Page 120 - 2025年第56卷第11期

根据图 3（a）中各模型在五个站点的日流量模拟评价指标结果，L-XAJ 模型（平均 NSE 和 KGE 分别
为 0.855 和 0.828）在甘溪、五里牌、坑口、安仁四站的性能接近 DHFM-DW 和 DHFM-CNN 模型，且优
于 DHFM-MK 模型，仅在龙家山站的评价指标低于三种分布式混合模型。从图 3（b）中各模型在五个
站 点 的 洪 水 模 拟 评 价 指 标 结 果 来 看 ， L-XAJ 模 型（平 均 NSE、 KGE、 RFE 和 RPE 分 别 为 0.788、
0.803、0.137 和 0.166）在上游的五里牌、坑口、安仁四站性能接近 DHFM-DW 和 DHFM-CNN 模型，
且 优 于 DHFM-MK 模 型 ， 但 在 中 下 游 的 甘 溪 、 龙 家 山 站 ， 其 评 价 指 标 低 于 三 种 分 布 式 混 合 模 型 。
这些结果表明，物理约束最强的 DHFM-MK 模型在大部分情况下可能不如 L-XAJ 模型，尤其是在
流域面积较小时。而 DHFM-DW 和 DHFM-CNN 在几乎所有情况下都能实现比 L-XAJ 模型更优或相
当的性能。
图 4 展示了三种模型在五个站点的日流量模拟与观测散点图，图 5 则展示了三种模型在五个站点
部分场次洪水的模拟与实测曲线图。从两图中也可以直观地看出，DHFM-CNN 模型的性能与 DHFM-
DW 模型较为接近，且均优于 DHFM-MK 模型。

图 4 三种分布式混合模型的日流量模拟散点图

5.2 无资料站点模拟性能 表 1 展示了 DHFM-MK、DHFM-DW、DHFM-CNN 模型在龙家山、五里
牌、坑口、安仁四站的日流量及洪水模拟评价指标结果。研究结果表明，相较于有资料场景，同一模
型在无资料场景下的流量模拟评价指标均出现不同程度的降低。但总体而言，三种模型在无资料场景
下均展现出良好的预测能力。
从表 1 的日流量模拟结果来看，在无资料场景下，DHFM-CNN 模型的四站平均 NSE 和 KGE 分别达

到 0.841 和 0.807，优于 DHFM-DW 模型（平均 NSE 和 KGE 分别为 0.796 和 0.775），并且也优于 DHFM-
MK 模型（平均 NSE 和 KGE 分别为 0.752 和 0.787）。同样在洪水模拟方面，无资料场景下 DHFM-CNN 模
型的性能优于 DHFM-DW 模型，且均优于 DHFM-MK 模型。

综合以上分析，在无资料站点流量预测性能方面，模型优劣排序为 DHFM-CNN > DHFM-DW >
DHFM-MK，此结果与 4.1 节研究相符，进一步验证了基于单位线思想的两种可微分河道汇流方法优
势。图 6 展示了三种模型的训练损失曲线，可以看出物理约束较强的 DHFM-MK 模型初始损失低，但
随迭代次数增加，结构更灵活的 DHFM-DW 和 DHFM-CNN 模型损失能降至更低。特别是参数更多的
DHFM-CNN 模 型 ， 虽 初 始 损 失 高 ， 但 经 迭 代 训 练 ， 损 失 迅 速 下 降 并 趋 稳 。 总 之 ， 结 果 充 分 表 明
DHFM-CNN 模型在保证物理一致性的同时，有实现高性能模拟的潜力。

— 1511 —