采用机理和机器学习模型的山洪事件集合模拟与校准

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，MIX_HM)、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 MIX_HM(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，MIX_HM、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。