一种Copula多模型条件处理器的水文集合预报方法

本发明涉及水文预报，尤其涉及一种copula多模型条件处理器的水文集合预报方法。

背景技术：

1、流域水文模型是实现水文模拟预报的重要途径。由于水循环过程的复杂性和人类认知的有限性，不同模型对降雨-径流转换过程的模拟预报存在差异，人们无法确定一个最佳的水文模型能适合各种不同变化的水文气象情景。

2、单一模型产生的确定性预报结果往往存在较高的不确定性，在水库调度等防洪决策中无法得到客观准确的风险评估。综合多个水文模型的预报结果，采用统计后处理方法，构建水文集合预报方法，是量化或降低水文模型不确定性的重要途径之一。通过量化各种水文模型结构和参数的不确定性，不仅可以得出确定性预报值，还能以分位数、置信区间或密度函数等方式提供预报不确定性信息，相对单一模型的确定性预报更加科学合理，有助于决策者定量识别预报风险。杨明祥等提出了一种基于多模型组合的中长期径流集合预报方法，采用多元回归和参数扰动算法对多种数据驱动模型的流量结果进行集合预报，从而获得可靠的预报不确定性区间。李永平等提出了一种考虑气候变化的水文集合预报方法，采用多种数据驱动模型建立气候变量等因素与径流数据间的响应关系，并借助多层贝叶斯网络集合理论构建了可靠的贝叶斯集合水文预报模型。明波等提出一种多模型随机线性组合的集合预报方法，并采用多目标优化算法对随机权重进行优选，最后通过随机模拟获得不确定性较低、预报精度较高的集合预报样本。

3、coccia&todini提出了多模型条件处理器（multi model condition processor，mmcp）的集合预报方法，该方法是在模型条件处理器（model condition processor，mcp）的基础上拓展而来，可在多种有用信息（通常由预报成员提供）的条件下，依据条件分布原理推导实测流量的后验分布函数。mmcp假定流量序列服从正态分布，需要借助正态分位数转换（normal quantile transform，nqt）等方法将流量序列转换至正态空间，以此构建实测与预报流量间的联合分布。但nqt法在极端事件的外推中往往效果不稳健，并且逆转换时可能产生计算误差，严重影响了该方法的适用性。copula函数可以构建高维、且边缘分布不受限制的多变量联合分布，可以较好地适应水文系列的非线性、非正态特征。

技术实现思路

1、本发明提供一种copula多模型条件处理器的水文集合预报方法，用以解决现有技术中mmcp法在水文预测中存在的缺陷。

2、第一方面，本发明提供一种copula多模型条件处理器的水文集合预报方法，包括：

3、采集目标流域的实测气象水文数据；

4、确定多种水文模型，基于所述实测气象水文数据和所述多种水文模型，获得多模型水文集合预报流量数据；

5、构建所述实测气象水文数据和所述多模型水文集合预报流量数据的边缘分布函数，确定边缘分布函数参数；

6、采用vine-copula函数构建所述实测气象水文数据与所述多模型水文集合预报流量数据的联合分布函数以及所述多模型水文集合预报流量数据的联合分布函数，并估计所述vine-copula函数的参数获得优选vine-copula函数；

7、利用所述边缘分布函数和所述优选vine-copula函数推导得到多模型预报流量条件下实测流量的条件概率分布函数；

8、根据所述条件概率分布函数得到预设分位数流量值，以所述预设分位数流量值为确定性集合预报结果，获得预设置信水平对应的预报不确定性区间范围。

9、根据本发明提供的一种copula多模型条件处理器的水文集合预报方法，采集目标流域的实测气象水文数据，包括：

10、获取所述目标流域的实测气象水文资料，确定所述实测气象水文资料的时间尺度；

11、将所述实测气象水文资料划分为训练期数据和验证期数据，采集所述目标流域的历史洪水传播时间，确定洪水预报的预见期长度，构成所述实测气象水文数据。

12、根据本发明提供的一种copula多模型条件处理器的水文集合预报方法，确定多种水文模型，基于所述实测气象水文数据和所述多种水文模型，获得多模型水文集合预报流量数据，包括：

13、分别采用新安江xaj水文模型、前期降水指数api水文模型、长短期记忆神经网络lstm水文模型和极限学习机elm水文模型进行多模型的洪水预报，输出所述多模型水文集合预报流量数据；

14、基于自适应矩估计adam算法，利用训练期数据训练多模型参数，采用验证期数据验证多模型有效性，优化目标函数均方误差最小准测包括：

15、

16、其中， t为样本数，表示实测气象水文数据，表示多模型水文集合预报流量数据。

17、根据本发明提供的一种copula多模型条件处理器的水文集合预报方法，构建所述实测气象水文数据和所述多模型水文集合预报流量数据的边缘分布函数，确定所述边缘分布函数参数，包括：

18、联合所述实测气象水文数据和所述多模型水文集合预报流量数据，采用皮尔逊p-ⅲ型函数作为所述边缘分布函数；

19、采用线性矩法估计所述边缘分布函数得到所述边缘分布函数参数。

20、根据本发明提供的一种copula多模型条件处理器的水文集合预报方法，采用vine-copula函数构建所述实测气象水文数据与所述多模型水文集合预报流量数据的联合分布函数以及所述多模型水文集合预报流量数据的联合分布函数，并估计所述vine-copula函数的参数获得优选vine-copula函数，包括：

21、

22、

23、

24、

25、其中，为实测气象水文数据与四种多模型水文集合预报流量数据的联合分布函数，为四种多模型水文集合预报流量数据的联合分布函数，p和分别为条件分布函数和密度函数， x5为实测气象水文数据的边缘分布函数， x1,…,4为四种模型预报流量的边缘分布函数， v为n维向量，为去除第 k个变量 vk后的向量 v；

26、获取n维vine-copula函数的n-1个树状层次结构，基于赤池aic信息准则选择pair-copula函数构建vine-copula函数，采用极大似然估计法估计所述vine-copula函数的参数，得到所述优选vine-copula函数。

27、根据本发明提供的一种copula多模型条件处理器的水文集合预报方法，利用所述边缘分布函数和所述优选vine-copula函数推导得到多模型预报流量条件下实测流量的条件概率分布函数，包括：

28、

29、

30、其中，为五元联合密度函数。

31、根据本发明提供的一种copula多模型条件处理器的水文集合预报方法，根据所述条件概率分布函数得到预设分位数流量值，以所述预设分位数流量值为确定性集合预报结果，获得预设置信水平对应的预报不确定性区间范围，包括：

32、由所述条件概率分布函数的预设百分比分位数得到所述预设分位数流量值：

33、

34、其中，代表预设百分比分位数，为预设分位数流量值；

35、由所述预设分位数流量值确定所述预报不确定性区间范围为[]：

36、

37、

38、其中，为预设置信水平，和分别为预报不确定性区间范围的上限和下限。

39、第二方面，本发明还提供一种copula多模型条件处理器的水文集合预报系统，包括：

40、采集模块，用于采集目标流域的实测气象水文数据；

41、确定模块，用于确定多种水文模型，基于所述实测气象水文数据和所述多种水文模型，获得多模型水文集合预报流量数据；

42、构建模块，用于构建所述实测气象水文数据和所述多模型水文集合预报流量数据的边缘分布函数，确定边缘分布函数参数；

43、估计模块，用于采用vine-copula函数构建所述实测气象水文数据与所述多模型水文集合预报流量数据的联合分布函数以及所述多模型水文集合预报流量数据的联合分布函数，并估计所述vine-copula函数的参数获得优选vine-copula函数；

44、推导模块，用于利用所述边缘分布函数和所述优选vine-copula函数推导得到多模型预报流量条件下实测流量的条件概率分布函数；

45、预报模块，用于根据所述条件概率分布函数得到预设分位数流量值，以所述预设分位数流量值为确定性集合预报结果，获得预设置信水平对应的预报不确定性区间范围。

46、第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述copula多模型条件处理器的水文集合预报方法。

47、第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述copula多模型条件处理器的水文集合预报方法。

48、本发明提供的copula多模型条件处理器的水文集合预报方法，通过综合多个预报模型的结果，减少模型结构带来的不确定性，还可以避免流量服从正态分布的假设，降低正态分位数转换带来的不确定性，为水文集合预报提供了新方法。