干旱半干旱区中小流域洪水机器学习预警模型及其应用

doi:10.11755/j.issn.1006-7639-2024-05-0683

摘要/Abstract

摘要：

由于对地形地貌特征、临界雨量、汇流时间和重现期等洪水特征因子的认识不足，干旱半干旱地区中小流域的洪水预报准确率有待提高。因此，本文选取甘肃省夏河县（位于半干旱区）和永昌县（位于干旱区）为研究对象，对夏河县（2015年）86个沿河村落的34个小流域和永昌县（2014年）395个沿河村落的240个过水断面的洪水特征要素进行了野外调查，并采用“铁一院”法、瞬时单位线法和地区经验公式法计算了两个区域的汇流时间、设计暴雨和设计洪水，推算了洪水预警值。然后基于计算结果，采用机器学习方法（线性回归、随机森林和神经网络），建立了针对干旱和半干旱地区的洪水预警模型，并对各模型进行了评价分析。结果表明，准备转移雨量与暴雨时程分配、临界雨量和主沟比降之间存在线性相关性，且线性回归模型能较准确地计算预警降雨量。为进一步验证回归模型适用性，使用该模型反演分析甘肃省合作市34个调查流域的准备转移雨量，平均绝对误差仅为0.56 mm。

关键词: 干旱半干旱区, 洪水, 暴雨, 中小尺度, 机器学习

Abstract:

The accuracy of flood forecasting in small and medium-sized basins in arid and semi-arid regions needs to be improved, primarily due to a limited understanding of critical factors such as topographic features, critical rainfall, time of concentration, and recurrence intervals. In this paper, Xiahe County, Gansu Province, which is located in the semi-arid region, and Yongchang County, Gansu Province, which is located in the arid region, are selected as the research objects. Field investigations were carried out on flood-related factors across 34 small basins in 86 riverine villages of Xiahe County (2015) and 240 cross-sections in 395 riverine villages of Yongchang County (2014). Flood characteristics were assessed using the instantaneous unit hydrograph method, the regional empirical formula method, and the method proposed by the China Railway First Survey and Design Institute Group Co., Ltd. These methods were employed to calculate the time of concentration, design storms, and design floods for the study areas, and flood warning thresholds were estimated. Based on the calculation results, machine learning methods(linear regression, random forest and neural network) were used to establish a flood warning model for arid and semi-arid areas, and each model was evaluated and analyzed. The results show that there is a linear correlation between prepared transfer rainfall and factors such as rainfall during storms, warning rainfall threshold, and main channel slope, and the linear regression model can accurately calculate the warning rainfall. In order to further verify the applicability of the regression model, the model is used to invert and analyze the prepared transfer rainfall of 34 survey basins in Hezuo City, Gansu Province, the mean absolute error is only 0.56 mm.

Key words: arid and semi-arid regions, flood, heavy rain, meso-micro scale, machine learning

中图分类号:

P331

苏宏梅, 张楠, 冉新民, 康超. 干旱半干旱区中小流域洪水机器学习预警模型及其应用[J]. 干旱气象, 2024, 42(5): 683-693.

SU Hongmei, ZHANG Nan, RAN Xinmin, KANG Chao. Machine learning flood early warning model for small and medium watersheds in arid and semi-arid regions and its application[J]. Journal of Arid Meteorology, 2024, 42(5): 683-693.

图/表 11

图1 研究区地理位置及数据采集点空间分布

Fig.1 Geographical location of the study area and the spatial distribution of data acquisition points

图2 永昌县（a、c、e）及夏河县（b、d、f）坡度（a、b）（单位：°）、主沟道长度（c、d）（单位：km）及主沟比降（e、f）（单位：‰）空间分布

Fig.2 The slope angle （a， b）（Unit： °）， length of main channel （c， d）（Unit： km） and slope gradient of main channels （e， f）（Unit： ‰） of Yongchang （a， c， e） and Xiahe （b， d， f） County

表1 永昌县和夏河县野外调查信息

Tab.1 Field survey information of Yongchang County and Xiahe County

研究区	小流域山洪灾害分析评价范围/km²	乡镇/个	行政村/个	自然村/个	流域（断面）/个	调查时间
永昌县	1 812.52	10	66	395	240	2014年
夏河县	1 709.99	11	34	86	34	2015年

图3 永昌县（a、c、e）和夏河县（b、d、f）100 a重现期降水量（a、b）（单位：mm）、暴雨时程分配（c、d）（单位：mm）及汇流时间（e、f）（单位：h）空间分布

Fig.3 The spatial distribution of precipitation （a， b）（Unit： mm）， rainfall during storms （c， d）（Unit： mm） and convergence time （e， f）（Unit： h） in 100 a return period in Yongchang （a， c， e） and Xiahe （b， d， f） County

图4 永昌县（a、c）、夏河县（b、d）洪峰流量（a、b）（单位：m3·s-1）和临界雨量（c、d）（单位：mm）空间分布

Fig.4 The spatial distribution of peak discharge rate （a， b）（Unit： m3·s-1） and critical rainfall （c， d）（Unit： mm） in Yongchang （a， c） and Xiahe （b， d） County

图5 永昌县（a、c）、夏河县（b、d）准备转移雨量（a、b）和立即转移雨量（c、d）空间分布（单位：mm）

Fig.5 The spatial distribution of prepared transfer rainfall （a， b） and immediate transfer rainfall （c， d） for Yongchang （a， c） and Xiahe （b， d） County （Unit： mm）

表2 地形特征要素和洪水计算要素的插值结果与实际调查结果的统计分析

Tab.2 Statistical analysis of the interpolation results and field investigation results of topographic features and flood calculation factors

统计参数	调查结果			插值结果			差值
统计参数	均值	中值	均方差	均值	中值	均方差	均值差百分比绝对值/%	中值差百分比绝对值/%
主沟道长度/km	12.89	6.59	11.43	7.98	7.75	1.48	38.09	17.56
主沟比降/‰	50.15	44.15	26.67	54.19	58.53	9.67	8.05	32.58
汇流时间/h	3.42	2.69	1.88	2.52	2.70	0.49	26.42	0.42
100 a重现期降雨量/mm	51.25	53.00	10.80	49.25	54.53	9.55	3.91	2.89
暴雨时程分配/mm	7.24	7.00	0.76	7.24	6.92	0.55	0.00	1.20
设计洪峰流量/（m³·s^-1）	159.49	75.10	154.01	126.17	103.05	77.76	20.89	37.22
临界雨量/mm	34.08	34.90	11.37	32.34	38.77	11.57	5.11	11.10
准备转移雨量/mm	22.20	22.70	7.45	21.08	25.31	7.57	5.04	11.49
立即转移雨量/mm	27.47	29.00	7.60	26.13	29.80	7.58	4.86	2.74

图6 夏河县和永昌县的洪水调查要素及雨量预警阈值的相关系数

Fig.6 Correlation analysis of flood investigation factors and warning threshold of rainfall for Xiahe County and Yongchang County

图7 训练组和验证组理论经验模型计算结果与机器学习模型结果的散点图

Fig.7 Scatter plots of the calculation results of the theoretical empirical model and the machine learning model of the training group and validation group

表3 基于人工神经网络计算的准备转移雨量各项评价指标

Tab.3 The evaluation indexes of prepared transfer rainfall calculated based on artificial neural network method

项目	层数	神经元数	批量	迭代列表	MAE/mm	MSE/mm²	RMSE/mm	MAPE/%	R²
调查数据点	2	5	5	100	0.532	0.430	0.656	0.034	0.994
	2	20	10	100	0.248	0.101	0.318	0.016	0.999
	3	5	5	100	0.503	0.385	0.620	0.032	0.994
	3	20	10	100	0.209	0.070	0.264	0.013	0.999
插值数据点	2	5	5	5	0.059	0.007	0.086	0.004	1.000
	2	20	15	50	0.064	0.007	0.085	0.004	1.000
	3	5	5	50	0.074	0.009	0.093	0.093	1.000
	3	20	5	50	0.110	0.015	0.121	0.006	1.000

图8 甘肃省合作市准备转移雨量的理论计算结果与机器学习结果比较

Fig.8 Comparison of theoretical calculation results and machine learning results of prepared transfer rainfall in Hezuo City of Gansu Province

参考文献 34

[1]	陈学林, 刘进琪, 牛最荣, 等, 2012. 青甘宁三省区定点洪水调查方法研究[J]. 水文, 32(4): 27-32.
[2]	程瑛, 李维京, 王润元, 等, 2006. 近40 a甘肃省气象灾害对社会经济的影响[J]. 干旱区地理, 29(6): 844-849.
[3]	丁文杰, 2021. 阿克苏河流域洪水的时空分布特征分析[J]. 地下水, 43(4): 225-226.
[4]	段志勇, 2015. 甘肃省定西市“20130823”暴雨洪灾分析[J]. 水利规划与设计(10): 22-23.
[5]	甘肃省水文水资源勘测局, 2004. 甘肃省暴雨特性研究[M]. 兰州: 兰州大学出版社.
[6]	惠俊堂, 2008. 马莲河流域“2003·8”暴雨洪水调查分析[J]. 水文, 28(3):95-96.
[7]	李涛, 陈杰, 汪方, 等, 2022. 一种基于神经网络的中国区域夏季降水预测订正算法[J]. 干旱气象, 40(2): 308-316. DOI
[8]	李宜霏, 倪伟, 丁国永, 等, 2014. 近五十年我国洪涝灾害的时空分布变化及与人类健康的关系[J]. 环境与健康杂志, 31(4):367-371.
[9]	梁述杰, 2005. 汾河洪水特性分析[J]. 人民黄河, 27(5):17-18.
[10]	秦军, 李盛, 华永利, 等, 2022. 高台漫流区铁路桥涵洪灾预警雨量分析[J]. 水力发电学报, 41(4):71-82.
[11]	沙宏娥, 傅朝, 刘维成, 等, 2022. 西北东部半干旱区一次极端特大暴雨的触发和维持机制[J]. 干旱气象, 40(6): 933-944. DOI
[12]	石延召, 刘维成, 傅朝, 等, 2024. 甘肃陇南两次暴雨天气过程对比分析[J]. 干旱气象, 42(1): 107-116. DOI
[13]	苏军锋, 张锋, 黄玉霞, 等, 2021. 甘肃陇南市短时强降水时空分布特征及中尺度分析[J]. 干旱气象, 39(6): 966-973.
[14]	孙莉英, 黄铮, 刘永伟, 等, 2009. 洪水灾害对可持续发展影响的区域差异分析[J]. 北京大学学报: 自然科学版, 45(2): 319-326.
[15]	铁永波, 张宪政, 龚凌枫, 等, 2022. 西南山区典型地质灾害链成灾模式研究[J]. 地质力学学报, 28(6): 1 071-1 080.
[16]	王继尧, 2019. 舟曲县典型沿河村落山洪灾害临界雨量分析[J]. 甘肃水利水电技术, 55(7): 1-3.
[17]	王盛萍, 张志强, 孙阁, 等, 2006. 黄土高原流域土地利用变化水文动态响应: 以甘肃天水吕二沟流域为例[J]. 北京林业大学学报, 28(1): 48-54.
[18]	肖贻青, 马永永, 陈小婷, 等, 2023. 陕南汉江盆地一次冷锋触发的短时强降水过程及预报检验[J]. 干旱气象, 41(6): 972-983.
[19]	杨波, 焦菊英, 马晓武, 等, 2022. 2022年黄土高原典型暴雨侵蚀及洪水灾害调查分析[J]. 水土保持通报, 42(6):1-13.
[20]	杨晓君, 张楠, 陈宏, 等, 2019. 基于人工神经网络算法的渤海海风预报方法研究[J]. 干旱气象, 37(1): 146-152.
[21]	袁凯, 庞晶, 李武阶, 等, 2023. 深度学习模型在2021年汛期武汉市雷达回波临近预报中的应用评估[J]. 干旱气象, 41(1): 173-185. DOI
[22]	张华兴, 刘进琪, 温慧娜, 等, 2013. 西北干旱区局部暴雨洪水面频率分析[J]. 人民黄河, 35(11): 17-18.
[23]	查小春, 黄春长, 庞奖励, 等, 2009. 泾河中游现代洪水痕迹调查对实测洪水的校核[J]. 水土保持通报, 29(3): 149-153.
[24]	CHEN G Z, HOU J M, HU Y, et al, 2023. Simulated investigation on the impact of spatial-temporal variability of rainstorms on flash flood discharge process in small watershed[J]. Water Resources Management, 37(3): 995-1 011.
[25]	GUO L, HE B S, MA M H, et al, 2018. A comprehensive flash flood defense system in China: Overview, achievements, and outlook[J]. Natural Hazards, 92(2): 727-740.
[26]	JIN H, LIANG R, WANG Y, et al, 2015. Flood-runoff in semi-arid and sub-humid regions, a case study: A simulation of Jianghe watershed in Northern China[J]. Water, 7: 5 155-5 172.
[27]	KANG C, BROTHERTON M, ANDERSON K, et al, 2024. Examination of the correlation between SPT and undrained shear strength: Case study of clay till in Alberta, Canada[J]. Engineering Geology, 334: 107510. DOI:10.1016/j.enggeo.2024.107510.
[28]	KHAN M A, MEMON S, FAROOQ F, et al, 2021. Compressive strength of fly-ash-based geopolymer concrete by gene expression programming and random forest[J]. Advances in Civil Engineering(1): 6618407. DOI:10.1155/2021/6618407.
[29]	KHANLARI G, ABDILOR Y, BABAZADEH R, 2014. Landslide hazards zonation using GIS in Khoramabad, Iran[J]. Geotechnical Geology, 9(4), 343-352.
[30]	LEE R J, NICEWANDER W A, 1988. Thirteen ways to look at the correlation coefficient[J]. The American Statistician, 42(1): 59-66.
[31]	OLIVER M A, WEBSTER R, 1990. Kriging: A method of interpolation for geographical information systems[J]. International Journal of Geographical Information Systems, 4(3): 313-332.
[32]	PHAM B T, QI C C, HO L S, et al, 2020. A novel hybrid soft computing model using random forest and particle swarm optimization for estimation of undrained shear strength of soil[J]. Sustainability, 12(6): 2218. DOI:10.3390/su12062218.
[33]	TAN X Z, LI Y, WU X X, et al, 2024. Identification of the key driving factors of flash flood based on different feature selection techniques coupled with random forest method[J]. Journal of Hydrology: Regional Studies, 51: 101624.DOI:10.1016/j.ejrh.2023.101624.
[34]	WANG W, LIU J, LI C Z, et al, 2020. Assessing the applicability of conceptual hydrological models for design flood estimation in small-scale watersheds of Northern China[J]. Natural Hazards, 102(3): 1 135-1 153.