洪水預報是根據已知信息對未來一定時期內的洪水情勢做出定性或定量的預測，是非工程防洪減災措施的重要組成內容，也是水文科學研究的熱點問題。由于自然水文過程的復雜性和人類認識水平的局限性，洪水預報中不可避免地存在模型輸入、模型結構和模型參數的不確定性。對洪水預報不確定性進行全過程的降低和控制，對減少防洪決策風險具有重要的現實意義。我校
水文水資源學院梁忠民教授團隊針對上述問題，長期開展科學研究，取得了系列研究成果。
1.提出了針對預報降水誤差的大尺度環流分型統計后處理方法
針對復雜因素影響下的降水預報及誤差校正問題，研究團隊提出了一種基于大尺度環流分型與時空
深度學習模型相耦合的預報降水統計后處理方法。首先采用自組織圖（SOM）對大尺度環流模式進行分型，在此基礎上采用時空深度學習模型（CNN+LSTM）對每種環流模式下的局部降水進行校正，考慮周圍地形和氣象因素對中心格點降水，以及前期降水對當天降水的影響。淮河流域應用結果表明，該方法可以顯著提升預報降水的訂正精度。本研究可為降低水文模型輸入誤差、延長洪水預報的預見期提供支撐。
圖1 基于大尺度環流分型與時空深度學習模型的預報降水統計后處理方法示意圖
2.提出了針對模型結構數值誤差的微分形式新安江模型
新安江模型由河海大學趙人俊教授團隊提出，在我國洪水預報系統中得到廣泛運用。現有新安江模型數學上是代數方程并限于一階差分方法求解,不可避免存在數值誤差，是常被忽略的預報不確定性來源。針對這一問題，研究團隊基于微分系統框架，識別新安江模型的狀態變量和通量，推導其控制方程和本構方程，提出微分形式新安江模型（ODE-XAJ）。ODE-XAJ理論上實現了模型數學方程與具體解法的分離，理想數值實驗表明，引入四階顯式Runge Kutta方法求解，可以實現對解析解的高階近似。對比分析ODE-XAJ與現有新安江模型的結果表明，ODE-XAJ的計算誤差顯著減小，具有更高的模擬精度，并在模型計算精度和效率之間達到良好平衡。
圖2 微分形式新安江模型示意圖
3.提出了模型參數不確定性的神經常微分方程優化方法
如何利用微分形式水文模型過程連續、時間尺度靈活的特點，進行模型參數優化是AI與水文模型耦合研究的熱點內容之一。研究團隊基于神經常微分方程理論，使用神經網絡表征流域下墊面屬性與水文模型參數的映射關系，提出一種物理機制和深度學習耦合的參數優化方法。該方法將神經網絡嵌入水文模型的微分動力系統，使用常微分方程數值求解器正向模擬連續水文過程，計算損失函數并反向傳播梯度信息以更新神經網絡參數，從而實現水文模型參數的優化。研究表明，基于該方法確定的新安江模型參數，與理想參數“真值”的誤差平均不超過9.8%，該方法可有效搜索水文模型參數空間，提供更優的參數估計與洪水預報精度。
圖4 自適應動力系統反演模型示意圖
5.提出了量化洪水預報不確定性的誤差異分布洪水概率預報模型
洪水概率預報是定量刻畫預報不確定性的有效途徑，并可為防洪調度決策提供更為豐富的預報信息。實踐表明，對不同量級的洪水或洪水發展的不同階段，其預報誤差往往呈現非穩態或異分布特征。針對這一特點，研究團隊提出了考慮預報誤差異分布的洪水概率預報方法（HRD）。該方法首先量化了流量量級對預報誤差均值、方差、分布形狀的影響，然后通過對誤差時間結構建模實現誤差預報，進而實現洪水概率預報。通過理想情景和多模型對比測試，發現無論預報誤差分布是否有偏、是否具有異方差性、是否正態，HRD方法均能夠得到合理的洪水概率預報結果，可有效量化預報的可靠度，方法具有普適性。
圖5 考慮預報誤差異分布的概率預報方法示意圖
上述研究工作得到了國家自然科學基金重點項目（41730750）、國家自然科學基金面上項目（4187714752379007）、國家重點研發計劃（2016YFC0402709）、水利部重大科技項目（SKR-2022032）的資助，相關成果發表在《Water Resources Research》《Hydrology and Earth System Sciences》《Journal of Hydrology》《水科學進展》《湖泊科學》等水文領域國內外著名期刊。
論文信息：
[1] Jiang Xiaolei, Hoshin V. Gupta*, Liang Zhongmin*, Li Binquan. (2019). Toward Improved Probabilistic Predictions for Flood Forecasts Generated using Deterministic Models. Water Resources Research, 55(11): 9519-9543.
[2] Li Dayang, Lucy Marshall, Liang Zhongmin*, Ashish Sharma, Zhou Yan. (2021). Bayesian LSTM with Stochastic Variational Inference for Estimating Model Uncertainty in Process-based Hydrological Models. Water Resources Research, 57(9): e2021WR029772.
[3] Liang Zhongmin, Huang Yixin, Singh Vijay P., Hu Yiming*, Li Binquan, Wang Jun. (2021). Multi-source error correction for flood forecasting based on dynamic system response curve method. Journal of Hydrology, 594, 125908.
[4] Huang Yixin, Liang Zhongmin*, Singh Vijay P., Hu Yiming*, Li Binquan, Wang Jun. (2022). A coupled dynamic system inversion model for higher accuracy in flood forecasting. Water Resources Research, 58, e2021WR030531.
[5] Zhang Tuantuan, Liang Zhongmin*, Li Wentao, Wang Jun, Hu Yiming, Li Binquan. (2023). Statistical post-processing of precipitation forecasts using circulation classifications and spatiotemporal deep neural networks. Hydrology and Earth System Sciences, 27(10): 1945-1960.
[6] Zhang Tuantuan, Liang Zhongmin*, Wang Haijun, Wang Jun, Hu Yiming, Li Binquan. (2023). Merging multisatellite precipitation products using stacking method and the censored-shifted gamma ensemble model output statistics in china's Beimiaoji basin. Journal of Hydrology, 618: 129263.
[7] Jianfei Zhao, Yanan Duan, Yiming Hu, Binquan Li, Zhongmin Liang*. (2023). The numerical error of the Xinanjiang model. Journal of Hydrology, 619: 129324.
[8] 蔣曉蕾, 梁忠民*, 胡義明, 王軍, 李彬權. (2020). 洪水概率預報評價指標研究. 湖泊科學, 32(2): 539-552.
[9] 梁忠民, 趙建飛*, 段雅楠, 黃嘉璐, 李彬權, 王軍, 胡義明. (2024). 微分形式新安江模型. 水科學進展, 35(3): 374-386.
[10] 覃相釗, 梁忠民*, 趙建飛, 李彬權, 段雅楠, 胡義明, 王軍. (2025). 基于神經常微分方程的水文模型參數優化方法研究. 湖泊科學, 37(3): in press.