现行实时洪水预报误差校正方法的适用性

分类:博客, 水文 标签:

实时洪水预报是一种在联机水情测报系统中,使用实时雨、水情及其它有关水文气象信息作为洪水预报模型输入,并不断根据新信息校正或改善原有模型参数,力争预报结果逐步逼近真值的洪水预报。

与脱机洪水预报比较,实时洪水预报所使用的信息的质量一般较差。例如:实时洪水预报使用的遥测或报汛资料,一般就不及脱机洪水预报采用的整编水文资料完整、可靠;实时洪水预报采用的流量资料往往由水位流量关系求得,一般也不及脱机洪水预报中使用的实测流量资料精确;在蒸发计算中,脱机洪水预报可采用实测资料,而实时洪水预报因无实测资料可用只得用近似方法估算。此外,在脱机洪水预报中,预见期内的降雨是已知的,但在实时洪水预报中,预见期内的降雨量是未知的,因而两者在处理预见期内降雨时有所不同。

预报总是有误差的。对于实时洪水预报,由于上述种种原因,预报误差更不可忽视。预报误差可表现为系统误差,也可表现为随机误差,因此,在发布实时洪水预报之前,对预报值进行误差实时校正是十分必要的。通常使用的实时校正方法有卡尔曼滤波法、递推最小二乘法、误差自回归法和自适应算法等。

卡尔曼滤波法因对系统的状态变量进行最优估计,既可以达到最小方差,又不损失预见期,是一种比较理想的实时校正方法。在实时洪水预报中可选择作为状态变量的有洪水预报模型的参数、预报对象和预报误差等。卡尔曼滤波实质上是一种线性无偏最小方差估计,可用于任何线性随机系统,并可综合处理模型误差和量测误差。但洪水预报系统通常不是线性随机系统,模型误差和量测误差通常也不是白噪声,这就限制了卡尔曼滤波法在实时校正中的应用。此外,使用此法时外推时段也不宜太长。

递推最小二乘法是根据最新输入与输出信息,给现时预报误差一定的权重以校正模型参数来进行实时预报的,属于参数在线识别(也称动态识别),能反映预报时刻的参数状态。该法简单易行,但跟踪实时洪水预报系统的能力不强,灵敏性较差。不过这种动态识别方法是优于现行时不变模型的。

误差自回归法是通过对输出的残差系列进行自回归分析,用前推若干个时刻的残差值作为实时校正系统的输入来推求当前时刻的输出误差,达到实时校正的目的的。该法不涉及实时洪水预报模型本身的结构或数学表达式,仅从误差序列着眼进行校正,故可与任何实时洪水预报模型配合,有广泛的适应性,其校正效果主要取决于误差序列的自相关性,自相关密切则校正效果好,否则效果较差,而且当预报值与预报误差为同一量级时,实时校正的效果可能会大大下降。

自适应算法是指滤波器本身具有自动调整功能、可根据预报过程中模型所出现的偏差自动调整模型达到最优状态的一种算法。该法能细致地考虑噪声统计量的时变特性,是较为完善的滤波方法之一,有较好的发展前景。

应当指出,实时校正方法仅是对实时洪水预报产生的误差进行修正的一种技术方法。提高实时洪水预报精度的关键仍然在于建立一个能确切描述降雨径流形成规律和洪水波运动规律的洪水预报模型和获取精确、可靠的实时水文气象信息。



分类:博客, 水文 标签:

发表评论

You must be logged in to post a comment.