智慧洪水概率预报平台

钱名开 ，王 凯 ，梁忠民 ，徐时进 ，王 军 ，胡义明

（1. 淮河水利委员会水文局（信息中心），安徽 蚌埠 233001；2. 河海大学，江苏 南京 210098）

0 引言

洪水预报是重要的防洪减灾非工程措施，但长期以来，洪水预报提供的都是一种确定性的定值预报。由于水文过程的复杂性和人类认识水平的局限性，实时洪水的预报中不可避免地存在输入、模型结构和参数的不确定性，导致洪水预报结果也具有不确定性。概率预报是定量分析洪水预报不确定性的有效途径，近年来已逐渐成为水文科学的研究热点；同时，通过概率预报发现不确定性来源，降低和控制不确定性，突破预报精度瓶颈，也是洪水预报理论发展的一种全新途径。但整体而言，洪水概率预报理论还在发展中，在实时洪水作业预报中尚缺乏智能化的概率预报模型和智慧化决策支撑平台，无法满足防洪调度决策对实时洪水预报的新需求[1–7]。为提高洪水预报可靠度、丰富洪水预报信息，采用理论和实践结合的方式，研制了洪水概率预报智能模型，构建了智慧洪水概率预报平台，并在淮河防汛实践中进行了典型应用。

1 洪水概率预报智能模型

洪水预报模型是智慧洪水概率平台的核心内容，包括新安江、淮河经验方案、时日尺度分布式SWAT 水文、实时校正等传统模型，还包括基于误差异分布的洪水概率预报、洪水预报不确定性逐阶段降低控制、概率预报-防洪能力耦合的实时洪水风险评估等智能模型。

1.1 洪水概率预报模型

不同量级洪水或洪水过程的不同阶段，预报误差的非平稳性及异分布特征，可用不同的分布函数描述，如图 1 所示。本研究采用统计方法描述预报误差分布规律，推导描述洪水量级与误差分布规律统计关系的统一方程，创建基于误差异分布的洪水概率预报新技术，实现分量级洪水预报误差的智能校正及概率预报。

1.2 洪水预报不确定性逐阶段降低控制模型

以降低总误差为总控目标，构建“模型输入-参数优化-终端误差修正”一体化的误差降低控制模型，实现预报误差的逐阶段降低控制，提高实时洪水预报精度。具体包括以下 3 个阶段：

1）模型输入阶段。推导面雨量不确定性估计通用方程，量化并降低降雨输入的不确定性。

图 1 洪水预报误差异分布特征示意图

2）模型运用阶段。为满足实时洪水预报精度和时效性双重要求，采用拟态物理学全局优化算法，实时动态调整模型参数，降低模型的不确定性。

3）模型输出阶段。采用无损卡尔曼滤波算法对终端误差进行修正，以避免传统卡尔曼滤波只适用于线性假设的约束，以及扩展卡尔曼滤波一阶线性泰勒展开的局限性。

经各阶段误差修正后，再重新运行概率预报模型，量化整体误差，降低控制预报不确定性，模型如图 2 所示，中间最上面图中粉红色部分表示预报总误差，经过模型输入阶段的降雨、模型运用阶段的参数智能、模型输出阶段的智能终端等校正，误差（粉红色）逐步减小。

图 2 洪水预报不确定性逐阶段降低控制模型

1.3 实时洪水风险动态评估模型

采用概率预报成果描述洪水的不确定性，截尾正态分布描述防洪能力不确定性，基于多维联合分布理论，构建耦合洪水预报不确定性和防洪能力不确定性的洪水风险实时计算模型，实现任意防洪点任一时刻洪水风险的实时滚动计算[8]。

2 洪水概率预报智慧平台

开发高效实用的洪水概率预报应用系统是实现由传统确定性作业预报向概率预报过渡的基础[9]。本研究研发标准化的概率预报模型方法库，包括不确定性要素识别、概率预报、不确定性降低控制、实时洪水风险分析等模块，基于标准化的链接技术，构建多功能、多终端组件式洪水概率预报智慧平台（FEWS-HuaiheProb）。FEWS-HuaiheProb 具有数据智能管理、模型智能集成、智能预报和智慧决策等功能，具体功能如图 3 所示。以淮河 2007 年7 月流域性大水为例的概率洪水预报界面如图 4 所示，图中不同颜色的曲线代表淮河干流王家坝站不同置信水平下（5%，10%，15%，…，95%）的流量过程线。

2.1 数据智能管理

2.1.1 数据自动导入和多源数据智能存储

图 3 智慧型洪水概率预报平台主要模块功能（FEWS-HuaiheProb）

洪水预报时大多会用到多源数据，不同的数据源具有不同格式，包含不同的信息元素，因此，在同一系统中如何高效导入和有效存储不同数据源也是一种不小的挑战[8]。FEWS-HuaiheProb 提供了标准化的数据格式智能分析和自动导入模块，可实现多种水文观测及气象数据源的智能导入。数据智能导入采用通用化、标准化的交换格式，如 XML，GRIB（用于气象数值模式）及 ASCII 码格式，可以实现任意外部数据与内部数据的智能转化。

所有导入的数据都存储在平台的数据库中，包括模型配置数据，如地理位置信息（包括坐标、预报站点、水系等地图属性），也包括不同尺度的时间序列数据。数据还可以通过系统内部处理模块或者模型运行生成。

图 4 智慧型洪水概率预报结果展示（2007 年 7 月淮河王家坝站）

2.1.2 数据智能校正及转换

数据质量控制是 FEWS-HuaiheProb 的核心功能之一。平台通过数据智能验证、自动插值及转换对数据进行连续处理，以保证输入数据的高质量，其中，序列插值（差距填充）可保证数据系列的完整性。数据分层结构可用来作为一个备用的替代数据源，这样即使数据不完整或不一致也能保证预测过程的连续性。验证和内插通常是自动的，但也可以配置用户的干预。数据转换可转化为不同的空间和时间尺度的数据，包括通过空间分散的点或空间数据（如雷达和数值天气预报模式数据）求得加权面雨量。数据智能转换实用程序还包括时空聚集和解集，简单公式的评估，水位-流量关系和蒸发计算方法等典型水文功能。

2. 2 模型智能集成

FEWS-HuaiheProb 的最大特点是能够将现有的服务与不同对象的众多模型有效集成到同一平台。所有外部模型的智能集成可以通过一个开放的基于XML 的标准化发布接口——模型适配器完成。模型适配器包括以下步骤：

1）FEWS-HuaiheProb 数据（PI-XML 格式）转换为模型本体输入数据，包括时间序列、参数、状态变量、站点信息等数据的转换。

2）模型通过工作流 Workflow 配置自动独立运行。

3）模型本体输出数据格式自动转换为 FEWSHuaiheProb 能够识别的 PI-XML 格式。将数据转换为 PI-XML 格式（第 1 步之前）及将 PI-XML 格式转换为 FEWS-HuaiheProb 格式（第 3 步之后），由FEWS-HuaiheProb 系统自带的通用适配器完成。通用适配器和模型适配器密不可分，通用适配器调用模型适配器以完成整个工作流的自动化配置。模型适配器可以用 JAVA，C#，VB 等语言开发，现今已有很多共享的模型适配器可供用户选择，但对于新模型或者特定的外部模型，模型开发者可根据实际需求定制开发模型适配器。

2. 3 智能洪水预报功能

包括确定性预报、不确定性分析、洪水概率预报和洪水风险分析等智能洪水预报功能。基于多源气象水文大数据，耦合洪水确定性预报、不确定性分析、洪水概率预报等模型，实现分量级、时段洪水预报误差的智能校正。预报结果既能提供传统确定性预报，又能提供更加丰富、科学的概率预报信息。洪水概率预报智慧平台利用最新的新媒体技术，开发了多终端水情信息发布系统，实现了创新型多终端智能预报服务模式。具体内容如下：

1）确定性洪水预报及模型效果评价。依据淮河流域自身特点，选取国内外代表性水文预报模型进行模型适用性分析研究，确定适用于研究区域的洪水预报模型；针对淮河干流沿淮行蓄洪区调度运用的复杂性，构建水力学模型进行河道洪水演算；形成集流域水文模型和水力学模型于一体的自上而下连续演算的确定性预报模型体系。包括基于新安江模型和淮河经验方案的实时洪水预报功能，以及基于水文水动力学耦合的洪水预报功能。洪水概率预报智慧平台建立了模型方案库和结果库，通过对不同暴雨组合、量级和地区组合洪水条件下的预报模型及方案的使用效果进行实时评估分析，实现各种模型的自动分类和智能选择。

2）不确定性智能分析校正。平台集成了不确定性智能分析校正模块，该模块以降低实时洪水预报总误差为总控目标，采用“整体-部分”交替修正思路，实现预报误差的全过程逐阶段智能降低与控制，有效提高实时洪水预报精度，包括面降雨校正、模型参数优化和洪水终端校正等功能。

3）洪水概率预报。包括以下 2 类概率预报模式：a. 基于不确定性要素耦合的洪水概率预报模式，主要是贝叶斯综合不确定性估计模型等方法；b. 基于预报误差异分布的洪水概率预报模式，包括水文不确定性处理器、贝叶斯模型平均法、模型条件处理器等。预报结果既能提供倾向值预报，相当于传统确定性预报，又能提供不同置信水平下（95%，90%，…）的预报信息，丰富了洪水预报信息，提高了洪水预报的科学性。

4）洪水风险动态分析。耦合概率预报模块，综合考虑洪水预报和防洪能力的不确定性，创建基于多维联合分布理论的洪水风险评估模型，可以算出任何一场洪水任意时刻超警戒或者超保证水位的可能性有多大，实现洪水风险的实时滚动计算。

5）多终端预报服务系统。开发了水情交换系统、服务器、官方微博、微信平台、防汛 PDA、部门传真、手机短信、个人终端等多终端的水情信息主动发布系统，实现与用户的主动推送和实时互动相结合的创新型多终端智能预报服务模式。

3 洪水概率预报智慧平台应用

淮河流域地处南北气候过渡带，支流众多，降雨洪水时空组成复杂；流域内水库、闸坝、行蓄洪区等工程众多，密度高，调度运用频繁，且工程运用方案组合选项多，给洪水预报带来更大的不确定性。因此，对不同量级的洪水或洪水涨落过程的不同阶段，预报误差规律不同，非稳态、异分布特征显著。现行的误差校正方法仅针对终端误差校正，实际应用中遇到精度瓶颈。因此，以淮河流域作为典型应用，更具有代表性。

选取淮河流域 1952 年以来的 30 场历史洪水，通过采用概率预报及不确定性降低控制技术，洪水预报误差平均降低了约 6.2%，预报精度达 90%。概率预报与数值天气预报耦合后，相同等级预报精度下洪水预见期延长 3 d 以上[10]。

以 2017 年 7 月 淮河 1 号洪水为例，图 5 显示了 20170709 号洪水在不同时刻预报超警戒流量的风险计算结果，具体数值如表 1 所示。图 5 中虚线是确定性模型的预报结果，实线是实测洪水过程，从图 5 和表 1 可以看出：如果按照确定性模型预报结果，在洪峰附近预报值接近但未超过警戒值，但实际洪水在洪峰附近超过警戒值，从预报的角度讲，低估了洪水。在确定性预报基础上进行概率预报，发现在洪峰附近的几个时刻，超过警戒流量值的概率都高达 90% 以上，属大概率事件，且概率预报峰值时，水位为 27.60 m，实测为 27.54 m，更接近实际情况。因此，在实际防洪作业预报时，考虑到这种较大的超警戒水位的可能性，及时发布了超警预报，在 2017 年淮河 1 号洪水的防洪预报调度中发挥了重要作用。

图 5 淮河干流王家坝 20170709 号洪水超警戒流量风险计算结果

表 1 20170709 号洪水超警戒流量风险计算结果

4 结语

针对当前实时洪水预报缺乏智能化预报模型和智慧化决策支撑平台等问题，利用最新的水文模拟和信息技术，研制了洪水概率预报智能模型，包括基于误差异分布的实时洪水概率预报新模型，以及洪水预报不确定性逐阶段降低智能和概率预报-防洪风险率耦合计算等模型，构建了智慧洪水概率预报平台，在我国防汛实践中首次实现了实时洪水概率预报，提高了洪水预报精度，丰富了洪水预报信息，提升了防汛决策智慧化水平。

洪水概率预报受气候变化和人类活动影响较大，后期需要进一步加强气象水文及预报调度等的耦合研究，以进一步提高洪水预报精度，延长预见期。