[发明专利]一种考虑降雨量等级的水文预报方法及系统

说明书

本发明公开一种考虑降雨量等级的水文预报方法及系统，公开了考虑降雨量等级的水文不确定性处理器应用方法。包括以下步骤：(1)收集流域的水文气象资料和相关的定量降雨预报；(2)建立水文模型得到不同预见期下的预报流量；(3)采用遗传算法确定降雨量分级阈值；(4)根据上一步确定的阈值，分别计算强降雨和弱降雨下的后验概率密度函数；(5)对水文不确定性进行计算分析。本发明提出了采用遗传算法确定降雨量分级阈值的方法，利用高斯混合模型拟合实测流量和预报流量的边缘分布，分析了强降雨和弱降雨情况下水文不确定性大小，提出了一种考虑降雨量等级的水文不确定性处理器应用方法，完善了水文不确定性处理器的应用。

技术领域

本发明涉及水文预报领域，更具体地，涉及一种考虑降雨量等级的水文预报方法及系统。

背景技术

水文预报是采用水文模型对未来的水文情势作出预测的技术，对于防洪、抗旱、流域管理、水力发电及水资源综合利用等起着重要作用。由于水文模型计算过程中存在输入数据误差、模型参数误差等不确定因素，造成其预报结果存在较大不确定性，忽略了水文预报的风险性，因此，需要对水文预报结果的不确定性进行量化评估，发展水文预报不确定性处理方法。

现有的水文不确定性处理方法主要有径流上下限区间预报、基于预报误差的概率预报和贝叶斯概率预报。径流上下限区间预报采用上下限估计方法和人工神经网络模型预测未来流量的可能取值范围；基于预报误差的概率预报采用统计学方法模拟水文预报误差的概率分布，将概率预报误差与确定性水文预报模型的输出相结合得到概率水文预报。上述两种方法简单易行，但都存在一定的缺陷。径流上下限区间预报仅能给出未来流量上下限，不能提供相应的概率值或置信度，基于预报误差的概率预报没有分析不确定性来源，而贝叶斯概率预报不仅分析了不确定性来源，还可以提供相应的概率值和置信度。

综上，水文预报不确定性来源主要有输入数据、模型参数和模型结构等。其中，降雨输入数据不确定性是最为关键的因素之一。贝叶斯概率预报能够分析多种不确定性因素，但是未充分考虑不同降雨量级情况下输入数据不确定性的差异，其结果往往不够准确。

发明内容

针对现有技术的缺陷，本发明的目的在于解决现有水文预报方法未充分考虑不同降雨量级情况下输入数据不确定性的差异，其结果往往不够准确的技术问题。

为实现上述目的，第一方面，本发明提供一种考虑降雨量等级的水文预报方法，包括以下步骤：

(1)根据流域的历史水文信息和流域的定量降雨预报信息，建立水文模型得到不同预见期下的预报流量；

(2)利用遗传算法确定强降雨和弱降雨的分级阈值；

(3)依据所述强降雨和弱降雨的分级阈值，基于所述不同预见期下的预报流量分别确定强降雨和弱降雨下的预报流量后验概率密度函数；

(4)基于强降雨和弱降雨下的预报流量后验概率密度函数进行水文预报。

在一个可选的实施例中，所述步骤(1)具体包括如下步骤：

(1.1)收集流域的历史水文信息和流域的定量降雨预报信息；

(1.2)建立水文模型得到不同预见期下的预报流量。

在一个可选的实施例中，所述步骤(2)具体包括如下步骤：

(2.1)初始化种群；

其中，初始化种群指的是初始化降雨量分级阈值；

(2.2)对初始化的降雨量分级阈值，分别用高斯混合模型拟合强降雨和弱降雨下的预报流量与实测流量的边缘流量分布；

(2.3)采用正态分位数转换将非正态的边缘流量分布转换为亚高斯模型分布，计算转换空间下似然函数的估计参数得到不同预见期不同降雨量等级下的方差；