Page 79 - 2023年第54卷第11期

P. 79

由图６可以看到，ＬＳＴＭ模型对ＷＲＦ?ＷＲＦ－Ｈｙｄｒｏ耦合预报系统径流预报的实时校正具有较好的
改进效果，尤其是对耦合系统在１ｈ预见期的预报结果，改进最为明显。预见期超过６ｈ后，ＬＳＴＭ模
型对耦合系统径流预报的改进程度总体呈下降趋势，预报径流过程的波动增大，但洪峰流量和洪量没
有明显的增加或降低。分析其原因，可能是由于随着预见期的延长，预报径流误差明显增加，径流序
列数据之间的关联性降低。ＬＳＴＭ模型此时已较难准确学习到时间序列的数据特征，因而无法对预报
径流序列进行有效的校正，具体体现在径流预报的波动也就越大。
表６ＬＳＴＭ校正下ＷＲＦ?ＷＲＦ－Ｈｙｄｒｏ耦合系统的径流预报指标

ＬＳＴＭＬＳＴＭ
场次预见期场次预见期
ＮＳＥＲｆ ?％Ｒｖ ?％Ｔ?ｈＮＳＥＲｆ ?％Ｒｖ ?％Ｔ?ｈ
校正前０．８５５．１５－１８．５２１校正前０．７１６．３８－１８．２７１
１ｈ预报值０．９８５．７８－０．２９３１ｈ预报值０．７５－３．６５－３０．５８１
２ｈ预报值０．９７１４．４００．７１２２ｈ预报值０．６３２．４２－３５．６５０
场次１３ｈ预报值０．９６１９．０２３．４０１场次４３ｈ预报值－０．１５３．６０－３４．２０１
６ｈ预报值０．９３１６．２０２．５５１６ｈ预报值－０．８５４．２５－３１．９３４
９ｈ预报值０．９０６．１２０．２５２９ｈ预报值－１．０８４．４５－２８．２４７
１２ｈ预报值０．８８８．７２－３．４１１１２ｈ预报值－１．３５４．５７－２６．２８１０
校正前０．５１１３．４１－１７．６７２０校正前０．６２０．６２７．１８１
１ｈ预报值０．９７２．８９－０．５６１０１ｈ预报值０．９１４．６６２．９２１
２ｈ预报值０．９１２６．２１０．２２２８２ｈ预报值０．８４－３．４２７．３９１
场次２３ｈ预报值０．７９３６．３９－１．５５２７场次５３ｈ预报值０．７０－０．１２６．７１１
６ｈ预报值０．３６６３．７３－６．９６２０６ｈ预报值０．７３４．２１６．４４１
９ｈ预报值０．１１９８．０７３．４７２１９ｈ预报值０．６２４．３２１．９９１
１２ｈ预报值０．１７１１０．８８２５．１４１８１２ｈ预报值０．５４４．４８４．８５１
校正前０．３９－２５．４３－４９．６７１校正前０．７６－１３．０１－５．３７２
１ｈ预报值０．８７５．０８－５．２９２１ｈ预报值０．８９４．３８１．９４１
２ｈ预报值０．７８１９．１５－４．３８１２ｈ预报值０．８０１５．９０－１．１０１
场次３３ｈ预报值０．７５１１．８６－４．３８０场次６３ｈ预报值０．７８１５．８５５．２０１
６ｈ预报值０．６１９．１６－１１．０９１６ｈ预报值０．７７－１１．８６－０．８３１
９ｈ预报值０．５７６．４９－１５．１７０９ｈ预报值０．６１－１６．５８０．４６２
１２ｈ预报值０．４３１０．７３－１７．５７１１２ｈ预报值０．５９－１４．９３０．２６２

将ＬＳＴＭ模型引入ＷＲＦ?ＷＲＦ－Ｈｙｄｒｏ耦合预报系统之后（评价指标见表６），场次洪水的预报精度
有了明显的提高。整体来看，６场雨洪过程１ｈ预见期的ＮＳＥ在０．７５～０．９８之间，平均ＮＳＥ为０．９０。
随着预见期的延长，ＮＳＥ逐渐降低。当预见期小于６ｈ时，预报精度下降较为缓慢，但仍有较好的
预报校正效果；预见期大于６ｈ时，预报精度下降较快，其中表现最好的雨洪过程（场次１）在１２ｈ
预见期的ＮＳＥ仍可达到０．８８。从洪峰相对误差指标来看，１ｈ预见期的洪峰预报精度最高，径流过
程的洪峰相对误差位于区间范围为［－３．６５％，５．７８％］，３ｈ预见期大多数场次洪峰相对误差小于
２０％。但由于预报流量过程线随着预见期的延长波动较大，洪峰流量和洪量在较长预见期内不呈现
明显的规律。
４．３ＡＲＭＡ实时校正径流预报结果以数据同化后的预报降雨驱动ＷＲＦ－Ｈｙｄｒｏ，采用ＡＲＭＡ模型对
６场典型雨洪过程的径流预报结果进行实时校正，预见期为１、２、３、６、９和１２ｈ的径流预报结果见
图７和表７。

３
— １４１ —

74 75 76 77 78 79 80 81 82 83 84