Page 34 - 2025年第56卷第6期
P. 34

由图 3 可明显观察到，三个模型 12 h 预见期的散点分布均接近 1∶1 理想线，相关系数均高于 0.98。
              其中 GRU 模型的散点分布最为紧凑，相关系数为 1.00；LSTM 和 CNN 模型的相关系数也分别为 0.99 和
              0.98。三个模型 24 h 预见期的散点分布逐渐偏离理想线，GRU 模型和 LSTM 模型的散点分布更为紧凑，
              相关系数均为 0.99；而 CNN 模型中流量（20 000 ~ 50 000 m³/s）和高流量（>50 000 m³/s）的点逐渐低估，
              CNN 模型的相关系数为 0.98。在 48 h 预见期，GRU 模型和 LSTM 模型散点分布均比较紧凑，LSTM 模型
              密集程度相对较高，相关系数均为 0.99。CNN 模型的流量散点分布较为分散，说明流量过程存在较大
              波动。
                  综上，三个模型的预报精度均随着预见期
                                                                    表 2 场次洪水 12h 预见期预报评价指标
              的 增 加 有 所 下 降 ， GRU 模 型 表 现 相 对 最 优 ，
                                                               场次洪水                            MAE/
              LSTM 模型次之，二者预报流量与实测流量的                                      模型     NSE    RE/%         PRE/%
                                                               （序号）                           （m /s）
                                                                                                3
              一致性较高。CNN 模型短期预报表现良好，但
                                                                          CNN    0.652  -1.25  1328   -0.19
              预报精度随预见期的增加而明显降低。
                                                              20200820（1）  LSTM  0.766  -1.60  2713    1.71
              4.2 场次洪水预报结果分析 为深入分析三个
                                                                          GRU    0.850  -1.28  1464   -0.28
              模型场次洪水的预报精度，本文选择了验证期
                                                                          CNN    0.493   1.32  2213    4.61
              内洪峰超过 20 000 m³/s 的 6 场洪水为样本，并
                                                              20200917（2）  LSTM  0.832  -1.39  1573   -2.37
              增加洪峰相对误差（PRE）指标进行分析。
                                                                          GRU    0.862  -0.67  1363   -0.52
                  从 表 2 来 看 ， GRU、 LSTM 和 CNN 模 型 在
              12 h 预见期的表现存在显著差异，6 场洪水的                                    CNN    0.683   0.89  1420    2.68
                                                              20210520（3）  LSTM  0.801   2.76  2486    4.97
              NSE 平均值分别为 0.865、0.777、0.550。其中
              GRU 模 型 的 表 现 相 对 较 好 ， LSTM 模 型 次 之 ，                      GRU    0.891   0.67  639     1.61
              而 CNN 模型的精度相对较低。与连续流量预报                                     CNN    0.099   0.54  1737   -1.88
              结 果 相 比 ， 场 次 洪 水 的 模 拟 预 报 精 度 均 有 所           20210909（4）  LSTM  0.486  -0.30  1503   -2.89
              降低。                                                         GRU    0.708   0.97  1096    0.03
                  图 4 为 20230704 和 20230819 场次洪水的预                        CNN    0.714   2.53  1455    1.88
              报过程。可见，GRU 模型表现出色，在不同预                          20230704（5）  LSTM  0.876   2.81  1063    1.89
              见期预报与实测流量过程高度吻合，尤其在洪                                        GRU    0.950  -0.24  361     0.35
              峰及洪水过程的跟踪上表现优异。预报性能显                                        CNN    0.657   2.21  1364    3.14
              著 优 于 LSTM 和 CNN 模 型 。 LSTM 模 型 在 涨 水           20230819（6）  LSTM  0.899  -0.64  715    -2.52
              过程预报较为准确并过渡平缓，但两场洪水的                                        GRU    0.928  -0.25  549    -1.35
              洪峰及退水阶段均出现低估现象。CNN 模型洪                                      CNN    0.550   1.04  1586    1.71
              水过程拟合精度明显低于 GRU 和 LSTM 模型，                        平均值       LSTM   0.777   0.27  1676    0.13
              流量过程出现锯齿状波动，说明模拟结果稳定                                        GRU    0.865  -0.13  912    -0.03
              性较差，预报流量误差较大。


              5 讨论


              5.1 分析比较 传统的水文预报方法主要基于水文学和水动力学方法建模，具有一定的物理基础，在
              简单的流域水系具有较高的模拟预报精度，但对于复杂的江湖流域，常常面临资料缺失或数据难获取
              的问题，预报精度有待提高             ［23］ 。虞美秀等   ［24］ 建立的鄱阳湖流域-长江水系大尺度耦合水动力模型、崔
              璨等  ［25］ 提出的一维、二维耦合洪水演进模型，均面临基础数据获取困难、参数率定复杂，且计算效率
              低、耗时长等问题。而深度学习模型通过数据挖掘技术，探索输入输出数据间的映射关系来模拟预报
              流量，不需要复杂精细的地形资料和繁琐耗时的参数率定，所需的输入输出数据也更易于获取。同
              时，深度学习模型在计算效率上优势显著，通过学习大量的历史数据，能够快速地给出模拟预报结

                — 722   —
   29   30   31   32   33   34   35   36   37   38   39