网格技术在水文信息处理中的应用研究

网格计算作为互联网技术发展的一个新的阶段,已经开始渗透到各个领域中,如医学、生物学、气象学等领域,并孕育而出了生态网格、文化网格和气象网格等。在水文领域,单一水文信息是有限的,包括计算信息、存储信息、数据信息和仪器设备信息等。本文就是按照国家防汛抗旱指挥系统的三层架构,基于网格技术构建黄河流域水文信息系统,通过网格服务,将大量异构的单一水文信息整合在一起形成一个大规模的信息平台,其中每一个参与的水文单元或者以一个水文单元为中心的信息集合就是一个"网格节点",从而充分利用每个水文单元上的闲置信息,达到水文单元之间的信息整合、广泛共享、协同工作和统一管理。

湘江下游流域-河网-枢纽的水文水动力模拟

应用自主开发的集成模型搭建了考虑长沙航电枢纽高频调度的湘江下游流域-河网系统水文水动力计算系统,采用区域2016—2021年80余站高频监测(1次/5~60 min)、30 m精度土地利用和详细河道水下地形等数据对模型进行配置、检验和验证,对比计算有、无枢纽调度下的河网水动力和淹没差异。结果表明:水位流量计算值与高频实测值吻合优良,在湘潭、朗梨等站的纳什系数大于0.91;调度造成回水区枯水期水位抬升和流速降低,改变了河网水位和流量小尺度波动节律,在浏阳河等支流下游局部时段出现反向流动;计算出了1%、50%、99%等来流频率下河网水位和流速分布,调度增加了上游干支流回水区心滩、边滩的平、枯季淹没频率。本研究为科学评估枢纽高频调度对上下游河网水动力影响提供依据。

基于分布式产流要素和时空深度学习算法的径流后处理研究

准确的径流模拟是流域水资源管理和区域综合政策制定的重要前提。为提高径流模拟的精度,本文以浙江省台州市永安溪流域为研究区域,基于2010—2019年柏枝岙站出口断面的实测日径流数据和网格化HBV模型(Grid-HBV)的模拟结果,提出了一种耦合卷积神经网络CNN和长短期记忆网络LSTM的CNN-LSTM时空后处理模型;构建了基于单一产流要素的s-CNN-LSTM模型和基于两种产流要素的bi-CNN-LSTM模型,并与基准模型s-LSTM开展径流后处理和比较分析。研究结果表明:Grid-HBV模型率定期和验证期的纳什效率系数(NSE)分别为0.78和0.81,整体径流模拟效果较好,但存在中、高水低估和低水高估的不足。经s-LSTM模型后处理后,率定期和验证期NSE提升至0.87和0.85,提升幅度为11.2%和5.8%;s-CNN-LSTM模型后处理后NSE分别为0.90和0.89,提升幅度为14.6%和10.9%。bi-CNN-LSTM模型后处理后率定期和验证期NSE皆达到0.92,提升幅度为17.2%和14.2%,比s-LSTM模型的提升幅度分别大6.0%和8.4%,且该模型对原模拟径流高、中、低各流量等级中的局部缺陷有针对性改善。在4个典型洪水事件的分析中,bi-CNN-LSTM模型总体后处理效果最好,与Crid-HBV模型模拟结果相比,各洪峰误差平均减小36.6%,s-LSTM模型和s-CNN-LSTM模型则平均额外减小了19.3%和30.3%。基于分布式产流要素的CNN-LSTM模型具有较好的径流后处理能力,能够显著提高水文模型径流模拟效果,有助于流域水文水资源的科学管理。

Hyperresolution information and hyperresolution ignorance in modelling the hydrology of the land surface

There is a strong drive towards hyperresolution earth system models in order to resolve finer scales of motion in the atmosphere.The problem of obtaining more realistic representation of terrestrial fluxes of heat and water,however,is not just a problem of moving to hyperresolution grid scales.It is much more a question of a lack of knowledge about the parameterisation of processes at whatever grid scale is being used for a wider modelling problem.Hyperresolution grid scales cannot alone solve the problem of this hyperresolution ignorance.This paper discusses these issues in more detail with specific reference to land surface parameterisations and flood inundation models.The importance of making local hyperresolution model predictions available for evaluation by local stakeholders is stressed.It is expected that this will be a major driving force for improving model performance in the future.