基于随机模型的水文集合预报研究

In this study, a stochastic multi-model ensemble hydrological forecasting system will be developed to reveal the intrinsic stochasticity of hydrological processes and the complexity of multi-model ensemble forecasting. Specifically, the research activities include (1) characterization of hydrological systems; (2) development of stochastic hydrological forecasting model; (3) development of stochastic multi-model ensemble hydrological forecasting system. This study will provide an in-depth analysis of hydrological characteristics and the dynamic variations of hydrological regimes. A cluster-analysis-based polynomial chaos stochastic hydrological forecasting model will then be developed, which can be used as a computationally efficient surrogate of complex hydrological models for analyzing the dynamic variations of uncertainty components and their interactions in hydrological systems as well as for probabilistic forecasting of future hydrological regimes. Furthermore, a surrogate-based Bayesian model averaging (BMA) approach will be proposed to achieve complementary advantages of multiple hydrological models through a weighted averaging technique, and the Markov chain Monte Carlo (MCMC) algorithm will be used to estimate the posterior weight and variance of each competing model. Therefore, the proposed stochastic multi-model ensemble hydrological forecasting system will be able to explicitly reveal the potential interactions between hydrological models and between model parameters as well as to improve the accuracy and efficiency of hydrological forecasting, which will make an outstanding contribution to the development of probabilistic hydrological forecasting.

本研究将开发一个基于随机模型的水文集合预报系统，实现随机模拟与集合预报的融合，以有效地揭示水文过程的随机特征以及多模型集合预报的复杂性。具体内容包括：（1）水文系统辨识；（2）随机水文预报模型开发；（3）基于随机模型的水文集合预报系统开发。本研究将对流域水文情势的基本特点和水文要素的动态特征进行深入剖析，创建一个基于聚类分析的混沌随机水文预报模型，可用于替代水文物理模型，以高效地分析水文系统不确定性因素的动态演变规律以及因素之间的互动与传递过程，从而进一步对河流未来的水文情势做出概率预估。在此基础上，采用基于随机替代模型的贝叶斯模型平均方法通过概率预报加权平均的形式实现多个水文模型间的预报优势互补，并使用马尔科夫链蒙特卡罗方法估算模型集合中每一个竞争模型的权重与方差，以有效地揭示模型间与参数间的相互作用，提高水文预报的精度和计算效率，对水文概率预报发展有重要科学意义。

水文过程的随机特征导致了未来水文要素变化的不确定性，影响了水文预报的精度。传统的确定性预报难以有效地表征随机水文过程及其导致的未来水文情势的不确定性，因此基于随机模型的水文预报研究亟待开展。本项目主要研究内容包括：（1）水文系统辨识；（2）随机水文预报模型建立；（3）基于随机模型的水文集合预报系统开发。在理论创新层面，针对利用分布式水文模型进行不确定性分析时常面临的计算复杂性问题，基于原始物理模型，创建了基于析因概率配点法的多项式混沌展开，替代了分布式水文模型SWAT（Soil and Water Assessment Tool）与VIC（Variable Infiltration Capacity），高效地分析了东江流域水文过程的随机特征，揭示了不确定性的传递与演进过程，量化了径流模拟结果的概率分布。通过采用深度学习方法，进一步实现了多项式混沌展开在气候变化背景下的随机水文预报功能，创建了基于SWAT（SWAT-PCE）模型与VIC（VIC-PCE）模型的多项式混沌展开，显著提升了概率水文预报效率。在此基础上，采用高维Vine Copula函数，集成了基于SWAT模型与VIC模型的多项式混沌展开，并使用马尔科夫链蒙特卡罗（Markov chain Monte Carlo，MCMC）方法进行了模型参数估计，开发了一套基于随机模型的水文集合预报系统，有效地解决了水文模型参数和结构不确定性问题。通过与传统贝叶斯模型平均方法进行对比分析，充分证明了基于Vine Copula函数的水文集合预报系统在计算效率和精度方面的优越性，对水文集合预报的发展起到了重要推动作用。在技术应用层面，气候模式可提供未来气候变化信息，以驱动水文模型产生预报结果，在水文预报中起到至关重要的作用。针对传统粗空间分辨率气候模式难以对区域尺度气候变化做出合理预测的问题，通过采用对流解析尺度的高分辨率气候模式，克服了区域气候模式对深对流参数化的依赖，更好地刻画了与中小尺度对流过程相关的物理要素的总体统计特征，显著提升了气候模式对洪水、干旱、旱涝急转等水文极端事件的模拟能力。在此基础上，开发了我国大湾区气候数据共享平台，为我国应对气候变化提供科学数据。