Page 81 - 2023年第54卷第11期

表 ７ ＡＲＭＡ校正下 ＷＲＦ?ＷＲＦ － Ｈｙｄｒｏ耦合系统的径流预报指标
ＡＲＭＡ ＡＲＭＡ
场次 预见期 场次 预见期
ＮＳＥ Ｒ ｆ ?％ Ｒ ｖ ?％ Ｔ?ｈ ＮＳＥ Ｒ ｆ ?％ Ｒ ｖ ?％ Ｔ?ｈ
校正前 ０．８５ ５．１５ － １８．５２ １ 校正前 ０．７１ ６．３８ － １８．２７ １
１ｈ 预报值 ０．９８ １．０１ ０．７０ １ １ｈ 预报值 ０．９０ － ７．５３ １．０５ ０
２ｈ 预报值 ０．９５ １．８５ ０．７３ ２ ２ｈ 预报值 ０．８５ － １２．１５ － ３．４５ ０
场次 １ ３ｈ 预报值 ０．８９ ３．０３ ０．８８ ５ 场次 ４ ３ｈ 预报值 ０．３６ － １５．１９ ３．４１ １
６ｈ预报值 ０．８０ ６．０６ ０．６３ ８ ６ｈ预报值 － ０．４３ － ２３．６７ ５．８７ ４
９ｈ 预报值 ０．６８ ９．４３ － １．０６ １１ ９ｈ预报值 － ０．２３ － ４４．０２ ５．９７ ７
１２ｈ 预报值 ０．５６ １３．１３ － １．７２ １４ １２ｈ 预报值 － ０．４７ － ５８．０２ － １４．５９ １１
校正前 ０．５１ １３．４１ － １７．６７ ２０ 校正前 ０．６２ ０．６２ ７．１８ １
１ｈ预报值 ０．９６ １２．２２ － ７．０９ ６ １ｈ预报值 ０．９６ － ７．９８ ３．５８ １
２ｈ预报值 ０．９５ １７．２８ ２．６３ ６ ２ｈ预报值 ０．９０ － １２．５９ ２．３８ ２
场次 ２ ３ｈ 预报值 ０．８５ ２２．２７ ２．４３ ６ 场次 ５ ３ｈ 预报值 ０．７１ － ２１．３３ ０．８５ ３
６ｈ预报值 ０．７１ ３０．１２ － １２．１８ ７ ６ｈ预报值 ０．５３ － ２５．２６ １０．０９ ５
９ｈ 预报值 ０．３１ ５６．５９ ４．６２ ９ ９ｈ 预报值 ０．３３ － ３２．７３ １．２７ ８
１２ｈ 预报值 － ０．３１ ６７．５３ ３８．６８ ７ １２ｈ 预报值 ０．１１ － ３９．４６ － ５．５８ １１
校正前 ０．３９ － ２５．４３ － ４９．６７ １ 校正前 ０．７６ － １３．０１ － ５．３７ ２
１ｈ 预报值 ０．９２ － ３．８３ ０．６４ １ １ｈ 预报值 ０．８５ － ７．４６ ６．７４ １
２ｈ预报值 ０．８７ － ４．７８ － ０．４８ １ ２ｈ预报值 ０．８１ － １１．１６ ６．３６ １
场次 ３ ３ｈ 预报值 ０．４７ ０．４４ ６．７９ ３ 场次 ６ ３ｈ 预报值 ０．５４ － １５．６０ １３．１３ ２
６ｈ 预报值 － ０．５１ ８．７７ １２．１０ ５ ６ｈ 预报值 ０．２６ － ３２．４８ － １０．９２ ５
９ｈ 预报值 － １．３５ ２６．７３ １５．７９ ７ ９ｈ预报值 ０．０３ － ４５．４９ － ２５．４６ ７
１２ｈ 预报值 － １．９１ ３９．４０ ９．６１ ９ １２ｈ 预报值 ０．０２ － ５７．６１ － ３１．５３ １１

５ 讨论与结论

５．１ 讨论 为了获得较高的水文预报精度，通常采用实时校正方法，针对历史预报误差的相关性对预
报径流进行实时校正，但该方法受预见期的影响较大。就本研究流域而言，由于流域汇流时间较短，
实时校正后的预报径流过程线出现了不同程度的波动（如图 ６、图 ７），且波动随着预见期的延长而增
大。可见，ＬＳＴＭ与 ＡＲＭＡ模型对中小流域在 ６ｈ以上的预见期下预报径流的实时校正能力有限。考
虑到大尺度流域汇水时间较长，流量起涨平稳缓慢，预报径流误差即使在 ６ｈ或 １２ｈ预见期以上也具
有较高的相关性，ＬＳＴＭ与 ＡＲＭＡ模型的校正潜力则可以体现在更长预见期的径流预报。
５．２ 结论 为进一步提高 ＷＲＦ?ＷＲＦ － Ｈｙｄｒｏ耦合系统的径流预报能力，在数据同化预报降雨的同时，
针对耦合系统仍然存在的径流预报偏差，研究采用 ＬＳＴＭ模型对预报径流进行实时校正，并与 ＡＲＭＡ
模型的径流校正结果进行了对比，结论如下：
（１）ＡＲＭＡ（３，１）与 ＬＳＴＭ 都能进一步改进 ＷＲＦ?ＷＲＦ － Ｈｙｄｒｏ耦合系统的径流预报能力，尤其在
１ｈ预见期对预报径流的改进效果最好。校正后，研究区 ６场雨洪场次的 １ｈ预见期 ＮＳＥ区间分别为
０．７５～０．９８（ＬＳＴＭ）、０．８５～０．９８（ＡＲＭＡ），但随着预见期的延长，两个模型对径流预报的改进程度逐渐
降低。
（ ２）随着预见期的延长，ＬＳＴＭ模型对耦合系统径流预报的整体改进效果优于 ＡＲＭＡ模型，耦合
系统预报精度的衰减速度慢于 ＡＲＭＡ模型。当预见期达到 ９ｈ时，ＬＳＴＭ 在研究区大部分雨洪场次的
ＮＳＥ指标在 ０．５０以上。

３
— １ ４ ３ —