錢名開 ，王 凱 ，梁忠民 ，徐時進(jìn) ，王 軍 ，胡義明

（1. 淮河水利委員會水文局（信息中心），安徽 蚌埠 233001；2. 河海大學(xué)，江蘇 南京 210098）

0 引言

洪水預(yù)報(bào)是重要的防洪減災(zāi)非工程措施，但長期以來，洪水預(yù)報(bào)提供的都是一種確定性的定值預(yù)報(bào)。由于水文過程的復(fù)雜性和人類認(rèn)識水平的局限性，實(shí)時洪水的預(yù)報(bào)中不可避免地存在輸入、模型結(jié)構(gòu)和參數(shù)的不確定性，導(dǎo)致洪水預(yù)報(bào)結(jié)果也具有不確定性。概率預(yù)報(bào)是定量分析洪水預(yù)報(bào)不確定性的有效途徑，近年來已逐漸成為水文科學(xué)的研究熱點(diǎn)；同時，通過概率預(yù)報(bào)發(fā)現(xiàn)不確定性來源，降低和控制不確定性，突破預(yù)報(bào)精度瓶頸，也是洪水預(yù)報(bào)理論發(fā)展的一種全新途徑。但整體而言，洪水概率預(yù)報(bào)理論還在發(fā)展中，在實(shí)時洪水作業(yè)預(yù)報(bào)中尚缺乏智能化的概率預(yù)報(bào)模型和智慧化決策支撐平臺，無法滿足防洪調(diào)度決策對實(shí)時洪水預(yù)報(bào)的新需求[1–7]。為提高洪水預(yù)報(bào)可靠度、豐富洪水預(yù)報(bào)信息，采用理論和實(shí)踐結(jié)合的方式，研制了洪水概率預(yù)報(bào)智能模型，構(gòu)建了智慧洪水概率預(yù)報(bào)平臺，并在淮河防汛實(shí)踐中進(jìn)行了典型應(yīng)用。

1 洪水概率預(yù)報(bào)智能模型

洪水預(yù)報(bào)模型是智慧洪水概率平臺的核心內(nèi)容，包括新安江、淮河經(jīng)驗(yàn)方案、時日尺度分布式SWAT 水文、實(shí)時校正等傳統(tǒng)模型，還包括基于誤差異分布的洪水概率預(yù)報(bào)、洪水預(yù)報(bào)不確定性逐階段降低控制、概率預(yù)報(bào)-防洪能力耦合的實(shí)時洪水風(fēng)險(xiǎn)評估等智能模型。

1.1 洪水概率預(yù)報(bào)模型

不同量級洪水或洪水過程的不同階段，預(yù)報(bào)誤差的非平穩(wěn)性及異分布特征，可用不同的分布函數(shù)描述，如圖 1 所示。本研究采用統(tǒng)計(jì)方法描述預(yù)報(bào)誤差分布規(guī)律，推導(dǎo)描述洪水量級與誤差分布規(guī)律統(tǒng)計(jì)關(guān)系的統(tǒng)一方程，創(chuàng)建基于誤差異分布的洪水概率預(yù)報(bào)新技術(shù)，實(shí)現(xiàn)分量級洪水預(yù)報(bào)誤差的智能校正及概率預(yù)報(bào)。

1.2 洪水預(yù)報(bào)不確定性逐階段降低控制模型

以降低總誤差為總控目標(biāo)，構(gòu)建“模型輸入-參數(shù)優(yōu)化-終端誤差修正”一體化的誤差降低控制模型，實(shí)現(xiàn)預(yù)報(bào)誤差的逐階段降低控制，提高實(shí)時洪水預(yù)報(bào)精度。具體包括以下 3 個階段：

1）模型輸入階段。推導(dǎo)面雨量不確定性估計(jì)通用方程，量化并降低降雨輸入的不確定性。

圖 1 洪水預(yù)報(bào)誤差異分布特征示意圖

2）模型運(yùn)用階段。為滿足實(shí)時洪水預(yù)報(bào)精度和時效性雙重要求，采用擬態(tài)物理學(xué)全局優(yōu)化算法，實(shí)時動態(tài)調(diào)整模型參數(shù)，降低模型的不確定性。

3）模型輸出階段。采用無損卡爾曼濾波算法對終端誤差進(jìn)行修正，以避免傳統(tǒng)卡爾曼濾波只適用于線性假設(shè)的約束，以及擴(kuò)展卡爾曼濾波一階線性泰勒展開的局限性。

經(jīng)各階段誤差修正后，再重新運(yùn)行概率預(yù)報(bào)模型，量化整體誤差，降低控制預(yù)報(bào)不確定性，模型如圖 2 所示，中間最上面圖中粉紅色部分表示預(yù)報(bào)總誤差，經(jīng)過模型輸入階段的降雨、模型運(yùn)用階段的參數(shù)智能、模型輸出階段的智能終端等校正，誤差（粉紅色）逐步減小。

圖 2 洪水預(yù)報(bào)不確定性逐階段降低控制模型

1.3 實(shí)時洪水風(fēng)險(xiǎn)動態(tài)評估模型

采用概率預(yù)報(bào)成果描述洪水的不確定性，截尾正態(tài)分布描述防洪能力不確定性，基于多維聯(lián)合分布理論，構(gòu)建耦合洪水預(yù)報(bào)不確定性和防洪能力不確定性的洪水風(fēng)險(xiǎn)實(shí)時計(jì)算模型，實(shí)現(xiàn)任意防洪點(diǎn)任一時刻洪水風(fēng)險(xiǎn)的實(shí)時滾動計(jì)算[8]。

2 洪水概率預(yù)報(bào)智慧平臺

開發(fā)高效實(shí)用的洪水概率預(yù)報(bào)應(yīng)用系統(tǒng)是實(shí)現(xiàn)由傳統(tǒng)確定性作業(yè)預(yù)報(bào)向概率預(yù)報(bào)過渡的基礎(chǔ)[9]。本研究研發(fā)標(biāo)準(zhǔn)化的概率預(yù)報(bào)模型方法庫，包括不確定性要素識別、概率預(yù)報(bào)、不確定性降低控制、實(shí)時洪水風(fēng)險(xiǎn)分析等模塊，基于標(biāo)準(zhǔn)化的鏈接技術(shù)，構(gòu)建多功能、多終端組件式洪水概率預(yù)報(bào)智慧平臺（FEWS-HuaiheProb）。FEWS-HuaiheProb 具有數(shù)據(jù)智能管理、模型智能集成、智能預(yù)報(bào)和智慧決策等功能，具體功能如圖 3 所示。以淮河 2007 年7 月流域性大水為例的概率洪水預(yù)報(bào)界面如圖 4 所示，圖中不同顏色的曲線代表淮河干流王家壩站不同置信水平下（5%，10%，15%，…，95%）的流量過程線。

2.1 數(shù)據(jù)智能管理

2.1.1 數(shù)據(jù)自動導(dǎo)入和多源數(shù)據(jù)智能存儲

圖 3 智慧型洪水概率預(yù)報(bào)平臺主要模塊功能（FEWS-HuaiheProb）

洪水預(yù)報(bào)時大多會用到多源數(shù)據(jù)，不同的數(shù)據(jù)源具有不同格式，包含不同的信息元素，因此，在同一系統(tǒng)中如何高效導(dǎo)入和有效存儲不同數(shù)據(jù)源也是一種不小的挑戰(zhàn)[8]。FEWS-HuaiheProb 提供了標(biāo)準(zhǔn)化的數(shù)據(jù)格式智能分析和自動導(dǎo)入模塊，可實(shí)現(xiàn)多種水文觀測及氣象數(shù)據(jù)源的智能導(dǎo)入。數(shù)據(jù)智能導(dǎo)入采用通用化、標(biāo)準(zhǔn)化的交換格式，如 XML，GRIB（用于氣象數(shù)值模式）及 ASCII 碼格式，可以實(shí)現(xiàn)任意外部數(shù)據(jù)與內(nèi)部數(shù)據(jù)的智能轉(zhuǎn)化。

所有導(dǎo)入的數(shù)據(jù)都存儲在平臺的數(shù)據(jù)庫中，包括模型配置數(shù)據(jù)，如地理位置信息（包括坐標(biāo)、預(yù)報(bào)站點(diǎn)、水系等地圖屬性），也包括不同尺度的時間序列數(shù)據(jù)。數(shù)據(jù)還可以通過系統(tǒng)內(nèi)部處理模塊或者模型運(yùn)行生成。

圖 4 智慧型洪水概率預(yù)報(bào)結(jié)果展示（2007 年 7 月淮河王家壩站）

2.1.2 數(shù)據(jù)智能校正及轉(zhuǎn)換

數(shù)據(jù)質(zhì)量控制是 FEWS-HuaiheProb 的核心功能之一。平臺通過數(shù)據(jù)智能驗(yàn)證、自動插值及轉(zhuǎn)換對數(shù)據(jù)進(jìn)行連續(xù)處理，以保證輸入數(shù)據(jù)的高質(zhì)量，其中，序列插值（差距填充）可保證數(shù)據(jù)系列的完整性。數(shù)據(jù)分層結(jié)構(gòu)可用來作為一個備用的替代數(shù)據(jù)源，這樣即使數(shù)據(jù)不完整或不一致也能保證預(yù)測過程的連續(xù)性。驗(yàn)證和內(nèi)插通常是自動的，但也可以配置用戶的干預(yù)。數(shù)據(jù)轉(zhuǎn)換可轉(zhuǎn)化為不同的空間和時間尺度的數(shù)據(jù)，包括通過空間分散的點(diǎn)或空間數(shù)據(jù)（如雷達(dá)和數(shù)值天氣預(yù)報(bào)模式數(shù)據(jù)）求得加權(quán)面雨量。數(shù)據(jù)智能轉(zhuǎn)換實(shí)用程序還包括時空聚集和解集，簡單公式的評估，水位-流量關(guān)系和蒸發(fā)計(jì)算方法等典型水文功能。

2. 2 模型智能集成

FEWS-HuaiheProb 的最大特點(diǎn)是能夠?qū)F(xiàn)有的服務(wù)與不同對象的眾多模型有效集成到同一平臺。所有外部模型的智能集成可以通過一個開放的基于XML 的標(biāo)準(zhǔn)化發(fā)布接口——模型適配器完成。模型適配器包括以下步驟：

1）FEWS-HuaiheProb 數(shù)據(jù)（PI-XML 格式）轉(zhuǎn)換為模型本體輸入數(shù)據(jù)，包括時間序列、參數(shù)、狀態(tài)變量、站點(diǎn)信息等數(shù)據(jù)的轉(zhuǎn)換。

2）模型通過工作流 Workflow 配置自動獨(dú)立運(yùn)行。

3）模型本體輸出數(shù)據(jù)格式自動轉(zhuǎn)換為 FEWSHuaiheProb 能夠識別的 PI-XML 格式。將數(shù)據(jù)轉(zhuǎn)換為 PI-XML 格式（第 1 步之前）及將 PI-XML 格式轉(zhuǎn)換為 FEWS-HuaiheProb 格式（第 3 步之后），由FEWS-HuaiheProb 系統(tǒng)自帶的通用適配器完成。通用適配器和模型適配器密不可分，通用適配器調(diào)用模型適配器以完成整個工作流的自動化配置。模型適配器可以用 JAVA，C#，VB 等語言開發(fā)，現(xiàn)今已有很多共享的模型適配器可供用戶選擇，但對于新模型或者特定的外部模型，模型開發(fā)者可根據(jù)實(shí)際需求定制開發(fā)模型適配器。

2. 3 智能洪水預(yù)報(bào)功能

包括確定性預(yù)報(bào)、不確定性分析、洪水概率預(yù)報(bào)和洪水風(fēng)險(xiǎn)分析等智能洪水預(yù)報(bào)功能?；诙嘣礆庀笏拇髷?shù)據(jù)，耦合洪水確定性預(yù)報(bào)、不確定性分析、洪水概率預(yù)報(bào)等模型，實(shí)現(xiàn)分量級、時段洪水預(yù)報(bào)誤差的智能校正。預(yù)報(bào)結(jié)果既能提供傳統(tǒng)確定性預(yù)報(bào)，又能提供更加豐富、科學(xué)的概率預(yù)報(bào)信息。洪水概率預(yù)報(bào)智慧平臺利用最新的新媒體技術(shù)，開發(fā)了多終端水情信息發(fā)布系統(tǒng)，實(shí)現(xiàn)了創(chuàng)新型多終端智能預(yù)報(bào)服務(wù)模式。具體內(nèi)容如下：

1）確定性洪水預(yù)報(bào)及模型效果評價。依據(jù)淮河流域自身特點(diǎn)，選取國內(nèi)外代表性水文預(yù)報(bào)模型進(jìn)行模型適用性分析研究，確定適用于研究區(qū)域的洪水預(yù)報(bào)模型；針對淮河干流沿淮行蓄洪區(qū)調(diào)度運(yùn)用的復(fù)雜性，構(gòu)建水力學(xué)模型進(jìn)行河道洪水演算；形成集流域水文模型和水力學(xué)模型于一體的自上而下連續(xù)演算的確定性預(yù)報(bào)模型體系。包括基于新安江模型和淮河經(jīng)驗(yàn)方案的實(shí)時洪水預(yù)報(bào)功能，以及基于水文水動力學(xué)耦合的洪水預(yù)報(bào)功能。洪水概率預(yù)報(bào)智慧平臺建立了模型方案庫和結(jié)果庫，通過對不同暴雨組合、量級和地區(qū)組合洪水條件下的預(yù)報(bào)模型及方案的使用效果進(jìn)行實(shí)時評估分析，實(shí)現(xiàn)各種模型的自動分類和智能選擇。

2）不確定性智能分析校正。平臺集成了不確定性智能分析校正模塊，該模塊以降低實(shí)時洪水預(yù)報(bào)總誤差為總控目標(biāo)，采用“整體-部分”交替修正思路，實(shí)現(xiàn)預(yù)報(bào)誤差的全過程逐階段智能降低與控制，有效提高實(shí)時洪水預(yù)報(bào)精度，包括面降雨校正、模型參數(shù)優(yōu)化和洪水終端校正等功能。

3）洪水概率預(yù)報(bào)。包括以下 2 類概率預(yù)報(bào)模式：a. 基于不確定性要素耦合的洪水概率預(yù)報(bào)模式，主要是貝葉斯綜合不確定性估計(jì)模型等方法；b. 基于預(yù)報(bào)誤差異分布的洪水概率預(yù)報(bào)模式，包括水文不確定性處理器、貝葉斯模型平均法、模型條件處理器等。預(yù)報(bào)結(jié)果既能提供傾向值預(yù)報(bào)，相當(dāng)于傳統(tǒng)確定性預(yù)報(bào)，又能提供不同置信水平下（95%，90%，…）的預(yù)報(bào)信息，豐富了洪水預(yù)報(bào)信息，提高了洪水預(yù)報(bào)的科學(xué)性。

4）洪水風(fēng)險(xiǎn)動態(tài)分析。耦合概率預(yù)報(bào)模塊，綜合考慮洪水預(yù)報(bào)和防洪能力的不確定性，創(chuàng)建基于多維聯(lián)合分布理論的洪水風(fēng)險(xiǎn)評估模型，可以算出任何一場洪水任意時刻超警戒或者超保證水位的可能性有多大，實(shí)現(xiàn)洪水風(fēng)險(xiǎn)的實(shí)時滾動計(jì)算。

5）多終端預(yù)報(bào)服務(wù)系統(tǒng)。開發(fā)了水情交換系統(tǒng)、服務(wù)器、官方微博、微信平臺、防汛 PDA、部門傳真、手機(jī)短信、個人終端等多終端的水情信息主動發(fā)布系統(tǒng)，實(shí)現(xiàn)與用戶的主動推送和實(shí)時互動相結(jié)合的創(chuàng)新型多終端智能預(yù)報(bào)服務(wù)模式。

3 洪水概率預(yù)報(bào)智慧平臺應(yīng)用

淮河流域地處南北氣候過渡帶，支流眾多，降雨洪水時空組成復(fù)雜；流域內(nèi)水庫、閘壩、行蓄洪區(qū)等工程眾多，密度高，調(diào)度運(yùn)用頻繁，且工程運(yùn)用方案組合選項(xiàng)多，給洪水預(yù)報(bào)帶來更大的不確定性。因此，對不同量級的洪水或洪水漲落過程的不同階段，預(yù)報(bào)誤差規(guī)律不同，非穩(wěn)態(tài)、異分布特征顯著?，F(xiàn)行的誤差校正方法僅針對終端誤差校正，實(shí)際應(yīng)用中遇到精度瓶頸。因此，以淮河流域作為典型應(yīng)用，更具有代表性。

選取淮河流域 1952 年以來的 30 場歷史洪水，通過采用概率預(yù)報(bào)及不確定性降低控制技術(shù)，洪水預(yù)報(bào)誤差平均降低了約 6.2%，預(yù)報(bào)精度達(dá) 90%。概率預(yù)報(bào)與數(shù)值天氣預(yù)報(bào)耦合后，相同等級預(yù)報(bào)精度下洪水預(yù)見期延長 3 d 以上[10]。

以 2017 年 7 月 淮河 1 號洪水為例，圖 5 顯示了 20170709 號洪水在不同時刻預(yù)報(bào)超警戒流量的風(fēng)險(xiǎn)計(jì)算結(jié)果，具體數(shù)值如表 1 所示。圖 5 中虛線是確定性模型的預(yù)報(bào)結(jié)果，實(shí)線是實(shí)測洪水過程，從圖 5 和表 1 可以看出：如果按照確定性模型預(yù)報(bào)結(jié)果，在洪峰附近預(yù)報(bào)值接近但未超過警戒值，但實(shí)際洪水在洪峰附近超過警戒值，從預(yù)報(bào)的角度講，低估了洪水。在確定性預(yù)報(bào)基礎(chǔ)上進(jìn)行概率預(yù)報(bào)，發(fā)現(xiàn)在洪峰附近的幾個時刻，超過警戒流量值的概率都高達(dá) 90% 以上，屬大概率事件，且概率預(yù)報(bào)峰值時，水位為 27.60 m，實(shí)測為 27.54 m，更接近實(shí)際情況。因此，在實(shí)際防洪作業(yè)預(yù)報(bào)時，考慮到這種較大的超警戒水位的可能性，及時發(fā)布了超警預(yù)報(bào)，在 2017 年淮河 1 號洪水的防洪預(yù)報(bào)調(diào)度中發(fā)揮了重要作用。

圖 5 淮河干流王家壩 20170709 號洪水超警戒流量風(fēng)險(xiǎn)計(jì)算結(jié)果

表 1 20170709 號洪水超警戒流量風(fēng)險(xiǎn)計(jì)算結(jié)果

4 結(jié)語

針對當(dāng)前實(shí)時洪水預(yù)報(bào)缺乏智能化預(yù)報(bào)模型和智慧化決策支撐平臺等問題，利用最新的水文模擬和信息技術(shù)，研制了洪水概率預(yù)報(bào)智能模型，包括基于誤差異分布的實(shí)時洪水概率預(yù)報(bào)新模型，以及洪水預(yù)報(bào)不確定性逐階段降低智能和概率預(yù)報(bào)-防洪風(fēng)險(xiǎn)率耦合計(jì)算等模型，構(gòu)建了智慧洪水概率預(yù)報(bào)平臺，在我國防汛實(shí)踐中首次實(shí)現(xiàn)了實(shí)時洪水概率預(yù)報(bào)，提高了洪水預(yù)報(bào)精度，豐富了洪水預(yù)報(bào)信息，提升了防汛決策智慧化水平。

洪水概率預(yù)報(bào)受氣候變化和人類活動影響較大，后期需要進(jìn)一步加強(qiáng)氣象水文及預(yù)報(bào)調(diào)度等的耦合研究，以進(jìn)一步提高洪水預(yù)報(bào)精度，延長預(yù)見期。