文件大小：1.54M
摘要：为准确实现山区小流域在极端天气下的短时洪水预报，构建了一种基于物理的分布式水文模型和数据驱动的深度学习模型相结合的组合框架，并引入S2S策略进行模型优化。以7场历史台风降雨数据为初始变量条件，建立GRU、HEC-HMS-GRU和HEC-HMS-GRU-S2S模型进行提前1～3 h洪水预报性能对比分析。结果表明：从预测精度来看，HEC-HMS-GRU-S2S模型和HEC-HMS-GRU模型的预测能力较单一深度学习模型均有所提升，NSE指标分别最高提升57%、23%；从多步时长预测来看，HEC-HMS-GRU-S2S组合模型在保证预测的稳定性和准确性的同时提高了预测的提前期，在3 h提前期的NSE和RMSE指标分别为0.906、31.2；从可靠性评估来看，HEC-HMS-GRU-S2S组合模型能够减少在多步长预测中对峰值流量估计的偏差，改善预测过程中的洪峰高估和滞后现象，洪峰相对误差和峰现时差最低为2%和0 h。HEC-HMS-GRU-S2S组合模型为极端条件下的山区小流域的洪水预报提供一种新的思路。
文章目录
0 引 言
1 研究流域数据
1.1 研究区域
1.2 数据来源及处理
1.2.1 数据来源
1.2.2 数据预处理
2 模型构建
2.1 HEC-HMS水文模型
2.2 组合模型
2.2.1 HEC-HMS-GRU模型
2.2.2 HEC-HMS-GRU-S2S模型
2.3 评价指标
3 结果分析与讨论
3.1 HEC-HMS水文模型预测结果
3.2 深度学习模型预测结果
4 结 论
