摘要：為了滿足新形勢(shì)下防災(zāi)減災(zāi)的預(yù)警預(yù)報(bào)以及洪水預(yù)報(bào)的相關(guān)要求，填補(bǔ)防災(zāi)減災(zāi)的空白，文章以洪水預(yù)報(bào)調(diào)度模型為研究對(duì)象，在神經(jīng)網(wǎng)絡(luò)算法基礎(chǔ)上，利用遺傳算法優(yōu)化資源配置，科學(xué)智能地開發(fā)流域預(yù)測(cè)和規(guī)劃系統(tǒng)，并實(shí)時(shí)采集雨量、水位和排水?dāng)?shù)據(jù)，及時(shí)處理和預(yù)測(cè)流域內(nèi)的降雨量、水位和排水量等水文氣象參數(shù)，旨在優(yōu)化防洪規(guī)劃。

關(guān)鍵詞：人工智能;神經(jīng)網(wǎng)絡(luò);大數(shù)據(jù);分布式模型;預(yù)報(bào)調(diào)度

中圖法分類號(hào)：TP181文獻(xiàn)標(biāo)識(shí)碼：A

Key technologies and applications of flood forecasting and scheduling model based on artificial intelligence

LV Jifa

（Ninghai Hydrographic Station，Ningbo，Zhejiang 315600，China）

Abstract：In order to meet the requirements of early warning and flood forecast of disaster prevention and mitigation under the new situation and fill in the gap of disaster prevention and mitigation， this paper takes the flood forecast dispatching model as the research object. Based on neural network algorithm， genetic algorithm is used to optimize the allocation of resources， develop river basin prediction and planning system reasonably， and acquire real-time data of rainfall， water level and drainage， timely process and forecaste in the basin， such as rainfall， water level and displacement hydrometeorological parameters， so as to optimize the flood control planning.

Key words： artificial intelligence，neural network， big data， distributed model， forecast scheduling

隨著人工智能技術(shù)的發(fā)展，傳統(tǒng)洪水預(yù)報(bào)技術(shù)需要在新的數(shù)據(jù)模式下進(jìn)行調(diào)整。為了保證洪水預(yù)報(bào)工作的精確度與效率，其采用數(shù)據(jù)驅(qū)動(dòng)的、多維的、有方法的人工智能模式進(jìn)行業(yè)務(wù)分析，為預(yù)測(cè)工作的開展提供了有力的技術(shù)支撐，也為多功能的流域規(guī)劃與運(yùn)行提供了科學(xué)的基礎(chǔ)。在此基礎(chǔ)上，基于集中式的人工神經(jīng)網(wǎng)絡(luò)方法構(gòu)建了一個(gè)面向特定地區(qū)的洪水預(yù)報(bào)模型，并應(yīng)用遺傳算法進(jìn)行資源配置，實(shí)現(xiàn)了科學(xué)、合理的洪水預(yù)報(bào)與規(guī)劃。

1人工智能與遺傳算法

人工神經(jīng)網(wǎng)絡(luò)模型是一個(gè)模擬人腦及其功能的數(shù)學(xué)模型。它的優(yōu)勢(shì)在于具有并行、分布式存儲(chǔ)、非線性映射、自組織、自學(xué)習(xí)等特點(diǎn)，同時(shí)具有較強(qiáng)的魯棒性和容錯(cuò)性，并且能夠很好地解決非凸問(wèn)題。遺傳算法是一種受到自然生物遺傳學(xué)啟發(fā)的最優(yōu)方法，它以“物競(jìng)天擇，適者生存”的原理為依據(jù)，在有限理解力的數(shù)字代碼的形式下，通過(guò)采用適當(dāng)?shù)脑u(píng)價(jià)標(biāo)準(zhǔn)，選擇最合適的成員進(jìn)行復(fù)制、融合和突變，確定最佳的生存基礎(chǔ)，從而使最符合目標(biāo)函數(shù)的解決方案在下一代中得到復(fù)制[1]，保留最佳的解決方案，當(dāng)然也會(huì)淘汰最差的解決方案，即經(jīng)過(guò)幾代繼承，獲取最佳方案。另外，神經(jīng)網(wǎng)絡(luò)有以下缺點(diǎn)：首先，其很難確定隱藏層的數(shù)量和隱藏層中神經(jīng)節(jié)點(diǎn)的數(shù)量，算法收斂緩慢，網(wǎng)絡(luò)往往會(huì)走到局部極端，沒(méi)有完美的理論來(lái)確定網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。根據(jù)定理，三層 BP 網(wǎng)絡(luò)可以在ε平方誤差范圍內(nèi)以一定的精度近似目標(biāo)函數(shù)f（ x ），隱層節(jié)點(diǎn)的選擇由2n+1決定，其中 n 是輸入因子。隨著電子計(jì)算機(jī)技術(shù)的發(fā)展，算法收斂緩慢的問(wèn)題得到了解決，即使經(jīng)過(guò)幾千萬(wàn)次的訓(xùn)練，算法收斂也只需要3～5分鐘。對(duì)于網(wǎng)絡(luò)傾向于收斂到局部最小值的情況，存在許多算法。例如，完善傳統(tǒng)的 BP 算法、將小波分割成神經(jīng)網(wǎng)絡(luò)以及將基本的水文知識(shí)納入神經(jīng)網(wǎng)絡(luò)等技術(shù)都取得了成功。同時(shí)，關(guān)于利用遺傳算法改進(jìn)神經(jīng)網(wǎng)絡(luò)的研究也很多，大致分為三種改進(jìn)方法，即使用遺傳算法來(lái)進(jìn)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、使用遺傳算法來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)重、使用遺傳算法來(lái)訓(xùn)練網(wǎng)絡(luò)?；诤髢煞N方法，人工神經(jīng)網(wǎng)絡(luò)可以被改進(jìn)，并且改進(jìn)后的網(wǎng)絡(luò)可以在實(shí)際的洪水預(yù)報(bào)中得到檢驗(yàn)。

2基于人工智能和大數(shù)據(jù)驅(qū)動(dòng)的水文模型應(yīng)用分析

洪水是中國(guó)最嚴(yán)重的自然災(zāi)害之一。中小型集水區(qū)的洪水預(yù)報(bào)是防洪減災(zāi)最重要的非技術(shù)措施。預(yù)防和緩解山洪的主要技術(shù)難點(diǎn)是計(jì)算小流域的風(fēng)暴潮。徑流的非線性和小流域的數(shù)據(jù)模糊以及參數(shù)分割是計(jì)算小流域風(fēng)暴潮的主要技術(shù)問(wèn)題。隨著遙感水文大數(shù)據(jù)的增加（如全國(guó)范圍內(nèi)的山洪調(diào)查和評(píng)估、水文調(diào)查、遙感和高分辨率地面調(diào)查等），水文遙感實(shí)現(xiàn)了由點(diǎn)到面的轉(zhuǎn)變，從靜態(tài)監(jiān)測(cè)擴(kuò)展到動(dòng)態(tài)監(jiān)測(cè)，為解決復(fù)雜水文現(xiàn)象和建立新的水文模型提供了新的機(jī)遇。水文模型已經(jīng)成為水文研究的重點(diǎn)。

2.1大數(shù)據(jù)基礎(chǔ)

中國(guó)在2019～2020年進(jìn)行了全國(guó)山洪災(zāi)害的調(diào)查與評(píng)價(jià)。在此基礎(chǔ)上，對(duì)我國(guó)各流域進(jìn)行了劃分，劃分出了各流域的60多萬(wàn)個(gè)小流域，確定了各流域的基線屬性得分，并建立了各流域基線屬性指標(biāo)，使用國(guó)家遙感影像資料，根據(jù)土壤類型與質(zhì)地資料，以2.5米為單位，構(gòu)建了土壤結(jié)構(gòu)參數(shù)和土壤類型數(shù)據(jù)，對(duì)近12000余份暴雨洪水觀測(cè)資料進(jìn)行了統(tǒng)計(jì)和整理。通過(guò)對(duì)700個(gè)水文站的暴雨洪水觀測(cè)資料與1949～2020年的洪水資料進(jìn)行匯總，積累了大量的歷史資料，對(duì)小流域的風(fēng)暴潮進(jìn)行了初步研究，并為機(jī)器學(xué)習(xí)提供了充足的范例[2]。

2.2基于機(jī)器學(xué)習(xí)的人工智能技術(shù)

近年來(lái)，在降雨預(yù)測(cè)、小流域遙感數(shù)據(jù)分類、洪水模型參數(shù)估計(jì)、洪水預(yù)測(cè)預(yù)警、洪水風(fēng)險(xiǎn)評(píng)價(jià)等方面，我國(guó)都有深入的研究和探索。在高分辨率數(shù)據(jù)分類方面，為了有效提高遙感影像和激光點(diǎn)云的分類準(zhǔn)確率，針對(duì)目前我國(guó)分水嶺參數(shù)劃分中存在的數(shù)據(jù)差距，提出了一種以基本屬性數(shù)據(jù)、基本參數(shù)數(shù)據(jù)、土壤質(zhì)量數(shù)據(jù)為基礎(chǔ)的分水嶺參數(shù)分區(qū)方法。對(duì)1000多個(gè)洪水特征和參數(shù)進(jìn)行了機(jī)器學(xué)習(xí)，以河南、北京、甘肅、福建、吉林等5個(gè)省份（直轄市）小流域的無(wú)資料區(qū)域參數(shù)庫(kù)為參考目標(biāo)，其將有效提高我國(guó)小流域的水情預(yù)測(cè)能力。另外，為了構(gòu)建以小流域?yàn)榛A(chǔ)的風(fēng)暴潮風(fēng)險(xiǎn)因子評(píng)價(jià)指標(biāo)體系，有關(guān)人士提出了幾大主要風(fēng)險(xiǎn)因子，分別為短期風(fēng)暴特征、單位洪水系數(shù)、匯流時(shí)間、房屋風(fēng)險(xiǎn)，評(píng)價(jià)采用53個(gè)時(shí)期的235起歷史洪水事件，其一致性達(dá)到91%，從而極大地提高了洪水危險(xiǎn)性的判斷精度。

2.3新一代分布式水文模型

以山洪災(zāi)害監(jiān)測(cè)與評(píng)估結(jié)果為依據(jù)，利用實(shí)時(shí)衛(wèi)星、雷達(dá)、臺(tái)站等多源降雨信息和預(yù)測(cè)降雨資料，以流域結(jié)構(gòu)和基本特征為參考目標(biāo)，以歷史暴雨洪水和率定參數(shù)為先驗(yàn)知識(shí)，以降雨蒸發(fā)、產(chǎn)匯流、河道演進(jìn)、水庫(kù)調(diào)蓄等水文過(guò)程為主線，以流域?yàn)橛?jì)算單元，集成模型庫(kù)、人工智能算法庫(kù)、參數(shù)庫(kù)和先驗(yàn)知識(shí)庫(kù)為一體的新一代分布式水文模型。通過(guò)對(duì)15個(gè)不同區(qū)域的降雨資料進(jìn)行分析，比較了新安江、連續(xù)路、 TOPMODEL 和 PRMS 等10種模式的仿真精度，通過(guò)新一代分布式水文模式在小流域中的應(yīng)用，其精度可提高30%左右。

3水文模型應(yīng)用現(xiàn)狀

3.1水文模型參數(shù)優(yōu)化

若要有效利用水文模型，那么建立模型的參數(shù)非常關(guān)鍵。傳統(tǒng)水文模型參數(shù)設(shè)定多采用試錯(cuò)法，即用人工不斷地調(diào)節(jié)參數(shù)值，以達(dá)到仿真精度。該方法是人為的，具有很強(qiáng)的重復(fù)性和復(fù)雜性。當(dāng)前，智能算法在參數(shù)自動(dòng)優(yōu)化方面的研究與實(shí)現(xiàn)，主要是針對(duì)模型參數(shù)的全局優(yōu)化問(wèn)題，總體上屬于智能化。其中，遺傳算法、多目標(biāo)粒子群優(yōu)化（MOPSO）和 SCE?UA（SCE?UA）算法，其改進(jìn)算法得到了較多的關(guān)注，并在水文模型參數(shù)優(yōu)化中得到了廣泛應(yīng)用。相關(guān)研究人員提出一種多目標(biāo)粒子群優(yōu)化方法，用于新安江流域的參數(shù)優(yōu)化。利用 SCE?UA 方法對(duì) TOPMODEL 的參數(shù)進(jìn)行了優(yōu)化，根據(jù)測(cè)試結(jié)果來(lái)看，有著良好效果。

3.2水庫(kù)優(yōu)化調(diào)度

水庫(kù)的發(fā)展是一個(gè)復(fù)雜的、多方面的管理問(wèn)題，其研究將直接關(guān)系到實(shí)際的生產(chǎn)和經(jīng)濟(jì)發(fā)展。傳統(tǒng)水庫(kù)管理方法主要有動(dòng)態(tài)規(guī)劃、線性規(guī)劃、非線性規(guī)劃、離散差動(dòng)規(guī)劃等。為了保證中長(zhǎng)期儲(chǔ)層的作業(yè)次序和作業(yè)安排，一般需要每年進(jìn)行最優(yōu)計(jì)算。但是，隨著字段數(shù)目的增加，運(yùn)算負(fù)擔(dān)就會(huì)增加，從而產(chǎn)生“規(guī)模災(zāi)難”問(wèn)題。針對(duì)大型水電站與水庫(kù)的聯(lián)合優(yōu)化調(diào)度問(wèn)題，國(guó)內(nèi)外學(xué)者進(jìn)行了大量研究，并針對(duì)這些問(wèn)題，建立了一系列的優(yōu)化調(diào)度算法。以某學(xué)者為例，其介紹了一種基于多目標(biāo)的微粒群優(yōu)化方法，并將其用于多目標(biāo)優(yōu)化工程，對(duì)一座跨江三級(jí)水電站進(jìn)行了規(guī)劃，得到了一批實(shí)時(shí)穩(wěn)定、均勻分布、收斂良好的多目標(biāo)規(guī)劃。

3.3分析計(jì)算速度

加速洪水預(yù)測(cè)系統(tǒng)的分析與計(jì)算，可以使預(yù)測(cè)周期大大延長(zhǎng)，從而提高預(yù)測(cè)的準(zhǔn)確性和防災(zāi)能力。海量的數(shù)據(jù)存儲(chǔ)、管理、分析、計(jì)算等技術(shù)（如 Hadoop ，Spark ，Storm[4]等）正在飛速發(fā)展，其在交通、金融和在線商務(wù)等領(lǐng)域得到了廣泛應(yīng)用。在水利領(lǐng)域，大數(shù)據(jù)技術(shù)的研究與應(yīng)用成果較多，尤其是數(shù)據(jù)的采集、存儲(chǔ)、共享與交換，而大數(shù)據(jù)技術(shù)在提高洪水預(yù)報(bào)模型分析和運(yùn)算速度等方面缺乏研究與應(yīng)用成果。

3.4總體設(shè)計(jì)思想

在分布式水文模型、大數(shù)據(jù)、人工智能等先進(jìn)技術(shù)的基礎(chǔ)上，實(shí)現(xiàn)了對(duì)中小河流的預(yù)報(bào)與規(guī)劃。首先，在分布式水文建模的基礎(chǔ)上，結(jié)合中小河流的氣象、水文特征，構(gòu)建了適合中小河流的“降雨?徑流”分布模型，并對(duì)其進(jìn)行了數(shù)值模擬。其次，采用遺傳算法、粒子群優(yōu)化等先進(jìn)算法，實(shí)現(xiàn)了“雨水?徑流”模型參數(shù)的自動(dòng)優(yōu)化;采用地形參數(shù)方法對(duì)數(shù)據(jù)丟失區(qū)域進(jìn)行模型參數(shù)分析，并建立了集水區(qū)特性與模型參數(shù)的相關(guān)性，從而提高了預(yù)測(cè)精度。遺傳算法完整的技術(shù)架構(gòu)如圖1所示。

3.5模型參數(shù)智能優(yōu)化

由于水文系統(tǒng)具有不確定性和多樣性，使得模型的各參數(shù)也具有一定的不穩(wěn)定性和時(shí)效性。在某種程度上，優(yōu)化效率和模型參數(shù)對(duì)模型的影響是決定模型有效性的重要因素。利用遺傳算法、PSO ，SCE?UA 等智能優(yōu)化算法，可以為自動(dòng)優(yōu)化參數(shù)優(yōu)化提供理論依據(jù)。針對(duì)水文站內(nèi)的中小河流，采用每年自動(dòng)優(yōu)化（或按用戶定義的步驟）及模型參數(shù)更新迭代，使之與水文系統(tǒng)的時(shí)間變化相適應(yīng)，從而提高預(yù)報(bào)精度。綜合利用新的系統(tǒng)理論和方法、計(jì)算機(jī)技術(shù)和遙感技術(shù)，代表了在數(shù)據(jù)貧乏地區(qū)進(jìn)行水文預(yù)測(cè)的新方法。為了分析數(shù)據(jù)貧乏地區(qū)的水文模型參數(shù)，可以使用相似性原則從數(shù)據(jù)域轉(zhuǎn)移參數(shù)，或者使用地貌參數(shù)方法來(lái)確定模型參數(shù)和流域特征之間的相關(guān)性。根據(jù)數(shù)據(jù)域中模型參數(shù)的校準(zhǔn)結(jié)果，建議使用地貌參數(shù)法來(lái)確定模型參數(shù)與流域面積、河流長(zhǎng)度、坡度、植被覆蓋、土壤結(jié)構(gòu)和其他特征之間的相關(guān)性。根據(jù)確定的關(guān)聯(lián)關(guān)系，然后從開放區(qū)數(shù)據(jù)和流域特征值中計(jì)算出模型參數(shù)，并將其代入水文模型進(jìn)行預(yù)測(cè)[5]。

4結(jié)語(yǔ)

通過(guò)技術(shù)分析和案例研究可以看出，人工智能算法在洪水預(yù)測(cè)中的應(yīng)用打破了傳統(tǒng)徑流產(chǎn)生和集中過(guò)程的多參數(shù)和多維度影響。在大量歷史數(shù)據(jù)的基礎(chǔ)上，找到了適合統(tǒng)計(jì)預(yù)測(cè)尺度的預(yù)測(cè)模型，以此用于分析傳統(tǒng)徑流產(chǎn)生和濃度數(shù)據(jù)。統(tǒng)計(jì)數(shù)據(jù)的轉(zhuǎn)換可以從不同方面對(duì)水文預(yù)報(bào)進(jìn)行測(cè)試，大大提高了預(yù)報(bào)的準(zhǔn)確性。同時(shí)，面對(duì)復(fù)雜的水庫(kù)運(yùn)行等情況，傳統(tǒng)的單一水庫(kù)運(yùn)行和動(dòng)態(tài)規(guī)劃的方式無(wú)法完成整體優(yōu)化的最優(yōu)方案，縮短系統(tǒng)響應(yīng)時(shí)間，增加數(shù)據(jù)采樣范圍，降低經(jīng)驗(yàn)判斷的不確定性，提高決策效率。該技術(shù)能夠提供早期預(yù)警和預(yù)測(cè)服務(wù)，使結(jié)果可視化的方法多樣化，并充分整合現(xiàn)有資源以提高效率。

參考文獻(xiàn)：

[1]劉昌軍.基于人工智能和大數(shù)據(jù)驅(qū)動(dòng)的新一代水文模型及其在洪水預(yù)報(bào)預(yù)警中的應(yīng)用[ J].中國(guó)防汛抗旱，2019，29（5）：11+22.

[2]楊海燕，徐嶺，戚娟.運(yùn)用水文模型計(jì)算小流域致汛臨界面雨量的探討[J].陜西水利，2018（S1）：26?28.

[3]惠強(qiáng).基于人工智能的洪水預(yù)報(bào)算法的研究與實(shí)現(xiàn)[D].西安：西安電子科技大學(xué)，2020.

[4]王春平，王金生，梁團(tuán)豪.人工智能在洪水預(yù)報(bào)中的應(yīng)用[J].水力發(fā)電，2005（9）：12?15.

[5]廖厚初，王加虎.基于分布式預(yù)報(bào)平臺(tái)的水文模型預(yù)報(bào)研究[J].水利科學(xué)與寒區(qū)工程，2022，5（3）：59?62.

作者簡(jiǎn)介：

呂吉法（1968—），本科，高級(jí)工程師，研究方向：水利工程運(yùn)行管理。