摘要：為了滿足新形勢下防災減災的預警預報以及洪水預報的相關要求，填補防災減災的空白，文章以洪水預報調(diào)度模型為研究對象，在神經(jīng)網(wǎng)絡算法基礎上，利用遺傳算法優(yōu)化資源配置，科學智能地開發(fā)流域預測和規(guī)劃系統(tǒng)，并實時采集雨量、水位和排水數(shù)據(jù)，及時處理和預測流域內(nèi)的降雨量、水位和排水量等水文氣象參數(shù)，旨在優(yōu)化防洪規(guī)劃。

關鍵詞：人工智能;神經(jīng)網(wǎng)絡;大數(shù)據(jù);分布式模型;預報調(diào)度

中圖法分類號：TP181文獻標識碼：A

Key technologies and applications of flood forecasting and scheduling model based on artificial intelligence

LV Jifa

（Ninghai Hydrographic Station，Ningbo，Zhejiang 315600，China）

Abstract：In order to meet the requirements of early warning and flood forecast of disaster prevention and mitigation under the new situation and fill in the gap of disaster prevention and mitigation， this paper takes the flood forecast dispatching model as the research object. Based on neural network algorithm， genetic algorithm is used to optimize the allocation of resources， develop river basin prediction and planning system reasonably， and acquire real-time data of rainfall， water level and drainage， timely process and forecaste in the basin， such as rainfall， water level and displacement hydrometeorological parameters， so as to optimize the flood control planning.

Key words： artificial intelligence，neural network， big data， distributed model， forecast scheduling

隨著人工智能技術的發(fā)展，傳統(tǒng)洪水預報技術需要在新的數(shù)據(jù)模式下進行調(diào)整。為了保證洪水預報工作的精確度與效率，其采用數(shù)據(jù)驅動的、多維的、有方法的人工智能模式進行業(yè)務分析，為預測工作的開展提供了有力的技術支撐，也為多功能的流域規(guī)劃與運行提供了科學的基礎。在此基礎上，基于集中式的人工神經(jīng)網(wǎng)絡方法構建了一個面向特定地區(qū)的洪水預報模型，并應用遺傳算法進行資源配置，實現(xiàn)了科學、合理的洪水預報與規(guī)劃。

1人工智能與遺傳算法

人工神經(jīng)網(wǎng)絡模型是一個模擬人腦及其功能的數(shù)學模型。它的優(yōu)勢在于具有并行、分布式存儲、非線性映射、自組織、自學習等特點，同時具有較強的魯棒性和容錯性，并且能夠很好地解決非凸問題。遺傳算法是一種受到自然生物遺傳學啟發(fā)的最優(yōu)方法，它以“物競天擇，適者生存”的原理為依據(jù)，在有限理解力的數(shù)字代碼的形式下，通過采用適當?shù)脑u價標準，選擇最合適的成員進行復制、融合和突變，確定最佳的生存基礎，從而使最符合目標函數(shù)的解決方案在下一代中得到復制[1]，保留最佳的解決方案，當然也會淘汰最差的解決方案，即經(jīng)過幾代繼承，獲取最佳方案。另外，神經(jīng)網(wǎng)絡有以下缺點：首先，其很難確定隱藏層的數(shù)量和隱藏層中神經(jīng)節(jié)點的數(shù)量，算法收斂緩慢，網(wǎng)絡往往會走到局部極端，沒有完美的理論來確定網(wǎng)絡的拓撲結構。根據(jù)定理，三層 BP 網(wǎng)絡可以在ε平方誤差范圍內(nèi)以一定的精度近似目標函數(shù)f（ x ），隱層節(jié)點的選擇由2n+1決定，其中 n 是輸入因子。隨著電子計算機技術的發(fā)展，算法收斂緩慢的問題得到了解決，即使經(jīng)過幾千萬次的訓練，算法收斂也只需要3～5分鐘。對于網(wǎng)絡傾向于收斂到局部最小值的情況，存在許多算法。例如，完善傳統(tǒng)的 BP 算法、將小波分割成神經(jīng)網(wǎng)絡以及將基本的水文知識納入神經(jīng)網(wǎng)絡等技術都取得了成功。同時，關于利用遺傳算法改進神經(jīng)網(wǎng)絡的研究也很多，大致分為三種改進方法，即使用遺傳算法來進化神經(jīng)網(wǎng)絡的結構、使用遺傳算法來優(yōu)化神經(jīng)網(wǎng)絡的初始權重、使用遺傳算法來訓練網(wǎng)絡?；诤髢煞N方法，人工神經(jīng)網(wǎng)絡可以被改進，并且改進后的網(wǎng)絡可以在實際的洪水預報中得到檢驗。

2基于人工智能和大數(shù)據(jù)驅動的水文模型應用分析

洪水是中國最嚴重的自然災害之一。中小型集水區(qū)的洪水預報是防洪減災最重要的非技術措施。預防和緩解山洪的主要技術難點是計算小流域的風暴潮。徑流的非線性和小流域的數(shù)據(jù)模糊以及參數(shù)分割是計算小流域風暴潮的主要技術問題。隨著遙感水文大數(shù)據(jù)的增加（如全國范圍內(nèi)的山洪調(diào)查和評估、水文調(diào)查、遙感和高分辨率地面調(diào)查等），水文遙感實現(xiàn)了由點到面的轉變，從靜態(tài)監(jiān)測擴展到動態(tài)監(jiān)測，為解決復雜水文現(xiàn)象和建立新的水文模型提供了新的機遇。水文模型已經(jīng)成為水文研究的重點。

2.1大數(shù)據(jù)基礎

中國在2019～2020年進行了全國山洪災害的調(diào)查與評價。在此基礎上，對我國各流域進行了劃分，劃分出了各流域的60多萬個小流域，確定了各流域的基線屬性得分，并建立了各流域基線屬性指標，使用國家遙感影像資料，根據(jù)土壤類型與質地資料，以2.5米為單位，構建了土壤結構參數(shù)和土壤類型數(shù)據(jù)，對近12000余份暴雨洪水觀測資料進行了統(tǒng)計和整理。通過對700個水文站的暴雨洪水觀測資料與1949～2020年的洪水資料進行匯總，積累了大量的歷史資料，對小流域的風暴潮進行了初步研究，并為機器學習提供了充足的范例[2]。

2.2基于機器學習的人工智能技術

近年來，在降雨預測、小流域遙感數(shù)據(jù)分類、洪水模型參數(shù)估計、洪水預測預警、洪水風險評價等方面，我國都有深入的研究和探索。在高分辨率數(shù)據(jù)分類方面，為了有效提高遙感影像和激光點云的分類準確率，針對目前我國分水嶺參數(shù)劃分中存在的數(shù)據(jù)差距，提出了一種以基本屬性數(shù)據(jù)、基本參數(shù)數(shù)據(jù)、土壤質量數(shù)據(jù)為基礎的分水嶺參數(shù)分區(qū)方法。對1000多個洪水特征和參數(shù)進行了機器學習，以河南、北京、甘肅、福建、吉林等5個省份（直轄市）小流域的無資料區(qū)域參數(shù)庫為參考目標，其將有效提高我國小流域的水情預測能力。另外，為了構建以小流域為基礎的風暴潮風險因子評價指標體系，有關人士提出了幾大主要風險因子，分別為短期風暴特征、單位洪水系數(shù)、匯流時間、房屋風險，評價采用53個時期的235起歷史洪水事件，其一致性達到91%，從而極大地提高了洪水危險性的判斷精度。

2.3新一代分布式水文模型

以山洪災害監(jiān)測與評估結果為依據(jù)，利用實時衛(wèi)星、雷達、臺站等多源降雨信息和預測降雨資料，以流域結構和基本特征為參考目標，以歷史暴雨洪水和率定參數(shù)為先驗知識，以降雨蒸發(fā)、產(chǎn)匯流、河道演進、水庫調(diào)蓄等水文過程為主線，以流域為計算單元，集成模型庫、人工智能算法庫、參數(shù)庫和先驗知識庫為一體的新一代分布式水文模型。通過對15個不同區(qū)域的降雨資料進行分析，比較了新安江、連續(xù)路、 TOPMODEL 和 PRMS 等10種模式的仿真精度，通過新一代分布式水文模式在小流域中的應用，其精度可提高30%左右。

3水文模型應用現(xiàn)狀

3.1水文模型參數(shù)優(yōu)化

若要有效利用水文模型，那么建立模型的參數(shù)非常關鍵。傳統(tǒng)水文模型參數(shù)設定多采用試錯法，即用人工不斷地調(diào)節(jié)參數(shù)值，以達到仿真精度。該方法是人為的，具有很強的重復性和復雜性。當前，智能算法在參數(shù)自動優(yōu)化方面的研究與實現(xiàn)，主要是針對模型參數(shù)的全局優(yōu)化問題，總體上屬于智能化。其中，遺傳算法、多目標粒子群優(yōu)化（MOPSO）和 SCE?UA（SCE?UA）算法，其改進算法得到了較多的關注，并在水文模型參數(shù)優(yōu)化中得到了廣泛應用。相關研究人員提出一種多目標粒子群優(yōu)化方法，用于新安江流域的參數(shù)優(yōu)化。利用 SCE?UA 方法對 TOPMODEL 的參數(shù)進行了優(yōu)化，根據(jù)測試結果來看，有著良好效果。

3.2水庫優(yōu)化調(diào)度

水庫的發(fā)展是一個復雜的、多方面的管理問題，其研究將直接關系到實際的生產(chǎn)和經(jīng)濟發(fā)展。傳統(tǒng)水庫管理方法主要有動態(tài)規(guī)劃、線性規(guī)劃、非線性規(guī)劃、離散差動規(guī)劃等。為了保證中長期儲層的作業(yè)次序和作業(yè)安排，一般需要每年進行最優(yōu)計算。但是，隨著字段數(shù)目的增加，運算負擔就會增加，從而產(chǎn)生“規(guī)模災難”問題。針對大型水電站與水庫的聯(lián)合優(yōu)化調(diào)度問題，國內(nèi)外學者進行了大量研究，并針對這些問題，建立了一系列的優(yōu)化調(diào)度算法。以某學者為例，其介紹了一種基于多目標的微粒群優(yōu)化方法，并將其用于多目標優(yōu)化工程，對一座跨江三級水電站進行了規(guī)劃，得到了一批實時穩(wěn)定、均勻分布、收斂良好的多目標規(guī)劃。

3.3分析計算速度

加速洪水預測系統(tǒng)的分析與計算，可以使預測周期大大延長，從而提高預測的準確性和防災能力。海量的數(shù)據(jù)存儲、管理、分析、計算等技術（如 Hadoop ，Spark ，Storm[4]等）正在飛速發(fā)展，其在交通、金融和在線商務等領域得到了廣泛應用。在水利領域，大數(shù)據(jù)技術的研究與應用成果較多，尤其是數(shù)據(jù)的采集、存儲、共享與交換，而大數(shù)據(jù)技術在提高洪水預報模型分析和運算速度等方面缺乏研究與應用成果。

3.4總體設計思想

在分布式水文模型、大數(shù)據(jù)、人工智能等先進技術的基礎上，實現(xiàn)了對中小河流的預報與規(guī)劃。首先，在分布式水文建模的基礎上，結合中小河流的氣象、水文特征，構建了適合中小河流的“降雨?徑流”分布模型，并對其進行了數(shù)值模擬。其次，采用遺傳算法、粒子群優(yōu)化等先進算法，實現(xiàn)了“雨水?徑流”模型參數(shù)的自動優(yōu)化;采用地形參數(shù)方法對數(shù)據(jù)丟失區(qū)域進行模型參數(shù)分析，并建立了集水區(qū)特性與模型參數(shù)的相關性，從而提高了預測精度。遺傳算法完整的技術架構如圖1所示。

3.5模型參數(shù)智能優(yōu)化

由于水文系統(tǒng)具有不確定性和多樣性，使得模型的各參數(shù)也具有一定的不穩(wěn)定性和時效性。在某種程度上，優(yōu)化效率和模型參數(shù)對模型的影響是決定模型有效性的重要因素。利用遺傳算法、PSO ，SCE?UA 等智能優(yōu)化算法，可以為自動優(yōu)化參數(shù)優(yōu)化提供理論依據(jù)。針對水文站內(nèi)的中小河流，采用每年自動優(yōu)化（或按用戶定義的步驟）及模型參數(shù)更新迭代，使之與水文系統(tǒng)的時間變化相適應，從而提高預報精度。綜合利用新的系統(tǒng)理論和方法、計算機技術和遙感技術，代表了在數(shù)據(jù)貧乏地區(qū)進行水文預測的新方法。為了分析數(shù)據(jù)貧乏地區(qū)的水文模型參數(shù)，可以使用相似性原則從數(shù)據(jù)域轉移參數(shù)，或者使用地貌參數(shù)方法來確定模型參數(shù)和流域特征之間的相關性。根據(jù)數(shù)據(jù)域中模型參數(shù)的校準結果，建議使用地貌參數(shù)法來確定模型參數(shù)與流域面積、河流長度、坡度、植被覆蓋、土壤結構和其他特征之間的相關性。根據(jù)確定的關聯(lián)關系，然后從開放區(qū)數(shù)據(jù)和流域特征值中計算出模型參數(shù)，并將其代入水文模型進行預測[5]。

4結語

通過技術分析和案例研究可以看出，人工智能算法在洪水預測中的應用打破了傳統(tǒng)徑流產(chǎn)生和集中過程的多參數(shù)和多維度影響。在大量歷史數(shù)據(jù)的基礎上，找到了適合統(tǒng)計預測尺度的預測模型，以此用于分析傳統(tǒng)徑流產(chǎn)生和濃度數(shù)據(jù)。統(tǒng)計數(shù)據(jù)的轉換可以從不同方面對水文預報進行測試，大大提高了預報的準確性。同時，面對復雜的水庫運行等情況，傳統(tǒng)的單一水庫運行和動態(tài)規(guī)劃的方式無法完成整體優(yōu)化的最優(yōu)方案，縮短系統(tǒng)響應時間，增加數(shù)據(jù)采樣范圍，降低經(jīng)驗判斷的不確定性，提高決策效率。該技術能夠提供早期預警和預測服務，使結果可視化的方法多樣化，并充分整合現(xiàn)有資源以提高效率。

參考文獻：

[1]劉昌軍.基于人工智能和大數(shù)據(jù)驅動的新一代水文模型及其在洪水預報預警中的應用[ J].中國防汛抗旱，2019，29（5）：11+22.

[2]楊海燕，徐嶺，戚娟.運用水文模型計算小流域致汛臨界面雨量的探討[J].陜西水利，2018（S1）：26?28.

[3]惠強.基于人工智能的洪水預報算法的研究與實現(xiàn)[D].西安：西安電子科技大學，2020.

[4]王春平，王金生，梁團豪.人工智能在洪水預報中的應用[J].水力發(fā)電，2005（9）：12?15.

[5]廖厚初，王加虎.基于分布式預報平臺的水文模型預報研究[J].水利科學與寒區(qū)工程，2022，5（3）：59?62.

作者簡介：

呂吉法（1968—），本科，高級工程師，研究方向：水利工程運行管理。