[發明專利]一種月尺度水文模型時變參數的動態估計方法

有效

• 申請號: 201810557800.1
• 申請日: 2018-06-01
• 公開（公告）號: CN108920427B
• 公開（公告）日: 2020-07-24
• 發明（設計）人: 鄧超;王衛光
• 申請（專利權）人: 河海大學
• 主分類號: G06F17/18
• 分類號: G06F17/18
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 施昊

本發明公開了一種月尺度水文模型時變參數的動態估計方法，步驟為：根據實測水文數據，采用數據同化方法估計月尺度水文模型參數θ的連續序列；通過相關分析從候選的流域特征表征因子篩選出月尺度水文模型參數θ的流域特征表征因子；擬合月尺度水文模型參數θ與其流域特征表征因子的經驗公式；根據經驗公式以及流域特征因子的月尺度數據，計算流域月尺度水文模型的參數序列。本發明能夠實現月尺度水文模型時變參數的動態估計，可提高變化環境下“非穩態”流域的徑流模擬精度。

技術領域

本發明屬于流域水文模型領域，特別涉及了一種月尺度水文模型時變參數的動態估計方法。

背景技術

流域水文模型是研究流域水文自然規律和解決水文實際問題的重要工具。它基于數學物理方程和參數對流域水文循環過程進行概化，構建流域降水——徑流的轉換關系，實現流域徑流的模擬和預報，從而為流域洪水預報、水資源科學利用與管理等提供技術支撐。

現有的流域水文模型參數估計方法一般根據水文實測資料采用優化算法進行率定，其假定條件為模型參數在流域內為常數，即參數不隨時間變化。現行方法的主要實施步驟為：(1)選取完整的實測水文資料序列，如降雨、潛在蒸發、徑流資料等；(2)選取優化參數的目標函數，一般采用模擬徑流與實測徑流的誤差平方和最小為目標函數；(3)采用優化算法對水文模型的待估計參數進行優選，其中較為常用的優化算法有SCE-UA算法、基因算法等。

因此，現有的水文模型參數估計方法存在問題：(1)水文模型的參數被當作常數，無法準確地反映變化環境背景下流域特征條件所呈現的動態變化；(2)模型參數依賴于足夠的實測水文資料序列，通過優化算法反演的方式獲得，且估計值為固定值，無法實現參數時間序列的連續估計。

發明內容

為了解決上述背景技術提出的技術問題，本發明旨在提供一種月尺度水文模型時變參數的動態估計方法，在水文模型中更好地反映流域特征條件變化，提高變化環境下“非穩態”流域的徑流模擬精度。

為了實現上述技術目的，本發明的技術方案為：

一種月尺度水文模型時變參數的動態估計方法，包括以下步驟：

(1)根據實測水文數據，采用數據同化方法估計月尺度水文模型參數θ的連續序列；

(2)通過相關分析從候選的流域特征表征因子篩選出月尺度水文模型參數θ的流域特征表征因子；

(3)擬合月尺度水文模型參數θ與其流域特征表征因子的經驗公式；

(4)根據步驟(3)得到的經驗公式以及流域特征因子的月尺度數據，計算流域月尺度水文模型的參數序列。

進一步地，在步驟(1)中，選取有足夠水文資料的流域，將降水、潛在蒸發和徑流處理為月尺度數據，確定月尺度水文模型，建立基于月尺度水文模型的數據同化狀態轉移方程和觀測方程：

y_t+1＝h(x_t+1,θ_t+1)+ξ

上式中，θ_t+1、θ_t分別為第t+1、t月的模型參數值，ε為均值為0的正態分布誤差；x_t+1、x_t分別為第t+1、t月的模型狀態變量，η為均值為0的正態分布誤差；u_t+1為第t+1月的模型驅動數據，包括降雨和潛在蒸散量；y_t+1為第t+1月的模型徑流模擬值，ξ為均值為0的正態分布誤差；f、h均表示水文模型。

進一步地，在步驟(2)中，候選的流域特征表征因子包括1、3、6個月前期影響雨量P₁、P₃、P₆，歸一化植被指數NDVI以及經濟社會指標GDP、人口Pop。