水库调度是管理水资源的重要手段,有利于防洪、抗旱和水电能源开发。径流预报能够为水库调度提供未来的径流信息,具有重要的指示作用。然而,大部分陆面水文模型难以细致刻画水库调度对河流流量的动态影响,限制了水文气象集合预报在梯级水库流域的应用。另一方面,机器学习方法可以基于数据建模,近年来被广泛用于径流模拟,但其预见期有限,需要与物理模型有机结合。鉴于此,本论文利用气象集合预报驱动陆面水文模型进行流量模拟,使用机器学习方法校正结果,以广西红水河岩滩水电站区间流域为研究对象,进行了洪水可预报性来源分析和回报试验,对入库流量预报技巧及预报系统的各部分相对贡献进行系统性的评估。在了解开放流域在小时尺度上的径流特性的基础上,提升了径流预报的精度。主要有以下结论:1)利用率定后的陆面水文模型揭示初始水文条件和气象强迫对小时、日、月尺度的径流预报影响。经对联合地表地下过程模型（CSSPv2）的产流及汇流参数率定后,CSSPv2对月尺度和日尺度的流量模拟较好,在2003-2017汛期径流模拟的纳什效率系数（NSE）分别为0.96和0.92。逐小时流量模拟的NSE可达到0.61。基于该模型开展水文可预报性试验并采用确定性指标评估,发现不考虑流域上游放水情况时,初始水文条件对岩滩水电站逐小时入库流量预报的影响时效在1日以内,其中初始水文条件影响时效在4月和7月达到最大,且影响时效随降雨量的增加而缩短。若采用概率性预报指标,则初始水文条件影响时效有所增加。当考虑上游来水影响时,初始水文条件和土壤湿度对径流预报的相对贡献也随之减小。此外,初始土壤湿度对径流预报的相对贡献和与其记忆性存在较大关联。2)耦合数值天气预报及长短期记忆模型（LSTM）后显著改善了小时尺度的径流预报。经偏差校正后的TIGGE-ECMWF降水和气温集合平均预报优于51个成员中的最佳预报结果,其中降水预报的均方根误差（RMSE）为14.6mm/d,相关系数为0.44;气温预报的RMSE为1.3K,相关系数为0.87。对于逐小时的入库流量预报,加入数值天气预报（TIGGE-ECMWF）后流量确定性预报误差和概率预报误差较传统的集合径流预报均减小了6%。经LSTM长短期记忆模型校正后,在前72小时预见期,流量预报误差得到进一步缩小,RMSE平均减小6%,最大可减少25%。然而,仅使用历史观测入库流量作为输入的LSTM模型预报误差,在24小时预见期后迅速增加。3)进一步,在此基础上构建了基于气象-水文-机器学习的径流预报系统,并于广西红水河岩滩水电站区间流域进行实时预报和评估。实时预报评估结果表明:24小时、48小时、72小时预见期的日流量预报合格率分别为87.3%、70.4%、75.5%,达到甲级或乙级预报精度标准,满足发布正式预报的精度要求;6小时短临流量预报产品的NSE达到0.73,合格率达到62.7%,为丙级预报精度标准,满足发布参考性预报的精度要求。本论文针对受上游来水影响的岩滩水电站区间流域,评估了初始条件和气象强迫对洪水预报的影响时效,同时结合了机器学习方法以及陆面水文模型的优势,使陆面水文模型可更好地应用在水库入库流量的预报。