水文预报方法分析

在水利水电工作中，水文预报具有重要的意义，通过水文预报可以获知流域的实际状况以及未来一段时间的发展状态。水文预报方式相对较多，通✯过驱动方式的差异可以将其分为过程驱动和数据驱动两种模型方式。过程驱动也属于数学模型，是对径流以及河道的产流、演进等过程进行模拟的一种模型，从而对流域流量进行预报。而与过程驱动模型不同的数据模型则属于物理机制，几乎不受水文过程影响，通过将获取数据之间的关系，获取模型的黑箱子方式。其中回归模型是使用最为广泛的数据驱动模型，但是随着水文预测技术的发展近年来我国还产生了更多新型的水文预测方式，不但提升了水文预测效率，同时也提高了水文预测精度。加之水文数据获取能力的提升，在水文预测工作中越来越多的开始使用数据驱动模型进行水文状况的预测。

1 过程驱动模型分析

依照应用领域的不同可以将过程驱动模型分为两类，一类为枯季径流退水模型，另一类为概念性流域降雨径流模型。前者主要用于慢反应水源以及地下水作为水源的流域；后者应用范围相对较广，可以在不同径流中的流量过程。

1.1 枯季径流退水模型

通过退水曲线可以反应出自然流域在不同时节的水文状况，尤其是枯季径流退税过程。通过枯季径流退水曲线法可以总结出枯季径流的退水规律，从而将其应用到径流量以及过程的预报中。另外需要注意该种方式仅仅适用在没有显著降水的情况下，若降水对径流状态有明显影响，则该方式无法使用。

该种模型主要结合了经验公式以及物理学公式，通过二者的结合，针对径流河道的演进过程进行模拟，并将径流同降雨之间的转换描述出来。概念性模型在短期水文预报中预报时间较短，其预报时间间隔大多为日或小时。而在中长期水文预报中会适当调整输入、输出量时间，将其变化为旬或月，通过这种改变调整该种预报方式的适用范围。在降雨径流模型中，降水输入是必不可少的，所以需要将降水预报结合到中长期的水文预报中，以此✄提高水文预报精度。

而在时间尺度相对较大的水文预报中，若使用概念性模型，需要适当对模型结构进行调整，从而保证模型预报精度。例如在月经流量预报中所使用的水箱模型，都是经过长时间的实践研究，经过不断改善后的技术成果。

2 数据驱动模型分析

下面便针对几种常见的数据驱动模型进行具体分析。

2.1 回归分析

回归分析是流量中长期预报中应用最早、最广的方法之一，其应用于径流预报的历史可以追溯到早期的降雨径流相关图方法，20世纪60年代以后随计算机技术的发展而迅速普及，并且主成分分析等技术被引入到回归分析之中，以提高预报精度。回归分析至今仍是流量预报实际工作中的一种重要手段。

从操作分析，回归模型便于操作，较为容易实现。在中长期预报中，依照流量以及影响因素分析，应当在以下方面多加关注：首先，研究区域中长期流量同模型中那些指标相关性最强；其次，研究区域中的时间尺度同选定指标中哪一时间尺度具有相对较大的关联性；最后，在模型建设中相关性之间的时距多长。在水文预报中预报因子相对较多，例如积雪量、土壤适度以及降水量、上游站前期流量、预报站前期流量和气温等。另外一些控制流量过程长期变化的因素也可以作为预报因子。这是由于很多预报因子虽然会对流域造成影响，但是会存在滞后时间，有些滞后时间为几个月，有些甚至长达几年。所以在水文预报工作中充分考虑这些因子能够提高水文预报精度。

2.2 时间序列

水文学研究中时间序列是最为核心的工具之一。时间序列模型在水文预报中使用较多，依照时间序列数目，在模型中可以分为两大类，一种为多变量模型，一种为单变量模型。

2.3 神经网络

人工神经网络（ANN）具有良好的非线性映射能力，而且ANN模型构建方便，对数据的适应性很好，因而ANN可以说是近10多年来最广为关注的一种非线性预报方法，已被广泛应用ง于实时中长期水文预报中。最常用于径流预 ﭢ报的ANN类型为采用误差后向传播（BP）算法的多层感知器（MLP）神经网络（rE被称为BP网络），广泛应用于年、月径流量或平均流量的预报。此外，为了更好地拟合流量过程的非线性特征，可以采用模块化神经网络进行流量过程的中长期预报。

采用ANN模型进行预报时最重要的是确定哪些数据作为输入，采用什么类型的神经网络以及相应的网络结构。关于如何确定ANN输入变量，有两个问题需要考虑：一是当训练数据长度较短，无法覆盖序列的全部可能范围时，如何提高ANN对可能出现的极端情况的预报能力。为解决这一问题，在用MLP模型进行月平均流量预报时，先用AR模型生成模拟序列，以此增加训练数据量，提高预报精度。二是在进行多步预报时，如何解决ANN模型的气象输入数据。理想的选择是采用气象预报数据，因此也有研究者采用历史气象数据作为ANN模型的输入进行多步预报。

2.4 模糊数学

将模糊数学模型应用到水文预报领域模型预测中的方式主要有两种，一种为模糊逻辑法，另一种为模糊模式识别预测法。若变量之间因果关系不十分明确，那么使用模糊逻辑方式较为适宜。依照变量之间所具有的模糊逻辑关系，建立起逻辑模型或者专家系统，从而对流量进行有效预报。而模糊模式识别预测法，其基础为历史样本的模糊聚类，通过对历史样本模式进行分析计算测到待测状态特征。继而以后早回归方程对水文状态进行预报。除此之外较为直接的方式是从历史数据中找寻同测量样本特征值之间差距最小的或最为接近的状态，并将该状态下一刻的状态值作为当前的预报值。但是从本质讲，该方式同近邻预报法较为接近，不同的是近邻预报法找到是邻近状态，继而建立预报方程。通过模糊数学法预报的水文状态误差相对较พ大，但该方式较为直观简便。

2.5 灰色系统

水资源系统可以当作灰色系统看待。最常用的描述灰色系统模型的数学模型为GM（1，1），G代表Grey（灰色），M代表Model（模型），GM（1，1）指1阶、1个变量的线性常微分方程模型。它在径流预报、灾变预测中有不少应用实例。

3 结束语

近年来水文预报方式也随着科技的发展而不断的增多，水文预报模型法依照驱动方式的不同可以氛围过程驱动模型以及数据驱动模型两种。并且随着技术的发展，各类模型于包房是层出不穷，加之水文数据获取技术以及分析能力的进步，数据驱动模型展现了巨大的生机活力。