전통문화대전망 - 전통 미덕 - 중장기 수문 예보 연구 현황
중장기 수문 예보 연구 현황
(1) 선행 대기순환형세에서 후기 수문 형세를 예측하다.
대기 강수는 강 유출수의 주요 원천이며, 강수는 대기 순환과 밀접한 관련이 있다. 한 유역이나 지역의 가뭄과 홍수의 발생은 대기 순환과 관련이 있다. 따라서 대기순환과 수문요소 관계의 분석 연구는 줄곧 수문기상학자들이 심도 있게 검토하는 과제였다. 대기 순환은 세계적인 특징을 가지고 있기 때문에 주로 북반구 500 백파월 평균 형세도나 주요 순환 지수와 순환 특징에 근거한다. 수문정세와 순환류의 역사 자료에 따르면 가뭄과 장마년 전 순환류 특징 모델을 요약하고, 전기 순환류 특징을 후기수문정세의 질적 예측으로 삼는다. 또는 월평균 형세도에서 예보 대상과 현저히 관련된 지역과 기간을 찾아내고, 물리적 의미가 명확하고 통계적 기여도가 뚜렷한 요소를 선택하고, 점진적인 회귀나 기타 다원 분석 방법으로 예측 대상과 방정식을 만들어 정량예보를 진행한다.
② 사전 SST 분포 특성에 따라 예측.
해온 이상 분포는 범위가 넓고 두께가 크고 기간이 긴 특징을 가지고 있다. 그것은 종종 대기환류 이상의 전조로, 장기 수문예보를 위한 정보를 제공할 수 있다. 역사 자료에 따르면, 이전 가뭄과 장마의 해온 분포 패턴을 총결산한 후, 이전 기간의 해온 분포 특징을 통해 후기의 수문 상황을 질적으로 예측할 수 있다. 또는 시간과 공간의 연속성을 고려하여 중점 해역과 중점 기간 중 여러 위치의 해온을 예보 요인으로 선택하고 예보 대상과 회귀 방정식을 만들어 정량예보를 한다.
③ 예측을 위해 태양 활동에 관한 정보를 사용한다.
태양 흑점 상대수는 주로 태양 활동의 강도를 반영하는 데 사용된다. 태양 흑점 수 1 1 년 주기의 위상 또는 태양 흑점 수 변화와 하천수 변화의 대응 관계에 따라 후기에 발생할 수 있는 가뭄과 홍수를 정량적으로 예측합니다. 유씨가 태양흑점 활동을 중심으로 장기와 초장기 수문예보를 목표로 수리통계분석방법을 활용해 태양흑점과 엘니뇨 사건이 송화강 유역에 미치는 수문영향 특성과 가뭄과 홍수재해의 기본법칙을 분석해 강수가 자기주기별 풍소 변화의 법칙을 밝혀냈다.
1.2 수문 통계 방법
수문통계법은 수문자료에 대한 통계 분석을 통해 확률 예측을 하는 것이다. 두 가지 범주로 나눌 수 있습니다. 하나는 수문요소가 시간에 따라 변하는 통계법칙을 분석한 다음, 역사적 진화법, 시계열 분석법 등 이 법칙을 이용하여 예보하는 것입니다. 다른 하나는 다중 회귀 분석을 이용하여 예측 시나리오를 만들어 예측하는 것이다. 현재 널리 사용되고 있는 수문통계예보 방법은 주로 다원회귀 분석과 시계열이 있다.
① 다중 회귀 분석
회귀 분석은 중장기 유량 예측 중 가장 초기이자 가장 널리 사용되는 방법 중 하나이다. 유출에 대한 그것의 응용은 초기 강우 유출 관련 지도법으로 거슬러 올라갈 수 있으며, 1960 년대 이후 컴퓨터 기술의 발전에 따라 급속히 보급되었다. 회귀 분석은 여전히 유량 예측의 실제 업무에서 중요한 수단이다. 일반적으로 사용되는 방법은 주로 점진적인 회귀, 클러스터 분석 및 주성분 분석입니다.
회귀 분석의 주요 장점은 간단하고 구현하기 쉽다는 것이다. 주요 문제는 계수 수를 합리적으로 선택하여 맞춤 효과와 예측 효과 사이의 모순을 해결하는 방법입니다. 예측치가 각 계수 데이터의 평균이기 때문에 최대값이나 최소값으로 수문학 현상을 예측하기는 어렵다. 이러한 문제를 극복하기 위해 우리는 주로 예보소의 사전 배출, 상류역의 사전 유출, 유역의 강수, 토양 습도, 적설, 온도를 가장 많이 사용하는 예보 요인으로 선택하고, 배출 과정의 장기 변화를 통제하는 영향 요인도 예측 요인으로 꼽았다. 태양 복사, 흑점 수, 지진장, 지열 등 지구 물리량, 해양 표면 온도, 엔소 지수 등 해양 물리량 이러한 많은 요인들이 장기 예측의 정확성을 높이는 데 도움이 될 것이기 때문이다. 예를 들어, 지진장, 지열 장, 연간 유량이 큰 상관관계가 있다는 연구결과가 있습니다. 많은 연구결과에 따르면 ENSO 사건은 강 흐름의 변화와 관련이 있으며, 이러한 관계는 장기 유량 예측에 사용될 수 있다.
② 시계열 분석
시계열 분석은 수문요소의 관측 기록을 이용하여 자신의 진화 법칙을 찾아 예보하는 것이다. 흐름 프로세스 예측에 사용되는 시계열 모델이 많이 있습니다. 모형에 포함된 시계열 수에 따라 단변수 모형과 다변수 모형의 두 가지 범주로 나눌 수 있습니다.
ARMA (자동 회귀 이동 평균) 모델 및 해당 파생 모델은 가장 일반적으로 사용되는 단변수 모델입니다. 자동 회귀 (AR) 모형은 ARMA 모형의 특수한 유형이며 연간 유출수 및 월 유출수 시뮬레이션 및 예측에 널리 사용됩니다. 예를 들어, 루는 3 차 AR(3) 모델을 이용하여 단강구 저수지의 연간 유출수를 예측했다. ARMA 모델은 시계열이 원활하다는 가정을 바탕으로 하고 있으며, 시간 척도가 연보다 작은 흐름 (예: 월, 순 흐름) 은 일반적으로 계절적이고 부드럽지 않으며, ARMA 모델을 직접 사용하는 것은 일반적으로 적합하지 않습니다. 이 계절성 시리즈에 대한 시뮬레이션 예측을 수행하는 모델은 주로 세 가지가 있습니다. 하나는 계절성 아리마 모델 (ARIMA) 을 사용하는 것입니다. 약어); (2) 계절성 ARMA 모델을 나눕니다. 즉, 먼저 원래 흐름 시퀀스에서 계절성 평균과 분산을 제거한 다음 분할된 계절성 시퀀스에 ARMA 모델을 맞춥니다. (3) PAP 모델을 포함한 주기적 ARMA 모델 (PARMA 모델). 이 세 가지 모델은 중장기 트래픽 예측에 자주 사용됩니다. 최근 몇 년 동안, 하천수류 과정의 긴 기억 특성에 대한 연구가 사람들의 관심을 끌었다. 분수 미분 자동 회귀 슬라이딩 평균 (ARFIMA) 모델은 Montanari 가 ARFIMA 모델을 사용하여 나일강 아스완의 월 흐름 과정을 시뮬레이션하고 예측한 것과 같이 긴 기억을 가진 무작위 과정을 잘 설명할 수 있습니다. Ooms 등은 PARMA 모델과 ARFIMA 모델을 결합하여 PARFIMA, Periodic ARFIMA) 를 사용하여 월간 흐름 과정을 맞출 것을 제안했습니다. 왕문은 ARFIMA 모델을 포함한 다양한 시계열 모델을 이용하여 황하 상류 당나이하이역의 미래 10 일 일일 평균 유량을 예측했다.
외부 입력 요소의 영향을 고려하는 경우 외부 변수가 있는 자동 회귀 슬라이딩 평균 (ARMAX) 모델 또는 전송 함수 노이즈 (TFN) 모델이 있는 다중 시계열 모델을 구성할 수 있습니다. Awadallahl 과 같은 사람들은 다른 해역의 SST 를 외부 입력 변수로 사용하여 TFN 모델을 만들어 나일강의 여름 유출을 예측합니다. 외부 요인을 고려하여 더 많은 예측 정보를 사용했기 때문에 TFN 모델의 예측 정확도는 일반적으로 단변수 ARIMA 모델보다 높습니다. 예를 들어 Thompstone 등은 계절 ARMA 모델, 주기적 자동 회귀 (PAR) 모델, 강수 및 제설 입력을 고려한 TFN 모델, 1/4 월 흐름 과정을 예측하는 개념 모델을 구축했습니다. 결과는 TFN 모델의 정확도가 다른 모델보다 우수함을 보여줍니다. 흐름 과정이 일부 외부 요인에 의해 크게 방해를 받아 비정상적인 변동을 보이는 경우 간섭 모델을 사용하여 이러한 간섭을 시뮬레이션할 수 있으며 특수한 유형의 TFN 모델로 볼 수 있습니다. Kuo 등은 AR( 1) 모델을 기반으로 이러한 간섭을 시뮬레이션하기 위한 간섭 모델을 만들어 특수한 유형의 TFN 모델로 볼 수 있습니다. Kuo 등은 AR( 1) 모델을 바탕으로 교란 모델을 만들어 대만성 민수강 10 일 평균 유량을 예측하고 모델링했다.
흐름 프로세스의 시계열 예측 모델은 모델에 선형 구조가 있는지 여부에 따라 선형 모델과 비선형 모델로 나눌 수 있습니다. 앞서 언급한 모델 (예: ARMA 및 TFA) 은 선형 모델로 볼 수 있습니다. 최근 몇 년 동안 수문 시스템의 비선형 모델에 대한 연구가 점점 더 중시되고 있으며, 비선형 모델의 응용 사례도 그에 따라 증가하고 있다. 임계 자동 회귀 모델 (TAR) 은 중장기 교통 과정 예측에서 일반적으로 사용되는 비선형 시계열 모델입니다. 위에서 언급한 일반적인 PARMA 및 PAR 모델은 실제로 특수한 유형의 TAR 모델로 볼 수 있습니다. 그들은 계절을 임계값으로 하여 계절에 따라 선형 모형을 만들었다. 외부 요인의 영향을 고려할 때, TAR 은 임계 회귀 모델로 확장될 수 있으며, 트리 구조로 설명될 수도 있고 연구자들이 모델 트리 모델이라고 부르는 경우도 있습니다. 이 방법은 실시간 강우 유출 예측에 적용되었으며 중장기 예측에도 큰 적용 가치가 있습니다. 2. 1 인공 신경망
인공 신경망은 연결 이론에 기반한 지능형 생체 모방 모델로, 대량의 뉴런으로 구성된 비선형 동적 시스템입니다. 인공 신경망은 병렬 분산 처리, 자기 조직, 적응, 자기 학습 및 내결함성의 특징을 가지고 있습니다. 1990 년대 이후 인공신경망의 수문예보의 응용이 점차 증가하였다. 최근 20 년 동안 가장 주목받고 있는 비선형 예보 방법으로 실시간 중장기 수문예보에 광범위하게 적용되었다. 유출 예측에서 가장 일반적으로 사용되는 인공 신경망 유형은 오차 역전파 (BP) 알고리즘을 사용하는 다중 레이어 센서 (MLP) 신경망 (BP 네트워크라고도 함) 으로, 연도 및 월 유출 또는 평균 트래픽을 예측하는 데 널리 사용됩니다. Birikundavyi 등은 MLP 네트워크를 사용하여 향후 1~7 일 동안의 트래픽을 예측합니다. 서란 등은 MLP 네트워크를 사용하여 1~4 주기의 미래 트래픽을 예측했습니다. 마르쿠스, 제인, 키시 등. MLP 네트워크 모델을 사용하여 월별 트래픽 예측을 연구합니다. 방사형 함수 (RBF) 신경망도 많은 연구원들이 월 평균 트래픽을 예측하는 데 사용한다. 또한 흐름 프로세스의 비선형 특성을 더 잘 맞추기 위해 모듈식 신경망을 사용하여 유량을 중장기 예측할 수 있습니다.
ANN 모델을 사용하여 예측할 때 가장 중요한 것은 입력으로 사용할 데이터, 사용할 신경망 유형 및 해당 메쉬 구조를 결정하는 것입니다. ANN 의 입력 변수를 결정하는 방법에 대해 고려해야 할 두 가지 문제가 있습니다. 첫째, 교육 데이터가 너무 짧아서 시퀀스의 가능한 모든 범위를 덮어쓸 수 없을 때, 즉 수문예보의 불확실한 정보를 덮어쓸 수 없을 때 발생할 수 있는 극단적인 상황에 대한 ANN 의 예측 능력을 향상시키는 방법입니다. 이 문제를 해결하기 위해 Cigizoglu 는 MLP 모델을 사용하여 월 평균 트래픽을 예측하고 처음으로 AR 모델을 사용하여 시뮬레이션 시퀀스를 생성하여 교육 데이터를 늘리고 예측 정확도를 높였습니다. 두 번째는 다단계 예측을 할 때 ANN 모델의 기상 입력 데이터를 해결하는 방법입니다. 이상적인 선택은 기상 예보 데이터를 사용하는 것이지만, 연구자들이 과거 기상 데이터를 ANN 모델의 입력으로 사용하여 다단계 예보를 하는 경우도 있다.
2.2 회색 시스템 이론
1982 던용은 수자원 시스템이 회색 시스템으로 간주될 수 있다는 회색 시스템 이론을 창설했다. 회색 시스템 모델을 설명하는 가장 일반적인 수학 모델은 GM( 1, 1), g 는 회색, m 은 모델, GM( 1, 1) 입니다 그것은 유출 예측과 재해 예측에 많은 응용 사례를 가지고 있다. 하군은 회색 연관 패턴 인식 방법을 제시하여 중장기 유출을 예측했다. 이후 일부 연구자들은 이 모델을 연간 유출수와 월류 예측에 적용했다.
회색 시스템 이론은 모델 특성 때문에 지수 성장 추세에 더 적합합니다. 다른 추세의 경우 맞춤 그레이스케일이 크고 정확도가 향상되기 어려운 경우가 있습니다. 그리고 회색 시스템의 이론 체계는 아직 완벽하지 않아 발전 단계에 있다. 중장기 수문예보에 적용하는 것은 시도와 탐구이다.
2.3 퍼지 수학 이론
수문학 분야에서 모호한 수학을 적용하는 예측 방법은 두 가지가 있는데, 하나는 모호한 패턴 인식 예측 방법이고 다른 하나는 모호한 논리 방법입니다.
퍼지 패턴 인식 예측 방법의 기본 아이디어는 과거 샘플 패턴의 퍼지 클러스터를 기반으로 테스트될 상태의 범주 피쳐 값을 계산한 다음 예측값과 범주 피쳐 값 사이의 회귀 방정식을 기준으로 예측한다는 것입니다. 이 방법은 수문원인 분석, 통계 분석 및 모호한 세트 분석을 유기적으로 결합하여 중장기 예측 특성의 정확성을 높이는 새로운 방법을 제공합니다.
퍼지 논리 방법은 변수 간의 모호한 인과 관계를 설명할 수 있습니다. 변수 간의 퍼지 논리 관계에 따라 퍼지 논리 모델 (또는 퍼지 전문가 시스템) 을 설정하여 흐름을 예측할 수 있습니다. 예를 들어, 주와 마하빌은 모호한 논리 모델을 사용하여 장기 흐름을 예측합니다.