平原区流域具有复杂的水文结构,常因行洪不畅,引发洪涝灾害。建立适合平原区特点的洪涝模型对平原区流域洪涝过程进行分布式模拟,对于防洪减灾和洪水管理十分必要。从洪涝灾害成灾机理出发,基于分布式水文模型MIKE SHE与水动力模型MIKE 11,建立模拟平原区河流外(Area out of a rive)的洪涝过程及河流(River)水文过程的MIKE-A-R耦合模型。选择徒骇河宫家拦河闸以上流域作为研究区域,利用数字高程、流域河网数据,提取流域边界;基于雨水情数据、数字高程、土地利用类型、土壤类型等资料,建立流域洪涝模型;通过参数敏感性分析,确定曼宁系数、河床透水系数等相关参数,并用刘桥拦河闸水文站实测数据及现场调研数据进行验证。结果表明,所建立的平原区MIKEA-R耦合模型,较好地模拟平原流域河流外洪涝过程及河流洪水演进过程,模拟结果可为流域洪涝灾害风险评估、预报及预警提供全面数据支撑。
研究建立了基于时间序列分解的神经网络模型,能对降雨时间序列挖掘并预测。(1)以桓台县1979-2018年的480组月降雨数据为例,将降雨时间序列分解为趋势项、周期项、突变项与随机项。(2)采用累积距平法、Mann-Kendall趋势分析法、Hurst指数法、特征点法方法进行趋势性分析;小波分析法进行周期性分析;Mann-Kendall突变检验法和Pettitt法进行突变性分析;采用自相关法和单位根法对随机项进行检验。(3)以1979-2014年的432组月降雨时间序列随机项为率定数据,2015-2016年数据为验证数据,分别建立NAR(Nonlinear Auto Regression)与NARX(Nonlinear Auto Regression with External Input)神经网络随机项预测模型,对2017-2018年月降雨数据进行预测,并与直接预测结果对比。结果表明:(1)桓台县1979-2018年月降雨量数据有微弱的上升趋势,预测未来将呈微弱下降趋势,其第一主周期是19(月),数据不存在明显的突变情况。(2)NAR神经网络所得2017-2018年的月降雨量预测值与实测值误差为16.79%。
