Professional Documents
Culture Documents
А.Н. Гельфан
(Институт водных проблем РАН)
Всероссийская школа-семинар
«Математическое моделирование в гидрологии»,
06 декабря 2010 г.
Содержание
| О необходимости совершенствования
методической базы гидрологических расчетов
для повышения эффективности мер по защите
от наводнений
| Применение динамико-стохастических
моделей формирования речного стока для
оценки величины и повторяемости
катастрофических половодий (на примере р.
Вятка)
| Заключение
Рост материального ущерба от наводнений
…………………..
98 1937 3020 95.15
14000
Q
β α α −1
99 1931 2835 96.12
F (Q ) = 1 − ∫ Q exp(− βQ )
100 1984 2300 97.09
101 1935 2120 98.06 12000
Γ(α )
Flood Peak Discharge, m3/s
102 1967 1970 99.03
0
10000
8000
Q0.001=10000 m3/s 6000
4000
2000
0
0.0001 0.001 0.01 0.1 1
Exceedance Probability
С помощью традиционного статистического подхода к расчетам
максимального стока принципиально невозможно получить обоснованную
информацию о поведении гидрологической системы в условиях,
значительно отличающихся от наблюдавшихся
"... the form of the distribution is not known and any
distribution used must be guessed ... since the part of the
distribution we are interested in is well away from the part
where observations provide some information... [this
difficulty] cannot be overcome by mathematical sleight of
hand« (P. A. P. Moran)
14000
Q
β α α −1
12000 F (Q ) = 1 − ∫ Q exp(− βQ )
Γ(α )
Flood Peak Discharge, m3/s
0
10000
8000
6000
4000
2000
0
0.0001 0.001 0.01 0.1 1
Exceedance Probability
Виды кривых распределения, преимущественно используемых
в инженерной практике разных стран для расчетов максимального стока
Трехпараметрическое Логнормальное
Распределение гамма-распределение распределение
лог-Пирсона 3
типа
Обобщенное
распределение
экстремальных
значений (GEV)
12000 2000
1500
8000
1000
4000 500
0 0
0.01 0.1 1 0.01 0.1 1
5000 1000
0 0
0.0001 0.001 0.01 0.1 1 0.0001 0.001 0.01 0.1 1
5000
Максимальный расход, м /с
4000
3
3000
2000
1000
0
0.0001 0.001 0.01 0.1 1
Вероятность превышения
Физико -математическая
“In seeking to understand the behavior of
hydrologic
модель systems of
формирования interest it is necessary
стока
to draw on standard results from both the
statistical study of random systems and the
deterministic analysis of classical fluid
mechanics and hydraulics.…Progress in both
Q, m3/s
areas [deterministic and stochastic
Q, m 3/s
600 600
600
hydrology] would benefit if they were
3
Q, m /s
1800
3
Q, m /s
Lalsk
Oparino
Darovskoe
Kirov (Vyatka)
Sabalino Kotel'nich
Kumeny Glazov
Uni Debessy
Nolinsk
Yaransk
Kilmez
Izhevsk
Mozhga Sarapul
Vjatskie Poljany
Описание основных гидрологических процессов
в модели формирования стока р. Вятка
Формирование снежного покрова и снеготаяние Стекание воды по склонам
dH
dt
[ −1
= ρ w X s ρ0 − ( S + Es )( ρi I ) −1 − V] ∂ (hB ) ∂ (qB)
∂t
+
∂x
= qc
d q = i 0.5 h1.67 Bn −1
( ρi IH ) = ρ w ( X s − S − Es ) + Si
dt Подповерхностное стекание воды
d
( ρ w ws H s ) = ρ w ( X l + S − Rs ) − Si ∂ hg ∂ q g
dt (θ s − θ НВ )bs + = Rg bs
∂ t ∂ x
Вертикальный влагоперенос в незамерзшей
почве q g = K g is hg bs
∂θ ∂ ⎛ ∂θ ⎞ Движение воды в речной системе
= ⎜ D f (θ ) − K (θ ) ⎟
∂t ∂z ⎝ ∂z ⎠
Впитывание воды в мерзлую почву 1 ∂Q ∂Q D ∂ 2Q ∂q
+ = ( 2 − )+q
⎛ P − I −θ0 ⎞
4
C ∂t ∂x C ∂x ∂x
K f = K uf ⎜⎜ ⎟⎟ (1 + 8 I )− 2
⎝ P −θ0 ⎠
Q, m3/s 3 1940 1954
3 1968 1941 1956 1969
Q, m /s Q, m /s
10000
10000 10000 10000 10000 10000
8000 8000 8000 8000 8000 8000
6000 6000 6000 6000 6000 6000
4000 4000 4000 4000 4000 4000
10000 10000
1942
10000
1957 1971
10000 10000
1943
10000
1958 1972
По данным
8000
метеорологических
8000 8000 8000 8000 8000
6000 6000 6000 6000 6000 6000
4000 4000 4000 4000 4000 4000
2000
0
2000
0 0
2000
0
2000 2000
0
2000
0
наблюдений рассчитаны
гидрографы стока р.
28.02 19.03 28.02
08.04 19.03
28.04 08.04
18.05 07.06
28.02 28.04 27.06
19.03 18.05
08.04 07.06 28.02
28.04 27.06
18.05 19.03
07.06 08.04
27.06 28.04 18.05 07.06 27.06
28.02 19.03 08.04
28.02 28.04
19.03 18.05
08.04 07.06
28.04 27.06
18.05 07.06 27.06
1947 1948
1961 1975 1962 1976
10000 10000
10000 10000 10000 10000
8000 8000
8000 8000 8000 8000
6000 6000
6000 6000 6000 6000
4000 4000
4000 4000 4000 4000
2000 2000
2000 2000 2000 2000
0 0
0 0 0 0
28.02 19.03 08.04 28.04 18.05 07.06 27.06 28.02 19.03 08.04 28.04 18.05 07.06 27.06
28.02 19.03 08.04
28.02 28.04
19.03 18.05
08.04 07.06
28.04 27.06
18.05 07.06 28.02
27.06 19.03 08.04
28.02 28.04
19.03 18.05
08.04 07.06
28.04 27.06
18.05 07.06 27.06
1949 1950
1963 1977 1964 1978
10000 10000
10000 10000 10000 10000
8000 8000
8000 8000 8000 8000
6000 6000
6000 6000 6000 6000
4000 4000
4000 4000 4000 4000
2000 2000
2000 2000 2000 2000
0 0
0 0 0 0
28.02 19.03 08.04 28.04 18.05 07.06 27.06 28.02 19.03 08.04 28.04 18.05 07.06 27.06
28.02 19.03 08.04
28.02 28.04
19.03 18.05
08.04 07.06
28.04 27.06
18.05 07.06 28.02
27.06 19.03 08.04
28.02 28.04
19.03 18.05
08.04 07.06
28.04 27.06
18.05 07.06 27.06
1951 1952
1965 1979 1967 1980
10000 10000
10000 10000 10000 10000
8000 8000
8000 8000 8000 8000
6000 6000
6000 6000 6000 6000
4000 4000
4000 4000 4000 4000
2000 2000
2000 2000 2000 2000
0 0
0 0 0 0
28.02 19.03 08.04 28.04 18.05 07.06 27.06 28.02 19.03 08.04 28.04 18.05 07.06 27.06
28.02 19.03 08.04
28.02 28.04
19.03 18.05
08.04 07.06
28.04 27.06
18.05 07.06 28.02
27.06 19.03 08.04
28.02 28.04
19.03 18.05
08.04 07.06
28.04 27.06
18.05 07.06 27.06
Stochastic Weather Generator
Daily Precipitation Occurrence
(first-order, two-state Markov chain)
Precipitation
Daily Precipitation Amount
(gamma distributed variable, conditionally
Definition
independent given the sequence of occurrences
Stochastic Weather)Generator is a
of precipitation
set of stochastic models that use
existing weather records to produce
9Continuous stochastic
long series ofprocess withdaily
synthetic daily mean
and s.d. conditioned on wet/dry which
weather variables, state ofstatistical
the day
Air Temperature 9Fourier series use to smooth the seasonal trend
properties are expected to be
9AR(1) time-series model for deviations from
seasonal trend q =toφthose
similar
n q + of
1 n −1 a the actual data
n
0.100
М
µ, дни σ, дни 0.080
Е
Частота
0.060
С
Я Факт Модель Факт Модель
0.040
Ц 0.020
0.000
I 23 22 4 4 1 2 3 4 5 6 7 8
Сутки
9 10 11 12 13 14 15
III 15 17 5 4
Автокорреляционная функция
IV 12 14 4 3
последовательности дней с осадками
V 13 13 3 4 и без осадков
VI 14 12 4 4 1.0
VII 14 13 5 4 0.8
Corr(Jn,Jn+1)
VIII 14 15 4 3 0.6
0.4
IX 16 17 4 4
0.2
X 19 21 5 4
0.0
XI 21 22 4 4 0 1 2 3 4 5 6 7 8 9 10 11
l, сут
XII 22 23 5 3 Фактические данные Модель
Год 200 207 17 14
Проверка модели осадков
Статистические характеристики суммы осадков за заданный период
µ, мм σ, мм
Период
Фактические Смоделированные Фактические Смоделированные
I 41.7 34.4 17.0 9.5
II 30.5 30.6 13.4 9.6
III 33.1 39.3 18.7 13.5
IV 34.3 44.5 19.0 17.7
V 52.3 53.9 25.5 23.3
VI 70.6 59.8 40.1 28.5
Год 645.3 655.42 95.5 67.1
Плотность распределения Функции распределения максимальных
суммы осадков за год суточных осадков за год
60
Год
50 1.00
40 0.80
Pотн (%)
0.60
30 GN (X )
0.40
20
0.20
10
0.00
0 0 10 20 30 40 50 60 70
350 450 550 650 750 850 Хмакс, мм
Осадки, мм
Фактические Модель
Смоделированные Фактические
Модель внутригодового хода среднесуточной
температуры воздуха
(Аддитивная модель временного ряда, описывающая ход температуры как сумму двух
компонент: детерминистического тренда и случайных отклонений от тренда)
Сезонный ход среднего среднесуточной температуры воздуха,
⎧ 2π ⎫
Tn = a0 + a1 cos⎨ n + a2 ⎬
⎩ 365 ⎭
0
t, C Дни с осадками 0
t, C Дни без осадков
25.00
20
15.00
10
5.00
0
-5.00
-10
-15.00
-20
-25.00
0 100 200 300 T, сут
0 100 200 300 T, сут
Модель Фактические Модель Фактические
Модель внутригодового хода среднесуточной
температуры воздуха
Отклонения от тренда
Год Год
25
25
Un − µi 20
Zn = Zn∗ = ln(Zn' + m)
20
σi Pотн (%)
15
Pотн (%)
15
10
Z n' = − Z n 10
m = const
5
5
0
-4.0 -3.5 -3.0 -2.5 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 0
0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4 2.6
Zn
Zn*
12000
Flood Peak Discharge, m 3/s
10000
8000
6000
uncertainty
4000
2000
0
0.0001 0.001 0.01 0.1 1
Exceedance Probability
Оценка максимально возможной интенсивности
снеготаяния в бассейне р. Вятка
Величина максимально возможной интенсивности снеготаяния для
бассейна р. Вятка определялась по уравнению теплового баланса тающего
снежного покрова при следующих допущениях:
9безоблачное небо во время таяния снега,
9баланс длинноволновой радиации, затраты тепла на испарение и
приток тепла с жидкими осадками равны нулю.
MELT open
*
= 0.125Q (1 − r ) + 4.86T (0.18 + 0.098u
sw min max )
*
где Qsw - максимально возможная интенсивность солнечной радиации при безоблачном небе
(кал/см /сут); r - альбедо снежного покрова; T - температура воздуха (ОС); u - скорость ветра (м/с).
2
140
Smax, мм/сут
120
100
Рассчитанные величины
максимально возможной
80
интенсивности
60 снеготаяния в бассейне р.
40
Вятка:
серая линия – поле
20
зеленая линия - лес
0
01.03 11.03 21.03 31.03 10.04 20.04 30.04 10.05 20.05 30.05
поле Максимально возможная
интенсивность снеготаяния
01.04 08.04 15.04 22.04 29.04 06.05 13.05 20.05 27.05
на 03.06 10.06
открытых территориях
0
водосбора р. Вятка
Снеготаяние, мм/сут
20
40
60
80
100
20
40
60
80
100
12000
10000
8000
Рассчитанный гидрограф
6000 максимально возможного половодья
4000
2000
на р. Вятка (пунктир) в сравнении с
0 гидрографом наибольшего
01.04 15.04 29.04 13.05 27.05 10.06
половодья за период наблюдений
Рассчитанные вероятности превышения максимальных расходов воды
(точки), аппроксимированные распределением SB Джонсона
η λ ⎧
⎪ 1 ⎡ ⎛ Q − ε ⎞ ⎫⎪ ⎤
2
16000
; λ=PMD=19100 м3/с
14000
Максимальный расход, м/с
12000
3
;
10000
; 8000
6000
4000
2000
0
0.0001 0.001 0.01 0.1 1
Вероятность превышения
Sensitivity of the derived flood frequencies to
estimation of PMD
16000
14000
12000
Peak discharge, m3/s
10000
8000
6000
4000
2000
0
0.00001 0.0001 0.001 0.01 0.1 1
Exceedance probability