Page 96 - 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

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
前的机器学习方法主要基于数据黑箱模型构建，缺乏对具体物理机制的解释，其

应用存在精度模拟不够以及难以让人信服的问题；③ 参数选择的问题，由于现
阶段对机器学习的原理认识还不足，其参数选择只能依靠人员经验和反复试验得

到，耗费大量的精力且存在局部最优解的问题。因此，针对具体预报任务，如何
建立机器学习，应用人工智能方法，实现适应变化环境下的智慧水文预报，仍是

当前极具挑战性的技术难题之一。
（4）基于耦合气候模型的长期径流预测

目前，国内外气候数值模式可以做到输出月尺度的逐日定量降水和气温预
报，但由于预见期长、影响因素复杂、不确定性大等原因，导致其预报精度差，

在业务应用中通常采用平均、累计等方法对其产品进行再处理。尽管目前气候模

式对定量降水预报的精度较低，但随着气候模式集合预报技术的发展，一定程度
上减小了长期定量降水预报的误差，并反映出预报不确定信息。因此利用气候模

式输出的长期定量降水预测结果驱动水文模型，从而获取中长期水文气象耦合
预测结果，成为当前国内外研究的热点之一。如，欧洲委员会和欧洲中期天气
预报中心于 2018 年发布了全球范围的中长期水文气象预报系统 GloFAS Seasonal

（https：∥ www.globalfloods.eu），将 ECMWF 的季节性降水预报产品与水文模型
2
结合，提供全球任意集水面积大于 1 500 km 的河网且预见期长达 16 周的集合径

089