Page 77 - 《水资源与水工程学报》2024年第5期

!３５ "!５ # & ' ( ) & * + , - Ｖｏｌ．３５Ｎｏ．５
２０２４ $ １０ % ＪｏｕｒｎａｌｏｆＷａｔｅｒＲｅｓｏｕｒｃｅｓ＆ＷａｔｅｒＥｎｇｉｎｅｅｒｉｎｇ Ｏｃｔ．，２０２４

ＤＯＩ：１０．１１７０５／ｊ．ｉｓｓｎ．１６７２－６４３Ｘ．２０２４．０５．０９

'x ＣＮＮ－ＬＳＴＭ－Ａｔｔｅｎｔｉｏｎ ýwv³²?ë²

ýöA’^q{‘a}

１，２
１，２
１
１
nvw ， xyz ， { W ， n|} ， ~€ ３
（１． ùÄe. AR[c¶.T， 56 ùÄ ４５０００１；２． 56ªAWXYZ[AXhÚ¯!~©è^_`，
56 ùÄ ４５０００１；３． Q!hK\KÐUtTš‹hK\KQo， ;; Ut ２６４０００）
H I： @ú™Ð‘.lYVð~XhiUV{çUYZÿ‘， •V5UV@Ê， ‹Œ/ÁWŽ›%èÙ
（ＣＮＮ）、 c`ÕGHèÙ（ＬＳＴＭ） äÓ¦2¸_（Ａｔｔｅｎｔｉｏｎ） { ＣＮＮ－ＬＳＴＭ－Ａｔｔｅｎｔｉｏｎ ¥èYV， c•¼yøŽ
ð， °èû&¡!~¥èYQš'( ＣＭＩＰ６ Q{ ＢＣＣＣＳＭ２ＭＲáõYQÎCÁ¼yӜ， l†ÁUV{çU
YZä" ， ›|š¼yБ.lYV{YZÿ‘。°±²o：ＣＮＮ－ＬＳＴＭ－Ａｔｔｅｎｔｉｏｎ YVéV5UV²É
š£{çUYZk±， YZÿ‘µøÁ,ŸÐ‘.lYV， øXkû¿‰（ＮＳＥ） @ ０．８８３， µ>J45（ＲＭＳＥ）
@ ２．３１７， ´µpð45（ＭＡＥ） @ １．０９８； º›áõ~Ӝi， V5UVé ２０２５—２０５０ v{vçU1µÈÉ×n
~mÌÍÃʦ»‘še， Æ,é ＳＳＰ１２．６ Ӝi， çU1~mäʦ»‘‘。%<*@Б.lYVé9A
¨¿ï1'ŽYZÑV{l†úÙ¶hÉ， Î@UVáÑ{ADEÈ&R†äÞúÙ-.BCD½。
JKL： çUYZC" ； Б.lYV；ＣＮＮ－ＬＳＴＭ－Ａｔｔｅｎｔｉｏｎ； áõ~； V5UV
MNFOP：ＴＶ２１３．４ QRSTU：Ａ QVWP：１６７２６４３Ｘ（２０２４）０５００７３０９
ＲｕｎｏｆｆｓｉｍｕｌａｔｉｏｎａｎｄｆｕｔｕｒｅｍｕｌｔｉｓｃｅｎａｒｉｏｐｒｅｄｉｃｔｉｏｎｉｎｔｈｅＱｉｎｈｅＲｉｖｅｒ

ＢａｓｉｎｂａｓｅｄｏｎｔｈｅＣＮＮ－ＬＳＴＭ －ＡｔｔｅｎｔｉｏｎＭｏｄｅｌ

１，２
３
１
１
１，２
ＺＨＡＮＧＳｈｕｑｉ，ＺＵＯＱｉｔｉｎｇ ，ＺＡＮＧＣｈａｏ ，ＺＨＡＮＧＬｅｋａｉ，ＢＡＹｉｎｊｉ
（１．ＳｃｈｏｏｌｏｆＷａｔｅｒＣｏｎｓｅｒｖａｎｃｙａｎｄＴｒａｎｓｐｏｒｔａｔｉｏｎ，ＺｈｅｎｇｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，Ｚｈｅｎｇｚｈｏｕ４５０００１，Ｃｈｉｎａ；２．Ｈｅｎａｎ
ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｉｎｔＬａｂｏｒａｔｏｒｙｏｆＷａｔｅｒＣｙｃｌｅＳｉｍｕｌａｔｉｏｎａｎｄＥｎｖｉｒｏｎｍｅｎｔａｌＰｒｏｔｅｃｔｉｏｎ ，Ｚｈｅｎｇｚｈｏｕ４５０００１，Ｃｈｉｎａ；
３．ＹａｎｔａｉＣｅｎｔｅｒｏｆＣｏａｓｔａｌＺｏｎｅＧｅｏｌｏｇｉｃａｌＳｕｒｖｅｙ，ＣｈｉｎａＧｅｏｌｏｇｉｃａｌＳｕｒｖｅｙ，Ｙａｎｔａｉ２６４０００，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｏｅｎｈａｎｃｅｔｈｅａｃｃｕｒａｃｙｏｆｄｅｅｐｌｅａｒｎｉｎｇｍｏｄｅｌｓｉｎｓｉｍｕｌａｔｉｎｇｗａｔｅｒｓｈｅｄｒｕｎｏｆｆｕｎｄｅｒｃｈａｎ
ｇｉｎｇｅｎｖｉｒｏｎｍｅｎｔａｌｃｏｎｄｉｔｉｏｎｓ，ａｃｏｕｐｌｅｄｍｏｄｅｌｏｆｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ（ＣＮＮ），ｌｏｎｇｓｈｏｒｔｔｅｒｍ
ｍｅｍｏｒｙ （ＬＳＴＭ）ａｎｄＡｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｗａｓｃｏｎｓｔｒｕｃｔｅｄｆｏｒｔｈｅｓｔｕｄｙｏｆｔｈｅＱｉｎｈｅＲｉｖｅｒＢａｓｉｎ．Ｉｎｔｅ
ｇｒａｔｅｄｗｉｔｈｍｕｌｔｉｐｌｅｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｓａｎｄｍｕｌｔｉｐｌｅｓｃｅｎａｒｉｏｓｉｎＢＣＣ－ＣＳＭ２－ＭＲｃｌｉｍａｔｅｍｏｄｅｌ
ｆｒｏｍｔｈｅＣｏｕｐｌｅｄＭｏｄｅｌＩｎｔｅｒｃｏｍｐａｒｉｓｏｎＰｒｏｊｅｃｔＰｈａｓｅ６（ＣＭＩＰ６），ｔｈｉｓｍｏｄｅｌｗａｓａｐｐｌｉｅｄｔｏｗａｔｅｒｓｈｅｄ
ｒｕｎｏｆｆｓｉｍｕｌａｔｉｏｎａｎｄｐｒｅｄｉｃｔｉｏｎ．Ｉｔｓｓｉｍｕｌａｔｉｏｎａｃｃｕｒａｃｙｗａｓｔｈｅｎｃｏｍｐａｒｅｄｗｉｔｈｔｈａｔｏｆｖａｒｉｏｕｓｄｅｅｐ
ｌｅａｒｎｉｎｇｍｏｄｅｌｓ．ＴｈｅｒｅｓｕｌｔｓｄｅｍｏｎｓｔｒａｔｅｔｈａｔｔｈｅＣＮＮ－ＬＳＴＭ－Ａｔｔｅｎｔｉｏｎｍｏｄｅｌｅｘｈｉｂｉｔｓｓｕｐｅｒｉｏｒｐｅｒ
ｆｏｒｍａｎｃｅｉｎｓｉｍｕｌａｔｉｎｇｒｕｎｏｆｆｉｎｔｈｅＱｉｎｈｅＲｉｖｅｒＢａｓｉｎ，ｗｉｔｈＮａｓｈＳｕｔｃｌｉｆｆｅｅｆｆｉｃｉｅｎｃｙｃｏｅｆｆｉｃｉｅｎｔ（ＮＳＥ）
ｏｆ０．８８３，ｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒ（ＲＭＳＥ）ｏｆ２．３１７，ａｎｄｍｅａｎａｂｓｏｌｕｔｅｅｒｒｏｒ（ＭＡＥ）ｏｆ１．０９８，ｏｕｔｐｅｒ
ｆｏｒｍｉｎｇｏｔｈｅｒｄｅｅｐｌｅａｒｎｉｎｇｍｏｄｅｌｓ．Ｎｏｔａｂｌｙ，ｔｈｅａｎｎｕａｌｒｕｎｏｆｆｏｆｔｈｅＱｉｎｈｅＲｉｖｅｒＢａｓｉｎｆｒｏｍ２０２５ｔｏ
２０５０ｓｈｏｗｓａｓｌｏｗｄｅｃｒｅａｓｉｎｇｔｒｅｎｄｗｉｔｈｓｉｇｎｉｆｉｃａｎｔｆｌｕｃｔｕａｔｉｏｎｓｕｎｄｅｒｄｉｆｆｅｒｅｎｔｃｌｉｍａｔｅｃｈａｎｇｅｓｃｅｎａｒｉｏｓ ，
ｅｓｐｅｃｉａｌｌｙｉｎｔｈｅＳＳＰ１２．６ｓｃｅｎａｒｉｏ．Ｔｈｉｓｓｔｕｄｙｐｒｏｖｉｄｅｓｎｅｗｉｎｓｉｇｈｔｓｉｎｔｏｔｈｅａｐｐｌｉｃａｔｉｏｎｏｆｄｅｅｐｌｅａｒｎ
ｉｎｇｍｏｄｅｌｓｉｎｉｎｔｅｌｌｉｇｅｎｔｓｉｍｕｌａｔｉｏｎｏｆｈｕｍａｎ－ｗａｔｅｒｒｅｌａｔｉｏｎｓｈｉｐｓａｎｄｏｆｆｅｒｓａｒｅｆｅｒｅｎｔｉａｌｖａｌｕｅｆｏｒｓｕｂｓｅ

!"#$：２０２４０３２７； %&#$：２０２４０７１４
'()*： ! " # $ % & ' ( ) * （２０２１ＹＦＣ３２００２０１）； Q ! § » - Š & + Ö Ù 5 6 % < T Ö Ù R S % < ) *
（２０２４ＨＥＮＹＢ０１）； Q!hK\KÐ)*（ＤＤ２０２２０８８５）
+,-.： c¨è（１９９９—）， H， 56ùÄ9， u;%<=， ÞߍfAB.CADE%<。
/0+,： çT[（１９８９—）， H， ;;;•9， u;， §»P， %<>?@+,DEçè\K[ß çè| 。