江西省中小水電智慧氣象服務技術研究及應用效果檢驗

謝克勇 ， 張勇平 ， 鄧德文 ， 畢 晨 ， 李三角

1. 江西省氣象服務中心， 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、科學調度以及水利樞紐工程防汛、抗旱、發(fā)電、蓄水對天氣預報服務提出了更高的要求。傳統(tǒng)水文氣象服務科技含量較低，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報科技含量，提升氣象服務水平，豐富氣象服務產(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)劃定技術方法；通過對水庫集雨區(qū)上降水預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研究，建立水庫雨量預報數(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報方法研究，建立了水庫來水量預報模型。基于此項研究開發(fā)了江西省水庫安全保障氣象服務系統(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。

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，基于多種預報模式的降尺度及模式融合的流域面雨量預報方法和基于物理水文模型與人工智能算法相結合的流量預測方法，其中流量預測模型是在新安江模型的基礎上自主研發(fā)的分布式水文預報模型，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)質量控制后，利用卷積神經(jīng)網(wǎng)絡將這些多源數(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 流域面雨量預報方法

文中對七一水庫進行面雨量預報主要采用多模式融合技術，再進行降尺度得到集雨區(qū)格點預報數(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)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，最后得到本地預報模型CQOCF。

3.1 多模式融合技術

利用卷積神經(jīng)網(wǎng)絡進行多模式融合，基于算法和近期數(shù)據(jù)自動調整權重大小，可以根據(jù)各模式預報質量進行有效調整權重，最大化準確率。在CNN(卷積神經(jīng)網(wǎng)絡)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)元共享權值，這里共享的權值就是卷積核，卷積核一般以隨機小數(shù)矩陣的形式初始化，在網(wǎng)絡的訓練過程中卷積核將學習得到合理的權值。

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)絡提取高維特征并進行數(shù)據(jù)重構，從而實現(xiàn)降尺度。耿瑞(2019)指出，SRCNN將深度學習與傳統(tǒng)稀疏編碼之間的關系作為依據(jù)，將3層網(wǎng)絡劃分為圖像塊提取、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)絡模型，在對降水預報進行訂正時，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?？紤]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(LSTM)由于其特殊的結構設置擅長處理時序數(shù)據(jù)，所以利用這兩種網(wǎng)絡建立訂正模型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果。

3.2 面雨量預報檢驗

對實況和預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)范圍加權計算，預報面雨量通過本地化預報模型得出，面雨量采用格點數(shù)值預報再根據(jù)地形降尺度與庫區(qū)范圍加權計算。若某日預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面雨量等級預報檢驗結果

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

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報模型CQOCF和EC模式預報結果的TS評分(表3)可見，CQOCF在暴雨、大暴雨量級預報上要優(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預報偏小。

圖2 EC模式和CQOCF本地面雨量模型未來7 d預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本地面雨量模型預報概率分布(a)和頻率匹配映射關系(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)展及其在水文領域的應用越來越多，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)絡模型，以達到流量的最優(yōu)預測。

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)參量的調整常常需要有預熱過程，模型的初值設定也對模型結果有一定影響，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)絡流量模型可以實現(xiàn)端到端的流量預測，對于物理模型中未進行描述或近似描述的變量關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)絡模型需要較多的歷史流量資料。結合物理模型和神經(jīng)網(wǎng)絡模型的特點，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報后，根據(jù)實時庫容增加來水量得到預報庫容，然后根據(jù)統(tǒng)計關系計算出預報水位。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)模設為60，迭代次數(shù)T設為400，確定粒子位置X，速度V；2) 計算每個粒子i的適應值，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的適應度值和個體極值，較好的作為Pi；4) 比較粒子i的適應度值和全局適應度值，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，率定結果如表5所列。

表5 七一水庫新安江模型參數(shù)率定結果

4.3 水庫流量預測及檢驗

根據(jù)水文情報預報規(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果的的好壞，NSE適用于長期連續(xù)的流量模擬，被廣泛地應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，表示模擬結果接近觀測值的平均值水平，即總體結果可信，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)來水增量預報Fig. 5 Increment forecast of incoming water in rain collecting area of Qiyi reservoir during 2020

4 結論與討論

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)劃定技術方法和本地化水庫面雨量預報方法，進行了模式參數(shù)化率定，建立了水庫來水量預報模型。得到結論如下

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

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報效果改善明顯。

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