多源数据嵌套式同化在水量监测精度提升中的应用

摘要：

数据融合同化可以实现多源观测数据和模型模拟的优势互补，提升监测精度与可靠性。澜沧江下游的水量变化对沿岸国家影响重大，但其水量监测面临着流域复杂、水利工程影响等诸多挑战。为提高水量监测的精度与效率，提出一种耦合水动力模拟的多源数据嵌套式融合同化方法。首先利用人工实测数据构建基于机器学习LASSO模型的侧扫雷达精度提升方案，在此基础上构建河道水动力数值模拟模型，并利用提升后的侧扫雷达监测流速优化水动力模型参数，形成多层级多源数据的嵌套式融合同化，提高水量模拟精度的同时，将点观测数据扩展到全河道，扩展水量要素的获取范围，最后在澜沧江允景洪站进行应用验证。结果表明：基于机器学习LASSO模型的精度提升方案，使侧扫雷达在线监测系统的精度较常规方法提升22.93%；多层级多源数据的嵌套式融合同化模式有效提升了断面流量的模拟精度，验证期相关系数为0.935，并获取了建模河道内任意点的水位、流量、流速等水文要素数据。研究成果可为澜沧江水量监测提供技术支撑。

关" 键" 词：

多源数据； 数据同化； 水量监测； 机器学习LASSO模型； 水动力模型； 侧扫雷达在线测流系统； 澜沧江

中图法分类号： TV11

文献标志码： A

DOI：10.16232/j.cnki.1001-4179.2025.01.011

收稿日期：2024-04-28；接受日期：2024-06-10

基金项目：

国家重点研发计划项目“山洪灾害风险防控区划与全过程监测防范关键技术”（2023YFC3006700）；水利部水利科技项目“基于数据同化方法提高澜沧江允景洪站水量监测精度的技术研究”（2023-117）；国家自然科学基金重大研究计划项目“西南河流源区水文-环境多过程的立体感知及演变研究”（92047203）；水利部南京水利水文自动化研究所科研项目“雷达波测流数据降噪及流量计算优化技术研究”（YJZS0624003）

作者简介：

蒋飞卿，女，工程师，博士，主要从事水旱监测与预报预警研究。E-mail：jiangfeiqing@nsy.com.cn

Editorial Office of Yangtze River. This is an open access article under the CC BY-NC-ND 4.0 license.

文章编号：1001-4179（2025） 01-0081-07

引用本文：

蒋飞卿，牛智星，朱易青，等.

多源数据嵌套式同化在水量监测精度提升中的应用

［J］.人民长江，2025，56（1）：81-87，124.

0" 引 言

多源数据同化是指将不同来源、不同尺度、不同类型的观测数据，通过数学和统计算法，与数值模型的预测结果相结合，以获得系统状态最优估计的过程［1］。数据同化在水文监测模拟中的应用已成为近年来的研究热点，涉及土壤含水量、径流、降水、蒸散发等多种水文变量［2-5］。例如，Liu等［6］利用支持向量机和数据同化框架，结合GRACE卫星数据，对美国东北部地下水水位进行预测。Botto等［7］使用集合卡尔曼滤波（EnKF）方法，将人工降雨实验中的压力水头、土壤水分和地下出流等多源观测数据，同化到基于理查兹方程的集水区水文模型CATHY中，以改善模型的状态和参数估计，提高模拟结果的准确性。流量数据的同化始于20世纪80年代，主要是对水文预报中基于站点流量观测数据进行模型输出结果的修正，即误差校正。随着数据同化技术与模型模拟技术的发展，流量数据同化不仅用在线性或弱非线性系统对状态变量和输出结果的校正上，更用在非线性系统中通过对模型状态变量及参数的优化来改进整个系统的过程模拟及预报精度上［8-9］。众多研究表明，通过流量数据同化可以获得较好的模型参数与状态变量估计，从而有效改进水文模拟预报的精度与可靠性［9-10］。Revel等［11］使用ENVISAT、Jason1和Jason2三种卫星高度计数据，结合水文模型，采用直接、异常和归一化3种方法进行数据同化，提高了亚马逊河流域的流量估计准确性，结果显示归一化方法能够更好地改善流量估计的准确性和稳定性。Coustau等［12］使用最佳线性无偏估计（BLUE）方法，将实测流量数据同化到基于事件的水文模型SCS-LR中，提高了洪峰预报的精度，并分析了不同的控制参数和初始条件对模拟结果的影响。Xie等［13］使用EnKF方法，将实测流量、土壤水分和蒸散发等多源数据，同化到SWAT水文模型中，提高了模拟结果的准确性和可靠性，并分析了EnKF对误差设定、初始实现和集合大小的敏感性。Clark等［14］以美国马里兰州的巴尔的摩流域为研究区，使用EnKF方法将实测流量数据同化到分布式水文模型TOPMODEL中，以更新模型的状态变量，并评估了数据同化方法对模型预测性能的改进，及其对不同观测频率和误差水平的敏感性。目前，用于数据同化的水文模型由简单的集总式概念性模型逐渐发展为具有物理机制的分布式模型［15］，但结合水动力模型的流量数据同化研究还很少见。

多源观测数据提供了监测流量的直接方法。流速仪［16］、走航式ADCP［17］等人工测流方式监测精度高，但耗时耗力，且只能获取某一断面的流量状况，监测频次有限，难以满足防洪动态管理的需求。侧扫雷达在线测流系统［18］能够快速获取河道水面流速的时空分布，越来越多地应用于河道洪水的监测与管理中，但受视野范围和安全距离的限制以及对于断面资料的依赖，监测频次同样有限。水动力模型是防洪安全管理的重要工具，可以获取时空连续的水量分布［19］，提高测流效率，减少测流成本和风险，但受模型参数、输入和边界条件等不确定性因素的影响，模拟精度有待提高。数据融合同化可以实现多源观测数据和模型模拟的优势互补［20］，利用同化算法可以将不同来源、不同类型、不同分辨率的多源观测数据合理地融入水动力模型，以提高模型模拟精度和可靠性。

澜沧江-湄公河是亚洲最长的国际河流之一，流经中国、缅甸、老挝、泰国、柬埔寨和越南6个国家，是这些国家的重要水资源和生态系统。澜沧江下游的水量变化对沿岸国家的水利、农业、渔业、航运、旅游等产生重大影响，因此准确监测澜沧江的水量对于促进流域国家的合作与发展具有重要意义［21-22］。然而，由于流域的复杂性、水文站的分布不均、水文数据的共享不足等因素，澜沧江的水量监测面临着诸多挑战［23］。传统的水量监测方法主要依赖于水文站的实测数据，但这些数据往往存在时空分辨率低、覆盖范围小、更新频率低等问题，难以满足流域管理的需求。为了提高澜沧江水量监测的精度和效率，本文提出一种耦合水动力模型的多源数据嵌套式融合同化方法，利用人工实测数据、侧扫雷达在线监测数据和水动力数值模拟数据等多源数据，构建多层级多源数据的嵌套式融合同化模型，提高水量模拟精度的同时，将点观测数据扩展到全河道，扩展了水量要素的获取范围。研究成果旨在为澜沧江水量监测提供一种方法和技术支撑，为流域国家的水资源管理和水灾害防御提供科学依据和决策参考，对于推动澜沧江-湄公河流域的水资源合作与可持续发展具有重要的理论和实践价值。

1" 研究区与数据

1.1" 研究区概况

允景洪水文站（东经100°47′，北纬22°2′）为澜沧江下游控制站，位于云南省西双版纳州景洪市景洪大桥上游320 m处，控制集水面积141 779 km2，距出境口距离104 km，承担着对湄公河委员会及澜沧江下游五国的报汛任务，其地理位置如图1所示。该站主要负责澜沧江下游段的水量、泥沙、水质等水文要素的监测和预报，为水资源管理和水利工程提供数据支撑。该站日常人工流量测验方式为走航式ADCP施测，目前使用的非接触式在线测流设备为侧扫雷达，因受干扰与上游电站影响，断面流量精度需要继续提升。

1.2" 数据来源

本文用到的数据资料包含：2020年6月至2023年8月景洪电站的下泄流量、坝下水位数据，允景洪水文站的实测水文数据、走航式ADCP测流数据、侧扫雷达单元格流速数据；澜沧江景洪电站至允景洪水文站河段的河道地理位置、大断面形状等地形资料。数据来源于云南省水文水资源局西双版纳分局。

2" 研究方法

2.1" 机器学习LASSO模型

机器学习LASSO模型是Tibshirani［24］在1996年提出的，目的是消除最小二乘回归中的冗余变量，适用于参数数目缩减和参数选择。在水文气象领域，Hammami［25］、Bardsley［26］等最早将其应用于模型变量选择和模型简化，而在国内的应用较为少见。

LASSO模型损失函数为L1范数，其优化的目标函数为

f（x）=miny2-x2β222+λβ21（1）

式中：y2表示实测输出序列矩阵；x2表示实测输入序列矩阵；λ表示控制LASSO模型复杂度的正则参数，一般通过迭代选择最佳的λ，本次研究采用网格搜索法优化该参数；β2表示模型回归系数。

LASSO模型的L1正则化项为向量中各个元素绝对值之和，导致损失函数在零点位置不可导，其常见求解方法为坐标轴下降法和最小角回归法，本次研究采用坐标轴下降法求解回归系数β2［27］。坐标轴下降法固定其他坐标方向，沿某一坐标方向进行搜索，直至找到函数的局部极小值，不需要对目标函数求导，计算效率较高，最大迭代次数设置为5 000。

在受水利工程影响的复杂水情下，引入多个水力因素后仍然无法较好地拟合实测断面平均流速样本。复杂水情下流速变化且流场紊乱，如果将固定区间流速取均值后可能无法反映实际情况，故将所有相关性较强的单个流速单元格纳入考虑，采用机器学习LASSO模型求解。

2.2" 水动力数值模拟

河道水动力数值模拟的原理是以圣维南方程组为理论基础，在定解条件和基本假定下，利用六点隐式差分格式对方程组进行离散求解。

（1） 基本方程。

连续方程：

Qx+AT=q

（2）

动量方程：

Qt+xαQ2A+AgZx+gQ|Q|C2AR=0（3）

式中：Z为断面平均水位；Q为断面流量；A为过水面积；C为谢才系数；q为侧向入流；g为重力加速度；R为水力半径；α为动量修正系数。

（2） 方程离散。采用Abbott等［28］提出的六点隐式差分格式进行基本方程组的离散，该离散格式能够交替计算按序排列网格的水位或流量，分别对应Z点及Q点。六点隐式差分格式的水位、流量点位置如图2所示。

采用这种离散格式计算方程组能够无条件稳定，即无论方程组中的Courant数取到多大，计算方程组也可以保持稳定。因此在这种情况下，为缩短计算时间可以适当增大时间步长。六点隐式差分格式如图3所示。

在分布并生成各计算点时，将横断面处、河段上下游节点处设置为水位点，而相邻水位点之间设置一个流量点。同时引入蓄存宽度B，即：

B=（A0，j+A0，j+1）/Δ2xj（4）

式中：A0，j，A0，j+1分别表示网格点j与网格点j-1及j+1之间的水面面积；Δ2xj表示网格点j-1与网格点j之间的距离。

则连续方程经过离散后可以转化为如下形式：

Qx+BZt=q（5）

Qx=Qn+1j+1+Qnj+12-Qn+1j-1+Qnj-12/Δ2xj（6）

Zt=（Zn+1j-Znj）/Δt（7）

即连续方程的离散形式为

BZn+1j-ZnjΔt+［（Qn+1j+1+Qnj+1）/2-（Qn+1j-1+Qnj-1）/2］Δ2xj=qj（8）

将其简化后可以写为

αjQn+1j-1+βjZn+1j+γjQn+1j+1=δj（9）

式中：α，β，γ是B与δ的函数，同时依赖于Zn，Qn以及Qn+1/2。

同理，可以将动量方程进行离散并简化为如下形式：

αjZn+1j-1+βjQn+1j+γjZn+1j+1=δj（10）

式中：αj与γj均为A的函数；δj=f（A，Δx，Δt，α，q，v，θ，Znj-1，Qnj-1，Znj+1，Q（n+1）/2j+1），0.5≤θ≤1，βj=f（Qnj，Δt，Δx，C，A，R）。

（3） 方程求解。

求解离散方程组可以采用双向消除法。设一河道中分布有n个网格点，由于河道首尾网格点全部为水位点，因此n为奇数。n个网格点可以得到n个线性方程：

α1Zn+1us+β1Zn+11+γ1Qn+12=δ1

α2Zn+11+β1Zn+12+γ1Zn+13=δ2

αn-1Zn+1n-2+βn-1Qn+1n-1+γn-1Zn+1n=δn-1

αnQn+1n-1+βnZn+1n+γnZn+1ds=δn（11）

式中：Zus、Zds分别表示上下游汊点的水位，其与河道首尾网格点的水位相等，即Z1=Zus，Zn=Zds。对于单一河道，若上下游汊点水位已知，运用消元法便能够求解出上述方程组。

2.3" 多层级多源数据的嵌套式融合同化

首先基于人工实测流速和侧扫雷达在线监测流速数据，综合考虑水深、落差等因素，充分利用相关性较强的单个流速网格单元，构建基于机器学习LASSO模型的侧扫雷达精度提升方案，以提高复杂水情下受水利工程影响的测验断面推流精度，以及侧扫雷达流速在线监测系统水平。在此基础上，构建研究区河道水动力数值模拟模型，在利用走航式ADCP实测数据提升侧扫雷达流速监测精度的基础上，利用提升后的侧扫雷达监测流速优化水动力模型的参数，形成多层级多源数据的嵌套式融合同化。提高流速模拟精度的同时，将点观测数据扩展到全河道，扩展水量要素的获取范围。技术路线如图4所示。

2.4" 精度评价指标

采用纳什效率系数（NSE）、决定系数（R2）、均方根误差（RMSE）和平均相对误差（MRE）4个指标来评价提升精度和模拟精度，其公式如下：

NSE=1-ni=1（Vobsi-Vsimi）2ni=1（Vobsi-Vobs）2（12）

R2=ni=1（Vobsi-Vobs）（Vsimi-Vsim）2ni=1（Vobsi-Vobs）2ni=1（Vsimi-Vsim）2（13）

RMSE=ni=1（Vobsi-Vsimi）2n（14）

MRE=1nni=1Vobsi-VsimiVobsi（15）

式中：Vobsi和Vsimi分别为实测流速和模拟流速，Vobs和Vsim分别为实测流速和模拟流速的平均值。NSE和R2越接近1，RMSE和MRE越小，说明模拟效果越好。

3" 结果与分析

3.1" 侧扫雷达精度提升

侧扫雷达测得的断面表层流速分布与断面平均流速有相关性但不等价，因此数据获取后需经过分析处理才能用于推求断面流量。本文首先分析侧扫雷达的单元格流速与断面平均流速的相关性，选取相关性较强的单个流速单元格，再综合考虑水深、落差等水力因素，构建基于机器学习LASSO模型的推流公式，得到推流结果并进行精度评价。

首先进行侧扫雷达单元格流速与实测断面平均流速的相关性分析（图5），以此作为单元格挑选依据。

由图5可知，单元格6的相关性显著增强，而后是主泓段，相关性保持较高的状态；经过主泓段后，相关性逐渐减弱，到单元格23以后相关性锐减，流速相关系数分布与断面形状较为一致。选取相关系数在0.6以上的单元格6～17的区间流速作为LASSO模型的自变量，该区间基本位于主泓段，代表性较好。

将6～17单元格流速值、上下游落差、断面水深作为自变量，增强其代表性，采用机器学习LASSO模型进行优化求解。拟合公式为

vtui=3.170 922 83+17i=6bivi+b18x+b191h—（16）

式中：vtui为LASSO模型推算流速；bi为侧扫雷达流速6～17单元格系数，取值见表1；vi为侧扫雷达流速6～17单元格i的流速；x为景洪电站至允景洪水文站断面的落差；h—为允景洪断面平均水深。

使用构建好的机器学习LASSO模型推算研究时段内断面平均流速，以实测断面平均流速作为真值，进行误差检验，如图6所示。由图6可知，使用机器学习LASSO模型推算流速的系统误差为0.033%，随机不确定度为3.473%；符号检验、适线检验、偏离数值检验结果显示满足水文规范要求。精度检验结果显示：使用常规方法推算流速的平均相对误差为0.018，使用LASSO模型为0.014，精度提升了22.93%。

3.2" 水动力模拟数据同化

3.2.1" 模型构建

构建允景洪河段水动力模型，主要包含以下数据文件：

（1） 河道文件。河道计算范围为澜沧江景洪电站下游至允景洪水文站的河段，总长3 320 m。

（2） 断面文件。引入了允景洪水文站断面在内的3个实测断面来控制建模范围的河段地形，创建时将实测断面数据导入、移动到对应位置并设置与河道中心线垂直。

（3） 边界条件。模型的上边界设置为上游景洪电站的下泄流量，下边界设置为允景洪水文站的实测水位。

（4） 参数文件。本次研究设置初始流量为0，初试水位为520.00 m。河床糙率是需要率定的参数，根据模型计算结果分析确定。

（5） 模拟文件。将上述4个数据文件进行集成，同时设定模拟的起止日期、时间步长、结果文件名及存储路径等，最终得到河道水动力模型的模拟文件。

3.2.2" 率定验证

采用构建好的允景洪河段水动力模型进行洪水模拟，选取2021年1月1日至12月31日（率定期）的允景洪站断面侧扫雷达推算流速，与水动力模拟的断面流速进行对比，然后不断优化水动力模型的参数，以使水动力模拟流速与提升后的侧扫雷达监测流速不断接近，从而达到更好的拟合效果。其中，侧扫雷达推算流速采用前述LASSO模型，即利用走航式ADCP实测数据提升侧扫雷达监测流量精度的基础上，再利用提升后的侧扫雷达监测流速优化水动力模型的参数，形成多层级多源数据的嵌套式融合同化，以提升水量模拟精度和扩展获取范围。

图7为率定期允景洪站侧扫雷达推算流速（以下简称实测流速）与水动力模拟流速对比图。从图7可以看出，模型模拟结果的过程线、峰值与实测值吻合较好，模拟流速与实测流速相关性较高（相关系数CI=0.912），说明模型参数n取值合理。最终该模型设置全局糙率为0.036。

选取2022年1月1日至12月31日（验证期）的侧扫雷达推算流速过程进行验证。验证过程如图8所示。从图8可以看出，模拟流速与实测流速相关性高（相关系数CI=0.935），满足验证精度，认为模型模拟结果整体可信。

模型率定期和验证期的流速模拟精度统计如表2所列。

采用率定验证好的允景洪河段水动力模型，除了可以模拟得到允景洪站断面流速外，还能获取建模范围澜沧江景洪电站下游至允景洪水文站的河道任意点的水位、流量、流速等水文要素数据。将点观测数据扩展到全河道，实现了从单一断面监测到整体河道模拟的飞跃。

4" 结 论

为提高水量监测的精度和效率，本次研究提出了一种耦合水动力模型的多源数据嵌套式融合同化方法，将机器学习LASSO模型应用于侧扫雷达流量在线监测系统的精度提升中，并利用提升后的侧扫雷达监测流速作为反馈信息，优化水动力模型的参数，形成多层级多源数据的嵌套式融合同化，提高水量模拟精度的同时，将点观测数据扩展到全河道，实现了从单一断面监测到整体河道模拟的飞跃。在澜沧江下游允景洪水文站的应用表明：

（1） 综合考虑上下游落差、断面水深等因素，充分利用相关性较强的单个流速网格单元，本文所构建的基于机器学习LASSO模型的侧扫雷达精度提升方案，有效提升了复杂水情下受水利工程影响的测验断面推流精度及侧扫雷达流量在线监测水平。

（2） 构建研究区河道水动力数值模拟模型，在利用走航式ADCP实测数据提升侧扫雷达监测流量精度的基础上，利用提升后的侧扫雷达监测流速优化水动力模型的参数，形成了多层级多源数据的嵌套式融合同化模式，有效提升了允景洪站断面流速的模拟精度，验证期相关系数达0.935，并获取了建模河道内任意点的水位、流量、流速等水文要素数据。

该方法具有较强的理论基础，结果合理可行，提高了水量监测和模拟的精度与效率，实现了对河道水文要素的全面获取和分析，为水资源管理和水灾害防御提供了科学依据和决策参考。未来可以考虑进一步将水动力模型扩展到三维，以更好地描述水流的垂直结构和变化，以及水流与河床、岸壁、水利工程等的相互作用，从而更准确地模拟和预测水量、水位、流速等水文要素，尤其是对于分层流速的模拟与研究。

参考文献：

［1］" 刘永伟，王文，刘元波，等.水文模型模拟预报的多源数据同化方法及应用研究进展［J］.河海大学学报（自然科学版），2021，49（6）：483-491.

［2］" CROW W T，RYU D.A new data assimilation approach for improving runoff prediction using remotely-sensed soil moisture retrievals［J］.Hydrology and Earth System Sciences，2009，13（1）：1-16.

［3］" YANG K，ZHU L，CHEN Y，et al.Land surface model calibration through microwave data assimilation for improving soil moisture simulations［J］.Journal of Hydrology，2016，533：266-276.

［4］" 李璐，夏军，叶爱中，等.基于雷达测雨的降水数据同化研究［J］.人民长江，2006，37（9）：95-97.

［5］" LIEVENS H，MARTENS B，VERHOEST N E C，et al.Assimilation of global radar backscatter and radiometer brightness temperature observations to improve soil moisture and land evaporation estimates［J］.Remote Sensing of Environment，2017，189：194-210.

［6］" LIU，D，MISHRA A K，YU Z，et al.Support vector machine and data assimilation framework for groundwater level forecasting using GRACE satellite data［J］.Journal of Hydrology，2021，603：126929.

［7］" BOTTO A，BELLUCO E，CAMPORESE M.Multi-source data assimilation for physically based hydrological modeling of an experimental hillslope［J］.Hydrology and Earth System Sciences，2018，22（8）：4251-4266.

［8］" LEE H，SEO D J，KOREN V.Assimilation of streamflow and in situ soil moisture data into operational distributed hydrologic models：effects of uncertainties in the data and initial model soil moisture states［J］.Advances in Water Resources，2011，34（12）：1597-1615.

［9］" 李漫漫，石朋，尚艳丽，等.基于集合卡尔曼滤波的新安江模型状态变量实时修正方法［J］.河海大学学报（自然科学版），2019，47（3）：209-214.

［10］L H，HOU T，HORTON R，et al.The streamflow estimation using the Xinanjiang rainfall runoff model and dual state-parameter estimation method［J］.Journal of Hydrology，2013，480：102-114.

［11］REVEL M，ZHOU X，YAMAZAKI D，et al.Assimilation of transformed water surface elevation to improve river discharge estimation in a continental-scale river［J］.Hydrology and Earth System Sciences，2023，27（3）：647-671.

［12］COUSTAU M，RICCI S，BORRELL-ESTUPINA V，et al.Benefits and limitations of data assimilation for discharge forecasting using an event-based rainfall-runoff model［J］.Natural Hazards and Earth System Science，2013，13（3）：583-596.

［13］XIE X，ZHANG D.Data assimilation for distributed hydrological catchment modeling via ensemble Kalman filter［J］.Advances in Water Resources，2010，33（6）：678-690.

［14］CLARK M P，RUPP D E，WOODS R A，et al.Hydrological data assimilation with the ensemble Kalman filter：use of streamflow observations to update states in a distributed hydrological model［J］.Advances in Water Resources，2008，31（10）：1309-1324.

［15］SMITH M B，SEO D J，KOREN V I，et al.The distributed model intercomparison project（DMIP）：motivation and experiment design［J］.Journal of Hydrology，2004，298（1/4）：4-26.

［16］刘彦琳，李洪志，李莉莉，等.山溪性河流中SVR手持电波流速仪流速系数率定［J］.人民长江，2020，51（6）：113-117，188.

［17］张丹凤，王文娟，尤家伟，等.基于ADCP代表流速法“1+1”的多平台流量测验比测研究［J］.水利水电快报，2024，45（3）：23-29.

［18］邹巍，胡春杰，嵇海祥，等.侧扫雷达在线测流系统研究与应用［J］.陕西水利，2023（10）：163-165，169.

［19］单婷婷，杜德军，徐华，等.长江下游天星洲河段水动力特性及近期演变研究［J］.人民长江，2021，52（增1）：19-23.

［20］马建文，秦思娴.数据同化算法研究现状综述［J］.地球科学进展，2012，27（7）：747-757.

［21］黄汉文，李昌文，徐驰.澜沧江-湄公河水资源合作的现实、挑战与方向［J］.人民长江，2021，52（7）：88-94.

［22］吴圣楠，雷雨，张汶海，等.澜沧江-湄公河流域洪水灾害防治合作回顾及建议［J］.科技导报，2020，38（16）：80-87.

［23］王文忠.澜沧江干流末段水利工程和航运对水文测验工作的影响及对策［J］.科技创新与应用，2018（8）：178-179.

［24］TIBSHIRANI R.Regression shrinkage and selection via the lasso［J］.Journal of the Royal Statistical Society Series B：Statistical Methodology，1996，58（1）：267-288.

［25］HAMMAMI D，LEE T S，OUARDA T B M J，et al.Predictor selection for downscaling GCM data with LASSO［J］.Journal of Geophysical Research：Atmospheres，2012，117（D17）：17864.

［26］BARDSLEY W E，VETROVA V，LIU S.Toward creating simpler hydrological models：a LASSO subset selection approach［J］.Environmental Modelling amp; Software，2015，72：33-43.

［27］PEDREGOSA F，VAROQUAUX G，GRAMFORT A，et al.Scikit-learn：machine learning in Python［J］.Journal of Machine Learning Research，2011，12：2825-2830.

［28］ABBOTT M B，IONESCU F.On the numerical computation of nearly horizontal flows［J］.Journal of Hydraulic Research，1967，5（2）：97-117.

（编辑：谢玲娴）

Application of nested multi-source data assimilation methodology in water quantity monitoring accuracy improvement

JIANG Feiqing1，2，3，NIU Zhixing1，2，3，ZHU Yiqing4，WANG Bei5，ZHOU Anhui5，JI Haixiang1，2，3

（1.Nanjing Research Institute of Hydrology and Water Conservation Automation of Ministry of Water Resources，Nanjing 210012，China；

2.Jiangsu NIHWA Technology Co.，Ltd.，Nanjing 210012，China；

3.Research Center on Hydrology amp; Water Resources Monitoring of MWR，Nanjing 210012，China；

4.Liyang Jiangnan Engineering Testing Co.，Ltd.，Liyang 213300，China；

5.Xishuangbanna Branch Office，Yunnan Hydrological and Water Resources Bureau，Xishuangbanna 666100，China）

Abstract：

Data fusion and assimilation can complement the advantages of multi-source measured data and model simulation to enhance monitoring accuracy and reliability.Changes in the water volume of the lower Lancang River have a thriving impact on downstream countries，but the water monitoring faces many challenges，such as the complexity of the basin and the impact of hydraulic engineering.In order to improve the accuracy and efficiency of water quantity monitoring，we proposed a nested multi-source data assimilation methodology coupled with the hydrodynamic model，which utilizes multi-source data such as manual measurement data，side-scan radar online monitoring data，and hydrodynamic numerical simulation data.Firstly，an accuracy improvement scheme of side-scan radar based on machine learning LASSO model was constructed by using artificial measured data.On this basis，a numerical simulation model of river hydrodynamics was constructed，and the parameters of hydrodynamic model were optimized by using the improved side-scan radar monitoring velocity，forming a nested fusion assimilation of multi-level and multi-source data.The aim was to improve the accuracy of water quantity simulation，extend the point observation data to the whole river，and expand the access range of the water quantity elements.The application in Yunjinghong Hydrological Station of Lancang River showed that：the accuracy improvement scheme based on machine learning LASSO model improved the accuracy of the side-scan radar monitoring system by 22.93% compared with the conventional method.The nested fusion assimilation mode of multi-level and multi-source data effectively improved the simulation accuracy of sectional flow，and the correlation coefficient in the verification period was 0.935.And the hydrological elements data such as water level，flow rate and velocity at any point in the modeled river channel were obtained.This study can provide a new methodology and technical support for the monitoring of water quantity of Lancang River.

Key words：

multi-source data； data assimilation； water quantity monitoring； machine learning LASSO model； hydrodynamic model；side-scan radar online flow measurement system； Lancang River