Page 114 - 水利学报2025年第56卷第3期

（２）ＭＤＵＰＬＥＸ － ＬＳＴＭ的模拟效果在率定集、验证集和测试集上非常接近，对于不同水文条件下的
水库出流模拟具有更强的适应性，而基于时间序列划分数据集的 ＴＣ － ＬＳＴＭ 在率定期、验证期和测试
期的表现则存在较大差异。因此，ＭＤＵＰＬＥＸ － ＬＳＴＭ具有更强的稳定性和可靠性。
本文进一步验证了以 ＬＳＴＭ模型为代表的机器学习算法可以应用在水库调度模拟领域。本文所提
出的 ＭＤＵＰＬＥＸ － ＬＳＴＭ方法可以运用于修建有大型水库的流域径流模拟中，通过精确模拟水库调度出
流过程提升流域径流模拟精度。同时，ＭＤＵＰＬＥＸ － ＬＳＴＭ模型具有较强的通用性，可以推广至更多调
度规则不同的水库开展水库出流模拟。
需要说明的是，非一致性条件不仅包括不同历史时期水文情势的非一致性，也包括未来水文情势
的不确定性。运用 ＭＤＵＰＬＥＸ － ＬＳＴＭ方法预测未来水库出流过程时，需不断更新训练数据集，使模型
更好地学习最新的水库调度规律，进而提高对未来水库出流的模拟能力。此外，流域水文模拟涉及许
多水文要素，且均会受到水库调度影响，未来可对水库调度影响下其他水文要素的模拟开展研究。

参 考 文 献：

［ １］ ＳＨＩＮＳ，ＰＯＫＨＲＥＬＹ，ＭＩＧＵＥＺ － ＭＡＣＨＯＧ．Ｈｉｇｈ － ｒｅｓｏｌｕｔｉｏｎｍｏｄｅｌｉｎｇｏｆｒｅｓｅｒｖｏｉｒｒｅｌｅａｓｅａｎｄｓｔｏｒａｇｅｄｙｎａｍｉｃｓ
ａｔｔｈｅｃｏｎｔｉｎｅｎｔａｌｓｃａｌｅ［Ｊ］．ＥｎｅｒｇｙＰｏｌｉｃｙ，２０１９，５５（１）：７８７ － ８１０．
［ ２］ ＴＡＩＫＡＮＯ，ＳＨＩＮＪＩＲＯＫ．Ｇｌｏｂａｌｈｙｄｒｏｌｏｇｉｃａｌｃｙｃｌｅｓａｎｄｗｏｒｌｄｗａｔｅｒｒｅｓｏｕｒｃｅｓ［Ｊ］．Ｓｃｉｅｎｃｅ，２００６，３１３：１０６８ － １０７２．
［ ３］ 宋晓猛，张建云，占车生，等．气候变化和人类活动对水文循环影响研究进展［Ｊ］．水利学报，２０１３，４４
（７）：７７９ － ７９０．
［ ４］ ＷＵＷ，ＭＡＹＪＲ，ＭＡＩＥＲＲＨ，ｅｔａｌ．Ａｂｅｎｃｈｍａｒｋｉｎｇａｐｐｒｏａｃｈｆｏｒｃｏｍｐａｒｉｎｇｄａｔａｓｐｌｉｔｔｉｎｇｍｅｔｈｏｄｓｆｏｒｍｏｄｅｌ
ｉｎｇｗａｔｅｒｒｅｓｏｕｒｃｅｓｐａｒａｍｅｔｅｒｓｕｓｉｎｇａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ ［Ｊ］．ＷａｔｅｒＲｅｓｏｕｒｃｅｓＲｅｓｅａｒｃｈ，２０１３，４９（１１）：
７５９８ － ７６１４．
［ ５］ ＢＲＯＤＥＲＩＣＫＣ，ＭＡＴＴＨＥＷＳＴ，ＷＩＬＢＹＬＲ，ｅｔａｌ．Ｔｒａｎｓｆｅｒａｂｉｌｉｔｙｏｆｈｙｄｒｏｌｏｇｉｃａｌｍｏｄｅｌｓａｎｄｅｎｓｅｍｂｌｅａｖｅｒａ
ｇｉｎｇｍｅｔｈｏｄｓｂｅｔｗｅｅｎｃｏｎｔｒａｓｔｉｎｇｃｌｉｍａｔｉｃｐｅｒｉｏｄｓ ［Ｊ］．ＷａｔｅｒＲｅｓｏｕｒｃｅｓＲｅｓｅａｒｃｈ，２０１６，５２（１０）：８３４３ － ８３７３．
［ ６］ ＧＵＯＤ，ＺＨＥＮＧＦ，ＧＵＰＴＡＨ，ｅｔａｌ．Ｏｎｔｈｅｒｏｂｕｓｔｎｅｓｓｏｆｃｏｎｃｅｐｔｕａｌｒａｉｎｆａｌｌ － ｒｕｎｏｆｆｍｏｄｅｌｓｔｏｃａｌｉｂｒａｔｉｏｎａｎｄ
ｅｖａｌｕａｔｉｏｎｄａｔａｓｅｔｓｐｌｉｔｓｓｅｌｅｃｔｉｏｎ ：Ａｌａｒｇｅｓａｍｐｌｅｉｎｖｅｓｔｉｇａｔｉｏｎ［Ｊ］．ＷａｔｅｒＲｅｓｏｕｒｃｅｓＲｅｓｅａｒｃｈ，２０２０，５６（３）：
ｅ２０１９ＷＲ０２６７５２．
［ ７］ ＳＮＥＥＤＲ．Ｖａｌｉｄａｔｉｏｎｏｆｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌｓ：Ｍｅｔｈｏｄｓａｎｄｅｘａｍｐｌｅｓ［Ｊ］．Ｔｅｃｈｎｏｍｅｔｒｉｃｓ，２０１２，１９（４）：４１５ － ４２８．
［ ８］ ＭＡＹＲ，ＭＡＩＥＲＨ，ＤＡＮＤＹＧ．ＤａｔａｓｐｌｉｔｔｉｎｇｆｏｒａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓｕｓｉｎｇＳＯＭ－ ｂａｓｅｄｓｔｒａｔｉｆｉｅｄｓａｍｐｌｉｎｇ
［Ｊ］．ＮｅｕｒａｌＮｅｔｗｏｒｋｓ，２００９，２３（２）：２８３ － ２９４．
［ ９］ ＺＨＥＮＧＦＦ，ＣＨＥＮＪＹ，ＭＡＩＥＲＨ Ｒ，ｅｔａｌ．Ａｃｈｉｅｖｉｎｇｒｏｂｕｓｔａｎｄｔｒａｎｓｆｅｒａｂｌｅｐｅｒｆｏｒｍａｎｃｅｆｏｒｃｏｎｓｅｒｖａｔｉｏｎ －
ｂａｓｅｄｍｏｄｅｌｓｏｆｄｙｎａｍｉｃａｌｐｈｙｓｉｃａｌｓｙｓｔｅｍｓ ［Ｊ］．ＷａｔｅｒＲｅｓｏｕｒｃｅｓＲｅｓｅａｒｃｈ，２０２２，５８：ｅ２０２１ＷＲ０３１８１８．
［１０］ 张玮，郑雅莲，刘志武，等．物理机制引导的水库调度深度学习模型研究［Ｊ］．水力发电学报，２０２３，４２
（３）：１３ － ２５．
［１１］ ＬＥＣＵＮＹ，ＢＥＮＧＩＯＹ，ＨＩＮＴＯＮＧ．Ｄｅｅｐｌｅａｒｎｉｎｇ［Ｊ］．Ｎａｔｕｒｅ，２０１５，５２１（７５５３）：４３６ － ４４４．
［１２］ ＫＲＡＴＺＥＲＴＦ，ＫＬＯＴＺＤ，ＢＲＥＮＮＥＲＣ，ｅｔａｌ．Ｒａｉｎｆａｌｌ － ｒｕｎｏｆｆｍｏｄｅｌｌｉｎｇｕｓｉｎｇｌｏｎｇｓｈｏｒｔ － ｔｅｒｍ ｍｅｍｏｒｙ（ＬＳＴＭ）
ｎｅｔｗｏｒｋｓ［Ｊ］．ＨｙｄｒｏｌｏｇｙａｎｄＥａｒｔｈＳｙｓｔｅｍ Ｓｃｉｅｎｃｅｓ，２０１８，２２（１１）：６００５ － ６０２２．
［１３］ ＺＨＡＮＧＤ，ＬＩＮＪ，ＰＥＮＧＱ，ｅｔａｌ．Ｍｏｄｅｌｉｎｇａｎｄｓｉｍｕｌａｔｉｎｇｏｆｒｅｓｅｒｖｏｉｒｏｐｅｒａｔｉｏｎｕｓｉｎｇｔｈｅａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔ
ｗｏｒｋ ，ｓｕｐｐｏｒｔｖｅｃｔｏｒｒｅｇｒｅｓｓｉｏｎ，ｄｅｅｐｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍ［Ｊ］．ＪｏｕｒｎａｌｏｆＨｙｄｒｏｌｏｇｙ，２０１８，５６５：７２０ － ７３６．
［１４］ ＹＡＮＧＳ，ＹＡＮＧＤ，ＣＨＥＮ Ｊ，ｅｔａｌ．Ｒｅａｌ － ｔｉｍｅｒｅｓｅｒｖｏｉｒｏｐｅｒａｔｉｏｎｕｓｉｎｇｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋｓａｎｄｉｎｆｌｏｗ
ｆｏｒｅｃａｓｔｆｒｏｍ ａｄｉｓｔｒｉｂｕｔｅｄｈｙｄｒｏｌｏｇｉｃａｌｍｏｄｅｌ ［Ｊ］．ＪｏｕｒｎａｌｏｆＨｙｄｒｏｌｏｇｙ，２０１９，５７９：１２４２２９．
［１５］ 汤正阳，张迪，林俊强，等．基于循环神经网络算法的水库调度模拟［Ｊ］．水电能源科学，２０２１，３９（５）：
８３ － ８６，７０．
［１６］ ＢＯＲＡＮＺ，ＪＵＮ Ｌ， ＪＵＮＱＩＡＮＧ Ｌ， ｅｔａｌ．Ｃａｓｃａｄｅｒｅｓｅｒｖｏｉｒｓａｄａｐｔｉｖｅｒｅｆｉｎｅｄｓｉｍｕｌａｔｉｏｎｍｏｄｅｌｂａｓｅｄｏｎｔｈｅ
ｍｅｃｈａｎｉｓｍ － ＡＩｃｏｕｐｌｉｎｇｍｏｄｅｌｉｎｇｐａｒａｄｉｇｍ ［Ｊ］．ＪｏｕｒｎａｌｏｆＨｙｄｒｏｌｏｇｙ，２０２２，６１２（ＰＢ）．ｄｏｉ：１０．１０１６?ｊ．ｊｈｙｃｌｒｏｌ．
２０２２．１２８２２９．
［１７］ ＹＡＬＩＡＮＺ，ＰＡＮＬ，ＬＥＩＣ，ｅｔａｌ．Ｅｘｔｒａｃｔｉｎｇｏｐｅｒａｔｉｏｎｂｅｈａｖｉｏｒｓｏｆｃａｓｃａｄｅｒｅｓｅｒｖｏｉｒｓｕｓｉｎｇｐｈｙｓｉｃｓ － ｇｕｉｄｅｄｌｏｎｇ －

６
— ３ ９ —