本發(fā)明涉及水文預(yù)報(bào)領(lǐng)域，具體涉及一種基于全局自動(dòng)優(yōu)化算法的洪水實(shí)時(shí)校正方法。

背景技術(shù)：

水文預(yù)報(bào)通過對未來水文情勢(如洪峰流量)做出科學(xué)預(yù)測，特別是對災(zāi)害性水文現(xiàn)象做出準(zhǔn)確預(yù)報(bào)，從而實(shí)現(xiàn)防洪減災(zāi)以及水資源的合理開發(fā)利用。提高水文預(yù)報(bào)的精度是水文預(yù)報(bào)工作的重要內(nèi)容，對防洪減災(zāi)、保護(hù)人民生命財(cái)產(chǎn)安全、充分發(fā)揮水利工程效益改善生態(tài)環(huán)境等起著至關(guān)重要的作用。

現(xiàn)有的水庫洪水預(yù)報(bào)方法較多，主要分為經(jīng)驗(yàn)方法和水文模型；對預(yù)報(bào)結(jié)果進(jìn)行實(shí)時(shí)校正的方法一般都是利用預(yù)報(bào)結(jié)果與實(shí)測結(jié)果之間的殘差進(jìn)行校正計(jì)算，常用的方法有自回歸校正模型、卡爾曼濾波、神經(jīng)網(wǎng)絡(luò)、小波分析和最小二乘法等。這些方法一般只能校正系統(tǒng)誤差，能夠在一定程度上提高預(yù)報(bào)精度，但是效果有限。因?yàn)轭A(yù)報(bào)精度還受到預(yù)報(bào)方法的影響，比如利用水文模型進(jìn)行洪水預(yù)報(bào)，預(yù)報(bào)精度主要取決于兩個(gè)因素：(1)模型參數(shù)對流域下墊面產(chǎn)匯流特性反映程度；(2)流域初始狀態(tài)變量設(shè)置值與流域?qū)嶋H情況的吻合程度。一方面，從預(yù)報(bào)方法層面進(jìn)行校正預(yù)報(bào)是從“根源”減小誤差，提高預(yù)報(bào)精度；另一方面，從預(yù)報(bào)殘差層面進(jìn)行校正預(yù)報(bào)是從“結(jié)果”減小誤差，提高預(yù)報(bào)精度。

現(xiàn)有的實(shí)時(shí)校正方法大多數(shù)是建立在模型預(yù)報(bào)流量系列和實(shí)測流量系列的基礎(chǔ)上，利用統(tǒng)計(jì)學(xué)的相關(guān)方法進(jìn)行校正預(yù)報(bào)。這種誤差校正方法存在一定的不足，首先，沒有從誤差來源層面入手，物理意義不夠明確，校正效果并不明顯；其次，相關(guān)統(tǒng)計(jì)方法本身具有局限性，校正預(yù)報(bào)結(jié)果沒有進(jìn)過自篩選，校正效果不夠穩(wěn)定。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)存在的以上問題，提供一種基于全局自動(dòng)優(yōu)化算法的洪水實(shí)時(shí)校正方法，本發(fā)明提出一種新的思路，對水文模型參數(shù)進(jìn)行實(shí)時(shí)校正計(jì)算，從“根源”上提高洪水預(yù)報(bào)精度，克服現(xiàn)有單對預(yù)報(bào)誤差進(jìn)行校正方法的缺陷，保證實(shí)時(shí)校正預(yù)報(bào)效果的可靠性和穩(wěn)定性。

為實(shí)現(xiàn)上述技術(shù)目的，達(dá)到上述技術(shù)效果，本發(fā)明通過以下技術(shù)方案實(shí)現(xiàn)：

一種基于全局自動(dòng)優(yōu)化算法的洪水實(shí)時(shí)校正方法，包括水文耦合模塊與誤差耦合模塊；所述的水文耦合模塊用于依據(jù)實(shí)時(shí)的降雨徑流信息對水文模型參數(shù)和流域初始狀態(tài)變量進(jìn)行實(shí)時(shí)校正計(jì)算，所述的水文耦合模塊的實(shí)時(shí)校正區(qū)間為洪水開始時(shí)間到當(dāng)前時(shí)刻；所述的誤差耦合模塊用于利用預(yù)報(bào)徑流值與實(shí)測值之間的殘差，對模型預(yù)報(bào)誤差進(jìn)行實(shí)時(shí)校正計(jì)算，所述的誤差耦合模塊的實(shí)時(shí)校正區(qū)間通過模塊參數(shù)進(jìn)行優(yōu)選；所述的水文耦合模塊與所述的誤差耦合模塊之間串聯(lián)耦合，先運(yùn)用所述的水文耦合模塊進(jìn)行實(shí)時(shí)校正預(yù)報(bào)，后運(yùn)用所述的誤差耦合模塊對預(yù)報(bào)誤差進(jìn)行誤差校正計(jì)算，得到最終的洪水預(yù)報(bào)。

進(jìn)一步的，所述的水文耦合模塊包括流域水文模型與全局自動(dòng)優(yōu)化算法；所述的水文耦合模塊為所述的流域水文模型與所述的全局自動(dòng)優(yōu)化算法的耦合。

進(jìn)一步的，所述的誤差耦合模塊包括誤差校正模型與全局自動(dòng)優(yōu)化算法；所述的誤差耦合模塊為所述的誤差校正模型與所述的全局自動(dòng)優(yōu)化算法的耦合。

進(jìn)一步的，所述的流域水文模型包括新安江模型、前期影響雨量指數(shù)模型(API模型)、薩克拉門托模型(SAC模型)和水箱模型(TANK模型)。

進(jìn)一步的，所述的誤差校正模型包括自回歸校正模型、卡爾曼濾波模型、神經(jīng)網(wǎng)絡(luò)模型、小波分析模型和最小二乘法模型。

進(jìn)一步的，所述的全局自動(dòng)優(yōu)化算法包括復(fù)合形交叉進(jìn)化算法、模擬退火方法、遺傳算法、蟻群算法以及粒子群算法、神經(jīng)網(wǎng)絡(luò)算法。

進(jìn)一步的，所述的水文耦合模塊包括以下步驟：

水文模型分析，分析水文模型的結(jié)構(gòu)，確定參加優(yōu)化的模型參數(shù)和流域初始狀態(tài)變量參數(shù)，并根據(jù)流域下墊面特性確定優(yōu)化參數(shù)的可行域；

全局自動(dòng)優(yōu)化算法啟動(dòng)，根據(jù)優(yōu)化參數(shù)可行域生成樣本點(diǎn)群X_i(i＝1，2，3…，N)，帶入水文模型計(jì)算得到目標(biāo)函數(shù)系列F_i(i＝1，2，3…，N)，并按照由小到大的排序形成新組合(X_i，F(xiàn)_i)(i＝1，2，3…，N)；

水文樣本進(jìn)化，對重新排序的樣本組合(X_i，F(xiàn)_i)進(jìn)行復(fù)合進(jìn)化計(jì)算，然后按照進(jìn)行收斂性判斷，若收斂，則可獲得水文模型全局最優(yōu)參數(shù)bestx1；若不收斂，則水文參數(shù)樣本點(diǎn)群進(jìn)化，進(jìn)行模型計(jì)算，得到一組新的目標(biāo)函數(shù)系列，再次進(jìn)行水文樣本進(jìn)化。

進(jìn)一步的，所述的誤差耦合模塊包括以下步驟：

誤差校正模型分析，分析誤差校正模型結(jié)構(gòu)，確定參加優(yōu)化的參數(shù)，并根據(jù)預(yù)報(bào)殘差系列確定優(yōu)化參數(shù)的可行域；

全局自動(dòng)優(yōu)化算法啟動(dòng)，根據(jù)優(yōu)化參數(shù)可行域生成樣本點(diǎn)群X_i(i＝1，2，3…，N)，帶入誤差校正模型計(jì)算得到目標(biāo)函數(shù)系列F_i(i＝1，2，3…，N)，并按照由小到大的排序形成新組合(X_i，F(xiàn)_i)(i＝1，2，3…，N)；

誤差樣本進(jìn)化，對重新排序的樣本組合(X_i，F(xiàn)_i)進(jìn)行復(fù)合進(jìn)化計(jì)算，然后進(jìn)行收斂性判斷，若收斂，則獲得誤差校正模型全局最優(yōu)參數(shù)bestx2；若不收斂，則誤差參數(shù)樣本點(diǎn)群進(jìn)化，進(jìn)行模型計(jì)算，得到一組新的目標(biāo)函數(shù)系列，再次進(jìn)行誤差樣本進(jìn)化。

本發(fā)明的有益效果是：本發(fā)明提供一種基于全局自動(dòng)優(yōu)化算法的洪水實(shí)時(shí)校正方法，包括水文耦合模塊與誤差耦合模塊，水文耦合模塊用于依據(jù)實(shí)時(shí)的降雨徑流信息對水文模型參數(shù)和流域初始狀態(tài)變量進(jìn)行實(shí)時(shí)校正計(jì)算，水文耦合模塊的實(shí)時(shí)校正區(qū)間為洪水開始時(shí)間到當(dāng)前時(shí)刻；誤差耦合模塊用于利用預(yù)報(bào)徑流值與實(shí)測值之間的殘差，對模型預(yù)報(bào)誤差進(jìn)行實(shí)時(shí)校正計(jì)算，誤差耦合模塊的實(shí)時(shí)校正區(qū)間通過模塊參數(shù)進(jìn)行優(yōu)選；水文耦合模塊與誤差耦合模塊之間串聯(lián)耦合，先運(yùn)用水文耦合模塊進(jìn)行實(shí)時(shí)校正預(yù)報(bào)，后運(yùn)用誤差耦合模塊對預(yù)報(bào)誤差進(jìn)行誤差校正計(jì)算，得到最終的洪水預(yù)報(bào)。本發(fā)明將流域水文模型和誤差校正模型分別與全局自動(dòng)優(yōu)化算法進(jìn)行耦合處理，形成相互嵌套的水文耦合模塊和誤差耦合模塊，然后依據(jù)實(shí)時(shí)降雨徑流信息進(jìn)行洪水實(shí)時(shí)校正預(yù)報(bào)。本發(fā)明提出一種新的思路，對水文模型參數(shù)進(jìn)行實(shí)時(shí)校正計(jì)算，從“根源”上提高洪水預(yù)報(bào)精度，克服現(xiàn)有單對預(yù)報(bào)誤差進(jìn)行校正方法的缺陷，保證實(shí)時(shí)校正預(yù)報(bào)效果的可靠性和穩(wěn)定性。

上述說明僅是本發(fā)明技術(shù)方案的概述，為了能夠更清楚了解本發(fā)明的技術(shù)手段，并可依照說明書的內(nèi)容予以實(shí)施，以下以本發(fā)明的較佳實(shí)施例并配合附圖詳細(xì)說明如后。本發(fā)明的具體實(shí)施方式由以下實(shí)施例及其附圖詳細(xì)給出。

附圖說明

此處所說明的附圖用來提供對本發(fā)明的進(jìn)一步理解，構(gòu)成本申請的一部分，本發(fā)明的示意性實(shí)施例及其說明用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的不當(dāng)限定。在附圖中：

圖1是本發(fā)明的一種基于全局自動(dòng)優(yōu)化算法的洪水實(shí)時(shí)校正方法整體實(shí)現(xiàn)流程圖；

圖2是本發(fā)明的新安江模型流程圖；

圖3是本發(fā)明的水文耦合模塊計(jì)算流程圖；

圖4是本發(fā)明的誤差耦合模塊計(jì)算流程圖；

圖5是本發(fā)明的洪水實(shí)時(shí)校正預(yù)報(bào)結(jié)果圖。

具體實(shí)施方式

下面將參考附圖并結(jié)合實(shí)施例，來詳細(xì)說明本發(fā)明。

參照圖1-5所示，一種基于全局自動(dòng)優(yōu)化算法的洪水實(shí)時(shí)校正方法，包括水文耦合模塊與誤差耦合模塊；所述的水文耦合模塊用于依據(jù)實(shí)時(shí)的降雨徑流信息對水文模型參數(shù)和流域初始狀態(tài)變量進(jìn)行實(shí)時(shí)校正計(jì)算，所述的水文耦合模塊的實(shí)時(shí)校正區(qū)間為洪水開始時(shí)間到當(dāng)前時(shí)刻；所述的誤差耦合模塊用于利用預(yù)報(bào)徑流值與實(shí)測值之間的殘差，對模型預(yù)報(bào)誤差進(jìn)行實(shí)時(shí)校正計(jì)算，所述的誤差耦合模塊的實(shí)時(shí)校正區(qū)間通過模塊參數(shù)進(jìn)行優(yōu)選；所述的水文耦合模塊與所述的誤差耦合模塊之間串聯(lián)耦合，先運(yùn)用所述的水文耦合模塊進(jìn)行實(shí)時(shí)校正預(yù)報(bào)，后運(yùn)用所述的誤差耦合模塊對預(yù)報(bào)誤差進(jìn)行誤差校正計(jì)算，得到最終的洪水預(yù)報(bào)。所述的水文耦合模塊包括流域水文模型與全局自動(dòng)優(yōu)化算法；所述的水文耦合模塊為所述的流域水文模型與所述的全局自動(dòng)優(yōu)化算法的耦合。所述的誤差耦合模塊包括誤差校正模型與全局自動(dòng)優(yōu)化算法；所述的誤差耦合模塊為所述的誤差校正模型與所述的全局自動(dòng)優(yōu)化算法的耦合。所述的流域水文模型包括新安江模型、前期影響雨量指數(shù)模型(API模型)、薩克拉門托模型(SAC模型)和水箱模型(TANK模型)。所述的誤差校正模型包括自回歸校正模型、卡爾曼濾波模型、神經(jīng)網(wǎng)絡(luò)模型、小波分析模型和最小二乘法模型。所述的全局自動(dòng)優(yōu)化算法包括復(fù)合形交叉進(jìn)化算法、模擬退火方法、遺傳算法、蟻群算法以及粒子群算法、神經(jīng)網(wǎng)絡(luò)算法。

為更好的解釋本發(fā)明，下面分別選取新安江模型作為流域水文模型、回歸校正模型作為誤差校正模型、復(fù)合形交叉進(jìn)化算法作為全局自動(dòng)優(yōu)化算法來詳細(xì)描述。

如圖2所示，新安江模型是由河海大學(xué)趙人俊教授在編制新安江洪水預(yù)報(bào)方案時(shí)所研制的流域水文模型，并在借鑒山坡水文學(xué)的相關(guān)概念和國內(nèi)外的產(chǎn)匯流理論的基礎(chǔ)上形成了現(xiàn)今的新安江模型。為了考慮降雨和流域下墊面的分布不均勻的影響，模型結(jié)構(gòu)采用了分層設(shè)計(jì)，分為四個(gè)計(jì)算模塊：蒸散發(fā)計(jì)算、產(chǎn)流計(jì)算、分水源計(jì)算和匯流計(jì)算。蒸散發(fā)計(jì)算采用三層蒸散發(fā)模型，產(chǎn)流計(jì)算采用蓄滿產(chǎn)流模型，分水源計(jì)算采用自由水蓄水庫結(jié)構(gòu)將總徑流分為地表徑流、壤中流和地下徑流；流域匯流計(jì)算采用線性水庫模型，河道匯流采用馬斯京根分段演算或滯后演算。

自回歸模型(Auto Regression Model，簡稱AR模型)用于對模型預(yù)報(bào)誤差進(jìn)行校正計(jì)算，自回歸模型用自身做回歸變量的過程，即利用前期若干時(shí)刻的隨機(jī)變量的線性組合來描述以后某時(shí)刻隨機(jī)變量的線性回歸模型。在實(shí)時(shí)洪水校正模型中，主要是利用模型徑流預(yù)報(bào)誤差系列{e₁，e₂，e₃，…，e_t}對未來時(shí)刻的預(yù)報(bào)誤差進(jìn)行校正，其具體的計(jì)算公式如式(1-1)和式(1-2)

e_t+1＝c₁e_t+c₂e_t-1+…+c_pe_t-p+ξ_t+1 (1-1)

式中，e_t為t時(shí)刻模型計(jì)算誤差；{c₁，c₂，c₃，…，c_P}為自回歸參數(shù)系列；p為自回歸階數(shù)，值小于誤差系列長度；ξ_t+1為t+1時(shí)刻校正計(jì)算后的模型預(yù)報(bào)殘差；為t+1時(shí)刻估計(jì)誤差；Q_J(t+1)為t+1時(shí)刻校正預(yù)報(bào)值；Q_C(t+1)為t+1時(shí)刻初步預(yù)報(bào)值。

AR自回歸模型進(jìn)行誤差校正的關(guān)鍵是如何求解自回歸參數(shù)系列{c₁，c₂，c₃，…，c_P}，根據(jù)式(1-1)構(gòu)建誤差自回歸方程組(1-2)，結(jié)合最小二乘法思想利用矩陣法求解自回歸參數(shù){c₁，c₂，c₃，…，c_P}，具體方法如下：

根據(jù)方程組(1-3)進(jìn)行矩陣變換，得到矩陣式(1-4)、(1-5)、(1-6)，并進(jìn)行矩陣求解得式(1-7)。

C＝[c₁，c₂，c₃，…，c_P]^T (1-4)

Y＝[e_P+1，e_P+2，e_P+3…，e_t]^T (1-5)

式中，C為自回歸參數(shù)矩陣，X，Y為模型誤差相關(guān)矩陣，為參數(shù)系列估計(jì)值矩陣。

復(fù)合形交叉進(jìn)化(SCE-UA)算法是一種全局自動(dòng)優(yōu)化算法，它是在Nelder和Mead提出的單純形算法基礎(chǔ)上，融合了自然界生物競爭進(jìn)化理論和基因算法基本原理等概念綜合而成的一種全局優(yōu)化算法。SCE-UA算法可在多個(gè)吸引域內(nèi)獲得全局收斂點(diǎn)，避免陷入局部最小點(diǎn)，且能有效地表達(dá)不同參數(shù)的敏感性與參數(shù)間的相關(guān)性，處理具有不連續(xù)響應(yīng)表面的目標(biāo)函數(shù)，解決高維參數(shù)優(yōu)化問題。

SCE-UA全局優(yōu)化算法步驟如下：

表1-1為SCE-UA全局優(yōu)化算法參數(shù)表。SCE-UA全局優(yōu)化算法基本步驟包括：

算法啟動(dòng)，假設(shè)待定優(yōu)化參數(shù)個(gè)數(shù)為K和參與進(jìn)化的復(fù)合形個(gè)數(shù)N，則每個(gè)復(fù)合形所包含的頂點(diǎn)數(shù)目為2K+1，計(jì)算樣本點(diǎn)數(shù)目為N*(2K+1)；

隨機(jī)樣本點(diǎn)群生成，在待定優(yōu)化參數(shù)的上下限之間生成N*(2K+1)個(gè)隨機(jī)點(diǎn)群X_i(i＝1，2，3…，N*(2K+1))，并計(jì)算每一個(gè)對應(yīng)的目標(biāo)函數(shù)值F_i(i＝1，2，3…，N*(2K+1))；

樣本點(diǎn)群排序，把每一個(gè)目標(biāo)函數(shù)值F_i按照由小到大排序，仍然記為F_i，并與對應(yīng)的X_i記為(X_i，F(xiàn)_i)；

樣本復(fù)合進(jìn)化，將(X_i，F(xiàn)_i)進(jìn)行復(fù)合形劃分，并按照復(fù)合型進(jìn)化算法進(jìn)行進(jìn)化，將進(jìn)化的每一個(gè)定點(diǎn)進(jìn)行重新組合，按照由小到大的排序；

收斂性判斷，按照收斂條件進(jìn)行判斷，滿足則完成進(jìn)化，否則返回d。

表1-1 SCE-UA全局優(yōu)化算法參數(shù)表

結(jié)合復(fù)合形交叉進(jìn)化算法，如圖3所示，水文耦合模塊計(jì)算流程步驟如下：

水文模型分析，分析水文模型的結(jié)構(gòu)，確定參加優(yōu)化的模型參數(shù)和流域初始狀態(tài)變量參數(shù)，并根據(jù)流域下墊面特性確定優(yōu)化參數(shù)的可行域；

全局自動(dòng)優(yōu)化算法啟動(dòng)，根據(jù)優(yōu)化參數(shù)可行域生成樣本點(diǎn)群X_i(i＝1，2，3…，N)，帶入水文模型計(jì)算得到目標(biāo)函數(shù)系列F_i(i＝1，2，3…，N)，并按照由小到大的排序形成新組合(X_i，F(xiàn)_i)(i＝1，2，3…，N)；

水文樣本進(jìn)化，對重新排序的樣本組合(X_i，F(xiàn)_i)進(jìn)行復(fù)合進(jìn)化計(jì)算，然后按照進(jìn)行收斂性判斷，若收斂，則可獲得水文模型全局最優(yōu)參數(shù)bestx1；若不收斂，則水文參數(shù)樣本點(diǎn)群進(jìn)化，進(jìn)行模型計(jì)算，得到一組新的目標(biāo)函數(shù)系列，再次進(jìn)行水文樣本進(jìn)化。

結(jié)合復(fù)合形交叉進(jìn)化算法，如圖4所示，誤差耦合模塊計(jì)算流程步驟如下：

誤差校正模型分析，分析誤差校正模型結(jié)構(gòu)，確定參加優(yōu)化的參數(shù)，并根據(jù)預(yù)報(bào)殘差系列確定優(yōu)化參數(shù)的可行域；

全局自動(dòng)優(yōu)化算法啟動(dòng)，根據(jù)優(yōu)化參數(shù)可行域生成樣本點(diǎn)群X_i(i＝1，2，3…，N)，帶入誤差校正模型計(jì)算得到目標(biāo)函數(shù)系列F_i(i＝1，2，3…，N)，并按照由小到大的排序形成新組合(X_i，F(xiàn)_i)(i＝1，2，3…，N)；

誤差樣本進(jìn)化，對重新排序的樣本組合(X_i，F(xiàn)_i)進(jìn)行復(fù)合進(jìn)化計(jì)算，然后進(jìn)行收斂性判斷，若收斂，則獲得誤差校正模型全局最優(yōu)參數(shù)bestx2；若不收斂，則誤差參數(shù)樣本點(diǎn)群進(jìn)化，進(jìn)行模型計(jì)算，得到一組新的目標(biāo)函數(shù)系列，再次進(jìn)行誤差樣本進(jìn)化。

下面根據(jù)具體計(jì)算實(shí)例來描述本發(fā)明整體實(shí)現(xiàn)流程，如圖1、圖5所示。

(1)根據(jù)T時(shí)刻之前的實(shí)測降雨和徑流信息，利用水文耦合模塊進(jìn)行全局自動(dòng)優(yōu)化計(jì)算，得到水文模型參數(shù)的一組全局最優(yōu)解{x₁，x₂，x₃…，x_n}，根據(jù)實(shí)測降雨信息計(jì)算得到本時(shí)刻之前的洪水模擬過程{q₁，q₂，q₃…，q_T}，同時(shí)根據(jù)氣象部門的未來降雨過程計(jì)算得到未來一段時(shí)期內(nèi)的洪水預(yù)報(bào)過程{q_T+1，q_T+2，q_T+3…}；

(2)根據(jù)T時(shí)刻之前的模擬徑流系列{q₁，q₂，q₃…，q_T}和實(shí)測徑流系列{Q₁，Q₂，Q₃…，Q_T}計(jì)算得到一組徑流誤差系列{e₁，e₂，e₃…，e_T}。根據(jù)誤差系列{e₁，e₂，e₃…，e_T}信息，利用誤差耦合模塊計(jì)算得到一組誤差模型參數(shù)的全局最優(yōu)解，帶入誤差校正模型進(jìn)行計(jì)算，得到未來一段時(shí)期內(nèi)的預(yù)報(bào)誤差系列{e_T+1，e_T+2，e_T+3…}

(3)根據(jù){q_T+1，q_T+2，q_T+3…}和{e_T+1，e_T+2，e_T+3…}，得到T時(shí)刻實(shí)時(shí)校正預(yù)報(bào)的徑流結(jié)果{q_T+1-e_T+1，q_T+2-e_T+2，q_T+3-e_T+3…}

下表1-2為四個(gè)水庫流域預(yù)報(bào)結(jié)果統(tǒng)計(jì)表，“初步預(yù)報(bào)”表示不進(jìn)行實(shí)時(shí)校正的預(yù)報(bào)結(jié)果，“校正預(yù)報(bào)”表示進(jìn)行實(shí)時(shí)校正的預(yù)報(bào)結(jié)果；表中R表示徑流深，Q表示洪峰，R％表示徑流深相對誤差，Q％表示洪峰相對誤差；相對誤差越小，模擬精度越高；DC表示整個(gè)過程模擬效果，越接近1，與實(shí)際過程越吻合，模擬效果越好，模擬精度越高。

本發(fā)明將流域水文模型和誤差校正模型分別與全局自動(dòng)優(yōu)化算法進(jìn)行耦合處理，形成相互嵌套的水文耦合模塊和誤差耦合模塊，然后依據(jù)實(shí)時(shí)降雨徑流信息進(jìn)行洪水實(shí)時(shí)校正預(yù)報(bào)。本發(fā)明提出一種新的思路，對水文模型參數(shù)進(jìn)行實(shí)時(shí)校正計(jì)算，從“根源”上提高洪水預(yù)報(bào)精度，克服現(xiàn)有的單對預(yù)報(bào)誤差進(jìn)行校正方法的缺陷，保證實(shí)時(shí)校正預(yù)報(bào)效果的可靠性和穩(wěn)定性。

以上所述，僅為本發(fā)明的較佳實(shí)施例而已，并非對本發(fā)明作任何形式上的限制；凡本行業(yè)的普通技術(shù)人員均可按說明書附圖所示和以上所述而順暢地實(shí)施本發(fā)明；但是，凡熟悉本專業(yè)的技術(shù)人員在不脫離本發(fā)明技術(shù)方案范圍內(nèi)，利用以上所揭示的技術(shù)內(nèi)容而做出的些許更動(dòng)、修飾與演變的等同變化，均為本發(fā)明的等效實(shí)施例；同時(shí)，凡依據(jù)本發(fā)明的實(shí)質(zhì)技術(shù)對以上實(shí)施例所作的任何等同變化的更動(dòng)、修飾與演變等，均仍屬于本發(fā)明的技術(shù)方案的保護(hù)范圍之內(nèi)。