本发明涉及流域径流预测技术领域，具体涉及一种流域径流的预测方法及装置。
背景技术：
准确预测江河径流情势是江河治理方略确定、径流调控工程布局与运用、径流资源合理配置的基础与关键。在自然和人为的耦合驱动作用下，江河水沙含量发生明显变化，径流泥沙关系发生重大调整。江河径流泥沙含量的重大变化，导致下游河槽严重萎缩、河道排洪输沙能力显著降低等系列新问题产生，严重威胁江河流域防洪安全。
科学有效的选取径流趋势预测方法是研究和判断江河径流情势的重要前提与基础。目前，流域径流预测研究主要采用水文模型模拟法，例如swat模型、mike模型、usle模型等，但由于以上方法预测径流变化的内在机理存在较大差异，不同方法所考虑的径流变化影响因子不同，侧重点各异，加之，径流作为一个动态变化系统，环境因素改变对径流变化预测增加了不确定性，导致现有不同方法径流预测结果存在精度低、可靠性差和及预测结果可信度难以保证的问题，难以实现对江河未来径流情势精准预测的有力支撑，不能满足江河治理实践的基本需求。
技术实现要素：
针对现有技术中的缺陷，本发明提供一种流域径流的预测方法及装置，实现对流域径流变化趋势的精准预测。
为实现上述目的，本发明提供以下技术方案：
一方面，本发明提供了一种流域径流的预测方法，包括：
建立流域的基础数据库，并将所述基础数据库中的基础数据分为率定期基础数据和验证期基础数据；
获取流域的径流预测模型，且至少获取两个所述径流预测模型；
根据所述率定期基础数据和所述率定期基础数据所对应的径流实测数据，调节获取的至少两个所述径流预测模型中的模型参数；并将验证期基础数据导入调节所述模型参数后的至少两个所述径流预测模型中，获得所述验证期基础数据所对应的至少两个径流预测数据；
计算所述验证期基础数据所对应的径流实测数据分别与每个所述验证期基础数据所对应的所述径流预测数据之间的精度评定指标；并计算所述精度评价指标所对应的每个径流预测模型的可信度得分值；
采用贝叶斯模型加权平均法对至少两个所述径流预测模型中的径流预测数据和可信度得分值进行加权平均，得到流域的径流预测值。
其中，所述基础数据库中的基础数据包括：径流数据qt、降水pt、土地利用lucc和数字高程图dem。
其中，所述建立流域的基础数据库并将所述基础数据库中的基础数据分为率定期基础数据和验证期基础数据的步骤，包括：
采用pettitt突变检验法检测基础数据库中径流数据qt的突变年份，以所述突变年份为分界点将所述基础数据库中的基础数据分为率定期基础数据和验证期基础数据；
其中，所述率定期基础数据包括所述突变年份对应的基础数据。
其中，所述精度评定指标，包括：纳什效率系数nse、相对误差re、均方根误差rmse和平方均方误差msesq。
其中，所述纳什效率系数nse的计算公式，如下：
所述相对误差re的计算公式，如下：
所述均方根误差rmse的计算公式，如下：
所述平方均方误差msesq的计算公式，如下：
其中，obsi为第i年的径流实测数据，simi为第i年的径流预测数据，
其中，以每个所述精度评定指标为目标对象，采用模糊决策理论方法进行权重分析和叠加，得到每个所述径流预测模型对应的每个径流预测模型的可信度得分值。
其中，所述采用贝叶斯模型加权平均法对至少两个所述径流预测模型中的径流预测数据和可信度得分值进行加权平均得到流域的径流预测值的步骤，包括：
采用下式计算径流预测值ybma：
其中，k为可信度得分值，kt为第t个径流预测模型的可信度得分值；sim为径流预测数据，simt为第t个径流预测模型的径流预测数据，t为径流预测模型的个数。
另一方面，本发明还提供了一种流域径流的预测装置，包括：
数据库单元，用于建立流域的基础数据库，并将所述基础数据库中的基础数据分为率定期基础数据和验证期基础数据；
预测模型单元，用于获取流域的径流预测模型，且至少获取两个所述径流预测模型；
修正单元，用于根据所述率定期基础数据和所述率定期基础数据所对应的径流实测数据，调节获取的至少两个所述径流预测模型中的模型参数；并将验证期基础数据导入调节所述模型参数后的至少两个所述径流预测模型中，获得所述验证期基础数据所对应的至少两个径流预测数据；
计算单元，用于计算所述验证期基础数据所对应的径流实测数据分别与每个所述验证期基础数据所对应的所述径流预测数据之间的精度评定指标；并计算所述精度评价指标所对应的径流预测模型的可信度得分值；
预测单元，用于采用贝叶斯模型加权平均法对至少两个所述径流预测模型中的径流预测数据和可信度得分值进行加权平均，得到流域的径流预测值。
其中，所述数据库单元，包括：
分类模块，用于采用pettitt突变检验法检测基础数据库中径流数据qt的突变年份，以所述突变年份为分界点将所述基础数据库中的基础数据分为率定期基础数据和验证期基础数据；
其中，所述率定期基础数据包括所述突变年份对应的基础数据。
其中，所述计算单元，包括：
计算子模块，用于以每个所述精度评定指标为目标对象，采用模糊决策理论方法进行权重分析和叠加，得到每个所述精度评定指标对应的径流预测模型的可信度得分值。
由上述技术方案可知，本发明所述的一种流域径流的预测方法及装置，采用多种径流预测模型对流域径流进行共同预测，并对径流实测数据融入径流预测模型的过程进行优化，使得径流预测模型的模型参数取得最优值，从而有效地提高了径流预测模型的预测精度；将多种径流预测模型的预测结果进行加权平均，进一步提高径流预测模型的预测精度，较单一方法预测结果可信度更可靠。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种流域径流的预测方法的流程示意图；
图2是本发明实施例提供的一种流域径流的预测装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供了一种流域径流的预测方法，参见图1，该方法具体包括如下步骤：
s101：建立流域的基础数据库，并将所述基础数据库中的基础数据分为率定期基础数据和验证期基础数据；
在本步骤中，以某一流域作为研究对象，系统收集该流域历年的径流数据qt、降水pt、土地利用lucc和数字高程图dem的数据构建该流域基础数据库。结合pettitt突变检验，将该流域的径流研究时间序列划分2个时段，分别为：率定期基础数据和验证期基础数据。
径流数据qt、降水pt、土地利用lucc和数字高程图dem为径流预测中常用的数据，具有易获得性。其中，径流数据qt和降水pt通过流域内水文站收集；土地利用lucc和数字高程图dem通过遥感影像获取，为满足数理统计学样本要求，选取的流域的降水数据和径流数据的时间序列以大于30年为宜。
在对时间序列进行划分时，以pettitt突变检验法检测径流突变年份，将突变年份确定为分界点，通过分界点将流域径流的时间序列划分为率定期基础数据和验证期基础数据。具体为，采用pettitt突变检验法检测基础数据库中径流数据qt的突变年份，以所述突变年份为分界点将所述基础数据库中的基础数据分为率定期基础数据和验证期基础数据；
其中，所述率定期基础数据包括所述突变年份对应的基础数据。
s102：获取流域的径流预测模型，且至少获取两个所述径流预测模型；
在本步骤中，系统收集该流域径流预测已有的研究文献，对研究该流域径流预测已有方法进行统计，筛选使用频率较高的模型方法作为该流域径流预测模型；
为提高流域径流预测的精度，筛选使用的径流预测模型至少为2个，若已有研究方法少于2个，可以从流域径流预测常规模型方法中选择。径流预测模型的筛选原则：基于研究流域已有研究，根据不同模型方法使用频次多少，对方法进行排序，按照由多到少的原则，筛选使用次数多的径流预测模型，供流域径流预测及集合评估使用，或者直接采用swat模型、mike模型和usle模型。
s103：根据所述率定期基础数据和所述率定期基础数据所对应的径流实测数据，调节获取的至少两个所述径流预测模型中的模型参数；并将验证期基础数据导入调节所述模型参数后的至少两个所述径流预测模型中，获得所述验证期基础数据所对应的至少两个径流预测数据；
在本步骤中，将率定期基础数据逐年分别导入步骤s102中筛选的径流预测模型，得到每个径流预测模型所应对的逐年的径流预测数据；将每个径流预测模型所应对的逐年的径流预测数据与率定期基础数据所对应的逐年的径流实测数据进行对比，通过调节每个径流预测模型的模型参数，使每个径流预测模型的径流预测数据与径流实测数据保持一致。
此时每个径流预测模型对应的模型参数为预测效果最佳时的最优参数。保持各径流预测模型的最优参数不变，将流域验证期基础数据导入每个径流预测模型，得到验证期基础数据所对应的径流预测数据。
其中，使每个径流预测模型的径流预测数据与径流实测数据保持一致，是通过决定系数r2，决定系数r2主要通过对径流预测模型的径流预测数据与径流实测数据进行线性回归获得，可用于评价径流预测数据与径流实测数据的吻合程度，决定系数r2取值范围为[0，1]，若r2＝1，表示径流预测模型的径流预测数据与径流实测数据吻合程度高，若r2<1时，越趋近于0，表示径流预测模型的径流预测数据与径流实测数据吻合性越差。在具体实施时，当r2≥0.85，即可认为径流预测模型的径流预测数据与径流实测数据一致，此时，径流预测模型对应的模型参数为该径流预测模型的最优参数。
s104：计算所述验证期基础数据所对应的径流实测数据分别与每个所述验证期基础数据所对应的所述径流预测数据之间的精度评定指标；并计算所述精度评价指标所对应的径流预测模型的可信度得分值；
在本步骤中，将每个径流预测模型在验证期基础数据的条件下预测的径流预测数据和径流实测数据进行比较，采用精度评定指标对径流预测模型的精度进行逐一评定。
其中，精度评定指标包括：纳什效率系数nse、相对误差re、均方根误差rmse和平方均方误差msesq。
以每个径流预测模型预测的径流预测数据对应的四个精度评定指标为对象，采用模糊决策理论方法进行权重分析和叠加，得到每个所述径流预测模型对应的径流预测模型的可信度得分值，进而得到不同径流预测模型的预测结果可信度排序。
s105：采用贝叶斯模型加权平均法对至少两个所述径流预测模型中的径流预测数据和可信度得分值进行加权平均，得到流域的径流预测值。
在本步骤中，保持最优时对应的模型参数不变，通过对不同径流预测模型对径流变化情境进行预测，基于验证期基础数据中的不同径流预测模型的径流预测数据和可信度得分值，采用贝叶斯模型加权平均法(bma)加权平均不同径流预测模型的径流预测数据，得到流域的径流预测值。
通过贝叶斯模型加权平均法(bma)进行加权平均不同径流预测模型的径流预测值可以得到更可靠的预测值并提高准确度。
从上述描述可知，本发明实施例提供的一种流域径流的预测方法，采用多种径流预测模型对流域径流进行共同预测，并对径流实测数据融入径流预测模型的过程进行优化，使得径流预测模型的模型参数取得最优值，从而有效地提高了径流预测模型的预测精度；将多种径流预测模型的预测结果进行加权平均，进一步提高径流预测模型的预测精度，较单一方法预测结果可信度更可靠。
进一步的，上述方法实施例中，所述纳什效率系数nse的计算公式，如下：
所述相对误差re的计算公式，如下：
所述均方根误差rmse的计算公式，如下：
所述平方均方误差msesq的计算公式，如下：
其中，obsi为第i年的径流实测数据，simi为第i年的径流预测数据，
上述方法实施例中，采用下式计算径流预测值ybma：
其中，k为可信度得分值，kt为第t个径流预测模型的可信度得分值；sim为径流预测数据，simt为第t个径流预测模型的径流预测数据，t为径流预测模型的个数。
为更近一步的对本发明的方法进行详细说明，本法明提供一种流域径流的预测方法的具体应用实例，具体内容如下：
以黄土高原吕二沟流域为例，径流研究的时间序列为1980-2010年，预测年份为2030年。
收集吕二沟流域1980-2010年的径流数据qt、降水pt、土地利用lucc和数字高程图dem，构建吕二沟流域背景资料的基础数据库；采用pettitt突变检验法对径流突变年份进行检验，可知，流域径流在1999年发生减少突变，据此，将研究时间序列划分为：率定期基础数据(1980-1999)和验证期基础数据(2000-2010)。
其中，以pettitt突变检验法检测的径流突变年份为分界点，将流域径流时间序列划分为率定期基础数据和验证期基础数据，目的是：通过率定期基础数据的径流实测数据对径流预测模型进行模型参数的修定；将验证期基础数据的径流预测数据与验证期基础数据的径流实测数据对比，提高径流预测模型的预测精度。
经现有的论文数据库检索吕二沟流域径流变化相关研究文献25篇，其中，采用wepp模型对流域径流进行模拟计算的文献2篇；topog模型1篇；mikeshe模型1篇。故结合使用频率较高且研究方法应至少2个的原则，选取wepp模型、topog模型和mikeshe模型三种方法作为流域的径流预测模型。
将吕二沟流域率定期基础数据中的径流数据qt、降水pt、土地利用lucc和数字高程图dem分别导入三个径流预测模型，通过调节径流预测模型的模型参数，使各径流预测模型的径流预测数据与径流实测数据大致相似。保持各径流预测模型的模型参数不变，将流域验证期基础数据分别导入径流预测模型模型，计算得到验证期基础数据对应的径流预测数据与径流实测数据，参见表1。
表1验证期不同径流预测模型的数据对比
基于表1验证期不同径流预测模型的数据对比，将各径流预测模型的验证期基础数据对应的径流预测数据与径流实测数据进行比较，对三种径流预测模型的纳什效率系数nse、相对误差re、均方根误差rmse和平方均方误差msesq模拟精度指标进行计算。采用模糊决策理论方法对不同径流预测模型的模拟精度指标进行多维权重分析、叠加得到每种径流预测模型的预测可信度得分值，结果参见表2；
表2模拟精度指标及可信度得分值
保持径流预测模型的模拟效果最优时对应的模型参数不变，通过以上三种径流预测模型对未来流域的径流趋势预测，参见表3，结合表2中的不同径流预测模型的预测结果可信度得分值，采用bma(贝叶斯模型加权平均)法加权平均不同模型的预测值，得到流域未来径流变化值为30.96mm，变化区间为[-3.08，3.18]，可信度达到91.01％以上。
表3流域未来30年径流变化值
本实施例以流域的径流预测为例，流域的泥沙预测可采用相同方法进行预测。
从上述实施例可知，考虑到江河径流情势是一个动态变化系统，径流预测工作具有高度复杂性，现有单一模型方法难以准确预判。本发明采用多种方法对流域径流进行共同预测，将多种方法联合，扬长避短，预测精度更高，预测结果较单一方法预测结果可信度更可靠。填补了流域径流趋势预测集合评估技术空白，对于科学、准确制定江河治理策略具有重要实践意义。
本发明实施例提供了一种流域径流的预测装置，参见图2，具体包括：
数据库单元10，用于建立流域的基础数据库，并将所述基础数据库中的基础数据分为率定期基础数据和验证期基础数据；
预测模型单元20，用于获取流域的径流预测模型，且至少获取两个所述径流预测模型；
修正单元30，用于根据所述率定期基础数据和所述率定期基础数据所对应的径流实测数据，调节获取的至少两个所述径流预测模型中的模型参数；并将验证期基础数据导入调节所述模型参数后的至少两个所述径流预测模型中，获得所述验证期基础数据所对应的至少两个径流预测数据；
计算单元40，用于计算所述验证期基础数据所对应的径流实测数据分别与每个所述验证期基础数据所对应的所述径流预测数据之间的精度评定指标；并计算所述精度评价指标所对应的径流预测模型的可信度得分值；
预测单元50，用于采用贝叶斯模型加权平均法对至少两个所述径流预测模型中的径流预测数据和可信度得分值进行加权平均，得到流域的径流预测值。
所述数据库单元10，包括：
分类模块，用于采用pettitt突变检验法检测基础数据库中径流数据qt的突变年份，以所述突变年份为分界点将所述基础数据库中的基础数据分为率定期基础数据和验证期基础数据；
其中，所述率定期基础数据包括所述突变年份对应的基础数据。
所述计算单元40，包括：
计算子模块，用于以每个所述精度评定指标为目标对象，采用模糊决策理论方法进行权重分析和叠加，得到每个所述精度评定指标对应的径流预测模型的可信度得分值。
从上述描述可知，本发明实施例提供的一种流域径流的预测装置，采用多种径流预测模型对流域径流进行共同预测，并对径流实测数据融入径流预测模型的过程进行优化，使得径流预测模型的模型参数取得最优值，从而有效地提高了径流预测模型的预测精度；将多种径流预测模型的预测结果进行加权平均，进一步提高径流预测模型的预测精度，较单一方法预测结果可信度更可靠。
本发明的说明书中，说明了大量具体细节。然而能够理解的是，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释呈反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面，也不局限于任何单一的实施例，也不局限于这些方面和/或实施例的任意组合和/或置换。而且，可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。