摘 要：水文預(yù)報(bào)時(shí)水利水電以及防洪、水資源調(diào)度等工作具有基礎(chǔ)性的引導(dǎo)作用，而目前我國(guó)常見(jiàn)的水文預(yù)報(bào)方式主要有兩種，即數(shù)據(jù)驅(qū)動(dòng)模型、過(guò)程驅(qū)動(dòng)模型。數(shù)據(jù)驅(qū)動(dòng)模型不以水文過(guò)程作為模型建立的基礎(chǔ)，而是通過(guò)數(shù)據(jù)之間數(shù)學(xué)關(guān)系，建立起有效的水文模型。而過(guò)程驅(qū)動(dòng)模型基礎(chǔ)則是水文學(xué)概念，從而完成對(duì)河道以及流域的演進(jìn)模型。在中長(zhǎng)期的水文預(yù)報(bào)中，過(guò)程驅(qū)動(dòng)模型較為適用，主要改進(jìn)流域降雨徑流模型結(jié)構(gòu)，在時(shí)間跨度相對(duì)較長(zhǎng)的水文預(yù)報(bào)中較為適用。而由于近年來(lái)我國(guó)水文預(yù)報(bào)中引入了模糊數(shù)學(xué)方法、非線性時(shí)間序列分析模型、神經(jīng)網(wǎng)絡(luò)模型以及灰色系統(tǒng)模型等模型，加之水文數(shù)據(jù)的獲取、分析技術(shù)也有了巨大的發(fā)展，數(shù)據(jù)驅(qū)動(dòng)模型開(kāi)始在水文預(yù)報(bào)中發(fā)揮巨大的作用。
關(guān)鍵詞：水文預(yù)報(bào)；方法；模型；數(shù)據(jù)驅(qū)動(dòng)模型
在水利水電工作中，水文預(yù)報(bào)具有重要的意義，通過(guò)水文預(yù)報(bào)可以獲知流域的實(shí)際狀況以及δ來(lái)一段時(shí)間的發(fā)展?fàn)顟B(tài)。水文預(yù)報(bào)方式相對(duì)較多，通過(guò)驅(qū)動(dòng)方式的差異可以將其分為過(guò)程驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)兩種模型方式。過(guò)程驅(qū)動(dòng)也屬于數(shù)學(xué)模型，是對(duì)徑流以及河道的產(chǎn)流、演進(jìn)等過(guò)程進(jìn)行模擬的一種模型，從而對(duì)流域流量進(jìn)行預(yù)報(bào)。而與過(guò)程驅(qū)動(dòng)模型不同的數(shù)據(jù)模型則屬于物理機(jī)制，幾乎不受水文過(guò)程影響，通過(guò)將獲取數(shù)據(jù)之間的關(guān)系，獲取模型的黑箱子方式。其中回歸模型是使用最為廣泛的數(shù)據(jù)驅(qū)動(dòng)模型，但是隨著水文預(yù)測(cè)技術(shù)的發(fā)展近年來(lái)我國(guó)還產(chǎn)生了更多新型的水文預(yù)測(cè)方式，不但提升了水文預(yù)測(cè)效率，同時(shí)也提高了水文預(yù)測(cè)精度。加之水文數(shù)據(jù)獲取能力的提升，在水文預(yù)測(cè)工作中越來(lái)越多的開(kāi)始使用數(shù)據(jù)驅(qū)動(dòng)模型進(jìn)行水文狀況的預(yù)測(cè)。
1 過(guò)程驅(qū)動(dòng)模型分析
依照應(yīng)用領(lǐng)域的不同可以將過(guò)程驅(qū)動(dòng)模型分為兩類，一類為枯季徑流退水模型，另一類為概念性流域降雨徑流模型。前者主要用于慢反應(yīng)水源以及地下水作為水源的流域；后者應(yīng)用范Χ相對(duì)較廣，可以在不同徑流中的流量過(guò)程。
1.1 枯季徑流退水模型
通過(guò)退水曲線可以反應(yīng)出自然流域在不同時(shí)節(jié)的水文狀況，尤其是枯季徑流退稅過(guò)程。通過(guò)枯季徑流退水曲線法可以總結(jié)出枯季徑流的退水規(guī)律，從而將其應(yīng)用到徑流量以及過(guò)程的預(yù)報(bào)中。另外需要注意該種方式僅僅適用在û有顯著降水的情況下，若降水對(duì)徑流狀態(tài)有明顯影響，則該方式無(wú)法使用。
1.2 概念性流域降雨徑流模型
該種模型主要結(jié)合了經(jīng)驗(yàn)公式以及物理學(xué)公式，通過(guò)二者的結(jié)合，針對(duì)徑流河道的演進(jìn)過(guò)程進(jìn)行模擬，并將徑流同降雨之間的轉(zhuǎn)換描述出來(lái)。概念性模型在短期水文預(yù)報(bào)中預(yù)報(bào)時(shí)間較短，其預(yù)報(bào)時(shí)間間隔大多為日或小時(shí)。而在中長(zhǎng)期水文預(yù)報(bào)中會(huì)適當(dāng)調(diào)整輸入、輸出量時(shí)間，將其變化為旬或月，通過(guò)這種改變調(diào)整該種預(yù)報(bào)方式的適用范Χ。在降雨徑流模型中，降水輸入是必不可少的，所以需要將降水預(yù)報(bào)結(jié)合到中長(zhǎng)期的水文預(yù)報(bào)中，以此提高水文預(yù)報(bào)精度。
而在時(shí)間尺度相對(duì)較大的水文預(yù)報(bào)中，若使用概念性模型，需要適當(dāng)對(duì)模型結(jié)構(gòu)進(jìn)行調(diào)整，從而保證模型預(yù)報(bào)精度。例如在月經(jīng)流量預(yù)報(bào)中所使用的水箱模型，都是經(jīng)過(guò)長(zhǎng)時(shí)間的實(shí)踐研究，經(jīng)過(guò)不斷改善后的技術(shù)成果。
2 數(shù)據(jù)驅(qū)動(dòng)模型分析
下面便針對(duì)幾種常見(jiàn)的數(shù)據(jù)驅(qū)動(dòng)模型進(jìn)行具體分析。
2.1 回歸分析
回歸分析是流量中長(zhǎng)期預(yù)報(bào)中應(yīng)用最早、最廣的方法之一，其應(yīng)用于徑流預(yù)報(bào)的歷史可以追溯到早期的降雨徑流相關(guān)圖方法，20世紀(jì)60年代以后隨計(jì)算機(jī)技術(shù)的發(fā)展而迅速普及，并且主成分分析等技術(shù)被引入到回歸分析之中，以提高預(yù)報(bào)精度�；貧w分析至今仍是流量預(yù)報(bào)實(shí)際工作中的一種重要手段。
從操作分析，回歸模型便于操作，較為容易實(shí)現(xiàn)。在中長(zhǎng)期預(yù)報(bào)中，依照流量以及影響因素分析，應(yīng)當(dāng)在以下方面多加關(guān)注：首先，研究區(qū)域中長(zhǎng)期流量同模型中那些指標(biāo)相關(guān)性最強(qiáng)；其次，研究區(qū)域中的時(shí)間尺度同選定指標(biāo)中哪一時(shí)間尺度具有相對(duì)較大的關(guān)聯(lián)性；最后，在模型建設(shè)中相關(guān)性之間的時(shí)距多長(zhǎng)。在水文預(yù)報(bào)中預(yù)報(bào)因子相對(duì)較多，例如積雪量、土壤適度以及降水量、上游站前期流量、預(yù)報(bào)站前期流量和氣溫等。另外一些控制流量過(guò)程長(zhǎng)期變化的因素也可以作為預(yù)報(bào)因子。這是由于很多預(yù)報(bào)因子雖然會(huì)對(duì)流域造成影響，但是會(huì)存在滯后時(shí)間，有些滯后時(shí)間為幾個(gè)月，有些甚至長(zhǎng)達(dá)幾年。所以在水文預(yù)報(bào)工作中充分考慮這些因子能夠提高水文預(yù)報(bào)精度。
2.2 時(shí)間序列
水文學(xué)研究中時(shí)間序列是最為核心的工具之一。時(shí)間序列模型在水文預(yù)報(bào)中使用較多，依照時(shí)間序列數(shù)目，在模型中可以分為兩大類，一種為多變量模型，一種為單變量模型。
2.3 神經(jīng)網(wǎng)絡(luò)
人工神經(jīng)網(wǎng)絡(luò)（ANN）具有良好的非線性映射能力，而且ANN模型構(gòu)建方便，對(duì)數(shù)據(jù)的適應(yīng)性很好，因而ANN可以說(shuō)是近10多年來(lái)最廣為關(guān)注的一種非線性預(yù)報(bào)方法，已被廣泛應(yīng)用于實(shí)時(shí)中長(zhǎng)期水文預(yù)報(bào)中。最常用于徑流預(yù)報(bào)的ANN類型為采用誤差后向傳播（BP）算法的多層感知器（MLP）神經(jīng)網(wǎng)絡(luò)（rE被稱為BP網(wǎng)絡(luò)），廣泛應(yīng)用于年、月徑流量或平均流量的預(yù)報(bào)。此外，為了更好地?cái)M合流量過(guò)程的非線性特征，可以采用模塊化神經(jīng)網(wǎng)絡(luò)進(jìn)行流量過(guò)程的中長(zhǎng)期預(yù)報(bào)。
采用ANN模型進(jìn)行預(yù)報(bào)時(shí)最重要的是確定哪些數(shù)據(jù)作為輸入，采用什ô類型的神經(jīng)網(wǎng)絡(luò)以及相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)。關(guān)于如何確定ANN輸入變量，有兩個(gè)問(wèn)題需要考慮：一是當(dāng)訓(xùn)練數(shù)據(jù)長(zhǎng)度較短，無(wú)法覆蓋序列的全部可能范Χ時(shí)，如何提高ANN對(duì)可能出現(xiàn)的極端情況的預(yù)報(bào)能力。為解決這一問(wèn)題，在用MLP模型進(jìn)行月平均流量預(yù)報(bào)時(shí)，先用AR模型生成模擬序列，以此增加訓(xùn)練數(shù)據(jù)量，提高預(yù)報(bào)精度。二是在進(jìn)行多步預(yù)報(bào)時(shí)，如何解決ANN模型的氣象輸入數(shù)據(jù)。理想的選擇是采用氣象預(yù)報(bào)數(shù)據(jù)，因此也有研究者采用歷史氣象數(shù)據(jù)作為ANN模型的輸入進(jìn)行多步預(yù)報(bào)。
2.4 模糊數(shù)學(xué)
將模糊數(shù)學(xué)模型應(yīng)用到水文預(yù)報(bào)領(lǐng)域模型預(yù)測(cè)中的方式主要有兩種，一種為模糊邏輯法，另一種為模糊模式識(shí)別預(yù)測(cè)法。若變量之間因果關(guān)系不十分明確，那ô使用模糊邏輯方式較為適宜。依照變量之間所具有的模糊邏輯關(guān)系，建立起邏輯模型或者專家系統(tǒng)，從而對(duì)流量進(jìn)行有效預(yù)報(bào)。而模糊模式識(shí)別預(yù)測(cè)法，其基礎(chǔ)為歷史樣本的模糊聚類，通過(guò)對(duì)歷史樣本模式進(jìn)行分析計(jì)算測(cè)到待測(cè)狀態(tài)特征。繼而以后早回歸方程對(duì)水文狀態(tài)進(jìn)行預(yù)報(bào)。除此之外較為直接的方式是從歷史數(shù)據(jù)中找尋同測(cè)量樣本特征值之間差距最小的或最為接近的狀態(tài)，并將該狀態(tài)下一刻的狀態(tài)值作為當(dāng)前的預(yù)報(bào)值。但是從本質(zhì)講，該方式同近鄰預(yù)報(bào)法較為接近，不同的是近鄰預(yù)報(bào)法找到是鄰近狀態(tài)，繼而建立預(yù)報(bào)方程。通過(guò)模糊數(shù)學(xué)法預(yù)報(bào)的水文狀態(tài)誤差相對(duì)較大，但該方式較為直觀簡(jiǎn)便。
2.5 灰色系統(tǒng)
水資源系統(tǒng)可以當(dāng)作灰色系統(tǒng)看待。最常用的描述灰色系統(tǒng)模型的數(shù)學(xué)模型為GM（1，1），G代表Grey（灰色），M代表Model（模型），GM（1，1）指1階、1個(gè)變量的線性常微分方程模型。它在徑流預(yù)報(bào)、災(zāi)變預(yù)測(cè)中有不少應(yīng)用實(shí)例。
3 結(jié)束語(yǔ)
近年來(lái)水文預(yù)報(bào)方式也隨著科技的發(fā)展而不斷的增多，水文預(yù)報(bào)模型法依照驅(qū)動(dòng)方式的不同可以氛Χ過(guò)程驅(qū)動(dòng)模型以及數(shù)據(jù)驅(qū)動(dòng)模型兩種。并且隨著技術(shù)的發(fā)展，各類模型于包房是層出不窮，加之水文數(shù)據(jù)獲取技術(shù)以及分析能力的進(jìn)步，數(shù)據(jù)驅(qū)動(dòng)模型展現(xiàn)了巨大的生機(jī)活力。
參考文獻(xiàn)
[1]康爾泗，程國(guó)棟，藍(lán)永超，等.概念性水文模型在出山徑流預(yù)報(bào)中的應(yīng)用[J].地球科學(xué)進(jìn)展，2012，17（1）：18-26.
[2]王根緒，沈永平，劉時(shí)銀.黃河源區(qū)降水與徑流過(guò)程對(duì)ENSO事件的響應(yīng)特征[J].冰川凍土，2001，23（1）：16-21.
