基于气象大数据的径流预报改进方法技术

本发明专利技术涉及一种基于气象大数据的径流预报改进方法，其包括以下步骤：获取特定区域、时间的数据，所述数据包括降水数据、其他水文输入数据；进行降水订正；获取历史观测径流数据，运用DREAM参数率定方法进行水文参数率定；运行水文模式，得到径流模拟结果；进行径流集合平均检验与概率性检验。由此，基于气象预报降水大数据的长期系统误差分析，对流域从量级和空间分布上订正集合降水预报，提高径流模拟能力。基于径流模拟对流域面雨量较为敏感的特性，对历史相似法寻找历史相似预报的标准进行了改进，提高了集合降水预报的订正效果，实现了在有限气象数据中得到最优径流预报结果的目的。

Improved method of runoff forecast based on Meteorological big data

【技术实现步骤摘要】
基于气象大数据的径流预报改进方法
本专利技术涉及一种改进方法，尤其涉及一种基于气象大数据的径流预报改进方法。
技术介绍
在众多的自然灾害中，极端降水所引起的洪涝灾害是最严重的自然灾害，目前已经成为制约社会经济可持续发展的主要因素之一。精确的水文模拟和预报对于水资源评估和洪水预警是至关重要的。但水文预报存在很多不确定性，主要分为水文模型输入的不确定性、流域初始条件和下边界条件不确定性、水文模型结构和参数不确定性。其中降水作为主要的水文模型输入是水文不确定性的最重要来源。同时，气象模式输出降水(预报降水)因其本身存在的系统误差原因使得水文的径流预报存在较大误差，尤其对于大径流预报(洪水预警)等误差严重。目前，现有技术提供了一种基于流式大数据处理方式的降雨径流预测计算方法(201610808770)，具体来说：其首先设计基于实时水量的子流域及时预测算法和基于SCS模型洪水预测算法，然后使用流式大数据处理方式对这两个算法进行处理。流域划分与断面流量计算原理通过把大、中流域划分为不同子流域，利用SCS模型及其改进模型对每个子流域进行径流计算，获取每个子流域的径流。大、中型流域划分为不同子流域的方法。但是，其参考的参数较少，只能针对特定流域进行实施，实际预测效果较差。并且预报时效有限，不能为洪水的提前防护提供更多时间。同时，现有技术还提供了一种降雨径流预报方法(201810632402)。其包括：通过水雨情数据库存储降雨径流预报演算模块所需的时间、水位、雨量、流量数据，并根据用户需要设置未来时段假拟数据，用以实时降雨洪水预报，短期、中期、长期降雨径流预报；通过用户参数配置模块存储和计算降雨径流预报所需参数及降雨径流资料供降雨径流预报演算模块调用，用于用户设置、调整预报参数，调整预报精度；通过降雨径流预报演算模块根据水雨情数据库提供的水雨情数据及用户参数配置模块提供的配置参数，对未来的径流过程进行预报，并根据涨水和退水情况对预报结果进行修正；通过降雨径流预报成果统计模块根据降雨径流预报演算模块的预报过程，对径流或洪水过程进行统计评估，统计评估的内容包括，短期、中期、长期预报的洪峰、洪量、峰现时间、及洪峰洪量精度；通过降雨径流预报图形模块形成降雨径流预报图，所述预报图包括短期降雨径流预报图、中期降雨径流预报图及长期降雨径流预报图。但是，这种方法基于预报图为基准，过度依赖于先前已产生的洪水数据，偏重高水位的降水数据，无法实现较为完整的降雨径流预报。并且，目前业内也有采用历史相似法来进行判别，获取相关的预测数值。然而，现有的历史相似法只能用于单纯的气象预报数据的订正，对历史数据数量的需求非常大，最理想的情况是假设用于训练的数据是无穷多的，使得可以在历史数据中找到完全相同的预报天数，这在现实情况中是不可能实现的。单纯以实现气象误差(如均方根误差等)最小找寻历史相似预报，将其输入进水文模型并不能得到较好的径流预报结果，甚至有时是负效果，这是因为水文模型更关注整个流域的面雨量误差以及降水的空间分布情况。有鉴于上述的缺陷，本设计人，积极加以研究创新，以期创设一种基于气象大数据的径流预报改进方法，使其更具有产业上的利用价值。
技术实现思路
为解决上述技术问题，本专利技术的目的是提供一种基于气象大数据的径流预报改进方法。本专利技术的基于气象大数据的径流预报改进方法，其特征在于包括以下步骤：步骤一，获取特定区域、时间的数据，所述数据包括降水数据、其他水文输入数据；步骤二，进行降水订正；步骤三，获取观测径流数据，运用DREAM参数率定方法进行水文参数率定步骤四，运行水文模式，得到径流模拟结果；步骤五，进行径流集合平均检验与概率性检验。进一步地，上述的基于气象大数据的径流预报改进方法，其中，所述降水数据，包括观测降水数据、预报降水数据；所述其他水文输入数据，至少包括数字高程数据、植被数据、土壤输入数据、其他气象强迫数据，所述其他气象强迫数据包括风速、日最高和最低气温；所述观测降水数据为ChinaGauge-basedDailyPrecipitationAnalysis(CGDPA)，即中国逐日网格降水资料；所述预报降水数据是NCEPGEFS第二代reforecast数据所产生的24小时累计降水(00UTC-00UTC)集合预报，包含1个控制预报和10个扰动成员，但计算集合平均的时候仅使用扰动成员。数据存储的分辨率为1°。更进一步地，上述的基于气象大数据的径流预报改进方法，其中，所述集合平均检验为，选用定量分析GEFSreforecast数据预报的整体水平的度量标准，包括systematicbias(Bias)，Pearsoncorrelationcoefficient(CC)andrelativeerror(RE)，它们的计算公式如下：其中，n是事件的总数，Oi和Si是第i对被检验的观测降水分析和降水预报量；和分别是它们相对应的平均值。在次期间，采用四种评分标准对GEFSreforecast数据的二分事件的预报能力进行评估，分别为equitablethreatscore(ETS)，FrequencyBias，probabilityofdetection(POD)和falsealarmratio(FAR)。它们的最优值分别是1，1，1，0，变化范围分别为-1/3-1，0-1，0-1，0-∞。equitablethreatscore(ETS)评估去掉随机因素的发生的事件被正确预报出的比率，probabilityofdetection(POD)为命中率，评估发生的事件被正确预报出的比率，falsealarmratio(FAR)为假警率，评估实际没发生但预报有的事件的比率，FrequencyBias为频率偏差，评估预报发生的事件和实际发生的事件的比率。它们的计算公式如下：其中，H表示正确预报的格点数，M表示漏报格点数，F表示空报格点数，C表示正确预报出未存在降水事件格点数。更进一步地，上述的基于气象大数据的径流预报改进方法，其中，所述概率性检验为通过RMSEVSSPRD，之后获取ROC面积，再进行BSS评分。更进一步地，上述的基于气象大数据的径流预报改进方法，其中，所述比较集合成员的集合离散度与集合平均的均方根误差可以分析集合离散度误差关系，检验集合预报系统成员的离散状态，记fi(n)代表第i个样本的第n个集合成员的预报值，其中i＝1，2，3，…，M；n＝1，2，3，…，N；M为总的样本数，N为集合成员数；记Oi代表第i个样本的观测；采用的集合平均为均方根误差为集合离散度为更进一步地，上述的基于气象大数据的径流预报改进方法，其中，所述ROC为RelativeOperatingCharacteristic，其曲线是信号检测理论中一种描述灵敏度的图像，用于衡量预报系统区别二分类事件的能力；首先设定一个概率阈本文档来自技高网...

【技术保护点】
1.基于气象大数据的径流预报改进方法，其特征在于包括以下步骤：/n步骤一，获取特定区域、时间的数据，所述数据包括降水数据、其他水文输入数据；/n步骤二，进行降水订正；/n步骤三，获取观测径流数据，运用DREAM参数率定方法进行水文参数率定；/n步骤四，运行水文模式，得到径流模拟结果；/n步骤五，进行径流集合平均检验与概率性检验。/n

【技术特征摘要】
1.基于气象大数据的径流预报改进方法，其特征在于包括以下步骤：
步骤一，获取特定区域、时间的数据，所述数据包括降水数据、其他水文输入数据；
步骤二，进行降水订正；
步骤三，获取观测径流数据，运用DREAM参数率定方法进行水文参数率定；
步骤四，运行水文模式，得到径流模拟结果；
步骤五，进行径流集合平均检验与概率性检验。


2.根据权利要求1所述的基于气象大数据的径流预报改进方法，其特征在于：所述降水数据，包括观测降水数据、预报降水数据；
所述其他水文输入数据，至少包括数字高程数据、植被数据、土壤输入数据、其他气象强迫数据，
所述其他气象强迫数据包括风速、日最高和最低气温；
所述观测降水数据为ChinaGauge-basedDailyPrecipitationAnalysis(CGDPA)，即中国逐日网格降水资料；所述预报降水数据是NCEPGEFS第二代reforecast数据所产生的24小时累计降水(00UTC-00UTC)集合预报，包含1个控制预报和10个扰动成员，但计算集合平均的时候仅使用扰动成员。数据存储的分辨率为1°。


3.根据权利要求1所述的基于气象大数据的径流预报改进方法，其特征在于：所述集合平均检验为，选用定量分析GEFSreforecast数据预报的整体水平的度量标准，包括systematicbias(Bias)，Pearsoncorrelationcoefficient(CC)andrelativeerror(RE)，它们的计算公式如下：









其中，n是事件的总数，Oi和Si是第i对被检验的观测降水分析和降水预报量；和分别是它们相对应的平均值；
采用四种评分标准对GEFSreforecast数据的预报能力进行评估，分别为equitablethreatscore(ETS)，FrequencyBias，probabilityofdetection(POD)和falsealarmratio(FAR)；它们的最优值分别是1，1，1，0，变化范围分别为-1/3-1，0-1，0-1，0-∞；equitablethreatscore(ETS)评估去掉随机因素的发生的事件被正确预报出的比率，probabilityofdetection(POD)为命中率，评估发生的事件被正确预报出的比率，falsealarmratio(FAR)为假警率，评估实际没发生但预报有的事件的比率，FrequencyBias为频率偏差，评估预报发生的事件和实际发生的事件的比率；
它们的计算公式如下：









其中，H表示正确预报的格点数，M表示漏报格点数，F表示空报格点数，C表示正确预报出未存在降水事件格点数。


4.根据权利要求1所述的基于气象大数据的径流预报改进方法，其特征在于：所述概率性检验为通过RMSEVSSPRD，之后获取ROC面积，再进行BSS评分。


5.根据权利要求4所述的基于气象大数据的径流预报改进方法，其特征在于：所述比较集合成员的集合离散度与集合平均的均方根误差可以分析集合离散度误差关系，检验集合预报系统成员的离散状态，
记fi(n)代表第i个样本的第n个集合成员的预报值，其中i＝1，2，3，…，M；n＝1，2，3，…，N；M为总的样本数，N为集合成...

【专利技术属性】
技术研发人员：杨春蕾，袁慧玲，顾明剑，
申请(专利权)人：中国科学院上海技术物理研究所苏州研究院，南京大学，
类型：发明
国别省市：江苏;32