基于概率分布模型的流量预报及参数动态识别
发布时间：2021-03-06 07:19
概率分布模型（PDM）在国内流域的适用性及参数在不同径流阶段的变化研究较少。本文以浙江省两典型流域为例,建立PDM流量预报对比模型,根据参数动态识别分析确定不同时间窗口下参数变化,从而推断关键影响因子。研究结果表明:（1）PDM模型在两流域模拟结果较为满意,纳什效率系数均可达到0.7以上,且低流量为主的龙泉溪流域模拟效果明显优于高流量主导的金华江流域;（2）在不同洪水事件下PDM参数(经验参数α、b和最大蓄水能力Smax)均与前期土壤湿度显著负相关,与退水斜率有关的参数b在金华江流域与蒸发量显著正相关,而在龙泉溪流域与平均降雨负相关性显著;（3）受地表以下28 cm土壤湿度变化控制的参数α在洪峰及退水阶段识别度最大。
【文章来源】：水力发电学报. 2020,39(06)北大核心
【文章页数】：10 页
【部分图文】：
研究区域Fig.2Studyareas（a）金华江（b）龙泉溪
44水力发电学报PDM在金华江流域的应用，尤其在洪峰阶段有一定的局限性。明显的洪峰低估，可能是由于流域内出现了不可忽视的超渗地表产流等。龙泉溪流域径流相对较低，在洪水上涨、洪峰阶段及退水过程均模拟较好，说明PDM模型在该流域的应用前景更大，对径流变化的监测能力较好。龙泉溪流域径流系数较金华江低，植被覆盖度较高，可推断出龙泉溪流域基于蓄满产流机理效应更加显著。（a）金华江（b）龙泉溪图3验证阶段模拟效果比较Fig.3Comparisonofrunoffsimulationsforvalidationperiod3.2基于洪水事件的参数相关性分析以单个洪水事件为一个窗口间隔，按照DYNIA参数识别流程，随机产生5000个参数组进行模拟。其中，各参数α、b和maxS的取值范围分别为0~3，0~15和0~80mm。并采用蒙特卡洛方法选取NSE指标前10%的参数值，最终获取各参数的中位数，即累计概率分布为50%对应的参数数值，与流域不同场次洪水时期特性条件如平均降雨P、平均蒸发E、前期四层平均土壤湿度SMi（i1,2,,4）等进行相关性统计分析。表3、表4分别表示了金华江共28尝龙泉溪共29场洪水事件下模型参数与平均降雨、蒸发及土壤湿度特性之间的皮尔逊相关系数r和Kendalltau_b相关系数b[23]。三个参数均与前期土壤湿度有显著负相关，尤其表现在金华江流域土壤湿度I~III层及龙泉溪流域III、IV层。由此可以推断出金华江流域为浅层地下水补给，龙泉溪流域为深层地下水补给。而且与流域退水有关的模型参数b在金华江流域也与平均蒸发量有显著的正相关性，或许是金华江流域蒸发量较大导致（见表1）。参数b在龙泉溪流域
.2790.351SM0.52130.4800.845SM0.5053b11.5589.683SM0.674b8.3350.688P0.654max3S135.521273.421SM0.661max4S199.664411.018SM15.392P0.7253.3基于不同径流阶段的参数识别度分析根据径流斜率变化曲线将各场次洪水过程划分为若干阶段，分析在不同阶段下三个模型参数的变化规律，根据信息量的大小确定出不同径流阶段识别度最高的影响因子。3.3.1单洪峰过程分析一般将单洪峰过程划分为径流上升初期、洪峰阶段、退水阶段。以某场次洪水过程为例，图4表示金华江和龙泉溪流域单洪峰径流过程不同阶段下三参数识别度的变化，其中nQ表示归一化后径流。金华江流域2010年10月单洪峰洪水过程划分为5个阶段（件图4（a）），在径流上升初期I，三参数信息量均较低，参数b信息量相对最大，在初期径流上升阶段起关键作用。在金华江参数b与第三层土壤湿度有显著相关性（见表5），说明在洪水上升阶段金华江地下径流占主导。在洪峰阶段II，三个参数信息量均有不同程度的提高，尤其对于参数α信息量提高最大，说明两流域第二层土壤湿度的变化起主要作用。退水阶段III~V，参数α、maxS信息量基本保持不变，参数α的识别度仍最高，其次为maxS。龙泉溪流域1994年4月单洪峰过程分为4个阶段（见图4（b）），同样在径流缓慢上升初期I，三个参数信息量均不高，而参数b相对来说识别度最大，和平均降雨有关，说明上升初期龙泉溪地表径流占主导。在径流快速上升阶段II及洪峰阶段III，参数α和maxS识别度逐渐增大。在退水阶段IV，参数α识别度最大，说明
【参考文献】：
期刊论文
[1]入库径流预报误差随机模型及其应用[J]. 纪昌明,梁小青,张验科,刘源. 水力发电学报. 2019(10)
[2]基于PDM的飞来峡水库实时水文预报模型[J]. 韩昌海,张铭,范子武,虞云飞,苏亦绿,王红旗. 水利水运工程学报. 2014(01)
[3]基于统计理论方法的水文模型参数敏感性分析[J]. 宋晓猛,孔凡哲,占车生,韩继伟. 水科学进展. 2012(05)
[4]基于数值天气模式和分布式水文模型的三峡入库洪水预报研究[J]. 高冰,杨大文,谷湘潜,许继军. 水力发电学报. 2012(01)
[5]中国水文预报技术发展的回顾与思考[J]. 张建云. 水科学进展. 2010(04)
本文编号：3066668
【文章来源】：水力发电学报. 2020,39(06)北大核心
【文章页数】：10 页
【部分图文】：
研究区域Fig.2Studyareas（a）金华江（b）龙泉溪
44水力发电学报PDM在金华江流域的应用，尤其在洪峰阶段有一定的局限性。明显的洪峰低估，可能是由于流域内出现了不可忽视的超渗地表产流等。龙泉溪流域径流相对较低，在洪水上涨、洪峰阶段及退水过程均模拟较好，说明PDM模型在该流域的应用前景更大，对径流变化的监测能力较好。龙泉溪流域径流系数较金华江低，植被覆盖度较高，可推断出龙泉溪流域基于蓄满产流机理效应更加显著。（a）金华江（b）龙泉溪图3验证阶段模拟效果比较Fig.3Comparisonofrunoffsimulationsforvalidationperiod3.2基于洪水事件的参数相关性分析以单个洪水事件为一个窗口间隔，按照DYNIA参数识别流程，随机产生5000个参数组进行模拟。其中，各参数α、b和maxS的取值范围分别为0~3，0~15和0~80mm。并采用蒙特卡洛方法选取NSE指标前10%的参数值，最终获取各参数的中位数，即累计概率分布为50%对应的参数数值，与流域不同场次洪水时期特性条件如平均降雨P、平均蒸发E、前期四层平均土壤湿度SMi（i1,2,,4）等进行相关性统计分析。表3、表4分别表示了金华江共28尝龙泉溪共29场洪水事件下模型参数与平均降雨、蒸发及土壤湿度特性之间的皮尔逊相关系数r和Kendalltau_b相关系数b[23]。三个参数均与前期土壤湿度有显著负相关，尤其表现在金华江流域土壤湿度I~III层及龙泉溪流域III、IV层。由此可以推断出金华江流域为浅层地下水补给，龙泉溪流域为深层地下水补给。而且与流域退水有关的模型参数b在金华江流域也与平均蒸发量有显著的正相关性，或许是金华江流域蒸发量较大导致（见表1）。参数b在龙泉溪流域
.2790.351SM0.52130.4800.845SM0.5053b11.5589.683SM0.674b8.3350.688P0.654max3S135.521273.421SM0.661max4S199.664411.018SM15.392P0.7253.3基于不同径流阶段的参数识别度分析根据径流斜率变化曲线将各场次洪水过程划分为若干阶段，分析在不同阶段下三个模型参数的变化规律，根据信息量的大小确定出不同径流阶段识别度最高的影响因子。3.3.1单洪峰过程分析一般将单洪峰过程划分为径流上升初期、洪峰阶段、退水阶段。以某场次洪水过程为例，图4表示金华江和龙泉溪流域单洪峰径流过程不同阶段下三参数识别度的变化，其中nQ表示归一化后径流。金华江流域2010年10月单洪峰洪水过程划分为5个阶段（件图4（a）），在径流上升初期I，三参数信息量均较低，参数b信息量相对最大，在初期径流上升阶段起关键作用。在金华江参数b与第三层土壤湿度有显著相关性（见表5），说明在洪水上升阶段金华江地下径流占主导。在洪峰阶段II，三个参数信息量均有不同程度的提高，尤其对于参数α信息量提高最大，说明两流域第二层土壤湿度的变化起主要作用。退水阶段III~V，参数α、maxS信息量基本保持不变，参数α的识别度仍最高，其次为maxS。龙泉溪流域1994年4月单洪峰过程分为4个阶段（见图4（b）），同样在径流缓慢上升初期I，三个参数信息量均不高，而参数b相对来说识别度最大，和平均降雨有关，说明上升初期龙泉溪地表径流占主导。在径流快速上升阶段II及洪峰阶段III，参数α和maxS识别度逐渐增大。在退水阶段IV，参数α识别度最大，说明
【参考文献】：
期刊论文
[1]入库径流预报误差随机模型及其应用[J]. 纪昌明,梁小青,张验科,刘源. 水力发电学报. 2019(10)
[2]基于PDM的飞来峡水库实时水文预报模型[J]. 韩昌海,张铭,范子武,虞云飞,苏亦绿,王红旗. 水利水运工程学报. 2014(01)
[3]基于统计理论方法的水文模型参数敏感性分析[J]. 宋晓猛,孔凡哲,占车生,韩继伟. 水科学进展. 2012(05)
[4]基于数值天气模式和分布式水文模型的三峡入库洪水预报研究[J]. 高冰,杨大文,谷湘潜,许继军. 水力发电学报. 2012(01)
[5]中国水文预报技术发展的回顾与思考[J]. 张建云. 水科学进展. 2010(04)
本文编号：3066668
本文链接：https://www.wllwen.com/kejilunwen/shuiwenshuili/3066668.html
