论文部分内容阅读
水文现象是一种既受确定性因素影响，又受随机性因素影响的复杂现象。水文模型的输入与参数均存在着一定程度的随机性，因此，水文模型的输出也具有不确定性，据此做出的概率水文预报应较确定性水文预报更具科学性。BFS(贝叶斯概率预报系统)就是构建概率水文预报的理论框架之一。在此框架下，借助于所提出的AGA(加速遗传算法)的AM-MCMC(自适应马尔可夫链蒙特卡罗)随机模拟方法，即AGA-AM-MCMC方法，分别建立了基于AGA-AM-MCMC的Nash模型的BFS和基于AGA-AM-MCMC的XAJ(新安江三水源)模型的BFS。应用基于AGA-AM-MCMC的Nash模型的BFS研究了沿渡河流域的流域汇流和襄阳一皇庄河段的河道洪水演算的不确定性对预报结果的影响，实现了概率水文预报的目的。实例分析表明，这种方法能同时给出洪水流量的均值预报及其方差，还能给出指定概率的置信区间，定量了预报的不确定度。此外，在流域汇流和河道洪水演算中，Nash模型的两参数均存在明显的相关性；在河道洪水演算中，输入不确定性对预报结果的影响大于参数不确定性对预报结果的影响。应用基于AGA的BP神经网络(AGA-BP)描述先验密度与似然函数，解决了BFS中先验密度与似然函数较难获得的问题，进而建立了基于AGA-AM-MCMC的XAJ模型的BFS。通过在沿渡河流域降雨径流预报中的应用，说明该法作为概率水文预报是可行的，不仅可以给出均值预报，而且可以给出以方差和指定概率的置信区间为指标的预报不确定度。采用基于AGA-AM-MCMC的XAJ模型的BFS进行流量概率预报的均值预报结果的洪峰误差、确定性系数和峰现时差总体上均优于新安江模型的结果，并给出了预报的不确定度，实现了洪水的概率预报，为防洪决策提供了更充分的依据。