[发明专利]一种水文预报方法

说明书

本发明公开了一种基于理想边界和多元线性回归的上下限区间水文预报方法。本发明分别采用同倍比放大和缩小实测流量的方法构造理想的上下限边界，在率定期以理想上、下限边界为目标和最小二乘法为原则确定多元线性回归上限和下限模型的结构和参数，通过率定期和检验期的上下限预报结果实现上下限区间水文预报。以预报区间包含率、相对宽度、对称性和均方根误差(采用区间中值作为预报值)为精度评定指标，对比现有神经网络方法和不同相对宽度的回归模型区间预报结果，本发明提出的方法表现出较好的预报精度和预报效果。本发明采用的方法计算简单快捷，避免了大量的参数优化搜索过程以及优化算法陷入局部最优的可能，很大程度的缩短了水文预报时间。

技术领域

本发明属于水文学中的短期径流水文预报领域，更具体地，涉及一种基于理想边界和多元线性回归的上下限区间水文预报方法。

背景技术

现行的水文预报方法主要有经验相关法和模型方法，经验相关方法包含如基于多元回归法的水文预报方法，该方法通过建立多个变量之间线性或非线性数学模型数量关系式的统计方法，从而反映一种现象或事物的数量以及多种现象或事物的数量变动之间的规律。概率水文预报方法包含如基于贝叶斯理论的概率水文预报模型，该方法先假设实测数据的先验分布和后验分布类型，利用基于实测数据的先验分布和预报数据的似然函数，确定贝叶斯预报的后验分布参数，实现一定置信度下的概率水文预报。

现有基于多元回归法的水文预报方法可以实现对流量等相关水文变量的预报，但是，该方法没有考虑水文过程的不确定性，不能够定量的进行不确定性预报，因此该方法不能完全反映水文过程。

现有假设误差分布的概率预报和集合预报计算能够产生一定置信度下的概率预报，但是其计算过程复杂。应用神经网络模型进行区间预报的方法又因黑箱模型内部结构复杂，并且其优化算法容易陷入局部最优，导致模型预报精度不理想。

综合上述现行水文预报方法存在的问题，水文预报方法在预报精度，算法优化，计算效率等方面仍有不足，需要开发新的水文预报方法。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于理想边界和多元线性回归的上下限区间水文预报方法，其目的在于，提供一种计算简单便捷，且易于实现的区间水文预报方法，旨在保证预报精度的条件下缩短预报时间。

本发明采用如下的一种基于理想边界和多元线性回归的上下限区间水文预报方法：

步骤1：选择水文预报断面，获取预报断面和其上游断面历史时期实测流量数据，并将流量数据分为率定期和检验期两部分，

步骤2：对率定期数据，利用待预报断面的实测流量，构造基于绝对宽度的理想上下限或者基于相对宽度的理想上下限边界，使得构造的理想上下限满足下式：

Q∈[Q_L,Q_U]

其中，Q为实测流量，单位为m³/s，Q_L为理想下限流量，Q_U为理想上限流量，

⑴基于绝对宽度的理想上下限边界构造方法

基于绝对宽度的理想上下限边界构造方法中，通过综合所有实测流量而设定一个理想的区间宽度常量W_A，则理想上下限流量用下式表示：

其中，Q为实测流量，W_A为理想的区间宽度常量，W_A取固定流量值，为基于绝对宽度的理想下限流量，为基于绝对宽度的理想上限流量，使得理想上下限绝对宽度

⑵基于相对宽度的理想上下限边界构造方法