基于數(shù)據(jù)驅(qū)動(dòng)的中小河流水位漲幅預(yù)報(bào)方法研究與應(yīng)用

丁 武,林漢雄,王漢崗,張 煒,3*,楊 濱

(1.珠江水利委員會(huì)珠江水利科學(xué)研究院,廣東 廣州 510611;2.廣州市黃埔區(qū)水務(wù)設(shè)施管理所,廣東 廣州 510611;3.水利部珠江河口治理與保護(hù)重點(diǎn)實(shí)驗(yàn)室,廣東 廣州 510611)

山洪災(zāi)害是造成中國(guó)人員傷亡的主要災(zāi)種,據(jù)統(tǒng)計(jì),其所造成的人員傷亡數(shù)占全國(guó)因洪災(zāi)死亡失蹤人口的40%[1]。2022年8月13日,四川成都彭州市龍門山鎮(zhèn)后山突發(fā)暴雨引起龍槽溝區(qū)域突發(fā)山洪,造成7人死亡、8人輕傷;8月17日,青海大通縣遭遇短歷時(shí)強(qiáng)降雨誘發(fā)山洪災(zāi)害,造成26人遇難,5人失聯(lián)。中小河流由于產(chǎn)匯流非線性特質(zhì)顯著,流域內(nèi)布設(shè)的水文站網(wǎng)密度較為稀疏,大多缺乏長(zhǎng)序列水文監(jiān)測(cè)資料,且防洪基礎(chǔ)設(shè)施薄弱,短歷時(shí)強(qiáng)降雨極易誘發(fā)流域山洪災(zāi)害,并具有突發(fā)性強(qiáng)、歷時(shí)短、破壞力大等特點(diǎn),一直是中國(guó)防洪減災(zāi)工作的難點(diǎn)。

水位漲幅預(yù)測(cè)是山洪災(zāi)害防御的關(guān)鍵環(huán)節(jié)與技術(shù)難點(diǎn),目前實(shí)現(xiàn)水位漲幅預(yù)測(cè)的方法可分為機(jī)理驅(qū)動(dòng)分析方法、數(shù)據(jù)驅(qū)動(dòng)分析方法以及數(shù)據(jù)驅(qū)動(dòng)與機(jī)理驅(qū)動(dòng)耦合方法。機(jī)理驅(qū)動(dòng)分析方法主要基于流域降雨產(chǎn)匯流過程內(nèi)在機(jī)理構(gòu)建物理模型,推求降雨與成災(zāi)水位的關(guān)系,常見的機(jī)理模型以水文水動(dòng)力模型為主。以分布式水文模型為代表的機(jī)理驅(qū)動(dòng)模型在乏資料小流域地區(qū)的山洪預(yù)報(bào)中取得了較為廣泛的應(yīng)用[2-4],王坤[5]、孫仲謀[6]、孟天翔[7]使用水動(dòng)力模型模擬山洪演進(jìn)及沿程淹沒過程,但受限于缺乏資料小流域的DEM、遙感信息(RS)等數(shù)據(jù)的不確定性以及模型參數(shù)的經(jīng)驗(yàn)取值,使得分布式水文模型及水動(dòng)力模型的預(yù)報(bào)精度不高。此外,張自航[8]采用陸氣耦合模型構(gòu)建了山洪預(yù)報(bào)模型,實(shí)現(xiàn)了氣象和暴雨等致災(zāi)因素驅(qū)動(dòng)下的山洪預(yù)報(bào),然而氣象預(yù)報(bào)模型本身誤差較高,從而導(dǎo)致整體模型的預(yù)報(bào)精度不佳。隨著水文監(jiān)測(cè)技術(shù)、機(jī)器學(xué)習(xí)等人工智能技術(shù)以及高性能信息技術(shù)的迅猛發(fā)展,數(shù)據(jù)驅(qū)動(dòng)分析方法越來越受青睞,數(shù)據(jù)驅(qū)動(dòng)分析方法可屏蔽災(zāi)害演變過程所涉及到的錯(cuò)綜復(fù)雜的物理機(jī)制,其主要是假設(shè)山洪與降雨等預(yù)報(bào)因子存在特定相關(guān)關(guān)系,并通過對(duì)歷史監(jiān)測(cè)數(shù)據(jù)的分析建立山洪與降雨等特征間的統(tǒng)計(jì)關(guān)系。基于數(shù)據(jù)驅(qū)動(dòng)分析思路,趙龍等[9]利用隨機(jī)森林算法有效識(shí)別山洪主要致災(zāi)因子,并以成災(zāi)水位反演建立了山洪災(zāi)害臨界雨量預(yù)報(bào)模型。LIU等[10]利用支持向量機(jī)(SVM)構(gòu)建了山區(qū)小流域洪水預(yù)報(bào)模型,以歷史水位數(shù)據(jù)和氣象預(yù)報(bào)數(shù)據(jù)等作為輸入,對(duì)未來1～3 h的山洪進(jìn)行預(yù)報(bào),并考慮不同輸入特征對(duì)預(yù)測(cè)結(jié)果的貢獻(xiàn)度,預(yù)報(bào)成果較為準(zhǔn)確。彭萬兵等[11]通過考慮降雨強(qiáng)度、降雨量與前期土壤含水量耦合作用的影響,建立了降雨強(qiáng)度、有效累計(jì)降雨量、水位漲幅過程間變量統(tǒng)計(jì)關(guān)系的山洪預(yù)警模型。以機(jī)器學(xué)習(xí)或深度學(xué)習(xí)為手段構(gòu)建山洪預(yù)報(bào)模型具有預(yù)報(bào)精度高、適應(yīng)性強(qiáng)、計(jì)算簡(jiǎn)單且易于推廣的特點(diǎn),因此受到眾多學(xué)者的認(rèn)可[12-18]。數(shù)據(jù)驅(qū)動(dòng)與機(jī)理驅(qū)動(dòng)耦合方法則是以人認(rèn)識(shí)自然規(guī)律的范式去從數(shù)據(jù)樣本中挖掘規(guī)律,可有效整合數(shù)據(jù)驅(qū)動(dòng)與機(jī)理驅(qū)動(dòng)兩者的優(yōu)點(diǎn),代表性的實(shí)現(xiàn)方法為先利用水動(dòng)力模型模擬不同場(chǎng)景的雨洪過程,再利用聚類算法等機(jī)器學(xué)習(xí)算法學(xué)習(xí)水動(dòng)力模型的模擬成果,以實(shí)現(xiàn)山洪災(zāi)害的快速預(yù)報(bào)[19]。

中小流域山洪災(zāi)害防御不僅受到災(zāi)害特性的影響,還受到防洪基礎(chǔ)設(shè)施的制約,導(dǎo)致預(yù)警信息傳播時(shí)間較長(zhǎng),因此中小河流山洪災(zāi)害預(yù)報(bào)的關(guān)鍵是延長(zhǎng)災(zāi)害的預(yù)見期以及制定簡(jiǎn)易、推廣性強(qiáng)的山洪預(yù)報(bào)模型,從而實(shí)現(xiàn)“早介入、早行動(dòng)、早預(yù)防”,最大力度的保障人民生命財(cái)產(chǎn)安全。為此,從簡(jiǎn)易性、預(yù)報(bào)精度、可行性等多方面綜合考量,本文提出3種中小河流水位漲幅預(yù)報(bào)模型,以典型流域廣州市派潭鎮(zhèn)對(duì)研究對(duì)象,分析模型的適用性及各自的優(yōu)缺點(diǎn),為中小流域的山洪災(zāi)害預(yù)報(bào)提供參考。

1 研究方法

1.1 水位漲幅預(yù)報(bào)因子篩選

水文預(yù)報(bào)中,預(yù)報(bào)模型的輸入被稱為預(yù)報(bào)因子。預(yù)報(bào)因子的篩選對(duì)于模型的構(gòu)建至關(guān)重要,模型輸入過多冗余信息不僅會(huì)加重模型的計(jì)算量,還會(huì)增大模型的預(yù)報(bào)誤差;若模型輸入缺失與輸出具有重要成因關(guān)系的因子,則會(huì)導(dǎo)致預(yù)報(bào)精度直線下降。預(yù)報(bào)因子篩選主要通過度量輸入因子與預(yù)報(bào)輸出對(duì)象間的關(guān)聯(lián)度大小,剔除關(guān)聯(lián)度小和信息重復(fù)的因子,篩選信息量高、關(guān)聯(lián)度強(qiáng)的預(yù)報(bào)因子。常用的預(yù)報(bào)因子選取的方法有互信息法、逐步回歸法、主成分分析法、相關(guān)系數(shù)法、灰色關(guān)聯(lián)分析法等。

本文以山洪水位最高漲幅作為模型的預(yù)測(cè)輸出,原因在于增量序列能夠放大影響徑流的因子信號(hào),更容易找到與其具有物理成因關(guān)系的氣象因子[16],同時(shí)在一定程度上減少當(dāng)前時(shí)刻水位對(duì)預(yù)報(bào)輸出結(jié)果的擾動(dòng)。

綜合分析中小流域產(chǎn)匯流特性,選取流域內(nèi)各雨量站點(diǎn)的雨強(qiáng)、累積雨量、降雨時(shí)序過程等降雨特征作為特征因子進(jìn)行篩選,得到與水位漲幅具有強(qiáng)相關(guān)性的降雨特征作為模型的輸入,共同構(gòu)成模型的數(shù)據(jù)集?？紤]到中小流域水位漲幅與降雨特征具有良好的線性關(guān)系,而相關(guān)系數(shù)法主要用于變量間線性相關(guān)性的度量,因此采用相關(guān)系數(shù)法分析中小河流水位漲幅與各預(yù)報(bào)因子間的相關(guān)性,其計(jì)算見式(1):

(1)

相關(guān)系數(shù)有正有負(fù),即存在正相關(guān)和負(fù)相關(guān),相關(guān)系數(shù)絕對(duì)值越大則表征特征間相關(guān)性越強(qiáng)。

1.2 中小河流水位漲幅預(yù)報(bào)模型構(gòu)建

為實(shí)現(xiàn)山洪災(zāi)害的快速、精準(zhǔn)預(yù)報(bào),同時(shí)考慮到模型的簡(jiǎn)單實(shí)用性,本研究基于數(shù)據(jù)驅(qū)動(dòng)分析法構(gòu)建了3種河道水位漲幅預(yù)報(bào)模型,減少單一預(yù)報(bào)機(jī)制預(yù)報(bào)成果的擾動(dòng),強(qiáng)化不同應(yīng)用場(chǎng)景下的山洪災(zāi)害預(yù)報(bào)。

1.2.1“降雨量-水位漲幅”關(guān)系預(yù)報(bào)模型

假設(shè)降雨量與水位漲幅具有廣義線性關(guān)系,因此可通過建立降雨量與水位漲幅的回歸模型,來實(shí)現(xiàn)山洪災(zāi)害預(yù)報(bào)模型構(gòu)建。模型以與水位漲幅具有強(qiáng)相關(guān)關(guān)系的流域上游降雨量為輸入,當(dāng)特征因子篩選得到多個(gè)雨量站點(diǎn)的雨量可作為模型輸入時(shí),可將多個(gè)站點(diǎn)的雨量采用權(quán)值相加法確定,見式(2)。

(2)

為考慮預(yù)報(bào)模型的實(shí)用性,可考慮一元多項(xiàng)式或一元二次多項(xiàng)式逼近降雨量與水位漲幅關(guān)系。簡(jiǎn)單線性回歸模型的表達(dá)為式(3):

Zw(P)=w1P+w2

(3)

二次回歸的表達(dá)為式(4):

Zw(P)=w1P2+w2P+w3

(4)

式中w——需要優(yōu)化的參數(shù)變量;Zw(P)——降雨量與水位漲幅回歸模型。

可通過梯度下降算法、圖解法等求解參數(shù)變量,確定最優(yōu)的回歸模型,回歸的損失函數(shù)為式(5):

(5)

式中m——總洪水場(chǎng)次;Zk——第k場(chǎng)洪水的實(shí)測(cè)水位漲幅。

1.2.2基于相似分析的水位漲幅預(yù)報(bào)模型

基于相似分析的河道水位漲幅預(yù)報(bào)模型用于“尋找與預(yù)見期水文場(chǎng)景相似的歷史水文場(chǎng)景,并以歷史相似場(chǎng)景的水位漲幅情況為預(yù)見期水位漲幅提供參考”。相似性度量是相似分析模型的關(guān)鍵,即通過度量算法計(jì)算2個(gè)水文場(chǎng)景的綜合相似程度?；谙嗨菩苑治龇?gòu)建山洪災(zāi)害預(yù)報(bào)模型時(shí),以山洪致災(zāi)因子作為水文相似性指標(biāo)體系,即以特征因子篩選得到的水文特征作為相似性評(píng)估指標(biāo)。計(jì)算各特征因子間的相似度,再基于相關(guān)性程度利用權(quán)重相加法或BORDA法等綜合評(píng)定兩水文場(chǎng)景的綜合相似性。

常用的特征因子間相似性度量算法有余弦相似度量算法、歐氏距離法等。余弦相似度量算法計(jì)算見式(6):

(6)

歐氏距離法計(jì)算見式(7):

(7)

式中m——特征的時(shí)序總步長(zhǎng);Xi、Yi——兩不同水文場(chǎng)景下特征第i個(gè)時(shí)間步長(zhǎng)的特征值。

COSIN的值域?yàn)閇-1,1],絕對(duì)值越接近1表示相似度越大;OUdist則是越小越相似。

1.2.3基于機(jī)器學(xué)習(xí)的水位漲幅預(yù)報(bào)模型

循環(huán)神經(jīng)網(wǎng)絡(luò)由其網(wǎng)絡(luò)特性,在序列數(shù)據(jù)預(yù)測(cè)上具有獨(dú)特的優(yōu)勢(shì),常用的循環(huán)神經(jīng)網(wǎng)絡(luò)有RNN、LSTM、GRU。本研究采用GRU構(gòu)建水位預(yù)報(bào)模型,其與RNN的不同之處在于,GRU是一種允許網(wǎng)絡(luò)動(dòng)態(tài)的控制時(shí)間尺度和各計(jì)算單元的遺忘行為的門控架構(gòu)循環(huán)神經(jīng)網(wǎng)絡(luò),能有效解決長(zhǎng)序列數(shù)據(jù)預(yù)測(cè)問題中網(wǎng)絡(luò)更新的梯度彌散與梯度爆炸問題。GRU與LSTM相比少了1個(gè)門控,主要由2個(gè)門控組成,其中更新門可以決定新的細(xì)胞狀態(tài)是完全復(fù)制舊的狀態(tài),還是完全由新的信息所替換,或者處在2個(gè)極端之間,而復(fù)位門控制當(dāng)前新信息中哪些部分可以用于計(jì)算下一個(gè)目標(biāo)狀態(tài),2個(gè)門控都能獨(dú)立的忽略部分狀態(tài)信息,這使得GRU具備更少的參數(shù)量,也簡(jiǎn)化了計(jì)算,但在訓(xùn)練樣本不大的情況下,GRU與LSTM能達(dá)到的預(yù)測(cè)效果基本一致,因此GRU更適用于中小河流預(yù)測(cè)小樣本、高時(shí)效的應(yīng)用場(chǎng)景。

GRU復(fù)位門的計(jì)算見式(8)、(9):

rt=σ(Wr[St-1,Xt])

(8)

(9)

更新門的計(jì)算見式(10)、(11):

zt=σ(Wz[St-1,Xt])

(10)

(11)

a)復(fù)位門

2 實(shí)例分析

本研究選取派潭河流域作為研究流域,派潭河位于廣州市增城區(qū)境內(nèi),屬增江一級(jí)支流,東江二級(jí)支流,自北向東南流向,流域面積302 km2,主河長(zhǎng)度31.8 km,共有14條一級(jí)支流。派潭境內(nèi)河網(wǎng)密集、山巒起伏,河谷盆地交錯(cuò),地勢(shì)北高南低,雨量充沛,多年平均降雨量為2 027 mm,且地處暴雨中心,降雨強(qiáng)度大。特殊的氣候條件、地勢(shì)地貌,決定了派潭鎮(zhèn)暴雨具有發(fā)生頻率高、降雨強(qiáng)度大、歷時(shí)短、范圍集中的特點(diǎn),而來自山丘區(qū)的小流域因暴雨形成的山洪具有洪水過程尖峰、暴漲暴落的特點(diǎn)。加之上游小型水庫調(diào)蓄能力有限、監(jiān)測(cè)站點(diǎn)不足等問題,導(dǎo)致流域洪澇災(zāi)害頻發(fā)。2020年6月4—9日,派潭鎮(zhèn)累計(jì)降雨量達(dá)到548.81 mm,最大日降雨量達(dá)204.2 mm,全鎮(zhèn)共有12個(gè)村22個(gè)合作社受到不同程度的水浸,共轉(zhuǎn)移群眾1 160人。2022年6月13日11時(shí)至14日11時(shí),派潭錄得最大1 h雨強(qiáng)92.5 mm,派潭河水位持續(xù)上漲。14日9點(diǎn)30分,派潭站最高水位達(dá)16.77 m,超警戒線3.27 m,全鎮(zhèn)共有23個(gè)村社出現(xiàn)不同程度的水浸,緊急避險(xiǎn)轉(zhuǎn)移超1 500人,頻發(fā)的山洪災(zāi)害嚴(yán)重影響派潭鎮(zhèn)人民的生命財(cái)產(chǎn)安全和社會(huì)經(jīng)濟(jì)發(fā)展。

在增城區(qū)水文水資源在線監(jiān)控管理平臺(tái)數(shù)據(jù)庫的基礎(chǔ)上,利用數(shù)據(jù)收集方法,本研究共收集到派潭流域4個(gè)水位站、7個(gè)雨量站的逐小時(shí)歷史水位、雨量實(shí)測(cè)數(shù)據(jù)。時(shí)間區(qū)間為2021年12月至2022年11月;水位站分別為三丫、高灘、七境、派潭;雨量站分別為派潭、三丫、七境、大嶺山林場(chǎng)、上九陂村、飛碟訓(xùn)練中心、背陰村。所收集到的數(shù)據(jù)質(zhì)量情況較好,水位數(shù)據(jù)存在極個(gè)別的空缺值及異常值,采用3σ法剔除異常之后,通過線性插值法予以填補(bǔ)。

圖2 派潭流域區(qū)位

a)三丫站

圖4 雨水情監(jiān)測(cè)站點(diǎn)分布

三丫與七境分別位于派潭河的支流高埔河與靈山河,通過物理成因分析可知其水位漲幅變化主要受到支流集雨面積上降雨量的影響。為此僅分析高灘、派潭站的水位與其上游降雨序列數(shù)據(jù)間的相關(guān)性,位于高灘站上游的雨量站有大嶺山林場(chǎng)、上九陂村、飛碟訓(xùn)練中心;位于派潭站上游的雨量站有派潭氣象站、七境、大嶺山林場(chǎng)、上九陂村、飛碟訓(xùn)練中心、背陰村。相關(guān)系數(shù)計(jì)算見表1,可見,兩站點(diǎn)水位變幅與其上游各雨量站點(diǎn)雨量都具有較強(qiáng)的相關(guān)性。

表1 相關(guān)系數(shù)計(jì)算結(jié)果

a)派潭流域基于“降雨量-水位漲幅”關(guān)系預(yù)報(bào)模型構(gòu)建。對(duì)收集到的水位、雨量資料進(jìn)行雨洪場(chǎng)次劃分,從水位起漲點(diǎn)開始,滿足水位漲幅閾值,至再次降到水位起漲點(diǎn)為一次洪水過程。以洪峰水位減去起漲水位作為場(chǎng)次洪水的水位漲幅;根據(jù)流域特性,選取以水位起漲時(shí)刻往前推8 h至洪峰水位出現(xiàn)時(shí)刻計(jì)算相關(guān)雨量站累計(jì)降雨量。高灘、派潭水位受多個(gè)相關(guān)雨量站影響,其累計(jì)雨量計(jì)算由相關(guān)雨量站場(chǎng)次洪水累計(jì)雨量依表2權(quán)重相加;所得到的若干場(chǎng)雨洪過程的累計(jì)雨量與水位漲幅量組成了模型構(gòu)建數(shù)據(jù)集。為簡(jiǎn)化計(jì)算,在實(shí)例分析中采用了簡(jiǎn)單線性回歸方法建立水位漲幅與累計(jì)雨量關(guān)系,回歸成果見圖5。以均方根誤差(MSE)作為評(píng)估指標(biāo),選取使誤差最小的參數(shù)作為“降雨量-水位漲幅”關(guān)系模型參數(shù);以高灘、派潭兩站為例,高潭站的MSE為0.15,派潭站的MSE為0.21,線性回歸模型對(duì)歷史“降雨-水位漲幅”數(shù)據(jù)擬合較好,可應(yīng)用于實(shí)際的山洪預(yù)報(bào)預(yù)警工作中。

表2 相關(guān)系數(shù)經(jīng)softmax處理后的權(quán)重取值

a)高灘站

b)基于相似分析的漲幅預(yù)報(bào)。采用窗口平移的方法計(jì)算出當(dāng)前水文場(chǎng)景與各歷史各水文場(chǎng)景間的相似性;以12 h作為場(chǎng)次降雨數(shù)據(jù)的序列長(zhǎng)度,計(jì)算出各相關(guān)雨量站點(diǎn)降雨過程的歐氏距離,同樣依據(jù)表2所示權(quán)重對(duì)各個(gè)雨量站點(diǎn)的歐氏距離進(jìn)行相加,得到綜合的歐氏距離,綜合歐氏距離越小則兩場(chǎng)景越相似,歷史最相似場(chǎng)景的水位漲幅即為模型的預(yù)報(bào)輸出值。選取2022年11月4日6點(diǎn)為水文場(chǎng)景為目標(biāo)樣本(實(shí)際中使用當(dāng)前水文場(chǎng)景),從歷史數(shù)據(jù)中尋找最相似歷史水文場(chǎng)景,經(jīng)過水位漲幅預(yù)報(bào)相似分析模型的計(jì)算,得到了與目標(biāo)樣本預(yù)見期水文場(chǎng)景最相似的歷史場(chǎng)景,將其結(jié)果陳列(表3)。

表3 相似分析模型預(yù)報(bào)案例

c)基于機(jī)器學(xué)習(xí)的漲幅預(yù)報(bào)。通過GRU建立水位漲幅預(yù)報(bào)模型,模型的輸入為降雨序列數(shù)據(jù)。網(wǎng)絡(luò)結(jié)構(gòu)拓?fù)鋱D見圖6,首先通過GRU單元提取降雨時(shí)間序列數(shù)據(jù)特征,派潭、高灘水位漲幅預(yù)報(bào)以多個(gè)站點(diǎn)的雨量數(shù)據(jù)為輸入,可通過設(shè)置多個(gè)并行的GRU單元進(jìn)行降雨特征的提取,其次通過全連接層實(shí)現(xiàn)對(duì)多個(gè)降雨序列信息的深度融合和特征提取,最終輸出水位漲幅。

圖6 網(wǎng)絡(luò)拓?fù)?/p>

為綜合評(píng)定3個(gè)模型的預(yù)報(bào)性能,并考慮模型在汛期與非汛期等不同時(shí)期預(yù)報(bào)精度的響應(yīng)程度,將總數(shù)據(jù)集隨機(jī)打散,按照7∶3的比例劃分為訓(xùn)練樣本集與測(cè)試樣本集,據(jù)此分別建立了派潭流域4個(gè)水位站點(diǎn)的水位漲幅預(yù)報(bào)模型,以RMSE、預(yù)報(bào)誤差百分比為評(píng)估指標(biāo)評(píng)估模型的整體預(yù)報(bào)精度;其中預(yù)報(bào)誤差百分比指預(yù)報(bào)值與實(shí)測(cè)值絕對(duì)誤差小于某一閾值的樣本數(shù)占總樣本數(shù)的百分比,本研究采用了0.10、0.20、0.30 m 三種閾值。表4為派潭水位站的預(yù)報(bào)精度評(píng)估。

表4 派潭水位站預(yù)報(bào)精度評(píng)估

從預(yù)報(bào)精度評(píng)估結(jié)果分析,基于機(jī)器學(xué)習(xí)的水位漲幅預(yù)報(bào)模型的預(yù)報(bào)精度優(yōu)于相似分析模型優(yōu)于“降雨量-水位漲幅”關(guān)系模型。機(jī)器學(xué)習(xí)與相似分析模型預(yù)報(bào)誤差控制在0.1 m以內(nèi)的整體精度分別為68.33%、57.52%,控制在0.3 m以內(nèi)的精度分別為90.56%、80.14%;“降雨量-水位漲幅”關(guān)系模型預(yù)報(bào)精度稍低,預(yù)報(bào)誤差在0.1 m以內(nèi)控制在42%左右,0.3 m以內(nèi)控制在60%左右。

機(jī)器學(xué)習(xí)模型、相似分析模型對(duì)于樣本集大小的敏感程度遠(yuǎn)高于“降雨量-水位漲幅”關(guān)系模型,模型精度隨樣本覆蓋程度的提升提升。本實(shí)例研究選取了流域內(nèi)近一年的雨洪資料,樣本基本覆蓋了汛期與非汛期等不同時(shí)期,因此機(jī)器學(xué)習(xí)模型與相似分析模型的預(yù)報(bào)精度較為理想,而基于線性回歸的“降雨量-水位漲幅”關(guān)系模型模型復(fù)雜度低,樣本數(shù)量飽和后,無法繼續(xù)提升模型的預(yù)報(bào)精度。因此當(dāng)流域?qū)崪y(cè)資料較為豐富時(shí),可使用機(jī)器學(xué)習(xí)模型、相似分析模型提升預(yù)報(bào)精度;當(dāng)流域?qū)崪y(cè)資料匱乏時(shí),“降雨量-水位漲幅”關(guān)系模型也可提供山洪災(zāi)害預(yù)報(bào)提供支撐。

3 結(jié)論

本研究以派潭流域?yàn)榘咐謩e建立了3種河道水位漲幅預(yù)報(bào)模型,經(jīng)評(píng)估指標(biāo)分析,機(jī)器學(xué)習(xí)與相似分析模型具有較高的預(yù)報(bào)精度;相似分析模型從歷史資料中尋找相似場(chǎng)景,預(yù)報(bào)結(jié)果具有較好的認(rèn)知性與可解釋性,而機(jī)器學(xué)習(xí)模型則是黑箱模型;“降雨量-水位漲幅”關(guān)系模型則是建立起簡(jiǎn)單的累計(jì)降雨量與水位漲幅的回歸關(guān)系,整體預(yù)報(bào)精度中等。相似分析模型與機(jī)器學(xué)習(xí)模型需要依托計(jì)算機(jī)設(shè)備進(jìn)行輔助計(jì)算,而“降雨量-水位漲幅”關(guān)系模型可將模型結(jié)果繪制成圖,對(duì)于基層人員的使用具有更強(qiáng)的可操作性。從預(yù)報(bào)便利性及預(yù)報(bào)精度上綜合考慮,當(dāng)中小流域具備計(jì)算機(jī)、APP等輔助設(shè)備支撐時(shí),可采用機(jī)器學(xué)習(xí)與相似分析等多種模型進(jìn)行山洪預(yù)報(bào),提升預(yù)報(bào)精度;當(dāng)缺乏計(jì)算機(jī)等基礎(chǔ)設(shè)備的支撐時(shí),“降雨量-水位漲幅”關(guān)系模型可為中小流域山洪預(yù)報(bào)預(yù)警提供便捷的計(jì)算方式。