謝克勇 ， 張勇平 ， 鄧德文 ， 畢 晨 ， 李三角

1. 江西省氣象服務(wù)中心， 江西 南昌 330096 2. 新余市氣象局， 江西 新余 338008

0 引 言

江西全省目前共有水庫 10 676 座，其中大型 30 座，中型 263 座，小(Ⅰ)型 1 508 座。這些水庫多數(shù)坐落在丘陵地帶，少數(shù)在高山峽谷。黎鳳賡和周志維(2018)指出，這些水庫對于保障我省糧食安全和飲水安全，發(fā)展農(nóng)村經(jīng)濟，改善農(nóng)民生產(chǎn)生活條件和生態(tài)環(huán)境，穩(wěn)定農(nóng)村社會秩序等都起到了巨大的作用。隨著全球變暖，近年來江西省天氣氣候極端事件頻繁發(fā)生，汛情旱情接連不斷，特別是2020年氣候異常，7月上旬全省平均降雨量259 mm，為歷史同期第一(陳娟等，2020；凌婷等，2020)。饒河、信江、修河及鄱陽湖先后多次發(fā)生編號洪水和超警戒洪水，多站點水位甚至超保證、超1998年和超歷史。水利水電的安全運行、科學調(diào)度以及水利樞紐工程防汛、抗旱、發(fā)電、蓄水對天氣預(yù)報服務(wù)提出了更高的要求。傳統(tǒng)水文氣象服務(wù)科技含量較低，已不能完全滿足水利水電部門的需求(謝克勇等，2021)。因此，提高水利水電氣象預(yù)報科技含量，提升氣象服務(wù)水平，豐富氣象服務(wù)產(chǎn)品，十分迫切。

文中以七一水庫為例，利用地形的數(shù)字化模擬研究，確定水庫集雨區(qū)劃定技術(shù)方法；通過對水庫集雨區(qū)上降水預(yù)報和觀測站點的實況兩者對比分析，進行庫區(qū)面雨量本地化訂正技術(shù)研究，建立水庫雨量預(yù)報數(shù)學模型，并利用頻率統(tǒng)計和頻率匹配方法進行效果檢驗；利用水庫歷史水文觀測資料，進行模式參數(shù)化率定方法研究以及開展雨洪耦合來水量預(yù)報方法研究，建立了水庫來水量預(yù)報模型?；诖隧椦芯块_發(fā)了江西省水庫安全保障氣象服務(wù)系統(tǒng)，以期為水庫及防汛部門提供更加智能化、精準化和專屬化的服務(wù)。

1 資料和方法

選用2007—2020年江西省七一水庫的水文數(shù)據(jù)資料，主要為水位、庫容和日均入庫流量數(shù)據(jù)以及氣象日雨量等資料。主要研究方法包括基于高精度DEM及水系數(shù)據(jù)的流域集雨區(qū)劃分和實況面雨量精確計算方法，基于多種預(yù)報模式的降尺度及模式融合的流域面雨量預(yù)報方法和基于物理水文模型與人工智能算法相結(jié)合的流量預(yù)測方法，其中流量預(yù)測模型是在新安江模型的基礎(chǔ)上自主研發(fā)的分布式水文預(yù)報模型，輸入量為日面雨量和蒸發(fā)量，輸出量為日入庫流量。然后利用2007—2019年數(shù)據(jù)進行建模，并利用2020年數(shù)據(jù)對模型預(yù)測效果進行對比檢驗。

2 集雨區(qū)劃分及實況面雨量計算方法

基于DEM數(shù)據(jù)，根據(jù)D-8算法可以計算出DEM數(shù)據(jù)范圍內(nèi)的各個柵格上的水流流向，迭代計算得到每個柵格上的匯流數(shù)，設(shè)定閾值再經(jīng)過一系列計算得到河網(wǎng)水系。根據(jù)水庫大壩位置或者流量監(jiān)測點的位置，捕捉水系中相應(yīng)的傾瀉點位置，最后劃定出七一水庫集雨區(qū)范圍如圖1所示。

圖1 七一水庫集雨區(qū)范圍

很多學者(鄧雪嬌等，2000；冀春曉等，2008)提出雷達估計的降雨量不夠準確，因此使用雷達—雨量計聯(lián)合探測的方法，將雨量計單點測量精度較高和雷達能測量降水時空分布的優(yōu)點結(jié)合起來。文中利用雨量計對雷達定量估測降雨量進行面(場)校準，獲得比單純用雷達定量估測降雨量更精確的結(jié)果。再利用變分法從時空意義上對雷達觀測值進行校準，得到更精確的估測結(jié)果。將雷達降水估測和實況站點監(jiān)測降水等數(shù)據(jù)進行一系列數(shù)據(jù)質(zhì)量控制后，利用卷積神經(jīng)網(wǎng)絡(luò)將這些多源數(shù)據(jù)融合，再匹配到集雨區(qū)外延100 km范圍生成降水實況分析場。

3 流域面雨量預(yù)報方法

文中對七一水庫進行面雨量預(yù)報主要采用多模式融合技術(shù)，再進行降尺度得到集雨區(qū)格點預(yù)報數(shù)據(jù)。首先通過降尺度方法生成更高分辨率的降雨場，采用DCNN(深度卷積神經(jīng)網(wǎng)絡(luò))模型，再輸入地面2 m氣溫、露點溫度、相對濕度、地面氣壓等氣象要素特征，以及DEM、土地利用等地理特征，對低分辨率的降水進行降尺度，最后得到本地預(yù)報模型CQOCF。

3.1 多模式融合技術(shù)

利用卷積神經(jīng)網(wǎng)絡(luò)進行多模式融合，基于算法和近期數(shù)據(jù)自動調(diào)整權(quán)重大小，可以根據(jù)各模式預(yù)報質(zhì)量進行有效調(diào)整權(quán)重，最大化準確率。在CNN(卷積神經(jīng)網(wǎng)絡(luò))的卷積層中，一個神經(jīng)元只與部分鄰層神經(jīng)元連接。根據(jù)很多學者經(jīng)驗(毛新宇等，2019；邢世宏等，2019)，在CNN的一個卷積層中，通常包含若干個特征映射，每個特征映射由一些矩形排列的神經(jīng)元組成，同一特征映射的神經(jīng)元共享權(quán)值，這里共享的權(quán)值就是卷積核，卷積核一般以隨機小數(shù)矩陣的形式初始化，在網(wǎng)絡(luò)的訓(xùn)練過程中卷積核將學習得到合理的權(quán)值。

為了更加高效、準確地實現(xiàn)降尺度，選擇基于深度學習的DeepSD模型。DeepSD模型是由多層的SRCNN堆積而成；SRCNN降尺度則是利用了卷積神經(jīng)網(wǎng)絡(luò)提取高維特征并進行數(shù)據(jù)重構(gòu)，從而實現(xiàn)降尺度。耿瑞(2019)指出，SRCNN將深度學習與傳統(tǒng)稀疏編碼之間的關(guān)系作為依據(jù)，將3層網(wǎng)絡(luò)劃分為圖像塊提取、非線性映射以及最終的重建。

本地化訂正采用Encoder-Decoder神經(jīng)網(wǎng)絡(luò)模型，在對降水預(yù)報進行訂正時，不僅需要考慮到歷史數(shù)據(jù)的影響，也要考慮區(qū)域范圍的影響。因此，在建模時，需要考慮時間因素和空間因素。考慮到深度學習中的CNN擅長處理空間數(shù)據(jù)，長短時記憶網(wǎng)絡(luò)(LSTM)由于其特殊的結(jié)構(gòu)設(shè)置擅長處理時序數(shù)據(jù)，所以利用這兩種網(wǎng)絡(luò)建立訂正模型Seq2Seq。Seq2Seq模型的核心是CNN和LSTM，模型由Encoder和Deconder兩部分組成，其中Encoder是用來解析歷史信息，而Decoder是用來編譯歷史信息生成訂正結(jié)果。

3.2 面雨量預(yù)報檢驗

對實況和預(yù)報的面雨量基于江河流域面雨量等級(GB/T 20486-2017)界定(表1)劃分雨量等級后進行對比檢驗。其中，實況面雨量采用實況分析網(wǎng)格再根據(jù)地形與庫區(qū)范圍加權(quán)計算，預(yù)報面雨量通過本地化預(yù)報模型得出，面雨量采用格點數(shù)值預(yù)報再根據(jù)地形降尺度與庫區(qū)范圍加權(quán)計算。若某日預(yù)報面雨量降水等級為小雨且當日實況面雨量降水等級為小雨，則算作準確，準確率=預(yù)報準確天數(shù)/實際出現(xiàn)天數(shù)×100%。得到2020年七一水庫面雨量等級預(yù)報準確率(表2)。

表1 面雨量等級界定

表2 2020年七一水庫未來1—7 d面雨量等級預(yù)報檢驗結(jié)果

分析表2可見，通過對2020年未來1—7 d的面雨量等級預(yù)報結(jié)果進行檢驗，得出小雨量級的降水預(yù)報準確率較好，未來3 d的平均預(yù)報準確率達70.1%。中雨和大雨量級的降水預(yù)報準確率分別為30.7%和28.3%。未來3 d各等級降雨預(yù)報綜合準確率在47.8%—64.4%之間。未來1 d的暴雨、大暴雨預(yù)報準確率分別為19.1%和20.0%，未來2 d時效的暴雨、大暴雨預(yù)報準確率較低，較難預(yù)報。

2020年7月7—10日七一水庫逐日面雨量分別為20.2、72.5、64.8和42.1 mm，此次過程連續(xù)出現(xiàn)2 d大暴雨，1 d暴雨和1 d大雨量級的降水。分析此次強降雨過程的本地預(yù)報模型CQOCF和EC模式預(yù)報結(jié)果的TS評分(表3)可見，CQOCF在暴雨、大暴雨量級預(yù)報上要優(yōu)于EC模式。

表3 2020年7月7—10日七一水庫強降雨過程EC模式和CQOCF本地面雨量模型預(yù)報TS評分

分析頻率統(tǒng)計和頻率匹配效果檢驗(圖2、3)可知，在小雨、暴雨和大暴雨量級上，本地面雨量預(yù)報模型CQOCF均優(yōu)于EC模式，大雨量級上EC略優(yōu)于CQOCF。分析EC模式和CQOCF本地面雨量模型預(yù)報和實況箱須圖(圖4)可知，本地面雨量模型CQOCF模型雨量值的分布與實況更接近，但存在一些過高值，EC模式較CQOCF預(yù)報偏小。

圖2 EC模式和CQOCF本地面雨量模型未來7 d預(yù)報與實況對比樣本頻率Fig. 2 Statistical chart of sample frequency of comparison between prediction and actual situation in the next 7 days of EC amd CQOCF

圖3 EC模式和CQOCF本地面雨量模型預(yù)報概率分布(a)和頻率匹配映射關(guān)系(b)Fig. 3 Prediction probability distribution (a) and frequency matching mapping (b) of EC model and CQOCF local area rainfall model

圖4 EC模式和CQOCF本地面雨量模型預(yù)報值和實況值箱須圖Fig. 4 Actual forecast box diagram of area rainfall calculated by EC and CQOCF model

4 流量預(yù)測方法

目前已經(jīng)有許多成熟的降雨—徑流模型理論，如新安江模型、SWAT模型、Topmodel、HBV模型等，隨著深度學習的發(fā)展及其在水文領(lǐng)域的應(yīng)用越來越多，文中利用粒子群算法對新安江模型進行參數(shù)率定，并通過劉培貞等(2019)研究的LSTM神經(jīng)網(wǎng)絡(luò)模型對流量進行模擬，最后耦合物理水文模型和神經(jīng)網(wǎng)絡(luò)模型，以達到流量的最優(yōu)預(yù)測。

4.1 物理模型和人工智能算法耦合

物理水文模型中的計算基于對水文過程的描述，機理表達清晰，應(yīng)用較廣泛，且只需要相對少量的歷史實況流量資料(2 a以上)就能進行較好的模擬，但物理模型在實際運行中也存在一些難點或問題。物理模型中的一些狀態(tài)參量的調(diào)整常常需要有預(yù)熱過程，模型的初值設(shè)定也對模型結(jié)果有一定影響，為了保證模型連續(xù)性，需要保存歷史狀態(tài)參量；對物理過程的描述只是對實際水文過程的近似和概化，存在一些沒有在物理模型中體現(xiàn)出來的過程；一些物理機制不明確的過程只能用經(jīng)驗公式來描述。

LSTM神經(jīng)網(wǎng)絡(luò)流量模型可以實現(xiàn)端到端的流量預(yù)測，對于物理模型中未進行描述或近似描述的變量關(guān)系也能通過高維特征提取和反向傳播自主學習，可以有效彌補物理模型的不足，但神經(jīng)網(wǎng)絡(luò)模型需要較多的歷史流量資料。結(jié)合物理模型和神經(jīng)網(wǎng)絡(luò)模型的特點，可以先用物理模型基于現(xiàn)有歷史資料進行流量模擬，再用KNN(近鄰算法)對物理模型進行校正得到更精確的模擬流量，然后將較長時間的模擬流量和歷史實況流量作為LSTM流量模型的標簽數(shù)據(jù)訓(xùn)練模型，實現(xiàn)物理水文模型和人工智能算法的嵌套耦合。

特征向量由一段時間的實況降雨量、蒸發(fā)量和模擬流量組成，標簽為實測流量與模擬流量的誤差，模型公式可表示為

E(t)=FKNN[Qsim(t-1),Qsim(t-2),…,

Qsim(t-n0),P(t-γ1),P(t-γ1-1),

P(t-γ1-2),…,EM(t-γ1),

EM(t-γ1-1),EM(t-γ1-2),…,

EM(t-n1+1),…]

(1)

式中，E(t)為模擬流量和實況的誤差；Qsim(t-n)為歷史模擬流量；P為歷史雨量；EM為歷史蒸發(fā)量。為了進一步提高模型的預(yù)測精度，當有新的實時觀測流量數(shù)據(jù)積累，再對物理模型結(jié)果進行更新校正。

水庫的庫容是水位的三次曲線，因此根據(jù)水位和庫容的歷史資料，用三次曲線進行線性回歸，關(guān)系式如下

V=a(G-Gmin)3+b(G-Gmin)2+

c(G-Gmin)+Vmin

(2)

式中，V為庫容；G為水位；Gmin為水庫死水位；Vmin位水庫死庫容。

當完成水庫來水量預(yù)報后，根據(jù)實時庫容增加來水量得到預(yù)報庫容，然后根據(jù)統(tǒng)計關(guān)系計算出預(yù)報水位。最后可根據(jù)正常蓄水位、汛期限制水位、防洪高水位制定調(diào)蓄方案(劉志萍等，2020)。

4.2 基于粒子群算法對新安江模型參數(shù)的率定

新安江水文模型的15個參數(shù)分別為K、WUM、WLM、C、WDM、B、IMP、SM、EX、KG、KSS、KKG、KKSS、CS、L。15個參數(shù)作為空間中粒子i的15個維度，X=(Xi1,Xi2,Xi3, …,Xi15)，每個維度的搜索空間范圍按參數(shù)閾值取值(表4)。

表4 新安江水文模型參數(shù)搜索閾值界定

速度Vi= (Vi1,Vi2,Vi3, …,Vi14)，Vmax限制范圍取第d維參數(shù)取值范圍的10%，Vmax= (Xmax-Xmin)×10%。以日流量的均方根誤差為目標函數(shù):

(3)

式中,Xobs,i為率定期的實測流量序列；Xmodel,i為率定期的模擬流量序列；n為實測和模擬流量資料的總個數(shù)。

根據(jù)翁士創(chuàng)等(2018)的方法，參數(shù)率定的具體步驟如下：1) 初始化種群，規(guī)模設(shè)為60，迭代次數(shù)T設(shè)為400，確定粒子位置X，速度V；2) 計算每個粒子i的適應(yīng)值，找出每個粒子的個體極值Pi和粒子的全體極值G；3) 比較粒子i的適應(yīng)度值和個體極值，較好的作為Pi；4) 比較粒子i的適應(yīng)度值和全局適應(yīng)度值，較好的作為G；5) 根據(jù)第2—5步更新粒子的速度和位置；6) 回到第2步循環(huán)，直到迭代完畢退出。文中利用七一水庫歷史數(shù)據(jù)，經(jīng)過6次參數(shù)率定，率定結(jié)果如表5所列。

表5 七一水庫新安江模型參數(shù)率定結(jié)果

4.3 水庫流量預(yù)測及檢驗

根據(jù)水文情報預(yù)報規(guī)范(GB/T 22482-2008)，采用納什效率系數(shù)(NSE)，用以驗證水文模型模擬結(jié)果的的好壞，NSE適用于長期連續(xù)的流量模擬，被廣泛地應(yīng)用到流量模擬地評估中。NSE取值為負無窮至1，NSE接近1，模型可信度越高；NSE接近0，表示模擬結(jié)果接近觀測值的平均值水平，即總體結(jié)果可信，但過程模擬誤差大；NSE遠遠小于0，則模型是不可信的。公式如下

(4)

(5)

式中，y和yi分別為觀測流量和模擬流量。

經(jīng)過計算，在水庫入庫流量方面，采用粒子群算法率定新安江模型的參數(shù)后，率定期(2017—2019年)日流量納什效率系數(shù)(NSE)分別從0.649提升至0.829，均方根誤差(RMSE)從17.617 m3/s降低至12.901 m3/s，驗證期(2020年)日流量NSE分別從0.499提升至0.681，均方根誤差從36.807 m3/s降低至29.802 m3/s(圖5)。

圖5 2020年七一水庫集雨區(qū)來水增量預(yù)報Fig. 5 Increment forecast of incoming water in rain collecting area of Qiyi reservoir during 2020

4 結(jié)論與討論

文中以七一水庫為例，詳細介紹了江西省中小水庫集雨區(qū)劃定技術(shù)方法和本地化水庫面雨量預(yù)報方法，進行了模式參數(shù)化率定，建立了水庫來水量預(yù)報模型。得到結(jié)論如下

1) 通過對七一水庫2020年未來一周面雨量的預(yù)報效果檢驗，得出本地化預(yù)報模型未來3 d的平均預(yù)報準確率達70.1%；中雨和大雨量級的降水預(yù)報準確率分別為30.7%和28.3%；未來3 d各等級降雨預(yù)報綜合準確率在47.8%—64.4%。未來1 d的暴雨、大暴雨預(yù)報準確率分別為19.1%和20.0%，預(yù)報時效長于2 d的暴雨、大暴雨預(yù)報難度較大。

2) 在水庫入庫流量方面，采用粒子群算法率定新安江模型的參數(shù)后，流量模擬效果大大提升，并且強降水過程的流量預(yù)報效果改善明顯。

通過技術(shù)改進和創(chuàng)新，江西省中小水庫安全保障氣象服務(wù)系統(tǒng)不斷完善，水庫面雨量和來水增量預(yù)報準確率不斷提升，提高了水庫氣象服務(wù)科技含量。下一步，將通過積累數(shù)據(jù)、調(diào)整參數(shù)、完善系統(tǒng)方面，提高庫區(qū)面雨量及來水增量的預(yù)報準確率。