[发明专利]一种不确定性中长期水文预报模型的建立方法

说明书

技术领域

本发明涉及一种建模方法，具体是一种不确定性中长期水文预报模型的建立方法。

背景技术

研究流域和地区的水文特性和变化规律，开展水文预报，特别是中长期水文预报，以掌握未来水文情势，对于实现水资源的合理利用和管理具有重要的意义。在水资源状况日益恶化的今天，开展中长期水文预报的重要性更加突出。目前实际应用的预报模型较多，但仍存在许多问题，且近年来相关的研究报道很少，其研究落后于实际生产需要。因此研究中长期水文预报方法仍具有重要的理论和实际意义。

涉及中长期水文预报的方法很多，传统方法主要有成因分析方法、时间序列分析方法、人工神经网络模拟预测等。实际中，成因分析方法应用较少，其最常用的是时间序列分析法，它基于随机理论，即将水文序列看作由确定性成分(包括暂态成分和周期成分)、随机成分等项组成，然后分项模拟并叠加得到最终的预报结果，主要有ARMA模型，并发展有AR、MA、ARIMA模型等(丁晶，邓育仁.随机水文学[M].成都：成都科技大学出版社，1988)。但由于水文序列结构十分复杂，应用ARMA类模型时仅从时间域上进行分析不能够完全揭示和掌握水文序列的内部结构，且应用线性模型(或简单的非线性模型)不能达到很好模拟预测水文序列的目的。因此，时间序列分析方法的模拟精度较低。近年来人工神经网络(ANN，artificial neural network)在水文时间序列模拟预测中得到广泛的应用(Hsu K，Gupra H V，Sorooshian S.Artificial neural networkmodeling of the rainfall-runoff process[J].Water Resources Research，1995，31(10)：2517-2530.)，其模拟预测效果也较时间序列分析方法有很大改进。但由于水文循环过程中许多不确定因素的影响，造成水文时间序列组成成分和变化特性复杂多变，加上气候条件不断发生变化，同时受人类活动影响使得下垫面条件也不断发生巨大的变化，水文序列变化特性更加复杂多变。因此，开展中长期水文预报工作仍然十分困难。

综合分析可以看出，目前传统的预报方法主要存在以下两个问题：一是每种方法部有自身的缺限，因此单独使用某种方法不能达到很好的预报目的，需要探讨多种方法的联合使用。ANN虽较传统时间序列分析方法有很多优点，但它类似于“黑箱模型”，许多参数无法确定，模拟得到的水文序列结构也无法具体得知，计算结果无法解释；且影响ANN拓扑结构的因素众多，参数优选理论发展不甚完善也制约了ANN模型优势的发挥，使之在应用推广方面遇到一定的困难，目前神经网络还只是一种纯技术性的研究方法；二是目前的预报方法很少考虑水文不确定性因素对预报结果的影响，仍是以确定性模型为主，所得的预报结果为单一确定值，这具有不合理性。

水文序列模拟预测过程需要掌握其内部结构，目前所有的方法主要是从时域和(或)频域两个方面对水文序列进行分析。被誉为数学“显微镜”的小波分析方法(waveletanalysis，WA)是揭示水文序列结构和变化特性的有效工具(Labat D.Recent advances inwavelet analyses：part 1.A review of concepts.Journal of Hydrology[J].2005，314，275-288.)。此外，水文序列中的确定性成分是重要成分，反映了序列的主要变化特性(趋势、周期等)，而含有的随机成分客观反映了水文过程中内在的不确定性，作概率预报更加合理(如进行水文频率分析)。

小波理论源于Fourier分析，是Fourier分析的新发展。WA的实质是引入伸缩和平移思想，克服了传统频谱分析方法中窗口固定等不合理之处，采用一种位置可移动、形状可改变的“窗口”，从而满足了时、频局部化分析的要求，实现对水文序列灵活多变的分析。

小波(wavelet)是一种特殊的长度有限，平均值为0的波形，倾向于不规则和不对称。它有两个特点：一是“小”，即在时、频域上都具有紧支集或近似紧支集；二是正负交替的“波动性”，即直流分量为零。定义ψ(t)为小波母函数，则根据上述两个特点有：