Page 35 - 2025年第56卷第6期

注：Q 、Q 、Q 分别表示 GRU、LSTM、CNN 模型的预报流量；P 为时段降水量。
GRU LSTM CNN
图 4 三个模型不同预见期场次洪水模拟预报过程比较
果。GRU 和 LSTM 模型在长江-洞庭湖复杂流域的洪水预报时，模拟预报精度和泛化能力优于水动力
学模型。

5.2 模型适用性和局限性 深度学习模型对于数据的强大学习能力使其能够适应不同水文条件和流域
特性。通过历史水文、气象等大量数据的充分训练，深度学习模型有望在长江-洞庭湖流域和其他类
似的复杂江湖系统中实现快速准确的洪水预报。此外，深度学习模型的结构和算法具有一定的通用
性，可以根据不同流域的特点进行调整和优化，如通过调整输入特征值和设置超参数，使其更好适应
不同流域的降雨径流关系和河网水系特征等。在实际应用中，可将该方法与现有的水文监测系统相结
合，利用实时监测数据不断更新模型，提升预报的时效性和准确性。
深度学习模型在应用中也存在一定的局限性。一是深度学习模型对数据的依赖性较强，需要大量
高质量的历史数据进行训练。假如数据数量不足或数据质量存在问题（如数据缺失、误差较大等），模

型性能会受到影响。二是深度学习模型可解释性差，其内部复杂的神经网络结构使决策过程难以理
解。洪水预报过程结果的可解释性和可靠性，对调度决策者至关重要。三是深度学习模型在处理极端
洪水事件存在一定的风险。由于极端事件在历史数据中出现的频率低，模型可能无法充分学习其特
征，导致预报极端洪水时出现较大误差。

— 723 —