[發明專利]一種人類活動影響分離的二維徑流還原方法

有效

• 申請號: 201410092691.2
• 申請日: 2014-03-13
• 公開（公告）號: CN103810401B
• 公開（公告）日: 2017-02-15
• 發明（設計）人: 李勛貴;魏霞
• 申請（專利權）人: 蘭州大學
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及徑流還原方法領域，尤其涉及一種人類活動影響分離的二維徑流還原方法。

背景技術

實測徑流的還原計算，是目前國內外進行水資源評價和工程設計時首先要做的工作，還原的目的，是為了使河川徑流計算成果能夠基本上反映天然情況，使資料系列具有一致性，以便采用數理統計方法對其進行頻率分析。水量還原工作，在很長時間里，均是通過對實測水文要素中隱含的人類活動影響扣除掉，“還原”到流域水資源的天然“本底”狀態，即“實測－還原”的一元靜態模式。但傳統的還原方法僅考慮人類活動對徑流的直接影響量，沒有考慮由于人類活動對流域下墊面條件的改變而對徑流的間接影響，導致還原成果精度不高、可靠性較低。為應對日益強烈的人類活動對流域的直接和間接影響，保護水資源安全和促進流域水資源的可持續開發利用，開發一種耦合人類活動對徑流的直接和間接影響的二維徑流還原方法是十分必要的。

綜合目前的徑流還原方法，從評價的理論和考慮的因素來看主要有分項還原法、氣象因子關系法（徑流雙曲線法、流域蒸發差值法、降雨徑流關系法）、綜合修正法、向后還原法、水文模擬法、投影尋蹤回歸分析法、二元動態水資源演化法、BP神經網絡法。

（1）分項還原法：分項還原法是生產中最常用的方法。該方法通過對農業灌溉耗水量、工業用水耗損量、生活用水耗損量、水庫滲漏量、分洪量以及跨流域調水量等各項水量進行計算，依據水量平衡原理，把控制斷面實測徑流量與控制斷面以上各項還原水量之和認為是控制斷面的天然年徑流量。分項還原法其需要對社會經濟、農業灌溉、工業用水、城鎮生活用水、水利工程等方面進行調查，調查的年份較長，需要的資料太多，工作量巨大，調查的數據和涉及的參數繁多，且這些參數大多是各地實驗和經驗值，在不同的時間或空間尺度上是變化的，在還原時會引起累積誤差，還原精度不高。同時該方法只能用于人類活動影響較小的流域，在人類活動影響比較強烈的流域，該法計算得到的天然水量，不能代表水資源的演化、發展趨勢，不能用于實踐。

（2）氣象因子關系法：該法主要通過蒸發量、降水量等因子建立與徑流量關系，基于該關系進行天然徑流計算。該法計算精度較差，且要進行外延時，外延部分的精度不易控制等等。

（3）綜合修正法：該法對操作人員要求很高，既要求熟悉研究區域的水文情勢，又要具有豐富的水文工作經驗，故該法在實際中的應用并不多。

（4）向后還原法：該法將區域內各代表站的天然年徑流量系列折算（換算）為現狀條件下的年徑流系列。但由于實際當中“現狀條件”的不斷變化，“向后還原”方法在實際應用中較難操作。

（5）水文模擬法：該法需要確定一定的模型結構和參數，這些結構與參數代表了流域的水文規律與水文特性，通過對這些結構與參數進行率定，實現對水文過程的模擬。但該方法需要確定模型的結構，率定與檢驗各種參數，模型結構與參數的確定受制于一定的經驗，同時，模型存在著一定的結構誤差與參數誤差，使得該方法的應用受到一定的限制。

（6）投影尋蹤回歸分析法：該方法是把影響產流量的因素如降水（也包括前期降水）、蒸發、氣溫、融雪等與徑流量之間的非線性關系用投影尋蹤法進行降維（降到1-3維空間上），找出徑流量與這些影響因素之間的內在聯系，確定徑流序列的突變點，獲得還原水量。但該法受制于投影方向、嶺函數和突變點，隨意性較大，計算成果精度較低。

（7）二元動態水資源演化法：該法基于二元動態水資源演化模式的“實測－分離－耦合－建模－調控”思想和天然狀態下的降雨P—徑流R函數關系式R=f(P)，利用經驗統計方法，找出影響徑流形成的主要因子，利用實測徑流量與人工耗水量之和建立與這些影響因子之間的經驗關系，從而獲得受人類活動影響后的流域下墊面條件的降水徑流函數關系f＇。但該方法考慮的人工耗水量與水庫蓄水量的變化量相當于分項還原法中的分項還原量，因此，該法本質上講屬于分項還原法范疇，仍無法克服分項還原法的不足。

（8）BP神經網絡法：應用BP網絡，以影響因子如農業灌溉地表水凈耗水量、工業引用地表水凈耗水量、林牧漁業引用地表水凈耗水量、水庫蓄水變量、水庫附加蒸發損失量、跨流域調水量、城鎮生活凈耗水量、農村人畜吃水凈耗水量和水庫滲漏損失量、降雨量、下滲系數、年平均溫度等作為輸入層，中間層為隱含層，輸出層為天然徑流量或還原水量，通過對歷史數據的訓練和擬合，當網絡滿足精度要求后，可用于預測天然徑流量或還原水量。但該法需要考慮大量的影響因子和歷史數據序列，這些值的確定，需要耗費大量的工作量，具有較大的難度和不確定性，當引入BP神經網絡后，可能會加重還原計算的工作量和不確定性。