论文部分内容阅读
随着计算机技术的突飞猛进,人们开始广泛关注大数据的运用。大数据分析方法是在原有的计算方法以及数学模型的基础上,能够不断改进和更新的新技术、新方法。该方法可以改变传统水文学方法中繁琐的数据处理和基础参数率定的问题,能通过各相关因素之间的联系,找到一定的规律性,同时运用人工智能等技术手段,使得运算速度更快,获得的结果与实测值更接近,对于指导实际工作大有裨益。我国洪灾多发,为减少或者降低损失,有效、准确的预报洪水是尤其重要的。洪水预报是在现有的水文气象条件下,对流域的具体情况作出分析后,综合已经发生过的要素,对洪水过程(包括洪水历时和洪峰流量灯)做出预报。洪水预报通常根据降雨-径流关系或上下站水位-流量对应关系进行预报,其预见期一般不长,但精度相对较高。因此,洪水预报主要是结合降雨对径流的预报。汉江流域属于亚热带季风气候区,降水在年内分布很不平均,夏秋两季为汛期,降水量可占全年降水总量的80%,尤以6-9月降水量最大,占全年降水量的60%左右。在汛期,径流呈现双峰型。汉江流域由暴雨形成的洪水,主要与季风的活动有关系。每年的5-9月都有洪水现象发生,尤其在7、8月份可以形成较大洪水。安康属于汉江上游的峡谷地带,由于地理环境和气候条件的特殊性,暴雨中心往往会集中在安康段,具有“十年九汛”的特点,目前,洪水灾害已经成为安康地区最大的自然灾害之一。工程措施是防洪的基础,非工程措施是安全渡汛的保证,因此对汉江流域安康段的洪水预报进行深入研究,精准的预报洪水过程有着非常重要的意义。本文以汉江流域安康段为研究对象,搜集并整理了该区域的水文基础数据,根据资料的实际情况,把计算周期划分三个时间段,即:1991-2005年、2006-2012年、2013-2017年。日雨量资料采用泰森多边形法进行整理,通过出库径流资料还原计算天然入库径流。对于时间序列趋势分析,采用非参数检验Mann-Kendall方法检验,基于R语言进行编程计算,对汉江流域安康段的年降雨量进行突变检验,计算出安康段年平均入库流量的M-K突变分析统计值。由统计分析结果可知安康水库降雨径流呈明显的相关关系,说明安康水库的径流来自于降雨,且年降雨量大,年径流系数就大,即安康水库的洪水过程与该区域的降水密切相关。本文选取了大数据分析方法中基于深度学习的长短时记忆(Long-Short Term Memory,LSTM)模型对汉江流域安康段的日径流过程进行了模拟。安康水库入库径流和降雨都属于非平稳时间序列,都属于随机事件,但是在连续的时间序列上,通过相关分析,也会找出其规律性。本文研究对象为1991年-2017年这27年的水文数据。由于入库径流由水位反推而来,在采集的数据中也往往会出现一些异常值,比如有缺漏、数值明显偏大或者偏小等。为准确预测,要先利用Pandas对数据进行处理,包括剔除异常数据,补全空白数据等。引入LSTM模型到洪水预报中,通过编制Python语言编制并多次调整参数,成功构建计算模型后,利用安康段27年的水文数据进行了入库径流的模拟计算,选取了7个代表年进行日径流过程模拟计算以及10次场次洪水进行进一步的研究,采用日径流资料对代表年进行径流模拟,选取时段资料用于场次洪水过程的模拟计算,把得到的结果分别与实测径流对比,两次模拟得出的结果精度都较高。为了对采用LSTM模型进行模拟计算的结果进行检验,作为对照,本文采用新安江模型对研究区域进行了模拟计算,新安江模检验型是我国著名的被广泛认可的水文模型,在湿润地区、半湿润地区的湿润季节应用效果较好,从应用条件来看,本文的研究区域是适用的。本文采用新安江模型对汉江流域安康段的日径流过程进行模拟。应用整理后的资料,编制C语言程序,1991年~1995年的水文资料用于参数率定,1996年-2017年资料用于研究区域的洪水过程的模拟计算,所得的结果与实测资料进行对比后发现,新安江模型的模拟结果与实测径流拟合得并不令人满意。可见,将LSTM模型方法应用于研究区域是有明显优势的,提高了水文预报的精度、缩短了预报时间,模拟计算研究深入到场次洪水阶段。在研究中发现问题:水文资料的获取是非常困难的,在场次洪水的计算中因满足要求的资料极少,导致在模拟计算中可训练学习的资料偏少,影响了学习效果。而伴随着大数据的发展定会促进信息的获取更为便捷,也会极大地提高水文预报结果的精度。