Page 133 - 《水资源与水工程学报》2025年第1期

!３６ "!１ # & ' ( ) & * + , - Ｖｏｌ．３６Ｎｏ．１
２０２５ $ ２ % ＪｏｕｒｎａｌｏｆＷａｔｅｒＲｅｓｏｕｒｃｅｓ＆ＷａｔｅｒＥｎｇｉｎｅｅｒｉｎｇ Ｆｅｂ．，２０２５

ＤＯＩ：１０．１１７０５／ｊ．ｉｓｓｎ．１６７２－６４３Ｘ．２０２５．０１．１４

'/ ＧＮＳＳ 0123456789:;

<=>?@ABCDE

１，２ １，２ １，２ １，２ １，２
!"# ， $%& ， ' ( ， )*+ ， , -
（１． ?@VTL& WXWY&Z， >? ?@ ７１００４８；２． ?@VTL& [\WT]
E^_`N!-.abc， >? ?@ ７１００４８；）

F G： defghijWXT]de@Nklm-I45QR， NnFopqrs（ＧＮＳＳ） UtdefgOim
-Iuvwx， yz{m|}~hi€‚ƒdem@N„ †-I。‡ ＧＮＳＳ z{ˆ‰ŠV‹fgŒŽ
€him， ‘’“x”'•fk–^k—（ＶＭＤ）、 ˜™š›œ（ＣＮＮ）、 žŸ ¡¢£¤œ（ＢｉＬＳＴＭ） ~
¥¦§¨©（ＡＭ） mde ＧＮＳＳ fgz{ªˆShi–«。X¬ ＶＭＤ­®fgŒ¯°±²ªˆŠV， ³´µ
¶ˆ‰·¸， ‘Žz{|}； ¹¬ ＣＮＮJ›º ＶＭＤŠV3mŒ»‘¼½f¾¿， ÀÁ½ÂŒ»mÃÄ~NÃ
–Å； Ƭ ＢｉＬＳＴＭ–«ÇÈÉ ＣＮＮ‘¼m½f¾¿， ʺžŸÀÁ½ÂŒ»mËÌ~ÍÎÏÐ， ђfgmÇ
ÈÒ。t“ÓÔՀ&֜m-I×z， ØٖÇÚÛ（ＳＡ） Üݯ°ÞÓkl， Jß‘à–«máâ„ã~h
i€；ＢｉＬＳＴＭђmäåʺ ＡＭNæçè， äÈ¥¦§¨©¯x鑎hiäåmêë„， ÞìíîhiÒ。
ïðñȖ«ò¬•óWXT]dem ＧＮＳＳ Oiz{hi， äåôõ： S›öՀ&Ö÷Ȗ«øù， ‘’mñ
Ȗ«ú ３ ûüŸ（ｈ、ｘ、ｙ） ýmhi€kþÿ!‘à“ ６３．９２％、６２．０６％ ~ ８９．１０％， tWXT]de ＧＮＳＳ O
iz{kl‘"“#m$–üÝ。
HIJ： defg； hi–«；ＧＮＳＳ； ½Œhi； Հ&Ö
KLMNO：ＴＵ４３ PQRST：Ａ PUVO：１６７２６４３Ｘ（２０２５）０１０１２９０９

Ｄｅｆｏｒｍａｔｉｏｎｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｓｆｏｒｈｙｄｒａｕｌｉｃｅｎｇｉｎｅｅｒｉｎｇｓｌｏｐｅｓ
ｂａｓｅｄｏｎｔｈｅｉｎｔｅｇｒａｔｉｏｎｏｆＧＮＳＳａｎｄｄｅｅｐｌｅａｒｎｉｎｇ

１，２
１，２
１，２
１，２
１，２
ＳＯＮＧＪｉｎｔａｏ ，ＡＮＣｈｅｎｃｅ ，ＹＡＮＧＪｉｅ ，ＭＡＣｈｕｎｈｕｉ ，ＴＯＮＧＦｅｉ
（１．ＩｎｓｔｉｔｕｔｅｏｆＷａｔｅｒＲｅｓｏｕｒｃｅｓａｎｄＨｙｄｒｏＥｌｅｃｔｒｉｃＥｎｇｉｎｅｅｒｉｎｇ，Ｘｉ’ａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｘｉ’ａｎ７１００４８，Ｃｈｉｎａ；２．ＳｔａｔｅＫｅｙ
ＬａｂｏｒａｔｏｒｙｏｆＷａｔｅｒＥｎｇｉｎｅｅｒｉｎｇＥｃｏｌｏｇｙａｎｄＥｎｖｉｒｏｎｍｅｎｔｉｎＡｒｉｄＡｒｅａ ，Ｘｉ’ａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｘｉ’ａｎ７１００４８，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｓｌｏｐｅｄｅｆｏｒｍａｔｉｏｎｐｒｅｄｉｃｔｉｏｎｉｓａｎｉｍｐｏｒｔａｎｔｒｅｓｅａｒｃｈｆｉｅｌｄｉｎｓｌｏｐｅｓａｆｅｔｙａｎａｌｙｓｉｓｏｆｈｙｄｒａｕｌｉｃ
ｐｒｏｊｅｃｔｓ．ＴｈｅＧｌｏｂａｌＮａｖｉｇａｔｉｏｎＳａｔｅｌｌｉｔｅＳｙｓｔｅｍ（ＧＮＳＳ）ｔｅｃｈｎｏｌｏｇｙｉｓｏｎｅｏｆｔｈｅｍａｉｎａｐｐｒｏａｃｈｅｓｆｏｒ
ｓｌｏｐｅｄｅｆｏｒｍａｔｉｏｎｍｏｎｉｔｏｒｉｎｇ，ｉｔｓｄａｔａｑｕａｌｉｔｙａｎｄｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙａｒｅｃｒｕｃｉａｌｆｏｒｓｌｏｐｅｓａｆｅｔｙｅｖａｌｕａ
ｔｉｏｎ．ＩｎｒｅｓｐｏｎｓｅｔｏｔｈｅｉｓｓｕｅｓｏｆｎｏｉｓｅｐｒｏｃｅｓｓｉｎｇｉｎＧＮＳＳｄａｔａａｎｄｈｉｇｈｐｒｅｃｉｓｉｏｎｐｒｅｄｉｃｔｉｏｎｏｆｄｅｆｏｒｍａ
ｔｉｏｎｓｅｑｕｅｎｃｅｓ，ａｄｅｎｏｉｓｉｎｇａｎｄｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｗａｓｐｒｏｐｏｓｅｄｂａｓｅｄｏｎｖａｒｉａｔｉｏｎａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ
（ＶＭＤ），ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ（ＣＮＮ），ｂｉｄｉｒｅｃｔｉｏｎａｌｌｏｎｇｓｈｏｒｔｔｅｒｍｍｅｍｏｒｙ（ＢｉＬＳＴＭ）ｎｅｔ
ｗｏｒｋｓａｎｄａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ（ＡＭ）．Ｔｏｉｍｐｒｏｖｅｄａｔａｑｕａｌｉｔｙ，ＶＭＤｉｓｅｍｐｌｏｙｅｄｔｏｆｉｌｔｅｒａｎｄｄｅｎｏｉｓｅ
ｔｈｅｏｒｉｇｉｎａｌｄｅｆｏｒｍａｔｉｏｎｓｅｑｕｅｎｃｅ ；ＣＮＮｉｓｕｔｉｌｉｚｅｄｔｏｅｘｔｒａｃｔｔｉｍｅｖａｒｙｉｎｇｆｅａｔｕｒｅｓｆｒｏｍｔｈｅｐｒｏｃｅｓｓｅｄｄａ
ｔａ，ｗｈｉｃｈｉｓｔｈｅｎｆｉｔｔｅｄｂｙＢｉＬＳＴＭｔｏｏｂｔａｉｎｔｈｅｄｅｆｏｒｍａｔｉｏｎｖａｌｕｅｓｂａｓｅｄｏｎｔｈｅｈｉｓｔｏｒｉｃａｌａｎｄｆｕｔｕｒｅｉｎ
ｆｏｒｍａｔｉｏｎｉｎｏｆｔｈｅｔｉｍｅｓｅｒｉｅｓ．Ｔｏｏｐｔｉｍｉｚｅｔｈｅｍｏｄｅｌｐａｒａｍｅｔｅｒｓａｎｄｔｈｅｒｅｂｙｉｍｐｒｏｖｅｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａ
ｃｙ ，ｔｈｅｓｉｍｕｌａｔｅｄａｎｎｅａｌｉｎｇ（ＳＡ）ｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｉｓｉｎｔｒｏｄｕｃｅｄｆｏｒｔｈｅｏｐｔｉｍａｌａｎａｌｙｓｉｓｏｆｉｍｐｏｒ
ｔａｎｔｐａｒａｍｅｔｅｒｓｉｎｔｈｅｄｅｅｐｌｅａｒｎｉｎｇｎｅｔｗｏｒｋ．Ｓｕｂｓｅｑｕｅｎｔｌｙ ，ｔｈｅｏｕｔｐｕｔｏｆＢｉＬＳＴＭｍｏｄｅｌｉｓｐｒｏｃｅｓｓｅｄｉｎ

!"#$：２０２４０９１３； %&#$：２０２４１２０３
'()*： !"#$%&'()*'(+,（５２１０９１６６、５２４０９１７３）；!"#$%&'(-.+,（５２０３９００８）；!"/0
123456789（ＧＺＣ２０２３２１４０）
+,-.： :;<（１９９０—）， =， >??@6， 12， ABC， D2EFG， HIJKLM@NOPQRB&S%4TU。