流域水文建模及預(yù)報(bào)方法研究.pdf

1、流域水文預(yù)報(bào)是水文學(xué)研究領(lǐng)域的重要研究內(nèi)容,對于水資源規(guī)劃管理和可持續(xù)利用具有重要的支撐作用。在我國,獨(dú)特的地理位置和氣候條件決定了水資源時(shí)空分布的極度不均性,同時(shí)由于受人類活動(dòng)和全球氣候變暖的影響,當(dāng)前的水資源時(shí)空分布特性及其演化規(guī)律正在發(fā)生深刻變化,特別是近年來隨著我國大型水利樞紐工程的規(guī)劃、建設(shè)和投運(yùn),流域水文時(shí)空變化特性日趨復(fù)雜,從而給流域水文建模與預(yù)報(bào)提出了更高的要求。
　　本文圍繞流域水資源開發(fā)及優(yōu)化利用中面臨的關(guān)鍵科

2、學(xué)問題,研究流域水文建模與預(yù)報(bào)的先進(jìn)理論與方法,研究工作對減低水旱災(zāi)害損失和實(shí)現(xiàn)水資源安全高效可持續(xù)利用具有重要的理論意義和工程實(shí)用價(jià)值。相關(guān)成果可在工程實(shí)踐中推廣應(yīng)用,具有良好的工程應(yīng)用前景。本文的主要研究內(nèi)容和創(chuàng)新性成果包括:
　　(1)針對集總式水文模型無法精細(xì)反映流域下墊面條件和流域水文循環(huán)各要素空間分布不均性,且難以描述水文系統(tǒng)特征相應(yīng)的響應(yīng)規(guī)律的問題,基于集總式新安江水文模型計(jì)算的基本原理,結(jié)合流域氣候條件和下墊面時(shí)空

3、變異規(guī)律,充分考慮流域下墊面空間分布的異質(zhì)性和不同水文單元間的水平聯(lián)系,將流域劃分成若干個(gè)具有水平聯(lián)系和垂向聯(lián)系的柵格單元,并用嚴(yán)格的數(shù)學(xué)物理方程表述各柵格單元水文循環(huán)的子過程以及柵格單元間的水量交換關(guān)系,提出并建立了分布式柵格新安江水文預(yù)報(bào)模型。
　　(2)基于兩種典型的系統(tǒng)理論水文模型建模方法——神經(jīng)網(wǎng)絡(luò)和支持向量回歸,建立了兩種系統(tǒng)理論短期水文預(yù)報(bào)模型,研究結(jié)果表明,系統(tǒng)理論水文模型同樣可以有效模擬流域水文系統(tǒng)徑流過程的時(shí)間

4、變化規(guī)律,支持向量回歸模型表現(xiàn)出與神經(jīng)網(wǎng)絡(luò)模型相當(dāng)?shù)念A(yù)報(bào)性能,有些典型條件下預(yù)報(bào)性能甚至優(yōu)于神經(jīng)網(wǎng)絡(luò)模型,是神經(jīng)網(wǎng)絡(luò)模型的一種替代方法,同時(shí),支持向量回歸模型參數(shù)少,且相比神經(jīng)網(wǎng)絡(luò)模型建模步驟簡單并具有較強(qiáng)地非線性擬合能力,具有良好的工程應(yīng)用前景。
　　(3)為求解水文模型率定的多目標(biāo)復(fù)雜優(yōu)化問題,提出了一種多目標(biāo)文化混合復(fù)形差分進(jìn)化算法MOCSCDE,MOCSCDE算法將SCE-UA置于文化進(jìn)化的框架中,利用種群進(jìn)化過程中提取的

5、各種知識(shí)指導(dǎo)算法的搜索,提高算法的運(yùn)行效率,同時(shí)考慮到SCE-UA中單純形算子不能充分利用種群個(gè)體信息的不足,采用全局搜索能力強(qiáng)的差分進(jìn)化算法替代單純形算子,充分利用種群個(gè)體信息指導(dǎo)演化計(jì)算,進(jìn)一步提高了算法的計(jì)算效率,為水文模型優(yōu)化率定提供了一種高效的解決方法。
　　(4)針對傳統(tǒng)基于單一目標(biāo)的水文模型參數(shù)優(yōu)化率定方法不能充分全面挖掘水文系統(tǒng)不同動(dòng)態(tài)行為特征的缺陷,將本文提出的多目標(biāo)優(yōu)化算法MOCSCDE用于集總式和分布式水文模

6、型優(yōu)化率定,有效避免了基于單目標(biāo)優(yōu)化率定產(chǎn)生的均化效應(yīng),顯著提高模型預(yù)報(bào)性能,同時(shí),將MOCSCDE算法應(yīng)用于系統(tǒng)理論模型輸入優(yōu)選和模型參數(shù)優(yōu)化,既可克服模型輸入優(yōu)選的難題,又能根據(jù)不同的水文特性自動(dòng)優(yōu)選不同模型結(jié)構(gòu),提高水文預(yù)報(bào)精度。
　　(5)結(jié)合SCEM-UA算法分析了集總式和分布式水文模型參數(shù)不確定性和模型預(yù)報(bào)不確定性,同時(shí)首次證明了神經(jīng)網(wǎng)絡(luò)水文預(yù)報(bào)模型中存在的“過參數(shù)化”現(xiàn)象,并針對神經(jīng)網(wǎng)絡(luò)模型參數(shù)不確定性分析結(jié)果,提出