一種資料短缺情形下的二次耦合月徑流預報方法
【專利摘要】本發(fā)明公開了一種資料短缺情形下的二次耦合月徑流預報方法，耦合模型結(jié)構(gòu)參數(shù)少、結(jié)構(gòu)簡單，計算過程中不受水文資料的計算長度、地形和氣象數(shù)據(jù)精度要求限制，通過GRNN模型與其他物理模型進行模型耦合確保模型系統(tǒng)對真實水文過程模擬的真實性，有效避免了大量使用經(jīng)驗公式和設(shè)定參數(shù)而帶來的誤差；對傳統(tǒng)時間序列ARMA模型進行改進，提出將季節(jié)性ARMA模型應(yīng)用于水文數(shù)據(jù)序列的延長技術(shù)；利用季節(jié)性ARMA模型延長后的月徑流數(shù)據(jù)與耦合模型進行數(shù)據(jù)耦合，確定耦合模型的結(jié)構(gòu)及參數(shù)，使二次耦合后得到的耦合式GRNN模型在水文資料相對短缺的流域也能確保徑流模擬的精確度，對歷史水文數(shù)據(jù)的依賴性低，有效保證耦合模型系統(tǒng)的實用性和適用性。
【專利說明】一種資料短缺情形下的二次耦合月徑流預報方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于水文預測的多次耦合設(shè)計方法領(lǐng)域，具體涉及一種資料短缺情形下的二次耦合月徑流預報方法。
【背景技術(shù)】
[0002]水文預報是水文學的一個重要組成部分，它是基于對實際水文現(xiàn)象的客觀描述，利用水文、氣象的實測資料，預測水文因素未來變化規(guī)律的一門水文學科。對流域來水進行預測是流域水庫內(nèi)水資源進行合理配置前必須進行的工作，可靠的月徑流預測工作對水庫進行多功能調(diào)度來說顯得尤其重要。
[0003]在水文徑流預報模型中，按建模方式不同可分為概念式模型、分布式模型和黑箱式模型。其中前兩種模型又可稱為物理水文模型。概念式或分布式物理水文模型與流域的物理水文過程有密切的聯(lián)系，短期模擬效果較好。但這些模型很多使用經(jīng)驗公式，且參數(shù)多，過程相對復雜，所以在模擬預測中的誤差難以避免，且模型使用的預報期相對較短，通常在預報期較長的情況下不能滿足預報的精度要求。神經(jīng)網(wǎng)絡(luò)模型屬于黑箱式水文模型，具有高度的非線性映射能力，能夠很好地反映徑流時間序列的非線性關(guān)系。FFBP模型作為較常用的一種神經(jīng)網(wǎng)絡(luò)模型，具有結(jié)構(gòu)簡單參數(shù)相對較少和執(zhí)行快速的特點。但是FFBP對初始值選取很敏感，不同的初始值對計算效率影響極大，且容易發(fā)生“過度擬合”情況。廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN, Generalized Regression Neural Network)模型能夠有效的解決上述情況，且只有一個參數(shù)需要確定就能達到相對滿意的結(jié)果。但是黑箱式水文模型較少對流域的物理基礎(chǔ)進行研究，模型缺少對流域內(nèi)在機制的描述，從而限制了預報結(jié)果的精度。
[0004]使用模型耦合技術(shù)可以有效的解決上述問題，神經(jīng)網(wǎng)絡(luò)模型通過與其他物理模型進行模型耦合，對其提供的流域內(nèi)在機制信息的學習，耦合模型的預測效果優(yōu)于任一單一模型。GRNN模型簡單的結(jié)構(gòu)和一步式的學習過程，GRNN模型與物理式水文模型的耦合組合擁有簡單高效的特點，預測結(jié)果明顯優(yōu)于同類型耦合模型。但是，由于我國很多流域水文站建設(shè)時間較短，相關(guān)水文資料數(shù)據(jù)不足，即水文觀測數(shù)據(jù)少于20年，這樣給徑流的預測和計算帶來很大困難。同時，流域中大量建設(shè)水工建筑物，使水面上升或下降，地域氣候和下墊面狀態(tài)變化，原有資料一定程度上不再適用于現(xiàn)有條件下的水文預測的情況。這些都導致了相關(guān)歷史水文資料的短缺和代表性被破壞，僅使用單次模型耦合技術(shù)，預測精度難以保證。
[0005]時間序列模型ARMA模型作為時間序列延長和預測工具被廣泛的引用于經(jīng)濟、氣象、農(nóng)業(yè)和工業(yè)等領(lǐng)域。運用ARMA模型對原有月徑流數(shù)據(jù)序列進行延長，并以延長后的數(shù)據(jù)確定耦合模型結(jié)構(gòu)，即ARMA模型以數(shù)據(jù)耦合方式與原耦合模型進行二次耦合。但傳統(tǒng)的ARMA模型對非線性平穩(wěn)序列的預測精度不足，且預測的長度一般不易超過原序列長度的50%，故無法對資料短缺情況下的流域水文數(shù)據(jù)進行有效的延長。
[0006]因此，需要一種資料短缺情形下的二次耦合月徑流預報方法以解決上述問題。
【發(fā)明內(nèi)容】

[0007]發(fā)明目的:本發(fā)明針對現(xiàn)有技術(shù)中資料短缺情形下的無法對流域水文數(shù)據(jù)有效預測的缺陷，提供一種資料短缺情形下的二次耦合月徑流預報方法。
[0008]技術(shù)方案:為實現(xiàn)上述發(fā)明目的，本發(fā)明的資料短缺情形下的二次耦合月徑流預報方法可采用如下技術(shù)方案:
[0009]一種資料短缺情形下的二次耦合月徑流預報方法，包括以下步驟:
[0010]I)、采用GRNN模型和物理水文模型，選取至少一個物理水文模型，對所述物理水文模型和GRNN模型所需的基礎(chǔ)地形數(shù)據(jù)、氣象數(shù)據(jù)和水文數(shù)據(jù)進行預處理，得到模擬歷時所述GRNN模型和物理水文模型的月徑流觀測值，所述模擬歷時分為訓練期和測試期兩個時段；
[0011]2)、對所述物理水文模型進行配置，根據(jù)各所述物理水文模型參數(shù)的規(guī)范與要求對參數(shù)進行設(shè)定，得到模擬歷時各物理水文模型的月徑流預測值；
[0012]3)、利用時間序列延長模型對訓練期各物理水文模型的月徑流預測值和月徑流觀測值進行補充和延長，同時利用時間序列延長模型對訓練期所述GRNN模型的月徑流觀測值進行補充和延長，得到延長后的訓練期的月徑流數(shù)據(jù)；
[0013]4)、利用模型耦合技術(shù)將GRNN模型和各所述物理水文模型分別進行模型耦合，得到一次耦合GRNN模型，然后將步驟3)得到的延長后的訓練期的月徑流數(shù)據(jù)與所述一次耦合GRNN模型進行數(shù)據(jù)耦合，確定數(shù)據(jù)耦合后模型的的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，得到二次耦合GRNN模型；其中，數(shù)據(jù)耦合即為將步驟3)得到的延長后的訓練期的月徑流數(shù)據(jù)代入所述一次耦合GRNN模型，這樣就可以確定數(shù)據(jù)耦合后模型的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)。
[0014]5)、運用測試期所述GRNN模型的月徑流觀測值和物理水文模型的月徑流預測值對所述二次耦合GRNN模型進行預報計算，并評定當前二次耦合GRNN模型是否是最優(yōu)的組合；
[0015]6)、利用步驟5)得到的最優(yōu)的二次耦合GRNN模型對流域進行月徑流預測。
[0016]更進一步的，步驟I)中，按照流域特征與流域現(xiàn)有的基礎(chǔ)地形、氣象和水文數(shù)據(jù)情況，選取Q (Q ^ I)個與流域適應(yīng)性較好的物理水文模型。
[0017]更進一步的，所述物理水文模型為概念式模型或分布式模型。
[0018]更進一步的，所述時間序列延長模型為季節(jié)性ARMA模型。
[0019]更進一步的，步驟3)中，延長后的月徑流數(shù)據(jù)為原模擬歷時月徑流數(shù)據(jù)的20~100 倍。
[0020]更進一步的，原時間序列中的觀測值為{XJ,季節(jié)性時間序列為{YJ,則季節(jié)性ARMA (p, d, q) (P, D, Q)s模型的表達式為:
[0021]
【權(quán)利要求】
1.一種資料短缺情形下的二次耦合月徑流預報方法，其特征在于，包括以下步驟: 1)、采用GRNN模型和物理水文模型，選取至少一個物理水文模型，對所述物理水文模型和GRNN模型所需的基礎(chǔ)地形數(shù)據(jù)、氣象數(shù)據(jù)和水文數(shù)據(jù)進行預處理，得到模擬歷時所述GRNN模型和物理水文模型的月徑流觀測值，所述模擬歷時分為訓練期和測試期兩個時段； 2)、對所述物理水文模型進行配置，根據(jù)各所述物理水文模型參數(shù)的規(guī)范與要求對參數(shù)進行設(shè)定，得到模擬歷時各物理水文模型的月徑流預測值； 3)、利用時間序列延長模型對訓練期各物理水文模型的月徑流預測值和月徑流觀測值進行補充和延長，同時利用時間序列延長模型對訓練期所述GRNN模型的月徑流觀測值進行補充和延長，得到延長后的訓練期的月徑流數(shù)據(jù)； 4)、利用模型耦合技術(shù)將GRNN模型和各所述物理水文模型分別進行模型耦合，得到一次耦合GRNN模型，然后將步驟3)得到的延長后的訓練期的月徑流數(shù)據(jù)與所述一次耦合GRNN模型進行數(shù)據(jù)耦合，確定數(shù)據(jù)耦合后模型的的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，得到二次耦合GRNN模型； 5)、運用測試期所述GRNN模型的月徑流觀測值和物理水文模型的月徑流預測值對所述二次耦合GRNN模型進行預報計算，并評定當前二次耦合GRNN模型是否是最優(yōu)的； 6)、利用步驟5)得到的最優(yōu)的二次耦合GRNN模型對流域進行月徑流預測。
2.如權(quán)利要求1所述的資料短缺情形下的二次耦合月徑流預報方法，其特征在于，步驟I)中，按照流域特征與流域現(xiàn)有的基礎(chǔ)地形、氣象和水文數(shù)據(jù)情況，選取Q (Q ^ I)個與流域適應(yīng)性較好的物理水文模型。
3.如權(quán)利要求1或2所述的資料短缺情形下的二次耦合月徑流預報方法，其特征在于，所述物理水文模型為概念式模型或分布式模型。
4.如權(quán)利要求1所述的資料短缺情形下的二次耦合月徑流預報方法，其特征在于，所述時間序列延長模型為季節(jié)性ARMA模型。
5.如權(quán)利要求1所述的資料短缺情形下的二次耦合月徑流預報方法，其特征在于，步驟3)中，延長后的月徑流數(shù)據(jù)為原模擬歷時月徑流數(shù)據(jù)的20~100倍。
6.如權(quán)利要求4所述的資料短缺情形下的二次耦合月徑流預報方法，其特征在于，原時間序列中的觀測值為{XJ，季節(jié)性時間序列為{\}，則季節(jié)性六_&，(1，9) (P，D，Q)S模型的表達式為:
7.如權(quán)利要求1所述的資料短缺情形下的二次耦合月徑流預報方法，其特征在于，步驟4)中第T月的月徑流預測值β通過下式計算得到:
8.如權(quán)利要求7所述的資料短缺情形下的二次耦合月徑流預報方法，其特征在于，訓練期時，Qh、Qt_2、…、QT_m為延長后GRNN模型中第T月之前m個月的月徑流觀測值，Qi τ為延長后物理水文模型第T月的月徑流預測值；測試期時，QT_p Qt_2、…、QT_m為GRNN模型中第T月之前m個月的月徑流觀測值，Q' τ為物理水文模型第T月的月徑流預測值。
9.如權(quán)利要求1所述的資料短缺情形下的二次耦合月徑流預報方法，其特征在于，步驟5)中當前最優(yōu)的二次耦合GRNN模型由決定系數(shù)R2評價，R2的表達式為:
10.如權(quán)利要求9所述的資料短缺情形下的二次耦合月徑流預報方法，其特征在于，在驟5)中，如果選取的物理水文模型數(shù)量Q為1，當決定系數(shù)R2 > 0.9時，所述二次耦合GRNN模型為最優(yōu)的，否則返回步驟4)，重新確定網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)；選取的物理水文模型數(shù)量Q>1，則R2值最大且R2≤0.9時，所述二次耦合GRNN模型為最優(yōu)的，否則返回步驟4)，重新確定網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)。
【文檔編號】G06Q50/02GK103577895SQ201310552930
【公開日】2014年2月12日 申請日期:2013年11月8日 優(yōu)先權(quán)日:2013年11月8日
【發(fā)明者】尹筍, 唐德善, 陳偉偉, 陸姍姍, 丁億凡 申請人:河海大學