基于数据同化的洪水预报修正方法在大型河流网络中的应用：以珠江流域为例

《Environmental Modelling & Software》：Data Assimilation-Based Correction of Flood Forecasts in a Large-Scale River Network: A Case Study of the Pearl River Basin

水动力模型与EnKF耦合实现珠江流域动态水力参数反演，验证了联合状态-参数同化框架（S-P-EnKF）在1-24小时多时段连续预报中的稳定性与精度提升，平均NSE达0.85。

　　

苗德宇|黄廷杰|王志莉|卢永军

中国水利水电科学研究研究院国家水灾防治重点实验室，南京210098

摘要

准确预测水位对于航行安全、洪水缓解和基础设施管理至关重要；然而，由于水文条件的快速变化和边界不确定性，预测能力往往受到限制。为了解决这些挑战，本研究开发了一个数据同化框架，将一维水动力河流网络模型与集合卡尔曼滤波器（EnKF）相结合。该框架在边界输入不确定的情况下动态识别曼宁系数，同时确保数值稳定性和水力一致性。在珠江流域进行的验证表明，该系统能够同化实测水位数据，生成连续30天（720小时）模拟期间不同预测时间（1-24小时）的预报结果。结果表明，基于EnKF的同化方法有效减轻了系统偏差，并保持了稳定的预测性能，在33个站点上的平均纳什-萨特克利夫效率（NSE）达到了0.85。这些发现证明了所提出框架在复杂边界条件下的水位预测效果。

引言

在复杂的河流网络区域，实时和高精度的水位预测在增强洪水风险管理、优化水资源分配以及提高水力基础设施运营效率方面发挥着关键作用。全球气候变化和快速城市化显著改变了河流网络的水文状况，导致极端事件（如洪水和风暴潮）的频率和强度增加（Chen等人，2021年；Ming等人，2020年）。这些变化给这些地区的水位预测的及时性和准确性带来了新的挑战。目前，主要采用两种方法进行水位预测：（a）基于物理的水动力模型（Bomers等人，2019年；Khorsandi等人，2024年）；（b）基于概念的水文模型（Rosenberg等人，2011年；Luo等人，2025年）。然而，基于概念的水文模型需要高质量的输入数据，并依赖于多种观测变量和模型参数，包括流量、降水量、地形、温度、土壤特性和表面滞留系数（Zhang等人，2025年）。这些模型的预测性能对数据的可用性和质量非常敏感，而数据获取的不稳定性和不确定性进一步增加了预测的不确定性（Cotter等人，2003年；Ochoa-Rodriguez等人，2015年）。与基于圣维南方程模拟河流流动动态的水动力模型相比（Hodges，2019年），水动力模型在空间-时间分辨率、物理过程表示以及突发水文气象事件的预测方面具有明显优势（Paiva等人，2011年，2013年；Lyu等人，2024年）。

传统的水动力模型已广泛应用于洪水预测（Karim等人，2023年）。与水文模型类似，它们的性能对输入数据（包括初始条件、边界条件和参数设置，如曼宁系数）非常敏感（Hu等人，2024年；Mondal等人，2023年）。结构不确定性、输入误差和参数偏差常常导致模拟数据与观测数据之间存在显著差异，特别是在流量高峰期。在实际预测应用中，两个主要限制阻碍了水动力模型的有效性。首先，其构建需要高分辨率的地形数据。Zeng等人（2022年）表明，当地形分辨率低于15米时，模型预测的可靠性值得怀疑。其次，下游边界条件显著影响模拟精度。例如，边界噪声的5%变化可能导致峰值水位的8%变化（Jahandideh-Tehrani等人，2020年）。虽然潮汐海平面或河流水位监测可以提供边界数据，但在数据获取成本、数值精度和空间观测密度方面仍存在挑战（Camenen等人，2021年）。这些因素限制了水动力模型的应用范围，并增加了大规模模拟的不确定性。为了克服这些固有限制，研究人员越来越多地采用数据同化技术将观测数据整合到模型中，从而减少模拟误差并提高水文和水动力预测的准确性（Ghorbanidehno等人，2020年）。水文和水动力建模的数据同化方法通常分为变分方法和序贯方法。变分方法虽然能够产生最优解，但需要开发伴随模型，导致计算成本高且在非线性系统中的性能下降——这些因素限制了其在水文学中的实际应用（Alvarado-Montero等人，2022年）。相比之下，序贯方法更适合非线性系统（如水文模型），并在运营预测中表现出更大的适应性（Abaza等人，2015年）。集合卡尔曼滤波器和粒子滤波器及其变体已在水文研究中得到广泛应用（Soltani等人，2021年）。与集合卡尔曼滤波器相比，粒子滤波器允许更广泛和灵活的状态空间表示，因为它不依赖于卡尔曼方法通常要求的高斯分布假设（Fan等人，2017年）。然而，随着状态变量数量的增加，粒子滤波器需要指数级增长的样本量来近似真实的后验分布（Liu等人，2012年）。鉴于水动力模型相对于水文模型更高的计算需求，粒子滤波技术在水动力建模中的应用仍然有限。

近年来，集合卡尔曼滤波器（EnKF）已广泛应用于水动力建模。然而，在标准的仅状态更新EnKF（S-EnKF）中，预测性能仍可能受到参数不确定性的影响，因为模型参数在同化过程中不会更新（Shen等人，2015年）。为了解决这一限制，开发了状态-参数联合同化方法（S-P-EnKF），可以同时估计模型状态和关键参数，从而提高模型的适应性和预测准确性（Lei等人，2019年）。这种联合同化技术在短期预测中展示了有希望的结果。例如，Liu等人（2024年）将S-P-EnKF应用于运河灌溉系统，通过同化多个河流横截面的曼宁系数，将水位预测准确性提高了60%。同样，在二维水动力模型中，Ziliani等人（2019年）成功修正了少量曼宁系数，使模拟精度提高了90%，预测能力提高了60%。这些结果表明，将曼宁系数作为扩展的同化变量显著提高了水动力模型的短期性能。EnKF在水动力建模中的成功应用突显了其灵活性和实际价值。目前关于使用EnKF进行一维水动力模型中的状态-参数联合同化的研究主要集中在单通道系统（Jiang等人，2021年；Kong等人，2023年；Mila?inovi?等人，2020年），其中使用EnKF可以确保模型稳定性。然而，大多数现有研究仅限于短期或单步预测，且很少评估不同预测时间范围内的同化效果持续性（Luo等人，2024年）。先前的研究考察了水文模型数据同化对集合规模的敏感性，并使用连续排名概率分数（CRPS）评估了集合的可靠性（Abaza等人，2017年；Jing等人，2023年）。尽管如此，大型复杂河流网络中长期预测期间连续同化的稳定性仍缺乏充分研究。在此基础上，我们提出了一个基于EnKF方法的水动力建模框架，以进一步提高水位预测的准确性。

在本研究中，选择珠江流域（PRB）作为研究区域，开发了一维水动力河流网络模型。实施了两种数据同化框架——仅状态EnKF（S-EnKF）和状态-参数联合EnKF（S-P-EnKF）来进行滚动水位预测。本研究的主要目标如下：（1）使用现成的边界条件实现准确的水利网络水位预测；（2）通过实时校正横截面参数（曼宁系数）并在多个预测时间范围内进行评估，提高短期到中期的预测能力；（3）使用CRPS等概率诊断工具评估集合行为和不确定性表示，从而证明所提出的同化框架的长期（720小时）稳定性和可靠性。

研究区域

珠江三角洲（PRD）位于中国南部，由西江、北江和东江等主要支流以及众多支流汇合而成，形成了一个高度复杂的河流网络系统（Liu等人，2014年）。该地区的特点是上游水力基础设施密集，下游大都市区高度城市化。自然因素和人为因素的相互作用使得水动力系统

使用原始观测数据的预测结果

现有研究表明，基于集合的短期洪水预测系统通常在大约5小时内达到最高精度，表明6小时以内的预测代表了实时预测最可靠的时间窗口（Coelho等人，2025年）。对短期洪水预测实践的全面回顾进一步指出，操作模型通常关注亚日时间范围（1-24小时），其中6小时间隔是最常见的更新周期

结论

本研究通过将大规模河流网络模型与集合卡尔曼滤波器（EnKF）相结合，为珠江流域（PRB）开发了一个水动力数据同化框架。基于对仅状态EnKF（S-EnKF）和状态-参数联合EnKF（S-P-EnKF）方法的30天比较分析，得出以下结论：

(1)

S-P-EnKF通过同化水位观测数据来更新状态变量，同时动态调整曼宁系数作为有效参数

软件和数据可用性

软件名称：Ensemble-Kalman-Filter

开发者：苗德宇和王志莉

联系人：[e-mail]

首次可用日期：2025年8月12日

所需软件：Visual Studio

编程语言：C#

源代码位于：https://github.com/dymiao-cn/Ensemble-Kalman-Filter

有关应用程序安装、测试和部署的详细文档可以在https://github.com/dymiao-cn/Ensemble-Kalman-Filter/blob/master/README.md

本地安装和使用软件所需的数据是

CRediT作者贡献声明

苗德宇：撰写——原始草稿、软件、方法论、正式分析、数据整理、概念化。黄廷杰：撰写——审阅与编辑。王志莉：撰写——审阅与编辑、监督、软件获取。卢永军：撰写——审阅与编辑

未引用的参考文献

Ziliani等人，2019a.

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

本研究得到了国家自然科学基金 [资助编号 52171271]的财政支持。