王俊 程海云 郭生練 張俊 崔震

摘要：

當前處于傳統(tǒng)水利快速邁向智慧水利的高質(zhì)量發(fā)展新階段，開展智慧流域水文模擬和洪水預報系統(tǒng)研發(fā)，是建設數(shù)字孿生流域的重要組成部分，是強化“四預”措施和推進智慧水利建設的必然要求。綜述了流域水文模擬預報研究進展，剖析中國洪水預報業(yè)務現(xiàn)狀和不足，從數(shù)據(jù)底板、規(guī)律機理、預報模型、方法技術和業(yè)務平臺等方面對水文預報技術進行了探討展望。研究結(jié)果表明，智慧流域水文預報的關鍵技術與發(fā)展前景為：① 多源異構數(shù)據(jù)匯集，夯實流域數(shù)據(jù)底板；② 加強河庫系統(tǒng)水汽循環(huán)研究，揭示成因機理；③ 聚焦強人類活動影響特征，升級專業(yè)模型；④ 深化預報新技術研究，探索基于智能預報調(diào)度一體化業(yè)務體系；⑤ 打造通用化業(yè)務化平臺，支撐多要素全周期“四預”功能。研究成果可為提高流域洪水預報水平，強化“四預”措施，建成數(shù)字孿生流域提供理論基礎和技術支撐。

關 鍵 詞：

智慧流域； 數(shù)字孿生； 水文預報； 智能模擬； 概率預報

中圖法分類號： TV124

文獻標志碼： A

DOI：10.16232/j.cnki.1001-4179.2023.08.001

0 引 言

國家“十四五”規(guī)劃綱要明確提出“構建智慧水利體系，以流域為單元提升水情測報和智能調(diào)度能力”。水利部高度重視智慧水利建設，將其作為推動新階段水利高質(zhì)量發(fā)展的六條實施路徑之一［1］。2021年12月，水利部召開推進數(shù)字孿生流域建設工作會議，要求大力推進數(shù)字孿生流域建設。2022年3月，水利部印發(fā)《數(shù)字孿生流域建設技術大綱（試行）》［2］，指出數(shù)字孿生流域是智慧水利的核心與關鍵，其建設總體目標之一是建成大江大河大湖及主要支流、重點流域和重點區(qū)域的數(shù)字孿生流域，實現(xiàn)與物理流域同步仿真運行、虛實交互、迭代優(yōu)化，支撐“四預”（預報、預警、預演、預案）功能實現(xiàn)和“2+N”（流域防洪、水資源管理與調(diào)配+N項業(yè)務應用）智能應用運行，加快構建智慧水利體系，提升水利決策與管理的科學化、精準化、高效化能力和水平，為新階段水利高質(zhì)量發(fā)展提供有力支撐和強力驅(qū)動。可見，在新時期新形勢下，開展智慧流域水文模擬和洪水預報系統(tǒng)研發(fā)，是建設數(shù)字孿生流域的重要組成部分，是強化“四預”措施和推進智慧水利建設的必然要求。

中國幅員遼闊，氣候復雜，自然地理多樣，水旱災害頻繁，嚴重影響著流域經(jīng)濟社會發(fā)展［3］。為了防治水旱災害，各流域內(nèi)建設了大規(guī)模的水利工程群。這些水工程群的聯(lián)合調(diào)度運用事關流域防洪、能源、航運、供水、生態(tài)安全，對流域綜合管理和經(jīng)濟社會發(fā)展意義重大。然而，水工程群的建成使得流域內(nèi)水文循環(huán)、暴雨洪水產(chǎn)匯流特性受影響的程度有了新的變化，增加了洪水預報的難度和不確定性。本文在綜述流域水文模擬和洪水預報業(yè)務的研究進展基礎上，從數(shù)據(jù)底板、規(guī)律機理、預報模型、方法技術和業(yè)務平臺等方面，探討流域水文預報技術研發(fā)的前景，為提高流域洪水預報精度，強化“四預”措施，建成數(shù)字孿生流域提供理論基礎和技術支撐［4］。

1 流域水文模擬預報研究進展

1.1 流域水文模型

縱觀國內(nèi)外洪水預報模型和技術的發(fā)展歷程，大體可分為產(chǎn)匯流機理研究、概念性水文模型、系統(tǒng)（黑箱）模型、分布式水文模型等發(fā)展階段。20世紀30～50年代，洪水預報的發(fā)展處于萌芽和起步階段，國內(nèi)外學者的研究多聚焦在水文循環(huán)各環(huán)節(jié)的演化機理方面，代表性成果有謝爾曼經(jīng)驗單位線、霍頓下滲曲線、馬斯京根法、彭曼蒸發(fā)公式、Nash瞬時單位線等；20世紀60～80年代，開展了大量的野外山坡水文機理實驗，揭示了非飽和側(cè)向流、壤中流和飽和地表徑流多種產(chǎn)流機制的存在［5］。這些研究結(jié)果促進了水文模型的發(fā)展。20世紀60年代末，世界上第一個水文模型（Stanford-IV）模型在美國誕生，這標志著水文學家開始結(jié)合系統(tǒng)理論的思想，將流域水文循環(huán)各要素視為一個有機的整體進行研究，具有里程碑意義；20世紀60～90年代，由于系統(tǒng)理論應用的逐步深入以及計算機技術的快速發(fā)展，流域水文模型的研發(fā)和應用進入蓬勃發(fā)展期，代表性模型有美國Sacramento和API模型、中國新安江模型［6］、日本TANK模型、瑞典HBV模型、丹麥NAM模型、英國TOPMODEL模型、法國GR4J模型、愛爾蘭LPM模型、意大利CLS模型等。

概念性模型和系統(tǒng)（黑箱）模型一般都是集總式的，為了表征流域在輸入、下墊面條件及模型參數(shù)的時空差異性，英國水文學家Freeze和Harlan［7］提出了分布式水文模型的構造框架。20世紀90年代以后，由于地面站點建設不斷推進，尤其是3S技術的不斷革新與推廣和數(shù)值高程模型的建立，分布式水文模型快速發(fā)展［8］，代表性成果包括歐洲SHE模型、意大利TOPKAPI模型、美國SWAT和VIC模型、中國GBHM模型［9］等。分布式水文模型耦合了流域物理特征、邊界條件以及水文過程的時空變化，可幫助人們深入認識流域水文過程機理［10］，在無資料地區(qū)水文預報和水資源量評估等方面已開展了廣泛應用，但因為下墊面信息支撐不足等原因，其在洪水預報領域還處于試驗應用階段［11］。

經(jīng)過90余年的發(fā)展，流域水文模型已臻成熟，近20 a來，水文模擬技術的發(fā)展聚焦在與其他學科或技術的交叉融合上，如深化定量降水預測預報技術、利用遙感技術提取下墊面信息、改進搜索技術率定模型參數(shù)等。實況輸入、降雨預報、模型、參數(shù)是制約洪水預報精度和預見期的關鍵所在。

1.2 人工智能預報

近年來，人工智能和數(shù)據(jù)挖掘技術被引入至水文預報領域，機器學習是實現(xiàn)人工智能的基本途徑［12］，因其無需考慮水量平衡原理等物理機制、僅從數(shù)據(jù)中尋求輸入輸出間的關系，因此可以更好地擬合非線性的徑流序列。其中人工神經(jīng)網(wǎng)絡（ANN）是最具代表性的機器學習算法之一，根據(jù)網(wǎng)絡架構是否有回饋項可劃分為靜態(tài)神經(jīng)網(wǎng)絡和動態(tài)神經(jīng)網(wǎng)絡，前者的網(wǎng)絡架構沒有回饋項，對資料結(jié)構的長期映射關系具有較好的解析效果，而后者具有回饋項，對資料結(jié)構的短期映射關系具有較好的解析效果。在水文預報領域應用較廣的靜態(tài)類神經(jīng)網(wǎng)絡包括反向傳播神經(jīng)網(wǎng)絡、徑向基神經(jīng)網(wǎng)絡、自組織映射網(wǎng)絡、時滯神經(jīng)網(wǎng)絡、適應性網(wǎng)絡模糊推論系統(tǒng)等；應用較廣的動態(tài)類神經(jīng)網(wǎng)絡包括Elman回饋式神經(jīng)網(wǎng)絡、即時回饋式神經(jīng)網(wǎng)絡、非線性自回歸外因輸入模式等［13］。除ANN外，支持向量機（SVM）、決策樹（DT）、多層感知機（MLP）和隨機森林（RF）等許多機器學習算法同樣具有處理非線性和不確定性的強大能力，在水文模擬預報和水庫調(diào)度領域得到廣泛的應用。張珂等［13］對比分析了DT、MLP、RF和SVM四種模型在陜西省3個半干旱半濕潤區(qū)典型流域洪水預報的適用性，發(fā)現(xiàn)4種模型在半濕潤區(qū)典型流域預報精度較高，適用性較優(yōu)，在半干旱流域精度偏低。同時，隨著預見期增加，SVM整體表現(xiàn)穩(wěn)定，RF和DT預報精度下降緩慢，MLP穩(wěn)定性較差。胡義明等［14］首先采用置換準確度重要性度量法篩選關鍵預報因子，其次采用隨機搜索技術結(jié)合交叉驗證方式確定模型參數(shù)和網(wǎng)絡結(jié)構，最后分析了AdaBoost模型（AdB）、RF和SVM的中長期徑流預報精度，結(jié)果發(fā)現(xiàn)AdB模型適用于淮河流域的中長期徑流預報，預報性能優(yōu)于RF和SVM模型。

盡管眾多機器學習模型算法廣泛應用于時間序列預測問題，但仍存在泛化性能弱、預見期較短等問題，為解決該難題，出現(xiàn)了較多基于ANN的深度學習方法，如循環(huán)神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡等。長短期記憶神經(jīng)網(wǎng)絡（LSTM）則通過在神經(jīng)網(wǎng)絡的隱藏層中引入存儲單元，來選擇記憶當前信息或遺忘過去記憶信息（如降雨-徑流映射關系），增強了神經(jīng)網(wǎng)絡的長期記憶能力［15-18］。Hu等［19］將LSTM模型應用于汾河流域洪水事件模擬研究中，發(fā)現(xiàn)LSTM模型的模擬性能優(yōu)于ANN模型，為洪水預報提出了新的數(shù)據(jù)驅(qū)動方法。徐源浩等［20］探討了LSTM模型在汾河流域洪水預報中的應用，并研究了超參數(shù)對預報精度的影響。結(jié)果表明，LSTM模型在6 h以上預見期預報效果相對較差，預報精度隨神經(jīng)元數(shù)量和訓練次數(shù)的增加呈上升趨勢，當達到一定值時，預報精度趨于穩(wěn)定。Xu等［21］采用粒子群優(yōu)化算法優(yōu)選LSTM模型的超參數(shù)，建立PSO-LSTM深度學習模型，并在汾河和漯河流域進行實驗，結(jié)果表明，PSO-LSTM模型學習數(shù)據(jù)特征的能力優(yōu)于ANN和LSTM等模型，提高了短期洪水預報的準確性。李步等［22］采用主成分分析法提取氣象要素的空間特征，并與LSTM神經(jīng)網(wǎng)絡相結(jié)合，構建了PCA-LSTM深度學習模型，以研究黃河源區(qū)氣象要素空間特征對預報精度的影響，結(jié)果表明所提模型具有較高的預報精度。張海榮等［23］采用偏互信息法篩選關鍵遙相關因子，將其作為LSTM神經(jīng)網(wǎng)絡輸入，在宜昌站進行月徑流預報，結(jié)果表明篩選因子使得LSTM神經(jīng)網(wǎng)絡更具有物理意義，可有效提高預報精度。

隨著人工智能技術快速發(fā)展，采用編碼-解碼（ED）結(jié)構的LSTM深度學習模型，得到了多時段和高精度的洪水過程預報［24-29］。Kao等［24］、Han等［25］、林康聆等［27］在石門水庫流域、美國Russian河流域、建溪流域分別構建了LSTM-ED模型，結(jié)果表明LSTM-ED模型預報性能優(yōu)于LSTM模型，但當預見期大于流域最大匯流時間時，模型預報性能逐漸變差。Cui等［26］提出一種耦合XAJ模型預報流量的外源輸入編碼-解碼結(jié)構，并耦合至LSTM神經(jīng)網(wǎng)絡（LSTM-EDE），在陸水和建溪流域進行3～12 h預見期的洪水預報。結(jié)果表明，所提模型可以克服遞歸編碼-解碼結(jié)構的訓練過程與驗證過程不一致的問題，提高了洪水過程預報精度。Girihagama等［28］在加拿大10個流域構建了基于注意力機制和編碼-解碼結(jié)構的LSTM模型用于1～5 d預見期的徑流預報，并與標準的LSTM-ED模型進行對比，結(jié)果表明所提模型具有更優(yōu)的預報性能。崔震等［29］將ED結(jié)構耦合至LSTM神經(jīng)網(wǎng)絡，構建了LSTM-ED深度學習模型，并采用貝葉斯預報處理器量化預報不確定性，用于三峽水庫1～7 d預見期的入庫洪水預報，結(jié)果表明LSTM-ED模型的納什效率系數(shù)在0.92以上，同時考慮預報降雨信息可提高概率預報性能。

綜上可知，深度學習算法的持續(xù)發(fā)展促使了其在預報業(yè)務中的需求逐漸增長，特征可視化或反映降雨徑流響應規(guī)律的可解釋性深度學習、能夠量化預報不確定性的概率深度學習、用于缺資料流域的區(qū)域深度學習和多任務集成深度學習等研究均得到水文學者的廣泛關注，將是人工智能預報極具潛力的方向。然而，智能洪水預報仍處于研究探索階段，在國內(nèi)尚未投入生產(chǎn)業(yè)務，制約了洪水預報客觀化的程度，亟待開展智能洪水預報的業(yè)務示范應用。

1.3 洪水概率預報

傳統(tǒng)的水文預報是依據(jù)實測雨量進行預報，預見期較短，并僅給用戶提供一個確定的預報值，難以滿足實際工作的需要。隨著數(shù)值天氣預報技術的發(fā)展，數(shù)值降水預報為延長預見期、提高洪水預報精度提供了可能。然而，數(shù)值降水預報存在誤差，降水作為水文模型最重要的輸入，它直接影響預報精度。此外，水文預報的不確定性還主要源于模型結(jié)構、模型參數(shù)的誤差。隨著對于預報理論認識的逐漸深入，人們發(fā)現(xiàn)基于特定水文模型和參數(shù)獲得的水文預報結(jié)果不可避免存在著預報誤差，可通過概率預報方法，即使用概率分布函數(shù)定量描述預報結(jié)果的不確定性，從而讓決策者更好地評估風險，因此概率預報已經(jīng)成為當前水文預報領域的研究熱點之一［30］。

縱觀國內(nèi)外學者相關研究，目前洪水概率預報主要分為兩類途徑［31］：一類是集合概率分析途徑，另一類是總誤差分析途徑。集合概率預報是當前刻畫降水預報和模型結(jié)構不確定性的重要手段，然而集合預報結(jié)果對于不確定性的描述常常是不準確的，必須通過統(tǒng)計后處理方法予以校正［32］。目前廣泛使用的統(tǒng)計后處理方法有兩大類，一類是集合模型輸出統(tǒng)計法（Ensemble Model Output Statistics，EMOS）［33］，另一類是貝葉斯模型平均法（Bayesian Model Averaging，BMA） ［34］。集合概率預報能甄別預報的不確定性來源，但計算量較大，且對輸入要求較高，在滿足實時作業(yè)預報的要求方面較困難。

總誤差分析途徑則是基于確定性預報結(jié)果/預報誤差與預報量的關系進行不確定性分析的概率預報方法，該法的輸入是確定性預報過程，重點是預報量的后驗密度函數(shù)推求，其缺點是對歷史樣本依賴性強，但計算快捷，使用方便。Krzysztofowicz［35］提出的貝葉斯概率預報系統(tǒng)（BFS）是該途徑最具代表性的成果，是公認的通過確定性水文模型進行概率預報解決水文預報不確定性的理論框架。針對BFS需進行線性-正態(tài)假設的不足，劉章君等［36］利用Copula函數(shù)推導了流量先驗分布及似然函數(shù)的解析表達式，構建了Copula-BFS模型，不僅簡化了計算難度，還可提高概率預報精度。近年來一些學者聚焦通過分析不同預見期、流量級下預報誤差的分布規(guī)律來量化預報的不確定性［37］。

總體而言，概率預報計算的模型和方法已較為成熟，但在與調(diào)度風險、調(diào)度決策耦合方面的研究和應用還比較缺乏，在當前國內(nèi)以基于確定性理念的預報調(diào)度業(yè)務為主的背景下，概率預報仍未被生產(chǎn)決策部門接納，未真正實現(xiàn)落地推廣。

2 中國洪水預報業(yè)務進展

2.1 洪水預報系統(tǒng)

洪水預報系統(tǒng)是水文預報領域具有代表性的先進技術，作為實時作業(yè)預報的業(yè)務工具，洪水預報系統(tǒng)通過水雨情監(jiān)視預警、防洪形勢分析以及預報調(diào)度計算等，可為預報調(diào)度提供重要技術支撐，并極大地提高預報員的工作效率［38-39］。洪水預報系統(tǒng)在國內(nèi)外研究開發(fā)已有30～40 a的歷史，主要經(jīng)歷了4個發(fā)展階段：第一階段是聯(lián)機預報作業(yè)階段，其主要特點是集水情信息采集、傳輸、處理和洪水預報計算為一體，以便快速完成洪水預報作業(yè)，如英國河川徑流預報系統(tǒng)、美國NOAA洪水預報系統(tǒng)（NWSRFS）；第二階段是實時預報校正階段，在洪水預報系統(tǒng)中引入現(xiàn)代控制理論，實現(xiàn)實時信息和預報結(jié)果的實時校正，如長江中下游洪水預報調(diào)度系統(tǒng)［40］；第三階段是交互式洪水預報階段，利用圖形交互處理技術對洪水預報中間環(huán)節(jié)進行人工干預，充分利用專家、預報員的知識和經(jīng)驗，以有效地提高洪水預報水平，如國家防汛抗旱指揮系統(tǒng)一期工程——中國洪水預報系統(tǒng)［41］、長江水利委員會推出的通用型水文預報平臺［42］；目前，隨著計算機技術和網(wǎng)絡技術的進步，Web服務模式下洪水預報系統(tǒng)的開發(fā)成為可能，洪水預報系統(tǒng)真正從模型開發(fā)走向應用服務，在業(yè)務功能處理上逐步實現(xiàn)了預報調(diào)度一體化、會商決策信息化和科學化支撐等功能，基于Web服務模式下構建預報調(diào)度一體化系統(tǒng)，正向洪水預報系統(tǒng)發(fā)展的第四階段邁進，如國家防汛抗旱指揮系統(tǒng)二期工程——長江防洪預報調(diào)度系統(tǒng)［43］。

當前，從事洪水預報業(yè)務的各級水情部門和發(fā)電企業(yè)均開發(fā)了各自的洪水預報系統(tǒng)，水平總體處在系統(tǒng)發(fā)展的第三或者第四階段，但大多數(shù)系統(tǒng)的定制化程度高，且自動化、國產(chǎn)化、標準化程度不高，導致移植性較差，業(yè)務推廣不足。

2.2 洪水預報業(yè)務應用現(xiàn)狀及不足

新中國成立以來，中國水文情報預報工作從無到有、由點到面迅速發(fā)展。傳統(tǒng)的洪水預報方法是從工程水文學計算方法直接移植的，相關圖、謝爾曼單位線、馬斯京根法等是先期預報方法的主流，隨著計算機技術、信息處理技術、作業(yè)預報技術手段不斷創(chuàng)新發(fā)展，水情自動測報系統(tǒng)、水文模擬技術、洪水預報模型和方法、洪水預報系統(tǒng)建設取得了長足進步［44］。但隨著經(jīng)濟社會的快速發(fā)展，一方面，人類活動深刻影響著流域水文循環(huán)，預報的不確定性影響因素更加復雜，應推進量化預報不確定性和調(diào)度風險的業(yè)務實踐，以及時做出相應的優(yōu)化決策和防范措施。另一方面，跨區(qū)域、大規(guī)模水利工程群的多目標聯(lián)合調(diào)度運用是流域綜合管理的重要手段［45］，相應地，高精度的中、長預見期徑流預報成為指導水資源管理的重要參考。同時，傳統(tǒng)水利正快速邁向智慧水利階段，數(shù)字孿生流域建設亟需提升支撐能力、創(chuàng)新服務手段。這些都需要以水文預測預報為前提保障，因而對水文預報的發(fā)展提出了新的需求：① 提高預報精度、延長預見期；② 客觀量化預報不確定性，更好支撐風險調(diào)度決策；③ 提高智慧化水平，解放生產(chǎn)力。面對新時期新形勢下的新需求，就流域洪水預報現(xiàn)狀而言，在算據(jù)獲取、洪水預報模型適應性、新技術落地推廣及業(yè)務系統(tǒng)通用化等方面仍面臨較大挑戰(zhàn)，是亟待解決的短板［46］。

2.2.1 算據(jù)獲取能力不足

豐富的數(shù)據(jù)底板是準確、客觀描述流域水文循環(huán)的基礎。當前，流域站網(wǎng)密度較優(yōu)的區(qū)域多集中在發(fā)達地區(qū)或平原區(qū)，西部偏遠山區(qū)、河源、中小河流等區(qū)域仍顯稀少，且站點維護不足，而高時空分辨率的降雨分布、下墊面信息、河道地形、大范圍土壤墑情、高精度傾斜攝影數(shù)據(jù)短缺，以及空天地一體化監(jiān)測的衛(wèi)星遙感、雷達監(jiān)測反演數(shù)據(jù)利用度不高，一定程度上制約了多時空尺度的水文模擬水平提升。上述均是流域數(shù)據(jù)底板構建的短板，使得流域“算據(jù)”獲取能力不足。

2.2.2 預報模型的適應性面臨挑戰(zhàn)

氣候變化導致陸氣互饋影響更復雜，局地暴雨特性改變，氣象水文預報耦合不緊密，降水預報難度加大，難以滿足洪水預報對定量化、定點化、定時化的精準要求；掣肘于站網(wǎng)密度不足和預報模型未深入應用等原因，未控區(qū)間產(chǎn)匯流計算并不精準；現(xiàn)有預報方案中產(chǎn)匯流模型的率定檢驗多滿足于平均狀況下的目標函數(shù)最優(yōu)，對參數(shù)的異參同效等不夠重視；面臨全生命周期的水文預報，即由主要為汛期洪水預報向全年的水文水資源預報轉(zhuǎn)變，需要考慮模型結(jié)構和參數(shù)對季節(jié)性變化規(guī)律的響應調(diào)整；人類活動影響下的下墊面變化導致流域產(chǎn)匯流特性和機理改變，原有洪水預報模型的適應性面臨挑戰(zhàn)，既要考慮水庫調(diào)度對洪水預報互饋影響下的預報調(diào)度一體化，又要建立水文水力學相結(jié)合的河道（庫區(qū)）匯流方法，以滿足變化條件下大流域、長河系、多阻斷的流域水工程聯(lián)合調(diào)度和流域綜合管理的現(xiàn)實需要。

2.2.3 新技術有待業(yè)務化落地和推廣

面臨精準預報、智能調(diào)度、風險決策等新需求，分布式模擬、智能模擬、集合預報、概率預報等新技術已成為行業(yè)發(fā)展的前沿方向，相關研究業(yè)已如火如荼地開展，但目前還多處于研究探索階段，尚未構建成熟的技術方法體系，科研與應用存在脫節(jié)，與生產(chǎn)部門的實際需求和基礎結(jié)合不夠，未針對性開展業(yè)務化設計和典型示范，導致仍未實現(xiàn)落地推廣。例如，多模型業(yè)務預報仍然是點綴，成功應用于業(yè)務預報的模型單一，開展集合預報困難；分布式模型因未能體現(xiàn)出相比集總式模型的模擬預報精度優(yōu)勢，尚未在業(yè)務應用展開；機器學習還是以神經(jīng)網(wǎng)絡等為初級表現(xiàn)；特別要指出的是，引入風險概念的洪水概率預報，尚未與調(diào)度決策耦合，仍未被生產(chǎn)決策部門接納應用。

2.2.4 業(yè)務系統(tǒng)的通用化和產(chǎn)品化程度有待提升

縱觀科研和生產(chǎn)實踐現(xiàn)狀，關于水文建模和實時作業(yè)預報，國內(nèi)已研發(fā)了種類齊全、數(shù)目繁多的業(yè)務系統(tǒng)，但這些系統(tǒng)多基于特定模型或小流域構建，定制化程度高，研發(fā)與生產(chǎn)應用脫節(jié)，普遍存在“四預”功能覆蓋不全，業(yè)務流程設計不完善，國產(chǎn)化、客觀化、自動化、智能化程度不高，標準化、通用化、產(chǎn)品化不夠等問題，導致共享性、移植性差，推廣程度低、應用場景有限［47］。

3 流域水文預報關鍵技術與研發(fā)前景

3.1 多源異構數(shù)據(jù)匯集，夯實流域數(shù)據(jù)底板

3.1.1 構建基于空天地一體化的流域立體監(jiān)測體系

數(shù)據(jù)源的多寡、質(zhì)量高低是制約洪水預報精度的主要因素之一。為夯實流域數(shù)據(jù)底板，需納入多維度信息監(jiān)測裝備，構建基于空天地一體化的流域立體監(jiān)測體系，在無資料和少資料地區(qū)加密建設站點，并提升維護能力，利用衛(wèi)星、多普勒雷達等遙感手段反演面雨量，采用高分衛(wèi)星遙感影像解譯、激光雷達、無人機航拍及高精度傾斜攝影獲取河道地形與大斷面、地形地貌和土地利用等資料。

3.1.2 加強多主體信息匯集及共享平臺建設

不同主體的監(jiān)測數(shù)據(jù)各有側(cè)重，匯集更全面、更多維的數(shù)據(jù)信息，有利于深入挖掘數(shù)據(jù)隱含的知識規(guī)則，提高數(shù)據(jù)使用效力。因此，流域水文預報需要加強與氣象、國土、環(huán)保、發(fā)電企業(yè)等不同行業(yè)、部門的信息共享，通過構建流域?qū)用娑嘀黧w聯(lián)合的信息共享平臺和數(shù)據(jù)存儲中心，實現(xiàn)多源異構數(shù)據(jù)的共享和存儲。

3.1.3 開展多源數(shù)據(jù)融合和同化技術研究

數(shù)據(jù)融合和同化是一個多源信息集成的過程。通過數(shù)據(jù)同化算法不斷融合時空上離散分布的不同來源和不同分辨率的直接或間接監(jiān)測信息，以動態(tài)改善模型擬合軌跡、提高計算精度，是多源數(shù)據(jù)信息對水文預報模型預測精度的重要貢獻。因此，需持續(xù)開展多源數(shù)據(jù)融合和同化技術研究，使流域數(shù)據(jù)底板初始場數(shù)據(jù)更有效、更智慧。

3.2 加強河庫系統(tǒng)水汽循環(huán)研究，揭示成因機理

3.2.1 變化環(huán)境下流域暴雨特性演變成因分析

大規(guī)模水庫群的建設運行，導致流域陸面植被等下墊面條件發(fā)生顯著變化，引起蒸散發(fā)、土壤含水量等特性指標發(fā)生變異，而水庫群超大庫面的形成和年內(nèi)、年際變化，又進一步影響了陸氣能量交換和局地水汽循環(huán)規(guī)律，導致流域內(nèi)局部區(qū)域的暴雨過程、落區(qū)和強度發(fā)生改變，亟待研究水庫庫區(qū)暴雨特性變化及陸氣互饋影響機理。

3.2.2 河庫系統(tǒng)影響下洪水傳播機理研究

天然河道在不同類型水工程的作用下，被迫演變成長河系、多阻斷格局，連續(xù)的洪水過程因多個串并聯(lián)相接的河庫系統(tǒng)單元呈現(xiàn)破碎化特征，而水庫蓄泄變化、蓄滯洪區(qū)分/滯洪過程的雙向互饋作用，導致洪水波動特性改變，演進規(guī)律呈現(xiàn)傳播時間縮短、坦化特性改變等新特征，迫切需要開展水工程阻斷斷面上、下游洪水波形態(tài)及關鍵區(qū)域分流變化特征和演變機理研究，以重構河庫系統(tǒng)影響下洪水傳播特性變異的新認識，探明多阻斷條件下河道洪水傳播機理。

3.3 聚焦強人類活動影響特征，升級專業(yè)模型

3.3.1 未控區(qū)間流域預報模型

水工程建成以后，水工程之間、水工程與防洪保護點之間，形成了數(shù)目可觀的未控區(qū)間流域，上游區(qū)間的預報關乎水工程入流，進而影響其調(diào)度運用，而下游區(qū)間的預報則直接影響對下游防洪點的補償調(diào)度是否有效，因此，未控區(qū)間流域的預報一直是“河庫系統(tǒng)”洪水預報的難點痛點之一。一方面，未控區(qū)間的河流多屬中小河流，實時監(jiān)測站網(wǎng)和降雨預報分區(qū)的細化程度不足，區(qū)間來水的真值難以估計，導致預報模型一般采用參數(shù)臨近移植法構建，亟待深入開展率定檢驗和參數(shù)修正研究；另一方面，在部分未控區(qū)間流域，尤其像長江中下游干流區(qū)間覆蓋著數(shù)目眾多的排澇泵站、涵閘、洲灘民垸和中小水庫，其在防洪緊張期的集中啟用，對預報的累積影響甚大，如2016年、2020年，長江中游連續(xù)出現(xiàn)“中洪高水位”現(xiàn)象。加強實時信息獲取力度、動態(tài)檢驗參數(shù)、細化降雨預報分區(qū)，是提高未控區(qū)間流域預報精度的主要途徑。

3.3.2 多阻斷條件下的河道洪水演進模型

水工程的建成運用改變了壩上、壩下洪水波形態(tài)，原有河道匯流模型的適用性面臨挑戰(zhàn)，需針對性開展庫區(qū)及壩下河道洪水演進模型研究。對于河道型水庫庫區(qū)而言，入庫點因庫水位和入庫來水不同而不同，平水區(qū)、過渡區(qū)、河道區(qū)的范圍動態(tài)變化，入庫流量的計算需分類適配，而由于動庫容影響的存在，調(diào)洪計算宜采用水力學模型為主、靜庫容調(diào)洪模型為輔的多模型并行求解方法；對于壩下臨近河段，水庫出庫的激增或急減，使得河道洪水波呈現(xiàn)斷波特征，基于新樣本空間重構動態(tài)相關圖、分類馬斯京根等水文學模型，并探索基于黎曼間斷解的水力學求解方法，是提升下游河道洪水演進預報精度的努力方向，對解決下游防洪保護點（如長江中游沙市、城陵磯）的精準補償調(diào)度具有重要價值；對于平原河網(wǎng)區(qū)，研究構建集水庫、蓄滯洪區(qū)、洲灘民垸、涵閘泵站、水文站、河湖于一體的一、二維水動力學聯(lián)解模型，量化各類水工程對洪水的調(diào)蓄和滯排作用，可進一步提升洪水精準模擬預報能力。

3.3.3 多元驅(qū)動的中長期徑流預測模型

隨著流域內(nèi)水工程群的建成運用，對中長期預測的需求由定性轉(zhuǎn)向定量，而中長期尺度的天氣系統(tǒng)變化機理尚不明晰，且徑流分布受水工程累積的影響越來越顯著，因此中長期來水量預測成為當前水文預報領域的又一重點、難點。建立穩(wěn)定可靠的長系列資料庫，開展中長期徑流預測關鍵影響因子和水庫蓄泄因子分析，利用人工智能、機器學習、集合預報等新方法，耦合機理模型、數(shù)據(jù)挖掘、知識規(guī)則等多種模型實現(xiàn)中長期趨勢分析和徑流預測，進而形成一套多元驅(qū)動的流域中長期徑流預測技術，可望進一步提高中長期徑流預報精度。

3.4 深化預報新技術研究，探索基于智能預報調(diào)度的一體化業(yè)務體系

3.4.1 基于相似雨洪和參數(shù)適配的智能預報體系

在實時作業(yè)預報中，雨洪規(guī)律和參數(shù)適應性的認知對預報結(jié)果產(chǎn)生重要影響。為了提高預報的客觀化水平，實現(xiàn)智能化模擬預報，開展基于相似雨洪和參數(shù)智適配預報是兩條有效的解決途徑。一方面，提出暴雨洪水特征表征的指標體系和規(guī)范化計量方法，準確刻畫暴雨洪水特征指標，引入機器學習和圖像識別等算法，實現(xiàn)暴雨洪水關系挖掘綜合分析，即可辨識相似雨洪，由預見期降雨智能預報出相似洪水過程；另一方面，考慮不同特點的水文過程應有不同適應參數(shù)，構建動態(tài)成長的分類模型參數(shù)庫，利用人工智能新技術創(chuàng)新流域水文模型參數(shù)的智適配方法，根據(jù)降雨預報智能匹配水文模型參數(shù)，計算出精準的洪水過程。

3.4.2 基于調(diào)度規(guī)則智能模擬的精準化決策體系

水工程調(diào)度當前已成為制約預報精度和預見期的主要影響因素之一，亟須研究調(diào)度規(guī)則的智能化模擬技術，實現(xiàn)水工程調(diào)度的客觀化、智能化，以有效延長預見期。基于實時調(diào)度規(guī)則庫、歷史洪水調(diào)度案例庫，采用知識圖譜技術，將預報調(diào)度相關的原理規(guī)律、規(guī)則、經(jīng)驗、策略、方法等信息結(jié)構化，并結(jié)合神經(jīng)網(wǎng)絡、支持向量機、深度學習等智能技術，構建形成可累積式發(fā)展的實時洪水調(diào)度知識庫。根據(jù)水文氣象預報成果和流域防洪形勢分析，基于知識圖譜推理方法，智能推薦調(diào)度方案集，并進行專家交互，形式可支撐調(diào)度的精準化決策。

3.4.3 基于概率的實時預報調(diào)度風險決策體系

初始狀態(tài)誤差、輸入誤差、模型結(jié)構和參數(shù)誤差使得洪水預報難免存在不確定性，確定性預報能提供的風險信息有限，為客觀描述預報的不確定性，從而為優(yōu)化決策、精細調(diào)度提供更好支撐，需從以下幾個方面開展預報不確定性量化及風險決策的關鍵技術攻關：從總誤差途徑和集合途徑，研究可靠的概率預報模型；探索耦合概率預報的調(diào)度風險量化方法及風險決策技術；完成概率預報和風險決策的業(yè)務化設計，構建基于風險的實時預報調(diào)度決策業(yè)務體系。

3.5 打造通用化業(yè)務化平臺，支撐多要素全周期“四預”功能

為克服業(yè)界水文模型結(jié)構不統(tǒng)一，建模流程不規(guī)范、客觀化程度不高等問題，亟待制定標準化的模型封裝、集成技術，形成模型服務開發(fā)標準體系，構建通用、共享的洪水預報模型庫；融合流域自動圈化、資料校核處理、傳播時間分析、參數(shù)智能率定、方案評價、預報體系敏捷搭建等功能，研發(fā)通用化、向?qū)降乃念A報建模平臺，為“四預”提供良好的基礎支撐。

順應數(shù)字孿生流域需求，基于短中長期相結(jié)合、水文氣象耦合、預報調(diào)度互饋的技術思路，構建數(shù)值模式、水文模型、水力學模型、數(shù)理統(tǒng)計模型、智能模型、概率預報模型等多元模型驅(qū)動和“分布式模擬-水工程調(diào)度-河道演進”多層嵌套的流域水文模擬預報引擎，可實現(xiàn)大江大河洪水預報、山洪和中小河流預報、旱情預測、水資源預測、突發(fā)水事件水文應急預報等多要素預報預警。研發(fā)集全周期預測預報、多要素監(jiān)視預警、水工程綜合調(diào)度預演、全鏈條預案生成與管理為一體的“四預”數(shù)字孿生平臺。智慧流域水文預報關鍵技術見圖1。

4 結(jié) 語

中國已進入智慧水利、數(shù)字孿生流域建設的水利高質(zhì)量發(fā)展新階段，流域面臨人類活動和氣候變化雙重影響的變化環(huán)境。本文通過綜述國內(nèi)外洪水預報研究和應用的進展，分析了目前流域水文預報業(yè)務發(fā)展的需求和面臨的挑戰(zhàn)，并對智慧流域水文預報技術研究進行了探討和展望，得到主要認識和建議如下：

（1） 制約流域產(chǎn)匯流及洪水預報模型研究和預報精度的關鍵是現(xiàn)有可用的資料十分有限，雨量和流量觀測站點稀少，僅依靠流域出口控制斷面流量系列來率定和檢驗模型，預報精度有待提高。特別是中西部欠發(fā)達地區(qū)和未控區(qū)間流域的產(chǎn)匯流計算，由于站網(wǎng)密度不足或無資料，直接導致水文模擬預報精度不高。因此，智慧流域建設首先應加強空天地一體化監(jiān)測工作，收集整編流域氣象、水文、地理地貌、土地利用、植被覆蓋、水利交通等基礎數(shù)據(jù)，并建立標準統(tǒng)一的國家基礎數(shù)據(jù)庫。

（2） 新時期新形勢對流域水文預報的發(fā)展提出了新的需求：① 提高預報精度延長預見期；② 客觀量化預報不確定性，更好支撐風險調(diào)度決策；③ 提高智慧化水平，解放生產(chǎn)力。面對新需求，流域洪水預報在算據(jù)獲取、預報模型適應性、新技術落地推廣和業(yè)務系統(tǒng)通用化等方面仍面臨較大挑戰(zhàn)。

（3） 開展智慧流域產(chǎn)匯流及洪水預報模型研發(fā)，首先要聚焦數(shù)字孿生流域建設的“算據(jù)”支撐需求，實現(xiàn)多源異構數(shù)據(jù)匯集，夯實流域數(shù)據(jù)底板；針對氣候變化和人類活動深刻影響流域的背景，深入研究流域水汽循環(huán)和產(chǎn)匯流基礎規(guī)律，提升對流域暴雨洪水特性的認知水平。

（4） 抓住水工程群建成后的“大流域、長河系、多阻斷”河庫系統(tǒng)新格局，開展水工程互饋影響下的水文預報模型及方法研究，升級專業(yè)模型平臺，為數(shù)字孿生流域提供“算法”支撐；圍繞數(shù)字孿生流域建設總體目標的智慧化模擬、精準化決策路線，深化預報新技術研究，探索基于智能、風險的預報調(diào)度業(yè)務體系；以標準化、國產(chǎn)化、客觀化、智能化為目標，構建通用型業(yè)務平臺，提供多要素全周期水文預測預報預警服務，有力支撐“四預”孿生功能。

參考文獻：

［1］ 李國英.建設數(shù)字孿生流域 推動新階段水利高質(zhì)量發(fā)展［N］.學習時報，2022-06-29（1）.

［2］ 水利部.數(shù)字孿生流域建設技術大綱（試行）［Z］.2022.

［3］ 夏軍，石衛(wèi).變化環(huán)境下中國水安全問題研究與展望［J］.水利學報，2016，47（3）：292-301.

［4］ 王俊.面向水庫群調(diào)度的水文數(shù)值模擬與預測技術［M］.北京：中國水利水電出版社，2021.

［5］ 吳雷，許有朋，王躍峰，等.水文實驗研究進展［J］.水科學進展，2017，28（4）：632-640.

［6］ 趙人俊.流域水文模擬：新安江模型與陜北模型［M］.北京：水利電力出版社，1984.

［7］ FREEZE R A，HARLAN R.Blueprint for a physically based，digitally simulated hydrologic response model ［J］.Journal of Hydrology，1969，9（3）：237-258.

［8］ 任立良，劉新仁.數(shù)字高程模型信息提取與數(shù)字水文模型研究進展［J］.水科學進展，2000，11（4）：463-469.

［9］ 賈仰文，王浩，倪廣恒，等.分布式流域水文模型原理與實踐［M］.北京：中國水利水電出版社，2005.

［10］ 熊立華，郭生練.分布式流域水文模型［M］.北京：中國水利水電出版社，2004.

［11］ 徐宗學，程磊.分布式水文模型研究與應用進展［J］.水利學報，2010，41（9）：1009-1017.

［12］ 周研來，郭生練，張斐章，等.人工智能在水文預報中的應用研究［J］.水資源研究，2019，8（1）：1-12.

［13］ 張珂，牛杰帆，李曦，等.洪水預報智能模型在中國半干旱半濕潤區(qū)的應用對比［J］.水資源保護，2021，37（1）：28-35，60.

［14］ 胡義明，陳騰，羅序義，等.基于機器學習模型的淮河流域中長期徑流預報研究［J］.地學前緣，2022，29（3）：284-291.

［15］ RUMELHART D E，HINTON G E，WILLIAMS R J.Learning representations by back-propagating errors［J］.Nature，1986，323（6088）：533-536.

［16］ HOCHREITER S，SCHMIDHUBER J.Long short-term memory［J］.Neural Computation，1997，9（8）：1735-1780.

［17］ KRATZERT F，KLOTZ D，BRENNER C，et al.Rainfall-runoff modelling using long short-term memory（LSTM） networks［J］.Hydrology and Earth System Sciences，2018，22（11）：6005-6022.

［18］ NEARING G S，KRATZERT F，SAMPSON A K，et al.What role does hydrological science play in the age of machine learning ［J］.Water Resources Research，2021，57（3）：e2020WR028091.

［19］ HU C，WU Q，LI H，et al.Deep learning with a long short-term memory networks approach for rainfall-runoff simulation［J］.Water，2018，10（11）：1543.

［20］ 徐源浩，鄔強，李常青，等.基于長短時記憶（LSTM）神經(jīng)網(wǎng)絡的黃河中游洪水過程模擬及預報［J］.北京師范大學學報（自然科學版），2020，56（3）：387-393.

［21］ XU Y，HU C，WU Q，et al.Research on particle swarm optimization in LSTM neural networks for rainfall-runoff simulation［J］.Journal of Hydrology，2022，608：127553.

［22］ 李步，田富強，李鈺坤，等.融合氣象要素時空特征的深度學習水文模型［J］.水科學進展，2022，33（6）：904-913.

［23］ 張海榮，湯正陽，曹輝.基于偏互信息篩選的中長期徑流預報方案比選［J］.人民長江，2022，53（10）：71-75.

［24］ KAO I，ZHOU Y，CHANG L，et al.Exploring along short-term memory based encoder-decoder framework for multi-step-ahead flood forecasting［J］.Journal of Hydrology，2020，583.

［25］ HAN H，CHOI C，JUNG J，et al.Deeplearning with long short term memory based sequence-to-sequence model for rainfall-runoff simulation［J］.Water，2021，13（4）.

［26］ CUI Z，ZHOU Y L，GUO S L，et al.Effective improvement of multi-step-ahead flood forecasting accuracy through encoder-decoder with an exogenous input structure［J］.Journal of Hydrology，2022，609（4），127764.

［27］ 林康聆，陳華，陳清勇，等.耦合Encoder-Decoder的LSTM徑流預報模型研究［J］.武漢大學學報（工學版），2022，55（8）：755-761.

［28］ GIRIHAGAMA L，NAVEED KHALIQ M，et al.Streamflow modelling and forecasting for Canadian watersheds using LSTM networks with attention mechanism［J］.Neural Computing and Applications，2022，34（22）：19995-20015.

［29］ 崔震，郭生練，汪蕓，等.三峽入庫洪水概率預報的深度學習模型［J］.水力發(fā)電學報，2023，42（4）：1-10.

［30］ 陸桂華，吳娟，吳志勇.水文集合預報試驗及其研究進展［J］.水科學進展，2012，23（5）：728-734.

［31］ 張俊，楊文發(fā)，牛文靜，等.長江流域洪水概率預報業(yè)務化方法探討［J］.人民長江，2021，52（9）：11-15.

［32］ 巴歡歡，郭生練，鐘逸軒，等.考慮降水預報的三峽入庫洪水集合概率預報方法比較［J］.水科學進展，2019，30（2）：187-197.

［33］ RAFTERY A E，GNEITING T，BALABDAOUI F，et al.Using Bayesian model averaging to calibrate forecast ensembles［J］.Monthly Weather Review，2005，133（5）：1155-1174.

［34］ GNEITING T，RAFTERY A E，WESTVELD A H，et al.Calibrated probabilistic forecasting using ensemble model output statistics and minimum CRPS estimation ［J］.Monthly Weather Review，2005，133（5）：1098-1119.

［35］ KRZYSZTOFOWICZ R.Bayesian theory of probabilistic forecasting via deterministic hydrologic model ［J］.Water Resources Research，1999，35（9）：2739-2750.

［36］ 劉章君，郭生練，李天元，等.貝葉斯概率洪水預報模型及其比較應用研究［J］.水利學報，2014，45（9）：1019-1028.

［37］ 梁忠民，蔣曉蕾，錢名開，等.考慮誤差異分布的洪水概率預報方法研究［J］.水力發(fā)電學報，2017，36（4）：18-25.

［38］ 張建云.中國水文預報技術發(fā)展的回顧與思考［J］.水科學進展，2010，21（4）：435-443.

［39］ 葛守西.現(xiàn)代洪水預報技術［M］.北京：中國水利水電出版社，1999.

［40］ 王威，施勇，陳敏.淺談長江中下游實時洪水調(diào)度系統(tǒng)開發(fā)［J］.人民長江，2006，37（9）：58-62.

［41］ 章四龍.中國洪水預報系統(tǒng)設計建設研究［J］.水文，2002（1）：32-34，16.

［42］ 鄒冰玉，高珺，李玉榮.通用型水文預報平臺開發(fā)與應用［J］.人民長江，2011，42（6）：101-105.

［43］ 秦昊，陳瑜彬.長江洪水預報調(diào)度系統(tǒng)建設及應用［J］.人民長江，2017，48（4）：16-21.

［44］ 程海云.洪水預報系統(tǒng)及其在工程調(diào)度中的作用［J］.中國水利，2020（17）：11-13.

［45］ 芮孝芳.對流域水文模型的再認識［J］.水利水電科技進展，2018，38（2）：1-7.

［46］ 李致家.現(xiàn)代水文模擬與預報技術［M］.南京：河海大學出版社，2010.

［47］ 黃艷，喻杉，羅斌，等.面向流域水工程防災聯(lián)合智能調(diào)度的數(shù)字孿生長江探索［J］.水利學報，2022，53（3）：253-269.

（編輯：江 文）

Abstract：

At present，traditional water conservancy is rapidly entering a new stage of high-quality development for intelligent water conservancy.It is an important component of building a digital twin watershed to develop an intelligent watershed hydrological simulation and flood forecasting system.It is also an inevitable requirement for strengthening the "four precautions"（forecasting，alarming，preview and plan） and promoting the construction of intelligent water conservancy.The research progress of hydrological simulation forecasting is reviewed，and the current situation and shortcomings of the application of flood forecasting systems in China are analyzed.Meanwhile，we discuss the key technologies and development prospect of intelligent basin hydrological simulation and flood forecasting system from the aspects of database，regular mechanism，forecast model，methodology and technology，and application platform，including： pooling multi-source heterogeneous data and consolidating basin database；strengthening the water vapor cycle study of river reservoir system and revealing the cause mechanism；focusing on characteristics of strong human activities and upgrading professional models；deepening the research of new forecasting technology and exploring the integrated business system based on intelligent forecasting and dispatching；building a general business platform to support the multi-factor full cycle "four precautions" function.The research results can provide a theoretical basis and technical support for improving the flood forecasting level in river basins，strengthening the "four precautions"，and constructing digital dual river basin.

Key words：

intelligent watershed；digital twin；hydrological forecasting；intelligent simulation；probabilistic forecasting