尋夢新聞LINE@每日推播熱門推薦文章，趣聞不漏接❤️
題目：A web based tool for operational real-time flood forecasting using data assimilation to update hydraulic states
作者：Mure-Ravaud M, Binet G, Bracq M, et al.
作者單位：LyRE, Centre R&D de SUEZ, Domaine du Haut Carré, 43 rue Pierre Noailles, 33400 Talence, France
期刊：Environmental Modelling & Software
時間：2016
關鍵詞：Flood forecasting system, Semi-distributed hydrologic model, Stationary Kalman filter, Data assimilation
本文開發了一種新型的洪澇預測模型，通過實時的氣象數據和水力過程數據，對流域進行模擬和預測，從而做到對洪澇的控制和管理。其基本模型框架如圖1。
圖1 一種新型城市內澇模型基本框架
該模型所使用的水力模型為半分布式模型。根據該流域的水力學特徵將其分為若干個子流域，在子流域內部使用集中式參數，而在全流域層面上，各子流域使用分布式參數，因此稱之為半分布式模型。為了提高計算的效率，子流域內部的降雨徑流和水力過程簡化為帶有時間延遲的水箱模型，其結構如圖2。
圖2子流域水箱模型框架圖
由於考慮到流域的水量輸入具有較大的不確定性，僅通過基於簡單機理的降雨徑流模型難以對現實情況進行較好的模型，本文創新性地引入了旱季模型和雨季模型兩個概念。針對旱季水力過程，進行參數率定得到一套水力模型結構參數，對於雨季水力過程，同樣進行參數率定得到另一套水力模型結構參數。之後通過實時的降雨數據，計算這兩類模型對結果的影響權重，從而計算得到最終的加權結果。在另一方面，由於考慮到流域水力學模型輸入的不確定性大，通過實時的流量監測數據，利用卡爾曼濾波方法對模型模擬結果進行實時修正，對不確定性輸入進行量化。其模型整體構建思路如圖3。
圖3模型整體構建思路
以其中一個監測位點為例，縱坐標為模擬預測與真實數據的均方誤差。其中紫色線表示沒有通過實時水力過程數據對模型進行校正但有精確的降雨預測數據的情況。綠色線表示沒有精確的降雨預測數據但有實時水力過程數據進行校正。藍色線表示既有實時水力過程數據校正又有精確的降雨預測數據的情況。可以看出通過實時水力過程數據對模型進行校正能夠有效提高模型預測的精確性。在沒有精確的降雨預測的情況下，在12小時的區間內仍有較高的預測準確度。
圖4某監測位點模擬預測結果誤差分析
本文所構建的模型與已有文獻中報導的簡化模型機理類似。但其創新點在於，對於旱季情景和雨季情景分別率定了一套參數，構建了相應的模型。基於實時監測數據，通過一個時變的權重系數來做到對旱雨季過程變化的模擬，提高了模型整體的精確度。此外本模型通過卡爾曼濾波對水力過程的不確定輸入進行了修正，類比至我們的研究中，可以考慮運用卡爾曼濾波對管道的一些不確定性輸入進行預測，這不失為除了機理模型外的一種方法。
https://www.sciencedirect.com/science/article/pii/S1364815216301839
