數(shù)字水系分級(jí)對(duì)流溪河模型中小河流洪水預(yù)報(bào)的影響

，，，，

(1.中山大學(xué) 地理科學(xué)與規(guī)劃學(xué)院，廣州 510275； 2. 江西省贛州市水文局，江西 贛州 341000)

1 研究背景

我國中小河流洪水主要由暴雨引起，從暴雨開始到洪水爆發(fā)通常只有幾個(gè)小時(shí)，具有突發(fā)性強(qiáng)、預(yù)見期短、破壞力大的特點(diǎn)，是近幾年造成我國人員傷亡主要洪水災(zāi)害。中小河流一般處于偏僻的流域上游，缺少長序列的水文氣象觀測資料，往往需要采用無資料地區(qū)的水文預(yù)報(bào)方法進(jìn)行預(yù)報(bào)。集總式水文模型依賴長序列的水文觀測資料率定模型參數(shù)，而我國中小河流積累的實(shí)測洪水資料較短，不能滿足集總式模型的參數(shù)率定的基本數(shù)據(jù)要求，導(dǎo)致集總式模型在中小河流洪水預(yù)報(bào)中難以有效應(yīng)用。

分布式模型是水文模型的最新發(fā)展，具有代表性的模型包括歐洲的SHE(System Hydrological European)模型(Abbott等[1]，1986)、美國的Vflo模型(Vieux等[2]，2002)、我國的LL模型(李蘭[3]，2003)、EasyDHM模型(雷曉輝等[4]，2010)和流溪河模型(陳洋波[5]，2009)等。分布式模型的參數(shù)具有一定的物理意義，只需要少量的實(shí)測資料就可以進(jìn)行模型參數(shù)優(yōu)選，在我國中小河流洪水預(yù)報(bào)中具有很好的應(yīng)用潛力。分布式模型將流域匯流區(qū)分為坡地匯流和河道匯流，采用基于圣維南方程組及其簡化形式的水力學(xué)方法計(jì)算匯流，精細(xì)化描述了洪水在流域坡面和河道的運(yùn)動(dòng)過程和規(guī)律，為中小河流洪水預(yù)報(bào)模型提供了新的研究方法。分布式模型河道匯流計(jì)算需要詳細(xì)的河道斷面尺寸數(shù)據(jù)，但由于這一資料獲取困難，使得分布式模型在實(shí)際應(yīng)用時(shí)，不得不采用集總式方法進(jìn)行河道匯流計(jì)算，從而失去了分布式模型的特點(diǎn)和優(yōu)勢(shì)。

流溪河模型是主要應(yīng)用于流域洪水預(yù)報(bào)的分布式物理水文模型。該模型假定流域河道斷面為梯形，采用衛(wèi)星遙感數(shù)據(jù)估算河道斷面尺寸，為流溪河模型在中小河流洪水預(yù)報(bào)中的應(yīng)用提供了條件。模型采用運(yùn)動(dòng)波法和擴(kuò)散波法分別計(jì)算邊坡匯流和河道匯流，當(dāng)數(shù)字水系分級(jí)不同時(shí)會(huì)改變流域匯流特性，會(huì)影響洪水預(yù)報(bào)的結(jié)果。

為了探討流溪河模型在中小河流洪水預(yù)報(bào)中的適用性，以及數(shù)字水系分級(jí)對(duì)洪水過程的影響，本文首先構(gòu)建龍華江流域洪水預(yù)報(bào)流溪河模型，采用改進(jìn)的粒子群算法( Particle Swarm Optimization，簡稱PSO)優(yōu)選模型參數(shù)，最后驗(yàn)證了模型并討論數(shù)字水系分級(jí)對(duì)流域洪水過程和預(yù)報(bào)的影響。

2 研究方法

2.1 中小河流洪水預(yù)報(bào)流溪河模型

流溪河模型(陳洋波等[6-7]，2010)采用正方形網(wǎng)格的DEM數(shù)字高程模型(Digital Elevation Model)從水平方向?qū)⒘饔騽澐殖删W(wǎng)格，稱為單元流域，并分成邊坡單元、河道單元和水庫單元。在單元流域上進(jìn)行蒸散發(fā)量及產(chǎn)流量的計(jì)算，各單元流域上產(chǎn)生的徑流量通過匯流網(wǎng)絡(luò)進(jìn)行逐單元匯流至流域出口，匯流分成邊坡匯流和河道匯流。河道匯流采用一維擴(kuò)散波法，即忽略圣維南方程組的運(yùn)動(dòng)方程中的慣性項(xiàng)，考慮摩阻為坡底及壓力項(xiàng)的差；采用一維運(yùn)動(dòng)波法進(jìn)行邊坡匯流計(jì)算，即忽略圣維南方程組的運(yùn)動(dòng)方程中的慣性項(xiàng)和壓力項(xiàng)，只考慮摩阻和坡底的影響。流溪河模型根據(jù)DEM數(shù)據(jù)，采用D8法(O’Callaghan等[8], 1984)推求河道拓?fù)浣Y(jié)構(gòu)，采用Strahler法(Strahler[9],1957)進(jìn)行水系分級(jí)。河道分級(jí)后，為了便于估算河道斷面尺寸，再將同級(jí)河道分為若干段。具體做法是采用分段點(diǎn)將河道劃分成虛擬河段，假定同一條虛擬河段的河道屬性一致，河道斷面形狀為矩形，用河道寬度和底坡表示斷面尺寸。河道底寬采用衛(wèi)星遙感影像進(jìn)行估算，底坡則根據(jù)虛擬河段內(nèi)各單元的高程進(jìn)行估算。流溪河模型提出了基于PSO法的模型參數(shù)自動(dòng)優(yōu)選方法(Chen等[10], 2017;陳洋波等[11]，2017)，實(shí)際應(yīng)用中只要有一場數(shù)據(jù)質(zhì)量較好的實(shí)測洪水過程就可以優(yōu)選模型參數(shù)，大大提高了模型的性能，在我國中小河流洪水預(yù)報(bào)中應(yīng)用具有明顯優(yōu)勢(shì)。流溪河模型已成功應(yīng)用于水庫洪水預(yù)報(bào)(黃家寶等[12], 2017)、中小河流洪水預(yù)報(bào)(陳洋波等[13]，2017)、大流域水文氣象耦合洪水預(yù)報(bào)(Chen等[14], 2017; Li等[15], 2017)。

2.2 流域數(shù)字水系提取和分級(jí)

目前基于DEM(熊立華等[16], 2003)提取流域水系最常用的方法是D8法(王正勇等[17], 2016)。該方法假定柵格中的水流只能流向周圍的8個(gè)柵格，即每個(gè)柵格只有一個(gè)流動(dòng)方向，流向根據(jù)柵格與周圍8個(gè)柵格之間的最陡坡度來確定?；贒8法提取數(shù)字水系的主觀性較大，當(dāng)對(duì)某一流域進(jìn)行水系提取時(shí)，不同的人計(jì)算得到結(jié)果相差較大。在流溪河模型中，采用分級(jí)提取方法對(duì)D8法進(jìn)行改進(jìn)，減小模型在提取水系時(shí)的人為干擾因素。該方法的基本思路是，根據(jù)DEM計(jì)算流域各個(gè)網(wǎng)格單元累積流的數(shù)值，然后設(shè)定不同的累積流閾值進(jìn)行水系提取，如果網(wǎng)格單元的累積流大于閾值，則該網(wǎng)格單元被劃分為河道單元，如果網(wǎng)格單元的累積流小于閾值，則該網(wǎng)格單元被劃分為邊坡單元。河道單元確定后，采用Strahler法進(jìn)行水系分級(jí)。對(duì)于不同的閾值，水系分級(jí)不同，并存在一系列臨界值，該值的定義是使得水系分級(jí)改變時(shí)的累積流值。對(duì)于同個(gè)流域，采用統(tǒng)一的閾值進(jìn)行水系提取和分級(jí)時(shí)，不同的人都得到相同的計(jì)算結(jié)果，大大降低了直接采用D8法提取水系所帶來的不確定性。

3 龍華江流域洪水預(yù)報(bào)流溪河模型

3.1 龍華江流域概況

龍華江流域面積1 144 km2，主河道長度為89.4 km，主河道縱比降為2.16‰，流域平均高程337 m，流域長度56.4 km，流域形狀系數(shù)0.36。流域內(nèi)河系發(fā)達(dá)，河流水質(zhì)良好。上游河道窄深，河床多礫石，中下游河道寬淺，河床多沙，屬典型的山區(qū)性中小河流。流域內(nèi)地形以低山丘陵為主，上游植被較好，中下游植被較差。龍華江安和水文站建于1976年1月，站址位于上猶縣安和鄉(xiāng)潭下村，至河口距離18 km，集水面積246 km2，以安和水文站以上流域開展研究，簡稱龍華江流域。龍華江流域內(nèi)有8個(gè)雨量站，雨量站分布如圖1所示。

圖1 龍華江流域雨量站分布Fig.1 Location of rainfall stations in Longhua river watershed

流域出口處的安和水文站有較長期的水文觀測資料，本文收集了龍華江流域內(nèi)1981年以來的51場實(shí)測洪水過程的資料，包括雨量站降雨及水文站流量，均以小時(shí)為時(shí)段。將洪峰流量<100 m3/s的洪水定義為小洪水，洪峰流量>200 m3/s的洪水定義為大洪水，其它洪水定義為中洪水。則共有小洪水15場，中洪水20場，大洪水16場，都具有較好的代表性。

3.2 流溪河模型構(gòu)建

流溪河模型建模所需的DEM數(shù)據(jù)采用SRTM(http:∥srtm.csi.cgiar.org/)公共數(shù)據(jù)庫中的數(shù)據(jù)，空間分辨率為90 m×90 m。土地利用類型為美國地質(zhì)調(diào)查局全球土地覆蓋數(shù)據(jù)庫中的數(shù)據(jù) (http:∥landcover.usgs.gov/)，土壤類型采用國際糧農(nóng)組織的土壤數(shù)據(jù)(http:∥www.isric.org/)， 空間分辨率為1 000 m×1 000 m，經(jīng)重采樣轉(zhuǎn)換為與DEM相同的空間分辨率。

為了評(píng)估數(shù)字水系提取和分級(jí)對(duì)洪水過程的影響，本文基于空間分辨率為90 m×90 m的DEM，構(gòu)建不同水系分級(jí)的流溪河模型。采用流溪河模型軟件計(jì)算累積流閾值，其中1，2，3級(jí)水系累積流閾值分別為4 622，805，158。累積流閾值是使得水系改變時(shí)的累積流值。在本文中，所采用累積流值≥4 622時(shí)流域水系劃分為1級(jí)；采用累積流值∈[805, 4 622)時(shí)流域水系劃分為2級(jí)；采用累積流值∈[158, 805)時(shí)流域水系劃分為3級(jí)。本文采用不同的累積流值為500,2 000,17 000，將流域數(shù)字水系分為3，2，1級(jí)，采用的累積流值越小，水系河網(wǎng)越密集，如圖2。

圖2 流溪河模型結(jié)構(gòu)示意圖Fig.2 Structure of Liuxihe model

當(dāng)流域數(shù)字水系分為4級(jí)時(shí)，參照贛州市水文局提供流域水系圖及遙感影像發(fā)現(xiàn)河源部分的水系形態(tài)不明顯，與實(shí)際流域水系分布不符，所以本文采用最高級(jí)水系為3級(jí)。采用分段點(diǎn)將數(shù)字水系劃分成若干段虛擬河段，當(dāng)水系分級(jí)不同時(shí)，分段點(diǎn)、虛擬河段、河道單元和邊坡單元的數(shù)量都有所改變，見表1。

表1 模型結(jié)構(gòu)信息Table 1 Information of model structure

數(shù)字水系越密集，河道單元數(shù)量越多，邊坡單元數(shù)量越少，流域的匯流特性也會(huì)發(fā)生改變，從而影響到流域洪水過程。

3.3 流溪河模型初始參數(shù)推求

流溪河模型基于各單元上的流域物理特性確定模型初始參數(shù)，對(duì)不同水系分級(jí)建立的模型，據(jù)此確定的模型初始參數(shù)相同。參數(shù)分成4大類，包括地形類參數(shù)、氣象類參數(shù)、土壤類參數(shù)和土地利用類參數(shù)。流向和坡度是流溪河模型的地形類參數(shù)，根據(jù)DEM直接計(jì)算確定。氣象類參數(shù)主要是蒸發(fā)能力，所有單元均取為5 mm/d。土地利用類型參數(shù)是邊坡糙率和蒸發(fā)系數(shù)。蒸發(fā)系數(shù)是個(gè)非常不敏感的參數(shù)，統(tǒng)一取為0.7。邊坡糙率根據(jù)文獻(xiàn)(Wang等[18]，1996)推薦值確定。

土壤類參數(shù)包括土壤厚度、飽和含水率、田間持水率、飽和水力傳導(dǎo)率、凋萎含水率和土壤特性。飽和含水率、田間持水率、飽和水力傳導(dǎo)率和凋萎含水率采用由Arya 等[19]提出的土壤水力特性計(jì)算器計(jì)算，結(jié)果如表2。土壤特性值取為2.5。

表2 土壤類參數(shù)初值Table 2 Initial values of soil type

3.4 流溪河模型參數(shù)優(yōu)選

本文采用粒子群(PSO)算法進(jìn)行流溪河模型的參數(shù)自動(dòng)優(yōu)化。PSO算法起源是根據(jù)鳥群捕食覓食過程中的遷徙和群集的社會(huì)行為提出的一種與進(jìn)化計(jì)算有關(guān)的群體智能隨機(jī)優(yōu)化策略。PSO算法中的每個(gè)粒子代表一個(gè)參數(shù)解集，粒子通過記憶、追隨個(gè)體最優(yōu)及群體最優(yōu)的位置來更改自身的速度與方向，實(shí)現(xiàn)尋優(yōu)過程。粒子群算法的實(shí)質(zhì)是一種基于群體的、能夠全局尋優(yōu)的優(yōu)化策略，通過群體中粒子之間的合作、競爭機(jī)制，智能地指導(dǎo)群體的優(yōu)化搜索過程，每個(gè)粒子都具有“自我經(jīng)驗(yàn)總結(jié)”和“群體共享”的雙重特點(diǎn)。粒子的速度變換及位置變換的轉(zhuǎn)換關(guān)系為：

Vi,k=ωVi,k-1+C1(Xi,pBest-Xi,k-1)rand+

C2(XgBest-Xi,k-1)rand ;

(1)

Xi,k=Xi,k-1+Vi,k。

(2)

式中：Vi,k為第i個(gè)粒子k時(shí)刻運(yùn)行速度；Xi,k為第i粒子k時(shí)刻位置；Xi,pBest為第i粒子個(gè)體最優(yōu)位置，對(duì)應(yīng)流溪河模型參數(shù)優(yōu)選結(jié)果的局部最優(yōu)解；XgBest為粒子全局最優(yōu)位置，即流溪河模型最終的參數(shù)優(yōu)選全局最優(yōu)解；ω為慣性加速度；C1和C2為學(xué)習(xí)加速因子；rand為值介于0～1的隨機(jī)數(shù)。

粒子群算法由于其簡單、高效的全局搜尋能力被廣泛應(yīng)用到各行各業(yè)，但也顯示了算法的一些不足：①易陷入局部極值，PSO尋優(yōu)過程中無較為精密搜索方法與之配合，往往不能得到精確的結(jié)果，即出現(xiàn)早熟收斂；②PSO只是提供了全局搜索的可能，但無驗(yàn)證的數(shù)學(xué)證明其在全局最優(yōu)位置的收斂性；③PSO容易造成種族退化，種族多樣性差。針對(duì)這些不足，主要從以下幾點(diǎn)進(jìn)行改進(jìn)(Chen等[10]，2017)。

(1)學(xué)習(xí)加速因子C1和C2值并非取原始的PSO算法中的固定值，而是采用經(jīng)驗(yàn)公式反余弦加速算法動(dòng)態(tài)調(diào)整所得，其計(jì)算公式為：

(3)

(4)

式中：C1max和C1min為C1的取值上下限，文中分別設(shè)為2.75,1.25；C2max和C2min為C2的調(diào)整上下限，分別設(shè)為2.5,0.5；i為當(dāng)前迭代次數(shù)；Nmax為總迭代數(shù)。

(2)慣性權(quán)重因子在原始的PSO算法中取值為1。模擬采用的慣性權(quán)重因子根據(jù)經(jīng)驗(yàn)公式采用線性遞減算法求得，即

(5)

式中：t為當(dāng)前的迭代次數(shù)；T為最大的迭代次數(shù)；最大慣性權(quán)重因子ωmax=0.9；最小慣性權(quán)重因子ωmin=0.1。

在原始的PSO算法中考慮隨機(jī)擾動(dòng)次數(shù)的干預(yù)影響，并保持?jǐn)_動(dòng)影響的次數(shù)不變(10次)。

改進(jìn)的粒子群算法的基本步驟如下：

(1)粒子群參數(shù)設(shè)置。設(shè)置種群規(guī)模P，確定粒子維數(shù)N，慣性因子ω，學(xué)習(xí)因子C1和C2。

(2)粒子群初始化。在參數(shù)空間中隨機(jī)生成P個(gè)粒子(設(shè)定種群中的每個(gè)粒子初始位置及初始速度)。

(3)開始循環(huán)尋優(yōu)，循環(huán)到算法收斂為止，否則重復(fù)上述步驟進(jìn)行尋優(yōu)。

根據(jù)上述粒子群算法的計(jì)算步驟及流溪河模型結(jié)構(gòu)、參數(shù)分類特征，可歸納總結(jié)出基于粒子群算法進(jìn)行流溪河模型參數(shù)優(yōu)選的計(jì)算流程框圖，如圖3。

圖3 基于粒子群算法的流溪河模型參數(shù)優(yōu)選流程Fig.3 Flowchart for parameter optimization of Liuxihe model by PSO

圖4 參數(shù)優(yōu)選過程中參數(shù)進(jìn)化圖(3級(jí)水系)Fig.4 Procedure of parameter optimization (three orders)

本文以2005081308場次洪水進(jìn)行模型參數(shù)優(yōu)選，其它場次洪水進(jìn)行模型驗(yàn)證。對(duì)不同的水系分級(jí)，本文均采用同一場洪水進(jìn)行參數(shù)優(yōu)選，優(yōu)選的參數(shù)各不相同。粒子群的種群規(guī)模為20，最大迭代次數(shù)為50次，總計(jì)算次數(shù)為1 000次。慣性因子取值范圍為[0.1,0.9]，學(xué)習(xí)加速因子C1和C2的取值范圍均為[0.5,2.5]。限于篇幅，圖4僅列出了3級(jí)河道參數(shù)優(yōu)選過程中適應(yīng)值和參數(shù)值的進(jìn)化結(jié)果。從圖4中結(jié)果看出，經(jīng)過8次的進(jìn)化計(jì)算，模型參數(shù)收斂到最優(yōu)值，說明流溪河模型參數(shù)優(yōu)選具有較好的收斂速度。

4 討 論

4.1 不同水系分級(jí)對(duì)流域洪水過程的影響

為了分析水系分級(jí)對(duì)流域洪水過程的影響，分別采用1，2，3級(jí)水系劃分時(shí)構(gòu)建的流溪河模型及確定的模型初始參數(shù)，對(duì)大中型2場典型洪水進(jìn)行模擬，結(jié)果如圖5。對(duì)模擬結(jié)果進(jìn)行統(tǒng)計(jì)，統(tǒng)計(jì)指標(biāo)如表3。

圖5 不同水系分級(jí)時(shí)的洪水模擬結(jié)果Fig.5 Flood simulation results with different river orders

水系級(jí)別確定性系數(shù)洪峰誤差/%20050813082014052917200508130820140529173級(jí)0.850.8825.0026.202級(jí)0.830.4434.3043.601級(jí)0.360.1641.1953.40水系級(jí)別峰現(xiàn)時(shí)間差/h徑流系數(shù)20050813082014052917200508130820140529173級(jí)000.260.172級(jí)020.240.151級(jí)240.230.13

從圖5和表3可以看出，水系分級(jí)對(duì)模擬的洪水過程的形狀、峰值、峰現(xiàn)時(shí)間都有影響。對(duì)于2005081308場次洪水，隨著流域數(shù)字水系分級(jí)從1級(jí)增加到3級(jí)，模擬洪水過程線與實(shí)測過程吻合程度逐步增高，其中1級(jí)水系的模型不能模擬出流域?qū)崪y洪水過程，2級(jí)水系的模型的模擬過程線與實(shí)測值趨勢(shì)相同，3級(jí)水系的模型的模擬過程與實(shí)測過程趨于吻合；洪峰誤差從41.19%降到了25%，模擬的洪水峰值逐漸增大并接近實(shí)測值；洪水峰值出現(xiàn)時(shí)間誤差從2 h變成了0，模擬的洪水峰現(xiàn)時(shí)間逐漸提前并接近實(shí)測值；徑流系數(shù)從0.23增加到了0.26，徑流系數(shù)和洪量都有所增加。

上述結(jié)果表明，1級(jí)數(shù)字水系不能很好地刻畫流域洪水的真實(shí)匯流過程，采用流溪河模型進(jìn)行中小河流洪水預(yù)報(bào)時(shí)，不能采用1級(jí)數(shù)字水系構(gòu)建模型。

4.2 不同水系分級(jí)對(duì)流域洪水預(yù)報(bào)的影響

為了定量評(píng)估數(shù)字水系分級(jí)對(duì)流域洪水預(yù)報(bào)的影響，采用不同水系分級(jí)建立的流溪河模型及相應(yīng)的優(yōu)選參數(shù)，分別對(duì)50場洪水進(jìn)行了模擬，統(tǒng)計(jì)了模擬的各場洪水的6個(gè)評(píng)價(jià)指標(biāo)。由于數(shù)據(jù)較多，表4僅列出了各級(jí)模型的平均統(tǒng)計(jì)指標(biāo)，圖6僅繪出了其中6場洪水的模擬結(jié)果。

表4 不同水系分級(jí)的流溪河模型洪水模擬結(jié)果統(tǒng)計(jì)指標(biāo)Table 4 Statistical indicators of flood simulation resultswith different river orders for Liuxihe model

圖6 龍華江流域不同水系分級(jí)的流溪河模型洪水模擬結(jié)果Fig.6 Flood simulation results with different river orders for Longhua river watershed

從上述的模擬結(jié)果和統(tǒng)計(jì)指標(biāo)來看，3級(jí)水系的模型模擬結(jié)果最好，不僅在6個(gè)統(tǒng)計(jì)指標(biāo)中結(jié)果較好，而且50場模擬洪水過程跟實(shí)測值吻合程度最高；2級(jí)水系的模型效果比3級(jí)的稍差，基本也能模擬出流域?qū)崪y洪水過程，這也說明了采用PSO算法優(yōu)選模型參數(shù)能有效降低水系分級(jí)不確定性對(duì)洪水模擬的影響；1級(jí)水系的模型不能很好地模擬出實(shí)測洪水過程，一般不能模擬出實(shí)測峰值，影響到了中小河流洪水預(yù)報(bào)的精度。結(jié)果表明，采用流溪河模型進(jìn)行中小河流洪水預(yù)報(bào)時(shí)，適宜采用3級(jí)水系構(gòu)建模型。

本文采用水系分級(jí)為3級(jí)，河道斷面形狀為矩形時(shí)的流溪河模型為龍華江流域洪水預(yù)報(bào)流溪河模型，參數(shù)采用優(yōu)選的模型參數(shù)。該方案對(duì)50場洪水模擬的確定性系數(shù)均值為0.67，相關(guān)系數(shù)達(dá)0.91，洪峰誤差均值為2.89%，最大的也沒有超過20%，平均峰現(xiàn)時(shí)間為-0.2 h，洪水過程的模擬結(jié)果與實(shí)測值吻合很好。根據(jù)我國水文情報(bào)預(yù)報(bào)規(guī)范，該預(yù)報(bào)方案等級(jí)可評(píng)定為甲等，可用于龍華江流域?qū)崟r(shí)洪水預(yù)報(bào)。

5 結(jié)論與展望

為了探討流溪河模型在中小河流中的適用性，以及基于DEM的數(shù)字水系提取和分級(jí)對(duì)流域洪水預(yù)報(bào)的影響，本文首先針對(duì)江西省龍華江流域構(gòu)建了龍華江流域洪水預(yù)報(bào)流溪河模型，采用PSO算法優(yōu)選模型參數(shù)，最后驗(yàn)證模型并討論了數(shù)字水系分級(jí)對(duì)流域洪水預(yù)報(bào)的影響。結(jié)果表明：

(1)數(shù)字水系分級(jí)越高，流域洪水模擬過程線越接近實(shí)測值、洪峰值增大、峰現(xiàn)時(shí)間提前、徑流系數(shù)越大。

(2)1級(jí)數(shù)字水系不能刻畫流域洪水的真實(shí)匯流過程，采用流溪河模型進(jìn)行中小河流洪水預(yù)報(bào)時(shí)，不能采用1級(jí)數(shù)字水系構(gòu)建模型，適宜采用3級(jí)水系構(gòu)建模型。

(3)流溪河模型采用PSO算法的自動(dòng)優(yōu)選模型參數(shù)，實(shí)際應(yīng)用中只需要一場具有代表性的實(shí)測洪水過程就可以優(yōu)選模型參數(shù)，有效提高了模型的性能。

(4)基于3級(jí)水系構(gòu)建龍華江流域洪水預(yù)報(bào)流溪河模型，采用PSO算法優(yōu)選模型參數(shù)，對(duì)50場洪水模擬的確定性系數(shù)均值為0.67，相關(guān)系數(shù)達(dá)0.91，洪峰誤差均值為2.89%，洪水過程的模擬結(jié)果與實(shí)測值吻合很好，模型可用于龍華江流域?qū)崟r(shí)洪水預(yù)報(bào)。

數(shù)字水系分級(jí)不同會(huì)引起流域匯流特性的改變，從而影響到流域的洪水形成、洪峰、峰現(xiàn)時(shí)間等，在采用分布式水文模型進(jìn)行中小河流洪水預(yù)報(bào)時(shí)，需要謹(jǐn)慎考慮水系分級(jí)對(duì)洪水預(yù)報(bào)的影響。本文的研究可為分布式模型在我國中小河流洪水預(yù)報(bào)的應(yīng)用提供參考和思路。