改進(jìn)的KNN實(shí)時(shí)校正方法在山區(qū)中小流域的應(yīng)用

霍文博,高 源,李致家,金雙彥,楊明祥

(1.黃河水利委員會(huì)水文局,河南 鄭州 450004; 2.中國(guó)水利水電科學(xué)研究院水資源研究所,北京 100038;3.黃河水利委員會(huì)山東水文水資源局,山東 濟(jì)南 250100; 4.河海大學(xué)水文水資源學(xué)院,江蘇 南京 210098)

實(shí)時(shí)校正是指在實(shí)時(shí)洪水預(yù)報(bào)中,根據(jù)當(dāng)前實(shí)測(cè)信息,結(jié)合歷史實(shí)測(cè)與預(yù)報(bào)信息,對(duì)模型的輸入數(shù)據(jù)、結(jié)構(gòu)、參數(shù)、狀態(tài)變量或預(yù)報(bào)結(jié)果進(jìn)行修正,使其更符合實(shí)際,提高預(yù)報(bào)精度[1-4]。其中,輸入數(shù)據(jù)包括實(shí)測(cè)降雨量、徑流量、蒸散發(fā)量,以及部分水文模型所需的氣溫、空氣濕度、風(fēng)速、潛熱通量等觀測(cè)信息。狀態(tài)變量是指模型通過輸入資料計(jì)算出的中間變量,這些中間變量對(duì)模型輸出結(jié)果有直接影響,如降雨徑流模擬中模型通過降雨及蒸散發(fā)等資料計(jì)算得到的土壤含水量。對(duì)狀態(tài)變量校正常用的方法有卡爾曼濾波法[5-7]、集合卡爾曼濾波法[8]等。對(duì)預(yù)報(bào)結(jié)果的校正包括對(duì)模型計(jì)算最終輸出的預(yù)報(bào)流量、水位等進(jìn)行校正。

常見的水文模型預(yù)報(bào)結(jié)果校正方法有誤差自回歸(AR)法、BP神經(jīng)網(wǎng)絡(luò)法以及K-最近鄰(KNN)法等。Ambrus[3]采用基于自回歸法的ARMA(auto-regressive and moving average model),實(shí)現(xiàn)了對(duì)多瑙河水位預(yù)報(bào)的實(shí)時(shí)校正。Karlsson等[9]使用KNN法對(duì)降雨徑流預(yù)報(bào)結(jié)果進(jìn)行校正,結(jié)果表明KNN法比ARMA的校正結(jié)果更精確。劉開磊等[10]將KNN法用于洪水預(yù)報(bào)實(shí)時(shí)校正中,并與3種常規(guī)校正方法(AR法、KF、BPNN)對(duì)比,發(fā)現(xiàn)KNN法對(duì)流量的預(yù)報(bào)比其他3種常規(guī)校正方法更準(zhǔn)確,并且KNN法在洪峰附近位置校正結(jié)果穩(wěn)定。闞光遠(yuǎn)等[11]將KNN法與BP神經(jīng)網(wǎng)絡(luò)模型相耦合構(gòu)建了BK模型,選取3個(gè)不同氣候類型的流域進(jìn)行洪水預(yù)報(bào)研究,結(jié)果表明加入KNN算法的BK模型預(yù)報(bào)精度整體上高于新安江模型。

在山區(qū)中小流域,由于流域面積小,匯流時(shí)間短,洪水過程陡漲陡落,可供實(shí)時(shí)校正方法學(xué)習(xí)預(yù)熱的資料較少,因此影響了實(shí)時(shí)校正精度。本文提出了一種基于歷史洪水學(xué)習(xí)的KNN實(shí)時(shí)校正方法(KNN-H法),以期通過對(duì)同一流域歷史上發(fā)生過的洪水過程進(jìn)行學(xué)習(xí),提高KNN法在山區(qū)中小流域的校正精度。

1 KNN-H法的提出

1.1 常用實(shí)時(shí)校正方法

預(yù)報(bào)結(jié)果校正主要是通過計(jì)算每一時(shí)刻實(shí)測(cè)與預(yù)報(bào)值之間的誤差,給出誤差時(shí)間序列,然后基于該時(shí)間序列構(gòu)建誤差預(yù)報(bào)模型,并估算誤差預(yù)報(bào)模型的參數(shù)。以下簡(jiǎn)要介紹AR法和KNN法2種實(shí)時(shí)校正方法。

1.1.1 AR法

AR法根據(jù)預(yù)報(bào)值與實(shí)測(cè)值的誤差序列相關(guān)關(guān)系建立回歸方程,通過求解超定回歸方程組獲得回歸方程系數(shù),最終求得預(yù)報(bào)值的誤差估計(jì)。AR回歸方程為

yt+l=α0+α1yt+α2yt-1+…+αNyt-N+1+et

(1)

式中:y為預(yù)報(bào)值與實(shí)測(cè)值的誤差;t為時(shí)間;l為預(yù)見期;N為回歸方程階數(shù);α0、α1、…、αN為回歸方程系數(shù);et為余項(xiàng)。

1.1.2 KNN法

KNN法是一種利用概率統(tǒng)計(jì)原理進(jìn)行自主學(xué)習(xí)的方法[12],其基本原理是選擇預(yù)報(bào)值或預(yù)報(bào)誤差值作為特征向量,根據(jù)t時(shí)刻的特征向量,在歷史樣本中選擇k個(gè)與該特征向量最相似的樣本,對(duì)相似樣本的預(yù)報(bào)值或誤差值反距離加權(quán)得到t時(shí)刻預(yù)報(bào)誤差估計(jì)值[10]。本研究選擇模型預(yù)報(bào)值與實(shí)測(cè)值的誤差作為特征向量,以向量之間歐氏距離最小作為相似性判斷標(biāo)準(zhǔn)。KNN法的計(jì)算步驟主要包括更新歷史樣本庫、匹配近鄰樣本、估計(jì)預(yù)報(bào)誤差值,校正預(yù)報(bào)值。

1.2 KNN-H法

在水文預(yù)報(bào)實(shí)時(shí)校正中,傳統(tǒng)實(shí)時(shí)校正方法往往選擇本場(chǎng)洪水前期的預(yù)報(bào)誤差進(jìn)行學(xué)習(xí)預(yù)熱,然后對(duì)未來預(yù)報(bào)值進(jìn)行校正。研究[13-16]發(fā)現(xiàn),在山區(qū)中小流域洪水預(yù)報(bào)中,傳統(tǒng)實(shí)時(shí)校正方法在應(yīng)用中存在以下問題:①由于山區(qū)中小流域匯流時(shí)間短,洪水過程陡漲陡落,漲洪前可供學(xué)習(xí)的資料樣本數(shù)較少,造成實(shí)時(shí)校正精度不高;②當(dāng)實(shí)時(shí)校正預(yù)見期較長(zhǎng)時(shí),校正后的洪峰往往比實(shí)際洪峰滯后出現(xiàn),造成較大的峰現(xiàn)時(shí)間誤差。

為解決上述2個(gè)問題,本文提出KNN-H法,該方法選擇同一流域歷史上發(fā)生過的洪水過程作為學(xué)習(xí)樣本,通過對(duì)歷史相似洪水的學(xué)習(xí),提高對(duì)未來預(yù)報(bào)值的校正精度。

KNN-H法的理論依據(jù):在同一流域的洪水預(yù)報(bào)中由于水文模型的結(jié)構(gòu)和參數(shù)不變,當(dāng)歷史洪水與當(dāng)前洪水的降雨過程及前期土壤含水量接近時(shí),同一水文模型對(duì)歷史洪水的預(yù)報(bào)誤差和對(duì)當(dāng)前洪水的預(yù)報(bào)誤差也會(huì)比較接近。如果水文模型對(duì)相似的歷史洪水預(yù)報(bào)洪峰偏大或偏小、預(yù)報(bào)峰現(xiàn)時(shí)間提前或延后,那么該模型對(duì)當(dāng)前洪水的預(yù)報(bào)很有可能也出現(xiàn)同樣的偏差。因此通過學(xué)習(xí)相似歷史洪水的預(yù)報(bào)誤差有助于提高KNN法對(duì)當(dāng)前預(yù)報(bào)值的校正精度。

由于實(shí)時(shí)校正是對(duì)未來時(shí)刻的預(yù)報(bào)值進(jìn)行校正,在校正時(shí)洪水還未出現(xiàn),并沒有實(shí)測(cè)流量資料,因此無法通過實(shí)測(cè)洪水過程判斷與當(dāng)前洪水相似的歷史洪水。在KNN-H法中,通過降雨資料與前期土壤含水量資料判斷相似洪水,認(rèn)為如果引發(fā)當(dāng)前洪水的降雨過程及前期土壤含水量與歷史上某場(chǎng)洪水相似,則當(dāng)前洪水與該場(chǎng)歷史洪水相似。

降雨過程相似有2個(gè)方面:①降水量或降雨強(qiáng)度相似,②降雨中心位置相似。在濕潤(rùn)蓄滿產(chǎn)流地區(qū),影響產(chǎn)流量大小的主要因素是降水量;而在干旱超滲產(chǎn)流地區(qū),影響產(chǎn)流量大小的主要因素是降雨強(qiáng)度,因此降水量或降雨強(qiáng)度相似是保證洪水過程相似的重要條件。降雨中心位置會(huì)影響洪峰出現(xiàn)的時(shí)間,當(dāng)降雨主要集中在流域上游時(shí),徑流匯集到流域出口斷面所需時(shí)間較長(zhǎng);當(dāng)降雨集中在流域下游時(shí),匯流時(shí)間短,洪水起漲快。選擇降雨中心位置作為判斷相似洪水的標(biāo)準(zhǔn)是為了提高實(shí)時(shí)校正方法對(duì)峰現(xiàn)時(shí)間的校正精度。

前期土壤含水量同樣是影響產(chǎn)流量大小的重要因素,如果前期土壤含水量差別很大,即使降雨完全相同,產(chǎn)生的洪水過程也會(huì)差別很大。前期土壤含水量可以通過日模型率定得到,也可使用遙感或?qū)崪y(cè)資料判斷相似性。

KNN-H法通過分析歷史洪水的降水量、降雨強(qiáng)度、降雨中心位置和前期土壤含水量,選出與當(dāng)前洪水相似的一場(chǎng)或幾場(chǎng)洪水,通過對(duì)相似歷史洪水預(yù)報(bào)誤差的學(xué)習(xí),判斷當(dāng)前預(yù)報(bào)值可能存在的誤差并對(duì)預(yù)報(bào)值進(jìn)行校正。具體步驟如下:①在濕潤(rùn)地區(qū)選擇與當(dāng)前洪水總雨量和降雨時(shí)間接近的歷史洪水(設(shè)置一個(gè)雨量相對(duì)誤差值作為判斷相似的標(biāo)準(zhǔn),如±20%);在干旱地區(qū)選擇與當(dāng)前降雨強(qiáng)度和降雨時(shí)間接近的歷史洪水。②從第①步選出的洪水中,進(jìn)一步挑選降雨中心位置接近的歷史洪水,降雨中心位置以降雨中心到流域出口斷面的匯流路徑長(zhǎng)度來衡量。③從第②步選出的洪水中,挑選與當(dāng)前前期土壤含水量接近的歷史洪水。④如果歷史洪水中沒有同時(shí)滿足上述3個(gè)條件的洪水,則選擇盡可能多的滿足條件的歷史洪水作為較相似洪水。⑤將選出的歷史洪水實(shí)測(cè)流量和預(yù)報(bào)流量資料放入KNN-H法歷史樣本庫中,作為歷史資料供KNN-H法學(xué)習(xí)預(yù)熱。在KNN-H法中加入一個(gè)流量比例系數(shù)c=Qs,t/Qs,t-1,其中Qs為模型預(yù)報(bào)流量。c為當(dāng)前時(shí)刻與前一時(shí)刻水文模型預(yù)報(bào)流量的比值,用來表示預(yù)報(bào)值所處的洪水階段,認(rèn)為連續(xù)n個(gè)時(shí)刻c大于某一值(本研究取1.1)為漲洪階段,連續(xù)n個(gè)時(shí)刻c小于某一值(本研究取0.9)為退水階段。由于山區(qū)中小流域洪水陡漲陡落,n不宜過大,本研究取n=3。當(dāng)待校正的預(yù)報(bào)值處于漲洪或退水階段時(shí),KNN-H法可以快速定位到歷史洪水的相同階段,對(duì)歷史洪水該階段的預(yù)報(bào)值與實(shí)測(cè)值誤差進(jìn)行重點(diǎn)學(xué)習(xí)。

剩余計(jì)算步驟與KNN法相同,通過匹配近鄰樣本,估計(jì)預(yù)報(bào)誤差值等最終得到校正后的預(yù)報(bào)流量值。由于在實(shí)時(shí)預(yù)報(bào)過程中降雨也在持續(xù),因此KNN-H法在判斷相似歷史洪水時(shí)使用的降水量資料也是實(shí)時(shí)更新的,通過當(dāng)前觀測(cè)的降雨在歷史庫中尋找與之降水量或雨強(qiáng)接近的歷史洪水,在降雨持續(xù)的過程中,KNN-H法每個(gè)時(shí)段都更新雨量值并重新在歷史庫中尋找相似洪水,隨著降雨持續(xù)選擇的歷史洪水可能會(huì)發(fā)生變化,當(dāng)歷史洪水變化后選擇更新后的歷史洪水作為學(xué)習(xí)樣本,并對(duì)當(dāng)前洪水進(jìn)行校正。

2 KNN-H法驗(yàn)證

2.1 研究流域

選擇陜西省位于半干旱地區(qū)的2個(gè)中小流域——曹坪水文站以上流域和志丹水文站以上流域(圖1)為研究流域。曹坪水文站位于黃河無定河水系的二級(jí)支流岔巴溝,控制面積為187km2,多年平均降水量為443mm;志丹水文站是黃河北洛河水系周河的控制站,控制面積為774km2,多年平均降水量為509.8mm。兩流域均位于陜北黃土高原地區(qū),屬于山區(qū)中小流域,流域面積較小,洪水過程陡漲陡落,同時(shí)兩流域雨量站密度相對(duì)較高,降水量及徑流量資料系列完整。

圖1 研究流域

2.2 洪水預(yù)報(bào)模型選擇

選擇格林-安普特模型、GA-PIC模型[17]和分布式格林-安普特模型[18]3個(gè)超滲產(chǎn)流模型在曹坪和志丹流域進(jìn)行實(shí)時(shí)洪水預(yù)報(bào)。3個(gè)模型均使用格林-安普特下滲公式計(jì)算超滲地面徑流,其中格林-安普特模型在計(jì)算時(shí)將流域劃分為若干子流域,在每個(gè)子流域上單獨(dú)計(jì)算蒸散發(fā)及產(chǎn)匯流過程,并利用一條經(jīng)驗(yàn)下滲能力分布曲線來反映流域下墊面分布不均的特點(diǎn);GA-PIC模型是將格林-安普特模型中的經(jīng)驗(yàn)下滲能力分布曲線改進(jìn)為具有物理基礎(chǔ)的下滲能力分布曲線,可以更準(zhǔn)確地反映半干旱地區(qū)降雨及下墊面特征的時(shí)空變化情況,為半分布式模型;分布式格林-安普特模型基于正交網(wǎng)格計(jì)算流域蒸散發(fā)及產(chǎn)匯流過程,其中蒸散發(fā)計(jì)算使用新安江模型中的3層蒸散發(fā)模型,坡面匯流采用一維擴(kuò)散波方程組計(jì)算,河道匯流采用基于網(wǎng)格的馬斯京根匯流演算法計(jì)算,該模型是一種具有物理基礎(chǔ)的全分布式超滲產(chǎn)流模型。3個(gè)模型所使用的產(chǎn)流計(jì)算公式相同,但在流域下墊面劃分及異質(zhì)性計(jì)算時(shí)采用的方法不同。以上3模型均被證實(shí)適用于陜北黃土高原地區(qū)洪水預(yù)報(bào)[17-18]。

2.3 不同實(shí)時(shí)校正方法結(jié)果對(duì)比

使用AR法、KNN法和KNN-H法對(duì)3個(gè)模型預(yù)報(bào)結(jié)果進(jìn)行校正。由于實(shí)時(shí)洪水預(yù)報(bào)預(yù)見期基本等于流域平均匯流時(shí)間,為了保持實(shí)時(shí)校正預(yù)見期與實(shí)時(shí)預(yù)報(bào)預(yù)見期相同,選擇流域平均匯流時(shí)間作為實(shí)時(shí)校正預(yù)見期,其中曹坪流域平均匯流時(shí)間為70min,志丹流域平均匯流時(shí)間為180min。

在曹坪流域選擇2000—2010年共17場(chǎng)洪水,其中前10場(chǎng)洪水用來率定模型參數(shù),后7場(chǎng)洪水用于檢驗(yàn)?zāi)Ｐ皖A(yù)報(bào)結(jié)果;志丹流域選擇2000—2010年共13場(chǎng)洪水,其中前8場(chǎng)洪水用來率定模型參數(shù),后5場(chǎng)洪水用于檢驗(yàn)?zāi)Ｐ皖A(yù)報(bào)結(jié)果。采用3種實(shí)時(shí)校正方法分別對(duì)各流域驗(yàn)證期洪水預(yù)報(bào)結(jié)果進(jìn)行校正,KNN-H法選擇率定期洪水作為歷史洪水資料,從率定期洪水中挑選出與當(dāng)前校正洪水相似的歷史洪水,通過學(xué)習(xí)歷史洪水的預(yù)報(bào)誤差進(jìn)而校正當(dāng)前洪水預(yù)報(bào)值。

選擇徑流深相對(duì)誤差(Er)、洪峰相對(duì)誤差(Ep)和峰現(xiàn)時(shí)間誤差(Et)3個(gè)指標(biāo)評(píng)價(jià)模型預(yù)報(bào)及實(shí)時(shí)校正精度,各模型預(yù)報(bào)及校正結(jié)果見表1,表中誤差值為各場(chǎng)洪水的絕對(duì)平均值。

表1 3種實(shí)時(shí)校正方法應(yīng)用對(duì)比

3個(gè)模型在兩流域預(yù)報(bào)的徑流深和洪峰相對(duì)誤差較大(表1)。由于黃河中游黃土高原地區(qū)產(chǎn)流模式復(fù)雜,以超滲產(chǎn)流為主,同時(shí)伴隨蓄滿產(chǎn)流,該地區(qū)洪水預(yù)報(bào)精度一直較低。本文3個(gè)模型經(jīng)過了充分率定,總體預(yù)報(bào)結(jié)果好于目前平均水平。

由表1可知:①經(jīng)3種實(shí)時(shí)校正方法校正后,各模型Er和Ep總體上均較校正前有所降低。以曹坪流域?yàn)槔?3個(gè)水文模型Ep分別為64.4%、40.5%和32.4%,經(jīng)AR法校正后洪峰相對(duì)誤差分別為53.2%、38.5%和35.9%;經(jīng)KNN法校正后洪峰相對(duì)誤差分別為49.7%、32.8%和27.5%;經(jīng)KNN-H校正后分別為45.9%、33.5%和26.1%?？傮w上KNN和KNN-H法校正精度高于AR法。②經(jīng)AR法和KNN法校正后,各模型預(yù)報(bào)結(jié)果Et并未有效降低,經(jīng)KNN-H法校正后3個(gè)模型Et均較校正前有所降低。以志丹流域?yàn)槔?3個(gè)水文模型Et分別為60、60、54min,經(jīng)AR法校正后Et分別為60、72、60min,相比校正前略有增大;經(jīng)KNN法校正后Et均為60min,與校正前相比變化不大;經(jīng)KNN-H法校正后Et均為48min,均比校正前有所降低。③單獨(dú)對(duì)比KNN法和KNN-H法校正結(jié)果可以看出,增加了對(duì)歷史洪水預(yù)報(bào)誤差學(xué)習(xí)之后,KNN-H法校正結(jié)果在Er、Ep方面較KNN法略有降低,而在Et方面,KNN-H法在兩流域的校正結(jié)果均較KNN法有明顯降低。

圖2(a)為KNN-H法在率定期洪水中找到的與當(dāng)前洪水相似的歷史洪水(2001081723號(hào)洪水),圖2(b)為2種實(shí)時(shí)校正法對(duì)2006082916號(hào)洪水預(yù)報(bào)值的校正結(jié)果。在這兩場(chǎng)洪水中,GA-PIC模型對(duì)總徑流深和洪峰流量的預(yù)報(bào)結(jié)果都偏小。2006082916號(hào)洪水包含3個(gè)洪峰過程,其中第3個(gè)洪峰最大,實(shí)測(cè)洪峰流量154m3/s,GA-PIC模型預(yù)報(bào)洪峰流量為42.8m3/s,相對(duì)誤差為-72.2%;經(jīng)KNN法校正后洪峰流量為172.4m3/s,相對(duì)誤差11.9%;經(jīng)KNN-H法校正后洪峰流量為165.7m3/s,相對(duì)誤差7.6%,稍小于KNN法校正結(jié)果。GA-PIC模型預(yù)報(bào)峰現(xiàn)時(shí)間比實(shí)測(cè)峰現(xiàn)時(shí)間晚30min,經(jīng)KNN法校正后峰現(xiàn)時(shí)間比實(shí)測(cè)峰現(xiàn)時(shí)間晚90min,誤差較大,因此確定性系數(shù)只有-0.05;經(jīng)KNN-H法校正后峰現(xiàn)時(shí)間比實(shí)測(cè)峰現(xiàn)時(shí)間晚20min,優(yōu)于模型預(yù)報(bào)結(jié)果,校正后確定性系數(shù)達(dá)到0.69。

圖2 曹坪流域2006082916號(hào)洪水KNN法與KNN-H法校正結(jié)果對(duì)比

由圖2(b)可知,在第1個(gè)洪峰過程中,KNN法校正結(jié)果與GA-PIC模型模擬結(jié)果完全一致,這是由于KNN法使用本場(chǎng)洪水前期流量資料進(jìn)行學(xué)習(xí)預(yù)熱,在第1個(gè)洪峰出現(xiàn)時(shí),KNN法還未完成預(yù)熱,因此沒有對(duì)模型預(yù)報(bào)結(jié)果進(jìn)行校正。而KNN-H法通過對(duì)2001年發(fā)生的歷史洪水預(yù)報(bào)誤差學(xué)習(xí)后已經(jīng)完成預(yù)熱,因此對(duì)2006082916號(hào)洪水中第1個(gè)洪峰過程做出校正,校正后洪峰流量與實(shí)測(cè)值更為接近。在第2個(gè)和第3個(gè)洪峰過程中,KNN-H法校正后洪峰相對(duì)誤差均較KNN法校正結(jié)果有所降低,尤其是峰現(xiàn)時(shí)間誤差明顯降低。以第3個(gè)洪峰過程為例,實(shí)測(cè)洪峰發(fā)生在8月30日6:00,GA-PIC模型預(yù)報(bào)洪峰發(fā)生在6:30,峰現(xiàn)時(shí)間誤差為30min。由于在曹坪流域?qū)崟r(shí)校正預(yù)見期設(shè)置為70min,在校正6:30模型預(yù)報(bào)洪峰時(shí)參考的是70min之前的資料,也就是5:20之前的預(yù)報(bào)誤差,此時(shí)模型預(yù)報(bào)值較實(shí)測(cè)值嚴(yán)重偏小,因此KNN法將預(yù)報(bào)值校正增大。從圖2(b)中可以看出,在6:30之后實(shí)測(cè)洪水進(jìn)入退水階段,而KNN法校正結(jié)果則繼續(xù)增加,直到7:30KNN法校正結(jié)果出現(xiàn)洪峰,之后開始下降,這是由于6:20時(shí)實(shí)測(cè)流量下降到與模型預(yù)報(bào)值接近,KNN法認(rèn)為此時(shí)預(yù)報(bào)值不再嚴(yán)重偏小,因此校正結(jié)果開始下降,導(dǎo)致校正后的峰現(xiàn)時(shí)間比實(shí)際晚了90min。而KNN-H法在對(duì)2001年的歷史洪水進(jìn)行學(xué)習(xí)后,知道模型預(yù)報(bào)洪峰流量偏小,峰現(xiàn)時(shí)間偏晚,因此在校正時(shí)提前做出判斷,降低了校正結(jié)果的洪峰流量誤差和峰現(xiàn)時(shí)間誤差,校正精度比KNN法高。

KNN法通過學(xué)習(xí)本場(chǎng)洪水前期資料后進(jìn)行校正會(huì)存在一定的滯后性,校正結(jié)果比實(shí)測(cè)洪水過程滯后一段時(shí)間,并且校正預(yù)見期越長(zhǎng)滯后的時(shí)間也越長(zhǎng)。而KNN-H法通過學(xué)習(xí)歷史洪水資料,當(dāng)預(yù)報(bào)值進(jìn)入到漲洪階段時(shí),KNN-H法能夠快速定位到歷史洪水的漲洪階段,分析歷史預(yù)報(bào)誤差后迅速對(duì)當(dāng)前預(yù)報(bào)值做出校正,因此KNN-H法校正結(jié)果的峰現(xiàn)時(shí)間誤差更小。

3 結(jié) 語

本文構(gòu)建了KNN-H法,以陜北黃土高原地區(qū)2個(gè)山區(qū)半干旱中小流域?yàn)檠芯繀^(qū)域進(jìn)行驗(yàn)證,并與傳統(tǒng)KNN法和AR法進(jìn)行對(duì)比。結(jié)果表明,各模型預(yù)報(bào)結(jié)果經(jīng)3種實(shí)時(shí)校正方法校正后,徑流深相對(duì)誤差和洪峰相對(duì)誤差總體上均有所降低,KNN法和KNN-H法校正精度總體高于AR方法。經(jīng)AR法和KNN法校正后,各模型預(yù)報(bào)結(jié)果峰現(xiàn)時(shí)間誤差并未有效降低,而KNN-H法校正結(jié)果的峰現(xiàn)時(shí)間誤差較校正前有明顯降低。

山區(qū)中小流域由于匯流時(shí)間短,洪水過程陡漲陡落,KNN法在實(shí)時(shí)校正中面臨預(yù)熱期資料不足問題,影響校正精度,同時(shí)當(dāng)校正預(yù)見期較長(zhǎng)時(shí),KNN法校正結(jié)果會(huì)比實(shí)測(cè)洪水過程滯后一段時(shí)間。KNN-H法通過對(duì)歷史洪水預(yù)報(bào)誤差進(jìn)行學(xué)習(xí),有效解決了預(yù)熱期資料不足的問題,當(dāng)預(yù)報(bào)值進(jìn)入到漲洪或退水階段時(shí),KNN-H法能夠快速定位到歷史洪水的相同階段,分析歷史預(yù)報(bào)誤差后迅速對(duì)當(dāng)前預(yù)報(bào)值做出校正,因此KNN-H法校正結(jié)果精度高于傳統(tǒng)KNN法。