Page 86 - 水利学报2025年第56卷第3期

暴雨洪水耦合预报在降雨预报的基础上进行，当进行实时的洪水预报时，将以降雨预报结果作为
输入，通过模型模拟出径流时间序列，从而完成洪水预报。整体的建模及预报流程如图 ２所示。在洪
水预报中，首先基于降雨预报模型预测降雨、下垫面类型、ＤＥＭ、径流和其它数据以训练分布式水文
模型，率定得到模型参数；在实际的预报应用过程中，在实时雷达监测数据的基础上通过降雨预报方
法产生实时的降雨预报结果，并将其和已有的实测站点降雨作为率定好的分布式水文模型的输入，以
得到模拟和实时更新的径流预报结果。

图 ２ 暴雨洪水耦合预报框架

４ 结果分析

４．１ 降雨预报 为了验证本文方法（ＲＮＭＣＷ）的有效性，采用 ３种常用的降雨预报方法进行对比实
［１８］
［８］
验，分别为传统光流法（ ＯｐｔｉｃａｌＦｌｏｗ，ＯＦ） 、ＲａｉｎＮｅｔ 和 ＳＴＥＰＳ ［３３］ 。其中 ＯＦ利用图像光流信息进
行雷达回波预测，为最经典的雷达回波外推方法；ＲａｉｎＮｅｔ基于卷积网络实现雷达回波预测，为使用
较多的深度学习方法；ＳＴＥＰＳ为多模型集合预测方法，常作为验证短临降雨预报效果的基准模型。
本研究中输入序列长度 Ｋ为 ５，区域大小 Ｍ、Ｎ为 ４０、３０。调整模型输出节点个数 Ｌ，分析不同
预见期预报效果以确定模型有效预见期。根据历史资料和经验设置降雨阈值 ｋ ＝ ５ｍｍ?ｈ，计算降雨临
近预报评价指标结果如图 ３所示。从整体上来看，各预测方法的预测效果均会随预见期增加而降低，
其中本文方法 ＲＮＭＣＷ 的整体效果最好，而 ＲａｉｎＮｅｔ的下降速度最快。主要是因为 ＲａｉｎＮｅｔ采用了卷积
神经网络，不具备对时间特性的提取能力。而 ＲＮＭＣＷ 采用的 ＣｏｎｖＬＳＴＭ 网络能够有效地提取数据的
时间和空间特性。当预见期小于 １ｈ时，仅有 ＲａｉｎＮｅｔ在预报初期的各项指标结果优于 ＲＮＭＣＷ。当预
见期在 １～２ｈ之间时，ＲＮＭＣＷ 的 ＰＯＤ和 ＣＳＩ指标始终高于其他模型。当预见期大于 ２ｈ后，各评价
指标的性能开始快速恶化，ＲＮＭＣＷ 的 ＰＯＤ和 ＣＳＩ指标已经低于 ＯＦ和 ＳＴＥＰＳ，这意味着大于 ２ｈ的
预见期将增大短临预报的不确定性。为充分发挥短临降水预报结果的预警性和决策作用，对于研究案
例而言，预见期设置为 ２ｈ最优。
计算各模型对不同雨量站点降雨预测结果的均方根误差（ ＲＭＳＥ）和相关系数（ｒ）结果如表 ４所示。
本文提出的 ＲＮＭＣＷ 的各评价指标都优于其他方案，在各站点 ２ｈ预见期内的平均相关系数均高于
０．７５，相比传统光流法提高了 ５％左右。从图中可以看到，同一方法在不同站点的预测效果不同，其中
苏峪口最好，随着海拔的升高效果逐渐降低，说明山区地形对降雨的预测有一定影响。ＲＮＭＣＷ 在 ２ｈ
预见期内的均方根误差在 １～１．５ｍｍ之间，ＲＮＭＣＷ 的均方根误差随预见期的增长速度比其他方法慢，

— ３ ６ —
８