Page 124 - 2024年第55卷第9期

图 ５ 各后处理模型结果图
ＲＭＳＥ以距离 ０的绝对值计算改善幅度）。通过表 ３可以看到，高水流量的模拟中 ｂｉ － ＣＮＮ － ＬＳＴＭ 模型
表现最为出色，ＮＳＥ、ＰＢ、ＲＭＳＥ三项指标改善效果均为最佳，径流过程线对比图中也可以看到高流量
值得到了较为准确的模拟。中水流量的模拟中，２个 ＣＮＮ － ＬＳＴＭ模型的后处理效果差别不大，ｓ － ＣＮＮ －
ＬＳＴＭ模型 ＰＢ减小最多，ＮＳＥ和 ＲＭＳＥ略逊于 ｂｉ － ＣＮＮ － ＬＳＴＭ模型；二者均显著优于后处理前，对比
ｓ － ＬＳＴＭ模型也有一定优势。低水流量的模拟中依然是 ｂｉ － ＣＮＮ － ＬＳＴＭ模型表现最优，三项指标均为最
佳。Ｇｒｉｄ － ＨＢＶ模型低水流量等级 ＰＢ经 ｓ － ＬＳＴＭ模型后处理下降幅度为 ４９．７％，效果尚可；但 ＮＳＥ改
善幅度不大，为 ８．１％，而 ＲＭＳＥ小幅变差。这说明 ｓ － ＬＳＴＭ 模型可能无法较为有效地校正 Ｇｒｉｄ － ＨＢＶ
模型在枯水期存在的高估问题。ｓ － ＣＮＮ － ＬＳＴＭ模型和 ｂｉ － ＣＮＮ － ＬＳＴＭ模型的表现则说明它们可以弥补
Ｇｒｉｄ － ＨＢＶ模 型 在 这 一 方 面 的 缺 陷，二 者 分 别 使 ＮＳＥ、ＲＭＳＥ两 项 指 标 效 果 提 升 ７８．６％和 ８９．１％、
４２．９％和５１．４％。
图 ６将本研究中各后处理模型的主要评价指标 ＮＳＥ以柱状图形式呈现，可以更直观地比较各后处
理模型的整体效果。由图 ６可见 ｂｉ － ＣＮＮ － ＬＳＴＭ模型表现最佳，ｓ － ＣＮＮ － ＬＳＴＭ模型稍次；ｓ － ＬＳＴＭ模型
与前二者相比，存在验证期比率定期效果稍差的问题。另外，各模型后处理后相对后处理前的 ＮＳＥ提

１
— １ ２ ９ —