水文模型结构诊断方法、径流预报方法及装置制造方法及图纸

本发明专利技术提供基于时变参数的水文模型结构诊断方法、径流预报方法及装置，能够构建出准确反映目标区域流域水文物理过程的模型结构，从而更精准地进行径流模拟和预报。水文模型结构诊断方法包括：步骤1.收集目标流域的水文数据；步骤2.筛选敏感参数；步骤3.水文模型参数率定以确定非敏感参数，数据同化以识别敏感参数时变序列；步骤4.分析敏感参数时变序列的影响因子；步骤5.根据影响因子诊断模型可能存在缺陷的模块，并选择该模块其他的概化结构，形成待测试模型；步骤6.识别待测试模型敏感参数的时变序列；步骤7.当参数的时间变化减弱、模拟效果改善时，则确定相应的待测试模型为结构更优的修正模型；步骤8.确定最终模型。步骤8.确定最终模型。步骤8.确定最终模型。

【技术实现步骤摘要】
水文模型结构诊断方法、径流预报方法及装置


[0001]本专利技术属于水文模型
，具体涉及一种基于时变参数的水文模型结构诊断方法、径流预报方法及装置。

技术介绍

[0002]径流预报是流域水资源开发、管理和利用的基础数据，流域水文模型作为描述降雨
‑
径流关系的有效工具，减少模型的不确定对提高径流预测能力至关重要。
[0003]数据、模型参数和模型结构是水文模型三个主要的不确定性来源，其中，由于模型结构难以量化，模型结构的不确定性研究较少。水文模型构建过程中，对自然界复杂的水文过程进行了概化，而不同流域水文气象条件各异，水文规律存在差别，因此很难找到一个概化的模型结构适用所有的流域条件，从而产生了模型结构不确定性。
[0004]由于不同流域间水文气象条件存在差异，理论上应结合流域特征，为每个流域单独建立模型。针对特定流域建立一个新模型存在工作量大、缺乏理论指导等问题。目前常用的一种方法是根据流域水文气象等因子构建水文模型参数时变函数式，达到扩展水文模型结构、补偿模型结构缺陷的效果。但构建水文模型参数时变函数式存在物理机制不清表达的问题，常用的函数形式无法完善表达水文物理过程，在模拟精度上仍存在提高空间；此外，在生产实践中，时变参数也往往不易获得。

技术实现思路

[0005]本专利技术是为了解决上述问题而进行的，目的在于提供一种基于时变参数的水文模型结构诊断方法、径流预报方法及装置，能够构建出准确反映目标流域水文物理过程的模型结构，从而更精准地进行径流模拟和预报，获得更加接近实际情况的径流预报数据。
[0006]本专利技术为了实现上述目的，采用了以下方案：
[0007]<模型结构诊断方法>
[0008]如图1所示，本专利技术提供一种水文模型结构诊断方法，其特征在于，包括以下步骤：
[0009]步骤1、选择水文模型M作为初始模型，收集目标流域的水文数据和同时期的水文气象因子数据；
[0010]步骤2、利用率定期的数据对水文模型M的参数进行敏感性分析，以误差平方和作为目标函数筛选敏感参数；
[0011]步骤3、使用优化算法在率定期对水文模型M的所有参数进行率定得到常参数，非敏感参数取值定为常参数值，敏感参数使用数据同化方法进行时变序列识别，集合卡尔曼滤波数据同化算法将径流观测值同化入水文模型中，以识别在每个计算步长的模型参数；
[0012]步骤4、将水文模型M敏感参数的时间变化序列与水文气象因子数据进行皮尔逊相关性分析，筛选与敏感参数时变序列高相关的因子作为影响因子；
[0013]步骤5、根据筛选出的影响因子，分析模型M中可能存在缺陷的水文模块，该水文模块在其他模型中具有多种不同的概化方法，选择其他概化方法作为替代结构，形成待测试
的水文模型{M1,M2,
…
,M
m
}；
[0014]步骤6、对待测试的水文模型{M1,M2,
…
,M
m
}进行敏感参数的时变序列识别；
[0015]步骤7、各个水文模型的适用性从两点进行分析，一是分析初始模型M、测试模型{M1,M2,
…
,M
m
}的参数时变性，若模型M
i
参数时间变化程度减弱，说明模型M
i
中时变参数对结构缺陷的补偿效应减弱，二是采用水文预报的评价指标NSE、NSE
log
、KGE、VE、KGE
SRM
来评估模型模拟效果，M
i
模拟指标提升说明模型M
i
的结构在该流域适用性更强；选取参数时间变化程度减弱、模拟指标得到提升的模型M
i
作为修正模型；
[0016]步骤8、判断修正模型M
i
中敏感参数是否平稳，若平稳则确定M
i
为本次模型结构诊断的最终模型；否则返回步骤4将修正模型Mi作为水文模型M，依次执行。
[0017]优选地，本专利技术提供的水文模型结构诊断方法，还可以具有以下特征：在步骤2中，敏感性分析方法采用MORRIS敏感性分析，各个参数以同一个相对变化量变化，越敏感的参数对模型输出的影响越大，以误差平方和作为目标函数筛选敏感参数，
[0018][0019]式中，Q
oi
为第i时刻的观测径流，Q
si
为第i时刻的模拟径流，n为径流序列长度。
[0020]优选地，本专利技术提供的水文模型结构诊断方法，还可以具有以下特征：在步骤1中收集的水文数据包括降雨、蒸发、径流数据；
[0021]水文气象因子包括降雨(P)、潜在蒸散发(E)、相对湿度(Wet)、日照时数(Sun)、平均温度(T)、最高温度(T
max
)、最低温度(T
min
)、风速(Vw)因子。
[0022]优选地，本专利技术提供的水文模型结构诊断方法，还可以具有以下特征：在步骤7中，评价指标NSE、NSE
log
、KGE、VE、KGE
SRM
分别采用如下公式计算得到：
[0023][0024][0025][0026][0027][0028]式中，Q
oi
为第i时刻的观测径流，Q
si
为第i时刻的模拟径流，为观测径流平均值，为对观测径流取对数后的序列平均值，n为径流序列长度，k为模型参数个数，r为观测径流和模拟径流的相关系数，μ
o
和μ
s
分别为观测径流和模拟径流的平均值，σ
o
和σ
s
分别为观测径流和模拟径流的标准差。
[0029]优选地，本专利技术提供的水文模型结构诊断方法，还可以具有以下特征：在步骤7中，当存在多个模型参数时间变化程度减弱，选取参数时间变化程度最小的模型作为修正模型。
[0030]优选地，本专利技术提供的水文模型结构诊断方法，还可以具有以下特征：在步骤8中，
平稳是指参数序列趋势性、周期性和变点均不显著。
[0031]<径流预报方法>
[0032]本专利技术还提供了一种基于水文模型结构诊断的径流预报方法，其特征在于，包括：以上<模型结构诊断方法>所描述的步骤1至步骤8；和步骤9、将实测水文数据输入最终模型中，进行径流预报。
[0033]<装置>
[0034]进一步，本专利技术提供了基于水文模型结构诊断的径流预报装置，其特征在于，包括：
[0035]数据获取部，获取目标流域的水文数据和同时期的水文气象因子数据；
[0036]敏感参数筛选部，选择水文模型M作为初始模型，利用率定期的数据对水文模型M的参数进行敏感性分析，以误差平方和作为目标函数筛选敏感参数；
[0037]识别部，使用优化算法在率定期对水文模型M的所有参数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水文模型结构诊断方法，其特征在于，包括以下步骤：步骤1、选择水文模型M作为初始模型，收集目标流域的水文数据和同时期的水文气象因子数据；步骤2、利用率定期的数据对水文模型M的参数进行敏感性分析，以误差平方和作为目标函数筛选敏感参数；步骤3、使用优化算法在率定期对水文模型M的所有参数进行率定得到常参数，非敏感参数取值定为常参数值，敏感参数使用数据同化方法进行时变序列识别，集合卡尔曼滤波数据同化算法将径流观测值同化入水文模型中，以识别在每个计算步长的模型参数；步骤4、将水文模型M敏感参数的时间变化序列与水文气象因子数据进行皮尔逊相关性分析，筛选与敏感参数时变序列高相关的因子作为影响因子；步骤5、根据筛选出的影响因子，分析模型M中可能存在缺陷的水文模块，该水文模块在其他模型中具有多种不同的概化方法，选择其他概化方法作为替代结构，形成待测试的水文模型{M1,M2,
…
,M
m
}；步骤6、对待测试的水文模型{M1,M2,
…
,M
m
}进行敏感参数的时变序列识别；步骤7、各个水文模型的适用性从两点进行分析，一是分析初始模型M、测试模型{M1,M2,
…
,M
m
}的参数时变性，若模型M
i
参数时间变化程度减弱，说明模型M
i
中时变参数对结构缺陷的补偿效应减弱，二是采用水文预报的评价指标NSE、NSE
log
、KGE、VE、KGE
SRM
来评估模型模拟效果，M
i
模拟指标提升说明模型M
i
的结构在该流域适用性更强；选取参数时间变化程度减弱、模拟指标得到提升的模型M
i
作为修正模型；步骤8、判断修正模型M
i
中敏感参数是否平稳，若平稳则确定M
i
为本次模型结构诊断的最终模型；否则返回步骤4将修正模型Mi作为水文模型M，依次执行。2.根据权利要求1所述的水文模型结构诊断方法，其特征在于：其中，在步骤2中，敏感性分析方法采用MORRIS敏感性分析，各个参数以同一个相对变化量变化，越敏感的参数对模型输出的影响越大，以误差平方和作为目标函数筛选敏感参数，式中，Q
oi
为第i时刻的观测径流，Q
si
为第i时刻的模拟径流，n为径流序列长度。3.根据权利要求1所述的水文模型结构诊断方法，其特征在于：其中，在步骤1中收集的水文数据包括降雨、蒸发、径流数据；水文气象因子包括降雨P、潜在蒸散发E、相对湿度Wet、日照时数Sun、平均温度T、最高温度T
max
、最低温度T
min
、风速因子Vw。4.根据权利要求1所述的水文模型结构诊断方法，其特征在于：其中，在步骤7中，评价指标NSE、NSE
log
、KGE、VE、KGE
SRM
分别采用如下公式计算得到：分别采用如下公式计算得到：
式中，Q
oi
为第i时刻的观测径流，Q
si
为第i时刻的模拟径流，为观测径流平均值，为对观测径流取对数后的序列平均值，n为径流序列长度，k为模型参数个数，r为观测径流和模拟径流的相关系数，μ
o
和μ
s
分别为观测径流和模拟径流的平均值，σ
o
和σ
s
分别为观测径流和模拟径流的标准差。5.根据权利要求1所述的水文模型结构诊断方法，其特征在于：其中，在步骤7中，当存在多个模型参数时间变化程度减弱，选取参数时间变化程度最小的模型作为修正模型。6.根据权利要求1所述的水文模型结构诊断方法，其特征在于：其中，在步骤8中，平稳是指参数序列趋势性、周期性和变点均不显著。7.基于水文模型结构诊断的径流预报方法，其特征在于，包括以下步骤：步骤1、选择水文模型M作为初始模型，收集目标流域的水文数据和同时期的水文气象因子数据；步骤2、利用率定期的数据对水文模型M的参数进行敏感性分析，以误差平方和作为目标函数筛选敏感参数；步骤3、使用优化算法在率定期对水文模型M的所有参数进行率定得到常参数，非敏感参数取值定为常参数值，敏感参数使用数据同化方法进行时变序列识别，集合卡尔曼滤波数据同化算法将径流观测值同化入水文模型中，以识别在每个计算步长的模型参数；步骤4、将水文模型M敏感参数的时间变化序列与水文气象因子数据进行皮尔逊相关性分析，筛选与敏感参数时变序列高相关的因子作为影响因子；步骤5、根据筛选出的影响因子，分析模型M中可能存在缺陷的水文模块，该水文模块在其他模型中具有多种不同的概化方法，选择其他概化方法...

【专利技术属性】
技术研发人员：周丽婷，刘攀，夏倩，刘杨合，谢康，
申请(专利权)人：武汉大学，
类型：发明
国别省市：