Page 126 - 2024年第55卷第9期
P. 126

表 ５ 各典型洪水事件洪峰误差一览表                                    单位：％
                                  “利奇马”       “莫兰蒂”            ２０１９年梅雨暴雨             ２０１５年梅雨暴雨＋ “灿鸿”
                   Ｇｒｉｄ － ＨＢＶ       － ８．８       － ３０．３      － ８０．６       － ５５．７      － ５４．６        ２８．９
                    ｓ － ＬＳＴＭ        － ５．１       － ２９．５      － ４１．５        ４．８         ２７．６        － ３４．５
                  ｓ － ＣＮＮ － ＬＳＴＭ    ２．２         － １２．６      － ２３．５       １１．６         １９           － ８．４
                  ｂｉ － ＣＮＮ － ＬＳＴＭ   － １．６        ５．４        － １３．７        ４           ０．７         － １３．６

                  ２０１９年超强台风 “利奇马” 期间，永安溪流域降雨为有明确暴雨中心的集中降雨。暴雨集中于 ８
              月 ９日，时间短、雨量大，单日雨量近 ３００ｍｍ；暴雨中心位于流域东南部，流域东北角雨量也较大，
                                                                                         ３
              其他区域雨量较为平均。洪水急涨急落，８月 １０日柏枝岙站洪峰流量达到 ５３２０ｍ ?ｓ，随后迅速回落。
              Ｇｒｉｄ － ＨＢＶ模型对洪峰模拟出现低估，误差为－ ８．８％；ｂｉ － ＣＮＮ － ＬＳＴＭ 模型后处理后偏差为 － １．６％，最
              为准确；ｓ － ＣＮＮ － ＬＳＴＭ模型其次，偏差为 ２．２％。二者偏差均显著小于对比模型 ｓ － ＬＳＴＭ（ － ５．１％）。这
              可能是由于有明确暴雨中心的区域极端暴雨下，降雨 － 产流过程存在更为显著的空间非一致性，且原
              汇流模拟过程无法考虑河道特征等复杂因素，使得 Ｇｒｉｄ － ＨＢＶ模型和 ｓ － ＬＳＴＭ 后处理模型的表现稍显
              逊色。而 ＣＮＮ － ＬＳＴＭ后处理模型能够对暴雨洪水过程中普遍存在的各类空间差异因素进行特征识别和
              信息提取，充分利用空间信息，改善模拟效果。
                  ２０１６年超强台风 “莫兰蒂” 期间，永安溪流域降雨则为有明确暴雨中心的连续降雨。受另一强
              台风 “马勒卡” 的影响，流域内自 ９月 １１日起连续降雨，日最大雨量 １７５ｍｍ；暴雨中心位于流域东
              南部，西南区域雨量也较大，中部和北部雨量相对较小。柏枝岙站流量从 １４日起攀升，至 １６日达到
                             ３
              洪峰峰值 ３０７０ｍ ?ｓ，随后回落。此次洪水事件中，ｓ － ＬＳＴＭ模型后处理效果不明显，洪峰低估幅度为
              － ２９．５％，与后处理前相等。ｓ － ＣＮＮ － ＬＳＴＭ模型表现较好，洪峰偏差为－ １２．６％；ｂｉ － ＣＮＮ － ＬＳＴＭ模型结
              果最佳，偏差为 ５．４％。ｂｉ － ＣＮＮ － ＬＳＴＭ模型相比于 ｓ － ＣＮＮ － ＬＳＴＭ模表明更状。这可能是由于 ｂｉ － ＣＮＮ －
              ＬＳＴＭ模型对基流和快速径流这 ２种产流要素空间特征的分别识别能够更好地反映前期雨量的空间分
              布对洪水事件的影响，从而能更准确地模拟连续降雨影响下的洪峰峰值。
                  ２０１９年 ７月梅雨暴雨洪水期间，永安溪流域降雨为无明确暴雨中心的连续降雨。梅雨期降雨时间
              较分散，流域内降雨空间分布东北多、西南少，整体较平均。洪水为双峰型，分别在 ７月 ４日和 ７月
                                         ３
              １０日达到峰值 １６２０和 １２２０ｍ ?ｓ。此次洪水事件中的 ２个峰值均以 ｂｉ － ＣＮＮ － ＬＳＴＭ 模型的后处理结果
              最为准确，偏差分别为－ １３．７％和 ４．０％，相较于 ｓ － ＣＮＮ － ＬＳＴＭ模型的－ ２３．５％和 １１．６％有明显优势，进一
              步印证了多产流要素模型较单一产流要素模型更具优势的猜想。
                  ２０１５年 ７月梅雨暴雨与超强台风 “灿鸿” 叠加，永安溪流域降雨为有多个暴雨中心的连续降雨。
              该流域在梅雨控制下自 ７月 １日起降雨不断，７月 １０日受超强台风 “灿鸿” 影响，达到日最大雨量
              ８１ｍｍ；流域内有 ２个暴雨中心，分别位于流域东南部和西北部，同时流域西南区域雨量也较大，仅
              流域中部和东部雨量较小。洪水多次涨落，期间有 ７月 ３日和 ７月 １１日一小一大 ２个峰值，分别为
                           ３
              ５０４和 １１７０ｍ ?ｓ。Ｇｒｉｄ － ＨＢＶ模型在此梅雨台风叠加的复杂事件中未能很好地捕捉洪水过程的涨落特
              征，峰值模拟偏差也较大，分别为－ ５４．６％和 ２８．９％；ｓ － ＬＳＴＭ 模型后处理后涨落过程与实测相符，但
              峰值偏差仍有 ２７．６％和－ ３４．５％。而 ｓ － ＣＮＮ － ＬＳＴＭ模型和 ｂｉ － ＣＮＮ － ＬＳＴＭ模型后处理后峰值偏差也显著
              减小，二者偏差分别为 １９．０％和－ ８．４％、０．７％和－ １３．６％，这一结果表明基于分布式产流要素的后处理
              模型或许可以帮助传统水文模型提升其在多成因复杂水文模拟中的效果。

              ５ 结论与展望


                  本文基于永安溪流域 ２０１０—２０１９年实测气象与水文数据，结合 ＤＥＭ高程、土地利用和土壤类型资
              料，构建了网格化 ＨＢＶ模型（Ｇｒｉｄ － ＨＢＶ），实现了流域水文过程的模拟，同时提出了一种耦合卷积神经
              网络和长短期记忆网络的 ＣＮＮ － ＬＳＴＭ时空后处理模型，构建了基于单一产流要素的 ｓ － ＣＮＮ － ＬＳＴＭ模型
              和基于两种产流要素的 ｂｉ － ＣＮＮ － ＬＳＴＭ模型。使用上述模型以及对比模型 ｓ － ＬＳＴＭ对 Ｇｒｉｄ － ＨＢＶ模型的

                                                                                                   １
                                                                                              —   １ ３ １ —
   121   122   123   124   125   126   127   128   129   130   131