Page 13 - 2022年第53卷第2期

表 6 洪湖逐月旱限水位与水文干旱结果一致百分比
旱限水位 轻度干旱 中度干旱 重度干旱 特大干旱
旱警水位 13.27% 46.67% 95.83% 100%
旱保水位 2.04% 10% 56.25% 95%

表 7 洪湖分期旱限水位与水文干旱结果一致百分比
旱限水位 轻度干旱 中度干旱 重度干旱 特大干旱
旱警水位 32.65% 58.33% 100% 100%
旱保水位 2.04% 23.33% 75% 96.25%

示。
由表 6 和表 7 可知：（1）逐月旱警水位和分期旱警水位对中度干旱的预警能力分别为 46.67%和
58.33%，对重度干旱的预警能力分别为 98.53%和 100%，由此可知，旱警水位能较为可靠预警中
度干旱，能有效预警重度干旱及以上；（2）逐月旱保水位和分期旱保水位对重度干旱的预警能力
分别为 56.25%和 75%，对特大干旱的预警能力分别为 95%和 96.25%，由此可知，旱保水位能较为
可靠预警重度干旱，能有效预警特大干旱；（3）分期旱限水位的预警能力较逐月旱限水位有所提
升。
通过洪湖试点旱限水位计算及合理性检验，验证了湖泊分级分期旱限水位确定方法的有效性。
4.6 洪湖入湖流量预报结果分析 本文使用的气象水文数据包括：（1）历史径流。福田寺（闸上）水文
站 1998—2017 逐日流量；（2）历史降雨。基于 ERA5 再分析数据集，通过反距离权重插值方法获得栅
格点的月降水量，再通过加权平均获取洪湖流域 1998—2017 年的面平均降雨量；（3）历史水位。挖沟
咀水位站 1998—2017 年逐日水位数据。
本文在分析洪湖历史径流、降雨和水位资料的基础上，通过相关性分析和灰色关联分析确定了
洪湖入湖流量预报因子集，即前 1 月和 2 月入湖流量、上年同期入流、月初水位、前 1 月初水位、上
年同期月均水位和月末水位。以上述预报因子作为输入变量，以洪湖同期入湖流量作为输出量，构
建洪湖入湖流量中长期预报 BP 神经网络模型。构建的网络共有 4 层，其中输入层神经元个数为 7，第
一层隐藏层神经元个数为 14，第二层隐藏层神经元个数为 11，输出层神经元个数为 1。模型训练时
设置的期望误差阈值为 1×10 ，最大迭代次数为 45 000 次，最大学习率为 0.16。模型率定期为 1998—
-5
2012 年，检验期为 2013—2017 年。由于旱限水位主要在枯水期发挥预警作用，因此本文主要预测洪
湖非汛期（11 月—次年 4 月）的入湖流量。

时间（月） 时间（月）
图 7 率定期洪湖入湖流量预报过程 图 8 检验期洪湖入湖流量预报过程

表 8 率定期和检验期洪湖入湖流量预报结果统计
时期 平均绝对误差 均方根误差 确定性系数 精度等级
率定期 11.32 15.94 0.82 乙
检验期 9.70 13.77 0.88 乙

— 135 —