Page 83 - 水利学报2025年第56卷第3期

的有效预测 ［１６］ 。目前，已有多种深度学习方法被引入短临降水预报研究，并取得了不错的效果，如
［１８］
ＰｒｅｄＲＮＮ ［１７］ 、ＲａｉｎＮｅｔ 、ＧＡＮ模型 ［１９］ 、ＤＧＭＲ ［２０］ 、ＧＡ － ＣｏｎｖＧＲＵ ［２１］ 等。其中 Ｓｈｉ等 ［２２］ 提出的用于
降雨临近预报的卷积长短时记忆（ ＣｏｎｖｏｌｕｔｉｏｎａｌＬｏｎｇＳｈｏｒｔ － Ｔｅｒｍ Ｍｅｍｏｒｙ，ＣｏｎｖＬＳＴＭ）网络，既能考虑
降雨序列在时间上的相关性，又能考虑降雨的空间分布特点，能够更好地捕获时空相关性。ＣｏｎｖＬＳＴＭ
模型被认为是该领域的一项开创性工作。Ｐａｎ等 ［２３］ 提出了一种新的深度学习模型 ＦＵＲＥＮｅｔ，该模型旨
在从多个输入变量中提取信息并进行预测。
陆气耦合方法作为提高洪水预报有效预见期的重要方法之一，是水文和气象学科的重点研究内
容 ［２４］ 。目前已有很多将数值天气预报数据 ［２５］ 或雷达 降 水预 报 数据 ［２６］ 与 水 文模 型 结 合的 研究。ＷＵ
等 ［２７］ 将三个高分辨率降水预报数据和 ＴＨＯＲＰＥＸ数据集组成的集合预报应用于洪水预报系统，该系统
可以清晰地给出洪水事件的一组预测过程线，并且在流量峰值和预警时间方面具有良好的相对稳定
性。糜佳伟等 ［２８］ 分别将天气雷达定量降水估计和定量降水预报与中国山洪水文模型耦合实现中小流域
洪水预报，对于降雨时空分布较为均匀的降雨，耦合预报结果较雨量站测雨更具优势。然而目前多数
耦合预报研究针对面积较大的流域，对于在小流域中的应用研究较少。
本研究提出一种基于多预报因子输 入 的 深度学习 短临 降雨 预 报 模型 （ ＲａｉｎｆａｌｌＮｏｗｃａｓｔｉｎｇＭｅｔｈｏｄ
ｗｉｔｈＣｏｍｂｉｎｅｄＲｅｆｌｅｃｔａｎｃｅａｎｄＷｉｎｄＦｉｅｌｄａｓＩｎｐｕｔｓ ，ＲＮＭＣＷ）。以 ＣｏｎｖＬＳＴＭ网络和卷积网络为基础构
建模型提 取 数 据 的 时 空 特 征，选 取 能 有 效 反 映 水 汽 含 量 和 水 汽 输 送 情 况 组 合 反 射 率 （Ｃｏｍｂｉｎｅｄ
Ｒｅｆｌｅｃｔｉｏｎ ，ＣＲ）和雷达反演风场作为预测降雨站降雨的关键输入因子。将基于多预报因子输入的降雨
临近预报与 ＨＥＣ － ＨＭＳ模型相结合，构建基于深度学习降雨预报的暴雨洪水预报模型，对暴雨和洪水
过程进行定量预报，提升暴雨预报的精度并延长洪水预报的预见期，为洪水的预报预警、降低洪涝灾
害导致的人员伤亡和经济损失等提供技术支撑。

２ 研究区域和数据概况

２．１ 研究区域 苏峪口沟是贺兰山东麓主要山洪沟之一，地处东经 ３８°４１′—３８°４９′，北纬 １０５°５１′—１０６°０４′，
２
流域面积 ５０．５ｋｍ ，沟道比降 ７３．９‰。该地为降雨产流高值区，全年 ７０％降雨集中于 ６—９月，空间分
布由南向北递减，年 平 均 降 雨 量 ２００～４００ｍｍ，年 径 流 深 ５～４０ｍｍ，是 宁 夏 山 洪 灾 害 的 风 险 高 发
区 ［２９］ 。流域内的苏峪口水文站为贺兰山东麓区域代表站；流域内现建有 ４个雨量站，流域概况及站点
分布如图 １所示。各雨量站降雨差异较大，降雨主要集中在苏峪口站。依据宁夏水文局提供的 ３０ｍ
ＤＥＭ数据，进行河流沟道提取以及子流域划分。研究区域的高程介于 １４３９～３５３２ｍ，坡度介于 ０°～
６８．７° ，整体地势为西北高东南低，河谷冲积区地势平缓，河谷地区四周地势陡峭。

图 １ 苏峪口沟水系和坡度图

— ３ ６ ５ —