[发明专利]一种结合水文过程数据和历史先验数据的洪水预测方法

说明书

本发明公开了一种结合水文过程数据和历史先验数据的洪水预测方法，利用加权聚类算法对影响降雨信息进行聚类分析，近似含水量信息；对数据进行清理，补充缺失的数据，修正错误数据；根据流域特征选取通用水文模型，获取水文过程中的变量之间的因果推理关系；对获取的一组组推理关系，采用有向图的形式进行表示，其中节点表示物理变量，边的方向表示因果推理关系，并以此拓扑结构构建贝叶斯网络；利用历史数据，结合通用水文模型，模拟产生中间结果数据，共同组成样本集；根据样本集获取历史先验知识，计算条件概率表，以实现对网络的训练，完成水文过程知识和历史先验知识的综合建模；输入测试数据，实现洪水预测。

技术领域

本发明涉及一种结合水文过程数据和历史先验数据的洪水预测方法，属于洪水预报技术领域。

背景技术

山洪是山丘区中小河流由降水引发的突发性、暴涨暴落的洪水，而我国中小河流众多，各个流域具有地理地貌、气候的独特性，缺少统一便捷的建模手段。近年来，由于极端天气时间频多，地区持续性强降雨、突发性暴雨时常发生，而山丘地区下垫面呈现高陡坡、河流源短流急，在暴雨天气下极易发生山洪等山地灾害，对人民生命财产造成威胁。因此基于中小河流的洪水预报得到国家的高度重视。

在防洪领域中，常用的模型主要分基于物理(过程)驱动和基于数据驱动。物理驱动模型是基于水文概念模型的，该方法分析造成洪水的水文过程，建立适合某一流域的通用模型，模型参数需要依赖经验和人工交互不断迭代才能完成率定。模型预报的精度取决于建模者的知识和经验以及数据资料的完备情况。这类模型内包含的参数具备物理意义，具有良好的解释性，但中小河流复杂的环境因素加大了参数率定的难度。近年来，线性回归、神经网络、支持向量机等数据驱动模型被运用在洪水预报中，这类模型将水文过程视作黑箱子，不考虑系统内部的物理机制，通过建立输入输出样本间的映射关系以实现建模。由于无法获取精确的水文要素(降雨和流量)，也无法获取流域内水循环要素的可靠时空分布，造成智能模型在预报性能上有一定的局限性。水文预报中，各个因素存在不确定性，因素之间相互关联，这使得物理驱动模型和数据驱动模型均有各自的不足。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种结合水文过程数据和历史先验数据的洪水预测方法。该方法选定适合的通用水文模型，分解水文过程构建贝叶斯网络，通过通用水文模型产生中间变量结果以丰富样本集，并用统计学方法获得变量之间的先验知识，完成水文过程的知识固化。本方法选用通用水文模型，避免了精确参数的率定，但同时利用贝叶斯网络的特点，能对不确定知识有良好的表达。

技术方案：一种结合水文过程数据和历史先验数据的洪水预测方法，包括如下步骤：

第一步：收集水文要素(历史降雨量数据、历史流量数据、历史蒸发量数据等)，根据降雨数据加权聚类近似推算土壤含水量，构成初始数据集。对数据进行清洗，对缺失数据进行补充；

第二步：根据流域特征选取适合该流域预报的水文模型，分析水文过程中的变量及变量之间的因果关系，收集水文过程知识，对水文过程知识进行建模，采用有向图的形式来表示水文过程，其中节点表示物理变量，边的方向表示因果推理关系，并以此拓扑结构构建贝叶斯网络；

第三步：利用历史数据，运行通用水文模型，模拟产生中间结果，历史水文要素数据和中间结果数据共同构成数据样本集，对样本集进行数理统计分析，分别计算每个变量的概率分布和变量之间的条件概率分布，以此获取历史先验知识，计算贝叶斯网络的每个节点的条件概率表，以实现对网络的训练，完成水文过程知识和历史先验知识的综合建模；

第四步：完成知识固化的贝叶斯网络可以替代水文模型，再输入新的水文要素，可以完成水文要素的预测。

第一步中加权聚类近似产生土壤含水量的步骤如下：

步骤1.1：收集整理历史降雨量；

步骤1.2：选取降雨特征，对土壤含水量计算点过去15天的降雨数据进行整理分析，抽取出多个时段的累计降雨量作为特征；