基于气象因子的黄河三门峡径流长期预报方法研究

2012-12-08杨松林河南省农田水利水土保持技术推广站

河南水利与南水北调 2012年5期

□杨松林（河南省农田水利水土保持技术推广站）

□张海涛（河南利水工程咨询有限公司）

中长期水文预报的方法很多，传统的方法主要有成因分析和水文统计方法。水文统计方法包括历史演变法、时间序列分析法、多元线性回归、逐步回归等；现代的方法主要包括模糊数学、人工神经网络、小波分析、混沌理论以及这些方法的相互耦合，如模糊神经网络、小波神经网络等。目前，在预报模型的研究中，人们多注重水文系列的统计相关特性，而对物理成因关系关注相对较少，缺乏系统有效的预测方法。基于此，本文从天文因素、大气环流和下垫面状况等方面选取物理影响因子，以黄河三门峡站年径流量为预报对象，构建了基于气象因子的径流长期预报模型，预报结果证明了模型的适用性和可行性。

1.资料来源及数据准备

本文采用的物理影响因子数据资料包括北太平洋海表温度和81项环流特征量，数据资料均来自国家气候中心。其中北太平洋海表温度取 10°S～50°N，120°E～80°W范围内（5°×5°，286个格点）的月平均值系列；环流特征量采用国家气候中心的81项环流特征量月系列数据。资料年限均为1951—1997年。水文资料采用黄河中游三门峡站实测径流量系列数据，资料年限为1952—1998年。

2.模型的构建

2.1 模型建立步骤

多元线性回归预报模型的建立步骤为：

2.1.1 将预报对象与预报因子作相关分析,用临界相关系数做指标,可以初步得到所需的预报因子；

2.1.2 然后把这些因子与预报对象进行多元线性回归分析，将所得的因子进一步筛选；

2.1.3 利用选取的预报因子与预报对象建立预报模型并进行预报。

其思路归结如下：相关分析→多元线性回归分析→逐步回归分析→建立预报模型→模型检验。

2.2 模型建立方法

2.2.1 相关分折

将北太平洋海温和环流特征量作为预报因子，将三门峡站的径流量作为预报对象，对二者进行相关分析，筛选预测因子。通过相关分析发现，前一年北太平洋海表温度和环流特征量的变化对次年三门峡站的径流量影响明显，因此将预测因子与预报对象作前后相隔一年的相关分析，通过MATLAB求出二者的相关系数，挑选海温和环流特征量中相关系数比较大的因子，可以初步得到多元线性回归所需的因子。

2.2.2 逐步回归分折

逐步回归分析是对回归变量进行筛选的一种有效方法，每次引入一个变量都要对所有变量进行显著性检验，可剔除多指标体系中一些不重要指标或具有共线性指标。用逐步回归方法，对预报因子作进一步筛选,从而从大量的预报因子中挑选出对预报对象贡献大的预报因子,并建立预报方程。其形式为：

其中x1,x2，…，xn为挑选出的对预报对象影响大的预报因子值；a1，a2，…an,为各项因子的系数,即预报因子对预报对象贡献的大小。这样就可以得到预报方程，可以利用预报方程对预报对象进行预报。

3.应用实例

黄河中游地区暴雨频繁、强度大、历时短,形成的洪水具有洪峰高、历时短、含沙量大、陡涨陡落的特点,是黄河下游的主要成灾洪水。本文以黄河中游三门峡站年径流量预报模型构建为例，说明基于物理成因概念的径流长期预报模型建立过程。

3.1 影响因子筛选

本文在建立预报模型时以三门峡站的年径流量预报为例。将北太平洋海温和环流特征量的年系列资料（1951—1991年）作为预报因子，三门峡站相应的年径流量系列资料作为预报对象，二者做相关分析计算。剔除与预报对象相关性小的因子，挑选相关系数较大的预报因子,可以初步得到三门峡站年径流量的预报因子，见表1。

表1 三门峡站预报因子及相关系数表

3.2 模型构建

将表1中的12个预报因子分别记为x1,x2，…，xn三门峡站年径流量记为Y。利用1952～1991年共40年资料建立模型，预留1992～1998年共7年资料做模型检验。进行逐步回归分析，逐步剔除对预报对象贡献小的因子，最终建立预报模型为：

根据建立的预报模型，计算并绘出了1952～1991年三门峡站年径流量的变化趋势线，见图1。图1表示了三门峡站1952～1991年年径流量预测值与实际值的比较情况。

根据《水文情报预报规范》中对中长期预报的精度评定规定“对于定量预报，水位（流量）按多年变幅的10%、其他要素按多年变幅的20%、要素极值的出现时间按多年变幅的30%作为许可误差”。由此，三门峡站年径流量的预报允许误差为94.57×108m3，40年中有7年的预测值超过了允许误差，年径流量预报模型对历史样本的拟合合格率为（33/40）×100%=75%。