Page 125 - 2024年第55卷第9期

升幅度如表 ４所示。可以看到 ｓ － ＣＮＮ － ＬＳＴＭ模型和 ｂｉ － ＣＮＮ － ＬＳＴＭ模型相较于处理前的测试期 ＮＳＥ指
标提升幅度均超过了 １０％，达到了 １０．９％和 １４．２％，比 ｓ － ＬＳＴＭ模型 ５．８％的提升幅度分别大 ５．１％和 ８．
４％，说明二者相较于 ｓ － ＬＳＴＭ模型有明显优势。
表 ３ 各后处理模型不同流量等级评价指标相对改善效果一览表 单位：％
指标 模型 高水 中水 低水
ｓ － ＬＳＴＭ １２．５ ７８．３ ８．１
ＮＳＥ ｓ － ＣＮＮ － ＬＳＴＭ １９．４ ８０．６ ７８．６
ｂｉ － ＣＮＮ － ＬＳＴＭ ２３．６ ８５．３ ８９．１
ｓ － ＬＳＴＭ １７．４ １３．３ ４９．７
ＰＢ ｓ － ＣＮＮ － ＬＳＴＭ ３０．７ ４８．９ ５６．７
ｂｉ － ＣＮＮ － ＬＳＴＭ ４３．６ ４６．７ ６９．７
ｓ － ＬＳＴＭ １８．０ １１．０ － ３．４
ＲＭＳＥ ｓ － ＣＮＮ － ＬＳＴＭ ２８．７ ２６．１ ４２．９
ｂｉ － ＣＮＮ － ＬＳＴＭ ３７．６ ２７．９ ５１．４
注：加粗表示该值为最优结果
表 ４ 各模型后处理前后 ＮＳＥ提升幅度表

提升幅度?％
模型
率定 验证
ｓ － ＬＳＴＭ １１．２ ５．８
ｓ － ＣＮＮ － ＬＳＴＭ １４．６ １０．９
ｂｉ － ＣＮＮ － ＬＳＴＭ １７．２ １４．２
图 ６ 各模型结果 ＮＳＥ对比图

４．３ 典型洪水事件的后处理效果分析 为进一步探究上述 ３个后处理模型在洪水事件中的径流后处理
效果，本文选取了研究时段内的 ４个典型洪水事件进行分析：（１）２０１９年超强台风 “利奇马”；（２）２０１６
年超强台风 “莫兰蒂”；（３）２０１９年 ７月梅雨暴雨；（４）２０１５年 ７月梅雨暴雨 ＋ 超强台风 “灿鸿”。各
典型洪水事件累积雨量空间分布图、日径流量及日降雨量过程图如图 ７所示，洪峰误差如表 ５所示。

图 ７ 典型洪水事件累积雨量空间分布图、日径流量及日降雨量过程图
３
— １ １ ０ —