Page 113 - 2025年第56卷第11期

水 利 学 报

2025 年 11 月 SHUILI XUEBAO 第 56 卷 第 11 期

文章编号：0559-9350（2025）11-1504-14

耦合物理机制和深度学习的分布式混合洪水预报模型

贺 淼 1，2 ，江善虎 1，2 ，任立良 1，2 ，杨 邦 ，王建平 ，周 乐 4
4
3
（1. 河海大学 水灾害防御全国重点实验室，江苏 南京 210098；2. 河海大学 水文水资源学院，江苏 南京 210098；
3. 水利部海河水利委员会水文局，天津 300170；4. 南京南瑞水利水电科技有限公司，江苏 南京 211106）

摘要：准确的洪水预报对防洪减灾、水资源优化配置及水环境保护发挥着重要作用。本文针对洪水预报中过程驱
动模型受限于物理机制表征与数据驱动模型可解释性不足的问题，提出了一种耦合物理机制和深度学习的分布式
混合洪水预报建模（DHFM）框架。该框架在统一的深度学习平台上实现了物理过程和神经网络的协同编码，并基
于反向传播算法实现物理参数与网络权值的同步优化。在此基础上提出了可以与 DHFM 框架无缝集成的可微分扩
散波（DW）和卷积神经网络（CNN）河道汇流方法，同时引入可微分马斯京根（MK）方法作为对比基准。选取湖南省
洣水流域为研究区域，系统评估了 DHFM 框架中三种可微分河道汇流方法在有资料和无资料场景下的性能及可解
释性。结果表明，DHFM 框架在所有场景下均展现出良好的日流量模拟与洪水事件模拟能力。在模型其他结构及
输入条件保持一致的情况下，可微分 CNN 河道汇流方法的性能略优于可微分 DW 河道汇流方法，且二者均优于可
微分 MK 河道汇流方法。DHFM 框架内嵌入的神经网络能够捕捉河道静态属性与物理参数的复杂映射关系，其中
可微分 CNN 河道汇流方法还具备基于河道静态属性自适应学习单位线的潜力。本文 DHFM 框架不仅可以有效提高
洪水模拟精度，还为深入理解洪水模拟的物理机制提供了新思路。
关键词：混合模型；深度学习；可微分建模；洪水预报
中图分类号：P338 文献标识码：A doi：10.13243/j.cnki.slxb.20250226

1 研究背景

洪水是最具破坏性的自然灾害之一，对人类安全和基础设施构成重大威胁 ［1- 2］ 。精准预报洪水
事件并提前实施有效的防灾措施，对于减轻洪水的不利影响至关重要 ［3］ 。洪水预报模型主要分为过
程驱动模型和数据驱动模型 ［4］ 。过程驱动模型包括集总式、分布式概念或物理水文模型等，其物理
意义明确、可输出额外的状态变量，但物理方程在精准刻画流域降雨-径流过程方面仍存在困难，
尤其是在气候变化和人类活动导致水文地质条件改变的情况下 ［2］ 。此外，尽管在参数化方面取得了
一定进展，但过程驱动模型在无资料流域的性能仍有待提高 ［5］ 。基于机器学习或深度学习的数据驱
动模型在模拟精度上表现出色，可基于大样本数据集进行区域化训练预测无资料流域流量 ［4，6］ ，但
模型依赖大量训练数据、缺乏物理可解释性，且无法通过直接校准流量输出额外的状态变量。特别
是 目 前 缺 乏 公 开 可 用 的 大 样 本 洪 水 数 据 集 进 行 大 模 型 训 练 ， 严 重 制 约 了 其 在 实 际 洪 水 预 报 中 的
应用。
结合两类模型优点的混合水文模型已成为当前的研究热点。混合水文模型大致可以分为两类：一
是过程驱动模型和数据驱动模型独立校准的松散耦合；二是基于可微分建模技术实现两者“端到端”

收稿日期：2025-04-15；网络首发日期：2025-11-05
/
网络首发地址：https：/link.cnki.net/urlid/11.1882.TV.20251104.1130.002
基金项目：国家重点研发计划项目（2024YFC3212300）；国家自然科学基金项目（52479009）；水灾害防御全国重点实验室自主研
究项目（5240152I2）；江苏省研究生科研与实践创新计划项目（KYCX25_0936）
作者简介：贺淼（1998—），博士生，主要从事基于人工智能的水文预报研究。E-mail：hbsyhm2021@163.com
通信作者：江善虎（1983—），教授，主要从事洪旱灾害预报预警研究。E-mail：hik0216@hhu.edu.com
— 1504 —