Вы находитесь на странице: 1из 33

Оценка риска и масштабов

выдающихся весенних половодий на


основе динамико-стохастических
моделей формирования речного стока

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)

| Возможности уменьшения неопределенности


расчетных оценок максимального стока
малой вероятности превышения с учетом
представлений о предельно возможном
максимальном расходе

| Заключение
Рост материального ущерба от наводнений

Усиление хозяйственного Рост


Справка: инвестиции в гидротехническое
использования речных строительство расходов
в развитых на восстановительные
странах
бассейнов неуклонно работы,
растут. страховых
В США выплат и т.д.
дополнительные гос. инвестиции на
развитие
Помимо причин роста ущерба, общих ГТС только
для многих стран, вдля USACE
России имеются
специфические особенности,составят
особенно$4.6 млрд (ARRA,
проявившиеся 2009). Мировые
в последние годы:
инвестиции в 2008 г. составили $500
млрд. (Milly
- рост аварий на ГТС: из-за малой пропускной способности водосбросных сооружений
et al., 2008)
(35%); суффозии, фильтрации, просадок, сдвигов, несовершенства
противофильтрационных устройств (25%); использования при сооружении плотин
некачественных материалов или нарушения правил проведения строительных работ
(10%); неудовлетворительной эксплуатации ГТС и несвоевременного проведения
ремонтно-восстановительных работ (30%);

- ухудшение качества и достоверности прогнозов из-за сокращения сети


наблюдательных гидрометрических и гидрометеорологических постов (более чем на
44% к началу XXI века по сравнению с концом 1980-х гг.) ;

- недостаточное финансирование предупредительных противопаводковых


мероприятий, строительства и эксплуатации защитных ГТС
Помимо социально-
экономических причин
на повсеместный рост
ущерба от наводнений
повлияло происходящее
увеличение числа
выдающихся по высоте
паводков: в мире за
десятилетие с 1996 по
2005 гг. их произошло
вдвое больше, чем за
тридцать лет с 1951 по
1980 гг. (Kron, Berz, 2007).
Traditional flood frequency analysis is based on
1. acquisition of data of flood peak discharges,
2. computation of observed probabilities of occurrence,
3. fitting of the appropriate probability distribution to the observed probabilities
4. estimation of flood quantiles of the desired probabilities.

N п/п Год Qmax P,%


1 1882 16200 0.97
2 1916 13800 1.94
3 1914 12950 2.91
4 1899 12400 3.88
5 1927 11500 4.85

…………………..
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)

Нет оснований полагать, что разнообразие кривых


распределения, принятых в инженерной практике разных стран,
отражает объективно существующие различия между
закономерностями формирования максимального стока в
соответствующих регионах
Информации, содержащейся в имеющихся рядах наблюдений за стоком,
недостаточно, чтобы предпочесть тот или иной вид трехпараметрического
распределения на основании статистических критериев
«при равенстве трех параметров - среднего, коэффициента вариации и
коэффициента асимметрии - трехпараметрическое гамма-
распределение…практически не отличается от других, применяемых в
гидрологической практике распределений» (Блохинов, 1974, стр. 136)

р. Белая (Уфа) р. Сейм (Рышково)


3000
16000 2500

12000 2000
1500
8000
1000
4000 500

0 0
0.01 0.1 1 0.01 0.1 1

р. Белая (Уфа) р. Сейм (Рышково)


35000 6000
30000 5000
25000
4000
20000
3000
15000
10000 2000

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

Кривые трехпараметрического гамма-распределения, построенные по


многолетним данным о максимальных расходах половодья на р. Сейм
Красная линия - использованы данные, начиная с 1928 г.
Зеленая линия - использованы данные, начиная с 1933 г.
Стационарность рядов наблюдений –
необходимое условие применимости
традиционных методов расчета
максимального стока
Возрастающая антропогенная нагрузка на
речные бассейны, возможные изменения
климата, требуют обоснования гипотезы
стационарности для каждого конкретного
водосбора.
Необходим переход на новое поколение методов оценки риска,
учитывающих информацию о физических механизмах формирования
максимального стока. Значительными возможностями для этого обладают
физико-математические модели формирования стока, которые позволяют :

воспроизводить редкие (не наблюдавшиеся, но физически


осуществимые) сочетания природных условий, которые могут
привести к развитию выдающихся паводков и половодий

учитывать антропогенные изменения характеристик водосбора и


климата.

Справка: В США и других развитых странах модели формирования стока разной


детализации созданы для преобладающего большинства наиболее важных речных систем.
Для расширения возможностей применения методов математического моделирования
формирования стока за рубежом созданы пакеты программ и практические рекомендации
для ряда физико-географических районов (например, моделирующие программные
комплексы MIKE-11 Flood management Датского гидравлического института и FloodWorks
Института гидрологии Великобритании, HEC-FDA Flood Damage Assessment - Центра
гидрологических инженеров США, WATFLOOD – Университет Онтарио). В России модели
формирования стока разработаны лишь для немногих речных бассейнов и используются,
большей частью, для исследовательских работ.
Получение информации о масштабах гидрологических явлений, период
повторяемости которых намного больше продолжительности имеющихся
Стохастические модели
гидрометеорологических метеорологических
наблюдений воздействий
возможно путем учета в модели
формирования стока на
неопределенности , связанной
водосбор (генератор с недостаточностью
погоды )
наблюдений.

Временные метеорологические ряды,


генерируемые методом Монте-Карло

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

400 400 considered as complementary rather than 1500 3


Q, m /s
400 600

separate fields of investigation.


1200
500
900
400
200 200

J. C. I. Dooge “Bringing it all together”.


200 600 300
200
300
100
0
0 0 0 0
15.11 04.01 23.02 14.04 03.06 23.07 11.09 15.11
15.11 04.01 23.02 14.04 03.06 23.07 11.09 15.11 04.01 23.02 14.04 03.06 23.07 11.09 04.01 23.02 14.04 03.06 23.07 11.09 31.10 20.12 15.11 04.01 23.02 14.04 03.06 23.07 11.09 31.10 20.12
Оценка риска и масштабов
выдающихся весенних половодий на
р. Вятка
Конечноэлементная
схематизация водосбора р. Вятка
(477 элементов)

Lalsk

Oparino

Murashi Nagorskoe Kirs

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

2000 2000 2000 2000 2000 2000


0 0 0 0 0
0
28.02 19.03 28.02
08.04 19.03
28.04 08.04
28.02 28.04
18.05 19.03
07.06 18.05
08.04
27.06 07.06 28.02 07.06
28.04 27.06
18.05 19.03 27.06
08.04
28.02 28.04
19.03 18.05
08.04 07.06
28.02 28.04 27.06
19.03 18.05
08.04 07.06
28.04 27.06
18.05 07.06 27.06

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

1945 1959 1973 1946 1960 1974


10000
8000
10000
8000
10000
8000
10000
8000
10000
8000
10000
8000
Вятка за 37 лет (1940-43;
1945-54; 1955-65 1967-
6000 6000
6000 6000 6000 6000
4000 4000
4000 4000 4000 4000
2000 2000

1969; 1971-80 гг.).


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

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

Daily air humidity deficit on the dry is assumed to


Air Humidity be lognormal distributed, independent variable;
on a wet day the humidity deficit was assumed
equal zero
Проверка модели осадков
Статистических характеристики Распределение продолжительности
внутригодового хода количества дней периодов с осадками
с осадками 0.120

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

II 17 18 4 3 Фактические данные Модель

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*

Частная Принят следующий алгоритм:


автокорреляционная
Z n∗ − µi функция qn •Генерируется последовательность
qn =
σi осадков (ДМЦ1) и величин qn (AR1)
qn – нормально
•Осуществляется переход от qn к
распределенные
трансформированным величинам Z*n
величины
с параметрами (0,1),
•Обратным пересчетом
описываются моделью
осуществляется переход к
авторегрессии первого
нормированным величинам Zn
порядка (AR1):
•Осуществляется переход к
q n = φ1 q n −1 + a n величинам Un температуры воздуха
Проверка модели внутригодового хода среднесуточной
температуры воздуха Сумма положительных
Средняя температура воздуха температур воздуха
Модель Факт., Модель Факт.,
Период Период
(1000 лет) 45 лет (1000 лет) 45 лет
Год 2.67 2.69 Весна 476 478
Январь -13.2 -13.1 Январь 2.18 0.16
Февраль -10.7 -11.5 Февраль 1.12 0.43
T,0С Март -4.92 -4.70 ΣT+ Март 10.5 8.69
Апрель 3.41 3.57 Апрель 125 128
Май 10.9 11.0 Май 341 342
Июнь 16.3 16.1 Июнь 488 482
Кривые продолжительности среднесуточных температур воздуха
0 0
t, C Фактические t, C Модель
40.0 40.0
30.0 30.0
20.0 20.0
10.0 10.0
0.0 0.0
-10.0 -10.0
-20.0 -20.0
-30.0 -30.0
-40.0 -40.0
-50.0 -50.0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Вероятности превышения максимальных расходов весеннего
половодья на р. Вятка:
Желтые точки – наблюденные максимальные расходы;
Белые точки – расчет с помощью динамик-стохастической модели
14000

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

лес Максимально возможная


интенсивность снеготаяния
01.04 08.04 15.04 22.04 29.04 06.05 13.05 20.05 27.05 03.06 10.06
0
на залесенных территориях
водосбора
Снеготаяние, мм/сут

20

40

60

80
100

20000 PMD=19100 м3/с


18000
16000
14000
Расход, м3/с

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

f (Q ) = exp⎨− ⎢γ + η ln⎜⎜ ⎟⎟⎥ ⎬


2π (Q − ε )(λ − Q + ε ) ⎪⎩ 2 ⎣ ⎝ λ − Q + ε ⎠⎦ ⎪⎭
ε ≤ Q ≤ λ + ε η > 0; − ∞ < γ < ∞ λ > 0 − ∞ < ε < ∞

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

Comparison of the exceedance probabilities of simulated peak discharges ( points)


fitted by the Johnson distributions at different PMD values: white line:
PMD=14000 m3/s; yellow line: PMD=19100 m3/s; red line: PMD=24000 m3/s
Заключение
Перспективы обеспечения безопасности водохозяйственного комплекса
России в значительной степени связаны с совершенствование научно-
методической базы гидрологических расчетов. Учитывая современные
научно-технические возможности, для преодоления отставания России в
этой важнейшей области инженерной гидрологии, необходимо:

1. Создать модели формирования талого и дождевого стока для основных


водноресурсных систем и рек России с учетом региональных
особенностей формирования стока для повышения надежности оценок
рисков и масштабов возможных наводнений при планировании и
строительстве водохозяйственных объектов, а также при пересчете
гидрологических характеристик наиболее ответственных
гидротехнических сооружений

2. Провести работы по восстановлению сети гидрометеорологических


наблюдений и ее расширению с учетом требований гидрологических
моделей. Обеспечить бесплатный доступ пользователей к данным
стандартных гидрометеорологических наблюдений Росгидромета

3. Провести работы по внедрению новых технологий сбора информации (в


том числе радарных измерений осадков, данных аэрокосмического
зондирования состояния речных водосборов и других) для повышения
надежности и качества информационного обеспечения моделей
Спасибо за внимание!
Motivations for invoking knowledge of a flood generation physics in
flood frequency analysis

1. Extreme floods can be caused by unusual combinations of


hydrometeorological factors that may be un-recorded during the period
of observations

2. Physical mechanisms of extreme flood formation are often quite different


from ones of ordinary flood, because of non-linearity of hydrological
processes

3. Physical mechanisms of flood generation have been changed because of


man-induced changes of watershed and climate change

New generation of methods for flood risk assessment should be founded on


physically-based hydrological models
Ансамблевые долгосрочные прогнозы
речного стока в США

Организации, выпускающие долгосрочные гидрологические прогнозы для


запада США
NWS – Национальная служба погоды
NRCS - National Resources Conservation Service
USBR - U.S. Bureau of Reclamation
USGS – Геологическая служба США
Необходимость перехода к новой физической базе
долгосрочных гидрологических прогнозов
Повышение точности и надежности
долгосрочных гидрологических прогнозов может быть
достигнуто на основе использования физико-математических
моделей формирования речного стока
Использование физико-математических моделей стока с
распределенными параметрами позволяет:
9 углубить физическую обоснованность прогноза путем учета
механизмов формирования стока в разных частях
речного бассейна
9 расширить информационную базу прогноза с привлечением
современных измерительных технологий
(в т.ч. спутниковых)
9 рассчитывать характеристики водосбора на дату выпуска
прогноза при отсутствии данных натурных измерений
9 осуществлять долгосрочный прогноз гидрографа cтока
9 учитывать прогностическую метеорологическую и
климатологическую информацию