洪水预报是根据已知信息对未来一定时期内的洪水情势做出定性或定量的预测，是非工程防洪减灾措施的重要组成内容，也是水文科学研究的热点问题。由于自然水文过程的复杂性和人类认识水平的局限性，洪水预报中不可避免地存在模型输入、模型结构和模型参数的不确定性。对洪水预报不确定性进行全过程的降低和控制，对减少防洪决策风险具有重要的现实意义。我校水文水资源学院梁忠民教授团队针对上述问题，长期开展科学研究，取得了系列研究成果。1.提出了针对预报降水误差的大尺度环流分型统计后处理方法针对复杂因素影响下的降水预报及误差校正问题，研究团队提出了一种基于大尺度环流分型与时空深度学习模型相耦合的预报降水统计后处理方法。首先采用自组织图（SOM）对大尺度环流模式进行分型，在此基础上采用时空深度学习模型（CNN+LSTM）对每种环流模式下的局部降水进行校正，考虑周围地形和气象因素对中心格点降水，以及前期降水对当天降水的影响。淮河流域应用结果表明，该方法可以显著提升预报降水的订正精度。本研究可为降低水文模型输入误差、延长洪水预报的预见期提供支撑。图1基于大尺度环流分型与时空深度学习模型的预报降水统计后处理方法示意图2.提