Page 85 - 水利学报2025年第56卷第3期

５００ｍ × ５００ｍ。ｔ时刻样本输入对应的样本输出为｛ｙ，ｙ ，…，ｙ ｝，其中 ｙ为 ｔ时刻后降雨站在未
ｔ ｔ ＋ １ ｔ ＋ Ｌ － １ ｔ
来 ３０ｍｉｎ的实测降雨量，ｙ与 ｙ 的时间间隔为 ３０ｍｉｎ，即模型输出为未来 Ｌ?２ｈ逐 ３０ｍｉｎ的降雨序
ｔ ｔ ＋ １
列。每次降雨的 ８０％作为训练集样本，其余为测试集样本。
模型使用 ＣｏｎｖＬＳＴＭ网络学习数据的时空特征，卷积网络对数据进行解码。模型的网络结构参数
信息如表 １所示。固定最后两层为 Ｆｌａｔｔｅｎ层和全连接层，其中 Ｆｌａｔｔｅｎ层用于对卷积层的输出进行降
维，便于全连接层的计算；同时为加快训练过程并提高性能在每个卷积层和 ＣｏｎｖＬＳＴＭ 层后加入批量
标准化层（ ｂａｔｃｈ＿ｎｏｒｍａｌｉｚａｔｉｏｎ，ＢＮ）。
表 １ 深度学习模型的网络结构参数信息

网络层类型 卷积核尺寸 网络层输出尺寸 网络层参数
ｃｏｎｖ＿ｌｓｔｍ２ｄ（ＣｏｎｖＬＳＴＭ２Ｄ） （５，５） （Ｎｏｎｅ，Ｋ，Ｍ，Ｎ，１６） ３０４６４
ｂａｔｃｈ＿ｎｏｒｍａｌｉｚａｔｉｏｎ （ＢＮ） 无 （Ｎｏｎｅ，Ｋ，Ｍ，Ｎ，１６） ６４
ｍａｘ＿ｐｏｏｌｉｎｇ３ｄ（ＭａｘＰｏｏｌｉｎｇ２Ｄ） 无 （Ｎｏｎｅ，Ｋ，Ｍ?２，Ｎ?２，１６） ０
ｃｏｎｖ＿ｌｓｔｍ２ｄ＿１（ＣｏｎｖＬＳＴＭ２Ｄ） （５，５） （Ｎｏｎｅ，Ｍ?２，Ｎ?２，１６） ５１２６４
ｂａｔｃｈ＿ｎｏｒｍａｌｉｚａｔｉｏｎ＿１（ＢＮ） 无 （Ｎｏｎｅ，Ｍ?２，Ｎ?２，１６） ６４
ｃｏｎｖ２ｄ（Ｃｏｎｖ２Ｄ） （３，３） （Ｎｏｎｅ，Ｍ?２，Ｎ?２，４） ５８０
ｂａｔｃｈ＿ｎｏｒｍａｌｉｚａｔｉｏｎ＿２（ＢＮ） 无 （Ｎｏｎｅ，Ｍ?２，Ｎ?２，４） １６
ｆｌａｔｔｅｎ（Ｆｌａｔｔｅｎ） 无 （Ｎｏｎｅ，Ｍ× Ｎ） ０
ｄｅｎｓｅ（Ｄｅｎｓｅ） 无 （Ｎｏｎｅ，Ｌ） Ｌ × （Ｍ× Ｎ ＋ １ ）

损失函数选取均方误差函数（ＭＳＥ），批量大小设置为 １６，优化迭代设置为 ５０次，选取效果最优
的模型参数作为最终的预报模型。均方误差函数（ ＭＳＥ）公式如下：
１ ｎ ２
ＭＳＥ ＝ ∑ （ｙ － ｙ′） （３）
ｉ
ｉ
ｎ ｉ ＝１
式中：ｙ为实测值；ｙ′为模型预测值；ｎ为样本数。
ｉ ｉ
３．１．４ 评估方法 为分析模型对暴雨的预报效果，选取几个常 表 ２ 降雨临近预报检验指标分类
用的降 雨 临 近 预 报 评 价 指 标 临 界 成 功 指 数 （ ＣＳＩ）、 误 报 率
预测
实测
（ ＦＡＲ）、命中概率（ＰＯＤ）以及均方根误差（ＲＭＳＥ）和相关系数
≥ｋ ＜ｋ
（ｒ），与常用的降雨预报方法结果对比，来评估模型的模拟准确 ≥ｋ Ａ（预测成功） Ｃ（漏报）
率和预报效果。ＣＳＩ定义了预测事件被准确预测的比率。评价 ＜ｋ Ｂ（空报） Ｄ（无效）
指标的计算首先需要设定一个降雨阈值 ｋ，根据实测降雨和预
测降雨与阈值的关系对样本进行分类，具体见表 ２，最终得到预测成功次数（Ａ）、空报次数（Ｂ）和漏报
次数（ Ｃ）。临界成功指数 ＣＳＩ、误报率 ＦＡＲ和命中概率 ＰＯＤ的计算公式如下：
Ａ
ＣＳＩ ＝ （４）
Ａ ＋ Ｂ ＋ Ｃ
Ｂ
ＦＡＲ ＝ （５）
Ａ ＋ Ｂ
Ａ
ＰＯＤ ＝ （６）
Ａ ＋ Ｃ
３．２ 暴雨洪水耦合预报模型 洪水预报选择 ＨＥＣ － ＨＭＳ模型 ［３２］ 进行研究。ＨＥＣ － ＨＭＳ模型是由美国陆
军工程兵团水资源研究中心开发的分布式降雨径流模型，适用于降雨径流模拟和洪水预报。其基本建
模思路是：根据 ＤＥＭ将流域划分成若干格网单元或自然子流域，计算每一单元（子流域）的产流量，
汇流包括坡面汇流和河道汇流，最后演算至流域出口断面。ＨＥＣ － ＨＭＳ模型产流方法采用的是 ＳＣＳ曲
线法，坡面汇流方法 采用 的是 Ｓｎｙｄｅｒ单位 线法，河道 汇 流 采 用 马 斯 京 根 法，基 流 采 用 指 数 退 水 曲
线法。

— ３ ６ ７ —