智慧流域水文预报技术研究进展与开发前景
2023-08-26王俊程海云郭生练张俊崔震
王俊 程海云 郭生练 张俊 崔震
摘要：
当前处于传统水利快速迈向智慧水利的高质量发展新阶段，开展智慧流域水文模拟和洪水预报系统研发，是建设数字孪生流域的重要组成部分，是强化“四预”措施和推进智慧水利建设的必然要求。综述了流域水文模拟预报研究进展，剖析中国洪水预报业务现状和不足，从数据底板、规律机理、预报模型、方法技术和业务平台等方面对水文预报技术进行了探讨展望。研究结果表明，智慧流域水文预报的关键技术与发展前景为：① 多源异构数据汇集，夯实流域数据底板；② 加强河库系统水汽循环研究，揭示成因机理；③ 聚焦强人类活动影响特征，升级专业模型；④ 深化预报新技术研究，探索基于智能预报调度一体化业务体系；⑤ 打造通用化业务化平台，支撑多要素全周期“四预”功能。研究成果可为提高流域洪水预报水平，强化“四预”措施，建成数字孪生流域提供理论基础和技术支撑。
关 键 词：
智慧流域； 数字孪生； 水文预报； 智能模拟； 概率预报
中图法分类号： TV124
文献标志码： A
DOI：10.16232/j.cnki.1001-4179.2023.08.001
0 引 言
国家“十四五”规划纲要明确提出“构建智慧水利体系，以流域为单元提升水情测报和智能调度能力”。水利部高度重视智慧水利建设，将其作为推动新阶段水利高质量发展的六条实施路径之一［1］。2021年12月，水利部召开推进数字孪生流域建设工作会议，要求大力推进数字孪生流域建设。2022年3月，水利部印发《数字孪生流域建设技术大纲（试行）》［2］，指出数字孪生流域是智慧水利的核心与关键，其建设总体目标之一是建成大江大河大湖及主要支流、重点流域和重点区域的数字孪生流域，实现与物理流域同步仿真运行、虚实交互、迭代优化，支撑“四预”（预报、预警、预演、预案）功能实现和“2+N”（流域防洪、水资源管理与调配+N项业务应用）智能应用运行，加快构建智慧水利体系，提升水利决策与管理的科学化、精准化、高效化能力和水平，为新阶段水利高质量发展提供有力支撑和强力驱动。可见，在新时期新形势下，开展智慧流域水文模拟和洪水预报系统研发，是建设数字孪生流域的重要组成部分，是强化“四预”措施和推进智慧水利建设的必然要求。
中国幅员辽阔，气候复杂，自然地理多样，水旱灾害频繁，严重影响着流域经济社会发展［3］。为了防治水旱灾害，各流域内建设了大规模的水利工程群。这些水工程群的联合调度运用事关流域防洪、能源、航运、供水、生态安全，对流域综合管理和经济社会发展意义重大。然而，水工程群的建成使得流域内水文循环、暴雨洪水产汇流特性受影响的程度有了新的变化，增加了洪水预报的难度和不确定性。本文在综述流域水文模拟和洪水预报业务的研究进展基础上，从数据底板、规律机理、预报模型、方法技术和业务平台等方面，探讨流域水文预报技术研发的前景，为提高流域洪水预报精度，强化“四预”措施，建成数字孪生流域提供理论基础和技术支撑［4］。
1 流域水文模拟预报研究进展
1.1 流域水文模型
纵观国内外洪水预报模型和技术的发展历程，大体可分为产汇流机理研究、概念性水文模型、系统（黑箱）模型、分布式水文模型等发展阶段。20世纪30～50年代，洪水预报的发展处于萌芽和起步阶段，国内外学者的研究多聚焦在水文循环各环节的演化机理方面，代表性成果有谢尔曼经验单位线、霍顿下渗曲线、马斯京根法、彭曼蒸发公式、Nash瞬时单位线等；20世纪60～80年代，开展了大量的野外山坡水文机理实验，揭示了非饱和侧向流、壤中流和饱和地表径流多种产流机制的存在［5］。这些研究结果促进了水文模型的发展。20世纪60年代末，世界上第一个水文模型（Stanford-IV）模型在美国诞生，这标志着水文学家开始结合系统理论的思想，将流域水文循环各要素视为一个有机的整体进行研究，具有里程碑意义；20世纪60～90年代，由于系统理论应用的逐步深入以及计算机技术的快速发展，流域水文模型的研发和应用进入蓬勃发展期，代表性模型有美国Sacramento和API模型、中国新安江模型［6］、日本TANK模型、瑞典HBV模型、丹麦NAM模型、英国TOPMODEL模型、法国GR4J模型、爱尔兰LPM模型、意大利CLS模型等。
概念性模型和系统（黑箱）模型一般都是集总式的，为了表征流域在输入、下垫面条件及模型参数的时空差异性，英国水文学家Freeze和Harlan［7］提出了分布式水文模型的構造框架。20世纪90年代以后，由于地面站点建设不断推进，尤其是3S技术的不断革新与推广和数值高程模型的建立，分布式水文模型快速发展［8］，代表性成果包括欧洲SHE模型、意大利TOPKAPI模型、美国SWAT和VIC模型、中国GBHM模型［9］等。分布式水文模型耦合了流域物理特征、边界条件以及水文过程的时空变化，可帮助人们深入认识流域水文过程机理［10］，在无资料地区水文预报和水资源量评估等方面已开展了广泛应用，但因为下垫面信息支撑不足等原因，其在洪水预报领域还处于试验应用阶段［11］。
经过90余年的发展，流域水文模型已臻成熟，近20 a来，水文模拟技术的发展聚焦在与其他学科或技术的交叉融合上，如深化定量降水预测预报技术、利用遥感技术提取下垫面信息、改进搜索技术率定模型参数等。实况输入、降雨预报、模型、参数是制约洪水预报精度和预见期的关键所在。
1.2 人工智能预报
近年来，人工智能和数据挖掘技术被引入至水文预报领域，机器学习是实现人工智能的基本途径［12］，因其无需考虑水量平衡原理等物理机制、仅从数据中寻求输入输出间的关系，因此可以更好地拟合非线性的径流序列。其中人工神经网络（ANN）是最具代表性的机器学习算法之一，根据网络架构是否有回馈项可划分为静态神经网络和动态神经网络，前者的网络架构没有回馈项，对资料结构的长期映射关系具有较好的解析效果，而后者具有回馈项，对资料结构的短期映射关系具有较好的解析效果。在水文预报领域应用较广的静态类神经网络包括反向传播神经网络、径向基神经网络、自组织映射网络、时滞神经网络、适应性网络模糊推论系统等；应用较广的动态类神经网络包括Elman回馈式神经网络、即时回馈式神经网络、非线性自回归外因输入模式等［13］。除ANN外，支持向量机（SVM）、决策树（DT）、多层感知机（MLP）和随机森林（RF）等许多机器学习算法同样具有处理非线性和不确定性的强大能力，在水文模拟预报和水库调度领域得到广泛的应用。张珂等［13］对比分析了DT、MLP、RF和SVM四种模型在陕西省3个半干旱半湿润区典型流域洪水预报的适用性，发现4种模型在半湿润区典型流域预报精度较高，适用性较优，在半干旱流域精度偏低。同时，随着预见期增加，SVM整体表现稳定，RF和DT预报精度下降缓慢，MLP稳定性较差。胡义明等［14］首先采用置换准确度重要性度量法筛选关键预报因子，其次采用随机搜索技术结合交叉验证方式确定模型参数和网络结构，最后分析了AdaBoost模型（AdB）、RF和SVM的中长期径流预报精度，结果发现AdB模型适用于淮河流域的中长期径流预报，预报性能优于RF和SVM模型。
尽管众多机器学习模型算法广泛应用于时间序列预测问题，但仍存在泛化性能弱、预见期较短等问题，为解决该难题，出现了较多基于ANN的深度学习方法，如循环神经网络、卷积神经网络等。长短期记忆神经网络（LSTM）则通过在神经网络的隐藏层中引入存储单元，来选择记忆当前信息或遗忘过去记忆信息（如降雨-径流映射关系），增强了神经网络的长期记忆能力［15-18］。Hu等［19］将LSTM模型应用于汾河流域洪水事件模拟研究中，发现LSTM模型的模拟性能优于ANN模型，为洪水预报提出了新的数据驱动方法。徐源浩等［20］探讨了LSTM模型在汾河流域洪水预报中的应用，并研究了超参数对预报精度的影响。结果表明，LSTM模型在6 h以上预见期预报效果相对较差，预报精度随神经元数量和训练次数的增加呈上升趋势，当达到一定值时，预报精度趋于稳定。Xu等［21］采用粒子群优化算法优选LSTM模型的超参数，建立PSO-LSTM深度学习模型，并在汾河和漯河流域进行实验，结果表明，PSO-LSTM模型学习数据特征的能力优于ANN和LSTM等模型，提高了短期洪水预报的准确性。李步等［22］采用主成分分析法提取气象要素的空间特征，并与LSTM神经网络相结合，构建了PCA-LSTM深度学习模型，以研究黄河源区气象要素空间特征对预报精度的影响，结果表明所提模型具有较高的预报精度。张海荣等［23］采用偏互信息法筛选关键遥相关因子，将其作为LSTM神经网络输入，在宜昌站进行月径流预报，结果表明筛选因子使得LSTM神经网络更具有物理意义，可有效提高预报精度。
随着人工智能技术快速发展，采用编码-解码（ED）结构的LSTM深度学习模型，得到了多时段和高精度的洪水过程预报［24-29］。Kao等［24］、Han等［25］、林康聆等［27］在石门水库流域、美国Russian河流域、建溪流域分别构建了LSTM-ED模型，结果表明LSTM-ED模型预报性能优于LSTM模型，但当预见期大于流域最大汇流时间时，模型预报性能逐渐变差。Cui等［26］提出一种耦合XAJ模型预报流量的外源输入编码-解码结构，并耦合至LSTM神经网络（LSTM-EDE），在陆水和建溪流域进行3～12 h预见期的洪水预报。结果表明，所提模型可以克服递归编码-解码结构的训练过程与验证过程不一致的问题，提高了洪水过程预报精度。Girihagama等［28］在加拿大10个流域构建了基于注意力机制和编码-解码结构的LSTM模型用于1～5 d预见期的径流预报，并与标准的LSTM-ED模型进行对比，结果表明所提模型具有更优的预报性能。崔震等［29］将ED结构耦合至LSTM神经网络，构建了LSTM-ED深度学习模型，并采用贝叶斯预报处理器量化预报不确定性，用于三峡水库1～7 d预见期的入库洪水预报，结果表明LSTM-ED模型的纳什效率系数在0.92以上，同时考虑预报降雨信息可提高概率预报性能。
综上可知，深度学习算法的持续发展促使了其在预报业务中的需求逐渐增长，特征可视化或反映降雨径流响应规律的可解释性深度学习、能够量化预报不确定性的概率深度学习、用于缺资料流域的区域深度学习和多任务集成深度学习等研究均得到水文学者的广泛关注，将是人工智能预报极具潜力的方向。然而，智能洪水预报仍处于研究探索阶段，在国内尚未投入生产业务，制约了洪水预报客观化的程度，亟待开展智能洪水预报的业务示范应用。
1.3 洪水概率预报
传统的水文预报是依据实测雨量进行预报，预见期较短，并仅给用户提供一个确定的预报值，难以满足实际工作的需要。随着数值天气预报技术的发展，数值降水预报为延长预见期、提高洪水预报精度提供了可能。然而，数值降水预报存在误差，降水作为水文模型最重要的输入，它直接影響预报精度。此外，水文预报的不确定性还主要源于模型结构、模型参数的误差。随着对于预报理论认识的逐渐深入，人们发现基于特定水文模型和参数获得的水文预报结果不可避免存在着预报误差，可通过概率预报方法，即使用概率分布函数定量描述预报结果的不确定性，从而让决策者更好地评估风险，因此概率预报已经成为当前水文预报领域的研究热点之一［30］。
纵观国内外学者相关研究，目前洪水概率预报主要分为两类途径［31］：一类是集合概率分析途径，另一类是总误差分析途径。集合概率预报是当前刻画降水预报和模型结构不确定性的重要手段，然而集合预报结果对于不确定性的描述常常是不准确的，必须通过统计后处理方法予以校正［32］。目前广泛使用的统计后处理方法有两大类，一类是集合模型输出统计法（Ensemble Model Output Statistics，EMOS）［33］，另一类是贝叶斯模型平均法（Bayesian Model Averaging，BMA） ［34］。集合概率预报能甄别预报的不确定性来源，但计算量较大，且对输入要求较高，在满足实时作业预报的要求方面较困难。
总误差分析途径则是基于确定性预报结果/预报误差与预报量的关系进行不确定性分析的概率预报方法，该法的输入是确定性预报过程，重点是预报量的后验密度函数推求，其缺点是对历史样本依赖性强，但计算快捷，使用方便。Krzysztofowicz［35］提出的贝叶斯概率预报系统（BFS）是该途径最具代表性的成果，是公认的通过确定性水文模型进行概率预报解决水文预报不确定性的理论框架。针对BFS需进行线性-正态假设的不足，刘章君等［36］利用Copula函数推导了流量先验分布及似然函数的解析表达式，构建了Copula-BFS模型，不仅简化了计算难度，还可提高概率预报精度。近年来一些学者聚焦通过分析不同预见期、流量级下预报误差的分布规律来量化预报的不确定性［37］。
总体而言，概率预报计算的模型和方法已较为成熟，但在与调度风险、调度决策耦合方面的研究和应用还比较缺乏，在当前国内以基于确定性理念的预报调度业务为主的背景下，概率预报仍未被生产决策部门接纳，未真正实现落地推广。
2 中国洪水预报业务进展
2.1 洪水预报系统
洪水预报系统是水文预报领域具有代表性的先进技术，作为实时作业预报的业务工具，洪水预报系统通过水雨情监视预警、防洪形势分析以及预报调度计算等，可为预报调度提供重要技术支撑，并极大地提高预报员的工作效率［38-39］。洪水预报系统在国内外研究开发已有30～40 a的历史，主要经历了4个发展阶段：第一阶段是联机预报作业阶段，其主要特点是集水情信息采集、传输、处理和洪水预报计算为一体，以便快速完成洪水预报作业，如英国河川径流预报系统、美国NOAA洪水预报系统（NWSRFS）；第二阶段是实时预报校正阶段，在洪水预报系统中引入现代控制理论，实现实时信息和预报结果的实时校正，如长江中下游洪水预报调度系统［40］；第三阶段是交互式洪水预报阶段，利用图形交互处理技术对洪水预报中间环节进行人工干预，充分利用专家、预报员的知识和经验，以有效地提高洪水预报水平，如国家防汛抗旱指挥系统一期工程——中国洪水预报系统［41］、长江水利委员会推出的通用型水文预报平台［42］；目前，随着计算机技术和网络技术的进步，Web服务模式下洪水预报系统的开发成为可能，洪水预报系统真正从模型开发走向应用服务，在业务功能处理上逐步实现了预报调度一体化、会商决策信息化和科学化支撑等功能，基于Web服务模式下构建预报调度一体化系统，正向洪水预报系统发展的第四阶段迈进，如国家防汛抗旱指挥系统二期工程——长江防洪预报调度系统［43］。
当前，从事洪水预报业务的各级水情部门和发电企业均开发了各自的洪水預报系统，水平总体处在系统发展的第三或者第四阶段，但大多数系统的定制化程度高，且自动化、国产化、标准化程度不高，导致移植性较差，业务推广不足。
2.2 洪水预报业务应用现状及不足
新中国成立以来，中国水文情报预报工作从无到有、由点到面迅速发展。传统的洪水预报方法是从工程水文学计算方法直接移植的，相关图、谢尔曼单位线、马斯京根法等是先期预报方法的主流，随着计算机技术、信息处理技术、作业预报技术手段不断创新发展，水情自动测报系统、水文模拟技术、洪水预报模型和方法、洪水预报系统建设取得了长足进步［44］。但随着经济社会的快速发展，一方面，人类活动深刻影响着流域水文循环，预报的不确定性影响因素更加复杂，应推进量化预报不确定性和调度风险的业务实践，以及时做出相应的优化决策和防范措施。另一方面，跨区域、大规模水利工程群的多目标联合调度运用是流域综合管理的重要手段［45］，相应地，高精度的中、长预见期径流预报成为指导水资源管理的重要参考。同时，传统水利正快速迈向智慧水利阶段，数字孪生流域建设亟需提升支撑能力、创新服务手段。这些都需要以水文预测预报为前提保障，因而对水文预报的发展提出了新的需求：① 提高预报精度、延长预见期；② 客观量化预报不确定性，更好支撑风险调度决策；③ 提高智慧化水平，解放生产力。面对新时期新形势下的新需求，就流域洪水预报现状而言，在算据获取、洪水预报模型适应性、新技术落地推广及业务系统通用化等方面仍面临较大挑战，是亟待解决的短板［46］。
2.2.1 算据获取能力不足
丰富的数据底板是准确、客观描述流域水文循环的基础。当前，流域站网密度较优的区域多集中在发达地区或平原区，西部偏远山区、河源、中小河流等区域仍显稀少，且站点维护不足，而高时空分辨率的降雨分布、下垫面信息、河道地形、大范围土壤墒情、高精度倾斜摄影数据短缺，以及空天地一体化监测的卫星遥感、雷达监测反演数据利用度不高，一定程度上制约了多时空尺度的水文模拟水平提升。上述均是流域数据底板构建的短板，使得流域“算据”获取能力不足。
2.2.2 预报模型的适应性面临挑战
气候变化导致陆气互馈影响更复杂，局地暴雨特性改变，气象水文预报耦合不紧密，降水预报难度加大，难以满足洪水预报对定量化、定点化、定时化的精准要求；掣肘于站网密度不足和预报模型未深入应用等原因，未控区间产汇流计算并不精准；现有预报方案中产汇流模型的率定检验多满足于平均状况下的目标函数最优，对参数的异参同效等不够重视；面临全生命周期的水文预报，即由主要为汛期洪水预报向全年的水文水资源预报转变，需要考虑模型结构和参数对季节性变化规律的响应调整；人类活动影响下的下垫面变化导致流域产汇流特性和机理改变，原有洪水预报模型的适应性面临挑战，既要考虑水库调度对洪水预报互馈影响下的预报调度一体化，又要建立水文水力学相结合的河道（库区）汇流方法，以满足变化条件下大流域、长河系、多阻断的流域水工程联合调度和流域综合管理的现实需要。
2.2.3 新技术有待业务化落地和推广
面临精准预报、智能调度、风险决策等新需求，分布式模拟、智能模拟、集合预报、概率预报等新技术已成为行业发展的前沿方向，相关研究业已如火如荼地开展，但目前还多处于研究探索阶段，尚未构建成熟的技术方法体系，科研与应用存在脱节，与生产部门的实际需求和基础结合不够，未针对性开展业务化设计和典型示范，导致仍未实现落地推广。例如，多模型业务预报仍然是点缀，成功应用于业务预报的模型单一，开展集合预报困难；分布式模型因未能体现出相比集总式模型的模拟预报精度优势，尚未在业务应用展开；机器学习还是以神经网络等为初级表现；特别要指出的是，引入风险概念的洪水概率预报，尚未与调度决策耦合，仍未被生产决策部门接纳应用。
2.2.4 业务系统的通用化和产品化程度有待提升
纵观科研和生产实践现状，关于水文建模和实时作业预报，国内已研发了种类齐全、数目繁多的业务系统，但这些系统多基于特定模型或小流域构建，定制化程度高，研发与生产应用脱节，普遍存在“四预”功能覆盖不全，业务流程设计不完善，国产化、客观化、自动化、智能化程度不高，标准化、通用化、产品化不够等问题，导致共享性、移植性差，推广程度低、应用场景有限［47］。
3 流域水文预报关键技术与研发前景
3.1 多源异构数据汇集，夯实流域数据底板
3.1.1 构建基于空天地一体化的流域立体监测体系
数据源的多寡、质量高低是制约洪水预报精度的主要因素之一。为夯实流域数据底板，需纳入多维度信息监测装备，构建基于空天地一体化的流域立体监测体系，在无资料和少资料地区加密建设站点，并提升维护能力，利用卫星、多普勒雷达等遥感手段反演面雨量，采用高分卫星遥感影像解译、激光雷达、无人机航拍及高精度倾斜摄影获取河道地形与大断面、地形地貌和土地利用等资料。
3.1.2 加强多主体信息汇集及共享平台建设
不同主体的监测数据各有侧重，汇集更全面、更多维的数据信息，有利于深入挖掘数据隐含的知识规则，提高数据使用效力。因此，流域水文预报需要加强与气象、国土、环保、发电企业等不同行业、部门的信息共享，通过构建流域层面多主体联合的信息共享平台和数据存储中心，实现多源异构数据的共享和存储。
3.1.3 开展多源数据融合和同化技术研究
数据融合和同化是一个多源信息集成的过程。通过数据同化算法不断融合时空上离散分布的不同来源和不同分辨率的直接或间接监测信息，以动态改善模型拟合轨迹、提高计算精度，是多源数据信息对水文预报模型预测精度的重要贡献。因此，需持续开展多源数据融合和同化技术研究，使流域数据底板初始场数据更有效、更智慧。
3.2 加强河库系统水汽循环研究，揭示成因机理
3.2.1 变化环境下流域暴雨特性演变成因分析
大规模水库群的建设运行，导致流域陆面植被等下垫面条件发生显著变化，引起蒸散发、土壤含水量等特性指标发生变异，而水库群超大库面的形成和年内、年际变化，又进一步影响了陆气能量交换和局地水汽循环规律，导致流域内局部区域的暴雨过程、落区和强度发生改变，亟待研究水库库区暴雨特性变化及陆气互馈影响机理。
3.2.2 河库系统影响下洪水传播机理研究
天然河道在不同类型水工程的作用下，被迫演变成长河系、多阻断格局，连续的洪水过程因多个串并联相接的河库系统单元呈现破碎化特征，而水库蓄泄变化、蓄滞洪区分/滞洪过程的双向互馈作用，导致洪水波动特性改变，演进规律呈现传播时间缩短、坦化特性改变等新特征，迫切需要开展水工程阻断断面上、下游洪水波形态及关键区域分流变化特征和演变机理研究，以重构河库系统影响下洪水传播特性变异的新认识，探明多阻断条件下河道洪水传播机理。
3.3 聚焦强人类活动影响特征，升级专业模型
3.3.1 未控區间流域预报模型
水工程建成以后，水工程之间、水工程与防洪保护点之间，形成了数目可观的未控区间流域，上游区间的预报关乎水工程入流，进而影响其调度运用，而下游区间的预报则直接影响对下游防洪点的补偿调度是否有效，因此，未控区间流域的预报一直是“河库系统”洪水预报的难点痛点之一。一方面，未控区间的河流多属中小河流，实时监测站网和降雨预报分区的细化程度不足，区间来水的真值难以估计，导致预报模型一般采用参数临近移植法构建，亟待深入开展率定检验和参数修正研究；另一方面，在部分未控区间流域，尤其像长江中下游干流区间覆盖着数目众多的排涝泵站、涵闸、洲滩民垸和中小水库，其在防洪紧张期的集中启用，对预报的累积影响甚大，如2016年、2020年，长江中游连续出现“中洪高水位”现象。加强实时信息获取力度、动态检验参数、细化降雨预报分区，是提高未控区间流域预报精度的主要途径。
3.3.2 多阻断条件下的河道洪水演进模型
水工程的建成运用改变了坝上、坝下洪水波形态，原有河道汇流模型的适用性面临挑战，需针对性开展库区及坝下河道洪水演进模型研究。对于河道型水库库区而言，入库点因库水位和入库来水不同而不同，平水区、过渡区、河道区的范围动态变化，入库流量的计算需分类适配，而由于动库容影响的存在，调洪计算宜采用水力学模型为主、静库容调洪模型为辅的多模型并行求解方法；对于坝下临近河段，水库出库的激增或急减，使得河道洪水波呈现断波特征，基于新样本空间重构动态相关图、分类马斯京根等水文学模型，并探索基于黎曼间断解的水力学求解方法，是提升下游河道洪水演进预报精度的努力方向，对解决下游防洪保护点（如长江中游沙市、城陵矶）的精准补偿调度具有重要价值；对于平原河网区，研究构建集水库、蓄滞洪区、洲滩民垸、涵闸泵站、水文站、河湖于一体的一、二维水动力学联解模型，量化各类水工程对洪水的调蓄和滞排作用，可进一步提升洪水精准模拟预报能力。
3.3.3 多元驱动的中长期径流预测模型
随着流域内水工程群的建成运用，对中长期预测的需求由定性转向定量，而中长期尺度的天气系统变化机理尚不明晰，且径流分布受水工程累积的影响越来越显著，因此中长期来水量预测成为当前水文预报领域的又一重点、难点。建立稳定可靠的长系列资料库，开展中长期径流预测关键影响因子和水库蓄泄因子分析，利用人工智能、机器学习、集合预报等新方法，耦合机理模型、数据挖掘、知识规则等多种模型实现中长期趋势分析和径流预测，进而形成一套多元驱动的流域中长期径流预测技术，可望进一步提高中长期径流预报精度。
3.4 深化预报新技术研究，探索基于智能预报调度的一体化业务体系
3.4.1 基于相似雨洪和参数适配的智能预报体系
在实时作业预报中，雨洪规律和参数适应性的认知对预报结果产生重要影响。为了提高预报的客观化水平，实现智能化模拟预报，开展基于相似雨洪和参数智适配预报是两条有效的解决途径。一方面，提出暴雨洪水特征表征的指标体系和规范化计量方法，准确刻画暴雨洪水特征指标，引入机器学习和图像识别等算法，实现暴雨洪水关系挖掘综合分析，即可辨识相似雨洪，由预见期降雨智能预报出相似洪水过程；另一方面，考虑不同特点的水文过程应有不同适应参数，构建动态成长的分类模型参数库，利用人工智能新技术创新流域水文模型参数的智适配方法，根据降雨预报智能匹配水文模型参数，计算出精准的洪水过程。
3.4.2 基于调度规则智能模拟的精准化决策体系
水工程调度当前已成为制约预报精度和预见期的主要影响因素之一，亟须研究调度规则的智能化模拟技术，实现水工程调度的客观化、智能化，以有效延长预见期。基于实时调度规则库、历史洪水调度案例库，采用知识图谱技术，将预报调度相关的原理规律、规则、经验、策略、方法等信息结构化，并结合神经网络、支持向量机、深度学习等智能技術，构建形成可累积式发展的实时洪水调度知识库。根据水文气象预报成果和流域防洪形势分析，基于知识图谱推理方法，智能推荐调度方案集，并进行专家交互，形式可支撑调度的精准化决策。
3.4.3 基于概率的实时预报调度风险决策体系
初始状态误差、输入误差、模型结构和参数误差使得洪水预报难免存在不确定性，确定性预报能提供的风险信息有限，为客观描述预报的不确定性，从而为优化决策、精细调度提供更好支撑，需从以下几个方面开展预报不确定性量化及风险决策的关键技术攻关：从总误差途径和集合途径，研究可靠的概率预报模型；探索耦合概率预报的调度风险量化方法及风险决策技术；完成概率预报和风险决策的业务化设计，构建基于风险的实时预报调度决策业务体系。
3.5 打造通用化业务化平台，支撑多要素全周期“四预”功能
为克服业界水文模型结构不统一，建模流程不规范、客观化程度不高等问题，亟待制定标准化的模型封装、集成技术，形成模型服务开发标准体系，构建通用、共享的洪水预报模型库；融合流域自动圈化、资料校核处理、传播时间分析、参数智能率定、方案评价、预报体系敏捷搭建等功能，研发通用化、向导式的水文预报建模平台，为“四预”提供良好的基础支撑。
顺应数字孪生流域需求，基于短中长期相结合、水文气象耦合、预报调度互馈的技术思路，构建数值模式、水文模型、水力学模型、数理统计模型、智能模型、概率预报模型等多元模型驱动和“分布式模拟-水工程调度-河道演进”多层嵌套的流域水文模拟预报引擎，可实现大江大河洪水预报、山洪和中小河流预报、旱情预测、水资源预测、突发水事件水文应急预报等多要素预报预警。研发集全周期预测预报、多要素监视预警、水工程综合调度预演、全链条预案生成与管理为一体的“四预”数字孪生平台。智慧流域水文预报关键技术见图1。
4 结 语
中国已进入智慧水利、数字孪生流域建设的水利高质量发展新阶段，流域面临人类活动和气候变化双重影响的变化环境。本文通过综述国内外洪水预报研究和应用的进展，分析了目前流域水文预报业务发展的需求和面临的挑战，并对智慧流域水文预报技术研究进行了探讨和展望，得到主要认识和建议如下：
（1） 制约流域产汇流及洪水预报模型研究和预报精度的关键是现有可用的资料十分有限，雨量和流量观测站点稀少，仅依靠流域出口控制断面流量系列来率定和检验模型，预报精度有待提高。特别是中西部欠发达地区和未控区间流域的产汇流计算，由于站网密度不足或无资料，直接导致水文模拟预报精度不高。因此，智慧流域建设首先应加强空天地一体化监测工作，收集整编流域气象、水文、地理地貌、土地利用、植被覆盖、水利交通等基础数据，并建立标准统一的国家基础数据库。
（2） 新时期新形势对流域水文预报的发展提出了新的需求：① 提高预报精度延长预见期；② 客观量化预报不确定性，更好支撑风险调度决策；③ 提高智慧化水平，解放生产力。面对新需求，流域洪水预报在算据获取、预报模型适应性、新技术落地推广和业务系统通用化等方面仍面临较大挑战。
（3） 开展智慧流域产汇流及洪水预报模型研发，首先要聚焦数字孪生流域建设的“算据”支撑需求，实现多源异构数据汇集，夯实流域数据底板；针对气候变化和人类活动深刻影响流域的背景，深入研究流域水汽循环和产汇流基础规律，提升对流域暴雨洪水特性的认知水平。
（4） 抓住水工程群建成后的“大流域、长河系、多阻断”河库系统新格局，开展水工程互馈影响下的水文预报模型及方法研究，升级专业模型平台，为数字孪生流域提供“算法”支撑；围绕数字孪生流域建设总体目标的智慧化模拟、精准化决策路线，深化预报新技术研究，探索基于智能、风险的预报调度业务体系；以标准化、国产化、客观化、智能化为目标，构建通用型业务平台，提供多要素全周期水文预测预报预警服务，有力支撑“四预”孪生功能。
参考文献：
［1］ 李国英.建设数字孪生流域 推动新阶段水利高质量发展［N］.学习时报，2022-06-29（1）.
［2］ 水利部.数字孪生流域建设技术大纲（试行）［Z］.2022.
［3］ 夏军，石卫.变化环境下中国水安全问题研究与展望［J］.水利学报，2016，47（3）：292-301.
［4］ 王俊.面向水库群调度的水文数值模拟与预测技术［M］.北京：中国水利水电出版社，2021.
［5］ 吴雷，许有朋，王跃峰，等.水文实验研究进展［J］.水科学进展，2017，28（4）：632-640.
［6］ 赵人俊.流域水文模拟：新安江模型与陕北模型［M］.北京：水利电力出版社，1984.
［7］ FREEZE R A，HARLAN R.Blueprint for a physically based，digitally simulated hydrologic response model ［J］.Journal of Hydrology，1969，9（3）：237-258.
［8］ 任立良，刘新仁.数字高程模型信息提取与数字水文模型研究进展［J］.水科学进展，2000，11（4）：463-469.
［9］ 贾仰文，王浩，倪广恒，等.分布式流域水文模型原理与实践［M］.北京：中国水利水电出版社，2005.
［10］ 熊立华，郭生练.分布式流域水文模型［M］.北京：中国水利水电出版社，2004.
［11］ 徐宗学，程磊.分布式水文模型研究与应用进展［J］.水利学报，2010，41（9）：1009-1017.
［12］ 周研来，郭生练，张斐章，等.人工智能在水文预报中的应用研究［J］.水资源研究，2019，8（1）：1-12.
［13］ 张珂，牛杰帆，李曦，等.洪水预报智能模型在中国半干旱半湿润区的应用对比［J］.水资源保护，2021，37（1）：28-35，60.
［14］ 胡义明，陈腾，罗序义，等.基于机器学习模型的淮河流域中长期径流预报研究［J］.地学前缘，2022，29（3）：284-291.
［15］ RUMELHART D E，HINTON G E，WILLIAMS R J.Learning representations by back-propagating errors［J］.Nature，1986，323（6088）：533-536.
［16］ HOCHREITER S，SCHMIDHUBER J.Long short-term memory［J］.Neural Computation，1997，9（8）：1735-1780.
［17］ KRATZERT F，KLOTZ D，BRENNER C，et al.Rainfall-runoff modelling using long short-term memory（LSTM） networks［J］.Hydrology and Earth System Sciences，2018，22（11）：6005-6022.
［18］ NEARING G S，KRATZERT F，SAMPSON A K，et al.What role does hydrological science play in the age of machine learning ［J］.Water Resources Research，2021，57（3）：e2020WR028091.
［19］ HU C，WU Q，LI H，et al.Deep learning with a long short-term memory networks approach for rainfall-runoff simulation［J］.Water，2018，10（11）：1543.
［20］ 徐源浩，鄔强，李常青，等.基于长短时记忆（LSTM）神经网络的黄河中游洪水过程模拟及预报［J］.北京师范大学学报（自然科学版），2020，56（3）：387-393.
［21］ XU Y，HU C，WU Q，et al.Research on particle swarm optimization in LSTM neural networks for rainfall-runoff simulation［J］.Journal of Hydrology，2022，608：127553.
［22］ 李步，田富强，李钰坤，等.融合气象要素时空特征的深度学习水文模型［J］.水科学进展，2022，33（6）：904-913.
［23］ 张海荣，汤正阳，曹辉.基于偏互信息筛选的中长期径流预报方案比选［J］.人民长江，2022，53（10）：71-75.
［24］ KAO I，ZHOU Y，CHANG L，et al.Exploring along short-term memory based encoder-decoder framework for multi-step-ahead flood forecasting［J］.Journal of Hydrology，2020，583.
［25］ HAN H，CHOI C，JUNG J，et al.Deeplearning with long short term memory based sequence-to-sequence model for rainfall-runoff simulation［J］.Water，2021，13（4）.
［26］ CUI Z，ZHOU Y L，GUO S L，et al.Effective improvement of multi-step-ahead flood forecasting accuracy through encoder-decoder with an exogenous input structure［J］.Journal of Hydrology，2022，609（4），127764.
［27］ 林康聆，陈华，陈清勇，等.耦合Encoder-Decoder的LSTM径流预报模型研究［J］.武汉大学学报（工学版），2022，55（8）：755-761.
［28］ GIRIHAGAMA L，NAVEED KHALIQ M，et al.Streamflow modelling and forecasting for Canadian watersheds using LSTM networks with attention mechanism［J］.Neural Computing and Applications，2022，34（22）：19995-20015.
［29］ 崔震，郭生练，汪芸，等.三峡入库洪水概率预报的深度学习模型［J］.水力发电学报，2023，42（4）：1-10.
［30］ 陆桂华，吴娟，吴志勇.水文集合预报试验及其研究进展［J］.水科学进展，2012，23（5）：728-734.
［31］ 张俊，杨文发，牛文静，等.长江流域洪水概率预报业务化方法探讨［J］.人民长江，2021，52（9）：11-15.
［32］ 巴歡欢，郭生练，钟逸轩，等.考虑降水预报的三峡入库洪水集合概率预报方法比较［J］.水科学进展，2019，30（2）：187-197.
［33］ RAFTERY A E，GNEITING T，BALABDAOUI F，et al.Using Bayesian model averaging to calibrate forecast ensembles［J］.Monthly Weather Review，2005，133（5）：1155-1174.
［34］ GNEITING T，RAFTERY A E，WESTVELD A H，et al.Calibrated probabilistic forecasting using ensemble model output statistics and minimum CRPS estimation ［J］.Monthly Weather Review，2005，133（5）：1098-1119.
［35］ KRZYSZTOFOWICZ R.Bayesian theory of probabilistic forecasting via deterministic hydrologic model ［J］.Water Resources Research，1999，35（9）：2739-2750.
［36］ 刘章君，郭生练，李天元，等.贝叶斯概率洪水预报模型及其比较应用研究［J］.水利学报，2014，45（9）：1019-1028.
［37］ 梁忠民，蒋晓蕾，钱名开，等.考虑误差异分布的洪水概率预报方法研究［J］.水力发电学报，2017，36（4）：18-25.
［38］ 张建云.中国水文预报技术发展的回顾与思考［J］.水科学进展，2010，21（4）：435-443.
［39］ 葛守西.现代洪水预报技术［M］.北京：中国水利水电出版社，1999.
［40］ 王威，施勇，陈敏.浅谈长江中下游实时洪水调度系统开发［J］.人民长江，2006，37（9）：58-62.
［41］ 章四龙.中国洪水预报系统设计建设研究［J］.水文，2002（1）：32-34，16.
［42］ 邹冰玉，高珺，李玉荣.通用型水文预报平台开发与应用［J］.人民长江，2011，42（6）：101-105.
［43］ 秦昊，陈瑜彬.长江洪水预报调度系统建设及应用［J］.人民长江，2017，48（4）：16-21.
［44］ 程海云.洪水预报系统及其在工程调度中的作用［J］.中国水利，2020（17）：11-13.
［45］ 芮孝芳.对流域水文模型的再认识［J］.水利水电科技进展，2018，38（2）：1-7.
［46］ 李致家.现代水文模拟与预报技术［M］.南京：河海大学出版社，2010.
［47］ 黄艳，喻杉，罗斌，等.面向流域水工程防灾联合智能调度的数字孪生长江探索［J］.水利学报，2022，53（3）：253-269.
（编辑：江 文）
Abstract：
At present，traditional water conservancy is rapidly entering a new stage of high-quality development for intelligent water conservancy.It is an important component of building a digital twin watershed to develop an intelligent watershed hydrological simulation and flood forecasting system.It is also an inevitable requirement for strengthening the "four precautions"（forecasting，alarming，preview and plan） and promoting the construction of intelligent water conservancy.The research progress of hydrological simulation forecasting is reviewed，and the current situation and shortcomings of the application of flood forecasting systems in China are analyzed.Meanwhile，we discuss the key technologies and development prospect of intelligent basin hydrological simulation and flood forecasting system from the aspects of database，regular mechanism，forecast model，methodology and technology，and application platform，including： pooling multi-source heterogeneous data and consolidating basin database；strengthening the water vapor cycle study of river reservoir system and revealing the cause mechanism；focusing on characteristics of strong human activities and upgrading professional models；deepening the research of new forecasting technology and exploring the integrated business system based on intelligent forecasting and dispatching；building a general business platform to support the multi-factor full cycle "four precautions" function.The research results can provide a theoretical basis and technical support for improving the flood forecasting level in river basins，strengthening the "four precautions"，and constructing digital dual river basin.
Key words：
intelligent watershed；digital twin；hydrological forecasting；intelligent simulation；probabilistic forecasting
