基于参数学习新安江模型的无资料地区水文预报.pdfVIP

大连理工大学硕士学位论文

摘要

传统水文模型参数区域化面临着诸多挑战，尤其是在复杂多变的自然环境中，不同

流域间水文特性差异显著，导致模型参数直接移植难以达到理想的预测效果。传统参数

移植方法依赖于经验公式、统计关系或简单的空间插值，难以捕捉流域间的复杂水文差

异，限制了水文模型在数据稀缺流域的适用性与预测精度。深度学习能够有效整合水文

大数据，从大量流域属性中学习复杂的非线性关系，捕捉不同流域之间的内在关联，在

参数区域化领域的应用中展现出巨大的潜力。与传统参数移植方法面向径流目标相比，

深度学习通过优化神经网络使其直接面向水文模型参数进行学习（以下简称参数学习），

建立流域属性与水文模型参数之间的复杂映射关系，以期克服传统参数区域化的不确定

性。因此，本文基于国内小样本数据集与美国CAMELS公开水文大数据集，融合水文

模型结构清晰、解释性强与深度学习数据驱动的优点，在参数学习模式下重新构建新安

江模型，以提高水文模型在无资料地区径流预测的精度。论文主要研究内容及取得成果

如下：

(1)新安江模型适用性分析。基于松辽流域15个子流域的小样本数据集和

CAMELS大样本数据集逐流域构建新安江模型，利用SCE-UA算法进行参数优选。松

辽流域15个子流域的率定期径流模拟纳什效率系数（NSE）均值为0.82，验证期NSE

均值为0.72，说明新安江模型在松辽流域研究区域内的适用性较好；CAMELS数据集中

671个流域的率定期NSE均值为0.51，验证期NSE均值为0.46。其中CAMELS流域东

部湿润地区新安江模型径流预测结果较好，西部干旱地区表现较差，表明在数据量较大

且涵盖流域较多时，通常于特定流域进行建模率定的物理机制模型，其在更广泛流域上

适用性会有所降低。

(2)基于回归法的新安江模型参数区域化研究。采用SOM-K-means聚类算法划分水

文相似组，并设定两种参数移植方案。方案一为利用同一水文相似组中179个CAMELS

流域向假定为无资料流域的15个松辽流域进行参数移植。方案二为在同一水文相似组

的松辽流域中挑选3个流域作为有资料流域，推求组内剩余流域的新安江模型参数。采

用回归法建立有资料流域属性与模型参数之间的回归关系，利用无资料流域属性数据推

求参数并运用于新安江模型中得到模拟径流。方案一中水文相似组I率定期和验证期的

NSE均值为0.67和0.60，水文相似组III率定期和验证期的NSE均值为0.61和0.62；

方案二中水文相似组I率定期和验证期的NSE均值为0.76和0.68，水文相似组III率定

期和验证期NSE均值为0.54和0.58。结果显示，在大部分流域使用回归法的参数移植

效果较好，但仍有少部分流域移植效果不理想。回归法存在一定局限性，可能受数据不

-I-

基于参数学习新安江模型的无资料地区水文预报

确定性、异参同效等因素影响。

(3)整合深度学习与新安江模型的参数学习方法。相较于传统参数区域化方法采用

逐流域参数移植，参数学习模型将参数区域化和模型率定置于统一框架下进行区域化建

模，不仅能同时学习多个流域模型参数，还使相似流域参数值更接近。首先设定两种参

数移植方案，方案设置与回归法参数区域化研究相同，但不划分相似流域。其次，实现

基于新安江模型的参数学习方法，输入所有流域气象时序数据和静态属性数据，利用深

度学习算法找寻适合每个无资料流域的最佳模型参数后同输入变量输入新安江模型中

得到径流预测结果。方案一和方案二使用参数学习进行参数移植后率定期和验证期较回

归法均有提高，模拟性能优于回归法。参数学习方法可利用神经网络充分挖掘流域属性

和模型参数间的关系，提升无资料流域径流预测能力，为解决无资料流域水文预报问题

提供新思路和方法。

关键词：参数学习；无资料地区；参数区域化；新安江模型；径流预报

-II-

大连理工大学硕士学位论文