Page 116 - 2025年第56卷第7期

例为 １∶３９０，洪涝频发 ［４３］ 。
使用本文构建的模型对忠州大坝水文站 ２０１４—２０２３年径流序列进行学习预报，２０１４—２０２０年为
训练集，２０２１年为验证集，２０２２—２０２３年为测试集，结果如图 １１。预见期 １、３、６个月的预报结果
ＮＳＥ也分别达到了 ０．７８０、０．６４３、０．６０９。模型对低值预报较准，对突发高流量预报存在一定的低估。
通过以上实验分析可以看出，本文构建的模型在各方面均有一定的优势，包括：（ １）ＳＴＬ － ＶＭＤ两
段分解，在保留了 ＳＴＬ分解可解释性的基础上，进一步提取了残差项的特征；（２）ＳＴＬ － ＶＭＤ动态分
解，避免了在分解和训练阶段引入未来数据；（ ３）预报精度高、预 见期 长，６个 月预 见期 预 报精度
ＮＳＥ仍可达 ０．７９６；（４）计算时间短。Ｉｎｆｏｒｍｅｒ针对稀疏注意力机制的改进，加快计算速度。

图 １１ 忠州大坝（Ｃｈｕｎｇｊｕ － Ｄａｍ）水文站 １、３、６个月预见期预报实测值－ 预测值散点图

５ 结论

基于本文模型对永定河流域石匣里水文站 １９９７—２０１６年径流序列及韩国汉江流域忠州大坝水文
站 ２０１４—２０２３年径流序列的预报及验证表明：
（ １）本文提出的两段动态分解与深度学习组合的 ＳＴＬ － ＶＭＤ － Ｉｎｆｏｒｍｅｒ中长期径流预报模型，兼顾了
径流时间序列主因子分解的可解释性、残差分解可循环性和深度学习注意力机制稀疏性等特点，有效
解决了变异性大、周期性差、计算耗时多等径流序列预报的问题，提高了径流预报的精度。
（ ２）本文提出的方法在亚洲季风区典型流域中长期径流预报上是可行的，１个月预见期的最好预
报精度可达 ０．８９７；６个月预见期的最差预报精度也超过 ０．６０９。
（３）ＳＴＬ分解可大幅减少对高流量的低估，ＶＭＤ动态分解可进一步提取 ＳＴＬ分解后残差的特征，
降低预报值与实际值的离散程度。
（ ４）在相同的分解方法下，Ｉｎｆｏｒｍｅｒ模型对时间序列预测的能力较 ＬＳＴＭ以及 ＡＲＩＭＡ模型强。
目前本文模型还存在着 ＳＴＬ和 ＶＭＤ分解的边界效应，极端高流量预报精度低，对中小流域的泛
化性有待改进等问题，待以后进一步研究改进。

参 考 文 献：

［ １］ 雷晓辉，王浩，廖卫红，等．变化环境下气象水文预报研究进展［Ｊ］．水利学报，２０１８，４９（１）：９ － １８．
［ ２］ 王文，马骏．若干水文预报方法综述［Ｊ］．水利水电科技进展，２００５（１）：５６ － ６０．
［ ３］ ＬＥＥＤ，ＬＥＥＧ，ＫＩＭ Ｓ，ｅｔａｌ．ＦｕｔｕｒｅｒｕｎｏｆｆａｎａｌｙｓｉｓｉｎｔｈｅＭｅｋｏｎｇｒｉｖｅｒｂａｓｉｎｕｎｄｅｒａｃｌｉｍａｔｅｃｈａｎｇｅｓｃｅｎａｒｉｏ
ｕｓｉｎｇｄｅｅｐｌｅａｒｎｉｎｇ ［Ｊ］．Ｗａｔｅｒ，２０２０，１２（６）：１５５６．
［ ４］ 刘金涛，宋慧卿，张行南，等．新安江模型理论研究的进展与探讨［Ｊ］．水文，２０１４，３４（１）：１ － ６．
［ ５］ 王富强，霍风霖．中长期水文预报方法研究综述［Ｊ］．人民黄河，２０１０，３２（３）：２５ － ２８．
［ ６］ ＹＡＳＥＥＮＺＭ，ＳＵＬＡＩＭＡＮＳＯ，ＤＥＯＲＣ，ｅｔａｌ．Ａｎｅｎｈａｎｃｅｄｅｘｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉｎｅｍｏｄｅｌｆｏｒｒｉｖｅｒｆｌｏｗ
ｆｏｒｅｃａｓｔｉｎｇ：Ｓｔａｔｅ － ｏｆ － ｔｈｅ － ａｒｔ， ｐｒａｃｔｉｃａｌａｐｐｌｉｃａｔｉｏｎｓｉｎｗａｔｅｒｒｅｓｏｕｒｃｅｅｎｇｉｎｅｅｒｉｎｇａｒｅａａｎｄｆｕｔｕｒｅｒｅｓｅａｒｃｈ
ｄｉｒｅｃｔｉｏｎ ［Ｊ］．ＪｏｕｒｎａｌｏｆＨｙｄｒｏｌｏｇｙ，２０１９，５６９：３８７ － ４０８．

— ９ ４ —
２