基于ARIMA、连续性和马尔可夫链模型的印尼Jatigede多用途水库运行优化研究

为解决水库管理中入流预测精度不足的问题，研究人员对比了ARIMA（自回归积分滑动平均）、连续性和马尔可夫链模型在印尼Jatigede水库的应用。结果表明，连续性模型表现最优（R=0.944，RMSE=0.408），显著提升了入流预测准确性，为水库优化调度提供了可靠工具，对水资源可持续管理具有重要意义。

　　

水库作为水资源管理的核心设施，其运行效率直接影响下游供水、防洪和发电等多重功能。然而，入流预测的准确性一直是水库管理的瓶颈问题。传统方法难以平衡复杂的水文动态与操作需求，导致水资源浪费或生态风险。印尼Jatigede水库作为东南亚大型多用途水库，亟需一种兼顾精度与实用性的预测模型。

为此，Merri Jayanti等研究人员开展了一项创新性研究，系统比较了ARIMA（Autoregressive Integrated Moving Average）、连续性（Continuous）和马尔可夫链（Markov Chain）模型在Jatigede水库入流预测中的表现。研究通过分析2001-2021年的水文数据，发现连续性模型以最高相关性（R=0.944）、最低均方根误差（RMSE=0.408）和平均绝对误差（MAE=0.115）脱颖而出，显著优于马尔可夫链（R=0.923）和ARIMA模型（R=0.792）。这一成果为水库动态调度提供了科学依据，相关论文发表在《Water Cycle》上。

研究团队采用三项关键技术：1）时间序列分析（ARIMA模型）用于短期趋势预测；2）空间-时间数据整合（连续性模型）结合降雨和流量监测站数据；3）概率状态转移（马尔可夫链模型）模拟极端水文事件。数据来自印尼气象局和西爪哇水资源研究中心的9个雨量站和2个流量站，覆盖20年观测记录。

3.1 ARIMA模型分析
通过季节性ARIMA（1,1,1）（2,1,1）³⁶
模型校准，短期预测相关性达0.776，但长期趋势捕捉能力有限，表明其更适用于稳定水文条件下的短期决策。

3.2 连续性模型分析
基于双回归方法整合降雨（P）与流量（Q）数据，预测相关性高达0.944，空间-时间耦合特性使其成为最优选择，尤其适用于动态流域环境。

3.3 马尔可夫链模型分析
五分类模型（极端干/湿）比三分类（干/正常/湿）表现更优（R=0.923），能有效识别极端事件概率，但离散状态转换限制了连续变化的描述。

3.4 运行模式年预测
通过Weibull方法划分R5（80%保证率）、R10（90%）和R20（95%）干旱年基准流量，构建三类和五类指导轨迹曲线，验证了模型在洪水调控和干旱应对中的实用性。

3.5 Jatigede水库优化应用
连续性模型指导的调度路径（S_t+1
）与实际路径相关性达0.951，显著减少溢洪道浪费，同时满足下游灌溉（22.43 m³
/s）和城市用水（29.95 m³
/s）需求。

结论与意义
该研究证实连续性模型是多用途水库管理的理想工具，其高精度预测能力可平衡供水、发电与生态目标。马尔可夫链模型在极端事件预警中具有补充价值，而ARIMA模型适用于短期调度。成果为全球类似气候区水库提供了可推广的优化框架，未来研究可结合机器学习进一步提升气候适应性。