Page 90 - 水利学报2025年第56卷第3期

表 ４ 不同耦合模型预报结果
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
ＲＮＭＣＷ－ ＨＥＣ － ＨＭＳ ０．９１７ ０．９５９ １．４７ １５ ３６．３７
ＯＦ － ＨＥＣ － ＨＭＳ ０．８８８ ０．９５１ ２０．８３ ３５ ４２．２３
２０１６０８２１
ＲａｉｎＮｅｔ － ＨＥＣ － ＨＭＳ ０．８９５ ０．９４７ ７．９３ ２５ ４０．９９
ＳＴＥＰ － ＨＥＣ － ＨＭＳ ０．９１４ ０．９５７ ６．８７ ２０ ３６．９６
ＲＮＭＣＷ－ ＨＥＣ － ＨＭＳ ０．７５３ ０．８７７ ２７．８０ ５ ５６．８８
ＯＦ － ＨＥＣ － ＨＭＳ ０．７０４ ０．８６６ ４２．１６ ２０ ６２．２９
２０１８０７２２
ＲａｉｎＮｅｔ － ＨＥＣ － ＨＭＳ ０．７４０ ０．８６９ ３４．１９ ２５ ５８．３３
ＳＴＥＰ － ＨＥＣ － ＨＭＳ ０．７４０ ０．８６４ １９．１１ １０ ５８．３４

图 ７ ２０１６、２０１８年不同耦合模型洪水过程预报

５ 结论

本研究中构建了基于深度学习模型和多预报因子输入的短临降雨预报方法（ＲＮＭＣＷ）以及基于预
报降雨和 ＨＥＣ － ＨＭＳ的洪水预报方法，从而形成暴雨洪水耦合预报框架，通过以短临降雨预报驱动水
文模型的方式延长洪水预报预见期。主要结论如下：
（１）通过 ＣＲ和风场反映水汽含量以及水汽输送对降雨的影响，并采用善于提取数据时空特征的
卷积层和 ＣｏｎｖＬＳＴＭ层构建深度学习模型。该方法准确有效地实现了定量降雨临近预报，输入中的风
场数据可以有效提高模型的预报性能，使降雨预报的命中率增加，误报率降低。该方法与其他常用方
法的降雨预报效果对比表明，所构建的 ＲＮＭＣＷ 预报效果优于其他常用方法，在各站的相关系数均高
于 ０．７５，相比传统光流法提高了 ５％左右。
（ ２）以不同模型预测降雨作为水文模型的输入，预测 ２０１６、２０１８年洪水过程，其中 ＨＥＣ － ＨＭＳ模
型预报效果最好，其次是 ＲＮＭＣＷ－ ＨＥＣ － ＨＭＳ的预测结果。预测结果表明：将降雨和洪水预报模型深
度耦合能在一定程度上提高耦合模型对洪水的预报效果，但有时深度耦合模型不能兼顾对洪水过程和
洪峰的预测精度。相比 ＨＥＣ － ＨＭＳ模型，深度耦合的 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。耦合模型在保持与未耦合
降雨预报模型相当的预报精度基础上，能够较好预测出洪水过程尤其是洪峰时间，更为重要的是可以
最多延长有效预见期 ２ｈ，为防洪应用提供更好的支撑。
尽管如此，模型尚难以对时间和空间分布差异大的短临暴雨洪水实现有效预测，后续仍需进一步

— ３ ７ —
２