[发明专利]一种中长期径流集合预报方法

说明书

本发明提出一种中长期径流集合预报方法，属于水文预报领域。该方法首先分别获取预报对象的历史径流数据，获取历史气象数据作为本地相关因子，以及获取气候因子数据作为遥相关因子；将待预报月份的前11个月份的径流数据作为时间序列自相关因子；从以上所有因子中选取相关系数最高的因子组成预报因子集；利用经过训练且验证完毕的机器学习径流预报模型，将待预报月份对应的预报因子集数据输入模型，得到该月份径流量的预报值。本发明可实际应用于水文站数据缺失地区和站点稀疏地区的逐月径流计算，还可用于缺失径流数据的插补，为当地水资源分配与管理尤其干旱区水库调度、当地灌溉规划和农业用水管理等提供有效的参考依据。

技术领域

本发明属于水文预报领域，具体涉及一种中长期径流集合预报方法。

背景技术

在气候变化的背景下，水循环不仅受到当地气象要素的影响，还受到全球气候因素的影响。在干旱区，气候恶劣、人烟稀少，由于地形和设备等客观条件的限制，水文站点和气象站点等分布稀疏，且常存在数据缺测、缺失问题，在灌溉用水和农业用水占比比较大的情况下，无法合理、高效地调配水资源，造成水资源的浪费，加剧水资源的紧缺情势。水资源的高效利用对于保证区域的可持续发展具有重要意义，而高精度的径流预测可以指导地区水资源规划与管理，尤其是可有效指导当地灌溉和农业用水，对于水资源的有效利用和区域的可持续发展具有重要意义。

若要提高径流预报结果的精确度，不仅要注重统计特性，建立合适的模型，更要关注径流的物理成因，找准、找全径流的影响因子，即确定合适的预报因子非常重要。王君(2014)基于遥相关原理，以大气环流特征量为径流的预报因子集进行径流预报，分析得到不同月份径流数据的预报因子集有所不同；并考虑时间滞后效应，分析前期月份的大气环流特征量对未来径流数据的影响，逐月分别进行径流预报。梁忠民等人(2017)基于遥相关原理，从前一年项环流指数、北太平洋海温场和高度场这三类数据挑选预报因子，并用三种机器学习模型进行预报并进行结果对比。这两个研究共同存在的不足是，单一考虑遥相关因子对预报对象径流的影响，未充分考虑到预报月前的径流量甚至本地月降水量会对径流尤其是会对干旱区的径流产生直接影响，而且气温会通过影响降水、融冰等过程而间接地影响径流过程。此外，传统的统计方法如时间序列模型，利用线性回归、傅里叶分析和自回归移动平均(ARMA)模型将序列分解为趋势项、周期项和随机项，但时间序列模型只适用于平稳序列。而随着气候变化的加剧，径流已成为非平稳序列问题。因此，时间序列模型等传统统计方法已经无法解决这些问题。机器学习模型如神经网络(NN)和支持向量机(SVM)等则用于解决非线性和非平稳性径流数据的拟合和预报问题。但可从中得到启示，时间序列本身是有统计规律的，前期径流对未来径流是有影响的，所以，基于时间序列自相关性，考虑前期径流作为径流的预报因子之一进行分析。但周建中等人(2017)单一考虑本地降水和前期径流对径流过程的影响，未充分考虑遥相关气候因子的影响，不能充分表达气候变化环境下对径流的影响。

综合上述分析，目前还没有研究既从空间尺度上考虑遥相关因子和本地相关的气象因子，又从时间尺度上考虑时滞效应和时间序列自相关性的集合径流预报方法。

发明内容

本发明的目的是为克服目前已有预报方法不能很好地预报非稳定性时间序列的问题，提出一种中长期径流集合预报方法。本发明结合少量的水文站、气象站资料与易获取的气候因子数据，综合考虑遥相关原理、时间序列自相关特性、时滞效应和机器学习方法，建立逐月预报中长期径流的模型；可实际应用于水文站数据缺失或稀疏的区域作为径流的参考值，为当地水资源分配与管理尤其干旱区水库调度、当地灌溉规划和农业用水管理等提供有效的参考依据。

本发明提出一种中长期径流集合预报方法，包括以下步骤：