组变量转换为具有较小维度的线性不相关矢量。由此产生的称为PC的向量是正交的，因为协方差矩阵的特征向量是对称的。步骤3.基于预处理的水文气象指标进行水文过程聚类。本专利技术提出的聚类方案以应对以下两个挑战：一是区分年内的气象条件和下垫面条件对区域水文过程的影响。这两个聚类指标系统在不同的时间尺度上以不同的方式影响流域水文循环过程。当气象指标和下垫面指标结合起来进行无区别聚类时，不合理的聚类可能进一步破坏流域的模型性能；另一个是径流系数(C)，其值在干旱期是极为不稳定(可靠)的，因为该季节的降水量通常接近于零，这将会导致径流系数出现异常高值。因此，本专利技术提出了以下聚类方案：利用24组气象指标，利用模糊C均值聚类方法在年尺度上将率定期划分为三个子期，包括干旱期，平水期和湿润期，记为聚类操作I。湿润期和干旱期的气象条件是显著不同的。平水期则是湿润期和干旱期之间的过渡期。然而，平水期的进一步探索是常常被忽略的。通常地，在湿润期的两侧有两个平水期。虽然这两个子期的气象条件相似，但径流产生条件有着显著的差异。其中的一个平水期具有较低的前期径流量大小和径流系数值，其相应的流域特征包括较低的前期土壤含水量和较差的径流生成条件。另一个平水期则与其相反。考虑上述原因，本专利技术基于下垫面指标对平水年进行了进一步的聚类划分操作。综上，分别基于气象指标和下垫面指标的两次聚类操作将率定期划分为四个子期进行率定，即干旱期，雨期I(具有较差的径流生成条件的平水期)，雨期II(本文档来自技高网...

【技术保护点】
1.一种基于CPP的水文模型参数动态率定方法，其特征在于，包括以下步骤：/nS1.将率定期在年尺度上划分为多个子期，并计算所有子期的气象聚类指标和下垫面聚类指标；基于聚类指标与流量之间的非线性关系来筛选出候选聚类指数；/nS2.采用PCA算法消除聚类指标之间的多重共线性；/nS3.对所有年份的每个子期的聚类指标值进行平均；并根据气象指标和下垫面指标依次进行两次聚类操作，最终将年内水文过程划分为四个子期进行率定，即干旱期，雨期I，雨期II和雨期III；/nS4.采用改进的并行率定方案在每个子期对TOPMODEL模型参数进行独立地优选，并组合以生成连续的流量序列值；/nS5.利用多指标综合评价体系评估水文模型在不同流量条件下的模拟性能。/n

【技术特征摘要】
1.一种基于CPP的水文模型参数动态率定方法，其特征在于，包括以下步骤：
S1.将率定期在年尺度上划分为多个子期，并计算所有子期的气象聚类指标和下垫面聚类指标；基于聚类指标与流量之间的非线性关系来筛选出候选聚类指数；
S2.采用PCA算法消除聚类指标之间的多重共线性；
S3.对所有年份的每个子期的聚类指标值进行平均；并根据气象指标和下垫面指标依次进行两次聚类操作，最终将年内水文过程划分为四个子期进行率定，即干旱期，雨期I，雨期II和雨期III；
S4.采用改进的并行率定方案在每个子期对TOPMODEL模型参数进行独立地优选，并组合以生成连续的流量序列值；
S5.利用多指标综合评价体系评估水文模型在不同流量条件下的模拟性能。


2.根据权利要求1所述的基于CPP的水文模型参数动态率定方法，其特征在于，所述的S1步骤具体包括：
1)将率定期在年尺度上划分为24个子期，时间尺度为半个月；
2)对于气象指标，除了考虑所有年份的各子期平均降水和蒸发量，还考虑了流域的水文行为对极端气候事件高度敏感性，相应的极端气象指标也被视为聚类指标的另一部分；
3)考虑径流系数以反映降水与径流之间关系的相关关系...

【专利技术属性】
技术研发人员：林凯荣，兰甜，梁汝豪，卢鹏宇，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东;44