基于 CNN 深度學習的徑流預判方法及應用

唐海華，李 琪，黃瓅瑤，周 超

（長江勘測規劃設計研究有限責任公司，湖北 武漢 430010）

0 引言

洪水預報是極其重要的流域管理非工程措施，主要根據流域的水文氣象特征、下墊面條件、干支流水系分布、遙測站網布設、降雨徑流實測資料等相關信息，分析流域的水循環機理及降雨徑流規律，編制水情預報方案，最后結合雨水情監測信息預測預見期內可能發生的徑流過程，為開展流域的河道徑流推演、防洪調度決策、供水調度計劃編制、水力發電計劃編制、水資源調配、水工程泄洪設施控制方式制定等提供確定性來水預報服務。

洪水預報的核心任務是構建流域水文模型并結合實測數據率定模型參數。據不完全統計，目前全世界已有 70 多個流域水文模型得到了廣泛應用[1-3]，較為經典的主要有國內的新安江、陜北和 API 等模型；美國的 Stanford，SWAT 和 SAC 等模型；英國的 TOPMODEL 和 IHDM 等模型；丹麥的 MIKE系列模型，以及日本的 Tank 模型，德國的 SWIM模型等。20 世紀 80 年代以來，以人工神經網絡（ANN）[4]、支持向量機 SVM[5-6]等為代表的機器學習技術逐漸應用于洪水預報領域，多年實踐已取得了一定成果。近年來，深度學習方法也開始應用于中小河流洪水預報[7-8]。

這些洪水預報業務過程極為復雜，建模工作要求較高，參數率定工作量巨大，且方案參數需定期人工修編。為此，將洪水預報過程簡化為徑流預判，以便快速定性預判目標站點在預見期內可能遭遇的來水流量等級，為來水形勢分析、洪旱災害風險防控、防汛抗旱會商等提供實時研判支撐。……