论文部分内容阅读
近年来,受极端气候和人类活动影响,山丘区局地强降雨频发,山洪灾害问题尤为严重,已成为我国自然灾害中造成人员伤亡的主要灾种,严重制约了广大山丘区城市社会经济发展和乡村振兴战略实施,山洪灾害防御亦是我国防灾减灾工作的短板和难点问题。洪水预报是一项非常重要的防灾减灾非工程措施,提高山洪灾害预报预警能力是我国山洪灾害防御的迫切需求,也是全球关注的热点和科研难题。本文针对山区流域洪水预报难度大、精度低的问题,引入机器学习技术作为洪水预报方法,以江西省安和流域为研究实例,围绕机器学习技术与洪水预报领域交叉应用研究中面临的关键问题和技术难题,从适用于山丘区中小河流的机器学习洪水预报模型构建、机器学习洪水预报模型结构和参数确定以及机器学习洪水预报模型的可解释性三方面展开探索性研究,以期提高山丘区流域洪水预报能力,为我国山洪灾害防御工作提供新的技术支撑。本文的主要研究内容及取得的成果如下:（1）概念性流域水文模型是目前最为主要的洪水预报工具,也是在洪水预报领域最具影响力且真正付诸实用的水文模型。以新安江（XAJ）概念性水文模型作为比较的基准模型,构建基于新安江水文模型的山区流域洪水预报模型。首先,简要介绍新安江概念性水文模型的基本原理、模型结构和参数;然后,详细阐述XAJ模型的参数优选过程和优化目标函数设置;最后分析讨论XAJ模型在所选山区流域的洪水预报效果。研究流域应用结果表明,新安江概念性水文模型在江西省安和流域的洪水模拟、预报精度尚可,率定期、测试期场次洪水峰值模拟、预报合格率分别为0.757、0.70,平均纳什效率系数（NSE）分别为0.779、0.71。（2）针对山洪预报预警难度大,传统流域水文模型存在建模复杂、水文实测资料要求高、预报精度有待提高的问题,本文引入机器学习技术及其前后数据处理方法,利用长短时记忆（LSTM）网络作为洪水预报建模工具,提出基于机器学习的适用于山丘区中小河流的洪水预报方法。首先,简要介绍LSTM的基本原理和内部计算机制,并分析模型内部元素隐含的水文学含义;接着,详细介绍LSTM洪水预报模型的结构,从模型输入与输出关系、隐藏层的层数和隐藏层神经元节点数剖析LSTM洪水预报模型的结构特点;然后,阐述分析LSTM洪水预报模型的参数及影响参数确定的主要因素,阐明超参数、损失函数、优化算法和激活函数等因素对模型参数确定的影响机制;最后,以机器学习模型训练过程为中心,重点分析LSTM洪水预报模型的结构、参数和影响参数确定的外部因素间的层次关系。（3）以安和流域作为研究实例,建立基于长短时记忆（LSTM）模型的山区流域洪水预报模型,提出系统性确定LSTM洪水预报模型结构与参数的方法,并验证分析模型在山丘区中小河流洪水预报中的实用性。首先,结合流域平均汇流时间确定模型输出流量长度,构建以长序列测站降雨为输入的LSTM多步输出洪水预报模型;接着,设计模型结构性因素与影响模型参数确定的外部因素间的多种组合方案,挖掘分析LSTM洪水预报模型的特点和性能;然后,提取分析LSTM洪水预报模型的场次洪水模拟、预报流量过程,并与传统新安江（XAJ）概念性流域水文模型进行对比,评估LSTM洪水预报模型对降雨流量关系的拟合能力;最后,比较分析LSTM与XAJ模型在实时洪水预报当中的应用效果,验证分析LSTM洪水预报模型的实用性。研究结果表明,LSTM洪水预报模型具有较强的拟合和外推能力,安和流域内场次洪水的峰值模拟、预报合格率均能达到0.80以上,模拟、预报场次洪水过程的NSE均值分别为0.871、0.821;在实时洪水预报中,LSTM洪水预报模型的输出流量序列与XAJ模型输出流量过程较为吻合,能够有效辅助于山丘区中小河流洪水预报预警工作;LSTM洪水预报模型在我国东北地区另一山区流域的模拟、预报结果也较好。（4）针对机器学习洪水预报模型普遍缺乏可解释性的难题,本文将LSTM洪水预报模型与XAJ概念性水文模型进行类比分析研究,从模型内部构造特点、模型长短时记忆机制、输入输出时间序列数据处理、模型内部状态时序变化特征及其与XAJ模型参数、中间变量的隐含关系等角度挖掘分析LSTM模型的内部学习机制,赋予LSTM洪水预报模型以水文学解释,实现LSTM洪水预报模型定性与定量化分析解释。研究结果表明,LSTM模型能够发挥其长期记忆优势,将长序列降雨输入信息转换成模型内部控制门和细胞单元状态变量沿时序向前传播,模型内部状态变量与输入降雨、输出流量目标值间具有强正相关或负相关关系;LSTM洪水预报模型的控制门和细胞单元状态本质上记住了输入降雨与输出流量目标值序列的时序变化特征,以此建立了流域内降雨与出口流量的内在转换关系;LSTM洪水预报模型的内部状态变量与XAJ模型的参数、中间计算变量也显著相关,尤其LSTM的细胞单元状态与XAJ的自由水蓄水量更具有物理与统计分析层面的相似性。