Page 5 - 2024年第55卷第9期

历史监测资料，人们对降雨、洪水的变化规律也有了更深刻的认识。面对新形势的需求，如何有效利
用挖掘历史海量水文资料，进一步提高预报的准确性和时效性，是当前亟待解决的主要问题。
随着历史水文数据的不断丰富以及人工智能技术的蓬勃发展 ［１３］ ，基于数据驱动的人工智能技术在
防洪减灾方面的研究成为热点 ［１４］ ，目前在暴雨风险的早期识别 ［１５］ 、城市洪涝风险预测 ［１６］ 等方面获得
了初步成功的应用。在洪水预报方面，神经网络模型的应用比较广泛。姬战生等 ［１７］ 利用二维卷积神经
网络，构建了东苕溪瓶窑水位预报模型。张甲甲等 ［１８］ 提出一种遗传算法优化长短时记忆神经网络的流
量预测模型。这些模型基本都是利用前时序的降雨和流量数据，滚动预报未来时序的流量，模型的预
报期一般较短，仅对未来 １～２ｈ流量预报精度高，但不能预报整场降雨洪水的变化过程。
由于其特有的气候条件和地理位置，小流域的降雨在时间和空间上具有一定的特征规律 ［１９］ 。流域
洪水与降雨的时空变化特征相关，若无人为干扰，在相似降雨量和时空变化条件下，下垫面的洪水过
程也具有一定的相似性。基于该原理，本文将机器学习中的流形学习算法引入到洪水预报中，提出基
于降雨时空分布特征识别的洪水预报方法。流形学习在机器学习领域中是很实用的算法，成功应用在
特征分类、提取和识别等方面。该方法通过识别当前降雨时空特征，快速匹配最相似的历史降雨过
程，“借古喻今”，将匹配的历史洪水过程作为当前预报降雨情况下洪水预报结果。本文以广西壮族自
治区中平小流域为例，检验该方法在洪水预报中的运用效果。

２ 数据处理和研究方法

２．１ 数据处理 中平河位于广西东北，由南向北流，平均坡降 ５．０４‰，河长 ６３ｋｍ，属于山区性河
２
流。流域面积 ５９６ｋｍ ，呈扇形，流域内共有王田、大樟、六巷 ３个雨量站和中平水文站，分布如图 １
所示。本文以这 ３个雨量站和 １个水文站 ２００２—２０２３年的降雨洪水资料为对象，构建洪水预报模型。

图 １ 中平小流域图以及水文站雨量站分布图

分析之前首先对数据进行清洗和甄别，剔除不合理的数据。如果单站 ５ｍｉｎ降雨量超过 １０ｍｍ，
且孤立存在，该站前后 ３０ｍｉｎ都没有降雨，则认为是不合理的记录。对于单站不合理的记录，查阅并
对比同时次的雷达图，以确认数据是否合理。对于单站不合理的记录，利用流域内其它雨量站的降雨

— １ ０ ０ —
１