基于机理—数据融合的山区中小河流洪水预报模型研究

作     者：崔虎虎 

作者单位：西安理工大学 

学位级别：硕士

导师姓名：罗军刚

授予年度：2024年

学科分类：08[工学] 081501[工学-水文学及水资源] 0815[工学-水利工程] 

主      题：山区中小河流 洪水预报 机器学习 耦合模型 可解释性 

摘      要：我国广大的山区流域均面临着不同程度的山洪灾害威胁,近年来,受到人类活动以及极端天气的影响,山区发生局地极端强降雨的频次明显增多,山洪灾害问题日益严重。受限于山区中小流域水文气象监测站网密度不足、预报预警方式有限,山洪灾害防御一直是我国防洪减灾体系中的短板和薄弱之处。洪水预报是一项能够有效提高山洪灾害预报预警能力的重要非工程措施,然而山区中小河流洪水预见期短,预报难度大,同时山区水文气象资料往往质量较差,针对以上问题,本文将机器学习技术应用到洪水预报研究中,构建机器学习洪水预报模型,并在此基础上耦合传统水文模型和机器学习模型,提出一种基于机理-数据融合的洪水预报模型,克服单一模型的依赖性,从而提高模型的结果可靠性。本研究在秦岭北麓典型中小河流开展研究,构建LSTM洪水预报模型、三水源新安江模型以及机理-数据融合的模型,对比分析各模型的预测精度以及模型的可靠性。同时,为了增强LSTM洪水预报模型结果的可信度,使用解释方法对LSTM洪水预报模型的成果开展归因研究。本文的主要研究内容以及研究成果如下: (1)针对山区中小河流洪水预报难度大,传统水文模型建模流程复杂,对水文数据质量要求高,预报精度难以满足预报预警需求等问题,构建适用于山区中小河流的LSTM洪水预报模型,并验证模型在山区中小河流洪水预报中的适用性。分析场次洪水模拟、预报的结果可知,LSTM洪水预报模型有着较高的精度,并且模型的稳定性以及泛化能力较高,在研究区域内六个站点训练集上的模拟结果中,有五个站点达到甲级预报精度,在测试集中模型精度有着不同程度的下降,仅有两个站点达到甲级预报精度,但均达到乙级预报精度,能够满足山区中小河流洪水预报预警的工作要求。 (2)使用模型解释方法对LSTM模型在马渡王和秦渡镇站的模拟、预报结果开展归因分析,结果表明:场次洪水洪峰处贡献值最大的驱动因子为该场次降雨过程的雨峰,受到降雨时空分布不均和时程分配不均的影响,不同雨量站的降雨在不同的场次洪水模拟过程中的贡献程度各不相同,并且到达流域出口断面的汇流时间也存在着差异;对马渡王站典型场次洪水全局归因分析得出,降雨是场次洪水的主要驱动因子,土壤含水量虽然对洪水过程的形成发挥了一些作用,但是贡献程度有限。 (3)基于串并联的混合驱动方式,提出了基于机理-数据融合的洪水预报模型。首先构建新安江模型并展开实例验证,基于新安江模型的验证结果,采用串并联的融合方式构建机理-数据融合的洪水预报模型。结果表明,并联式融合模型在模型率定期洪峰流量合格率均在0.8以上,四个测站达到甲级预报精度,验证期洪峰流量均在0.7以上,两个测站达到甲级预报精度,并且稳定性更好,预报效果优于单一模型和串联式融合模型,并且能改善LSTM模型在洪峰处预报精度较差的缺陷。说明机理-数据融合模型能够综合传统水文模型和机器学习模型的优点,从而取得更好的预报精度以及提升预报的稳定性,同时,该方法还能降低模型预报选择时的决策风险。