Page 66 - 2023年第54卷第9期
P. 66
降雨持续时间较长，最大 ２４ｈ降雨量最高，且最大 ２４ｈ洪量也更多。类别 ２与类别 ３的最大 ３ｈ降雨
量更高，但类别 ２的降雨量级比类别 ３大，对应的洪峰流量也更高。三种类别洪水的聚类中心存在明
显差异，聚类结果可信度高。
图 ８ 洪水聚类中心示意
４．４ 洪水预报结果分析 将洪水数据按 ＡＥ降维数据的聚类结果进行分级 ＲＣＮＮ洪水预报模型训练，选
取 １５％的洪水数据作为测试集，以 ＣＮＮ、ＲＣＮＮ模型和降雨聚类 ＲＣＮＮ模型作为对比，最终预报效果评
价指标如表 ３、表 ４所示。ＲＣＮＮ模型在训练集和测试集中的模拟效果均优于 ＣＮＮ模型，表明 ＲＣＮＮ模
型中的残差网络结构能够提升 ＣＮＮ的预报精度，更好地挖掘数据特征。ＡＥ － ＲＣＮＮ模型预报结果的评
价指标优于作为对比的其他三种模型。在测试集的洪水模拟中，ＡＥ － ＲＣＮＮ模型的平均 ＭＡＥ、ＲＭＳＥ
和 ＮＳＥ指标分别为 ５．０４、７．９１和 ０．９２，较 ＣＮＮ模型分别提高了 ４８．２３％、４３．９４％和 ２２．３２％；较 ＲＣＮＮ
模型分别提高了 ３５．０６％、３４．７０％和 １１．７２％；较降雨聚类 ＲＣＮＮ模型分别提高了 ２６．４５％、３０．５８％和
１１．２９％。同时在将测试集输入到 Ｋ类 ＡＥ － ＲＣＮＮ模型后的预报结果中，参考距离最小的预报结果模拟
效果也最好，因此本文所提出通过参考距离判断未来洪水类别的方法是合理可行的。
表 ３ ＣＮＮ、ＲＣＮＮ、ＡＥ － ＲＣＮＮ模型洪水预报效果评价指标对比
ＡＥ － ＲＣＮＮ
评价对象 评价指标 ＣＮＮ ＲＣＮＮ
模型 １ 模型 ２ 模型 ３
ＭＡＥ ０．３７９０ ０．２３６４ ０．２１１４ ０．１３５３ ０．０９９７
训练集 ＲＭＳＥ ０．６８８３ ０．４８８０ ０．２８１９ ０．１９９３ ０．１３５１
ＮＳＥ ０．９９８６ ０．９９９４ ０．９９９８ ０．９９９９ ０．９９９９
ＭＡＥ １１．１２３９ ９．５３８１ ２．７５３９ ３２．９２１９ ３３．８０３６
ＲＭＳＥ １５．０３２９ １４．９５５３ ４．９００５ ４０．７７０２ ４１．４４２８
类别 １测试集
ＮＳＥ ０．６９５１ ０．７５５０ ０．９５５７ ０．１０８５ － ０．００１３
参考距离 ０．４２３９ ０．５５７３ ０．５２８３
ＭＡＥ ９．８３７４ ８．２４０１ ３１．１０５１ ４．５１００ ２８．９１９６
ＲＭＳＥ １５．８１８１ １２．６８０６ ４８．１７７９ ７．７７５８ ３５．４７６９
类别 ２测试集
ＮＳＥ ０．６９６７ ０．８０２７ ０．０３８６ ０．９１５５ ０．０５２６
参考距离 ０．６０３９ ０．４６８５ ０．４７８５
ＭＡＥ ９．０８４２ ６．７５５５ ４２．５７８８ ４３．４６３８ ６．２８１７
ＲＭＳＥ １２．８５０６ １０．６００６ ４９．９３０９ ５２．８３７０ ９．２６０７
类别 ３测试集
ＮＳＥ ０．８０４１ ０．８６３０ ０．１８７４ ０．１８８５ ０．９０６７
参考距离 ０．３６９７ ０．４９３２ ０．３５１１
不同模型对测试集洪水的模拟效果如图 ９所示，其中 ＡＥ － ＲＣＮＮ模型的模拟结果与实测洪水过程
最为接近，散点图也距离标准线更为紧密。综上可得，ＡＥ数据降维模型能够通过对不同产汇流特性
— １ ０ ６ —
７
