一種資料短缺情形下的二次耦合月徑流預(yù)報(bào)方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種資料短缺情形下的二次耦合月徑流預(yù)報(bào)方法，耦合模型結(jié)構(gòu)參數(shù)少、結(jié)構(gòu)簡(jiǎn)單，計(jì)算過(guò)程中不受水文資料的計(jì)算長(zhǎng)度、地形和氣象數(shù)據(jù)精度要求限制，通過(guò)GRNN模型與其他物理模型進(jìn)行模型耦合確保模型系統(tǒng)對(duì)真實(shí)水文過(guò)程模擬的真實(shí)性，有效避免了大量使用經(jīng)驗(yàn)公式和設(shè)定參數(shù)而帶來(lái)的誤差；對(duì)傳統(tǒng)時(shí)間序列ARMA模型進(jìn)行改進(jìn)，提出將季節(jié)性ARMA模型應(yīng)用于水文數(shù)據(jù)序列的延長(zhǎng)技術(shù)；利用季節(jié)性ARMA模型延長(zhǎng)后的月徑流數(shù)據(jù)與耦合模型進(jìn)行數(shù)據(jù)耦合，確定耦合模型的結(jié)構(gòu)及參數(shù)，使二次耦合后得到的耦合式GRNN模型在水文資料相對(duì)短缺的流域也能確保徑流模擬的精確度，對(duì)歷史水文數(shù)據(jù)的依賴(lài)性低，有效保證耦合模型系統(tǒng)的實(shí)用性和適用性。
【專(zhuān)利說(shuō)明】一種資料短缺情形下的二次耦合月徑流預(yù)報(bào)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于水文預(yù)測(cè)的多次耦合設(shè)計(jì)方法領(lǐng)域，具體涉及一種資料短缺情形下的二次耦合月徑流預(yù)報(bào)方法。
【背景技術(shù)】
[0002]水文預(yù)報(bào)是水文學(xué)的一個(gè)重要組成部分，它是基于對(duì)實(shí)際水文現(xiàn)象的客觀描述，利用水文、氣象的實(shí)測(cè)資料，預(yù)測(cè)水文因素未來(lái)變化規(guī)律的一門(mén)水文學(xué)科。對(duì)流域來(lái)水進(jìn)行預(yù)測(cè)是流域水庫(kù)內(nèi)水資源進(jìn)行合理配置前必須進(jìn)行的工作，可靠的月徑流預(yù)測(cè)工作對(duì)水庫(kù)進(jìn)行多功能調(diào)度來(lái)說(shuō)顯得尤其重要。
[0003]在水文徑流預(yù)報(bào)模型中，按建模方式不同可分為概念式模型、分布式模型和黑箱式模型。其中前兩種模型又可稱(chēng)為物理水文模型。概念式或分布式物理水文模型與流域的物理水文過(guò)程有密切的聯(lián)系，短期模擬效果較好。但這些模型很多使用經(jīng)驗(yàn)公式，且參數(shù)多，過(guò)程相對(duì)復(fù)雜，所以在模擬預(yù)測(cè)中的誤差難以避免，且模型使用的預(yù)報(bào)期相對(duì)較短，通常在預(yù)報(bào)期較長(zhǎng)的情況下不能滿(mǎn)足預(yù)報(bào)的精度要求。神經(jīng)網(wǎng)絡(luò)模型屬于黑箱式水文模型，具有高度的非線性映射能力，能夠很好地反映徑流時(shí)間序列的非線性關(guān)系。FFBP模型作為較常用的一種神經(jīng)網(wǎng)絡(luò)模型，具有結(jié)構(gòu)簡(jiǎn)單參數(shù)相對(duì)較少和執(zhí)行快速的特點(diǎn)。但是FFBP對(duì)初始值選取很敏感，不同的初始值對(duì)計(jì)算效率影響極大，且容易發(fā)生“過(guò)度擬合”情況。廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN, Generalized Regression Neural Network)模型能夠有效的解決上述情況，且只有一個(gè)參數(shù)需要確定就能達(dá)到相對(duì)滿(mǎn)意的結(jié)果。但是黑箱式水文模型較少對(duì)流域的物理基礎(chǔ)進(jìn)行研究，模型缺少對(duì)流域內(nèi)在機(jī)制的描述，從而限制了預(yù)報(bào)結(jié)果的精度。
[0004]使用模型耦合技術(shù)可以有效的解決上述問(wèn)題，神經(jīng)網(wǎng)絡(luò)模型通過(guò)與其他物理模型進(jìn)行模型耦合，對(duì)其提供的流域內(nèi)在機(jī)制信息的學(xué)習(xí)，耦合模型的預(yù)測(cè)效果優(yōu)于任一單一模型。GRNN模型簡(jiǎn)單的結(jié)構(gòu)和一步式的學(xué)習(xí)過(guò)程，GRNN模型與物理式水文模型的耦合組合擁有簡(jiǎn)單高效的特點(diǎn)，預(yù)測(cè)結(jié)果明顯優(yōu)于同類(lèi)型耦合模型。但是，由于我國(guó)很多流域水文站建設(shè)時(shí)間較短，相關(guān)水文資料數(shù)據(jù)不足，即水文觀測(cè)數(shù)據(jù)少于20年，這樣給徑流的預(yù)測(cè)和計(jì)算帶來(lái)很大困難。同時(shí)，流域中大量建設(shè)水工建筑物，使水面上升或下降，地域氣候和下墊面狀態(tài)變化，原有資料一定程度上不再適用于現(xiàn)有條件下的水文預(yù)測(cè)的情況。這些都導(dǎo)致了相關(guān)歷史水文資料的短缺和代表性被破壞，僅使用單次模型耦合技術(shù)，預(yù)測(cè)精度難以保證。
[0005]時(shí)間序列模型ARMA模型作為時(shí)間序列延長(zhǎng)和預(yù)測(cè)工具被廣泛的引用于經(jīng)濟(jì)、氣象、農(nóng)業(yè)和工業(yè)等領(lǐng)域。運(yùn)用ARMA模型對(duì)原有月徑流數(shù)據(jù)序列進(jìn)行延長(zhǎng)，并以延長(zhǎng)后的數(shù)據(jù)確定耦合模型結(jié)構(gòu)，即ARMA模型以數(shù)據(jù)耦合方式與原耦合模型進(jìn)行二次耦合。但傳統(tǒng)的ARMA模型對(duì)非線性平穩(wěn)序列的預(yù)測(cè)精度不足，且預(yù)測(cè)的長(zhǎng)度一般不易超過(guò)原序列長(zhǎng)度的50%，故無(wú)法對(duì)資料短缺情況下的流域水文數(shù)據(jù)進(jìn)行有效的延長(zhǎng)。
[0006]因此，需要一種資料短缺情形下的二次耦合月徑流預(yù)報(bào)方法以解決上述問(wèn)題。
【發(fā)明內(nèi)容】

[0007]發(fā)明目的:本發(fā)明針對(duì)現(xiàn)有技術(shù)中資料短缺情形下的無(wú)法對(duì)流域水文數(shù)據(jù)有效預(yù)測(cè)的缺陷，提供一種資料短缺情形下的二次耦合月徑流預(yù)報(bào)方法。
[0008]技術(shù)方案:為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明的資料短缺情形下的二次耦合月徑流預(yù)報(bào)方法可采用如下技術(shù)方案:
[0009]一種資料短缺情形下的二次耦合月徑流預(yù)報(bào)方法，包括以下步驟:
[0010]I)、采用GRNN模型和物理水文模型，選取至少一個(gè)物理水文模型，對(duì)所述物理水文模型和GRNN模型所需的基礎(chǔ)地形數(shù)據(jù)、氣象數(shù)據(jù)和水文數(shù)據(jù)進(jìn)行預(yù)處理，得到模擬歷時(shí)所述GRNN模型和物理水文模型的月徑流觀測(cè)值，所述模擬歷時(shí)分為訓(xùn)練期和測(cè)試期兩個(gè)時(shí)段；
[0011]2)、對(duì)所述物理水文模型進(jìn)行配置，根據(jù)各所述物理水文模型參數(shù)的規(guī)范與要求對(duì)參數(shù)進(jìn)行設(shè)定，得到模擬歷時(shí)各物理水文模型的月徑流預(yù)測(cè)值；
[0012]3)、利用時(shí)間序列延長(zhǎng)模型對(duì)訓(xùn)練期各物理水文模型的月徑流預(yù)測(cè)值和月徑流觀測(cè)值進(jìn)行補(bǔ)充和延長(zhǎng)，同時(shí)利用時(shí)間序列延長(zhǎng)模型對(duì)訓(xùn)練期所述GRNN模型的月徑流觀測(cè)值進(jìn)行補(bǔ)充和延長(zhǎng)，得到延長(zhǎng)后的訓(xùn)練期的月徑流數(shù)據(jù)；
[0013]4)、利用模型耦合技術(shù)將GRNN模型和各所述物理水文模型分別進(jìn)行模型耦合，得到一次耦合GRNN模型，然后將步驟3)得到的延長(zhǎng)后的訓(xùn)練期的月徑流數(shù)據(jù)與所述一次耦合GRNN模型進(jìn)行數(shù)據(jù)耦合，確定數(shù)據(jù)耦合后模型的的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，得到二次耦合GRNN模型；其中，數(shù)據(jù)耦合即為將步驟3)得到的延長(zhǎng)后的訓(xùn)練期的月徑流數(shù)據(jù)代入所述一次耦合GRNN模型，這樣就可以確定數(shù)據(jù)耦合后模型的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)。
[0014]5)、運(yùn)用測(cè)試期所述GRNN模型的月徑流觀測(cè)值和物理水文模型的月徑流預(yù)測(cè)值對(duì)所述二次耦合GRNN模型進(jìn)行預(yù)報(bào)計(jì)算，并評(píng)定當(dāng)前二次耦合GRNN模型是否是最優(yōu)的組合；
[0015]6)、利用步驟5)得到的最優(yōu)的二次耦合GRNN模型對(duì)流域進(jìn)行月徑流預(yù)測(cè)。
[0016]更進(jìn)一步的，步驟I)中，按照流域特征與流域現(xiàn)有的基礎(chǔ)地形、氣象和水文數(shù)據(jù)情況，選取Q (Q ^ I)個(gè)與流域適應(yīng)性較好的物理水文模型。
[0017]更進(jìn)一步的，所述物理水文模型為概念式模型或分布式模型。
[0018]更進(jìn)一步的，所述時(shí)間序列延長(zhǎng)模型為季節(jié)性ARMA模型。
[0019]更進(jìn)一步的，步驟3)中，延長(zhǎng)后的月徑流數(shù)據(jù)為原模擬歷時(shí)月徑流數(shù)據(jù)的20~100 倍。
[0020]更進(jìn)一步的，原時(shí)間序列中的觀測(cè)值為{XJ,季節(jié)性時(shí)間序列為{YJ,則季節(jié)性ARMA (p, d, q) (P, D, Q)s模型的表達(dá)式為:
[0021]
【權(quán)利要求】
1.一種資料短缺情形下的二次耦合月徑流預(yù)報(bào)方法，其特征在于，包括以下步驟: 1)、采用GRNN模型和物理水文模型，選取至少一個(gè)物理水文模型，對(duì)所述物理水文模型和GRNN模型所需的基礎(chǔ)地形數(shù)據(jù)、氣象數(shù)據(jù)和水文數(shù)據(jù)進(jìn)行預(yù)處理，得到模擬歷時(shí)所述GRNN模型和物理水文模型的月徑流觀測(cè)值，所述模擬歷時(shí)分為訓(xùn)練期和測(cè)試期兩個(gè)時(shí)段； 2)、對(duì)所述物理水文模型進(jìn)行配置，根據(jù)各所述物理水文模型參數(shù)的規(guī)范與要求對(duì)參數(shù)進(jìn)行設(shè)定，得到模擬歷時(shí)各物理水文模型的月徑流預(yù)測(cè)值； 3)、利用時(shí)間序列延長(zhǎng)模型對(duì)訓(xùn)練期各物理水文模型的月徑流預(yù)測(cè)值和月徑流觀測(cè)值進(jìn)行補(bǔ)充和延長(zhǎng)，同時(shí)利用時(shí)間序列延長(zhǎng)模型對(duì)訓(xùn)練期所述GRNN模型的月徑流觀測(cè)值進(jìn)行補(bǔ)充和延長(zhǎng)，得到延長(zhǎng)后的訓(xùn)練期的月徑流數(shù)據(jù)； 4)、利用模型耦合技術(shù)將GRNN模型和各所述物理水文模型分別進(jìn)行模型耦合，得到一次耦合GRNN模型，然后將步驟3)得到的延長(zhǎng)后的訓(xùn)練期的月徑流數(shù)據(jù)與所述一次耦合GRNN模型進(jìn)行數(shù)據(jù)耦合，確定數(shù)據(jù)耦合后模型的的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，得到二次耦合GRNN模型； 5)、運(yùn)用測(cè)試期所述GRNN模型的月徑流觀測(cè)值和物理水文模型的月徑流預(yù)測(cè)值對(duì)所述二次耦合GRNN模型進(jìn)行預(yù)報(bào)計(jì)算，并評(píng)定當(dāng)前二次耦合GRNN模型是否是最優(yōu)的； 6)、利用步驟5)得到的最優(yōu)的二次耦合GRNN模型對(duì)流域進(jìn)行月徑流預(yù)測(cè)。
2.如權(quán)利要求1所述的資料短缺情形下的二次耦合月徑流預(yù)報(bào)方法，其特征在于，步驟I)中，按照流域特征與流域現(xiàn)有的基礎(chǔ)地形、氣象和水文數(shù)據(jù)情況，選取Q (Q ^ I)個(gè)與流域適應(yīng)性較好的物理水文模型。
3.如權(quán)利要求1或2所述的資料短缺情形下的二次耦合月徑流預(yù)報(bào)方法，其特征在于，所述物理水文模型為概念式模型或分布式模型。
4.如權(quán)利要求1所述的資料短缺情形下的二次耦合月徑流預(yù)報(bào)方法，其特征在于，所述時(shí)間序列延長(zhǎng)模型為季節(jié)性ARMA模型。
5.如權(quán)利要求1所述的資料短缺情形下的二次耦合月徑流預(yù)報(bào)方法，其特征在于，步驟3)中，延長(zhǎng)后的月徑流數(shù)據(jù)為原模擬歷時(shí)月徑流數(shù)據(jù)的20~100倍。
6.如權(quán)利要求4所述的資料短缺情形下的二次耦合月徑流預(yù)報(bào)方法，其特征在于，原時(shí)間序列中的觀測(cè)值為{XJ，季節(jié)性時(shí)間序列為{\}，則季節(jié)性六_&，(1，9) (P，D，Q)S模型的表達(dá)式為:
7.如權(quán)利要求1所述的資料短缺情形下的二次耦合月徑流預(yù)報(bào)方法，其特征在于，步驟4)中第T月的月徑流預(yù)測(cè)值β通過(guò)下式計(jì)算得到:
8.如權(quán)利要求7所述的資料短缺情形下的二次耦合月徑流預(yù)報(bào)方法，其特征在于，訓(xùn)練期時(shí)，Qh、Qt_2、…、QT_m為延長(zhǎng)后GRNN模型中第T月之前m個(gè)月的月徑流觀測(cè)值，Qi τ為延長(zhǎng)后物理水文模型第T月的月徑流預(yù)測(cè)值；測(cè)試期時(shí)，QT_p Qt_2、…、QT_m為GRNN模型中第T月之前m個(gè)月的月徑流觀測(cè)值，Q' τ為物理水文模型第T月的月徑流預(yù)測(cè)值。
9.如權(quán)利要求1所述的資料短缺情形下的二次耦合月徑流預(yù)報(bào)方法，其特征在于，步驟5)中當(dāng)前最優(yōu)的二次耦合GRNN模型由決定系數(shù)R2評(píng)價(jià)，R2的表達(dá)式為:
10.如權(quán)利要求9所述的資料短缺情形下的二次耦合月徑流預(yù)報(bào)方法，其特征在于，在驟5)中，如果選取的物理水文模型數(shù)量Q為1，當(dāng)決定系數(shù)R2 > 0.9時(shí)，所述二次耦合GRNN模型為最優(yōu)的，否則返回步驟4)，重新確定網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)；選取的物理水文模型數(shù)量Q>1，則R2值最大且R2≤0.9時(shí)，所述二次耦合GRNN模型為最優(yōu)的，否則返回步驟4)，重新確定網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)。
【文檔編號(hào)】G06Q50/02GK103577895SQ201310552930
【公開(kāi)日】2014年2月12日 申請(qǐng)日期:2013年11月8日 優(yōu)先權(quán)日:2013年11月8日
【發(fā)明者】尹筍, 唐德善, 陳偉偉, 陸姍姍, 丁億凡 申請(qǐng)人:河海大學(xué)