Page 150 - 水文预报与水资源优化管理技术

第五章 实时洪水预报与校正

速预测 CNN 模型，以二维数值（LISFLOOD-FP）仿真结果作为输入，来预测洪
水水深，以 2005 年 1 月和 2015 年 12 月英国卡莱尔的洪水案例作为数据集，制

作了 24 个“合成”水文图（三个上游边界位置各 8 个），并具有不同的峰值和持
续时间，以表示不同大小的洪水情况，所提出的 CNN 模型比 SVR 模型精度高且

能捕捉防洪建设等地形变化对洪水动态的影响。Irrgang 等利用 CNN 来对陆地水
储量进行预测，首先通过地表流量模型计算南美地区 2003—2018 年的月均地表
储水量作为输出，利用重力回溯及气候实验卫星的观测数据作为输入，训练 CNN

模型来模拟卫星观测输入与数值仿真模型之间的关系，在损失函数中考虑到通过

地面测高得到的亚马逊流域地表水存储异常数据，所得到的模型能够对 2019 年
南美地区的月均地表储水量进行较好的预测。Nalley 等针对河川径流数据不足的

问题，采用了基于小波变换结合现有数据插值手段的数据增强算法，实现了加拿
大 67 对水文站径流数据的有效提升。

（二）基于深度学习的降水量预测模型
降水是径流变化的重要影响因素，由于气候变化的偶然性，降水量的非平稳

时间特征明显。为解决极端天气灾害引起的洪水和干旱问题，Ali 等通过经验模
态分解对降水量进行了分解，然后利用随机森林和岭回归等方法对降水量分解后

的每个分量进行预测，在巴基斯坦巴尔蒂斯坦省的案例中得到验证，所提出的模
型精度可达 0.95 以上，比传统的随机森林和岭回归方法精度提高 1 倍左右，有效

解决了非平稳降雨量时间序列的预测难题。Zhang 等提出了基于动态深度前馈神

经网络的区域短期降雨量模型，利用主成分分析来将 13 类气象、高程、水文数
据进行降维，然后通过算法对深度前馈神经网络的结构进行优化，在对某地短期

降雨量进行预测时，Zhang 等人的策略是在该地点（中心点）周围区域的观测数
据建立多个预测模型，同时预测该地点短期降雨量，然后通过两地直接的距离作

为权重来衡量各个预测模型所得降雨量对中心点的贡献，对比中国和日本官方预
报采用的物理模型、传统的 MLP 和 DBN、ARIMA 模型、传统的机器学习模型

（支持向量机等），所提出的模型精度最高，该方法一定程度上考虑了降雨量空间

143