王俊 程海云 郭生練 張俊 崔震

摘要：

當(dāng)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(yù)報(bào)系統(tǒng)研發(fā)，是建設(shè)數(shù)字孿生流域的重要組成部分，是強(qiáng)化“四預(yù)”措施和推進(jìn)智慧水利建設(shè)的必然要求。綜述了流域水文模擬預(yù)報(bào)研究進(jìn)展，剖析中國(guó)洪水預(yù)報(bào)業(yè)務(wù)現(xiàn)狀和不足，從數(shù)據(jù)底板、規(guī)律機(jī)理、預(yù)報(bào)模型、方法技術(shù)和業(yè)務(wù)平臺(tái)等方面對(duì)水文預(yù)報(bào)技術(shù)進(jìn)行了探討展望。研究結(jié)果表明，智慧流域水文預(yù)報(bào)的關(guān)鍵技術(shù)與發(fā)展前景為：① 多源異構(gòu)數(shù)據(jù)匯集，夯實(shí)流域數(shù)據(jù)底板；② 加強(qiáng)河庫(kù)系統(tǒng)水汽循環(huán)研究，揭示成因機(jī)理；③ 聚焦強(qiáng)人類活動(dòng)影響特征，升級(jí)專業(yè)模型；④ 深化預(yù)報(bào)新技術(shù)研究，探索基于智能預(yù)報(bào)調(diào)度一體化業(yè)務(wù)體系；⑤ 打造通用化業(yè)務(wù)化平臺(tái)，支撐多要素全周期“四預(yù)”功能。研究成果可為提高流域洪水預(yù)報(bào)水平，強(qiáng)化“四預(yù)”措施，建成數(shù)字孿生流域提供理論基礎(chǔ)和技術(shù)支撐。

關(guān) 鍵 詞：

智慧流域； 數(shù)字孿生； 水文預(yù)報(bào)； 智能模擬； 概率預(yù)報(bào)

中圖法分類號(hào)： TV124

文獻(xiàn)標(biāo)志碼： A

DOI：10.16232/j.cnki.1001-4179.2023.08.001

0 引 言

國(guó)家“十四五”規(guī)劃綱要明確提出“構(gòu)建智慧水利體系，以流域?yàn)閱卧嵘闇y(cè)報(bào)和智能調(diào)度能力”。水利部高度重視智慧水利建設(shè)，將其作為推動(dòng)新階段水利高質(zhì)量發(fā)展的六條實(shí)施路徑之一［1］。2021年12月，水利部召開推進(jìn)數(shù)字孿生流域建設(shè)工作會(huì)議，要求大力推進(jìn)數(shù)字孿生流域建設(shè)。2022年3月，水利部印發(fā)《數(shù)字孿生流域建設(shè)技術(shù)大綱（試行）》［2］，指出數(shù)字孿生流域是智慧水利的核心與關(guān)鍵，其建設(shè)總體目標(biāo)之一是建成大江大河大湖及主要支流、重點(diǎn)流域和重點(diǎn)區(qū)域的數(shù)字孿生流域，實(shí)現(xiàn)與物理流域同步仿真運(yùn)行、虛實(shí)交互、迭代優(yōu)化，支撐“四預(yù)”（預(yù)報(bào)、預(yù)警、預(yù)演、預(yù)案）功能實(shí)現(xiàn)和“2+N”（流域防洪、水資源管理與調(diào)配+N項(xiàng)業(yè)務(wù)應(yīng)用）智能應(yīng)用運(yùn)行，加快構(gòu)建智慧水利體系，提升水利決策與管理的科學(xué)化、精準(zhǔn)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(qiáng)力驅(qū)動(dòng)?？梢?，在新時(shí)期新形勢(shì)下，開展智慧流域水文模擬和洪水預(yù)報(bào)系統(tǒng)研發(fā)，是建設(shè)數(shù)字孿生流域的重要組成部分，是強(qiáng)化“四預(yù)”措施和推進(jìn)智慧水利建設(shè)的必然要求。

中國(guó)幅員遼闊，氣候復(fù)雜，自然地理多樣，水旱災(zāi)害頻繁，嚴(yán)重影響著流域經(jīng)濟(jì)社會(huì)發(fā)展［3］。為了防治水旱災(zāi)害，各流域內(nèi)建設(shè)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(yùn)用事關(guān)流域防洪、能源、航運(yùn)、供水、生態(tài)安全，對(duì)流域綜合管理和經(jīng)濟(jì)社會(huì)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(yù)報(bào)的難度和不確定性。本文在綜述流域水文模擬和洪水預(yù)報(bào)業(yè)務(wù)的研究進(jìn)展基礎(chǔ)上，從數(shù)據(jù)底板、規(guī)律機(jī)理、預(yù)報(bào)模型、方法技術(shù)和業(yè)務(wù)平臺(tái)等方面，探討流域水文預(yù)報(bào)技術(shù)研發(fā)的前景，為提高流域洪水預(yù)報(bào)精度，強(qiáng)化“四預(yù)”措施，建成數(shù)字孿生流域提供理論基礎(chǔ)和技術(shù)支撐［4］。

1 流域水文模擬預(yù)報(bào)研究進(jìn)展

1.1 流域水文模型

縱觀國(guó)內(nèi)外洪水預(yù)報(bào)模型和技術(shù)的發(fā)展歷程，大體可分為產(chǎn)匯流機(jī)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(jì)30～50年代，洪水預(yù)報(bào)的發(fā)展處于萌芽和起步階段，國(guó)內(nèi)外學(xué)者的研究多聚焦在水文循環(huán)各環(huán)節(jié)的演化機(jī)理方面，代表性成果有謝爾曼經(jīng)驗(yàn)單位線、霍頓下滲曲線、馬斯京根法、彭曼蒸發(fā)公式、Nash瞬時(shí)單位線等；20世紀(jì)60～80年代，開展了大量的野外山坡水文機(jī)理實(shí)驗(yàn)，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(jī)制的存在［5］。這些研究結(jié)果促進(jìn)了水文模型的發(fā)展。20世紀(jì)60年代末，世界上第一個(gè)水文模型（Stanford-IV）模型在美國(guó)誕生，這標(biāo)志著水文學(xué)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(gè)有機(jī)的整體進(jìn)行研究，具有里程碑意義；20世紀(jì)60～90年代，由于系統(tǒng)理論應(yīng)用的逐步深入以及計(jì)算機(jī)技術(shù)的快速發(fā)展，流域水文模型的研發(fā)和應(yīng)用進(jìn)入蓬勃發(fā)展期，代表性模型有美國(guó)Sacramento和API模型、中國(guó)新安江模型［6］、日本TANK模型、瑞典HBV模型、丹麥NAM模型、英國(guó)TOPMODEL模型、法國(guó)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(shí)空差異性，英國(guó)水文學(xué)家Freeze和Harlan［7］提出了分布式水文模型的構(gòu)造框架。20世紀(jì)90年代以后，由于地面站點(diǎn)建設(shè)不斷推進(jìn)，尤其是3S技術(shù)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(guó)SWAT和VIC模型、中國(guó)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(guò)程的時(shí)空變化，可幫助人們深入認(rèn)識(shí)流域水文過(guò)程機(jī)理［10］，在無(wú)資料地區(qū)水文預(yù)報(bào)和水資源量評(píng)估等方面已開展了廣泛應(yīng)用，但因?yàn)橄聣|面信息支撐不足等原因，其在洪水預(yù)報(bào)領(lǐng)域還處于試驗(yàn)應(yīng)用階段［11］。

經(jīng)過(guò)90余年的發(fā)展，流域水文模型已臻成熟，近20 a來(lái)，水文模擬技術(shù)的發(fā)展聚焦在與其他學(xué)科或技術(shù)的交叉融合上，如深化定量降水預(yù)測(cè)預(yù)報(bào)技術(shù)、利用遙感技術(shù)提取下墊面信息、改進(jìn)搜索技術(shù)率定模型參數(shù)等。實(shí)況輸入、降雨預(yù)報(bào)、模型、參數(shù)是制約洪水預(yù)報(bào)精度和預(yù)見期的關(guān)鍵所在。

1.2 人工智能預(yù)報(bào)

近年來(lái)，人工智能和數(shù)據(jù)挖掘技術(shù)被引入至水文預(yù)報(bào)領(lǐng)域，機(jī)器學(xué)習(xí)是實(shí)現(xiàn)人工智能的基本途徑［12］，因其無(wú)需考慮水量平衡原理等物理機(jī)制、僅從數(shù)據(jù)中尋求輸入輸出間的關(guān)系，因此可以更好地?cái)M合非線性的徑流序列。其中人工神經(jīng)網(wǎng)絡(luò)（ANN）是最具代表性的機(jī)器學(xué)習(xí)算法之一，根據(jù)網(wǎng)絡(luò)架構(gòu)是否有回饋?lái)?xiàng)可劃分為靜態(tài)神經(jīng)網(wǎng)絡(luò)和動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)，前者的網(wǎng)絡(luò)架構(gòu)沒有回饋?lái)?xiàng)，對(duì)資料結(jié)構(gòu)的長(zhǎng)期映射關(guān)系具有較好的解析效果，而后者具有回饋?lái)?xiàng)，對(duì)資料結(jié)構(gòu)的短期映射關(guān)系具有較好的解析效果。在水文預(yù)報(bào)領(lǐng)域應(yīng)用較廣的靜態(tài)類神經(jīng)網(wǎng)絡(luò)包括反向傳播神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)、自組織映射網(wǎng)絡(luò)、時(shí)滯神經(jīng)網(wǎng)絡(luò)、適應(yīng)性網(wǎng)絡(luò)模糊推論系統(tǒng)等；應(yīng)用較廣的動(dòng)態(tài)類神經(jīng)網(wǎng)絡(luò)包括Elman回饋式神經(jīng)網(wǎng)絡(luò)、即時(shí)回饋式神經(jīng)網(wǎng)絡(luò)、非線性自回歸外因輸入模式等［13］。除ANN外，支持向量機(jī)（SVM）、決策樹（DT）、多層感知機(jī)（MLP）和隨機(jī)森林（RF）等許多機(jī)器學(xué)習(xí)算法同樣具有處理非線性和不確定性的強(qiáng)大能力，在水文模擬預(yù)報(bào)和水庫(kù)調(diào)度領(lǐng)域得到廣泛的應(yīng)用。張珂等［13］對(duì)比分析了DT、MLP、RF和SVM四種模型在陜西省3個(gè)半干旱半濕潤(rùn)區(qū)典型流域洪水預(yù)報(bào)的適用性，發(fā)現(xiàn)4種模型在半濕潤(rùn)區(qū)典型流域預(yù)報(bào)精度較高，適用性較優(yōu)，在半干旱流域精度偏低。同時(shí)，隨著預(yù)見期增加，SVM整體表現(xiàn)穩(wěn)定，RF和DT預(yù)報(bào)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(zhǔn)確度重要性度量法篩選關(guān)鍵預(yù)報(bào)因子，其次采用隨機(jī)搜索技術(shù)結(jié)合交叉驗(yàn)證方式確定模型參數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)，最后分析了AdaBoost模型（AdB）、RF和SVM的中長(zhǎng)期徑流預(yù)報(bào)精度，結(jié)果發(fā)現(xiàn)AdB模型適用于淮河流域的中長(zhǎng)期徑流預(yù)報(bào)，預(yù)報(bào)性能優(yōu)于RF和SVM模型。

盡管眾多機(jī)器學(xué)習(xí)模型算法廣泛應(yīng)用于時(shí)間序列預(yù)測(cè)問題，但仍存在泛化性能弱、預(yù)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(xué)習(xí)方法，如循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等。長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）則通過(guò)在神經(jīng)網(wǎng)絡(luò)的隱藏層中引入存儲(chǔ)單元，來(lái)選擇記憶當(dāng)前信息或遺忘過(guò)去記憶信息（如降雨-徑流映射關(guān)系），增強(qiáng)了神經(jīng)網(wǎng)絡(luò)的長(zhǎng)期記憶能力［15-18］。Hu等［19］將LSTM模型應(yīng)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(yù)報(bào)提出了新的數(shù)據(jù)驅(qū)動(dòng)方法。徐源浩等［20］探討了LSTM模型在汾河流域洪水預(yù)報(bào)中的應(yīng)用，并研究了超參數(shù)對(duì)預(yù)報(bào)精度的影響。結(jié)果表明，LSTM模型在6 h以上預(yù)見期預(yù)報(bào)效果相對(duì)較差，預(yù)報(bào)精度隨神經(jīng)元數(shù)量和訓(xùn)練次數(shù)的增加呈上升趨勢(shì)，當(dāng)達(dá)到一定值時(shí)，預(yù)報(bào)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(xué)習(xí)模型，并在汾河和漯河流域進(jìn)行實(shí)驗(yàn)，結(jié)果表明，PSO-LSTM模型學(xué)習(xí)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(yù)報(bào)的準(zhǔn)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(luò)相結(jié)合，構(gòu)建了PCA-LSTM深度學(xué)習(xí)模型，以研究黃河源區(qū)氣象要素空間特征對(duì)預(yù)報(bào)精度的影響，結(jié)果表明所提模型具有較高的預(yù)報(bào)精度。張海榮等［23］采用偏互信息法篩選關(guān)鍵遙相關(guān)因子，將其作為L(zhǎng)STM神經(jīng)網(wǎng)絡(luò)輸入，在宜昌站進(jìn)行月徑流預(yù)報(bào)，結(jié)果表明篩選因子使得LSTM神經(jīng)網(wǎng)絡(luò)更具有物理意義，可有效提高預(yù)報(bào)精度。

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

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

1.3 洪水概率預(yù)報(bào)

傳統(tǒng)的水文預(yù)報(bào)是依據(jù)實(shí)測(cè)雨量進(jìn)行預(yù)報(bào)，預(yù)見期較短，并僅給用戶提供一個(gè)確定的預(yù)報(bào)值，難以滿足實(shí)際工作的需要。隨著數(shù)值天氣預(yù)報(bào)技術(shù)的發(fā)展，數(shù)值降水預(yù)報(bào)為延長(zhǎng)預(yù)見期、提高洪水預(yù)報(bào)精度提供了可能。然而，數(shù)值降水預(yù)報(bào)存在誤差，降水作為水文模型最重要的輸入，它直接影響預(yù)報(bào)精度。此外，水文預(yù)報(bào)的不確定性還主要源于模型結(jié)構(gòu)、模型參數(shù)的誤差。隨著對(duì)于預(yù)報(bào)理論認(rèn)識(shí)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(yù)報(bào)結(jié)果不可避免存在著預(yù)報(bào)誤差，可通過(guò)概率預(yù)報(bào)方法，即使用概率分布函數(shù)定量描述預(yù)報(bào)結(jié)果的不確定性，從而讓決策者更好地評(píng)估風(fēng)險(xiǎn)，因此概率預(yù)報(bào)已經(jīng)成為當(dāng)前水文預(yù)報(bào)領(lǐng)域的研究熱點(diǎn)之一［30］。

縱觀國(guó)內(nèi)外學(xué)者相關(guān)研究，目前洪水概率預(yù)報(bào)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(yù)報(bào)是當(dāng)前刻畫降水預(yù)報(bào)和模型結(jié)構(gòu)不確定性的重要手段，然而集合預(yù)報(bào)結(jié)果對(duì)于不確定性的描述常常是不準(zhǔn)確的，必須通過(guò)統(tǒng)計(jì)后處理方法予以校正［32］。目前廣泛使用的統(tǒng)計(jì)后處理方法有兩大類，一類是集合模型輸出統(tǒng)計(jì)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(yù)報(bào)能甄別預(yù)報(bào)的不確定性來(lái)源，但計(jì)算量較大，且對(duì)輸入要求較高，在滿足實(shí)時(shí)作業(yè)預(yù)報(bào)的要求方面較困難。

總誤差分析途徑則是基于確定性預(yù)報(bào)結(jié)果/預(yù)報(bào)誤差與預(yù)報(bào)量的關(guān)系進(jìn)行不確定性分析的概率預(yù)報(bào)方法，該法的輸入是確定性預(yù)報(bào)過(guò)程，重點(diǎn)是預(yù)報(bào)量的后驗(yàn)密度函數(shù)推求，其缺點(diǎn)是對(duì)歷史樣本依賴性強(qiáng)，但計(jì)算快捷，使用方便。Krzysztofowicz［35］提出的貝葉斯概率預(yù)報(bào)系統(tǒng)（BFS）是該途徑最具代表性的成果，是公認(rèn)的通過(guò)確定性水文模型進(jìn)行概率預(yù)報(bào)解決水文預(yù)報(bào)不確定性的理論框架。針對(duì)BFS需進(jìn)行線性-正態(tài)假設(shè)的不足，劉章君等［36］利用Copula函數(shù)推導(dǎo)了流量先驗(yàn)分布及似然函數(shù)的解析表達(dá)式，構(gòu)建了Copula-BFS模型，不僅簡(jiǎn)化了計(jì)算難度，還可提高概率預(yù)報(bào)精度。近年來(lái)一些學(xué)者聚焦通過(guò)分析不同預(yù)見期、流量級(jí)下預(yù)報(bào)誤差的分布規(guī)律來(lái)量化預(yù)報(bào)的不確定性［37］。

總體而言，概率預(yù)報(bào)計(jì)算的模型和方法已較為成熟，但在與調(diào)度風(fēng)險(xiǎn)、調(diào)度決策耦合方面的研究和應(yīng)用還比較缺乏，在當(dāng)前國(guó)內(nèi)以基于確定性理念的預(yù)報(bào)調(diào)度業(yè)務(wù)為主的背景下，概率預(yù)報(bào)仍未被生產(chǎn)決策部門接納，未真正實(shí)現(xiàn)落地推廣。

2 中國(guó)洪水預(yù)報(bào)業(yè)務(wù)進(jìn)展

2.1 洪水預(yù)報(bào)系統(tǒng)

洪水預(yù)報(bào)系統(tǒng)是水文預(yù)報(bào)領(lǐng)域具有代表性的先進(jìn)技術(shù)，作為實(shí)時(shí)作業(yè)預(yù)報(bào)的業(yè)務(wù)工具，洪水預(yù)報(bào)系統(tǒng)通過(guò)水雨情監(jiān)視預(yù)警、防洪形勢(shì)分析以及預(yù)報(bào)調(diào)度計(jì)算等，可為預(yù)報(bào)調(diào)度提供重要技術(shù)支撐，并極大地提高預(yù)報(bào)員的工作效率［38-39］。洪水預(yù)報(bào)系統(tǒng)在國(guó)內(nèi)外研究開發(fā)已有30～40 a的歷史，主要經(jīng)歷了4個(gè)發(fā)展階段：第一階段是聯(lián)機(jī)預(yù)報(bào)作業(yè)階段，其主要特點(diǎn)是集水情信息采集、傳輸、處理和洪水預(yù)報(bào)計(jì)算為一體，以便快速完成洪水預(yù)報(bào)作業(yè)，如英國(guó)河川徑流預(yù)報(bào)系統(tǒng)、美國(guó)NOAA洪水預(yù)報(bào)系統(tǒng)（NWSRFS）；第二階段是實(shí)時(shí)預(yù)報(bào)校正階段，在洪水預(yù)報(bào)系統(tǒng)中引入現(xiàn)代控制理論，實(shí)現(xiàn)實(shí)時(shí)信息和預(yù)報(bào)結(jié)果的實(shí)時(shí)校正，如長(zhǎng)江中下游洪水預(yù)報(bào)調(diào)度系統(tǒng)［40］；第三階段是交互式洪水預(yù)報(bào)階段，利用圖形交互處理技術(shù)對(duì)洪水預(yù)報(bào)中間環(huán)節(jié)進(jìn)行人工干預(yù)，充分利用專家、預(yù)報(bào)員的知識(shí)和經(jīng)驗(yàn)，以有效地提高洪水預(yù)報(bào)水平，如國(guó)家防汛抗旱指揮系統(tǒng)一期工程——中國(guó)洪水預(yù)報(bào)系統(tǒng)［41］、長(zhǎng)江水利委員會(huì)推出的通用型水文預(yù)報(bào)平臺(tái)［42］；目前，隨著計(jì)算機(jī)技術(shù)和網(wǎng)絡(luò)技術(shù)的進(jìn)步，Web服務(wù)模式下洪水預(yù)報(bào)系統(tǒng)的開發(fā)成為可能，洪水預(yù)報(bào)系統(tǒng)真正從模型開發(fā)走向應(yīng)用服務(wù)，在業(yè)務(wù)功能處理上逐步實(shí)現(xiàn)了預(yù)報(bào)調(diào)度一體化、會(huì)商決策信息化和科學(xué)化支撐等功能，基于Web服務(wù)模式下構(gòu)建預(yù)報(bào)調(diào)度一體化系統(tǒng)，正向洪水預(yù)報(bào)系統(tǒng)發(fā)展的第四階段邁進(jìn)，如國(guó)家防汛抗旱指揮系統(tǒng)二期工程——長(zhǎng)江防洪預(yù)報(bào)調(diào)度系統(tǒng)［43］。

當(dāng)前，從事洪水預(yù)報(bào)業(yè)務(wù)的各級(jí)水情部門和發(fā)電企業(yè)均開發(fā)了各自的洪水預(yù)報(bào)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(dòng)化、國(guó)產(chǎn)化、標(biāo)準(zhǔn)化程度不高，導(dǎo)致移植性較差，業(yè)務(wù)推廣不足。

2.2 洪水預(yù)報(bào)業(yè)務(wù)應(yīng)用現(xiàn)狀及不足

新中國(guó)成立以來(lái)，中國(guó)水文情報(bào)預(yù)報(bào)工作從無(wú)到有、由點(diǎn)到面迅速發(fā)展。傳統(tǒng)的洪水預(yù)報(bào)方法是從工程水文學(xué)計(jì)算方法直接移植的，相關(guān)圖、謝爾曼單位線、馬斯京根法等是先期預(yù)報(bào)方法的主流，隨著計(jì)算機(jī)技術(shù)、信息處理技術(shù)、作業(yè)預(yù)報(bào)技術(shù)手段不斷創(chuàng)新發(fā)展，水情自動(dòng)測(cè)報(bào)系統(tǒng)、水文模擬技術(shù)、洪水預(yù)報(bào)模型和方法、洪水預(yù)報(bào)系統(tǒng)建設(shè)取得了長(zhǎng)足進(jìn)步［44］。但隨著經(jīng)濟(jì)社會(huì)的快速發(fā)展，一方面，人類活動(dòng)深刻影響著流域水文循環(huán)，預(yù)報(bào)的不確定性影響因素更加復(fù)雜，應(yīng)推進(jìn)量化預(yù)報(bào)不確定性和調(diào)度風(fēng)險(xiǎn)的業(yè)務(wù)實(shí)踐，以及時(shí)做出相應(yīng)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(biāo)聯(lián)合調(diào)度運(yùn)用是流域綜合管理的重要手段［45］，相應(yīng)地，高精度的中、長(zhǎng)預(yù)見期徑流預(yù)報(bào)成為指導(dǎo)水資源管理的重要參考。同時(shí)，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(shè)亟需提升支撐能力、創(chuàng)新服務(wù)手段。這些都需要以水文預(yù)測(cè)預(yù)報(bào)為前提保障，因而對(duì)水文預(yù)報(bào)的發(fā)展提出了新的需求：① 提高預(yù)報(bào)精度、延長(zhǎng)預(yù)見期；② 客觀量化預(yù)報(bào)不確定性，更好支撐風(fēng)險(xiǎn)調(diào)度決策；③ 提高智慧化水平，解放生產(chǎn)力。面對(duì)新時(shí)期新形勢(shì)下的新需求，就流域洪水預(yù)報(bào)現(xiàn)狀而言，在算據(jù)獲取、洪水預(yù)報(bào)模型適應(yīng)性、新技術(shù)落地推廣及業(yè)務(wù)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(zhǔn)確、客觀描述流域水文循環(huán)的基礎(chǔ)。當(dāng)前，流域站網(wǎng)密度較優(yōu)的區(qū)域多集中在發(fā)達(dá)地區(qū)或平原區(qū)，西部偏遠(yuǎn)山區(qū)、河源、中小河流等區(qū)域仍顯稀少，且站點(diǎn)維護(hù)不足，而高時(shí)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(cè)的衛(wèi)星遙感、雷達(dá)監(jiān)測(cè)反演數(shù)據(jù)利用度不高，一定程度上制約了多時(shí)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(gòu)建的短板，使得流域“算據(jù)”獲取能力不足。

2.2.2 預(yù)報(bào)模型的適應(yīng)性面臨挑戰(zhàn)

氣候變化導(dǎo)致陸氣互饋影響更復(fù)雜，局地暴雨特性改變，氣象水文預(yù)報(bào)耦合不緊密，降水預(yù)報(bào)難度加大，難以滿足洪水預(yù)報(bào)對(duì)定量化、定點(diǎn)化、定時(shí)化的精準(zhǔn)要求；掣肘于站網(wǎng)密度不足和預(yù)報(bào)模型未深入應(yīng)用等原因，未控區(qū)間產(chǎn)匯流計(jì)算并不精準(zhǔn)；現(xiàn)有預(yù)報(bào)方案中產(chǎn)匯流模型的率定檢驗(yàn)多滿足于平均狀況下的目標(biāo)函數(shù)最優(yōu)，對(duì)參數(shù)的異參同效等不夠重視；面臨全生命周期的水文預(yù)報(bào)，即由主要為汛期洪水預(yù)報(bào)向全年的水文水資源預(yù)報(bào)轉(zhuǎn)變，需要考慮模型結(jié)構(gòu)和參數(shù)對(duì)季節(jié)性變化規(guī)律的響應(yīng)調(diào)整；人類活動(dòng)影響下的下墊面變化導(dǎo)致流域產(chǎn)匯流特性和機(jī)理改變，原有洪水預(yù)報(bào)模型的適應(yīng)性面臨挑戰(zhàn)，既要考慮水庫(kù)調(diào)度對(duì)洪水預(yù)報(bào)互饋影響下的預(yù)報(bào)調(diào)度一體化，又要建立水文水力學(xué)相結(jié)合的河道（庫(kù)區(qū)）匯流方法，以滿足變化條件下大流域、長(zhǎng)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(shí)需要。

2.2.3 新技術(shù)有待業(yè)務(wù)化落地和推廣

面臨精準(zhǔn)預(yù)報(bào)、智能調(diào)度、風(fēng)險(xiǎn)決策等新需求，分布式模擬、智能模擬、集合預(yù)報(bào)、概率預(yù)報(bào)等新技術(shù)已成為行業(yè)發(fā)展的前沿方向，相關(guān)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(gòu)建成熟的技術(shù)方法體系，科研與應(yīng)用存在脫節(jié)，與生產(chǎn)部門的實(shí)際需求和基礎(chǔ)結(jié)合不夠，未針對(duì)性開展業(yè)務(wù)化設(shè)計(jì)和典型示范，導(dǎo)致仍未實(shí)現(xiàn)落地推廣。例如，多模型業(yè)務(wù)預(yù)報(bào)仍然是點(diǎn)綴，成功應(yīng)用于業(yè)務(wù)預(yù)報(bào)的模型單一，開展集合預(yù)報(bào)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(yù)報(bào)精度優(yōu)勢(shì)，尚未在業(yè)務(wù)應(yīng)用展開；機(jī)器學(xué)習(xí)還是以神經(jīng)網(wǎng)絡(luò)等為初級(jí)表現(xiàn)；特別要指出的是，引入風(fēng)險(xiǎn)概念的洪水概率預(yù)報(bào)，尚未與調(diào)度決策耦合，仍未被生產(chǎn)決策部門接納應(yīng)用。

2.2.4 業(yè)務(wù)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(shí)踐現(xiàn)狀，關(guān)于水文建模和實(shí)時(shí)作業(yè)預(yù)報(bào)，國(guó)內(nèi)已研發(fā)了種類齊全、數(shù)目繁多的業(yè)務(wù)系統(tǒng)，但這些系統(tǒng)多基于特定模型或小流域構(gòu)建，定制化程度高，研發(fā)與生產(chǎn)應(yīng)用脫節(jié)，普遍存在“四預(yù)”功能覆蓋不全，業(yè)務(wù)流程設(shè)計(jì)不完善，國(guó)產(chǎn)化、客觀化、自動(dòng)化、智能化程度不高，標(biāo)準(zhǔn)化、通用化、產(chǎn)品化不夠等問題，導(dǎo)致共享性、移植性差，推廣程度低、應(yīng)用場(chǎng)景有限［47］。

3 流域水文預(yù)報(bào)關(guān)鍵技術(shù)與研發(fā)前景

3.1 多源異構(gòu)數(shù)據(jù)匯集，夯實(shí)流域數(shù)據(jù)底板

3.1.1 構(gòu)建基于空天地一體化的流域立體監(jiān)測(cè)體系

數(shù)據(jù)源的多寡、質(zhì)量高低是制約洪水預(yù)報(bào)精度的主要因素之一。為夯實(shí)流域數(shù)據(jù)底板，需納入多維度信息監(jiān)測(cè)裝備，構(gòu)建基于空天地一體化的流域立體監(jiān)測(cè)體系，在無(wú)資料和少資料地區(qū)加密建設(shè)站點(diǎn)，并提升維護(hù)能力，利用衛(wèi)星、多普勒雷達(dá)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(dá)、無(wú)人機(jī)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(qiáng)多主體信息匯集及共享平臺(tái)建設(shè)

不同主體的監(jiān)測(cè)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(shí)規(guī)則，提高數(shù)據(jù)使用效力。因此，流域水文預(yù)報(bào)需要加強(qiáng)與氣象、國(guó)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(guò)構(gòu)建流域?qū)用娑嘀黧w聯(lián)合的信息共享平臺(tái)和數(shù)據(jù)存儲(chǔ)中心，實(shí)現(xiàn)多源異構(gòu)數(shù)據(jù)的共享和存儲(chǔ)。

3.1.3 開展多源數(shù)據(jù)融合和同化技術(shù)研究

數(shù)據(jù)融合和同化是一個(gè)多源信息集成的過(guò)程。通過(guò)數(shù)據(jù)同化算法不斷融合時(shí)空上離散分布的不同來(lái)源和不同分辨率的直接或間接監(jiān)測(cè)信息，以動(dòng)態(tài)改善模型擬合軌跡、提高計(jì)算精度，是多源數(shù)據(jù)信息對(duì)水文預(yù)報(bào)模型預(yù)測(cè)精度的重要貢獻(xiàn)。因此，需持續(xù)開展多源數(shù)據(jù)融合和同化技術(shù)研究，使流域數(shù)據(jù)底板初始場(chǎng)數(shù)據(jù)更有效、更智慧。

3.2 加強(qiáng)河庫(kù)系統(tǒng)水汽循環(huán)研究，揭示成因機(jī)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(kù)群的建設(shè)運(yùn)行，導(dǎo)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(biāo)發(fā)生變異，而水庫(kù)群超大庫(kù)面的形成和年內(nèi)、年際變化，又進(jìn)一步影響了陸氣能量交換和局地水汽循環(huán)規(guī)律，導(dǎo)致流域內(nèi)局部區(qū)域的暴雨過(guò)程、落區(qū)和強(qiáng)度發(fā)生改變，亟待研究水庫(kù)庫(kù)區(qū)暴雨特性變化及陸氣互饋影響機(jī)理。

3.2.2 河庫(kù)系統(tǒng)影響下洪水傳播機(jī)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(zhǎng)河系、多阻斷格局，連續(xù)的洪水過(guò)程因多個(gè)串并聯(lián)相接的河庫(kù)系統(tǒng)單元呈現(xiàn)破碎化特征，而水庫(kù)蓄泄變化、蓄滯洪區(qū)分/滯洪過(guò)程的雙向互饋?zhàn)饔?，?dǎo)致洪水波動(dòng)特性改變，演進(jìn)規(guī)律呈現(xiàn)傳播時(shí)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(guān)鍵區(qū)域分流變化特征和演變機(jī)理研究，以重構(gòu)河庫(kù)系統(tǒng)影響下洪水傳播特性變異的新認(rèn)識(shí)，探明多阻斷條件下河道洪水傳播機(jī)理。

3.3 聚焦強(qiáng)人類活動(dòng)影響特征，升級(jí)專業(yè)模型

3.3.1 未控區(qū)間流域預(yù)報(bào)模型

水工程建成以后，水工程之間、水工程與防洪保護(hù)點(diǎn)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(yù)報(bào)關(guān)乎水工程入流，進(jìn)而影響其調(diào)度運(yùn)用，而下游區(qū)間的預(yù)報(bào)則直接影響對(duì)下游防洪點(diǎn)的補(bǔ)償調(diào)度是否有效，因此，未控區(qū)間流域的預(yù)報(bào)一直是“河庫(kù)系統(tǒng)”洪水預(yù)報(bào)的難點(diǎn)痛點(diǎn)之一。一方面，未控區(qū)間的河流多屬中小河流，實(shí)時(shí)監(jiān)測(cè)站網(wǎng)和降雨預(yù)報(bào)分區(qū)的細(xì)化程度不足，區(qū)間來(lái)水的真值難以估計(jì)，導(dǎo)致預(yù)報(bào)模型一般采用參數(shù)臨近移植法構(gòu)建，亟待深入開展率定檢驗(yàn)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(zhǎng)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(kù)，其在防洪緊張期的集中啟用，對(duì)預(yù)報(bào)的累積影響甚大，如2016年、2020年，長(zhǎng)江中游連續(xù)出現(xiàn)“中洪高水位”現(xiàn)象。加強(qiáng)實(shí)時(shí)信息獲取力度、動(dòng)態(tài)檢驗(yàn)參數(shù)、細(xì)化降雨預(yù)報(bào)分區(qū)，是提高未控區(qū)間流域預(yù)報(bào)精度的主要途徑。

3.3.2 多阻斷條件下的河道洪水演進(jìn)模型

水工程的建成運(yùn)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(duì)性開展庫(kù)區(qū)及壩下河道洪水演進(jìn)模型研究。對(duì)于河道型水庫(kù)庫(kù)區(qū)而言，入庫(kù)點(diǎn)因庫(kù)水位和入庫(kù)來(lái)水不同而不同，平水區(qū)、過(guò)渡區(qū)、河道區(qū)的范圍動(dòng)態(tài)變化，入庫(kù)流量的計(jì)算需分類適配，而由于動(dòng)庫(kù)容影響的存在，調(diào)洪計(jì)算宜采用水力學(xué)模型為主、靜庫(kù)容調(diào)洪模型為輔的多模型并行求解方法；對(duì)于壩下臨近河段，水庫(kù)出庫(kù)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(gòu)動(dòng)態(tài)相關(guān)圖、分類馬斯京根等水文學(xué)模型，并探索基于黎曼間斷解的水力學(xué)求解方法，是提升下游河道洪水演進(jìn)預(yù)報(bào)精度的努力方向，對(duì)解決下游防洪保護(hù)點(diǎn)（如長(zhǎng)江中游沙市、城陵磯）的精準(zhǔn)補(bǔ)償調(diào)度具有重要價(jià)值；對(duì)于平原河網(wǎng)區(qū)，研究構(gòu)建集水庫(kù)、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(dòng)力學(xué)聯(lián)解模型，量化各類水工程對(duì)洪水的調(diào)蓄和滯排作用，可進(jìn)一步提升洪水精準(zhǔn)模擬預(yù)報(bào)能力。

3.3.3 多元驅(qū)動(dòng)的中長(zhǎng)期徑流預(yù)測(cè)模型

隨著流域內(nèi)水工程群的建成運(yùn)用，對(duì)中長(zhǎng)期預(yù)測(cè)的需求由定性轉(zhuǎn)向定量，而中長(zhǎng)期尺度的天氣系統(tǒng)變化機(jī)理尚不明晰，且徑流分布受水工程累積的影響越來(lái)越顯著，因此中長(zhǎng)期來(lái)水量預(yù)測(cè)成為當(dāng)前水文預(yù)報(bào)領(lǐng)域的又一重點(diǎn)、難點(diǎn)。建立穩(wěn)定可靠的長(zhǎng)系列資料庫(kù)，開展中長(zhǎng)期徑流預(yù)測(cè)關(guān)鍵影響因子和水庫(kù)蓄泄因子分析，利用人工智能、機(jī)器學(xué)習(xí)、集合預(yù)報(bào)等新方法，耦合機(jī)理模型、數(shù)據(jù)挖掘、知識(shí)規(guī)則等多種模型實(shí)現(xiàn)中長(zhǎng)期趨勢(shì)分析和徑流預(yù)測(cè)，進(jìn)而形成一套多元驅(qū)動(dòng)的流域中長(zhǎng)期徑流預(yù)測(cè)技術(shù)，可望進(jìn)一步提高中長(zhǎng)期徑流預(yù)報(bào)精度。

3.4 深化預(yù)報(bào)新技術(shù)研究，探索基于智能預(yù)報(bào)調(diào)度的一體化業(yè)務(wù)體系

3.4.1 基于相似雨洪和參數(shù)適配的智能預(yù)報(bào)體系

在實(shí)時(shí)作業(yè)預(yù)報(bào)中，雨洪規(guī)律和參數(shù)適應(yīng)性的認(rèn)知對(duì)預(yù)報(bào)結(jié)果產(chǎn)生重要影響。為了提高預(yù)報(bào)的客觀化水平，實(shí)現(xiàn)智能化模擬預(yù)報(bào)，開展基于相似雨洪和參數(shù)智適配預(yù)報(bào)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(biāo)體系和規(guī)范化計(jì)量方法，準(zhǔn)確刻畫暴雨洪水特征指標(biāo)，引入機(jī)器學(xué)習(xí)和圖像識(shí)別等算法，實(shí)現(xiàn)暴雨洪水關(guān)系挖掘綜合分析，即可辨識(shí)相似雨洪，由預(yù)見期降雨智能預(yù)報(bào)出相似洪水過(guò)程；另一方面，考慮不同特點(diǎn)的水文過(guò)程應(yīng)有不同適應(yīng)參數(shù)，構(gòu)建動(dòng)態(tài)成長(zhǎng)的分類模型參數(shù)庫(kù)，利用人工智能新技術(shù)創(chuàng)新流域水文模型參數(shù)的智適配方法，根據(jù)降雨預(yù)報(bào)智能匹配水文模型參數(shù)，計(jì)算出精準(zhǔn)的洪水過(guò)程。

3.4.2 基于調(diào)度規(guī)則智能模擬的精準(zhǔn)化決策體系

水工程調(diào)度當(dāng)前已成為制約預(yù)報(bào)精度和預(yù)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(shù)，實(shí)現(xiàn)水工程調(diào)度的客觀化、智能化，以有效延長(zhǎng)預(yù)見期?；趯?shí)時(shí)調(diào)度規(guī)則庫(kù)、歷史洪水調(diào)度案例庫(kù)，采用知識(shí)圖譜技術(shù)，將預(yù)報(bào)調(diào)度相關(guān)的原理規(guī)律、規(guī)則、經(jīng)驗(yàn)、策略、方法等信息結(jié)構(gòu)化，并結(jié)合神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、深度學(xué)習(xí)等智能技術(shù)，構(gòu)建形成可累積式發(fā)展的實(shí)時(shí)洪水調(diào)度知識(shí)庫(kù)。根據(jù)水文氣象預(yù)報(bào)成果和流域防洪形勢(shì)分析，基于知識(shí)圖譜推理方法，智能推薦調(diào)度方案集，并進(jìn)行專家交互，形式可支撐調(diào)度的精準(zhǔn)化決策。

3.4.3 基于概率的實(shí)時(shí)預(yù)報(bào)調(diào)度風(fēng)險(xiǎn)決策體系

初始狀態(tài)誤差、輸入誤差、模型結(jié)構(gòu)和參數(shù)誤差使得洪水預(yù)報(bào)難免存在不確定性，確定性預(yù)報(bào)能提供的風(fēng)險(xiǎn)信息有限，為客觀描述預(yù)報(bào)的不確定性，從而為優(yōu)化決策、精細(xì)調(diào)度提供更好支撐，需從以下幾個(gè)方面開展預(yù)報(bào)不確定性量化及風(fēng)險(xiǎn)決策的關(guān)鍵技術(shù)攻關(guān)：從總誤差途徑和集合途徑，研究可靠的概率預(yù)報(bào)模型；探索耦合概率預(yù)報(bào)的調(diào)度風(fēng)險(xiǎn)量化方法及風(fēng)險(xiǎn)決策技術(shù)；完成概率預(yù)報(bào)和風(fēng)險(xiǎn)決策的業(yè)務(wù)化設(shè)計(jì)，構(gòu)建基于風(fēng)險(xiǎn)的實(shí)時(shí)預(yù)報(bào)調(diào)度決策業(yè)務(wù)體系。

3.5 打造通用化業(yè)務(wù)化平臺(tái)，支撐多要素全周期“四預(yù)”功能

為克服業(yè)界水文模型結(jié)構(gòu)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(biāo)準(zhǔn)化的模型封裝、集成技術(shù)，形成模型服務(wù)開發(fā)標(biāo)準(zhǔn)體系，構(gòu)建通用、共享的洪水預(yù)報(bào)模型庫(kù)；融合流域自動(dòng)圈化、資料校核處理、傳播時(shí)間分析、參數(shù)智能率定、方案評(píng)價(jià)、預(yù)報(bào)體系敏捷搭建等功能，研發(fā)通用化、向?qū)降乃念A(yù)報(bào)建模平臺(tái)，為“四預(yù)”提供良好的基礎(chǔ)支撐。

順應(yīng)數(shù)字孿生流域需求，基于短中長(zhǎng)期相結(jié)合、水文氣象耦合、預(yù)報(bào)調(diào)度互饋的技術(shù)思路，構(gòu)建數(shù)值模式、水文模型、水力學(xué)模型、數(shù)理統(tǒng)計(jì)模型、智能模型、概率預(yù)報(bào)模型等多元模型驅(qū)動(dòng)和“分布式模擬-水工程調(diào)度-河道演進(jìn)”多層嵌套的流域水文模擬預(yù)報(bào)引擎，可實(shí)現(xiàn)大江大河洪水預(yù)報(bào)、山洪和中小河流預(yù)報(bào)、旱情預(yù)測(cè)、水資源預(yù)測(cè)、突發(fā)水事件水文應(yīng)急預(yù)報(bào)等多要素預(yù)報(bào)預(yù)警。研發(fā)集全周期預(yù)測(cè)預(yù)報(bào)、多要素監(jiān)視預(yù)警、水工程綜合調(diào)度預(yù)演、全鏈條預(yù)案生成與管理為一體的“四預(yù)”數(shù)字孿生平臺(tái)。智慧流域水文預(yù)報(bào)關(guān)鍵技術(shù)見圖1。

4 結(jié) 語(yǔ)

中國(guó)已進(jìn)入智慧水利、數(shù)字孿生流域建設(shè)的水利高質(zhì)量發(fā)展新階段，流域面臨人類活動(dòng)和氣候變化雙重影響的變化環(huán)境。本文通過(guò)綜述國(guó)內(nèi)外洪水預(yù)報(bào)研究和應(yīng)用的進(jìn)展，分析了目前流域水文預(yù)報(bào)業(yè)務(wù)發(fā)展的需求和面臨的挑戰(zhàn)，并對(duì)智慧流域水文預(yù)報(bào)技術(shù)研究進(jìn)行了探討和展望，得到主要認(rèn)識(shí)和建議如下：

（1） 制約流域產(chǎn)匯流及洪水預(yù)報(bào)模型研究和預(yù)報(bào)精度的關(guān)鍵是現(xiàn)有可用的資料十分有限，雨量和流量觀測(cè)站點(diǎn)稀少，僅依靠流域出口控制斷面流量系列來(lái)率定和檢驗(yàn)?zāi)Ｐ?，預(yù)報(bào)精度有待提高。特別是中西部欠發(fā)達(dá)地區(qū)和未控區(qū)間流域的產(chǎn)匯流計(jì)算，由于站網(wǎng)密度不足或無(wú)資料，直接導(dǎo)致水文模擬預(yù)報(bào)精度不高。因此，智慧流域建設(shè)首先應(yīng)加強(qiáng)空天地一體化監(jiān)測(cè)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(chǔ)數(shù)據(jù)，并建立標(biāo)準(zhǔn)統(tǒng)一的國(guó)家基礎(chǔ)數(shù)據(jù)庫(kù)。

（2） 新時(shí)期新形勢(shì)對(duì)流域水文預(yù)報(bào)的發(fā)展提出了新的需求：① 提高預(yù)報(bào)精度延長(zhǎng)預(yù)見期；② 客觀量化預(yù)報(bào)不確定性，更好支撐風(fēng)險(xiǎn)調(diào)度決策；③ 提高智慧化水平，解放生產(chǎn)力。面對(duì)新需求，流域洪水預(yù)報(bào)在算據(jù)獲取、預(yù)報(bào)模型適應(yīng)性、新技術(shù)落地推廣和業(yè)務(wù)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(yù)報(bào)模型研發(fā)，首先要聚焦數(shù)字孿生流域建設(shè)的“算據(jù)”支撐需求，實(shí)現(xiàn)多源異構(gòu)數(shù)據(jù)匯集，夯實(shí)流域數(shù)據(jù)底板；針對(duì)氣候變化和人類活動(dòng)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(chǔ)規(guī)律，提升對(duì)流域暴雨洪水特性的認(rèn)知水平。

（4） 抓住水工程群建成后的“大流域、長(zhǎng)河系、多阻斷”河庫(kù)系統(tǒng)新格局，開展水工程互饋影響下的水文預(yù)報(bào)模型及方法研究，升級(jí)專業(yè)模型平臺(tái)，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(shè)總體目標(biāo)的智慧化模擬、精準(zhǔn)化決策路線，深化預(yù)報(bào)新技術(shù)研究，探索基于智能、風(fēng)險(xiǎn)的預(yù)報(bào)調(diào)度業(yè)務(wù)體系；以標(biāo)準(zhǔn)化、國(guó)產(chǎn)化、客觀化、智能化為目標(biāo)，構(gòu)建通用型業(yè)務(wù)平臺(tái)，提供多要素全周期水文預(yù)測(cè)預(yù)報(bào)預(yù)警服務(wù)，有力支撐“四預(yù)”孿生功能。

參考文獻(xiàn)：

［1］ 李國(guó)英.建設(shè)數(shù)字孿生流域 推動(dòng)新階段水利高質(zhì)量發(fā)展［N］.學(xué)習(xí)時(shí)報(bào)，2022-06-29（1）.

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

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

［4］ 王俊.面向水庫(kù)群調(diào)度的水文數(shù)值模擬與預(yù)測(cè)技術(shù)［M］.北京：中國(guó)水利水電出版社，2021.

［5］ 吳雷，許有朋，王躍峰，等.水文實(shí)驗(yàn)研究進(jìn)展［J］.水科學(xué)進(jìn)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(jìn)展［J］.水科學(xué)進(jìn)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(shí)踐［M］.北京：中國(guó)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(guó)水利水電出版社，2004.

［11］ 徐宗學(xué)，程磊.分布式水文模型研究與應(yīng)用進(jìn)展［J］.水利學(xué)報(bào)，2010，41（9）：1009-1017.

［12］ 周研來(lái)，郭生練，張斐章，等.人工智能在水文預(yù)報(bào)中的應(yīng)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(yù)報(bào)智能模型在中國(guó)半干旱半濕潤(rùn)區(qū)的應(yīng)用對(duì)比［J］.水資源保護(hù)，2021，37（1）：28-35，60.

［14］ 胡義明，陳騰，羅序義，等.基于機(jī)器學(xué)習(xí)模型的淮河流域中長(zhǎng)期徑流預(yù)報(bào)研究［J］.地學(xué)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(qiáng)，李常青，等.基于長(zhǎng)短時(shí)記憶（LSTM）神經(jīng)網(wǎng)絡(luò)的黃河中游洪水過(guò)程模擬及預(yù)報(bào)［J］.北京師范大學(xué)學(xué)報(bào)（自然科學(xué)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(qiáng)，李鈺坤，等.融合氣象要素時(shí)空特征的深度學(xué)習(xí)水文模型［J］.水科學(xué)進(jìn)展，2022，33（6）：904-913.

［23］ 張海榮，湯正陽(yáng)，曹輝.基于偏互信息篩選的中長(zhǎng)期徑流預(yù)報(bào)方案比選［J］.人民長(zhǎng)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(yù)報(bào)模型研究［J］.武漢大學(xué)學(xué)報(bào)（工學(xué)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(kù)洪水概率預(yù)報(bào)的深度學(xué)習(xí)模型［J］.水力發(fā)電學(xué)報(bào)，2023，42（4）：1-10.

［30］ 陸桂華，吳娟，吳志勇.水文集合預(yù)報(bào)試驗(yàn)及其研究進(jìn)展［J］.水科學(xué)進(jìn)展，2012，23（5）：728-734.

［31］ 張俊，楊文發(fā)，牛文靜，等.長(zhǎng)江流域洪水概率預(yù)報(bào)業(yè)務(wù)化方法探討［J］.人民長(zhǎng)江，2021，52（9）：11-15.

［32］ 巴歡歡，郭生練，鐘逸軒，等.考慮降水預(yù)報(bào)的三峽入庫(kù)洪水集合概率預(yù)報(bào)方法比較［J］.水科學(xué)進(jìn)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(yù)報(bào)模型及其比較應(yīng)用研究［J］.水利學(xué)報(bào)，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(yù)報(bào)方法研究［J］.水力發(fā)電學(xué)報(bào)，2017，36（4）：18-25.

［38］ 張建云.中國(guó)水文預(yù)報(bào)技術(shù)發(fā)展的回顧與思考［J］.水科學(xué)進(jìn)展，2010，21（4）：435-443.

［39］ 葛守西.現(xiàn)代洪水預(yù)報(bào)技術(shù)［M］.北京：中國(guó)水利水電出版社，1999.

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

［41］ 章四龍.中國(guó)洪水預(yù)報(bào)系統(tǒng)設(shè)計(jì)建設(shè)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(yù)報(bào)平臺(tái)開發(fā)與應(yīng)用［J］.人民長(zhǎng)江，2011，42（6）：101-105.

［43］ 秦昊，陳瑜彬.長(zhǎng)江洪水預(yù)報(bào)調(diào)度系統(tǒng)建設(shè)及應(yīng)用［J］.人民長(zhǎng)江，2017，48（4）：16-21.

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

［45］ 芮孝芳.對(duì)流域水文模型的再認(rèn)識(shí)［J］.水利水電科技進(jìn)展，2018，38（2）：1-7.

［46］ 李致家.現(xiàn)代水文模擬與預(yù)報(bào)技術(shù)［M］.南京：河海大學(xué)出版社，2010.

［47］ 黃艷，喻杉，羅斌，等.面向流域水工程防災(zāi)聯(lián)合智能調(diào)度的數(shù)字孿生長(zhǎng)江探索［J］.水利學(xué)報(bào)，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