彭利鸿, 耿少昀, 陈杰, 杨一诺, 万飚, 徐玮, 杨丘帆
录用日期: 2026-10-18
为融合过程驱动与数据驱动模型的优势,本研究提出了一种基于深度学习模型融入气象水文预报信息的短中期径流预报方法,并以沅水流域的三板溪、白市、托口、五强溪4座水库为研究对象,对比评估了该方法与仅采用过程驱动模型或数据驱动模型的预报表现。具体而言,首先评估并校正了欧洲中期天气预报中心发布的降水与气温回算预报产品,并将其作为过程驱动模型GR4J与新安江模型的驱动;然后,筛选与径流相关性较强的过程变量,并将其与过程驱动模型的径流预报结果共同作为长短期记忆网络(LSTM)模型的额外输入,构建了两种混合预报模型。结果表明:相较于单一模型,混合模型可明显改善径流预报精度。其中,相关系数提高了0.1~0.4;平均绝对百分比误差降低了10%~40%;3/5/10/15日累积水量误差最多可降低15%,降至20%~35%;洪水事件中的洪峰命中率最大提高45%,峰值流量误差最大减小20%。以上结果表明,将过程驱动模型的径流预报和关键过程变量同时作为深度学习模型的额外输入所构建的混合模型可有效提高梯级水库短中期径流预报的精度,具有潜在的应用价值。