Page 12 - 2024年第55卷第9期

表 １ 识别降雨结果对比
面平均雨量? 相对误差? 单站最大雨量? 相对误差? 小时最大雨量? 相对误差?
序号 组名 场次
ｍｍ ％ ｍｍ ％ ｍｍ ％
Ａ１（待识别场次） ２０２２ － ５ － ２３ ３７ ４６ １３
１ ６．２２ ６．５２ １５．３８
Ｂ１（识别结果） ２０２２ － ５ － １０ ３９．３ ４３ １１
Ａ２ （待识别场次） ２０１５ － ５ － ２３ ４５ ５５ １９．５
２ ９．６２ １６．３６ ２３．０８
Ｂ２ （识别结果） ２０１４ － ４ － ２ ４０．６７ ４６ １５
Ａ３ （待识别场次） ２０２２ － ６ － １１ １１６ １５８ ２９
３ ３．７１ ２１．５２ ２２．４１
Ｂ３ （识别结果） ２０１９ － ８ － ２６ １２０．３ １２４ ３５．５
Ａ４ （待识别场次） ２０１４ － ６ － ５ ３２．３３ ４２ ２７．５
４ ３．１９ １４．２９ ２１．８２
Ｂ４（识别结果） ２０１１ － ８ － １０ ３１．３ ３６ ２１．５
Ａ５ （待识别场次） ２０２２ － ６ － ２０ ６１．６７ ８１ ３０
５ ７．０４ ７．４１ ８．３３
Ｂ５ （识别结果） ２０１５ － ９ － ７ ５７．３３ ７５ ２７．５
平均误差 ５．９５ １３．２２ １８．２１

表 ２ 洪水预报结果对比
最大洪峰流量? 相对误差? 洪量? 相对误差? 峰现时间? 时间差?
序号 组名 场次
３
（ｍ ?ｓ） ％ 万 ｍ ３ ％ ｈ ｈ
Ａ１ （实测结果） ２０２２ － ５ － ２３ ４０．２ ４５８．８５ １８
１ ２３．６３ １２．２２ １
Ｂ１ （预测结果） ２０２２ － ５ － １０ ４９．７ ５１４．９２ １７
Ａ２ （实测结果） ２０１５ － ５ － ２３ ７２．７ ６５３．９４ ２４
２ ９．２２ １８．１１ １
Ｂ２（预测结果） ２０１４ － ４ － ２ ６６ ５３５．５３ ２３
Ａ３ （实测结果 ２０２２ － ６ － １１ １１４０ １９９８．１２ １９
３ ２．６３ ２５．０７ ２
Ｂ３（预测结果） ２０１９ － ８ － ２６ １１７０ ２４９８．９８ ２１
Ａ４ （实测结果） ２０１４ － ６ － ５ ６０．９ ４１４．３２ １４
４ １．６４ ３．３６ ０
Ｂ４（预测结果） ２０１１ － ８ － １０ ６１．９ ４００．４１ １４
Ａ５ （实测结果） ２０２２ － ６ － ２０ １１０ ９２８．６４ ８
５ ４．５５ １２．５９ １
Ｂ５ （预测结果） ２０１５ － ９ － ７ １０５ ８１１．７６ ９
平均误差 ８．３３ １４．２７ １

２
结果表明，对于人为影响较小，流域面积在 ６００ｋｍ 左右的山丘区小流域，该方法可以从预测整
场降雨发展趋势的角度上预报山洪，更有针对性，且预见期长。区别于传统的洪水预报方法，本方法
不仅可预测降雨总量、最大雨强等降雨特征，还可以对整场洪水过程的洪量、洪峰流量、峰现时间以
及洪水变化形状等进行预测，可满足山丘区小流域洪水预报精度和时效的要求。

４ 结论和展望

本文基于机器学习算法，创新性地提出了一种通过识别降雨动态时空特征，进行山丘区小流域洪
水预报的新方法。区别于传统的洪水预报方法，本文提出的方法基于整场降雨发展趋势对山洪进行预
报，不仅可预测降雨发展趋势，还可以对整场降雨洪水总量、洪峰流量、峰现时间以及洪水变化形状
等进行预测。经分析，结论如下：
（ １）本文提出的算法识别出的历史降雨，在面雨量、小时雨量、降雨时空动态变化上，都和当前
降雨有一定的相似性，相似降雨产生的洪水过程在洪水形状、洪峰流量、洪量以及峰现时间等也有相
当一致的地方。

０
— １ １ ７ —