方 威，周 建 中，周 超，杨 鑫，王 彧 蓉

(1.华中科技大学 土木与水利工程学院，湖北 武汉 430074； 2.长江勘测规划设计研究有限责任公司，湖北 武汉 430010)

一直以来，学者们都在尝试从物理成因的角度分析和理解流域降雨径流过程，探索其循环规律，即用传统水文模型去模拟降雨径流过程的时空分布、边界条件和物理过程[1]。然而，随着传统水文模型研究的逐渐深入，其考虑的参数越来越多，所需的数据日趋复杂，难以建立一套合理高效的水文模型，导致其计算效率也较低[2]。另一方面，由于流域产汇流过程的复杂性和不确定性等原因，对于参数的率定显得日趋困难，预报模型的精度也不一定随着模型复杂程度的提升而显著提高，甚至会遇到异参同效等问题[3-4]。

针对传统水文模型研究的瓶颈，一些学者尝试使用数据驱动的方式去模拟降雨径流过程。从20世纪90年代开始，人工神经网络(Artificial Neural Networks，ANN)及递归神经网络(Recurrent Neural Networks，RNN)被应用于降雨模拟[5]。然而，Bengio等[6]在研究中发现RNN模型存在网络参数寻优过程的梯度消失问题。为解决这一问题，Hochreiter[2]等对原RNN模型进行改进，提出了长短时记忆神经网络(Long Short-Term Memory，LSTM)。改进后的LSTM网络具有极强的长序列关系拟合能力，被广泛应用于各个领域。在水文预报领域，也有一些学者做出了尝试。Kratzert 等[8]发现LSTM模型不论在单一流域还是在多流域上均有较高的预报能力。Hu等[9]将LSTM与ANN做比较，证明LSTM的预报精度高于ANN。杨强[10]利用LSTM模型对澜沧江乌弄龙水电站进行预见期为1个月径流预测，结果表明LSTM模型的预测精度高。……