[发明专利]一种中长期径流预报结果趋势检验方法

权利要求书

1.一种中长期径流预报结果趋势检验方法，包括以下步骤：

步骤1、收集预报流域的基础数据；

所述步骤1中的所述基础数据包括：

基础数据A、流域主要控制水文站的日、旬、月、年的流量资料，其用于步骤2和步骤11中；

基础数据B、各主要控制水文站的旬、月、年最大流量、最小流量特征值及发生时间，第一场径流和最后一场径流过程资料，其用于步骤3中；

基础数据C、流域主要雨量站的日、旬、月、年的降雨，其用于步骤4中；

基础数据D、收集74项环流指标，以及欧洲中期天气预报中心ECMWF或美国国家环境预测中心NCEP的数值预报成果和再分析资料的气象影响因子，其用于步骤4中；

步骤2、基于所述基础数据，运用线性回归法建立年流量序列x(t)与其时序t之间的线性回归方程，进而检验时间序列的趋势性；

步骤3、将流域划分成若干子流域；

所述步骤3、将流域划分成若干子流域，划分依据主要包括，步骤2所判断控制站的流量变化趋势、各控制站上游子流域的下垫面条件及产流方式，都相同的子流域合并为一个子流域，不同条件的子流域彼此区分；

步骤4、预报因子的识别；

所述步骤4中针对不同的子流域分别识别预报因子，所述预报因子包括：前期降水与径流、74项环流指标、气象因子数据、海表温度、太阳活动因子以及人类活动因子；其中，太阳活动因子选择太阳黑子相对数以及相关联的地磁指数、太阳10cm波射电流量作为预报因子；人类活动通过城市不透水的硬化地面面积和水电站的调度规则反映；气象因子数据来自于所述步骤1中基础数据D中欧洲中期天气预报中心ECMWF或美国国家环境预测中心NCEP的数值预报成果和再分析资料；

采用相关分析法分析不同预报因子和不同子流域流量之间的相关程度，计算公式为:

式中，相关系数R_XY为X和Y之间的相关系数；n为资料样本数；X_i为X的第i个样本值；Y_i为Y的第i个样本值；为X的样本均值；为Y的样本均值；X代表某一子流域出口断面的流量，Y代表某一种预报因子，分别计算不同的预报因子和子流域出口断面流量之间的相关关系；

相关系数R_XY的取值范围为[-1,1]；R_XY大于0，说明预报对象Y和预报因子X之间为正相关；R_XY小于0，说明预报对象Y和预报因子X之间为负相关；R_XY等于0，说明预报对象Y和预报因子X之间不相关；R_XY的绝对值越大，预报对象Y和预报因子X之间的相关程度就越高；对于不同的子流域，选取相关程度排名靠前的10％预报因子作为不同子流域的预报因子集；

步骤5、建立预测模型库；

步骤6、通过确定性系数评判，在每一个子流域，对于物理成因法、水文统计法和人工智能三种方法，每种方法各选取一个确定性系数较高的模型，构成该子流域集合预报的组成；

所述步骤6中使用的确定性系数公式为：

式中：DC为确定性系数，y₀(i)为实测值，y_c(i)为预报值，为实测序列的均值，m为资料序列的长度；

步骤7、根据步骤6计算的结果，确定物理成因法、水文统计法和人工智能不同方法的权重值，进行集合预报；

所述步骤7中的计算公式如下：

所述步骤6中物理成因法、水文统计法和人工智能的确定性系数分别为A,B,C，则物理成因法模拟结果的权重为水文统计法的权重为人工智能法模拟的权重为则集成预报值为：

R＝w₁y₁+w₂y₂+w₃y₃

式中，w₁，w₂，w₃为权重值，y₁，y₂，y₃为各方法的预报值，R_i为各子流域集合预报值；

步骤8、运用最小均方根误差算法调整步骤7中权重值，使得各个子流域的预报值和实测值之间的均方根误差达到最小，输出各个子流域的预报值；

步骤9、根据各子流域的预报值，进行河道演算求得整个流域出口断面的径流过程，完成预报过程，河道演算可使用神经网络法；

步骤10、对整个流域预报的结果计算确定性系数；

所述步骤10中使用的确定性系数公式为：

式中：DC为确定性系数，y₀(i)为实测值，y_c(i)为预报值，为实测序列的均值，m为资料序列的长度；

步骤11、每月某一日对前一年逐日预报结果的确定性系数进行趋势检验；

所述步骤11中每月1号对前一年(12个月)逐日预报结果的确定性系数进行趋势检验，确定性系数的检验对象是步骤1中基础数据A逐日预报结果和主要控制水文站的日流量资料，采用坎德尔秩次相关检验法，计算公式为：

式中，U为确定性系数；N为确定性系数序列的总长度，x_i，x_j为系列中的数值，sgn为符号函数，返回值如果数字大于0，则sgn返回1，数字等于0，则返回0，数字小于0，则返回-1，数字参数的符号决定了sgn函数的返回值；i，j为系列中数值的编号，从1到n；n为系列的长度；τ为常数；

步骤12、判断是否需要更新预报因子集和重新选择预报模型；

所述步骤12中，针对步骤11的计算结果，当|U|＞U_α/2且U小于0时序列呈下降趋势，说明预报结果有下降趋势，此时返回步骤4重新识别预报因子集，并重复步骤6-10；

其中，α为显著性水平，通过给定的显著性水平，通过正态分布表查得U_α/2。