Page 89 - 水利学报2025年第56卷第3期
P. 89
表 ３ 不同降雨输入水文模型的预报结果
场次 预报模型 纳什系数 相关系数 洪峰相对误差?％ 峰现时间误差?ｍｉｎ 均方根误差?ｍｍ
ＨＥＣ － ＨＭＳ ０．９２４ ０．９６１ ３．６４ ２０ ３４．９３
ＲＮＭＣＷ－ ＨＥＣ － ＨＭＳ ０．９２１ ０．９６１ ９．４２ １５ ３５．４２
２０１６０８２１ ＯＦ － ＨＥＣ － ＨＭＳ ０．８６２ ０．９３５ １５．１４ ３５ ４６．９２
ＲａｉｎＮｅｔ － ＨＥＣ － ＨＭＳ ０．８７０ ０．９３５ １０．０７ ２５ ４５．４９
ＳＴＥＰ － ＨＥＣ － ＨＭＳ ０．９０３ ０．９５１ ３．７１ ２５ ３９．３２
ＨＥＣ － ＨＭＳ ０．７５１ ０．８７２ ２５．５７ ５ ５７．１３
ＲＮＭＣＷ－ ＨＥＣ － ＨＭＳ ０．７４０ ０．８７１ ２９．１０ １０ ５８．３８
２０１８０７２２ ＯＦ － ＨＥＣ － ＨＭＳ ０．６８８ ０．８５８ ４１．２６ １５ ６３．９２
ＲａｉｎＮｅｔ － ＨＥＣ － ＨＭＳ ０．７３０ ０．８６４ ３５．９２ ２５ ５９．５２
ＳＴＥＰ － ＨＥＣ － ＨＭＳ ０．７３３ ０．８６３ ２１．３７ ０ ５９．１７
图 ６ ２０１６、２０１８年不同降雨输入水文模型洪水过程预报
将降雨预报模型与洪水预报模型深度耦合，使用不同降雨预报模型预测的降雨对洪水预报模型进
行参数率定，然后预报 ２０１６年和 ２０１８年的两场洪水，预报结果如表 ４和图 ７所示。对比不同模型深
度耦合前后对两场洪水的预报效果可知，将降雨和洪水预报模型深度耦合能在一定程度上提高洪水的
预报效果，但深度耦合模型往往不能兼顾对洪水过程和洪峰的预测精度，在提升某一方面的预测精度
时，可能会牺牲另一方面的精度。以深度耦合前后的 ＲＮＭＣＷ－ ＨＥＣ － ＨＭＳ为例，深度耦合后的模型对
２０１８０７２２洪水的预测效果有全面提升，对 ２０１６０８２１洪水的洪峰误差降低了 ７．９５％，但纳什系数也降
低了 ０．００４。因此在优化模型参数时，需要权衡不同方面的预测精度。深度耦合后，预测效果最好的
仍然是 ＲＮＭＣＷ－ ＨＥＣ － ＨＭＳ模型，两场洪水的纳什系数分别为 ０．９１７和 ０．７５３，相比 ＨＥＣ － ＨＭＳ模型，
ＲＮＭＣＷ－ ＨＥＣ － ＨＭＳ模型对 ２０１６０８２１洪水的洪峰预测误差降低了 ２．１７％，对 ２０１８０７２２洪水预测的纳
什系数提升了 ０．００２。
通过将降雨预报结果输入洪水预报模型，实现降雨预报模型和洪水预报模型的耦合。耦合模型可
以在保持与未耦合降雨预报模型相当的预报精度基础上，将降雨预报的预见期引入到洪水预报中从而
提高洪水预报的预见期，使洪水预报的有效预见期最多增长 ２ｈ；但是模型对陡涨陡落的尖瘦型洪水
的峰值预测效果较差。其原因可能包括：山区地形复杂，地势陡峭，分布式水文模型的空间分辨率不
够；影响洪水过程的因素众多，现有模型难以全面考虑；降雨在时间和空间上分布极为不均，降雨监
测和预报的时间精度不够，现有监测手段难以反映实际降雨过程。
— ３ ７ １ —
