Page 95 - 水文预报与水资源优化管理技术

水文预报与水资源优化管理技术

环流、海温场及其它气候背景异常信号特征，并与水文要素建立相关关系，实现
定性的趋势分析推测。该类方法的预测结果能在一定程度上反映外界因子对水文

要素的影響，具有一定的可信度，但缺乏内在的物理成因机理认识。此外，不同
流域预报对象的影响因子是各有差异的，即使对同一区域各因子的影响作用也有

显著的年际变化差异，如 1998 年在超强厄尔尼诺事件影响下长江流域出现流域
性暴雨洪水，但 1999 年在相反的拉尼娜事件影响下长江流域依然出现了严重的

暴雨洪水事件，因此该方法难以在各区域普遍适用。
（2）传统数理统计方法

传统数理统计法是应用数理统计理论和方法，从大量水文历史资料中，寻找
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

088