Page 124 - 2025年第56卷第11期

流量的大小和出现时间具有显著影响 ［14-15］ 。DHFM 框架的优势在于它完全基于深度学习框架实现，允
［8］
许将物理或经验公式无缝编码到框架中，或者将神经网络嵌入到物理骨干中以模拟水库运行过程 。
最后，不确定性仍然是水文建模中普遍存在的挑战，传统水文建模通常采用贝叶斯方法等统计手段来
解决这些误差 ［30-31］ 。探索将不确定性分析方法整合到 DHFM 框架中，特别是以完全可微分的方式实
现，也是未来研究一个极具潜力的方向。

6 结论

本文构建了一个深度融合物理水文过程与深度学习技术的分布式混合洪水预报建模（DHFM）框架。
该框架以新安江水文模型作为产流计算的基本骨干，并提出了三种可与 DHFM 框架无缝集成的可微分
河道汇流方法：Muskingum（MK）、扩散波（DW）和卷积神经网络（CNN）汇流。选取湖南省洣水流域作
为研究区域，分别在有资料和无资料场景下，系统评估该框架在日流量与洪水模拟的性能及适用性。
研究得出以下主要结论：
（1）DHFM 框架在有资料和无资料场景下，均展现出良好的日流量与洪水模拟能力。相较于集总
式新安江模型，DHFM 框架在模拟各站点流量时具有更高的精度，尤其在流域面积较大的情况下，其
优势更为显著。
（2）在模型其他结构及输入条件相同的情况下，可微分 CNN 河道汇流方法略优于可微分 DW 河道
汇流方法，且二者均优于可微分 MK 河道汇流方法。此外，可微分 CNN 与可微分 DW 河道汇流方法具
备并行计算能力，能够在确保计算精度的同时，大幅提升计算效率。
（3）DHFM 框架中的嵌入式神经网络能够有效捕捉河道静态属性与河道参数之间的映射关系。特
别是可微分 CNN 河道汇流方法，具备基于河道静态属性自适应学习单位线的能力。

参 考 文 献：

［ 1 ］ 谢雨祚，郭生练，熊立华，等 . 考虑历史洪水资料的三峡水库运行期非一致性设计洪水估算［J］ 水利学报，
.
2024，55（6）：643-653.
［ 2 ］ 刘 万 ， 谢 帅 ， 钟 德 钰 ， 等 . 基 于 深 度 学 习 与 HEC-HMS 模 型 的 小 流 域 暴 雨 洪 水 耦 合 预 报［J］ 水 利 学 报 ，
.
2025，56（3）：364-374.
［ 3 ］ 张建云 . 中国水文预报技术发展的回顾与思考［J］ 水科学进展，2010，21（4）：435-443.
.
［ 4 ］ HE M，JIANG S，REN L，et al. Streamflow prediction in ungauged catchments through use of catchment classifica‐
.
tion and deep learning ［J］ Journal of Hydrology，2024，639：131638.
［ 5 ］ 苟娇娇，缪驰远，徐宗学，等 . 大尺度水文模型参数不确定性分析的挑战与综合研究框架［J］ 水科学进展，
.
2022，33（2）：327-335.
［ 6 ］ KRATZERT F， KLOTZ D， SHALEV G， et al. Towards learning universal， regional， and local hydrological
behaviors via machine learning applied to large-sample datasets［J］ Hydrology and Earth System Sciences， 2019，
.
23（12）：5089-5110.
［ 7 ］ HE M，JIANG S，REN L，et al. Exploring the performance and interpretability of hybrid hydrologic model coupling
.
physical mechanisms and deep learning［J］ Journal of Hydrology，2025，649：132440.
［ 8 ］ SHEN C， APPLING A ， GENTINE P， et al. Differentiable modelling to unify machine learning and physical
models for geosciences［J］ Nature Reviews Earth & Environment，2023，4（8）：552-567.
.
［ 9 ］ FENG D， LIU J， LAWSON K， et al. Differentiable， learnable， regionalized process-based models with multi‐
physical outputs can approach state-of-the-art hydrologic prediction accuracy［J］ Water Resources Research，
.
2022，58（10）：e2022WR032404.
［ 10］ FENG D， BECK H， LAWSON K， et al. The suitability of differentiable， physics-informed machine learning
hydrologic models for ungauged regions and climate change impact assessment［J］ Hydrology and Earth System Sci‐
.
— 1515 —