简介：这份MATLAB水文预报代码包面向水文水资源、水利工程方向的学生与研究人员，提供从降雨数据到产流预测、洪水过程线估计的完整实现，适合课程设计、毕业设计及科研建模参考。压缩包共21个文件，约93KB，以17个csv降雨与径流数据文件为主，辅以3个m脚本和1个xls表格，数据年份覆盖1989至2003年，便于直接运行与替换自有数据集。代码核心包含日模型与次洪模型两部分：日模型采用泰森多边形法估算流域面雨量，并利用蒸发资料率定作物系数Kc；次洪模型则通过降雨径流转换关系推求洪水过程线，配套单位线数据可供对照分析。目前已有1313人学习下载，读者可借此理解水文模型参数率定、面雨量计算与产汇流模拟的完整流程，并在此基础上调整参数、优化预测性能。

1. 从一份被反复转手的 data.zip 说起：MATLAB 水文预报代码到底能跑出什么

如果你在水文、水利或环境相关方向待过一阵，大概率见过这种场景：师兄毕业前丢给你一个data.zip，里面躺着几个.m文件、几份.xlsx或.txt观测数据，外加一个 README 写得语焉不详。你双击打开 MATLAB，点运行，要么报错，要么画出一张看着像那么回事、但不知道对不对的流量过程线。这份「MATLAB 版水文预报日模型、次洪模型代码」就是这类资源里比较完整的一套——它同时覆盖了日尺度连续模拟和次洪（场次洪水）模拟两条线，前者用来做长系列径流预报，后者用来复现单场暴雨的产汇流过程。

它解决的问题很具体：你手上有降雨、蒸发、流量观测序列，想快速搭一个能出图、能算误差指标的预报模型，而不是从零推导新安江或 SCS。适合水文专业学生做课程设计、科研助理跑对比实验、以及需要快速验证参数敏感性的从业者。但要注意，这类代码包最大的价值不是「算法多先进」，而是「流程完整、能改、能复现」——真正踩过坑的人都知道，能跑通的半成品比跑不通的顶刊代码有用得多。

2. 拆开 data.zip：日模型与次洪模型的目录结构与数据流

2.1 两类模型的分工与文件组织

拿到压缩包，先别急着运行主脚本。我一般会先做一件事：把目录树打印出来，看清楚哪些是数据、哪些是函数、哪些是入口。典型的水文预报代码包，结构大致是这样：

data.zip ├── data/ │ ├── daily_rain.xlsx % 日降雨序列 │ ├── daily_flow.xlsx % 日流量观测 │ ├── daily_evap.xlsx % 日蒸发能力 │ └── flood_events/ % 次洪场次数据 │ ├── event_01.txt │ └── event_02.txt ├── model/ │ ├── daily_model.m % 日模型主入口 │ ├── flood_model.m % 次洪模型主入口 │ ├── runoff_gen.m % 产流计算 │ └── routing.m % 汇流计算 ├── utils/ │ ├── nse.m % Nash-Sutcliffe 效率系数 │ └── read_data.m % 统一数据读取 └── main.m % 总入口

日模型和次洪模型的根本差别在于时间步长和驱动方式。日模型以「天」为步长，输入是逐日面平均降雨和蒸发，输出是逐日流量，重点在于土壤含水量的连续演算；次洪模型以「小时」或更短为步长，输入是一场降雨的时段分配，输出是洪水过程线，重点在于产流阈值和汇流参数。两者共用产汇流核心函数，但参数率定策略完全不同——日模型看长系列整体拟合，次洪模型看洪峰、峰现时间和径流深三个指标。

提示：如果压缩包里没有read_data.m这类统一读取函数，各脚本各自xlsread，那大概率是拼凑代码，先统一数据接口再谈调参。

2.2 数据格式与时间对齐的硬要求

水文模型对数据格式的容忍度极低。我见过太多人卡在第一步：降雨和流量日期对不上，或者蒸发序列缺几天，模型跑出来结果直接漂移。这份代码包假定数据是「按行排列、首列为时间、后续列为变量」的表格结构。以日模型为例，读取逻辑通常长这样：

% read_data.m 核心逻辑 function [date, rain, flow, evap] = read_data(filepath) raw = readmatrix(filepath); % 跳过表头读数值 date = raw(:,1); % 第一列：日期序列号 rain = raw(:,2); % 第二列：降雨 mm flow = raw(:,3); % 第三列：流量 m3/s evap = raw(:,4); % 第四列：蒸发 mm % 缺失值处理：降雨缺测按 0 处理，流量缺测按 NaN 标记 rain(isnan(rain)) = 0; evap(isnan(evap)) = 0; % 检查长度一致性 if ~isequal(length(date), length(rain), length(flow), length(evap)) error('数据列长度不一致，检查缺失行'); end end

这段代码的关键不在语法，而在三个参数约定：降雨缺测填 0 而不是插值，因为插值会凭空造出降雨事件；流量缺测保留 NaN，让误差计算时自动跳过；日期列只做对齐用，不参与运算。很多人翻车就翻在「用均值填充降雨缺测」，结果模型多算了好几场不存在的洪水。

次洪模型的数据格式更严格，每场洪水单独一个文件，首行是场次编号和起止时间，之后是「时段序号、降雨、流量」三列。时段步长必须一致，常见是 1 小时或 3 小时。如果原始数据是 5 分钟，得先聚合，聚合时降雨用累加、流量用平均，这个细节代码包里如果没写，需要自己补一个resample脚本。

3. 日模型跑通实录：产流参数怎么设、NSE 怎么算

3.1 产流模块的参数含义与初值设定

日模型的核心是「蓄满产流」或「超渗产流」的简化实现。这份代码包用的是蓄满产流思路：土壤含水量达到田间持水量之前不产流，超过部分按比例转化为径流。主脚本里通常有这么几个待定参数：

这些参数不是随便填的。WM 决定了多少降雨能存住，B 决定了产流在空间上的不均匀性，K 控制蒸发消耗土壤水的速度。我一般会先用「试错法」跑一遍：固定 B 和 IMP，手动调 WM 和 K，看模拟流量和观测流量的基流段是否贴合。基流对不上，先动 K；洪峰对不上，再动 WM 和 B。

% daily_model.m 参数区 WM = 100; % 张力水容量 mm W0 = 60; % 初始土壤含水量 mm B = 0.3; % 蓄水容量曲线指数 K = 0.8; % 蒸发折算系数 IMP = 0.01; % 不透水面积比例 % 调用产流函数 [Rs, W] = runoff_gen(rain, evap, WM, W0, B, K, IMP); % Rs 为产流量序列，W 为逐日土壤含水量

runoff_gen内部逻辑是逐日循环：先算蒸发 E = K × evap × W/WM，再从 W 中扣除；然后判断降雨是否超过剩余容量，超过部分产流。这个顺序不能反——先蒸发后产流是水文模型的常规约定，反过来会导致干旱期虚假产流。

3.2 汇流与 NSE 计算：把模拟结果落到指标上

产流出来只是第一步，还得汇流到出口断面。日模型常用线性水库或马斯京根法，代码包里如果是简化版，可能直接用一个滞后系数：

% routing.m 简化线性汇流 function Qsim = routing(Rs, lag, coef) % lag: 滞后天数，coef: 汇流系数 Qsim = zeros(size(Rs)); for t = lag+1:length(Rs) Qsim(t) = coef * Rs(t-lag) + (1-coef) * Qsim(t-1); end end

lag一般取 1–3 天，coef取 0.3–0.7。调这两个参数时，看的是模拟过程线的「重心」是否和观测对齐。重心偏左就加大 lag，峰值偏低就加大 coef。

算 NSE 是最容易出错的环节。NSE 公式是1 - sum((obs-sim).^2)/sum((obs-mean(obs)).^2)，但前提是 obs 和 sim 长度一致且无 NaN。如果流量缺测保留了 NaN，直接算会返回 NaN。正确做法是先剔除缺测段：

% nse.m function score = nse(obs, sim) valid = ~isnan(obs) & ~isnan(sim); obs = obs(valid); sim = sim(valid); if length(obs) < 10 score = NaN; return; end score = 1 - sum((obs-sim).^2) / sum((obs-mean(obs)).^2); end

NSE 大于 0.7 算合格，大于 0.8 算不错，但日模型在干旱区很难上 0.7，这时候要看相对误差和基流拟合，别死磕 NSE。

4. 次洪模型实战：场次划分、洪峰误差与参数率定

4.1 场次洪水的自动划分与数据准备

次洪模型的第一步不是跑模型，而是把长系列切成一场一场的洪水。常见做法是：降雨大于某阈值（比如 5 mm）且流量上涨超过基流 20% 时，标记为一场洪水开始；降雨停止后流量退至基流 1.2 倍以内，标记为结束。代码包里如果没带划分脚本，我一般会自己写一个：

% split_flood.m 简易场次划分 function events = split_flood(rain, flow, rain_th, flow_ratio) baseflow = movmedian(flow, 24); % 24 小时滑动中位数作基流 start_idx = find(rain > rain_th & flow > baseflow * flow_ratio); events = {}; for i = 1:length(start_idx) s = start_idx(i); e = s + find(flow(s:end) < baseflow(s)*1.2, 1) - 1; if ~isempty(e) && e > s + 6 events{end+1} = [s, e]; end end end

rain_th取 5 mm，flow_ratio取 1.2，这两个参数决定了划分的灵敏度。阈值太低会把小波动当成洪水，太高会漏掉小洪水。划分完最好画图人工检查一遍，我见过自动划分把一场双峰洪水切成两场的，后面率定怎么调都不对。

4.2 次洪参数率定：洪峰、峰现时间、径流深三指标

次洪模型的参数比日模型少，但更敏感。核心参数是产流阈值P0、汇流时间Tc和消退系数Cs。率定目标不是 NSE，而是三个确定性指标：

调参顺序有讲究：先调P0让径流深对上，再调Tc让峰现时间对上，最后调Cs让退水段对上。如果三个指标互相打架，优先保径流深和峰现时间，洪峰误差可以放宽到 25%。次洪模型最怕的是「参数过拟合」——一场洪水调得很准，换一场就崩。我一般会留 2–3 场洪水做验证，率定只用其余场次。

% flood_model.m 单场次模拟 P0 = 20; % 产流阈值 mm Tc = 3; % 汇流时间 小时 Cs = 0.5; % 消退系数 [Qsim, Rsim] = flood_runoff(rain_event, P0, Tc, Cs); % 计算三指标 peak_err = (max(Qsim) - max(Qobs)) / max(Qobs); time_err = find(Qsim==max(Qsim)) - find(Qobs==max(Qobs)); depth_err = (sum(Qsim) - sum(Qobs)) / sum(Qobs);

注意：次洪模型的时段步长必须和输入数据一致，如果原始数据是 1 小时而模型内部按 3 小时算，汇流参数会整体偏移，峰现时间怎么调都对不上。

5. 避坑与排查：跑不通、结果怪、指标假的五种典型情况

5.1 现象：运行报「矩阵维度不一致」

原因：降雨和流量序列长度不同，通常是 Excel 里有一列多了表头或空行。解决：用readmatrix时加'NumHeaderLines',1，并在读取后强制length检查，不一致就报错而不是继续跑。

5.2 现象：模拟流量全是 0 或全是基流

原因：产流阈值设得太高，或者蒸发系数 K 太大导致土壤含水量永远补不满。解决：先把P0或WM调低，打印逐日土壤含水量序列，看它是否长期低于产流门槛。如果 W 一直在 0 附近，说明 K 过大，蒸发把降雨全吃掉了。

5.3 现象：NSE 算出来是负数

原因：要么模拟和观测反相，要么流量缺测 NaN 没剔除导致分母异常。解决：先画plot(obs)和hold on; plot(sim)，肉眼确认趋势是否一致；再检查nse.m里有没有做valid过滤。负数 NSE 不一定代表模型差，也可能是观测数据本身有跳变。

5.4 现象：次洪洪峰对上了但径流深差很多

原因：汇流参数调得太尖，把产流量集中到峰值附近，总量没变但分布错了。解决：不要只盯洪峰，把Cs调大让退水变缓，同时微调Tc。径流深是总量指标，洪峰是形状指标，两者要分开看。

5.5 现象：换一台电脑跑结果不一样

原因：MATLAB 版本差异导致movmedian或readmatrix行为不同，或者随机数种子没固定（如果代码里有随机率定）。解决：在脚本开头加rng(1)固定随机种子，数据读取统一用readmatrix并指定'VariableNamingRule','preserve'，避免不同版本对表头处理不一致。

6. 把模型用出边界：批量率定与结果归档的一个习惯

单场次、单参数跑通只是入门。真正做对比实验时，你需要批量跑几十组参数组合，把每组的三指标和 NSE 都存下来。我一般会写一个外层循环，用parfor加速，但要注意水文模型的循环依赖——日模型的土壤含水量是逐日递推的，不能并行；次洪模型各场次独立，可以并行。

% batch_calib.m 次洪批量率定 P0_list = 10:5:40; Tc_list = 1:1:6; Cs_list = 0.3:0.1:0.8; results = []; for P0 = P0_list for Tc = Tc_list for Cs = Cs_list [peak_err, time_err, depth_err] = deal(0,0,0); for k = 1:length(events) [Qsim, ~] = flood_runoff(rain_events{k}, P0, Tc, Cs); peak_err = peak_err + abs(max(Qsim)-max(Qobs_events{k}))/max(Qobs_events{k}); % ... 累加其余指标 end results = [results; P0, Tc, Cs, peak_err/length(events), ...]; end end end % 按综合误差排序，取前 5 组做验证 [~, idx] = sort(results(:,4)); best = results(idx(1:5), :);

这段代码的关键是「先累加再平均」，而不是每场算完就存，否则结果表会爆炸。另外，批量率定一定要留验证集，我习惯把 events 按时间排序，前 70% 率定、后 30% 验证。验证集指标比率定集差 20% 以内算正常，差一倍以上说明参数过拟合。

归档时我会强制做一件事：每次跑完把参数、指标、日期和 MATLAB 版本写进一个log.txt，文件名带时间戳。这个习惯救过我很多次——三个月后回头找「那组 NSE 0.82 的参数」，没有日志就只能重跑。从那以后我每次批量率定都强制走一遍日志归档，哪怕只是临时试参数。希望这份拆解能帮你把 data.zip 里的代码真正跑起来、用出边界。

本文还有配套的精品资源，点击获取