试析贝叶斯概率水文预报系统在中长期径流预报中应用.docVIP

试析贝叶斯概率水文预报系统在中长期径流预报中应用 　　[摘 要]研究贝叶斯概率水文预报系统在中长期径流预报中的应用。对贝叶斯概率水文预报模型进行了研究，讨论了输入不确定度概率分布密度函数和水文不确定度分布函数，经实际验证证明其实现了对中长期径流预报不确定度的定量研究。 　　[关键词]贝叶斯概率中长期径流预报 　　中图分类号：O212.8 文献标识码：A 文章编号：1009-914X（2015）05-0381-02 　　水文过程同时受到气象因素和地理因素的影响，是一个复杂的动态演进过程，水文模型中需要考虑水文、气象等输入，采用概化的模型参数，导致水文预报中存在着很大的不确定性吗。水文学家对水文预报的不确定性很早就有了认识，并且致力于采用各种方法控制这种不确定性，贝叶斯概率方程在水文预报中的应用就是十分典型的例子。将实时气象因子和历史水文数据序列结合，对各种有利信息充分利用，从而提高了入库径流预报的精确度，使用因子灰关联预报模型进行流域中长期降水预报，通过概率分布形式对水文预报的不确定度进行定量分析，获得了较好的预报精确度。 　　一、贝叶斯概率水文预报 　　水文预报模型主要用于水文物理过程的模拟，获得的输出结果是水文时间序列估计值。结合决策合理性原则，贝叶斯认为，采用概率分布形式对水文预报不确定度进行定量描述能够让决策者格局概率分布更直观的进行决策。贝叶斯概率水文方程给任何水文预报、决策者提供了一个研究水文预报模型方法性的框架，通过对待预报变量的预测分布进行相关变量各种事件概率的估计。 　　贝叶斯概率水文预报采用贝叶斯推断和预测理论进行预报不确定度的表述。将水文预报影响因素对预报影响的权重，把总不确定度分解为两个部分，为输入不确定度和水文不确定度，分别采取方法进行处理，最后总结成为水文预报的总不确定度。 　　在贝叶斯概率模型中引入三个变量P、X、Y，表示随机输入、水文变量、水文变量预测值。按照全概率公式，待预水文变量X贝叶斯概率预报密度可用式1-1表示。 　　贝叶斯概率方程有输入不确定处理，即预测概率分布密度函数、水文不确定度处理函数、总不确定度积分三部分。本质上，贝叶斯概率方程模型是通过预报预测值求均修正待预报变量。 　　二、不确定度概率分布密度函数 　　中长期径流预报中，降水量是预测期内最重要的不确定度来源。在汛期，流域内的土壤蓄水量较大，降水和径流之间存在着直接的关系。但是在国内关于贝叶斯概率预报模型的计算中，流域降水预测分析中都将降雨量视作确定值进行处理，增加了预报的不确定度，我们认为，采用因子灰关联耵不确定度概率密度函数，效果更好。 　　（一）流域降水因子灰关联预报模型 　　使用因子灰关联预报模型描述众多气象因子之间的关系，通过分析预报对象和预报因子相关以及回归分析，获得和流域降雨量关联度最高的若干因子，据此获得多因子降水预报。 　　1.关联度公式 　　2.降水径流线性相关模型 　　（1）回归分析 　　汛期流域降水和径流之间关系在回归分析之后可用线性函数表示： 　　按照最小二乘法则获得系数。 　　（2）回归方程误差检验 　　检验回归方程为线性是否合适可使用X依P均方误Sx检验： 　　Sx/X越小，证明两者之间的线性关系越显著。 　　（3）确定降水不确定度 　　对流域降水历史资料和实时资料充分利用，采用贝叶斯概率分析方法计算不确定度。预测之前，月降雨量就已经存在不确定性，使用先验分布继续拧描述，通过正态分布拟合，按照因子灰关联预报模型获得历史实测降水和同期降水预报，使用线性方程对其之间的经验关系进行模拟，并采用回归计算获得相关参数，最终能够获得降水后验概率分布密度函数： 　　由于先验分布和似然函数均为正态分布，所以g（p/ω）也属于正态分布。实际应用中，通过降水量实际预测值就能够制作降水量概率分布模型。 　　4.输入不确定度确定 　　降水径流相关预报模型Y=a1P+b1，据此可获得预测径流概率分布的密度函数，该函数仍然复合正态分布，特征参数如下： 　　按照降水概率分布就能够获得输入不确定概率分布密度函数。 　　三、水文不确定度概率分布函数 　　水文不确定度主要来自于模型自身结构、参数优化误差、模型输入观察、估计误差等方面。给定降水精确的情况下，模型结构和参数选定造成的径流预测值和实际值之间的误差也会产生不确定性。由于时段入库径流之间的关系，可采用一阶马尔科夫特性描述径流序列，并使用一节自回归模型拟合。 　　首先计算先验概率分布，如下为其特征参数： 　　使用线性径流预报模型进行径流序列模拟，通过线性关系模拟，描述径流序列和同期模拟径流序列的关系，对其进行回归分析，确定样本似然函数，并通过贝叶斯定力预测预测值y条件下的径流后验概率分布： 　　先验分布和似然函数均