Page 129 - 2024年第55卷第9期

［３２］ ＹＡＯＺＹ，ＷＡＮＧＺＣ，ＷＡＮＧＤＷ，ｅｔａｌ．ＡｎｅｎｓｅｍｂｌｅＣＮＮ － ＬＳＴＭ ａｎｄＧＲＵａｄａｐｔｉｖｅｗｅｉｇｈｔｉｎｇｍｏｄｅｌｂａｓｅｄ
ｉｍｐｒｏｖｅｄｓｐａｒｒｏｗｓｅａｒｃｈａｌｇｏｒｉｔｈｍ ｆｏｒｐｒｅｄｉｃｔｉｎｇｒｕｎｏｆｆｕｓｉｎｇｈｉｓｔｏｒｉｃａｌｍｅｔｅｏｒｏｌｏｇｉｃａｌａｎｄｒｕｎｏｆｆｄａｔａａｓｉｎｐｕｔ ［Ｊ］．
ＪｏｕｒｎａｌｏｆＨｙｄｒｏｌｏｇｙ（Ａｍｓｔｅｒｄａｍ），２０２３，６２５：１２９９７７．

Ｓｔｒｅａｍｆｌｏｗｐｏｓｔ － ｐｒｏｃｅｓｓｉｎｇｂａｓｅｄｏｎｄｉｓｔｒｉｂｕｔｅｄｈｙｄｒｏｌｏｇｉｃａｌｆｌｕｘｅｓａｎｄ
ｓｐａｔｉｏ － ｔｅｍｐｏｒａｌｄｅｅｐｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍ
１
１
１
２
ＷＵＹａｏ，ＸＵＹｕｅｐｉｎｇ，ＬＩＵＬｉ，ＨＥＫｅｑｉ
（１．ＩｎｓｔｉｔｕｔｅｏｆＷａｔｅｒＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＣｏｌｌｅｇｅｏｆＣｉｖｉｌＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｒｃｈｉｔｅｃｔｕｒｅ，
ＺｈｅｊｉａｎｇＵｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ ３１００５８，Ｃｈｉｎａ；
２．ＥａｒｔｈａｎｄＣｌｉｍａｔｅＳｃｉｅｎｃｅｓ，ＮｉｃｈｏｌａｓＳｃｈｏｏｌｏｆｔｈｅＥｎｖｉｒｏｎｍｅｎｔ，ＤｕｋｅＵｎｉｖｅｒｓｉｔｙ，Ｄｕｒｈａｍ，ＮＣ ２７７０８，ＵＳＡ）

Ａｂｓｔｒａｃｔ：Ａｃｃｕｒａｔｅｓｉｍｕｌａｔｉｏｎｏｆｓｔｒｅａｍｆｌｏｗｉｓａｃｒｕｃｉａｌｐｒｅｒｅｑｕｉｓｉｔｅｆｏｒｗａｔｅｒｒｅｓｏｕｒｃｅｓｍａｎａｇｅｍｅｎｔａｎｄｒｅｇｉｏｎａｌ
ｉｎｔｅｇｒａｔｅｄｐｏｌｉｃｙｍａｋｉｎｇ．Ｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｏｆｓｔｒｅａｍｆｌｏｗｓｉｍｕｌａｔｉｏｎ，ｔｈｉｓｓｔｕｄｙｔａｋｅｓＹｏｎｇａｎｘｉＲｉｖ
ｅｒＢａｓｉｎｉｎＴａｉｚｈｏｕ，ＺｈｅｊｉａｎｇＰｒｏｖｉｎｃｅａｓｔｈｅｓｔｕｄｙａｒｅａ．ＡＣＮＮ － ＬＳＴＭ ｓｐａｔｉｏ － ｔｅｍｐｏｒａｌｐｏｓｔ － ｐｒｏｃｅｓｓｉｎｇｍｏｄｅｌ
ｂｙｃｏｕｐｌｉｎｇＣＮＮｗｉｔｈＬＳＴＭｉｓｐｒｏｐｏｓｅｄｂａｓｅｄｏｎｔｈｅｍｅａｓｕｒｅｄｄａｉｌｙｄｉｓｃｈａｒｇｅｄａｔａａｔＢａｉｚｈｉ ’ａｏＳｔａｔｉｏｎｆｒｏｍ２０１０
ｔｏ２０１９ａｎｄｈｙｄｒｏｌｏｇｉｃａｌｆｌｕｘｅｓｓｉｍｕｌａｔｅｄｂｙｔｈｅＧｒｉｄ － ＨＢＶ ｍｏｄｅｌ．Ｗｅｃｏｎｓｔｒｕｃｔｔｗｏｐｏｓｔ － ｐｒｏｃｅｓｓｉｎｇｍｏｄｅｌｓ，
ｎａｍｅｌｙＣＮＮ － ＬＳＴＭ ｗｉｔｈｓｉｎｇｌｅｆｌｕｘ（ｓ － ＣＮＮ － ＬＳＴＭ）ａｎｄＣＮＮ － ＬＳＴＭ ｗｉｔｈｄｏｕｂｌｅｆｌｕｘｅｓ（ｂｉ － ＣＮＮ － ＬＳＴＭ）．Ｔｈｅｉｒ
ｐｅｒｆｏｒｍａｎｃｅｉｓｃｏｍｐａｒｅｄａｎｄａｎａｌｙｚｅｄｗｉｔｈａｂｅｎｃｈｍａｒｋｍｏｄｅｌ （ｓ － ＬＳＴＭ）．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅＮＳＥｏｆｔｈｅ
Ｇｒｉｄ － ＨＢＶｍｏｄｅｌｄｕｒｉｎｇｔｈｅｃａｌｉｂｒａｔｉｏｎａｎｄｖａｌｉｄａｔｉｏｎｐｅｒｉｏｄｓａｒｅ０．７８ａｎｄ０．８１ ，ｒｅｓｐｅｃｔｉｖｅｌｙ，ｉｎｄｉｃａｔｉｎｇａｎｏｖｅｒ
ａｌｌｇｏｏｄｒｕｎｏｆｆｓｉｍｕｌａｔｉｏｎ．Ｈｏｗｅｖｅｒ ，ｔｈｅｒｅａｒｅｕｎｄｅｒｅｓｔｉｍａｔｉｏｎｉｎｍｅｄｉｕｍａｎｄｈｉｇｈｆｌｏｗａｎｄｏｖｅｒｅｓｔｉｍａｔｉｏｎｉｎｌｏｗ
ｆｌｏｗｓｉｍｕｌａｔｉｏｎｓ．Ａｆｔｅｒｐｏｓｔ － ｐｒｏｃｅｓｓｉｎｇ ，ｔｈｅＮＳＥｏｆｓ － ＬＳＴＭ ｉｎｔｈｅｔｗｏｓｔｕｄｙｐｅｒｉｏｄｓａｒｅ０．８７ａｎｄ０．８５，ｗｉｔｈａｎ
ｉｎｃｒｅａｓｅｏｆ１１．２％ ａｎｄ５．８％，ａｎｄｔｈｅＮＳＥｏｆｓ － ＣＮＮ － ＬＳＴＭ ａｒｅ０．９０ａｎｄ０．８９，ｗｉｔｈａｎｉｎｃｒｅａｓｅｏｆ１４．６％ ａｎｄ
１０．９％．ＴｈｅＮＳＥｏｆｂｉ － ＣＮＮ － ＬＳＴＭｉｎｔｈｅｔｗｏｓｔｕｄｙｐｅｒｉｏｄｓｂｏｔｈｒｅａｃｈ０．９２ ，ｗｉｔｈａｎｉｎｃｒｅａｓｅｏｆ１７．２％ ａｎｄ１４．２％．
Ｃｏｍｐａｒｅｄｔｏｔｈｅｓ － ＬＳＴＭ ｍｏｄｅｌ，ｔｈｅｂｉ － ＣＮＮ － ＬＳＴＭ ｍｏｄｅｌｐｒｅｓｅｎｔｓａｆｕｒｔｈｅｒｅｎｈａｎｃｅｍｅｎｔｏｆ６．０％ ａｎｄ８．４％ ｉｎ
ａｃｃｕｒａｃｙ．Ｉｎａｄｄｉｔｉｏｎ ，ｔｈｅｂｉ － ＣＮＮ － ＬＳＴＭ ｍｏｄｅｌｃａｎｍａｒｋｅｄｌｙｉｍｐｒｏｖｅｔｈｅｄｅｆｅｃｔｓｏｆｏｒｉｇｉｎａｌｓｉｍｕｌａｔｉｏｎｉｎｔｈｅ
ｈｉｇｈ ，ｍｅｄｉｕｍａｎｄｌｏｗｆｌｏｗｓ．Ｆｏｒｆｏｕｒｔｙｐｉｃａｌｆｌｏｏｄｅｖｅｎｔｓ，ｔｈｅｂｉ － ＣＮＮ － ＬＳＴＭｍｏｄｅｌｈａｓｔｈｅｂｅｓｔｐｏｓｔ － ｐｒｏｃｅｓｓｉｎｇ
ｅｆｆｅｃｔ ，ｗｈｉｃｈｒｅｄｕｃｅｓｔｈｅｆｌｏｏｄｐｅａｋｅｒｒｏｒｂｙ３６．６％ ｏｎａｖｅｒａｇｅ，ｔｈｅｓ － ＬＳＴＭｍｏｄｅｌａｎｄｔｈｅｓ － ＣＮＮ － ＬＳＴＭｍｏｄｅｌ
ｒｅｄｕｃｅｓｔｈｅｆｌｏｏｄｐｅａｋｅｒｒｏｒｂｙ１９．３％ ａｎｄ３０．３％ ｏｎａｖｅｒａｇｅ．Ｉｎｓｕｍｍａｒｙ ，ｔｈｅＣＮＮ － ＬＳＴＭ ｍｏｄｅｌｂａｓｅｄｏｎｄｉｓ
ｔｒｉｂｕｔｅｄｈｙｄｒｏｌｏｇｉｃａｌｆｌｕｘｅｓｈａｓａｇｏｏｄａｂｉｌｉｔｙｏｆｓｔｒｅａｍｆｌｏｗｐｏｓｔ － ｐｒｏｃｅｓｓｉｎｇ ，ｗｈｉｃｈｃａｎｓｉｇｎｉｆｉｃａｎｔｌｙｉｍｐｒｏｖｅｔｈｅ
ｓｔｒｅａｍｆｌｏｗｓｉｍｕｌａｔｉｏｎｓｏｆｈｙｄｒｏｌｏｇｉｃａｌｍｏｄｅｌｓ．
Ｋｅｙｗｏｒｄｓ：ｐｏｓｔ － ｐｒｏｃｅｓｓｉｎｇ；ＣＮＮ － ＬＳＴＭ；ｄｅｅｐｌｅａｒｎｉｎｇ；ｇｒｉｄＨＢＶｈｙｄｒｏｌｏｇｉｃａｌｍｏｄｅｌ；ＪｉａｏＲｉｖｅｒｂａｓｉｎ

（责任编辑：耿庆斋）

— １ １ ４ —
３