一种资料短缺情形下的二次耦合月径流预报方法技术

本发明专利技术公开了一种资料短缺情形下的二次耦合月径流预报方法，耦合模型结构参数少、结构简单，计算过程中不受水文资料的计算长度、地形和气象数据精度要求限制，通过GRNN模型与其他物理模型进行模型耦合确保模型系统对真实水文过程模拟的真实性，有效避免了大量使用经验公式和设定参数而带来的误差；对传统时间序列ARMA模型进行改进，提出将季节性ARMA模型应用于水文数据序列的延长技术；利用季节性ARMA模型延长后的月径流数据与耦合模型进行数据耦合，确定耦合模型的结构及参数，使二次耦合后得到的耦合式GRNN模型在水文资料相对短缺的流域也能确保径流模拟的精确度，对历史水文数据的依赖性低，有效保证耦合模型系统的实用性和适用性。

【技术实现步骤摘要】

本专利技术属于水文预测的多次耦合设计方法领域，具体涉及。
技术介绍
水文预报是水文学的一个重要组成部分，它是基于对实际水文现象的客观描述，利用水文、气象的实测资料，预测水文因素未来变化规律的一门水文学科。对流域来水进行预测是流域水库内水资源进行合理配置前必须进行的工作，可靠的月径流预测工作对水库进行多功能调度来说显得尤其重要。在水文径流预报模型中，按建模方式不同可分为概念式模型、分布式模型和黑箱式模型。其中前两种模型又可称为物理水文模型。概念式或分布式物理水文模型与流域的物理水文过程有密切的联系，短期模拟效果较好。但这些模型很多使用经验公式，且参数多，过程相对复杂，所以在模拟预测中的误差难以避免，且模型使用的预报期相对较短，通常在预报期较长的情况下不能满足预报的精度要求。神经网络模型属于黑箱式水文模型，具有高度的非线性映射能力，能够很好地反映径流时间序列的非线性关系。FFBP模型作为较常用的一种神经网络模型，具有结构简单参数相对较少和执行快速的特点。但是FFBP对初始值选取很敏感，不同的初始值对计算效率影响极大，且容易发生“过度拟合”情况。广义回归神经网络(GRNN, Generalized Regression Neural Network)模型能够有效的解决上述情况，且只有一个参数需要确定就能达到相对满意的结果。但是黑箱式水文模型较少对流域的物理基础进行研究，模型缺少对流域内在机制的描述，从而限制了预报结果的精度。使用模型耦合技术可以有效的解决上述问题，神经网络模型通过与其他物理模型进行模型耦合，对其提供的流域内在机制信息的学习，耦合模型的预测效果优于任一单一模型。GRNN模型简单的结构和一步式的学习过程，GRNN模型与物理式水文模型的耦合组合拥有简单高效的特点，预测结果明显优于同类型耦合模型。但是，由于我国很多流域水文站建设时间较短，相关水文资料数据不足，即水文观测数据少于20年，这样给径流的预测和计算带来很大困难。同时，流域中大量建设水工建筑物，使水面上升或下降，地域气候和下垫面状态变化，原有资料一定程度上不再适用于现有条件下的水文预测的情况。这些都导致了相关历史水文资料的短缺和代表性被破坏，仅使用单次模型耦合技术，预测精度难以保证。时间序列模型ARMA模型作为时间序列延长和预测工具被广泛的引用于经济、气象、农业和工业等领域。运用ARMA模型对原有月径流数据序列进行延长，并以延长后的数据确定耦合模型结构，即ARMA模型以数据耦合方式与原耦合模型进行二次耦合。但传统的ARMA模型对非线性平稳序列的预测精度不足，且预测的长度一般不易超过原序列长度的50%，故无法对资料短缺情况下的流域水文数据进行有效的延长。因此，需要以解决上述问题。
技术实现思路
专利技术目的:本专利技术针对现有技术中资料短缺情形下的无法对流域水文数据有效预测的缺陷，提供。技术方案:为实现上述专利技术目的，本专利技术的资料短缺情形下的二次耦合月径流预报方法可采用如下技术方案: ，包括以下步骤:I)、采用GRNN模型和物理水文模型，选取至少一个物理水文模型，对所述物理水文模型和GRNN模型所需的基础地形数据、气象数据和水文数据进行预处理，得到模拟历时所述GRNN模型和物理水文模型的月径流观测值，所述模拟历时分为训练期和测试期两个时段；2)、对所述物理水文模型进行配置，根据各所述物理水文模型参数的规范与要求对参数进行设定，得到模拟历时各物理水文模型的月径流预测值；3)、利用时间序列延长模型对训练期各物理水文模型的月径流预测值和月径流观测值进行补充和延长，同时利用时间序列延长模型对训练期所述GRNN模型的月径流观测值进行补充和延长，得到延长后的训练期的月径流数据；4)、利用模型耦合技术将GRNN模型和各所述物理水文模型分别进行模型耦合，得到一次耦合GRNN模型，然后将步骤3)得到的延长后的训练期的月径流数据与所述一次耦合GRNN模型进行数据耦合，确定数据耦合后模型的的网络结构和参数，得到二次耦合GRNN模型；其中，数据耦合即为将步骤3)得到的延长后的训练期的月径流数据代入所述一次耦合GRNN模型，这样就可以确定数据耦合后模型的网络结构和参数。5)、运用测试期所述GRNN模型的月径流观测值和物理水文模型的月径流预测值对所述二次耦合GRNN模型进行预报计算，并评定当前二次耦合GRNN模型是否是最优的组合；6)、利用步骤5)得到的最优的二次耦合GRNN模型对流域进行月径流预测。更进一步的，步骤I)中，按照流域特征与流域现有的基础地形、气象和水文数据情况，选取Q (Q ^ I)个与流域适应性较好的物理水文模型。更进一步的，所述物理水文模型为概念式模型或分布式模型。更进一步的，所述时间序列延长模型为季节性ARMA模型。更进一步的，步骤3)中，延长后的月径流数据为原模拟历时月径流数据的20~100 倍。更进一步的，原时间序列中的观测值为{XJ,季节性时间序列为{YJ,则季节性ARMA (p, d, q) (P, D, Q)s模型的表达式为:本文档来自技高网...

【技术保护点】
一种资料短缺情形下的二次耦合月径流预报方法，其特征在于，包括以下步骤：1）、采用GRNN模型和物理水文模型，选取至少一个物理水文模型，对所述物理水文模型和GRNN模型所需的基础地形数据、气象数据和水文数据进行预处理，得到模拟历时所述GRNN模型和物理水文模型的月径流观测值，所述模拟历时分为训练期和测试期两个时段；2）、对所述物理水文模型进行配置，根据各所述物理水文模型参数的规范与要求对参数进行设定，得到模拟历时各物理水文模型的月径流预测值；3）、利用时间序列延长模型对训练期各物理水文模型的月径流预测值和月径流观测值进行补充和延长，同时利用时间序列延长模型对训练期所述GRNN模型的月径流观测值进行补充和延长，得到延长后的训练期的月径流数据；4）、利用模型耦合技术将GRNN模型和各所述物理水文模型分别进行模型耦合，得到一次耦合GRNN模型，然后将步骤3）得到的延长后的训练期的月径流数据与所述一次耦合GRNN模型进行数据耦合，确定数据耦合后模型的的网络结构和参数，得到二次耦合GRNN模型；5）、运用测试期所述GRNN模型的月径流观测值和物理水文模型的月径流预测值对所述二次耦合GRNN模型进行预报计算，并评定当前二次耦合GRNN模型是否是最优的；6）、利用步骤5）得到的最优的二次耦合GRNN模型对流域进行月径流预测。...

【技术特征摘要】
1.一种资料短缺情形下的二次耦合月径流预报方法，其特征在于，包括以下步骤: 1)、采用GRNN模型和物理水文模型，选取至少一个物理水文模型，对所述物理水文模型和GRNN模型所需的基础地形数据、气象数据和水文数据进行预处理，得到模拟历时所述GRNN模型和物理水文模型的月径流观测值，所述模拟历时分为训练期和测试期两个时段； 2)、对所述物理水文模型进行配置，根据各所述物理水文模型参数的规范与要求对参数进行设定，得到模拟历时各物理水文模型的月径流预测值； 3)、利用时间序列延长模型对训练期各物理水文模型的月径流预测值和月径流观测值进行补充和延长，同时利用时间序列延长模型对训练期所述GRNN模型的月径流观测值进行补充和延长，得到延长后的训练期的月径流数据； 4)、利用模型耦合技术将GRNN模型和各所述物理水文模型分别进行模型耦合，得到一次耦合GRNN模型，然后将步骤3)得到的延长后的训练期的月径流数据与所述一次耦合GRNN模型进行数据耦合，确定数据耦合后模型的的网络结构和参数，得到二次耦合GRNN模型； 5)、运用测试期所述GRNN模型的月径流观测值和物理水文模型的月径流预测值对所述二次耦合GRNN模型进行预报计算，并评定当前二次耦合GRNN模型是否是最优的； 6)、利用步骤5)得到的最优的二次耦合GRNN模型对流域进行月径流预测。2.如权利要求1所述的资料短缺情形下的二次耦合月径流预报方法，其特征在于，步骤I)中，按照流域特征与流域现有的基础地形、气象和水文数据情况，选取Q (Q ^ I)个与流域适应性较好的物理水文模型。3.如权利要求1或2所述的资料短缺情形下的二次耦合月径流预报方法，其特征在于，所述物理水文模型为概念式模型或分布式模型。...

【专利技术属性】
技术研发人员：尹笋，唐德善，陈伟伟，陆姗姗，丁亿凡，
申请(专利权)人：河海大学，
类型：发明
国别省市：