山区小流域洪水具有突发性强和响应非线性的特点，导致单一模型存在过程捕捉不足、系统偏差累积和预测不确定性大等挑战。为提高山区小流域洪水事件模拟精度，论文应用耦合蓄满和超渗混合产流模型 (mixed runoff generation hydrological model，MIXHM) 、时变增益非线性水文模型 (distributed time-variant gain model，DTVGM) 和长短期记忆神经网络模型 (long short-term memory network，LSTM) ，通过分位数映射和LSTM残差修正的二次校正策略，构建了“多模型建模—二次校正—集合模拟”框架。该框架在滹沱河源头阳武河小流域开展应用验证，对2006—2021年38场洪水事件进行集合模拟与评估。结果表明：① 在率定期LSTM模拟的纳什效率系数为0. 73，验证期为0. 63，显著优于 MIXHM (率定期 0. 56、验证期 0. 41) 和 DTVGM (率定期 0. 51、验证期 0. 37) ，三种模型模拟中LSTM展现出最优的性能，但仍存在峰值低估的问题。② 残差联合校正方法有效减少模型系统偏差和提高模拟准确性，尤其是机理模型的改进最显著，MIXHM、DTVGM和LSTM验证期纳什效率系数分别提升了93. 3%、103. 5%和21. 2%。③ 集合模拟在率定期和验证期的纳什效率系数分别达到0. 80和0. 79，较校正后单一最优模型 (LSTM) 模拟精度分别提升了2%和3%，且90%置信区间覆盖率较高。
李秀丽 et al. (Thu,) studied this question.