Page 14 - 2022年第53卷第2期

BP 神经网络模型训练后，率定期和检验期入湖流量预报过程分别如图 7 和图 8 所示，结果统计
如表 8 所示。由图和表可知，率定期和检验期预报流量过程与实测流量过程趋势一致，且量级相差
较小，确定性系数均超过 0.8，精度均为乙级，说明构建的预报模型具有较好的拟合能力和泛化能
力。基本达到了中长期径流预报要求，可以为洪湖旱限水位动态控制提供决策依据。
4.7 洪湖旱限水位动态控制结果分析 根据湖泊入湖流量中长期预报模型结果，评估本月预报流量
与频率入湖流量的差异，对湖泊旱限水位进行动态控制。由于实测资料中各月实际入湖流量均大于
各月 95%频率入湖流量，故本文不对旱保水位（95%频率）进行动态控制。
动态控制结果如下：（1）统计洪湖 1998—2017 年枯水期（11 月—次年 4 月）共 120 个月实际入湖流
量过程，与各月 75%频率入湖流量进行对比，共有 25 个月实际入湖流量低于 75%频率入湖流量，若
不抬高旱限水位，提前启动应急响应，可能造成 6.23 亿 m 水资源短缺，如图 9（a）所示；（2）按照旱限
3
水位动态控制方法，当本月预报来水较频率来水小时，抬高旱限水位提前预警，当本月预报来水较
频率来水大时，无需调整旱限水位，共有 21 个月需抬高旱限水位提前预警，如图 9（b）所示；（3）在
抬高旱限水位的 21 个月中，有 9 个月实际入湖流量大于预报入湖流量，当采用动态控制方法提前预
3
警，仍可能造成 3.83 亿 m 水资源短缺，但比不采用动态控制方法，降低了 2.4 亿 m 可能缺水量；有
3
3
12 个月实际入湖流量小于预报入湖流量，当采用动态控制方法提前预警，可能造成 1.11 亿 m 水资源
未能充分利用。
根据以上结果分析可知，基于来水预报的湖泊旱限水位动态控制结果好坏与模型预报精度显著
相关，采用旱限水位动态控制方法辨识湖泊在来水比预期偏枯时干旱缺水风险的整体准确率为 84%
（21/25）；尽管采用旱限水位动态控制方法可能造成部分月份水资源不能充分利用，但对比不采用
旱限水位动态控制方法可能造成部分月份水资源严重短缺情况，采用旱限水位动态控制方法能够
极大缓解部分月份水资源的严重短缺，能有效降低可能缺水情况的发生，为湖泊管理人员提供决
策支持。

25 25

20 20
缺水量/亿 m 3 15 缺水量/亿 m 3 15

10
10
5 5
0 12 0 12
2000 2004 2008 3 4 11 2000 2004 2008 3 4 11

年份 2012 2018 1 2 月份 年份 2012 2018 1 2 月份
（a）不采用旱限水位动态控制 （b）采用旱限水位动态控制
图 9 洪湖 1998—2017 年枯水期各月可能缺水量

5 结论

为解决湖泊干旱特征指标体系不完善导致抗旱减灾指挥决策时机把握不准、应急响应过度等问
题，本文开展了湖泊旱限水位确定方法研究，提出了一种湖泊分级分期旱限水位确定与动态控制方
法，实用性较强、可靠性较高，具有广泛工程应用价值。主要创新如下：（1）针对不同类型湖泊，
制定了湖泊旱限水位分级、分期标准，提出了一套较为通用的湖泊分级分期旱限水位确定方法。
（2）针对湖泊干旱事件发生过程具有不确定性，采用蓄水量距平百分率作为湖泊旱限水位合理性分
析的水文干旱指标，建立了一套相对合理的湖泊旱限水位合理性分析方法。（3）针对湖泊旱限水位

— 136 —