概率分布模型（PDM）在國內(nèi)流域的適用性及參數(shù)在不同徑流階段的變化研究較少。本文以浙江省兩典型流域?yàn)槔?建立PDM流量預(yù)報(bào)對比模型,根據(jù)參數(shù)動態(tài)識別分析確定不同時(shí)間窗口下參數(shù)變化,從而推斷關(guān)鍵影響因子。研究結(jié)果表明:（1）PDM模型在兩流域模擬結(jié)果較為滿意,納什效率系數(shù)均可達(dá)到0.7以上,且低流量為主的龍泉溪流域模擬效果明顯優(yōu)于高流量主導(dǎo)的金華江流域;（2）在不同洪水事件下PDM參數(shù)(經(jīng)驗(yàn)參數(shù)α、b和最大蓄水能力S_max)均與前期土壤濕度顯著負(fù)相關(guān),與退水斜率有關(guān)的參數(shù)b在金華江流域與蒸發(fā)量顯著正相關(guān),而在龍泉溪流域與平均降雨負(fù)相關(guān)性顯著;（3）受地表以下28 cm土壤濕度變化控制的參數(shù)α在洪峰及退水階段識別度最大。 

【文章來源】：水力發(fā)電學(xué)報(bào). 2020,39(06)北大核心

【文章頁數(shù)】：10 頁

【部分圖文】：

研究區(qū)域Fig.2Studyareas（a）金華江（b）龍泉溪

44水力發(fā)電學(xué)報(bào)PDM在金華江流域的應(yīng)用，尤其在洪峰階段有一定的局限性。明顯的洪峰低估，可能是由于流域內(nèi)出現(xiàn)了不可忽視的超滲地表產(chǎn)流等。龍泉溪流域徑流相對較低，在洪水上漲、洪峰階段及退水過程均模擬較好，說明PDM模型在該流域的應(yīng)用前景更大，對徑流變化的監(jiān)測能力較好。龍泉溪流域徑流系數(shù)較金華江低，植被覆蓋度較高，可推斷出龍泉溪流域基于蓄滿產(chǎn)流機(jī)理效應(yīng)更加顯著。（a）金華江（b）龍泉溪圖3驗(yàn)證階段模擬效果比較Fig.3Comparisonofrunoffsimulationsforvalidationperiod3.2基于洪水事件的參數(shù)相關(guān)性分析以單個(gè)洪水事件為一個(gè)窗口間隔，按照DYNIA參數(shù)識別流程，隨機(jī)產(chǎn)生5000個(gè)參數(shù)組進(jìn)行模擬。其中，各參數(shù)α、b和maxS的取值范圍分別為0~3，0~15和0~80mm。并采用蒙特卡洛方法選取NSE指標(biāo)前10%的參數(shù)值，最終獲取各參數(shù)的中位數(shù)，即累計(jì)概率分布為50%對應(yīng)的參數(shù)數(shù)值，與流域不同場次洪水時(shí)期特性條件如平均降雨P(guān)、平均蒸發(fā)E、前期四層平均土壤濕度SMi（i1,2,,4）等進(jìn)行相關(guān)性統(tǒng)計(jì)分析。表3、表4分別表示了金華江共28嘗龍泉溪共29場洪水事件下模型參數(shù)與平均降雨、蒸發(fā)及土壤濕度特性之間的皮爾遜相關(guān)系數(shù)r和Kendalltau_b相關(guān)系數(shù)b[23]。三個(gè)參數(shù)均與前期土壤濕度有顯著負(fù)相關(guān)，尤其表現(xiàn)在金華江流域土壤濕度I~III層及龍泉溪流域III、IV層。由此可以推斷出金華江流域?yàn)闇\層地下水補(bǔ)給，龍泉溪流域?yàn)樯顚拥叵滤a(bǔ)給。而且與流域退水有關(guān)的模型參數(shù)b在金華江流域也與平均蒸發(fā)量有顯著的正相關(guān)性，或許是金華江流域蒸發(fā)量較大導(dǎo)致（見表1）。參數(shù)b在龍泉溪流域

.2790.351SM0.52130.4800.845SM0.5053b11.5589.683SM0.674b8.3350.688P0.654max3S135.521273.421SM0.661max4S199.664411.018SM15.392P0.7253.3基于不同徑流階段的參數(shù)識別度分析根據(jù)徑流斜率變化曲線將各場次洪水過程劃分為若干階段，分析在不同階段下三個(gè)模型參數(shù)的變化規(guī)律，根據(jù)信息量的大小確定出不同徑流階段識別度最高的影響因子。3.3.1單洪峰過程分析一般將單洪峰過程劃分為徑流上升初期、洪峰階段、退水階段。以某場次洪水過程為例，圖4表示金華江和龍泉溪流域單洪峰徑流過程不同階段下三參數(shù)識別度的變化，其中nQ表示歸一化后徑流。金華江流域2010年10月單洪峰洪水過程劃分為5個(gè)階段（件圖4（a）），在徑流上升初期I，三參數(shù)信息量均較低，參數(shù)b信息量相對最大，在初期徑流上升階段起關(guān)鍵作用。在金華江參數(shù)b與第三層土壤濕度有顯著相關(guān)性（見表5），說明在洪水上升階段金華江地下徑流占主導(dǎo)。在洪峰階段II，三個(gè)參數(shù)信息量均有不同程度的提高，尤其對于參數(shù)α信息量提高最大，說明兩流域第二層土壤濕度的變化起主要作用。退水階段III~V，參數(shù)α、maxS信息量基本保持不變，參數(shù)α的識別度仍最高，其次為maxS。龍泉溪流域1994年4月單洪峰過程分為4個(gè)階段（見圖4（b）），同樣在徑流緩慢上升初期I，三個(gè)參數(shù)信息量均不高，而參數(shù)b相對來說識別度最大，和平均降雨有關(guān)，說明上升初期龍泉溪地表徑流占主導(dǎo)。在徑流快速上升階段II及洪峰階段III，參數(shù)α和maxS識別度逐漸增大。在退水階段IV，參數(shù)α識別度最大，說明

【參考文獻(xiàn)】：
期刊論文
[1]入庫徑流預(yù)報(bào)誤差隨機(jī)模型及其應(yīng)用[J]. 紀(jì)昌明,梁小青,張驗(yàn)科,劉源.  水力發(fā)電學(xué)報(bào). 2019(10)
[2]基于PDM的飛來峽水庫實(shí)時(shí)水文預(yù)報(bào)模型[J]. 韓昌海,張銘,范子武,虞云飛,蘇亦綠,王紅旗.  水利水運(yùn)工程學(xué)報(bào). 2014(01)
[3]基于統(tǒng)計(jì)理論方法的水文模型參數(shù)敏感性分析[J]. 宋曉猛,孔凡哲,占車生,韓繼偉.  水科學(xué)進(jìn)展. 2012(05)
[4]基于數(shù)值天氣模式和分布式水文模型的三峽入庫洪水預(yù)報(bào)研究[J]. 高冰,楊大文,谷湘潛,許繼軍.  水力發(fā)電學(xué)報(bào). 2012(01)
[5]中國水文預(yù)報(bào)技術(shù)發(fā)展的回顧與思考[J]. 張建云.  水科學(xué)進(jìn)展. 2010(04)



本文編號：3066668