Page 67 - 2023年第54卷第9期

洪水的特征提取与快速聚类，使输入 ＲＣＮＮ的数据特征更为清晰，进而达到更好的模拟效果。
表 ４ 降雨聚类 ＲＣＮＮ模型洪水预报效果评价指标

评价对象 ＭＡＥ ＲＭＳＥ ＮＳＥ
训练集 ０．３６２２ ０．５７９９ ０．９９９１
类别 １测试集（降雨聚类） ５．８６５１ ７．７５５７ ０．８７６６
类别 ２测试集（降雨聚类） ５．９７８１ ９．９２８９ ０．８４０６
类别 ３测试集（降雨聚类） ７．４７０８ １２．８００３ ０．８１０１

图 ９ 部分场次模拟洪水过程与整体测试集模拟结果散点图对比

５ 结论与展望

本文提出一种基于 ＡＥ － ＲＣＮＮ的洪水分级智能预报方法，通过自编码器（ＡＥ）重构降雨径流数据实
现对其自动降维，再 结合 Ｋ均 值 聚类算法 进 行 洪水分 级，对 分级 后 的 洪 水 使 用 残 差 卷 积 神 经 网 络
（ＲＣＮＮ）进行洪水预报。将该方法应用于小清河上游黄台桥水文站的洪水预报中，分析其聚类效果和
洪水预报能力。主要结论如下：
（ １）ＡＥ数据降维模型的编码器可将降雨、流量数据共 ９６维输入向量提取为 ５维向量，经解码器
还原后与原始数据的降雨径流过程基本一致，实现对洪水数据的自动降维，避免人工挑选数据特征对
工作人员经验的依赖性。应用 ＡＥ降维数据的聚类效果优于直接应用原始降雨数据，可将洪水分为特

０
— １ ７ ７ —