[18.10.23][10-11] WMO — Manual on Low-flow Estimation and Prediction

10、11章内容


10. Estimating low flows in artificially influenced rivers

10.1 Introduction

流量低的时期,水资源再开发的影响最为严重,因为绝对水量转移量占自然流量制度的比例显着提高。人工影响对天然低流量的影响可以通过分析自然和人为影响的时间序列或通过估算人工成分的低流量统计来估算。本章概述了估算人为影响对低流量影响的方法。此外,本章还为评估对测量河流的人为影响程度提供了依据。

当目标是将低流量统计数据或水文模型参数与流域描述符相关联时,这是确定哪些流量记录应从研究中被拒绝的重要步骤。在开发此类模型时,使用人工控制的河流数据显然是不合适的
——还原


10.2 Inventory of artificial influences

The principal artificial influences on low river flows are as follows:

• Abstractions from rivers;
• Abstractions from groundwater;
• Discharges into rivers;
• Reservoir storage;
• Land-use change.
能够将人工影响的影响纳入流量估算,必须量化感兴趣的地点上游的主要影响。——难

记录的对低流量的人为影响的时间序列是理想的数据。 对于主要的水资源计划,可能会有这些计划。 例子包括储层储存,储层抽取,储层溢出,储层补偿流量,河流和地下水抽取,水力发电方案的河流分流和污水处理厂的污水排放的每日或每月值。 在没有测量数据的情况下,有必要间接估计人为影响


10.3 Artificial influences

10.3.1 River and groundwater abstractions
10.3.2 Artificial discharge released into rivers
10.3.3 Impounding reservoirs
10.3.4 Groundwater abstractions

10.4 Estimating artificially influenced low flows

10.4.1 Gauged flow——如何考虑人为影响,需要注意

10.4.2 Ungauged sites——如何考虑人为影响,需要注意。先弄出天然,再考虑人为。

10.4.3 Construction of monthly influence profiles
It is necessary to define the cumulative impact of all upstream artificial influences before adjusting the naturallow-flow statistics at an ungauged location.

10.4.4 Summation of monthly abstraction, discharge and reservoir impacts

10.4.5 Residual flow diagrams


10.5 Flow naturalization——是否还原,还原的复杂程度,根据问题的需要。

10.6 Climate and land-use change——复杂


11. Low-flow forecasting——重点

11.1 Introduction

本章探讨了低流量预测以及提供预测以改善与水资源相关的运营决策的情况类型。 在世界许多地区,气候变化将对低流量产生深远影响,因为降雨量的小幅减少以及蒸发和温度的增加将延长河流的低流量时期,从而影响其运营管理

低流量预报的主要目标是在给定时间内考虑一系列排水盆地水分条件和气候条件的情况下,评估流量的结果以及未来的用水需求。——有条件,有用途。

The lead time for performing low-flow forecasting is generally much longer than for flood forecasting, varyingfrom a few weeks to a few months and even years. Given that there is great uncertainty surrounding future meteorological conditions, both deterministic and probabilistic forecasts are used, depending on the time frame of forecasts. A probabilistic forecast can be made using probable estimates of rainfall that can be genera-ted from global climate models combined with local teleconnection relationships(降尺度).


Forecast periods!!!!!!!

Although there are many ways to group forecasting methods, one useful approach is to characterize the forecast period into short-, medium-, and long-term periods. The efficacy of different methods and the relevance of different hydroclimatic variables vary with forecast period length.

——预报的效果、选取的hydroclimatic variables与预见期有关,显而易见。

The degree to which current flows (当前流量) and local antecedent conditions (流域条件) are relevant to the prediction of future flows(和预见期也有关) varies somewhat with the size and nature of the drainage basin; however, in general, such information is useful for short-term forecasts of approximately seven days’ duration.

——这段话引申出一个问题,利用月径流自身序列,进行月径流预报???是否有物理意义,还是说就是瞎凑的,和the size and nature of the drainage basin有关,需要探讨。这段话说的还是current flows (当前流量)!!!更不要提 past flows.

尽管我们利用天气,海面温度和全球尺度水文气象观测的能力随着年份的位置和时间而变化,但这些信息通常可用于制定中期三至六个月的预报。 任何先行信息的相关性随预测期的长短而减少,长期预测将主要基于历史气候学,即基于长期历史观测得出的统计数据。 人们越来越谨慎地考虑气候变化的可能性或气候状态的局部变化以进行长期预测。 为此,仅依靠历史记录的审查部分与全球天气流通数值模型的输出相结合是正常的。

Different methods have been developed to take ad-vantage of the various information sources. Methods based on the recession analysis of streamflows (that is, on the storage-depletion behaviour of the drainage ba-sin in the absence of rain) provide a useful conservative forecast of short-term flow conditions.
——短期流量的保守预测!!!好!!!

对于中期预测,有必要考虑天气预报,结合先前条件的知识antecedent conditions (流域条件),可以用于开发回归或简单的未来流量的传递函数预测。 用于长期预测的模型的性质和复杂程度差别很大,这反映了各种不同气候驱动因素的不同功效。 一些数据源和适用方法的名义应用范围如图11.1所示。
——图11.1预测方法不同方面的应用范围


干旱的临界性质与低流量概率的相互作用随着流域的气候状况(第4章)而变化。 干旱情况下的预测还包括对水需求的预测,储水的可用性和低流量。 影响预测方法选择其他因素是流域尺寸,气候状况,地质和地形,所有这些因素将在下面讨论。

根据季节属性,特定流域的流量将与该地区的气候相对应。这还取决于流域的大小,地质和地形。 McMahon和Finlayson(2003)指出,一般而言,个别流将具有预期的低流量模式,这取决于其季节性水文制度类型。这些气候/制度区域倾向于决定预测的必要性和所需的预测类型。 Haines和其他人(1988)根据低流量时期的性质对全球15种类型的制度进行了分类。他们的研究表明,在不受管制的人中,浅层地下水储存系统为低流量供水。在澳大利亚确定了10种流动状态,低流量序列倾向于遵循以下模式:具有低年流量变化的多年生溪流具有季节性低流量但不停止流动;多年生河流,年变化很大,在极端年份停止流动;在旱季经常停止流动的短暂溪流;和干旱的区域溪流,有长而不稳定的无流动期。

另一方面,河流调节对低流量的影响可能会有所不同。 一般而言,监管可以减轻低流量的严重程度。 预测受监管河流的低流量完全取决于河流管理的运营策略。 考虑到河流的传输损失和抽象,简单的排放路线可以实现准确的预测。

在具有确定的潮湿和干燥季节的热带地区,雨季的衰退肢体到旱季的最低流量对于预测河流流量计划的流量非常重要。 在一些高山地区也是如此,在旱季,融雪和冰融化使得能够使用简单的基于衰退的预测程序。在温带地区,尽管单个水文线的衰退对于确定基流非常重要,但夏季的那些将更为重要。 在影响基流的主要人为事件(如丛林火灾,农业活动和城市建设)之后的预测流量尤为明显。

通过网络向所有运营商提供特定河流系统的河流和水位预测,例如莱茵河上的导航,现在可以向所有河流用户提供低流量的水文预报。 没有单一的最佳实践方法来预测低流量。 不同方法的效果和不同水文变量的相关性随预测期的长短而变化。

——显而易见!!!


11.2 Short-term forecasting

11.2.1 Purpose——目的,重要!!!没有目的,做啥预报,吃饱撑着!!!

短期预报(提前一到七天)对洪水预警和防洪水库储存的优化似乎比灌溉和环境用水的释放更为重要。开发短期预测模型的三种常用方法是基于衰退分析 recession analysis,低流量频率分析 low-flow frequency analysis 和自回归回归模型 autoregressive regression models 的使用。 下面依次描述这三种方法中的每一种。

11.2.2 Recession analysis——相当于我国的退水曲线法

经济衰退分析在5.3节中描述,提供了没有降雨时的流量估算。尽管可实现的预测期的长度取决于流域的大小及其储存程度,但一般可以得出1至20天的预测。预测期的最大长度从导出的衰退曲线的斜率和预期降雨前可能的时间长度的悲观程度可以看出。该预测保守地低,因为它基于这样的假设,即在干预期间不会发生降雨。

11.2.3 Regression analysis

回归分析是一种更灵活的工具,可用于预测。 用于短期预测的模型的开发通常包括来自先前时间段的流量和/或降雨量术语。

——常见。

在大多数情况下,将回归模型拟合到连续观察中将会影响独立性要求(由最小二乘拟合所需的假设),因为数据中的高序列依赖性。避免这个问题的最简单方法是将回归模型拟合到一个删失数据集中,在该数据集中排除干预数天的依赖数据。或者,可以采用更复杂的方法,其中自回归模型可以适应残差。

——不要瞎用,建立回归模型时,序列需要符合一定的条件。在今后的研究中,需要注意。

回归方法的主要优点是可以包含附加术语以改善模型的拟合。 理想情况下,可以包括某种形式的气候预报,但实际上,由于预测方法的改进,传统上不会收集短期(少于7天)气候预报的档案,或者是非平稳的。

天气和全球气候指数可用于预测中期(一至六个月)预测,并且通常使用有关海面温度和与全球流通模式相关的测量的各种信息(例如,南方 振荡指数(SOI),北大西洋涛动指数,印度洋偶极子和Troup指数)。 回归模型的使用还允许提供置信区间。 因此,不是仅提供单个“最佳估计”,而是可以提供置信区间。

用于流量预测的回归方程的发展提出了特别的挑战,特别是对于流量可能为零的短期期间。零流量的存在在数据集中创建了一个不对称的边界,这可能会破坏最小二乘回归模型的有效性。解决此问题的最简单实用方法是尝试应用于独立(即预测变量)和从属(流量)变量的一系列变换。数据的对数和简单功率变换通常是有用的,其中流量和降雨量变量首先被转换成对数域,或者被提升到功率(在0.2到1.0的范围内)。另一种方法是开发以一年中的时间或一系列感兴趣的流动条件为条件的回归模型。因此,为夏季和冬季开发单独的回归模型,或者对于某些流量条件的集合,其中先前降雨的时期高于或低于平均条件可能是有效的。

11.2.4 Other models

雷达降雨可用于改善非常短期的降雨预报。 在非常短的交付周期(1到2小时)内预测降雨的最准确方法是使用气象雷达估算降雨的空间分布,然后及时向前平流降雨场。 在预测期的某个时刻,与此方法相关的误差超过了数值天气预报(NWP)模型的误差,并且使用此方法的区域降雨预测预计与NWP模型预测相匹配。 一般来说,如果在排水盆地上投射大量降雨事件,则低流量情况会得到改善,但水库储存问题可能无法解决(Seed,2003)。


11.3 Medium-term forecasting

11.3.1 Purpose

出于若干目的,需要对河流进行中期预报,包括关于水力发电用水的流入和城镇供水,灌溉和冷却水的供水用途的知识。 其他应用包括预测春季流量。

11.3.2 Low-flow frequency analysis

当气候预报不可用或不准确时,低流量频率分析提供了另一种确定简单概率流量预测的方法。 第7章介绍了进行低流量频率分析的方法。图11.3说明了三个月的分析。

——分析历史资料进行预测,本质上是从历史资料中学习,提取相应的统计关系。这个方法和回归分析其实是一样,只是更加简单,仅仅考虑两变量之间的关系。

11.3.3 Using weather predictions to forecast flows

In a drought situation where extreme low flows already exist, it is possible to use a number of techniques, in-cluding long-term weather predictions to forecast flow and forecasts using ensemble analysis of likely future, or past, events.——两种方法我都见过

气候变量的预测,其中降雨(还有很多)是水资源应用中最重要的,可以从NWP模型中获得,这些模型通常由许多国家的气象机构运行。虽然NWP模型能够提供一周或更长时间的合理大规模预报,但由于其空间分辨率较低,预测点或流域尺度降雨的技能有限。通过使用动态降尺度方法(使用受低分辨率NWP模型结果约束的更高分辨率NWP模型)或统计降尺度,将NWP模型预测降级为流域尺度预测,可以改善当地区域的降雨预报方法(将NWP模型估计的大尺度大气层预测值与流域尺度降雨量相关联)。

可以从气象机构获得不同时期未来降雨量的估计,可以采用图11.4所示的形式,降雨深度或总降雨量。这些类型的模型用于农业目的,并且总是不转换成流动。 未来将越来越重视这些模型,以制定预测环境流量释放的程序,同时试图保持水的可靠性以用于其他用途。


11.4 Purpose of long-term forecasting

水文气候变量的长期预测(几个月到几个季节)可用于帮助管理水资源系统,特别是具有高年际变率的系统。 水资源可用性的季节性预测使水资源管理者能够就城市和城镇的水资源限制以及竞争用户的水资源分配做出更切合实际的决策,并对水资源分配,河流流量和可用于帮助农民制定知情风险的抽水天数进行概率预测 基于农场和作物管理的决策(Chiew等人,2003年)。

——这句话还是蛮关键的,高年际变率的系统。正是因为年际变化率高,所以才需要长期的预报,同时我需要有对长期预报的需求,例如多年调节水库的管理。这一概念,一再出现,明确需求(多年调节水库)的基础上(需要的预见期),考虑流域的特征(高年际变率的系统),之后进行长期预测。

The hydroclimate variables can be forecast several seasons ahead by exploiting the lag relationship between the hydroclimate variable and the El Niño/Southern Oscillation (ENSO). 通过利用水文气变变量和厄尔尼诺/南方涛动(ENSO)之间的滞后关系,可以预测几个季节的水文气候变量

——常见,注意别人用这种方法做的预见期

For example, Figure 11.5 shows that the spring (Sep–Oct–Nov) inflow into a reservoir (入库总量) in south-east Australiais generally higher when the winter (Jun–Jul–Aug) SOI is positive. The SOI is based on the Tahiti minus Darwin sea-level pressure and, together with sea surfacetemperature anomalies (particularly across the equa-torial Pacific Ocean, for example, NINO3) and upper atmospheric pressure, is commonly used as an indicator of ENSO. ENSO与气候之间的关系是世界各地研究机构和气象机构提供的季节气候预报的科学依据

——有预见期,有实用的价值。

流 – 流中的一到两个月滞后序列相关性通常高于流 – ENSO相关性,因此应与ENSO一起用于预测流量。 但是,与流量序列相关性相比,ENSO流量关系的强度在较长的提前期内保持不变。

——好!!!!!!这一点很重要。我之前试过全部用 气候变量 进行预测效果不好,确实相关性不够高,尤其当预见期比较短的时候。

水文气候预报通常使用将水文气候变量与ENSO指标相关联的统计方法来确定。 例如,超出概率预测可以简单地通过使用由先前ENSO条件的离散类别(如图11.5中的离散SOI类别)产生的流量分布来建立。 概率预测对于水资源系统通常以非常低的风险进行管理的水资源应用尤为重要(图11.5的右侧)。 Sharma(2000)和Piechota等人(2001)描述了更复杂和可靠的非参数方法,用于推导可流动性的流量预测,其中考虑了流量流和解释变量之间的连续关系。

——明白意思,思路不错,好!!!

统计季节预测方法在数据丰富的环境中很有用。然而,统计方法假设气候过程是固定的和线性的,这与我们对气候系统行为方式的了解相反。例如,统计方法不能容易地考虑不同的年代际期间或增强的温室气候中的不同ENSO-流量关系。因此,气候模型越来越多地用于确定季节性气候预报,特别是随着气候模型的不断改进。未来的季节预测方法很可能会利用统计方法和气候模型的有利特征。例如,统计方法可用于将气候模型的大规模预测缩小到流域尺度降雨量,以驱动水文模型以提供概率流量预测。降雨和气候预报可用作水文和河流运行模型的输入,以预测水文通量和状态以及河流流量。在数据丰富的地区和可以从遥感中获得可靠的土壤湿度和蒸散量估算的地区,数据同化方法也可用于约束模型模拟并纠正模型误差,以便更可靠的预测可以获得。

——统计和模型方法的结合。08年的展望,现在已经实现了。

Seasonal models, such as the Non-parametric Seasonal Forecast Model (NSFM), can forecast continuous ex-ceedance probabilities of streamflow (or any other hy-droclimate variable). The NSFM forecasts the excee-dance probabilities of streamflow several months ahead by exploiting the lag relationship between streamflow and ENSO and the serial correlation in streamflow.

——模型包含多方面的输入。序列自身以及其它。


11.5 Basic modelling techniques for forecasting

11.5.1 Purpose

本节的目的是为读者提供一些建模工具,用于根据河流的时间序列进行预测,即没有降雨或气候输入。提出了三种模型类型,每种模型在概念和实现方面都有不同程度的难度。第一种方法是自回归移动平均(ARMA)模拟技术,适用于大于一周的时间尺度预测。所描述的第二和第三方法分别是双状态隐马尔可夫模型(HMM)和在HMM框架中投射的移位级模型。这些技术更多地涉及随机模型 (理解起来困难一些) 。有关这些做法的更多信息可以在相关段落中给出的相应参考文献中找到。提供低流量预测的良好近似的模型包括Kuo和Sun的干预模型(1993)以及Coley和Waylen(2006)的条件预测方法。这两种模型都是本节介绍的技术的变体。

——这类方法,国内多用。到底合不合适???我是存疑的,虽然这类方法,写的文章也是极其多。。。。。

11.5.2 Autoregressive moving-average models

11.5.3 Two-state Hidden Markov Model

11.5.4 Shifting-level model

11.5.5 Concluding remarks

The shifting-level technique is the most flexible of the three models. ARMA models offer a good entry point into streamflow modelling and forecasting, and the variations on the general model provide insight into the characteristics of the flow data, without the compromise of the time requirements, difficulty and computational expense of the other techniques. The HMMs used to define persistent climatic states are useful when applied to low-flow analysis given that an understanding of the distribution and likely mag-nitude of low flows is gained. However, the models presented in this chapter should provide an adequate means of low-flow forecasting on multiple time scales.

变速级技术是三种模型中最灵活的。 ARMA模型为流量建模和预测提供了良好的切入点,一般模型的变化提供了对流量数据特征的深入了解,而不会影响其他技术的时间要求,难度和计算开销。 用于定义持久气候状态的HMM在应用于低流量分析时非常有用,因为可以了解低流量的分布和可能的大小。 但是,本章介绍的模型应该能够在多个时间尺度上提供适当的低流量预测方法。

11.6 Conclusions

预测低流量没有最佳实践。 各种方法的功效和不同水文变量的相关性随预测期的长短而变化。 但是,所提出的模型应该在多个时间尺度上提供适当的低流量预制方法。 用于长期预测的模型的性质和复杂程度差别很大,这反映了各种不同气候驱动因素的不同功效。 用于预测低流量的大多数模型遵循衰退曲线和回归的短期方法。由于预测分解为更长的时间段,因此使用各种气候驱动信号来预测低流量的持续性。

发表评论

电子邮件地址不会被公开。