下载文档原格式
SWAT水文模型介绍之阿布丰王创作1概述SWAT（Soil and Water Assessment Tool）模型是美国农业部（USDA）农业研究局（ARS）开发的基于流域尺度的一个长时段的分布式流域水文模型。
它主要基于SWRRB模型，并吸取了CREAMS、GLEAMS、EPIC和ROTO的主要特征。
SWAT具有很强的物理基础，能够利用GIS和RS提供的空间数据信息模拟地表水和地下水的水量和水质，用来协助水资源管理，即预测和评估流域内水、泥沙和农业化学品管理所发生的影响。
该模型主要用于长期预测，对单一洪水事件的演算能力不强，模型主要由8个部分组成：水文、气象、泥沙、土壤温度、作物生长、营养物、农业管理和杀虫剂。
SWAT模型拥有参数自动率定模块，其采取的是Q.Y.Duan等在1992年提出的SCE-UA算法。
模型采取模块化编程，由各水文计算模块实现各水文过程模拟功能，其源代码公开，方便用户对模型的改进和维护。
2模型原理SWAT模型在进行模拟时，首先根据DEM把流域划分为一定数目的子流域，子流域划分的大小可以根据定义形成河流所需要的最小集水区面积来调整，还可以通过增减子流域出口数量进行进一步伐整。
然后在每一个子流域内再划分为水文响应单元HRU。
HRU是同一个子流域内有着相同土地利用类型和土壤类型的区域。
每一个水文响应单元内的水平衡是基于降水、地表径流、蒸散发、壤中流、渗透、地下水回流和河道运移损失来计算的。
地表径流估算一般采取SCS径流曲线法。
渗透模块采取存储演算方法，并结合裂隙流模型来预测通过每一个土壤层的流量，一旦水渗透到根区底层以下则成为地下水或发生回流。
在土壤剖面中壤中流的计算与渗透同时进行。
每一层土壤中的壤中流采取动力蓄水水库来模拟。
河道中流量演算采取变动存储系数法或马斯金根演算法。
模型中提供了三种估算潜在蒸散发量的计算方法—Hargreaves、Priestley-Taylor和Penman-Monteith。
四种水文模型的比较摘要：水文模型是用数学的语言对现实水文过程进行模拟和预报，在进行水文规律的探讨和解决水文及生产实际问题中起着重要作用。
本文分别介绍了新安江模型、萨克拉门托（SAC）模型、SWAT模型以及TOPMODEL模型，并对这四种水文模型的蒸发计算、产流机制、汇流计算、适用流域、参数以及模型特点等不同方面进行了比较分析。
并结合对着4种模型之间的比较，作出了总结分析和展望。
关键词：新安江模型；SAC模型；SWA T模型；TOPMODEL模型；模型比较引言流域水文模型在进行水文规律研究和解决生产实际问题中起着重要的作用。
新安江模型是一个概念性水文模型，1973年由赵人俊教授领导的研究组在编制新安江预报方案时，汇集了当时在产汇流理论方面的成果，并结合大流域洪水预报的特点，设计出的我国第一个完整的流域水文模型，至今仍在我国湿润和半湿润地区的洪水预报中得到广泛应用；萨克拉门托水文模型，简称SAC模型，是R.C.伯纳什（Burnash）和R.L.费雷尔（Ferral）以及R.A.麦圭儿（Mcguire）于20世纪60年代末至70年代初研制的，是一个连续模拟模型，模型研制完成时间相对较晚，其功能较为完善，兼有蓄满产流和超渗产流，广泛应用于美国水文预报中；SWAT模型是美国农业部农业研究中心研制开发的用于模拟预测土地利用及土地管理方式对流域水量、水质过程影响的分布式流域水文模型；TOPMODEL为基于地形的半分布式流域水文模型，于1979年由Beven和Kirkby提出，其主要特征是将数字高程模型（DEM）的广泛适用性与水文模型及地理信息系统（GIS）相结合，基于DEM数据推求地形指数，并以此来反映下垫面的空间变化对流域水文循环过程的影响，描述水流趋势。
本文对这四中水文模型从蒸发计算、产汇流计算、适用流域以及参数等方面进行分析比较，并得出结论。
1模型简介1.1新安江模型新安江模型是赵人俊等在对新安江水库做入库流量预报工作中，归纳成的一个完整的降雨径流模型。
集总式模型与分布式水文模型的比较（姓名）（长江工程职业技术学院水文0901班武汉430212）摘要：流域水文模型是把流域或河流类比为一个定性转换系统，遵循水量平衡，时段递推，物理概化和逻辑原则构成一个有机联系的推理计算体系。
本文将从集总式流域水文模型和分布式流域水文模型两方面对流域水文两方面对流域水文模型进行阐述，简要的对两种水文模型作了对比分析。
引言：流域水文模型；集总式；分布式；分类；对比分析；预测。
1.1 流域水文模型概论随着现代科学技术的飞速发展以及人们对水文现象及其各要素间因果关系认识水平的逐步提高和研究的不断深入，人们将复杂水文现象加以概化，即忽略次要的与随机的因素，保留主要因素和具有基本规律的部分，据此建立的具有一定物理意义的数学物理模型，并在计算机上实现，这种仿水文现象称为“水文模拟”，被模拟的水文现象称为原型，模拟则是对原模型的种种数学物理和逻辑的概化。
因此，流域水文模型是模拟流域水文过程所建立的数学结构，水文模拟首先就是要开发研制一个水文模型。
1.2 流域水文模型从离散程度上的分类从流域水文过程描述离散程度分类，流域水文模型可分为集总式模型、分布式模型、和半分布式模型三类，一般情况下，概念性模型和黑箱子模型是集总式模型，而物理模型则是分布式模型；从模型构建的基础上分类，流域水文模型分为物理模型，概念性模型和黑箱子模型三类。
若一个模型的每一个关系均是严格的物理定律为基础，则该模型是物理模型若一个模型的参数和结构具有物理意义。
但结构不是严格的以物理定律为基础，则该模型是概念性模型；若一个模型的关系式无任何物理意义，则该模型是黑箱子模型；其他的分类，按数学处理方法分类，流域水文模型可分为确定性模型；按模型结构分类，流域水文模型可分为线性模型和非线性模型；按模型参数分类，流域水文模型可分为时不变模型和时变模型。
上面，我们对水文模型进行了一个总的轮廓型的分类，对水文模型的分类有了一个出不的，潜意识的了解。
《流域水文模拟》结课报告新安江模型的原理、结构及应用、发展历程The principle, structure, application and development process of Xin anjiang Model作者姓名：孔旭学科、专业：水文学及水资源学号：21506149指导教师：王国利完成日期：2016年8月30日大连理工大学Dalian University of Technology摘要新安江模型是河海大学提出的一个概念性降雨径流模型，具有原创性，是我国为数不多的被国际上广泛认可的水文模型。
新安江水文模型在我国湿润与半湿润地区广为应用，取得了良好的效果。
经过近50年的发展，新安江模型已经从最初的专门从事水库入库洪水预报的单一功能模型发展为适合用于水文预报、水资源管理、水土资源评价、面源污染预测、气候变化和人类活动影响研究的多功能的水文模型；其部分参数已从靠经验率定发展为可以进行物理推求。
总之，新安江模型是一个不断发展的模型体系。
本文主要由三部分构成。
第一部分为新安江模型简介，回顾了新安江模型产生的历史背景和发展历程，介绍了新安江模型的基本原理和结构体系；第二部分讲述了新安江模型参数的物理意义及其率定；第三部分为新安江水文模型在英那河流域防洪规划编制当中的应用。
关键词：水文模型；新安江模型；洪水预报The principle, structure, application and development process of Xinanjiang ModelAbstractXin anjiang Model originally proposed by Hehai University is a conceptual rainfall runoff model and is also one of the few widely recognized international hydrological model in China. Xin anjiang hydrological model was widely used in our humid and semi-humid areas, and achieved good results.After nearly 50 years study, Xin anjiang model has been developed from the single-function of reservoir flood forecasting into multi-purpose model including hydrological forecasting, water resources management, water and soil resources evaluation, non-point source pollution prediction, climate change and human activities versatile hydrological model studies. And part of its parameters can be acquired through physical calculation instead of experience. In short, Xin anjiang model is an evolving model system.This paper consists of three parts. The first part is about the brief introduction of Xin anjiang model, which recalls the historical background and the development, as well as introduces the basic principles and architecture; the second part describes the physical meaning of Xin anjiang model parameters and calibration; the third part is about the application of Xin anjiang model in Ying Na River Basin flood control planning.Key Words: hydrological model; Xin anjiang model; Flood forecasting目 录摘 要 .............................................................. I Abstract .. (II)引 言 (1)1 新安江模型简介 (2)1.1 新安江模型起源 ............................... 错误!未定义书签。
一个新的间接多步向前长期水文预测模型摘要：一个可靠的长期水文预报，水资源的规划，设计和管理是必不可少的活动。
在这项研究中提出的三个阶段的间接多步超前预测模型，它结合了多层自适应时间延迟神经网络（A TNN）动态样条插值来进行长期水文预报。
在前两个阶段，一组样条插值并动态提取单位利用放大观测的效果，以减少由先前的预测造成的误差的积累和传播。
在最后一步中，通过变量的时间延迟和权重的动态监管，该模型的输出可以作为一个多步超前预测。
我们用两个例子来说明所提出的模型的有效性。
其中一个例子是太阳黑子时间序列是一个著名的非线性和非高斯的基准时间序列，并经常被用来评估非线性模型的有效性。
另一个例子是一个长期的水文预测，使用从中国云南省漫湾水电站每月排放数据的案例研究。
应用结果表明，该方法是可行的和有效的。
关键字：时滞神经网络自适应时滞神经网络间接多步向前预测样条插入引言一个独立长期水文预测的实质是计划、设计以及管理利用水资源。
在过去的几十年，大量的研究一直致力于制定和发展的预测方法和模型，以提高水文预报的质量，包括机械模型和黑箱模型。
水文变化的过程是空间和时间的，并且在时间和空间尺度是高非线性的。
模型等过程的机理模型，将需要大量高质量的数据，并且与天文，气象，自然地理特征，以及人类活动有关。
在另一方面，黑箱模型，首先旨在确定投入与产出之间的联系，由于它的要求数据量少以及公式简单，所以广泛应用于长期径流的预测。
早期的预测方法包括时间序列技术以及多维线性回归方法。
除了上述数学模型，人工神经网络，它无需先验确定的物理映射的输入输出，因此被广泛应用于水文学领域。
对于许多工程应用中，一系列很长的领先时间的预测是必需的。
在近十年，多维向前技术multi-step-ahead (MS)，可以预测到未来的许多时间步长的时间序列值和并使用古典模型的预测算法实现这一目标。
MS预测可分为直接和间接的类别，它们分别有自己的优点和缺点。
直接MS预测模型把为所有输入作为的变量，而间接的模型使用递归方法的单一步骤（single-step SS）预测。
理论上，与后者比较，前面的模型预测结果更加的准确。
然而，直接预测要求模型的每一步预测更加灵活。
此外，直接预测模型也不容易建立。
这就是为什么本文我们使用间接地多步向前预测模型。
建立MS预测模型的难点在于缺少对于预测边界的测量，为了达到的边界终点必须使用SS预测递归。
在预测中即使是在开始时的一个小的SS预测错误，都会被累积和传播导致结果预测精确度下降。
尤其是一些不容易理解、有噪声以及非线性的复杂系统中，这样的情况更严重。
最近，基于MS的神经网络预测引起了大家的注意。
然而，一个神经网络的训练通常很耗费时间，而且有时候也缺乏健壮性。
相对而言，前馈网络由于其低空间和时间复杂性比较容易实现。
时滞神经网络（Time-delay neural network TDNN）和自适应时滞神经网络（adaptive time-delay neural network A TNN）都被证明能够提高MS预测的性能。
TDNN由Waibel在1989年提出，在前馈神经网络中使用时滞，并应用在很多领域中。
A TNN在Day 在1999提出的，应用它的时滞值和权重更好的调节改变时间模式，同时使问题最优化。
这个模型同样成功的应用在非线性系统的识别中。
作为一个时间延迟技术的结果，错误的迭代随着步骤的前进可以迅速恶化的预测精度。
当然，要提高MS预测，必需减少使用迭代预测值并添加所观察到的值。
幸运的是，通常使用在信号处理中的离散序列插值，能够解决这一问题。
在本文的研究中，使用样条插值（spline interpolation）来增加模型输入的测量数据空间以及增加观测值的精确度。
并且ATNN能够提高优化问题的适应度。
在本文，结合动态样条插值在多层ATNN中建立了一个三步的MS预测模型。
第一步，通过使用一个统一的间隔视为原始采样频率来分离时间序列，通过样条插值逼近，使不同的采样频率扩大到许多衍生的子序列中。
第二步，A TNN每一个预测步骤中通过整合上一步输入的数据集动态建立衍生的子序列。
最后一步，ATNN动态监管前两步的参数（可变时间延迟和权重），并且输出得到的多步向前预测。
使用插值算法，一些动态虚拟数据作为离当前点比较远的点被插入原始序列。
因此，在插入前面的步骤进入下一步的预测误差的影响将会减少。
本文建立了两个例子来证明这种间接的多步超前预测模型的可靠性。
一个例子是太阳黑子时间序列是一个著名的非线性和非高斯的基准时间序列，并经常被用来评估非线性模型的有效性。
另一个例子是一个长期的水文预测，使用从中国云南省漫湾水电站每月排放数据的案例研究。
简单介绍MS预测、样条插值以及ATNNMS预测人们把符合这样的输入和输出成为MS预测：p是MS预测的边界（horizon），s是输入的维数，不仅要依据观测值还要依据以前的预测。
随着p的增加，预测的精度恶化越快。
一个提高预测精度的方法是放大样本。
三次样条插值离散序列（Kahaner et al.1988）三次样条插值问题是，我们有一个点的表[xi,yi]其中i=0,1,...,n.函数y=f(x)中x表示任意在中的值。
函数s(x)是在[a,b]的一个三次样条。
如果（1）s(x)定义在[a,b]（2）s(x)的一阶导数和二阶导数，都是持续的在[a,b]中。
（3）s(x)上的点，也在[a,b]内，同时s(x)中每个自己[x i-1,x i]都是三次多项式。
三次样条插值的背后思想是通过若干点来画出一条光滑的曲线。
第三多项式s i(x)的定义为：其中，使用三次样条的四个条件，我们能够画出下面的等式：如果除以这些等式可以大大简化。
我们使di=那么等式（3）可以化成注意这个系统拥有n-2行，n列。
为了生成一个唯一的三次样条，其他两个条件必须在系统中。
同时系统也有一些规定方法。
使端点的二阶导数为0，M1=M2=0，得到的结果作为一个端点的延伸。
其他的点通过si(x)的二阶导数得到。
动态ATNN结构ATNN 训练期间保存时间延迟值以及它的权值，以更好地适应不断变化的时间模式，并提供更灵活地优化问题。
一个动态神经结构如图1所示，输入输出之间的关系为：wi是神经网络的权重，是延迟，是非线性的激活函数。
对于持续的时间序列，时间点t是合理的采样点，在我们的研究中为观测的时间。
应该指出，在时间t的神经元的输出，这取决于输出以前的值，这是一个动态的行为的结果。
这种被修改的动态子序列是非线性系统的代表。
SATNN模型实现以及算法模型设计背后的基本思想是对于长时间序列使用高时间分辨率，对于短时间序列使用低时间分辨率。
这意味着，在预测系统中我们用少量的输入得到更多的“详细”和“一般”的基本信息。
在插入算法中，在距离当前点不远的原始序列点上插入我们叫做“detailed”的动态虚拟数据。
因此上一步预测错误的影响会使下一步预测时插入的数据减少。
因此当我们使用多步向前预测时能够证明这个直接多步向前预测模型。
SATNN模型的建立SATNN采用了一个如图2所示的三阶段结构。
在第一阶段，G S，作为一个发生器，能够通过原始序列X产生适当的时间序列Xijl作为抽样子集。
每次样条的插入都通过正规数据集以及通过不同速率时间延迟技术得到的子序列Xijl，换句话说，不同的插入就是每次运行时间产生的Xijl.第二阶段，通过序列Xijl得到动态子序列X'，同时产生控制集C的序列。
这里我们可以把这个序列称为控制信号，因为每一个变量提供如何从前面一阶段得到Xijl的信息。
第三阶段，ATNN通过得到的序列来进行预测。
算法在第一部分，给定一个时间序列，根据图2建立一个三阶段的结构。
在这个阶段Gs是一个参数为q的样条插入产生器，相当于第三阶段中输入延迟时间窗口，也就是神经网络输入节点数。
q通过MEM1（Maximum Entropy Method 1）（Jaynes,1957）得到，MEM1广泛的应用在分解动态序列前一步的特征值，本文使用在评估非线性时间序列的先验知识上。
通过这些先验知识可以得到神经网络的输入节点。
是样条插值的数字滤波器。
在其中，Sl1是一个产生数据集的简单线性函数，它的节点为。
这些插入的值是通过在原始序列中插入有不同采样频率的，其中f1是原始序列的采样频率。
这些插入的值充当了平滑虚拟数据的角色。
频率为f1的原始序列可以转换为频率为如图3所示的的不同子序列。
在这一阶段，给定输入数据子序列X，样条函数可以通过S(k)表示，其中k是子序列的时间顺序。
子序列是通过以下的样条插入单元得到的。
在第二阶段，每一个当前时间点t，通过控制集C的序列得到动态子序列X'。
通过插入集的输出，，提取得到一个新的子序列。
在整个过程中利用一个滑动记录。
提取新序列的规则如下：首先，所有数据都是提取的内容；第二，记录是沿着时间方向向后滑行；最后，开始的点是原始序列中一个确定的Xj，并且后面的数据都是在X j-1之后的。
所有的步骤都如图4所示。
通过公式（7）得到新的子序列。
其中，t是当前时间，J是序列的长度。
考虑在下一阶段神经网络的训练，t的规模定义为。
当t不同时，X'是一个动态序列。
在前两阶段之后，原始时间序列的时间顺序将不再有效。
取而代之，我们研究集中在X'的顺序上。
图5描述了这一步子序列的动态结合。
之后基于前两步的直接多步向前预测可以通过以下的式子得到。
这里头上加的值表示预测值。
在第三步，神经网络包含L层，有N L个神经元。
双极sigmoid函数作为激活函数。
为了比较我们的模型和其它模型的预测效果，我们选择了同样的双极sigmoid激活函数通过使用样条插值，一个典型的神经元管理可以用下面的式子表示：t时刻在l层第j个神经元的输出用表示。
第一个等式描述了原始典型多位自适应时滞的管理算法，其中第l层第j个神经元到（l-1）层i个神经元的权重和延迟分别用和表示。
注意j是从1到N l,i是从1到N l-1,是从0到，是指用来表示所需的输入输出映射的最大延迟。
另外，上面提及的变量i,j,l,t,τ,q全部都是整数。
在我们的模型中，样条插值的数目，也和衍生出来的序列数目一样。
输入和输出的关系可以用以下式子表示：此外，为了避免过度拟合问题，我们使用留一交叉验证（Leave-one-out cross-validation）来测试精度。
案例：长期水文预测本文的案例是关于漫湾水电站的长期动态预测。
漫湾水电站位于云南澜沧江的中部，是澜沧江瀑布第一个大型水电站。
河长4500km，流经区域为744000km2.漫湾有1579km，中间高度为4000km.平均坝的流量为1230立方米每秒。
大部分流量为雨水，冰雪融化占10%。
