Page 110 - 水文预报与水资源优化管理技术

第三章 流域水文建模及预报方法研究

预报对象和预报因子之间的统计关系或水文要素自身的历史变化规律进行预报。
根据预报因子又分为两类：单要素预报，即分析水文要素自身时序变化规律以进

行预报，如历史演变法、周期叠加、趋势分析及随机函数的典型分解等；多因子
综合预报，即分析水文要素与前期多个因子之间的统计相关关系，利用数学方法

建立多因子统计模型来进行预报，如多元回归分析、逐步回归分析及多维时间序
列等。数理统计方法以其计算便捷、可操作性强，且充分利用历史资料所含规律

的特征，成为了长期水文预测中较常用的手段，但该类方法完全依据历史资料自
身变化特征，对于预测信息有时难以从物理机理角度予以合理解释。

（3）人工智能应用
水文过程是一种复杂的高度非线性过程，采用传统的数理方法进行预报有时

与实际应用的要求差距还较大。因此，一些新的可以描述非线性信息的人工智能
方法相应地被引入水文长期预报领域中，如深度学习、大数据挖掘分析等。其

中，深度学习是近几年人工智能领域出现的一种机器学习方法，通过设置更多的
隐藏层来提高神经网络对复杂数据映射的求解能力，最终提高复杂非线性系统

的预测精度。常见的深度学习方法如递归神经网络（Recurrent Neural Networks，
RNN）、卷积神经网络（Convolutional Neural Networks，CNN）和长短期记忆网

络（Long Short-Term Memory networks，LSTM）等也相继被水文学者引入到水文
模拟和预测的研究之中。同样，为充分利用各模型在不同条件下的预报优势，也

可以将不同的人工智能模型相互结合，通过寻求多种模型的最优组合，以提高长

期水文预报精度，如深度信念网络模型等。目前，人工智能方法被广泛地应用于
水文预报领域，因其处理非线性和不确定性的强大能力，已成为水文预报研究热

点方向之一。
尽管人工智能方法在水文预报领域有良好的应用前景，但同样存在许多亟待

解决的问题，主要有以下几类：① 数据稀缺性的问题，机器学习方法通常需要大
量的数据，而水文历史数据存在序列短、缺失严重等问题，且现有基础水文资料

在很多地区难以获取；② 原理可解释性的问题，自然界的水文过程十分复杂，目

103