随着现代气象探测技术的不断发展,可获取的观测资料也越来越丰富,将这些资料有效应用于水文站分布较少或无水文站的水库流域,可以加强水库防洪调度的科学性和可预见性,确保水库安全渡汛。BP神经网络是一个具有高度非线性的、大规模的动力系统,具有很强的处理非线性问题的能力,但BP神经网络的缺陷是收敛速度慢,网络易陷入局部极小。而遗传算法具有全局优化能力,适用于多峰函数优化等多种场合,而且具有并行搜索等特点,可优化出种群中的最优个体,但是,当遗传算法搜索到最优解附近时,无法精确地确定最优解的位置,也就是说它对于局部搜索空间的微调能力比较差。充分发挥遗传算法和BP神经网络的长处,将两者结合是目前一个十分活跃的研究领域。本文旨在通过遗传-神经网络算法(以下简称GA-BP算法)建立融合气象观测站,雷达估算以及模式预报等资料的降雨订正模型,并将模型的输出作为水文模型的输入进行洪水预报试验,以期提高洪水预报精度。具体试验结论如下:(1)由于未能获得清江上游水布垭控制流域水文站点的雨量信息,本文这里利用流域内气象站点逐小时降雨资料对恩施雷达估算逐小时降雨进行校准来获得流域内逐小时平均降雨,以替代通过水文站点计算得到的流域平均降雨。校准后雷达估算降雨均值较气象站点累计降雨均值偏低,平均绝对误差随累计降雨量的增加有增大的趋势,但是平均相对误差变化比较稳定,基本维持在30%左右。(2)采用遗传算法和神经网络相结合的方法,一方面避免了由于神经网络受初始权值随机性的影响导致陷入局部最优的问题,另一方面又避免了遗传算法搜索到最优解附近时无法精确定位最优解的缺点,结合两种算法的优势,通过校准后雷达估算降雨对AREM预报降雨进行订正,以建立AREM预报降雨的订正模型,达到提高预见期预报降雨精度的目的。订正后的AREM预报降雨在过程累计降雨的预报精度上有比较明显的提高,尤其是对累计降雨在20mm以上的过程,其平均相对误差能够控制在20%以内。逐小时预报降雨的平均绝对误差和平均相对误差较订正前分别减小了41.56%和38.16%,虽然订正效果也比较明显,但是与实况结果相比仍然有一定差距。(3)将订正前后AREM预报降雨输入新安江模型进行洪水预报对比试验,大多数情况下,订正后AREM预报降雨的确定性系数和洪峰相对误差这两项检验指标较订正前有明显提高,其中确定性系数的预报结果已经达到了乙等作业预报水平,洪峰相对误差的预报精度已接近预报要求,但还有待进一步提高。通过对比试验还发现,未订正AREM预报降雨在小时最大降雨的量级和出现时间上的预报结果与实况较为一致,但是整个过程的预报效果不太理想,这就导致洪水预报试验中,未订正AREM预报降雨能比较准确的预报出峰现时间,但是洪峰流量的预报值偏小,订正后的AREM预报降雨能提高整个过程降雨预报精度,但是反而降低了最大小时降雨量及其出现时间的预报精度,这就导致确定性系数的预报精度提高较大,而洪峰流量的预报与实况仍然有一定差距。因此,如果能够在对原始AREM降雨进行订正时保留对最大小时降雨的预报信息,将有助于进一步提高预见期降雨和洪水预报的精度。