Page 127 - 2024年第55卷第9期

日径流模拟结果进行后处理，对比分析了不同后处理模型的效果差异及可能原因。
本文主要结论总结如下：
（１）Ｇｒｉｄ － ＨＢＶ模型模拟径流率定期和验证期的纳什效率系数 ＮＳＥ分别为 ０．７８和 ０．８１，整体径流
模拟效果较好，但原始径流模拟中存在中、高水低估而低水高估的局部缺陷。
（ ２）经后处理后，ｓ － ＬＳＴＭ模型、ｓ － ＣＮＮ － ＬＳＴＭ模型、ｂｉ － ＣＮＮ － ＬＳＴＭ模型所得模拟径流率定期和
验证期 ＮＳＥ分别为 ０．８７和 ０．８５、０．９０和 ０．８９、０．９２和 ０．９２，相较于后处理前 ＮＳＥ指标的提升幅度分
别为 １１．２％和 ５．８％、１４．６％和 １０．９％、１７．２％和 １４．２％，径流模拟效果均明显提升；ｂｉ － ＣＮＮ － ＬＳＴＭ模
型表现最佳，ｓ － ＣＮＮ － ＬＳＴＭ模型次之，二者均显著优于 ｓ － ＬＳＴＭ模型。
（ ３）不同流量等级的评价中 ｂｉ － ＣＮＮ － ＬＳＴＭ 模型表现最好，高水、中水、低水三个流量等级相较
于后处理前，ＰＢ分别改善了 ４３．６％、４６．７％和 ６９．７％；其他 ２项指标也有明显改善，ＮＳＥ提升幅度为
２３．６％、８５．３％和 ８９．１％，ＲＭＳＥ分别改善 ３７．６％、２７．９％和 ５１．４％，说明该模型对原模拟径流中中、高
水低估而低水高估的局部缺陷有针对性改善，体现出该模型在径流后处理中的优势。
（ ４）４个典型洪水事件的分析更为具体地说明了 ＣＮＮ － ＬＳＴＭ 后处理模型的优势。２０１９年超强台风
“利奇马” 中，ｓ － ＣＮＮ － ＬＳＴＭ模型和 ｂｉ － ＣＮＮ － ＬＳＴＭ模型分别使洪峰误差由－ ８．８％减小至 ２．２％和－ １．６％，
显著优于 ｓ － ＬＳＴＭ模型（ － ５．１％）；２０１６年超强台风 “莫兰蒂” 和，ｂｉ － ＣＮＮ － ＬＳＴＭ 模型表现突出，洪
峰误差由－ ３０．３％减小至 ５．４％，显著优于其他模型；２０１９年 ７月梅雨暴雨洪水期间，ｂｉ － ＣＮＮ － ＬＳＴＭ模
型最为准确，洪峰误差分别为－ １３．７％和 ４．０％，小于 ｓ － ＣＮＮ － ＬＳＴＭ模型的－ ２３．５％和 １１．６％；２０１５年 ７
月梅雨暴雨和超强台风 “灿鸿” 叠加，ｓ － ＣＮＮ － ＬＳＴＭ模型和 ｂｉ － ＣＮＮ － ＬＳＴＭ 模型后处理效果显著，洪
峰误差分别由－ ５４．６％和 ２８．９％减小为 １９．０％和－ ８．４％、０．７％和－ １３．６％。总体而言，利用了产流要素组
分信息的 ｂｉ － ＣＮＮ － ＬＳＴＭ模型最具优势。
本文的创新点主要有二：一是使用新的深度学习模型，即 ＣＮＮ － ＬＳＴＭ耦合模型开展径流后处理研
究。以往学者 ［１２ － １６］ 对 ＲＮＮ、ＣＮＮ以及 ＬＳＴＭ等深度学习模型在径流后处理中的应用已经有了不少研
究，但应用 ＣＮＮ － ＬＳＴＭ耦合模型的相关研究鲜有听闻。二是尝试对流域分布式产流要素中所包含的空
间特征和组分信息进行提取和利用。其他学者如 Ｙａｏ等 ［３２］ 、Ｌｉ等 ［２９］ 已尝试使用 ＣＮＮ － ＬＳＴＭ模型对流
域中多种气象要素包含的信息进行挖掘和利用，并取得了一定成果，而未有对分布式产流要素开展相
关研究。
综上所述，基于分布式产流要素的 ＣＮＮ － ＬＳＴＭ 时空后处理模型在径流后处理中有相当不错的表
现，能够作为提高水文模型径流模拟效果的有效工具，对流域降雨径流过程的模拟和研究有重要意
义。在后续更进一步的研究中，可以尝试引入更多其他的产流要素，如土壤含水量、壤中流等，探究
不同产流要素对后处理效果的影响；另外，深度学习算法的可解释性研究正受到研究者们的广泛关
注，在本文所提出的时空深度学习模型基础上，可以耦合一些归因分析方法，进一步开展具有可解释
性的径流后处理方法研究。

参 考 文 献：

［ １］ ＢＩＡＮＬＫ，ＱＩＮ Ｘ Ｅ， ＺＨＡＮＧ Ｃ Ｌ， ｅｔａｌ．Ａｐｐｌｉｃａｔｉｏｎ， ｉｎｔｅｒｐｒｅｔａｂｉｌｉｔｙａｎｄｐｒｅｄｉｃｔｉｏｎｏｆｍａｃｈｉｎｅｌｅａｒｎｉｎｇ
ｍｅｔｈｏｄｃｏｍｂｉｎｅｄｗｉｔｈＬＳＴＭ ａｎｄＬｉｇｈｔＧＢＭ－ ａｃａｓｅｓｔｕｄｙｆｏｒｒｕｎｏｆｆｓｉｍｕｌａｔｉｏｎｉｎａｎａｒｉｄａｒｅａ ［Ｊ］．ＪｏｕｒｎａｌｏｆＨｙ
ｄｒｏｌｏｇｙ ，２０２３，６２５（ＰＢ）：１３００９１．
［ ２］ 叶守泽，夏军．水文科学研究的世纪回眸与展望［Ｊ］．水科学进展，２００２（１）：９３ － １０４．
［ ３］ 李翔泉．基于气象集合预报统计后处理的流域径流预报研究［Ｄ］．武汉：武汉大学，２０２０．
［ ４］ 王慧敏，宋松柏，张更 喜．基 于 季 节 长 记 忆 双 自 回 归 模 型 的 日 径 流 模 拟 ［Ｊ］．水 利 学 报，２０２３，５４（６）：
６８６ － ６９５．
［ ５］ ＬＵＣＡＴＥＲＯＤ，ＭＡＤＳＥＮＨ，ＲＥＦＳＧＡＡＲＤＣＪ，ｅｔａｌ．ＳｅａｓｏｎａｌｓｔｒｅａｍｆｌｏｗｆｏｒｅｃａｓｔｓｉｎｔｈｅＡｈｌｅｒｇａａｒｄｅｃａｔｃｈ
ｍｅｎｔ ，Ｄｅｎｍａｒｋ：ｔｈｅｅｆｆｅｃｔｏｆｐｒｅｐｒｏｃｅｓｓｉｎｇａｎｄｐｏｓｔ － ｐｒｏｃｅｓｓｉｎｇｏｎｓｋｉｌｌａｎｄｓｔａｔｉｓｔｉｃａｌｃｏｎｓｉｓｔｅｎｃｙ［Ｊ］．Ｈｙｄｒｏｌｏｇｙ
ａｎｄＥａｒｔｈＳｙｓｔｅｍ Ｓｃｉｅｎｃｅｓ，２０１８，２２（７）：３６０１ － ３６１７．
［ ６］ ＷＵＪＨ，ＱＩＡＮＨ，ＬＩＰＹ，ｅｔａｌ．Ａｓｙｓｔｅｍ － ｔｈｅｏｒｙ － ｂａｓｅｄｍｏｄｅｌｆｏｒｍｏｎｔｈｌｙｒｉｖｅｒｒｕｎｏｆｆｆｏｒｅｃａｓｔｉｎｇ：ｍｏｄｅｌｃａｌ

３
— １ １ ２ —