[发明专利]基于Copula-模型条件处理器的水文概率预报方法

说明书

本发明公开了基于Copula‑模型条件处理器的水文概率预报方法，采用该方法能够进行水文预报，包括以下步骤：步骤1.收集流域的水文气象基础资料和定量降水预报数据；步骤2.建立水文模型得到不同预见期的预报流量过程；步骤3.确定实测流量和预报流量的边缘分布函数；步骤4.利用Copula函数构建实测流量和预报流量的联合概率分布函数；步骤5.根据步骤3估计的边缘分布函数与步骤4构建的联合概率分布函数求得以初始预报值为条件的预报量的分布函数;步骤6.根据步骤5得到的分布函数获取实测流量的中位数和不确定性区间。本发明具有不需进行正态‑线性假设，综合评价水文不确定性的特点，具有更好的适用性。

技术领域

本发明属于洪水预报领域，具体地说是一种基于Copula-模型条件处理器的水文概率预报方法。

背景技术

洪水预报是非工程防洪减灾措施的重要组成内容，也是水文科学研究的热点问题。但一直以来，洪水预报提供的都是一种确定性的定值预报。由于自然水文过程的复杂性和人类认识水平的局限性，实时洪水的预报中不可避免地存在输入、模型结构和模型参数的不确定性。这些不确定性的存在，必将导致洪水预报结果也具有不确定性，但在当前的实际防洪工作中，由于采用的是确定性的定值预报结果，因而无法对调度方案及防洪决策的可能风险做出客观评估。因此，通过将确定性水文预报模型与不确定性统计分析相耦合，获得未来洪水过程的概率分布，实现概率预报，不仅能提供与常规洪水预报方法相类同的单值预报结果(如采用分布的均值、中值、众数或其他分位数)，而且可以提供该预报值发生可能性大小的估计，以此进行防洪调度，可以对决策方案的可靠性及风险大小做出定量评价，具有重要的科学意义和应用价值。

模型条件处理器(Model Conditional Processor，MCP)是基于洪水测量信息与确定性模型预报信息的联合概率分布，通过非参数变换技术，将预测不确定性投影至正态空间中，但这种正态分位数转换在外推极端事件时效果不稳健，且逆转换时也可能使结果偏离最优值，影响了该法的适用性。鉴于Copula函数能较好地模拟水文过程的非线性和非正态特征，在构建多变量联合分布和条件分布中具有巨大优势，适用范围更广，应用更加灵活。目前，没有文献将Copula函数引入MCP的研究中。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供一种基于Copula-模型条件处理器的水文概率预报方法。

本发明为了实现上述目的，采用了以下方案：

一种基于Copula-模型条件处理器的水文概率预报方法，其特征是，包括以下步骤：

步骤1.收集流域的水文气象基础资料和定量降水预报数据；

步骤2.建立水文模型得到不同预见期的预报流量过程；

步骤3.确定实测流量和预报流量的边缘分布函数：根据步骤1中的实测流量数据和步骤2中得到的预报流量数据资料，选取适当的边缘分布线型，并估计其参数，确定实测流量和预报流量的边缘分布函数；

步骤4.利用Copula函数构建实测流量和预报流量的联合概率分布函数；

根据步骤1中的实测流量数据和步骤2中得到的预报流量数据资料，采用Copula函数构造实测和预报流量的联合概率分布函数，并估计Copula函数的参数；

步骤5.根据步骤3估计的边缘分布函数与步骤4构建的联合概率分布函数求得以初始预报值为条件的预报量的分布函数；

步骤6.根据步骤5得到的分布函数，应用数理统计原理，计算获取实测流量的中位数作为定值模拟结果，同时也获取给定置信区间下的不确定性模拟区间。

进一步地，所述步骤2中，根据步骤1中的水文气象基础资料建立水文模型，并将步骤1中水文气象基础资料中的实测降水数据和定量降水预报数据输入建立的水文模型，得到不同预见期的预报流量过程。