Page 61 - 2023年第54卷第9期

型难以收敛的情况，而模型复杂度较高时则可能出现梯度消失的问题。
当研究区域的产汇流特性较为复杂时，洪水预报模型使用一套参数往往难以实现对洪水过程的准
确模拟，此时可对降雨径流数据进行分级处理，数据特征相近的洪水共用一套模型参数以提高洪水预
报的准确性 ［１４ － １６］ 。李志超等 ［１７］ 利用径向基函数神经网络和降雨方差对洪水进行分级预报，提高了模
型在四川省寿溪流域和陕西省青阳岔流域洪水预报的准确性。Ｘｕ等 ［１８］ 根据降水的时空分布、降水强
度的时间方差和其他水文因子，对历史洪水进行 Ｋ均值聚类，并采用粗糙集提取实时洪水预报的识别
规则，提高了洪水预报准确性。郑彦辰等 ［１９］ 将降雨时空分布特征作为洪水分类依据，聚类得到的不同
洪水类型特征显著。以上研究使用不同聚类算法进行了洪水分级，但面对复杂的降雨流量序列，原始
数据包含大量冗余信息，直接进行聚类计算量过大，通常是选取特定的数据特征进行聚类。其中数据
特征的选择往往依赖于研究人员的自身经验，选定数据特征对原始数据的描述效果亦难以评定，可能
丢失大量有效信息。
因此，本文提出一种结合自编码器（Ａｕｔｏｅｎｃｏｄｅｒ，ＡＥ）与残差卷积神经网络（ＲＣＮＮ）的洪水分级智
能预报方法，使用自编码器实现原始降雨径流数据的自动降维，再将降维后的数据通过 Ｋ均值聚类算
法进行洪水分级，最后利用残差卷积神经网络进行洪水预报。将 ＡＥ － ＲＣＮＮ模型应用于小清河流域上
游黄台桥水文站的洪水预报，并与使用未分级数据训练的 ＣＮＮ、ＲＣＮＮ模型，以及应用降雨数据进行
分级训练的 ＲＣＮＮ模型进行对比，验证了 ＡＥ － ＲＣＮＮ模型的聚类和预报效果。

２ 研究区域概况

黄台桥水文站位于济南市历城区华山镇前进桥，控
２
制流域面 积 ３２１ｋｍ ，是 泰 沂 山 北 漏 水 区 区 域 代 表 站，
还是济南市重要防洪除涝河道小清河干流上的省级重点
水文站 （如图 １），属于华北暖温带半湿润季风型大陆性
气候，年内四季分明，温差变化大；夏季炎热，气温较
高，暖空气活动较频繁，雨量较多。２００７年 ７月 １８日，
济南市发生强降雨，降雨集中、汇流迅速，最大点雨量
高达 １８２．７ｍｍ，平均降雨 ８２．３ｍｍ，导致径流峰高量大，
黄台桥水文站超警戒水位 １．０４ｍ，最终济南市直接经济
损失达 １２．３亿元。针对黄台桥水文站展开洪水预报研究
对于小清河干流与济南市城区防洪排涝具有重要意义。
本次研究收集了流域内 １９８７—２０１９年间部分年份的 图 １ 研究区域示意图
降雨数据与黄台桥水文站流量数据。通过对降雨数据进
行反距离权重插值得到黄台桥汇水区形心降雨量，与黄台桥水文站流量数据结合得到 ２７场洪水的逐
时降雨径流数据。

３ 研究方法

３．１ 数据降维模型 自编码器（ＡＥ）是一种自监督学
习的神经网络架构 （如图 ２），通过将原始数据输入
一个编码 器 网 络 编 码 成 一 个 固 定 维 度 的 隐 藏 变 量，
然后使用一个解码器网络对这个隐藏变量进行解码， 图 ２ 自编码器结构示意图
从而得到输出数据。自编码器的目标是使得输出数据与原始数据之间的误差最小化，可以用于多种任
务，例如数据去噪、降维、生成式模型等 ［２０］ 。编码器网络在将原始数据映射到低维隐藏向量后，可以
通过解码器网络得到与原始数据相似的输出，这表示隐藏向量中保留了原始数据的基本特征，因此将

０
— １ ７ １ —