[发明专利]一种基于贝叶斯模式平均融合多源数据的水文模拟方法

说明书

本发明公开了一种基于贝叶斯模式平均融合多源数据的水文模拟方法，首先搜集稀缺资料地区地面站点的气象数据、水文系列、卫星反演降水和再分析气温数据集；再采用基于分位数映射的日偏差校正方法、回归校正方法和等率校正方法，分别在不同月份建立地面观测数据与同时期模拟气象数据集的校正模型；然后采用季节性贝叶斯模式平均方法，通过后验概率密度函数优选各偏差校正情景的权重，获得校正后的长系列气象数据集；根据实测资料率定流域水文模型和长短期记忆神经网络模型，最后输入校正后的长系列气象数据集实现径流过程模拟。本发明能实现稀缺资料地区的长系列径流模拟，可为流域水资源管理和规划提供重要且可操作性强的参考依据。

技术领域

本发明涉及水文模拟技术领域，具体涉及一种基于贝叶斯模式平均融合多源数据的水文模拟方法。

背景技术

高质量的长系列降水和气温数据是灾害预警防控、农业生产管理、生态保护、流域水文模拟以及水利工程规划设计的重要基础资料。传统的气象数据主要依赖于站点观测，但是气象站网通常密度较小且空间布设不均，难以准确反映气象变量的时空变化特性，不能满足高精度水文模拟等工程应用需要。

近年来，卫星遥测技术和数据反演算法快速发展，基于卫星遥感反演的降水定量观测产品具有较宽的覆盖范围和更高的时空分辨率，有效弥补了气象站点布设不足的缺陷，并为无资料地区提供了新的数据参考。同时，随着人类观测手段和数据同化技术日渐成熟，学者们对多种来源(地面、船舶、无线电探空、测风气球、飞机、卫星等)的观测资料进行质量控制，提出利用数值天气预报的数据同化技术来重构长期历史气候过程，即所谓的再分析数据集，它同化了数值天气预报和大量的地面观测数据与卫星遥感信息，具有时空分辨率精度高、时间跨度长等优点。

本申请发明人在实施本发明的过程中，发现现有技术的方法，至少存在如下技术问题：

受限于遥感精度、反演算法、数值预报模式和同化方案等影响，卫星降水和再分析气温数据均具有较大的系统偏差，难以直接应用于流域水文模拟。国内外学者评估了反演数据集在不同气候区气象、农业和水文等领域的适用性，少量研究校正了降水气温数据集的系统偏差。但是，不同偏差校正方法存在一定差异，对径流模拟带来较大的不确定性，现有方法的模拟效果欠佳。

发明内容

本发明提出一种基于贝叶斯模式平均融合多源数据的水文模拟方法，用于解决或者至少部分解决现有技术中的方法存在的水文模拟效果不佳的技术问题。

为了解决上述技术问题，本发明提供了一种基于贝叶斯模式平均融合多源数据的水文模拟方法，包括：

S1：搜集稀缺资料地区地面站点的地面观测数据，地面观测数据包括有限气象观测数据、水文实测系列数据集、卫星反演降水数据集以及再分析气温数据集；

S2：分别采用基于分位数映射的日偏差校正方法、回归校正方法和等率校正方法，在不同月份建立地面观测数据与同时期模拟气象数据集的偏差校正模型，其中，每一种校正方法对应一种偏差校正模型，每种偏差校正模型对应一套校正数据集；

S3：采用季节性贝叶斯模式平均方法，对S2建立的偏差校正模型对应的三套校正数据集进行后评估，获得校正后的长系列气象数据集；

S4：对预先构建的流域水文模型和长短期记忆神经网络模型进行率定，并采用S3得到的校正后的长系列气象数据集驱动率定后的流域水文模型和长短期记忆神经网络模型，输出长系列径流过程，将其作为水文模拟结果。

在一种实施方式中，S2具体包括：

S2.1：采用基于分位数映射的日偏差校正方法逐月校正降水发生频率、量级以及气温模拟偏差，得到与该偏差校正模型对应的第一校正数据集；

S2.2：采用回归校正方法逐月校正降水量级以及气温模拟偏差，得到与该偏差校正模型对应的第二校正数据集；