科技聚焦 | 南京水科院先进实用技术:耦合深度学习与物理过程模型的流域洪水精准模拟与预测关键技术

传统物理模型虽机理清晰，但在复杂下垫面与极端情景下模拟能力受限；而纯数据驱动的AI模型虽善于挖掘规律，却存在可解释性弱、外推性不足的挑战。南京水利科学研究院研发的耦合深度学习与物理过程模型的流域洪水精准模拟与预测关键技术对流域防洪调度有着重要的意义。

该技术聚焦流域洪水精准模拟与预测的核心需求，创新采用数据驱动的改进Transformer深度学习模型（RRT模型）与物理机制的分布式水文模型（采用清华大学杨大文教授研发的GBHM模型）耦合技术，集成物理过程模型的流域特性刻画优势与深度学习的数据关联挖掘能力，实现流域洪水的精确模拟；整合CMIP6气象产品偏差校正技术与CA-Markov土地利用预测技术，构建未来气候与土地利用变化情景下流域洪水预测方法体系，为流域洪水防御与调控提供可靠的技术支撑。

经主要模拟性能指标的测试，该模型展现了良好的综合性能。其模拟精度高，核心评价指标纳什效率系数大于0.8，在偏差控制方面表现优异，洪量的相对误差可控制在10%以内，并且在极端洪水捕捉中，洪峰流量相对误差<20%，峰现时间误差<洪水历时的30%，2%极值流量绝对百分比误差小于20%。此外，模型表现出良好的稳健性，具备良好的抗干扰性和广泛适用性。

该技术具备明确的适用场景，旨在优先服务于监测与预报能力已初步构建的地区。特别适用于气象监测预报、河道水情监测等数据较为完备的地区，尤其适用于极端水文模拟精度要求较高的情况。这项技术能够充分发挥其融合模型的高性能优势，为科学决策提供关键支撑。

                  来源：南京水利科学研究院