Page 49 - 水利学报2025年第56卷第4期

史变量的准确性和精细度。历史变量与降水数据并不是简单的线性关系，因此基于此类方法会产生一
定的误差。近年来，深度学习等算法在水文上的应用备受关注 ［15］ ，尤其是在径流预测和降水融合领
域 ［16-19］ ，深度学习长短期记忆网络模型（LSTM）在美国大多数流域上预测精度超过概念性水文模型和物
理模型 ［20］ 。另外 LSTM 模型在降水融合领域，通过构建地理气象因子与降水之间关系，得到中国区域
高精度和高分辨率的降水融合数据 ［21］ 。以上可以证实 LSTM 模型在构建驱动因子（气象、地理、水文等
变量）与目标值之间关系的潜力和可行性，但是在降水重建领域，缺乏此类方法的相关研究。
海河流域是全国水资源衰减最剧烈的一级流域 ［22］ ，受降水周期性影响最为显著，但百年尺度上的
周期性规律尚不清楚，难以科学预判流域水资源演变趋势。首先基于具有较高准确率的旱涝等级数
据，通过 LSTM 模型搭建旱涝-降水模型，然后重建海河流域近 500 年降水数据，最后据此揭示海河流
域降水的周期变化及未来趋势变化。

2 数据与研究方法

2.1 研究区域 海河流域地处东经 112°—120°，
北 纬 35°—43°之 间 ， 流 域 总 面 积 约 32 万 km ，
2
属于温带季风气候，降水时空分布不均，多年
［23］
平均降水量为 530 mm ，人均水资源量不足 240
m ，仅为全国人均水资源量的 12%。更值得关
3
注的是，受到气候变化和人类活动的影响，海
河流域水资源衰减严重，加剧了水资源短缺问
题 。 为 应 对 海 河 流 域 水 资 源 严 重 短 缺 等 问 题 ，
国家规划实施了南水北调东中线工程，东中线
一期工程通水 10 年来，显著缓解了水资源短缺
状况。研究区地理位置信息如图 1 所示，其中海
河流域旱涝站点是依据中国近五百年旱涝分布
图集提供的信息。
2.2 数据来源 研究数据来源包括：①中国天
气网和国家气候中心提供的中国近五百年旱涝 图 1 研究区域及旱涝站点分布
分布图集 （https：/tq121.weather.com.cn/sciname/
/
modules/datanew/pc/index.html）（1470—2018 年）， 主 要 使 用 海 河 流 域 内 8 个 旱 涝 站 点 的 等 级 数 据 ；
②中国国家气象局提供的 1956—2022 年 8 个气象站点的降水数据（位置对应旱涝站点）；③美国国家海
洋和大气管理局提供的 1900—2022 年月尺度太平洋年代际振荡指数（Pactic Decadal Oscillation，PDO）
（http：/jisao.washington.edu/pdo/PDO.latest）。
/
2.3 研究方法
2.3.1 500 年降水时间序列重建 降水数据重建是基于时间序列 LSTM 算法训练旱涝-降水模型。旱涝
数据和降水数据之间具备较强的相关关系，旱涝数据在一定程度上能准确表征降水的变化趋势，因此
可以通过建立旱涝-降水之间的关系重建降水数据。本文重建序列期为 1477—2022 年，其中 1956—
2018 年为模型率定期和验证（1956 年之后同时具有降水和旱涝数据，满足构建模型需要的数据），主要
是基于 LSTM 模型建立旱涝-降水之间的关系，用于后续预测期重建降水序列；1477—1955 年为模型
预测期；2019—2022 年通过实测降水数据延长。
LSTM 模型作为一种特殊的递归神经网络，由多个记忆单元结构组成，每个记忆单元的功能由三
个“门”控制，如图 2 展示了一个 LSTM 模型的记忆单元结构，遗忘门 f ，决定对上一个单元状态信息
t
的舍弃量；输入门 i ，决定从新获取的信息中储存在当前单元状态 c 内的比例；输出门 o ，决定这一时
t
t
t
— 467 —