Estado de la investigación sobre predicción hidrológica a medio y largo plazo
El pronóstico hidrológico es crucial para el despacho de embalses, el control de inundaciones, la generación de energía, el riego y otras tareas, y es una base importante para que los departamentos y administradores relevantes tomen decisiones. Por lo tanto, es particularmente importante realizar pronósticos hidrológicos precisos. Para mejorar la precisión y confiabilidad de los pronósticos hidrológicos, especialmente los pronósticos hidrológicos a mediano y largo plazo, se han propuesto muchos métodos para los pronósticos hidrológicos a mediano y largo plazo desde diferentes niveles. instrucciones y combinadas con el conocimiento correspondiente de la materia. Estos métodos se pueden dividir a grandes rasgos en dos categorías: métodos tradicionales y métodos nuevos. Los primeros incluyen principalmente análisis de causas y métodos de estadística hidrológica, mientras que los segundos incluyen principalmente métodos como redes neuronales artificiales, análisis de sistemas grises y modelos matemáticos difusos. Los detalles son los siguientes: 1.1 Análisis de causas
① Predicción de las condiciones hidrológicas posteriores a partir de la situación de circulación atmosférica temprana
La precipitación atmosférica es la principal fuente de agua de escorrentía de los ríos y la precipitación está estrechamente relacionada a la circulación atmosférica. La aparición de sequías e inundaciones en una cuenca o región está ligada a la circulación atmosférica. Por tanto, analizar y estudiar la relación entre la circulación atmosférica y los elementos hidrológicos siempre ha sido un tema de profunda discusión por parte de los hidrometeorólogos. La circulación atmosférica tiene características globales, por lo que se utiliza principalmente como base el mapa de situación promedio mensual de 500 hPa del hemisferio norte, que puede reflejar el índice de circulación principal y las cantidades características de circulación. Con base en los datos históricos de las condiciones hidrológicas y la circulación, resumir el patrón de las características de la circulación en el período inicial de sequía e inundación, y utilizar las características de la circulación temprana como una predicción cualitativa de las condiciones hidrológicas en el período posterior o encontrar áreas con significativas; relación con el objeto de pronóstico en el mapa de situación promedio mensual y el período de tiempo, seleccione factores con significados físicos claros y contribuciones estadísticas significativas, use regresión por pasos u otros métodos de análisis multivariado para establecer ecuaciones con los objetos de pronóstico y haga pronósticos cuantitativos en consecuencia.
② Pronóstico basado en las características anteriores de distribución de la temperatura del mar.
La distribución anormal de la temperatura del mar tiene las características de amplio rango, gran espesor y larga duración. A menudo es un precursor de. Circulación atmosférica anormal. Puede proporcionar información para pronósticos hidrológicos a largo plazo. Después de resumir el patrón de distribución de la temperatura del mar antes de las sequías e inundaciones basándose en datos históricos, podemos hacer predicciones cualitativas de las condiciones hidrológicas posteriores basadas en las características tempranas de la distribución de la temperatura del mar o considerar la continuidad en el tiempo y el espacio, seleccionar una serie de áreas marinas clave; y períodos críticos La temperatura del mar en el lugar se utiliza como factor de pronóstico y se establece una ecuación de regresión con el objeto de pronóstico para realizar un pronóstico cuantitativo.
③ Utilice cierta información sobre la actividad solar para realizar pronósticos.
Utilice principalmente el número relativo de manchas solares para reflejar la intensidad de la actividad solar y analice las manchas solares en función de la fase o el número de manchas solares en el Ciclo de 11 años La relación correspondiente entre los cambios en el número y los cambios en el volumen de agua del río se puede utilizar para predecir cuantitativamente posibles sequías e inundaciones que pueden ocurrir en el período posterior. Por ejemplo, Liu Qingren se centró en la actividad de las manchas solares, con el objetivo de realizar predicciones hidrológicas a largo y ultra largo plazo, y utilizó métodos de análisis estadístico matemático para analizar las características del impacto de las manchas solares y los eventos de El Niño en la hidrología del río Songhua. Cuenca y las reglas básicas para la ocurrencia de inundaciones y sequías. Revela el patrón de cambios de precipitaciones entre períodos altos y secos según el ciclo magnético.
1.2 Método estadístico hidrológico
El método estadístico hidrológico consiste en realizar predicciones de probabilidad mediante el análisis estadístico de datos hidrológicos. Se puede dividir en dos categorías principales: una es analizar la ley estadística de cambios en los elementos hidrológicos a lo largo del tiempo y luego usar esta ley para hacer pronósticos, como el método de evolución histórica, el método de análisis de series de tiempo, etc.; utilizar el método de análisis de regresión múltiple, establecer un plan de pronóstico y realizar pronósticos. Actualmente, los métodos de predicción estadística hidrológica ampliamente utilizados incluyen principalmente análisis de regresión múltiple y series temporales.
① Análisis de regresión múltiple
El análisis de regresión es uno de los métodos más antiguos y más utilizados en la predicción de caudales a medio y largo plazo. Su historia de aplicación en la escorrentía se remonta a. lluvias y escorrentías tempranas El método del gráfico de correlación se ha vuelto rápidamente popular con el desarrollo de la tecnología informática desde la década de 1960. El análisis de regresión sigue siendo un medio importante en el trabajo real de previsión del tráfico. Los métodos comúnmente utilizados incluyen regresión por pasos, análisis de conglomerados, análisis de componentes principales, etc.
La principal ventaja del análisis de regresión es que es sencillo y fácil de implementar. Los principales problemas son cómo seleccionar razonablemente el número de factores para resolver el conflicto entre el efecto de ajuste y el efecto de predicción, dado que el valor de predicción es el promedio de los datos de cada factor, es difícil predecir fenómenos hidrológicos con valores máximos o mínimos;
Para superar estos problemas, además de seleccionar el caudal temprano en la estación de pronóstico, el caudal temprano en la estación aguas arriba, la precipitación en la cuenca hidrográfica, la humedad del suelo, la capa de nieve, la temperatura, etc., son los factores de pronóstico más utilizados. , también se utilizan algunos factores que influyen en el proceso de flujo y que controlan los patrones de cambio a largo plazo, incluidas cantidades geofísicas como la radiación solar, el número de manchas solares, los campos sísmicos y las cantidades físicas del océano, como la temperatura de la superficie del océano. y el índice ENSO; y cantidades físicas atmosféricas como los campos de altura de presión del aire y los índices de circulación atmosférica. Porque muchos de los factores anteriores ayudarán a mejorar la precisión del pronóstico a largo plazo. Hay muchos resultados de investigación en esta área, por ejemplo, algunos estudios han demostrado que los campos sísmicos, los campos geotérmicos y el flujo anual están altamente correlacionados. Muchos resultados de investigaciones han demostrado que los eventos ENOS están relacionados con cambios en el flujo de los ríos, y esta relación puede ser. Se utiliza para la previsión de flujo a largo plazo.
② Análisis de series temporales
El análisis de series temporales es la aplicación de registros de observación de elementos hidrológicos para encontrar sus propias reglas de evolución para la predicción. Hay muchos modelos de series de tiempo que se utilizan en la predicción de procesos de flujo. Según la cantidad de series de tiempo incluidas en el modelo, se pueden dividir en dos categorías: modelos de una sola variable y modelos de múltiples variables.
El modelo univariante más utilizado es el modelo de media móvil autorregresiva (ARMA) y sus derivados. El modelo autorregresivo (AR) es un tipo especial de modelo ARMA y se usa ampliamente en la simulación y pronóstico de escorrentía anual y mensual. Por ejemplo, Lu Huayou utiliza el modelo autorregresivo de tercer orden AR(3) para pronosticar la escorrentía anual del Danjiangkou. Depósito. Sin embargo, el modelo ARMA se basa en el supuesto de que la serie de tiempo es estacionaria y los flujos con escalas de tiempo menores que el año (como los flujos mensuales y de diez días) generalmente tienen una fuerte estacionalidad y no son secuencias estacionarias. Generalmente es inapropiado utilizar el modelo ARMA directamente. Hay tres modelos principales para simular y pronosticar esta secuencia estacional: primero, usando el modelo ARIMA estacional (SARIMA para abreviar (2) usando el modelo ARMA estacional, es decir, primero eliminando la media estacional y la varianza en la secuencia de flujo original); Luego, ajuste el modelo ARMA a la serie estacional (3) Modelo ARMA periódico (modelo PARMA para abreviar), incluido el modelo PAP; Estos tres modelos se utilizan comúnmente en la predicción de flujos a mediano y largo plazo. En los últimos años, ha llamado la atención la investigación sobre las características de la memoria larga de los procesos de flujo de los ríos. El proceso estocástico con características de memoria larga se puede describir mejor mediante el modelo de promedio móvil autorregresivo de diferencia fraccionaria (ARFIMA). Por ejemplo, Montanari et al. utilizaron el modelo ARFIMA para simular y pronosticar el proceso de flujo mensual del río Nilo en Asuán; et al. utilizaron el modelo PARMA en combinación con el modelo ARFIMA, y propusieron utilizar el modelo periódico de memoria larga (PARFIMA, Periodic ARFIMA) para ajustar el proceso de flujo mensual. Wang Wen utilizó una variedad de modelos de series de tiempo, incluido el modelo ARFIMA; para calcular el flujo promedio diario de la estación Tangnaihai en el tramo superior del río Amarillo en los próximos 10 días.
Si se considera la influencia de factores de entrada externos, se puede construir un modelo de serie temporal multivariable. Los más utilizados son el modelo de media móvil autorregresiva (ARMAX) o el modelo de función de transferencia de ruido (TFN). variables externas. Por ejemplo, Awadallahl et al. utilizaron las temperaturas del mar en diferentes áreas marinas como variables de entrada externas para establecer un modelo TFN para pronosticar la escorrentía estival del río Nilo. Dado que se tienen en cuenta factores de influencia externos y se utiliza más información de pronóstico, la precisión del pronóstico del modelo TFN es generalmente mayor que la del modelo ARIMA univariado. Por ejemplo, Thompstone et al. establecieron un modelo ARMA estacional, un modelo autorregresivo periódico (PAR), un modelo TFN que considera los aportes de precipitación y derretimiento de la nieve, y un modelo conceptual para realizar pruebas de pronóstico sobre el proceso de flujo en enero/abril. demostró que la precisión del modelo TFN es mejor que la de otros modelos. Si el proceso de flujo se ve significativamente perturbado por algunos factores externos y muestra fluctuaciones anormales, se puede utilizar el modelo de interferencia para simular esta interferencia, que puede considerarse como un tipo especial de modelo TFN. Basándose en el modelo AR(1), Kuo et al. consideraron la influencia de los factores de los tifones y establecieron un modelo de interferencia para simular esta interferencia. Puede considerarse como un tipo especial de modelo TFN. Kuo et al., basándose en el modelo AR (1) y considerando la influencia de los factores de los tifones, establecieron un modelo de interferencia para pronosticar y modelar el flujo promedio de 10 días del río Tamsui en Taiwán.
Los modelos de pronóstico de series temporales de procesos de tráfico también se pueden dividir en modelos lineales y modelos no lineales según si el modelo tiene una estructura lineal. ARMA, TFA y otros modelos mencionados anteriormente pueden considerarse modelos lineales. En los últimos años, la investigación sobre modelos no lineales de sistemas hidrológicos ha atraído cada vez más atención y, en consecuencia, también ha aumentado el número de ejemplos de aplicación de modelos no lineales. El modelo autorregresivo de umbral (TAR) es un modelo de series de tiempo no lineal comúnmente utilizado en la predicción de procesos de flujo a mediano y largo plazo. Los modelos PARMA y PAR de uso común mencionados anteriormente pueden considerarse en realidad como un tipo especial de modelo TAR. Utilizan las estaciones como umbrales para establecer modelos lineales para diferentes estaciones. Si se considera la influencia de factores externos, TAR se puede extender a un modelo de regresión de umbral, que puede describirse como una estructura de árbol y algunos investigadores también lo denominan modelo de árbol. Este método se ha aplicado a la lluvia en tiempo real y. Ejemplos de pronóstico de escorrentía. También será de gran valor de aplicación en el pronóstico a largo plazo. 2.1 Red neuronal artificial
La red neuronal artificial (RNA) es un modelo biónico inteligente construido basándose en la teoría de la conexión. Es un sistema dinámico no lineal compuesto por una gran cantidad de neuronas y tiene procesamiento distribuido paralelo, autoautomático. organización y autoadaptación, autoaprendizaje y tolerancia a fallos y otras características. Desde la década de 1990, la aplicación de redes neuronales artificiales en el pronóstico hidrológico ha aumentado gradualmente. Es un método de pronóstico no lineal que ha atraído la mayor atención en los últimos 20 años y se ha utilizado ampliamente en el pronóstico hidrológico en tiempo real a mediano y largo plazo. . El tipo de ANN más comúnmente utilizado para el pronóstico de escorrentía es la red neuronal de perceptrón multicapa (MLP) (también conocida como red BP) que utiliza el algoritmo de retropropagación de errores (BP), que se usa ampliamente en pronósticos de escorrentía o flujo promedio anual y mensual. Birikundavyi et al. utilizaron la red MLP para realizar pronósticos de tráfico durante los siguientes 1 a 7 días; Zealand et al. utilizaron la red MLP para realizar pronósticos de tráfico durante los siguientes 1 a 4 períodos; Modelo de red MLP para realizar investigaciones mensuales de previsión de tráfico. Muchos investigadores también utilizan la red neuronal de función de vector radial (RBF) para pronosticar el flujo promedio mensual. Además, para adaptarse mejor a las características no lineales del proceso de flujo, se pueden utilizar redes neuronales modulares para la previsión de flujo a medio y largo plazo.
Lo más importante al utilizar el modelo ANN para realizar pronósticos es determinar qué datos se utilizarán como entrada, qué tipo de red neuronal utilizar y la estructura de cuadrícula correspondiente. Con respecto a cómo determinar las variables de entrada de ANN, hay dos cuestiones que deben considerarse: primero, cuando la longitud de los datos de entrenamiento es corta y no puede cubrir todo el rango posible de la secuencia, es decir, cuando no puede cubrir la información de incertidumbre en Predicción hidrológica, cómo mejorar la probabilidad de la ANN de Capacidad para predecir situaciones extremas. Para resolver este problema, cuando Cigizoglu utilizó el modelo MLP para pronosticar el flujo promedio mensual, primero usó el modelo AR para generar una secuencia de simulación para aumentar la cantidad de datos de entrenamiento y mejorar la precisión del pronóstico. El segundo es cómo resolver los datos de entrada meteorológicos del modelo ANN al realizar pronósticos de varios pasos. La opción ideal es utilizar datos de pronóstico meteorológico, pero algunos investigadores también utilizan datos meteorológicos históricos como entrada al modelo ANN para pronósticos de múltiples pasos.
2.2 Teoría del sistema gris
En 1982, Deng Julong fundó la teoría del sistema gris y creía que el sistema de recursos hídricos puede tratarse como un sistema gris. El modelo matemático más comúnmente utilizado para describir modelos de sistemas grises es GM (1, 1), G significa Gray (gris), M significa Modelo (modelo) y GM (1, 1) se refiere a una ecuación diferencial ordinaria lineal de 1 orden y 1 variable. Tiene muchos ejemplos de aplicaciones en previsión de escorrentías y predicción de desastres. Xia Jun propuso utilizar el método de reconocimiento de patrones de correlación de grises para la predicción de escorrentía a mediano y largo plazo. Desde entonces, algunos investigadores han aplicado este tipo de modelo a la predicción de escorrentías anuales y mensuales.
Debido a las características del modelo, la teoría del sistema gris es más adecuada para problemas con tendencias de crecimiento exponencial. Para otras tendencias cambiantes, a veces el nivel de gris adecuado es mayor, lo que dificulta mejorar la precisión. Además, el sistema teórico del sistema gris aún no es perfecto y se encuentra en etapa de desarrollo. Su aplicación en la predicción hidrológica a mediano y largo plazo es experimental y exploratoria.
2.3 Teoría de las matemáticas difusas
Existen dos tipos de métodos de predicción que utilizan matemáticas difusas en el campo de la hidrología. Uno es el método de predicción de reconocimiento de patrones difusos y el otro es la lógica difusa. método.
La idea básica del método de predicción de reconocimiento de patrones difusos es: basándose en la agrupación difusa de patrones de muestra históricos, calcular el valor de característica de categoría del estado que se va a medir y luego calcular el valor de característica de categoría de el estado que se va a medir y luego use la regresión entre el valor de pronóstico y el valor de la característica de categoría para la ecuación para el pronóstico. Este método combina orgánicamente análisis de causas hidrológicas, análisis estadístico y análisis de conjuntos difusos, proporcionando una nueva forma de mejorar la precisión de las características de pronóstico a mediano y largo plazo.
El método de lógica difusa puede describir la relación causal entre variables que no está muy clara. De acuerdo con la relación de lógica difusa entre variables, se puede establecer un modelo de lógica difusa (o sistema experto difuso) para el pronóstico de flujo. Por ejemplo, Zhu, Mahabir, etc. utilizan modelos de lógica difusa para el pronóstico de flujo a largo plazo.