Page 119 - 2024年第55卷第9期

方法，包括贝叶斯算法、误差自回归算法（ＡｕｔｏｒｅｇｒｅｓｓｉｖｅＭｏｄｅｌ，ＡＲ）等多种方法，例如巴欢欢等 ［７］ 在
三峡入库洪水预报研究中比较了贝叶斯算法等 ４种洪水后处理方法的校正效果，结果表明 Ｍ－ ＢＭＡ效
果最佳；Ｍｏｒａｗｉｅｔｚ等 ［８］ 使用不同版本的 ＡＲ模型对概率径流预报开展后处理，后处理效果整体较好，
且不同版本的 ＡＲ模型后处理性能存在显著差异。三是智能方法，例如李向阳等 ［９］ 使用 ＢＰ神经网络
不仅显著提高了 ＢＦＳ的预报精度，还能为决策者提供更多的信息；Ｌｅｅ等 ［１０］ 将 ＳＶＭ、ＧＢＭ、Ｃｕｂｉｓｔ等
多种智能方法堆叠集成为一种新的后处理工具，有效提升了韩国地区的中期水文预报。
深度学习算法是近年来逐渐兴起的一种人工智能算法，该算法不仅学习能力强，在处理非线性关
系问题时表现更是尤为突出，在径流模拟后处理研究中受到广泛关注 ［１１］ 。Ｂｏｇｎｅｒ等 ［１２］ 提出了一种基
于分位数循环神经网络的后处理方法 ＱＲＮＮ，应用于瑞士 ２个流域上，结果表明 ＱＲＮＮ后处理的结果
优于用于对比的 ３种 ＡＲ模型；Ｓｈａｒｍａ等 ［１３］ 使用长短期记忆网络（ＬｏｎｇＳｈｏｒｔ － Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ）模
型对集合径流预报进行后处理，结果表明其可以较好地提升径流模拟的效果和可靠性；刘松楠 ［１４］ 利用
卷积神经网络（ ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，ＣＮＮ）和变分模态分解构建了新的径流后处理方法，该方
法可以有效 改 进 模 拟 误 差，提 高 模 型 模 拟 径 流 的 评 价 指 标，比 传 统 的 统 计 后 处 理 方 法 效 果 更 好；
Ｈｅｅｃｈａｎ等 ［１５］ 尝试将 ｓ２ｓ序列学习与深度学习算法相结合，利用模型误差而非径流本身开展后处理，
通过在美国加州俄罗斯河流域上的研究证明该方法可以有效提升 ＮＷＭ 模型的径流模拟效果，且在短
期预测中表现尤为突出；Ａｌｉｚａｄｅｈ等 ［１６］ 引入了自激活和内部注意力机制，提出了一种新的深度学习后
处理方法 ＳＡＩＮＡ － ＬＳＴＭ，在美国 ４个不同气候的流域中使用，结果表明该方法在低、中、高各流量等
级的日径流模拟中优于其他方法。
尽管如此，以往的研究通常仅关注流域出口位置的时间序列特征，未充分利用网格模型或分布式
模型的空间分布特征和产流要素信息。产流要素是指产流过程中生成的各种径流成分及与之生成相关
的要素，主要有地表径流、地下径流、壤中流、基流以及蒸散发、下渗、土壤水含量和埋深等 ［１７ － １８］ 。
本文创造性地提出了一种将 ＣＮＮ和 ＬＳＴＭ两种深度学习方法结合的径流后处理模型，首次尝试将分布
式产流要素作为输入，使该模型既具备较好的时间序列分析能力，又可以有效地获取空间分布特征，
从而更加充分地利用网格模型输出中所包含的空间分布信息和时间序列特点 ［１９］ 。本文以浙江省台州市
永安溪流域为研究对象，以站点实测雨量和流量数据驱动网格化 ＨＢＶ模型（Ｇｒｉｄ － ＨＢＶ）模拟流域产汇
流过程；以 Ｇｒｉｄ － ＨＢＶ模型输出的分布式产流要素为输入，构建起基于单一产流要素（总径流）的 ｓ －
ＣＮＮ － ＬＳＴＭ模型和基于两种产流要素（快速径流 Ｑｆ和基流 Ｑｓ）的 ｂｉ － ＣＮＮ － ＬＳＴＭ模型进行后处理，将
所得结果与基准模型 ｓ － ＬＳＴＭ模型相比较，对各模型后处理效果进行综合评估。

２ 研究区域与数据

２．１ 研究区域概况 永安溪流域是浙江省第三大水系椒江流域的主要支流，位于浙江省中东部，流域
范围为 １２０°１２′—１２１°０６′Ｅ，２８°２４′—２９°０６′Ｎ，主要位于台州市仙居县境内，流域位置及水系如图 １
２
所示。源头称石长坑水库天堂尖，同时也是椒灵江源头，河流长 １４１．３ｋｍ，流域面积为 ２７０４ｋｍ 。永
安溪流域属于亚热带季风气候区，多年平均气温为 １８．３℃，１月份平均气温 ５．６℃，７月份平均气温
２８．５℃，多年平均降水量约 １６０８ｍｍ ［２０］ 。降水时空分布不均，具有明显季节性，全年降水主要集中于
春夏梅雨季（ ４—６月）和夏秋台风期（７—１０月）；降水南部多于北部，东部多于西部 ［２１ － ２２］ 。
２．２ 研究数据 研究使用永安溪流域 １７个雨量站实测日雨量数据和柏枝岙水文站实测日径流量数据
进行径流模拟（站点位置见图 １），Ｇｒｉｄ － ＨＢＶ模型所需温度数据取自 《中国地面气候资料日值数据集
３．０》 的气象站点日平均温度数据集，ＤＥＭ高程数据使用国家基础学科公共科学数据中心的 ＳＲＴＭＤＥＭ
９０Ｍ高程数据，土壤类型数据为中国土壤数据库 ３０ｍ分辨率 ２２７种亚类的全国土壤类型栅格数据，
土地利用数据为欧洲航天局发布的 ２０２０年 １０ｍ分辨率的全球土地利用（ＷｏｒｌｄＣｏｖｅｒ）数据。研究时间
段为 ２０１０—２０１９年，其中 ２０１０—２０１６年为率定期，２０１７—２０１９年为验证期。

２
— １ １ ４ —