基于数据驱动模型的季节性河流洪水预警研究.pdf

第4期2023年8 月D0I:10.19364/j.1674-9405.2023.04.008基于数据驱动模型的季节性河流洪水预警研究水利信息化Water Resources InformatizationNO.4Aug.2023冯公伟，蒋东进（1.昌吉水文勘测局，新疆昌吉8 3110 0；2.水利部南京水利水文自动化研究所，江苏南京2 10 0 12)摘要：为提升季节性河流洪水预警精度，实现洪水灾害的防治，提出基于数据驱动模型的季节性河流洪水预警方法。利用径流曲线法计算河床汇流率，将汇流率作为辅助函数，采用BP神经网络和数据驱动相结合的方法搭建季节性河流洪水预警模型，将季节性河流洪水的时间序列输入模型中，得到季节性河流洪水预警结果。以传统的季节性河流洪水预警方法作为对比对象，通过实验得出基于数据驱动模型的季节性河流洪水预警方法在预警精度上优于传统预警方法，预警结果具有较高的可靠性，能够对季节性河流进行精准的洪水预警，在河流洪水预警领域具有重要的应用价值，可为洪水灾害的防范提供理论与实践指导。关键词：数据驱动模型；季节性河流；洪水预警；河床汇流率；BP神经网络中图分类号：P3380引言随着全世界范围内各种洪水灾害的愈加频繁与严重，各种洪水预警方法研究也在不断推进-2 。对洪水灾害进行及时有效的预警，提高全社会的抗洪水平，保证周边居住地区的防洪安全是建立河流洪水预警系统的主要目的。传统的河流洪水预警方法（以下简称传统预警方法）通常根据气象参数、气象报告、洪水特性、水文条件及河流径流量等实现预警，被广泛应用于水文预报业务中3。传统预警方法一般利用集中式4 和分布式的水文预测模型5，通过对降雨量、河道汇流、下垫面渗透率的预测计算，模拟得到河流的渗流情况，进而推断出洪水出现时机及持续时间，实现季节性河流洪水预警。传统预警方法比较依赖水文站点的历史水文数据资料，虽然在一定程度上可以对洪水进行预警，但由于各地区水文条件的不同，降雨量和地表径流量通常具有多变性，难以精准预测和把握变化趋势，因此传统预警方法预测出的水位变幅值与实际值存在一定的差距，导致预警精度下降。且传统预警方法需要利用大量的历史水文洪水数据进行统计分析，计算过程中涉及的参数较多，导致计算量较大，计算速度和模拟精度通常不高，计算过程中还容易受到不确定可变因素的影响，无法对季节性河流的洪水情况进行精准预测和预警，预估洪水等级时容易出错，进而影响防洪决策。收稿日期：2 0 2 2-0 8-13作者简介：冯公伟（19 8 6 一），男，山东聊城人，工程师，从事水文勘测方面的工作。E-mail：a n g n g j e n g 16 3.c o m文献标识码：A文章编号：16 7 4-9 40 5(2 0 2 3)0 4-0 0 46-0 4数据驱动模型通过建立非线性映射函数，可对洪水等级进行精准预估，提高预警准确率。因此为保证预警精度，将数据驱动模型应用于实际的季节性河流洪水预警方法设计中，提出一种基于数据驱动模型的季节性河流洪水预警方法（以下简称本研究预警方法)，为流域预报等工作提供参考7 。1本研究预警方法分析1.1河床汇流率计算河床汇流指季节性河流在河床内部的集中过程。河床汇流率是单位时间内通过河道某一截面的水量，受到降雨量、地貌、植被覆盖、土壤类型等因素的影响。在水文学中，河床汇流率是评估水资源利用、洪水预测和水文模型建立的重要指标之一。计算汇流率，可以掌握季节性河流的地表与地下径流情况，为洪水预警提供数据基础。利用径流曲线法(SCS法)可计算洪水过程中的地表径流，其中降雨历时t，与洪水洪峰延时t之间的关系表达式如下：t,=5.5tdo一般情况下，汇水区在固定面积内因降水产生的地表径流的洪峰流量与延时之间的关系表达式为(2)AAm式中：A为单位流域汇水面积；Qm为标准情况下的洪峰流量值；C,为洪峰系数，一般取0.8 5；Q为始(1)第4期冯公伟等：基于数据驱动模型的季节性河流洪水预警研究47雨量；t。代表不同时间段之间的间隔；x与的取末出流量之间的差值；Am为河流的横截面面积。根据SCS法，可以求出河流洪峰峰值与峰值时间之间的关系，具体关系表达式为Qm=AQ+V式中：V为河道容积；tz为峰值时间。tz可用固定面积内的降水历时与洪水的洪峰延时表示，具体表达式为t,=-P+ta2则河床汇流率R，计算公式如下：R,-(Qm).式中：i表示降雨时段。=1表示降雨时段第一时间点。根据式（1)(5）可求得季节性河流的河床汇流率，将该汇流率作为辅助函数，即可构建神经网络水文模型9。1.2预警模型构建本研究以数据驱动模型为基础进行季节性河流洪水预警，数据驱动模型具体工作原理图如图1所示。利用SCS法计算河床汇流率将汇流率作为辅助函数输入利用BP神经预测值J数据网络构建水文X预警模型数据驱动实际值机器学习图1数据驱动模型工作原理图通过图1工作原理可知，数据驱动模型通过数据驱动构建对应的模型，并通过机器学习不断减少实际值与预测值之间的误差，因此对于解决季节性河流洪水预测类的问题具有较大优势。BP神经网络模型作为数据驱动模型中的一种，可广泛应用于洪水预警中。在利用数据驱动模型对季节性河流洪水进行预测之后，可利用BP神经网络构建水文预警模型10 。假设季节性河流洪水的时间序列输入向量为x，且满足xER（R表示河床汇流率d个参数集合），则BP神经网络输出层可用高斯函数激活，将河床汇流率作为辅助函数，具体公式如下：R,(x)=exp(a l x-c;Rpl),(3)式中：R,(x)为神经元数量为i时的输出值；c;为高斯函数的稳定系数；为激活次数。对BP神经网络输出层进行加权求和，具体公式(4)如下：(5)式中：h为隐藏节点的实际个数；wi为从隐藏层到输入层的参数权重；y为输入节点个数为j时的输入值；q为隐藏节点的初始个数。采用希尔特函数缩小误差，具体公式如下：ymin=oE(yj)x,式中：为权重向量的方差；Jmin为加权求和误差的最小值；E（y）表示相对误差函数。构建极限向量误差模型输出量o，具体公式如下：0,-2g(ym*x+b),(9)式中：j的取值范围为1,m，下标j和y,的下标j的取值范围一致；g（x）为激活函数；b,为神经元个数为i时的偏差值。将偏差值作为目标函数，即可构建神经网络水文预警模型，具体公式如下：Q(t)=F,P,(to),P,(t-xt),Q(y t),(10)使预测值输出之间的误与实际值差最小(6)(7)(8)式中：Q为洪水流量；P.为季节性河流流域内的降预警结果值范围为xE1,0,yE1,0；F,为非线性激活映射函数。根据式（6)（10）可构建基于数据驱动的水文预警模型，对模型进行求解，计算季节性河流的预警值。为便于直观展示预警结果，需要设定洪水预警规则。采用传统的洪水预警信号规则进行规划，用蓝、黄、红表示严重程度不同的洪水预警等级，其中：蓝色代表洪水等级最低，危害最小；红色代表洪水等级最高，危害程度最严重；黄色代表中度洪水等级。将3种预警信号参数分别设置为-3，-3，0 ,-1,0,1,0,3,3，其中0,1,3分别表示利用构建的基于数据驱动的水文预警模型得到的预警值，预警值越高，预警等级越高。具体预警隶属效果图如图2 所示。481.00.80.60.40.203一蓝色预警一一-黄色预警图2 季节性河流预警输出分类及隶属函数效果图分析图2 可知，通过确定不同预警信号的隶属度，可得到相关的预警值，并及时输出预警结果，以保证季节性河流洪水预警的效率。至此，完成基于数据驱动模型的季节性河流洪水预警方法设计。2试验验证为更好地说明本研究预警方法的实际应用效果，进行试验测试，对实际预警效果进行分析。2.1试验环境描述本次试验以某市主干道河流右岸的一条支流为试验对象。该支流流向为东北到西南，发源于临市海拔8 40 m的高山，整条河流长度为56 km，流域面积在50 0 km以上，沿岸有6 条支流汇入。上游河谷较为狭窄，下游河谷较为宽阔，下游河口的深度为1.2m，宽度为18 m，自然落差为8 0 0 m，属于大中型河流。同时受该市地理位置的影响，河流属于温带季风性气候，夏季温和多雨，冬季干燥少雨，河流流量呈季节性波动，流量特征符合季节性河流的特点，一般在汛期会出现洪峰，延迟时间一般在2 545min内。每年的平均降雨量为52 8.5mm，汛期时的降雨量占全年降雨量的6 5%以上，属于典型的雨洪径流。本次试验选取传统预警方法为对比对象。为提高试验结果的可靠性，选取该河流近5a的水文数据，共15次双峰型洪水数据作为历史数据，统计每年降雨的开始及停止时间，记录水位的起涨时间、洪峰延时、平均降雨量、水位涨幅大小、洪峰持续时间及地表径流等水文数据，为2 种洪水预警方法提供数据支持。通过对子流域水文参数的模拟设定对洪水进行预警，具体模拟参数如表1所示。通过预测水位变幅，比较预测值与实际测量值之间的拟合程度，拟合效果越好代表预警方法的精度越高，季节性河流洪水预警效果越好。水利信息化编号面积/km产流参数/mm汇流时间/min衰减参数1111+1-2-12023(4)表1研究子流域水文参数1564.22154.63453.701预警值56.8945.1213.6523红色预警154.65134.2645.684468.15465.16212.37137.88495.62.2试验结果利用2 种预警方法对表1中8 个子流域进行季节性河流洪水预测，检验不同预警方法的预测值与实际测量值的拟合程度，试验结果如图3所示。420一本研究预警方法预测值传统预警方法预测值400一实际测量值380360F3403203000图3预测值与实际测量值的拟合情况根据实验结果可知，针对涨幅程度不同的洪水，不同预警方法预测出的水位变幅值与实际测量值的误差也有所不同。传统预警方法预测出的水位变幅值与实际测量值之间的平均误差一般为2 3mm，并且因洪水强度的不同存在较大差异。在对强度较大的洪水进行预警时，预测出的水位变幅值与实际测量值之间的差值也会上升，说明传统预警方法会受到实际洪水情况与水文条件变化的影响而产生不同程度的偏差，无法对季节性河流洪水进行精准预警。本研究预警方法预测出的水位变幅值与实际测量值的拟合效果明显优于传统预警方法，实际测量值与0.380.460.5779.4615.5465.4189.4584.1264.1567.29142.3656.45115.641123456子流域编号0.430.290.570.400.2278第4期预测值之间的误差较小，保持在10 0 mm以内，并且本研究提出的季节性河流洪水预警方法不受洪水强度的影响，预警误差值不会随着洪水强度的增大而出现更大的偏差，说明本研究预警方法的稳定性较高，在预警精度上要优于传统预警方法。这是由于本研究预警方法与数据驱动模型进行了有效结合，通过数据驱动水文预警模型，提高了预测精度，因此可以保证对季节性河流洪水进行精准预警，可应用于实际的水文预报业务中，为洪水预警研究提供积极的帮助。3结语本研究提出的季节性河流洪水预警方法与数据驱动模型理论进行了有效结合，选取数据驱动模型进行河流洪水预测，结合预测结果与BP神经网络构建数据驱动水文预警模型。试验结果表明，本研究预警方法预测的水位变幅值与实际测量值的拟合效果明显优于传统预警方法，实际测量值与预测值之间的误差较小，实际应用效果较好。本研究预警方法有利于对各种水文灾害进行实时监测，掌握河流的水文情况，提高对气象灾害的预测和防范水平，减少因气象灾害造成的经济损失。对研究同等类型的山洪、滑坡等气象灾害的预警和防范具有积极的借鉴意义，可为洪水风险评估提供技术上的帮助，对我国防震减灾工作的建设具有积极的推进作用。冯公伟等：基于数据驱动模型的季节性河流洪水预警研究2020,51(6):11-16.10何昕宇，田文，张智宇，等.基于数据驱动的洪涝风险评估方法研究进展J.人民珠江，2 0 2 2，43（5)：6 0-6 7.11梁宁.面向洪水预警预报的水文数据自动化整合与系统集成.广西水利水电，2 0 2 1（6)：9 2-9 6.49参考文献：1陆延华.基于水情预警预报系统平台的建立及预报方法探讨J.黑龙江水利科技，2 0 2 2，50（3)：132-134.2任东风，胡馨予,齐欢，等.辽西季节性河流洪水预警关键技术.辽宁工程技术大学学报（自然科学版），2 0 2 1，40(4):347-354.3胡春双，王占兴，孙永贺.中小河流洪水预报预警方法探讨J.水利科学与寒区工程，2 0 2 1,4（6)：16 5-16 8.4衣学军,魏守科,石玉好,等.基于小波非线性自回归网络的水文预测模型.计算机技术与发展，2 0 2 1,31(3)：7 0-7 7.5廖厚初，王加虎.基于分布式预报平台的水文模型预报研究J.水利科学与寒区工程,2 0 2 2,5（3)：59-6 2.6朱雪梅，吕哲，姜文.水文遥测数据分析系统在洪水预警预报中的应用一一以古宜河支流林溪河程阳水位站为例1.广西水利水电2 0 2 1（6)：9 7-10 0,118.7程墨.山洪灾害调查评价技术在无资料小流域洪水预警中的应用J.水资源开发与管理,2 0 2 1,19(2)：7 3-7 6.8岳斌,陈文,王加虎，等.渭河典型支流分布式暴雨洪水预警预报技术研究R.兰州：甘肃省水文水资源局，2 0 2 1：3-4.9涂华伟，彭涛，彭虹，等.基于洪水过程的山区小流域洪水预警研究一一以四川省白沙河流域为例.人民长江，Research on seasonal river flood warning based on data-driven modelFENG Gongwei,JIANG Dongjin?(1.Changji Hydrological Survey Bureau,Changji 831100,China;2.Nanjing Research Institute of Hydrology andWater Conservation Automation,Ministry of Water Resources,Nanjing 210012,China)Abstract:In order to improve the accuracy of seasonal river flood early warning and to prevent flood disasters,amethod of seasonal river flood early warning based on data-driven model is proposed.The runoff curve method is usedto calculate the confluence rate of riverbed,which can be taken as an auxiliary function.A seasonal river flood warningmodel is built by combining BP neural network and data-driven method.The time series of seasonal river floods areinput into the model to obtain the seasonal river flood warning results.Taking the traditional seasonal river flood earlywarning method as the contrast object,it can be concluded through experiments that the seasonal river flood earlywarning method based on the data-driven model is superior to the traditional method in the early warning accuracy,and has highly reliable warning results.Thus,it can provide accurate flood early warning for seasonal rivers,and hasimportant application value in river flood early warning,which also provide theoretical and practical support for flooddisaster prevention.Key words:data-driven model;seasonal rivers;flood warning;riverbed confluence rate;BP neural network(责任编辑：陆燕)