企业官网建设流程全解析

洪水模型每天都可能算偏，怎样用水位站让它边算边纠正？

一句话读懂这篇论文：
作者让100个存在不同边界流量、河道糙率、河床高程和初始水深的LISFLOOD-FP模型同时运行；每当新的流量和水位观测到达，就利用多变量集合卡尔曼滤波先更新河道参数，再更新水深状态，然后继续预测下一天的淹没概率。2017年Hurricane Harvey案例表明，这种连续纠偏使概率洪水图的AUC提高约5%，淹没范围低估减少约7个百分点。

传统洪水图通常给出一个确定结论：

• 这里会淹；
• 那里不会淹；
• 水深是1.2米；
• 洪水边界就在这条线上。

但真实洪水模拟存在大量不确定性：

• 上游流量不一定准确；
• 支流来水可能估计错误；
• 河床高程缺少实测；
• Manning糙率并不是固定真值；
• 初始河道水深可能已经偏离实际；
• 简化的水动力模型不能完整描述真实河流。

如果模型在第一天算偏，第二天仍使用错误状态继续往前推，误差可能不断积累。

2021年，Jafarzadegan、Abbaszadeh和Moradkhani在《Hydrology and Earth System Sciences》发表：

Sequential data assimilation for real-time probabilistic flood inundation mapping

论文提出一套“边模拟、边观测、边校正”的洪水预报框架：

模型不是校准一次后一直运行，而是在洪水过程中持续接收水位站和流量站数据，同时更新模型状态与参数。

论文研究的核心不是遥感洪水识别，而是：

• LISFLOOD-FP二维水动力模拟；
• 多变量集合卡尔曼滤波；
• 水深状态更新；
• 河道糙率和河床高程更新；
• 一天提前量的概率洪水淹没制图。

一、百年一遇洪水图为什么不能代替实时洪水图？

传统洪水风险图通常按照固定重现期制作：

• 100年一遇；
• 500年一遇；
• 某个设计流量情景。

这种图适合长期规划，却不一定能回答：

明天这场洪水会淹到哪里？

论文以Hurricane Harvey为例指出，FEMA的100年和500年洪水图分别只覆盖了Harris County实际淹没区域的大约三分之一和一半。

真实洪水具有具体的：

• 上游洪峰；
• 支流汇流；
• 初始河道状态；
• 边界条件；
• 洪峰传播过程。

因此，应急决策需要的是：

针对当前事件、随新观测持续更新的洪水图。

二、为什么论文强调“概率洪水图”？

确定性模拟只使用一套流量、糙率、河床和初始水深，但这些输入都可能有误差。

概率图更适合表达不确定性：

论文的目标不是消除不确定性，而是：

让概率分布随着观测不断变得更准确、更可靠。

三、卫星观测为什么没有成为主要实时数据源？

论文讨论了SAR洪水范围、SWOT和由洪水边界反演水面高程，但作者认为，当时卫星资料存在两个现实限制：

1. 洪水涨落很快，而有效卫星影像可能只有0—2景；
2. 许多河流宽度小于100米，部分卫星水位产品难以直接适配水动力同化。

因此，论文选择更连续的：

• 水文站流量；
• 水文站水位。

这不意味着作者否定卫星数据。论文结论明确提出，未来可以联合同化站点观测和遥感数据。

四、研究区为什么选择Hurricane Harvey？

研究区位于美国Texas州San Jacinto流域中部。

Hurricane Harvey于2017年8月25日登陆Texas，连续约6天产生极端降雨。

论文模拟时段为：

2017 年7月30日—9月12日 2017\text{年7月30日—9月12日}2017年7月30日—9月12日

共45天，整个7月用作预热。

五、LISFLOOD-FP在框架中负责什么？

LISFLOOD-FP通过连续方程和动量方程模拟：

• 流量；
• 水面高程；
• 水深；
• 洪水向洪泛区扩散；
• 洪峰沿河传播。

论文使用Subgrid Channel Solver。

研究采用120米DEM，但子网格河槽能够表达宽度小于网格的河流，从而降低100成员集合模拟的计算成本。

六、论文具体考虑了哪些不确定性？

论文同时处理四层不确定性：

边界条件包括4个上游流量、7个侧向流量和下游条件。

河床被简化成一个统一偏移参数，计算高效，但无法表达真实河槽的复杂空间变化。

七、集合卡尔曼滤波可以怎样通俗理解？

可以把100个模型成员看成100名预测员。

每名预测员使用略有不同的：

• 流量；
• 糙率；
• 河床；
• 初始水深。

当新水位和流量观测到达后，EnKF会计算：

哪些状态和参数变化，与观测误差之间具有统计相关性？

基本更新形式可以写成：

更新值 = 预测值 + K ( 观测值 − 模型预测值 ) 更新值=预测值+K(观测值-模型预测值)更新值=预测值+K(观测值−模型预测值)

其中K KK为Kalman增益。

Kalman增益决定：

• 观测可信时，模型应该改多少；
• 模型和观测相关性弱时，更新应该多谨慎；
• 哪些参数和空间状态应该被调整。

八、这篇论文为什么叫“多变量同化”？

论文同时同化：

• Gauge 1流量；
• Gauge 2流量；
• Gauge 2水位。

作者特别考虑两类相关性：

1. 不同站点流量之间的空间相关；
2. 同一站点流量与水位之间的相关。

因此，观测误差协方差矩阵不仅包含对角线方差，也保留非零交叉协方差。

论文的核心观点是：

把相关观测假定为完全独立，会浪费它们之间的水力联系。

不过，论文只考虑同期相关性，没有显式处理洪水从上游传播到下游的时间滞后。

九、为什么每个同化周期要运行两次模型？

论文采用状态—参数双重估计。

第一轮重点更新：

• 河道糙率；
• 河床高程。

第二轮重点更新：

• 水深状态。

这样可以同时纠正当前水量状态与长期参数偏差。

十、整个实验是怎样设置的？

100个成员在100个CPU核心上并行运行。

需要区分：

• LISFLOOD-FP内部以1秒步长计算；
• 观测同化和产品更新按日进行。

十一、为什么先做“合成真值实验”？

真实洪水中，河床和最优糙率并不知道。

因此，作者先做孪生实验：

1. 预设一套确定参数；
2. 用模型生成流量和水位；
3. 把输出当作虚拟观测；
4. 从错误参数集合出发同化；
5. 检查参数能否回到预设真值。

结果显示：

• 河床高程较快收敛；
• 糙率收敛更慢；
• 洪峰附近观测信息最强。

但生成真值和同化预测使用同一个模型，因此该实验主要验证算法实现和参数可识别性，不代表已经解决真实模型结构误差。

十二、真实Harvey实验中，流量和水位改善了多少？

论文重点分析一天提前量的Prior预测。

Prior虽然尚未使用当天新观测，但已继承前一天同化后的状态和参数。

流量

开放环洪峰高估约：

200 m 3 / s 200\ m^3/s200m3/s

EnKF Prior的洪峰误差降到50立方米每秒以内。

水位

开放环在洪峰低估约2米。

Posterior使用当前观测，因此不能用0.2米RMSE代表一天提前量；一天预报对应的Prior RMSE是0.5米。

十三、为什么退水阶段改进更明显？

论文图6和图7分别展示涨水期与退水期。

开放环在退水阶段出现：

• 洪水斑块快速消失；
• 空间结果离散破碎；
• 水位过程偏窄；
• 退水时间错位。

EnKF则：

• 拓宽水位过程；
• 减少时间滞后；
• 让淹没概率逐步下降；
• 保持洪水空间形状更连续。

这说明连续同化不仅修正洪峰，也修正：

洪水持续时间和退水速度。

对农业洪灾而言，这一点非常重要，因为峰值范围决定最大暴露，而退水速度会影响作物受淹时长、土壤缺氧和灾后返盐风险。

十四、概率洪水图最终提高了多少？

作者将整个Harvey期间的概率淹没图取时间并集，与灾后参考范围比较。

AUC

EnKF比开放环提高约：

5 % 5\%5%

低估指数UFI

开放环：

30.3 % 30.3\%30.3%

EnKF：

23.4 % 23.4\%23.4%

低估减少：

30.3 − 23.4 = 6.9 30.3-23.4=6.930.3−23.4=6.9

个百分点，论文概括为约7%。

高估指数OFI

开放环为0.26%，EnKF为0.40%，两者均低于1%。

这说明模型的主要问题不是大面积高估，而是漏掉实际受淹区域。

最优Fit指数仍低于80%，120米DEM和简化河道设置是重要原因。

十五、“实时”预报是否真的足够快？

论文使用：

• 100个集合成员；
• 100个CPU核心；
• 120米DEM；
• Subgrid Solver。

一次Harvey概率模拟大约需要：

• 水动力计算约4小时；
• 数据同化约20分钟；
• 总计约4—5小时。

因此，论文中的“实时”更准确地理解为：

能够在洪水到达前几个小时完成下一天概率图更新。

它不是：

• 秒级实时；
• 单台普通电脑运行；
• 每小时滚动更新；
• 全国范围即时产品。

十六、这篇论文真正的创新在哪里？

1. 将EnKF用于事件级概率淹没制图，而不仅是水位或流量预报；
2. 同时更新状态和参数，联合估计水深、河道糙率和河床高程；
3. 同时同化流量和水位，而不是只使用一种观测；
4. 考虑站间和变量间相关性，在协方差矩阵中保留非零交叉项；
5. 同时处理多层不确定性，包括边界流量、初始状态和模型参数；
6. 既做合成实验，也验证真实极端洪水；
7. 同时评价精度、概率可靠性和计算效率，包括RMSE、KGE、NRR、Reliability、AUC、Fit、UFI和OFI。

十七、哪些局限必须认真看待？

1. DEM过粗

120米DEM难以表示：

• 城市道路；
• 堤防；
• 小河道；
• 局地洼地；
• 精细河床。

2. 河道几何高度简化

模型假设矩形断面、统一河床偏移和统一糙率，真实河道空间变化远比这复杂。

3. 只有一个真实事件

Harvey是一场极端洪水，结果未证明在中小洪水、山区河流、冰雪融水洪水或水库调度洪水中具有相同性能。

4. 参考洪水图不是逐日真值

空间验证主要使用整个洪水期间的最大范围并集，无法完整检验每天的洪水边界和水深。

5. 每日同化仍可能太慢

对于数小时内快速涨落的城市洪水，一天更新一次可能不足。

它没有证明：

少量站点观测可以完全恢复真实二维洪水场。

它真正证明的是：

即使使用较粗DEM和简化河道，通过连续同化相关的流量与水位观测，仍能不断纠正状态和参数，使下一天的概率洪水图比不更新的开放环模拟更准确、更连续。

论文信息

论文题目：Sequential data assimilation for real-time probabilistic flood inundation mapping

作者：Keighobad Jafarzadegan、Peyman Abbaszadeh、Hamid Moradkhani

期刊：Hydrology and Earth System Sciences

卷与页码：25，4995—5011

发表年份：2021

DOI：10.5194/hess-25-4995-2021

Download：https://hess.copernicus.org/articles/25/4995/2021/