设为首页
加入收藏
Introduction and Evaluation of a Rainstorm-caused Flood Forecasting System
-
摘要: 该文研发了基于CREST V2.1分布式水文模型的暴雨致洪预报系统，应用中国气象局降水业务产品，开展全国0.125°×0.125°的逐日洪水预报和区域30"×30"的逐时洪水预报。其中，全国洪水预报以松花江、辽河、海河、黄河、淮河、长江、东南诸河、珠江、西南诸河和西北诸河十大水资源分区的典型流域为研究对象，区域洪水预报以淮河流域为研究对象。以模拟和观测流量之间的效率系数为目标函数，采用SCE-UA方法分别对全国和区域洪水预报模型的参数分流域进行率定。评估参数率定前后模型对效率系数、相关系数和相对偏差的改进程度，并对参数率定后的模型进行检验。结果表明：率定后的模型能够重现控制水文站的实测洪水过程，与率定前相比，效率系数和相对偏差有显著改进，相关系数有较大改进。系统符合业务需求，具有较好的预报精度和时效性，具备业务应用能力。Abstract: Flood disaster is one of the important factors that restrict the sustainable development of the economy and society of China. The development of a well-performing rainstorm-flood forecasting system is an important non-engineering flood prevention measure that would mitigate the loss of imminent flood disasters. A rainstorm-caused flood forecasting system, which is based on the distributed hydrological model CREST V2.1, is developed to provide refined streamflow, evapotranspiration, soil moisture, and other forecast products. By utilizing operational precipitation data from China Meteorological Administration (CMA) to serve as input for this system, nationwide flood forecasting is carried out by 0.125°×0.125° daily, and regional forecast is done by 30"×30" hourly. For the former, one typical watershed is selected for each of ten river basins as Songhua, Liao, Hai, Yellow, Huai, Yangtze, Southeast, Pearl, Southwest and Northwest River Basins, while for the latter just the Huai River Basin is taken as focus. The SCE-UA optimization algorithm is adopted to search the optimal parameter sets that maximize the Nash-Sutcliffe efficiency (E) between the observed and the simulated streamflow discharges for gauging stations of typical watersheds. E, correlation coefficient (C), and relative bias (B) are used to evaluate model performances before and after the calibration of model parameters. Validation tests are conducted by transferring calibrated parameter values to another flood event of the same watershed. Results show that the calibrated model can reproduce the observed flood processes and provide accurate hydrological forecasting service. Compared to the non-calibrated model, the calibrated one significantly improves E and B, and moderately improves C. It has good applicability in watersheds with different hydroclimatic, geological and geomorphological conditions, but has relatively weak forecasting ability for frequently fluctuating low-flow flood. For the model parameters, their values not only depend on the hydroclimatic, soil and vegetation conditions of the watersheds, but are also influenced by interactions among physical processes of the model. Besides, some empirical parameters need to be calibrated according to different levels of the flood events for the same watershed. Generally, this flood forecasting system show good forecasting accuracy and timeliness, which meets operational needs. However, further work is still needed to improve the prediction accuracy of the model. For example, the snowmelt module could be implemented into the CREST model to improve the prediction accuracy for flood disasters caused by snowmelt in the Northwest, Northeast, and Qinghai-Tibet Plateau regions. In addition, more observed streamflow discharge data should be collected to help calibrating model parameters for more watersheds. Furthermore, uncertainty quantification methods should be adopted to understand parameter behaviors, quantify and reduce parametric uncertainties.
-
引言
我国地处东亚季风气候区，夏季暴雨多发，且地貌类型复杂多样，以山地高原为主，同时人口分布密集，人类活动影响较大，导致由暴雨引发的洪涝灾害事件频繁发生[1-3]。随着全球气候变化的加剧，极端天气气候事件频发，暴雨-洪涝灾害事件也呈上升趋势，造成的损失日益严重[4-6]。
2012年7月21日，北京地区出现了一次大范围的强降水过程，全市平均降水量为170 mm，城区平均降水量高达215 mm，多站突破历史极值，为北京地区1951年以来最强的一次降水过程[7-8]。此次极端强降水引发了严重的城市内涝和山洪地质灾害，共造成房屋倒塌10660间，160.2万人受灾，79人死亡，直接经济损失高达116.4亿元。更为典型的事件为1998年夏季全国范围内的暴雨-洪涝灾害。受超强厄尔尼诺事件的影响，1998年夏季我国持续性的异常强降水导致长江、珠江、嫩江和松花江流域许多干、支流以及湖泊和水库的水位超过或接近警戒水位，造成全国29个省、市、自治区遭受了不同程度的洪涝灾害[9-11]。根据国家防汛抗旱总指挥部公布的灾情资料显示，1998年夏季洪水共造成2.23亿人受灾，4150人死亡，倒塌房屋685万间，直接经济损失2551亿元。
据统计，1950—2012年我国每年因洪涝灾害死亡约4444人，倒塌房屋192.11万间，直接经济损失1303.06亿元[12]。我国各类自然灾害中，洪涝灾害导致的年均死亡人数和直接经济损失均超过50%，洪涝灾害已成为制约我国经济社会可持续发展的重要因素之一。
建国以来，我国对大江大湖进行了修建江湖堤坝、分蓄洪区和排灌站，以及河湖清淤等综合治理工程，建立了如水文气象监测、灾害天气预报、洪水预报与调度管理系统等非工程措施，在防洪抗灾方面取得了很大的成就，积累了丰富的经验，防御洪涝灾害的能力有了明显提高[13]。然而，随着我国社会经济的发展，人类活动影响不断加强，导致流域下垫面条件改变、水土流失严重。此外，不合理的土地规划、城市排水管网设计缺陷等因素的共同作用，使我国防洪减灾工作面临中小河流洪水、山洪地质灾害和城市内涝日趋严重的新形势与新任务。
目前，我国防御山洪地质灾害和城市内涝的能力比较薄弱，中小河流洪水预报预警技术还不成熟[14]。因此，加强水文、气象、遥感和地质灾害等学科的综合研究，建立具有较强的暴雨-洪涝灾害预报能力的业务系统，在我国十分迫切[15-16]。
水文模型是研究水循环过程、认识各个水文环节相互作用的重要工具，也是准确高效地开展水文预报工作的必要工具，在流域洪水预报、变化环境下的水文响应等领域发挥了不可替代的作用[17-18]。本文研发了基于分布式水文模型的暴雨致洪预报系统，实现暴雨-洪涝灾害预报的无缝衔接，为中小河流洪水、山洪地质灾害和城市内涝提供水文预报服务，为制定科学的防洪抗灾决策提供参考。
1. 系统介绍
本研究开展了气象和水文耦合预报的工作，研发了一个暴雨致洪预报系统，并将该系统在国家气象中心和淮河流域气象中心进行了业务试运行。系统基本框架如图 1所示，主要利用遥感(RS)、全球定位系统(GPS)和地理信息系统(GIS)技术获取高分辨率的流域地理信息、气象和水文数据，以高分辨率降水观测和预报产品驱动分布式水文模型进行水文预报，并对水文模型的参数分流域进行率定，以提高水文预报精度、延长预见期，为河流洪水、城市内涝和山洪地质灾害预报提供精确的水文预报产品，为洪涝灾害的风险评估和预警提供技术支持。
1.1 降水观测和预报
系统支持的能够作为水文模型输入的降水资料包括自动气象站观测、雷达和卫星反演、数值预报等产品，支持的数据格式包括asc，nc，hdf，bif，bbif，dbif和bin等。目前采用的降水资料主要包括：① 中国地面气象站观测与CMORPH卫星反演融合的0.25°×0.25°逐日QPE产品和0.1°×0.1°逐小时QPE产品[19-20]，② 中国地面气象站观测、FY-2气象卫星和雷达反演三源融合的0.05°×0.05°逐日和逐小时QPE产品[21]，③ 国家气象中心发布的全国未来10 d逐1，3，6，12，24 h 0.05°×0.05° QPF产品。
1.2 分布式水文模型
本系统以分布式水文模型CREST(Coupled Routing and Excess STorage)[22]V2.1为核心模块进行水文预报，提供精细化的流量、蒸散发和土壤湿度等预报产品。
1.2.1 CREST模型简介
CREST模型由美国俄克拉荷马大学水文气象遥感实验室和美国航空航天局SERVIR项目组共同研发，于2011年推出1.0版。通过不断改进与完善，目前最新版本为2014年推出的2.1版。该模型不仅能用于全球和区域大尺度水文预报，也能用于中小尺度流域水文预报[23]。
CREST模型框架如图 2所示，由模型、输入和输出3个部分组成。其中输入资料包括降水、潜在蒸散发、数字流域(地理信息)、初始条件和模型参数等。此外，模型率定时需要观测流量资料，重启运行时需要提供某一时刻的状态变量文件。输出结果主要有降水、蒸散发、土壤含水量、土壤湿度、地面径流、壤中流和径流流量。
CREST模型将全流域划分为若干个单元网格，对每个网格分别进行产流和汇流计算，具体计算公式可参考Wang等[22]研究。其基本原理为降水经过植被冠层截留后到达地面，根据新安江模型[24]的变化下渗曲线，一部分形成地面径流，另一部分则下渗到土壤，经过土壤的调蓄作用形成壤中流；产流过程中伴随着蒸散发过程，主要包括冠层的蒸散发、土壤蒸发和水面蒸发；地面径流和壤中流分别沿着坡面和地下汇入河网，再沿着河网汇集到流域出口断面。CREST模型目前有跳跃型线性汇流、连续型线性汇流和运动波汇流3种方案可供选择。
1.2.2 CREST模型参数
CREST模型产流、汇流、蒸散发和分水源计算过程主要包含如表 1所示的12个参数，这些参数反映了流域的基本水文特征和降雨径流形成过程的物理机制。参数取值的正确与否决定了模型预报效果，因此，必须利用观测资料合理有效地估计模型参数值。参数取值范围主要参考了CREST用户手册[23]和Xue等[25]的研究。
表 1 CREST模型参数及其取值范围Table 1. CREST model parameters and their feasible ranges参数 意义 默认值 最小值 最大值 RainFact 降水量转换系数 1.0 0.5 1.2 Ksat 土壤饱和导水率/(mm·d-1) 2.84 1 1000 WM 流域最大蓄水量/mm 129.95 1 500 B 下渗曲线指数 0.48 0.05 1.5 IM 不透水面积比 0.07 0 0.2 KE 潜在蒸散发转换系数 0.85 0.1 1.5 coeM 地面径流流速系数 58.89 1 150 expM 地面径流流速指数 0.25 0.1 2 coeR 地面径流流速转换为河道水流流速的转换因子 0.73 0.2 3 coeS 地面径流流速转换为壤中流流速的转换因子 0.63 0.001 1 KS 地面径流产流参数 0.41 0 1 KI 壤中流产流参数 0.22 0 1 2. 系统评估
本研究对基于CREST V2.1模型的暴雨致洪预报系统进行测试，分别评估其在全国中尺度水文预报以及淮河流域小尺度水文预报中的效果。以纳什-萨特克利夫效率系数E(Nash-Sutcliffe efficiency)[26]为目标函数，采用SCE-UA (Shuffled Complex Evolution method developed at the University of Arizona)优化方法[27]对CREST模型的12个参数(表 1)进行率定。采用效率系数E、相关系数C(correlation coefficient)[28]和相对偏差B(relative bias)[29]对流量预报(或模拟)的精度进行定量评估，对比分析参数率定前后模型的预报效果，并对参数率定后的模型预报效果进行检验。这3个统计指标中，效率系数E的范围为(-∞, 1]，接近0表示预报结果接近观测值的均值水平，即总体结果可信，但过程预报误差大，接近1表示预报效果好，模型可信度高；相关系数C的范围为[-1,1]，越接近1表示预报值和观测值的正相关效应越显著，预报效果越好；相对偏差B的范围为(-∞, +∞)，越接近0表示相对偏差越小，预报效果越好。
2.1 全国洪水预报
2.1.1 试验设置
全国洪水预报研究区域范围为18°~53.75°N，73.25°~135.25°E，模型空间分辨率为0.125°×0.125°，纬向共496个格点，经向共286个格点，具体范围如图 3所示。在松花江、辽河、海河、黄河、淮河、长江、东南诸河、珠江、西南诸河和西北诸河十大水资源分区中各选取一个典型流域作为研究对象，控制水文站分别为江桥、铁岭、滦县、华县、王家坝、寸滩、七里街、南宁、拉萨和莺落峡(图 3)。收集了这10个控制水文站2009年和2010年的日流量资料，用于对流量模拟进行率定和检验。模型时间步长设置为1 d。
研究区域的地理信息数据如图 4所示，其中高程数据来源于美国地质调查局HydroSH-EDS[30]30″×30″的亚洲区域数据，利用ArcGIS软件将研究范围内的高程数据切割后重采样为0.125°×0.125°，在此基础上进行水文分析，依次得到流向和汇流累积量，最后利用汇流累积量设置阈值生成河网。
![]()
图 4 全国0.125°×0.125°地理信息数据(a)高程，(b)流向，(c)汇流累积量，(d)河网Figure 4. 0.125°×0.125° geographic information data for China domain(a)elevation, (b)flow direction, (c)flow accumulation, (d)stream network采用双线性插值方法将2009年和2010年的中国地面气象站观测与CMORPH卫星反演融合的0.25°×0.25°日降水资料[19]和饥荒预警系统(FEWS NET)提供的全球1°×1°日潜在蒸散发资料[31]插值到0.125°×0.125°模型网格上，再针对不同个例，采用相应时段内的资料驱动CREST模型进行水文模拟。
2.1.2 模型率定
率定期为2009年10月1日—2010年12月31日，其中前3个月的结果用于模型预热，不用于统计分析。以效率系数E为目标函数，采用SCE-UA方法分别对这10个流域进行模型参数率定。水文站率定期的水文过程线如图 5所示，SDEF和SOPT分别表示采用默认参数和优化参数模拟的流量序列，OBS表示观测流量序列。由图 5可以看到，参数优化后的模拟效果明显好于优化前的效果，各水文站的效率系数和相对偏差均有显著改进，除华县站外，其他各站的相关系数都有较大改进。10个水文站优化后的结果中，拉萨站(图 5i)的效率系数最高，为0.90，滦县站(图 5c)的效率系数最低，为0.25；寸滩站(图 5f)和拉萨站(图 5i)的相关系数最高，为0.95，华县站(图 5d)的相关系数最低，为0.66；滦县站(图 5c)的相对偏差最小，为2.90%，铁岭站(图 5b)的相对偏差最大，为33.49%。整体看来，除滦县站外，模型能够准确地重现其他各个水文站的洪水过程。滦县站的观测流量较小(洪峰流量不超过120 m3·s-1)，且洪水过程波动频繁，模型没有很好地重现这种过程。这种流量较小的河流更容易受人类活动的影响，水文站上游河道内的取水和排水会导致观测流量数据不一定真实，参数率定只能在一定程度上改善模拟效果。
![]()
图 5 水文站率定期水文过程线(a)江桥，(b)铁岭，(c)滦县，(d)华县，(e)王家坝，(f)寸滩，(g)七里街，(h)南宁，(i)拉萨，(j)莺落峡Figure 5. ydrographs for the calibration period at streamflow gauging stations(a)Jiangqiao, (b)Tieling, (c)Luanxian, (d)Huaxian, (e)Wangjiaba, (f)Cuntan, (g)Qilijie, (h)Nanning, (i)Lhasa, (j)Yingluoxia2.1.3 模型检验
为了检验参数优化的效果，利用率定后的模型对2008年10月1日—2009年12月31日的逐日水文过程进行模拟，其中前3个月的结果不用于统计分析。各水文站检验期的水文过程线如图 6所示，SOPT表示采用优化参数模拟的流量序列，OBS表示观测流量序列。寸滩站(图 6f)的效率系数为0.74，比率定期的0.70高；莺落峡站(图 6j)的效率系数为0.65，与率定期的0.65一致；江桥站(图 6a)、滦县站(图 6c)和拉萨站(图 6i)的效率系数分别为0.78，0.11和0.78，与率定期的0.82，0.25和0.90接近；铁岭站(图 6b)、华县站(图 6d)、王家坝站(图 6e)、七里街站(图 6g)和南宁站(图 6h)的效率系数分别为0.08，0.49，0.49，0.20和0.44，比率定期的0.72，0.75，0.87，0.59和0.81低。整体看来，检验期各站的效率系数均大于0，其中铁岭站、滦县站和七里街站的效率系数相对较小，模型没有很好地模拟这几个站的洪水过程，其他7个水文站的效率系数均在0.44以上，模型较好地重现了这几个站的洪水过程。滦县站在率定期的效果不理想，检验期的效果也不理想。铁岭站和七里街站高估了洪水，这可能与率定期洪水较大而检验期洪水较小有关，最优参数适用于大洪水而不适用于小洪水，需要对不同级别的洪水分类进行参数率定以改善模拟效果。
![]()
图 6 水文站检验期水文过程线(a)江桥，(b)铁岭，(c)滦县，(d)华县，(e)王家坝，(f)寸滩，(g)七里街，(h)南宁，(i)拉萨，(j)莺落峡Figure 6. Hydrographs for the validation period at streamflow gauging stations(a)Jiangqiao, (b)Tieling, (c)Luanxian, (d)Huaxian, (e)Wangjiaba, (f)Cuntan, (g)Qilijie, (h)Nanning, (i)Lhasa, (j)Yingluoxia2.2 区域洪水预报
淮河流域地处我国南北气候过渡带，气候条件复杂，降雨时空分布不均。流域内支流众多，形成扇形网状结构，经常发生洪水事件。在此流域建立分布式水文模型进行洪水预报具有重要的示范意义。
2.2.1 试验设置
淮河流域洪水预报研究区域范围为31.49°~33.54°N，113.27°~115.61°E，模型空间分辨率为30″×30″，纬向共280个格点，经向共246个格点，具体范围如图 7所示。研究区域控制水文站为王家坝站，收集了该站2014年、2015年和2016年汛期典型洪水过程的逐小时流量资料，用于对模型参数进行率定和检验。模型时间步长设置为1 h。
![]()
图 7 淮河流域洪水预报研究范围Figure 7. Research domain for flood forecasting of the Huai River Basin淮河流域的高程、流向和汇流累积量数据来源于美国地质调查局HydroSHEDS 30″×30″的亚洲区域数据[30]。在此基础上，利用ArcGIS软件切割出研究区域的数据，最后利用汇流累积量数据设置阈值生成河网(图 8)。
![]()
图 8 淮河流域30″×30″地理信息数据(a)高程，(b)流向，(c)汇流累积量，(d)河网Figure 8. 30″×30″ geographic information data for the Huai River Basin(a)elevation, (b)flow direction, (c)flow accumulation, (d)stream network降水数据来源于中国地面气象站观测与CM-ORPH卫星反演融合的0.1°×0.1°逐小时降水资料[19]，潜在蒸散发数据来源于饥荒预警系统(FEWS NET)提供的全球0.25°×0.25°多年平均的月尺度资料[31]。鉴于淮河流域的潜在蒸散发对最高气温的变化最为敏感[32]，根据日最高气温的变化关系将月潜在蒸散发资料分配到日，再根据每日的气温变化过程分配到小时。在此基础上采用双线性插值方法将所有个例时段内的降水和潜在蒸散发资料插值到30″×30″的模型网格上，针对不同的个例用相应时段内的资料驱动CREST模型进行水文模拟。
2.2.2 模型率定
选取2014年7月11日08：00(北京时，下同)—25日08：00(20140711号洪水)、2015年6月16日08：00—25日08：00(20150616号洪水)和2016年7月17日08：00—26日08：00(20160717号洪水)这3次洪水过程用于率定模型参数。为了预热模型，先对这3次洪水过程分别进行一次模拟，最后时刻的状态变量作为相应个例的初始条件。以效率系数为目标函数，采用SCE-UA方法分别对这3次洪水过程进行参数率定。王家坝站率定期的降水径流过程如图 9所示，SDEF和SOPT分别表示采用默认参数和优化参数模拟的流量序列，OBS表示观测流量序列。20140711(图 9a)、20150616(图 9b)和20160717(图 9c)这3个个例率定后的效率系数分别为0.87，0.94和0.92，相关系数分别为0.90，0.94和0.95，相对偏差分别为-5.77%，-0.11%和-43.43%。与率定前(采用默认参数)相比，效率系数、相关系数和相对偏差这3个统计量均有很大改进，模型对于洪峰的模拟更加准确。其中，20140711和20150616这两次洪水的3个统计指标都非常好，20160717号洪水由于流量较大且观测资料缺测较多，率定好效率系数的同时，相对偏差改善不明显。
![]()
图 9 淮河流域王家坝站率定期水文过程线(a)20140711号洪水，(b)20150616号洪水，(c)20160717号洪水Figure 9. Hydrographs at Wangjiaba Station of the Huai River Basin for the calibration period of flood events(a)20140711, (b)20150616, (c)201607172.2.3 模型检验
以2014年8月27日08：00—9月10日08：00(20140827号洪水)、2015年6月1日08：00—10日08：00(20150601号洪水)和2016年6月29日08：00—7月8日08：00(20160629号洪水)这3次洪水过程作为同一年份率定期洪水个例的检验个例，用于对参数率定后的模型进行检验。如20140827号洪水为20140711号洪水率定效果的检验个例。与率定期模型预热的处理方式一样，首先分别对检验期的3个个例进行一次模拟，将最后时刻的状态变量作为相应个例的初始条件重新进行模拟。王家坝站检验期的降水径流过程如图 10所示，SOPT表示采用优化参数模拟的流量序列，OBS表示观测流量序列。20140827(图 10a)、20150601(图 10b)和20160629(图 10c)3个个例的效率系数分别为0.72，0.57和0.67，相关系数分别为0.93，0.93和0.91，相对偏差分别为-12.46%，-11.36%和-15.05%。可见检验期模型仍然有较好的模拟效果，参数率定对于模拟效果的改进有很大帮助。
![]()
图 10 淮河流域王家坝站检验期水文过程线(a)20140827号洪水，(b)20150601号洪水，(c)20160629号洪水Figure 10. Hydrographs at Wangjiaba Station of the Huai River Basin for the validation period of flood events(a)20140827, (b)20150601, (c)201606293. 业务应用
基于率定后的全国0.125°×0.125°日尺度模型，利用暴雨致洪预报系统开展了逐日洪水预报的业务试运行。实际应用时采用空间分辨率为0.05°×0.05°的日尺度三源融合QPE产品(地面气象站观测、FY-2气象卫星和雷达反演融合产品)[21]驱动模型模拟起报日前1个月的水文过程，作为模型预热；采用国家气象中心下发的空间分辨率为0.05°×0.05°的日尺度QPF产品驱动模型预报未来10 d的水文过程，作为模型预报。考虑到QPE资料时滞性问题，起报日前一日的QPE用当日06:00—次日06:00的累积降水量，其他日期的QPE均用当日08:00—次日08:00的累积降水量。潜在蒸散发来源于饥荒预警系统(FEWS NET)提供的全球0.25°×0.25°多年平均的月尺度资料，并根据日最高气温的变化关系将月潜在蒸散发资料分配到日。系统每日07:30自动运行，08:00前完成计算及绘图，并发布未来10 d逐日水文预报产品。未来还将开展逐小时的洪水预报，预报产品将通过业务网站对外发布。
图 11对淮河流域2016年汛期一次洪水过程(2016年7月12—21日)未来10 d的滚动预报结果进行了展示，FOPT表示采用优化参数预报的流量序列，OBS表示观测流量序列。由图 11可以看到，连续10 d的滚动预报效果整体较好，仅18日和19日的预报效果相对较差。这两日对于洪水涨落趋势的预报是准确的(相关系数达到0.9以上)，只是量级上有差别(相对偏差的绝对值较大)，其中18日的预报低估了洪水而19日的预报高估了洪水。通过观察这两日对于未来10 d的降水预报可以看出，18日预报的19日和20日的降水量明显比19日预报的19日和20日的降水量要小，能够解释18日预报低估洪水而19日预报却高估了洪水的原因。由此可见，对于进行过参数率定的小流域，洪水预报的准确度主要与QPF的质量有关。此外，对于大流域而言，一套参数并不能完全满足业务需求，洪水预报的准确度还与暴雨的落区和强度有关。因此，需要针对不同类型的暴雨(或洪水)率定参数，掌握流域参数取值规律，提高预报效果。
![]()
图 11 淮河流域王家坝站2016年7月12—21日未来10 d滚动预报水文过程线Figure 11. Hydrographs at Wangjiaba Station of the Huai River Basin for ten-day rolling forecast during the period from 12 Jul to 21 Jul in 20164. 结论与讨论
本研究对基于CREST V2.1模型的暴雨致洪预报系统的预报效果进行评估。以效率系数为目标函数，利用中国气象局降水业务产品，分别对全国和区域洪水预报模型的参数分流域进行率定，并对率定后的模型预报效果进行检验。研究表明：
1) 对于全国中尺度逐日洪水预报而言，滦县站在率定期和检验期的效率系数分别为0.25和0.11，模型对于这种频繁波动的小水过程的预报能力相对较弱；江桥、铁岭、华县、王家坝、寸滩、七里街、南宁、拉萨和莺落峡9个控制水文站率定期的效率系数均在0.6以上，除铁岭站和七里街站外，其他7个水文站检验期的效率系数均在0.44以上，模型在具有不同水文气候、地质和地貌条件的流域都有很好的适用性。
2) 对于区域小尺度逐时洪水预报而言，淮河流域王家坝站率定期3次洪水过程的效率系数分别为0.87，0.94和0.92，检验期3次洪水过程的效率系数分别为0.72，0.57和0.67，模型对于该流域不同类型的洪水均有很好的预报效果。
3) 经过参数率定后的模型能够重现控制水文站的实测洪水过程，具备预报流域洪水的能力，能够为中小河流洪水和山洪地质灾害预警提供精确的水文预报服务。
业务试运行结果表明：该系统符合暴雨-洪涝灾害预报的业务需求，具有较好的预报精度和时效性，具备业务应用能力。此外，为了进一步提高模型预报精度，可以考虑从以下几个方面开展更深入的工作：① 在CREST模型中引入融雪模块，以提高模型对于西北和东北地区春季融雪、青藏高原地区夏季融雪引发的洪水灾害的预报精度。② 对于全国范围的洪水预报来说，国家气象中心目前可提供0.05°×0.05°降水业务产品，因此，可以将模型空间分辨率由0.125°×0.125°提高到0.05°×0.05°，以此匹配精细化的降水产品。③ 同时以效率系数和相对偏差为目标函数，进行多目标参数优化。④ 收集更多典型流域控制水文站的流量数据和流域灾情数据，以支持模型预报结果的进一步评估分析和分流域参数率定。
-
![]()
图 4 全国0.125°×0.125°地理信息数据
(a)高程，(b)流向，(c)汇流累积量，(d)河网
Figure 4. 0.125°×0.125° geographic information data for China domain
(a)elevation, (b)flow direction, (c)flow accumulation, (d)stream network
![]()
图 5 水文站率定期水文过程线
(a)江桥，(b)铁岭，(c)滦县，(d)华县，(e)王家坝，(f)寸滩，(g)七里街，(h)南宁，(i)拉萨，(j)莺落峡
Figure 5. ydrographs for the calibration period at streamflow gauging stations
(a)Jiangqiao, (b)Tieling, (c)Luanxian, (d)Huaxian, (e)Wangjiaba, (f)Cuntan, (g)Qilijie, (h)Nanning, (i)Lhasa, (j)Yingluoxia
![]()
图 6 水文站检验期水文过程线
(a)江桥，(b)铁岭，(c)滦县，(d)华县，(e)王家坝，(f)寸滩，(g)七里街，(h)南宁，(i)拉萨，(j)莺落峡
Figure 6. Hydrographs for the validation period at streamflow gauging stations
(a)Jiangqiao, (b)Tieling, (c)Luanxian, (d)Huaxian, (e)Wangjiaba, (f)Cuntan, (g)Qilijie, (h)Nanning, (i)Lhasa, (j)Yingluoxia
![]()
图 7 淮河流域洪水预报研究范围
Figure 7. Research domain for flood forecasting of the Huai River Basin
![]()
图 8 淮河流域30″×30″地理信息数据
(a)高程，(b)流向，(c)汇流累积量，(d)河网
Figure 8. 30″×30″ geographic information data for the Huai River Basin
(a)elevation, (b)flow direction, (c)flow accumulation, (d)stream network
![]()
图 9 淮河流域王家坝站率定期水文过程线
(a)20140711号洪水，(b)20150616号洪水，(c)20160717号洪水
Figure 9. Hydrographs at Wangjiaba Station of the Huai River Basin for the calibration period of flood events
(a)20140711, (b)20150616, (c)20160717
![]()
图 10 淮河流域王家坝站检验期水文过程线
(a)20140827号洪水，(b)20150601号洪水，(c)20160629号洪水
Figure 10. Hydrographs at Wangjiaba Station of the Huai River Basin for the validation period of flood events
(a)20140827, (b)20150601, (c)20160629
![]()
图 11 淮河流域王家坝站2016年7月12—21日未来10 d滚动预报水文过程线
Figure 11. Hydrographs at Wangjiaba Station of the Huai River Basin for ten-day rolling forecast during the period from 12 Jul to 21 Jul in 2016
表 1 CREST模型参数及其取值范围
Table 1 CREST model parameters and their feasible ranges
参数 意义 默认值 最小值 最大值 RainFact 降水量转换系数 1.0 0.5 1.2 Ksat 土壤饱和导水率/(mm·d-1) 2.84 1 1000 WM 流域最大蓄水量/mm 129.95 1 500 B 下渗曲线指数 0.48 0.05 1.5 IM 不透水面积比 0.07 0 0.2 KE 潜在蒸散发转换系数 0.85 0.1 1.5 coeM 地面径流流速系数 58.89 1 150 expM 地面径流流速指数 0.25 0.1 2 coeR 地面径流流速转换为河道水流流速的转换因子 0.73 0.2 3 coeS 地面径流流速转换为壤中流流速的转换因子 0.63 0.001 1 KS 地面径流产流参数 0.41 0 1 KI 壤中流产流参数 0.22 0 1 
下载: 导出CSV
-
任洪玉, 邹翔, 张平仓.我国山洪灾害成因分析.中国水利, 2007, 1(14):18-20. DOI: 10.3969/j.issn.1000-1123.2007.14.010 李中平, 张明波.全国山洪灾害防治规划降雨区划研究.水资源研究, 2005, 26(2):32-34. http://cpfd.cnki.com.cn/Article/CPFDTOTAL-ZGSL200508001016.htm 张庆云, 陶诗言, 彭京备.我国灾害性天气气候事件成因机理的研究进展.大气科学, 2008, 32(4):815-825. http://www.cnki.com.cn/Article/CJFDTOTAL-DQXK200804009.htm 丁一汇.人类活动与全球气候变化及其对水资源的影响.中国水利, 2008, 2(8):20-27. http://www.cnki.com.cn/Article/CJFDTOTAL-SLZG200802008.htm 王馥棠.近十年来我国气候变暖影响研究的若干进展.应用气象学报, 2002, 13(6):755-766. http://qikan.camscma.cn/jams/ch/reader/view_abstract.aspx?file_no=20020699&flag=1 王玉洁, 周波涛, 任玉玉, 等.全球气候变化对我国气候安全影响的思考.应用气象学报, 2016, 27(6):750-758. DOI: 10.11898/1001-7313.20160612 孙建华, 赵思雄, 傅慎明, 等.2012年7月21日北京特大暴雨的多尺度特征.大气科学, 2013, 37(3):705-718. DOI: 10.3878/j.issn.1006-9895.2013.12202 谌芸, 孙军, 徐珺, 等.北京721特大暴雨极端性分析及思考(一)观测分析及思考.气象, 2012, 38(10):1255-1266. DOI: 10.7519/j.issn.1000-0526.2012.10.012 张顺利, 陶诗言, 张庆云, 等.1998年夏季中国暴雨洪涝灾害的气象水文特征.应用气象学报, 2001, 12(4):442-457. http://qikan.camscma.cn/jams/ch/reader/view_abstract.aspx?file_no=20010459&flag=1 周自江, 宋连春.1998年长江流域特大洪水的降水分析.应用气象学报, 2000, 11(3):287-296. http://qikan.camscma.cn/jams/ch/reader/view_abstract.aspx?file_no=20000344&flag=1 薛秋芳, 任传森, 陶诗言.1998年长江流域洪涝的成因分析.应用气象学报, 2001, 12(2):246-250. http://qikan.camscma.cn/jams/ch/reader/view_abstract.aspx?file_no=20010233&flag=1 国家防汛抗旱总指挥部.中国水旱灾害公报(2012).北京:中国水利水电出版社, 2013. 李大鸣, 陈海舟, 范玉.国内外防洪减灾发展与现状.中国农村水利水电, 2005(9):33-37. http://www.cnki.com.cn/Article/CJFDTOTAL-ZNSD200509009.htm 刘志雨.山洪预警预报技术研究与应用.中国防汛抗旱, 2012, 22(2):41-45. http://www.cnki.com.cn/Article/CJFDTOTAL-FHKH201202016.htm 赵琳娜, 刘莹, 党皓飞, 等.集合数值预报在洪水预报中的应用进展.应用气象学报, 2014, 25(6):641-653. DOI: 10.11898/1001-7313.20140601 王莉莉, 陈德辉, 赵琳娜.GRAPES气象-水文模式在一次洪水预报中的应用.应用气象学报, 2012, 23(3):274-284. http://qikan.camscma.cn/jams/ch/reader/view_abstract.aspx?file_no=20120303&flag=1 杨传国, 余钟波, 林朝晖.基于TRMM卫星雷达降雨的流域陆面水文过程.水科学进展, 2009, 20(4):461-466. http://www.cnki.com.cn/Article/CJFDTOTAL-SKXJ200904000.htm Todini E.Hydrological catchment modelling:past, present and future.Hydrology and Earth System Sciences, 2007, 11(1):468-482, DOI: 10.5194/hess-11-468-2007.
Shen Y, Zhao P, Pan Y, et al.A high spatiotemporal gauge-satellite merged precipitation analysis over China.J Geophys Res, 2014, 119(6):3063-3075, DOI: 10.1002/2013JD020686.
宇婧婧, 沈艳, 潘旸, 等.概率密度匹配法对中国区域卫星降水资料的改进.应用气象学报, 2013, 24(5):544-553. DOI: 10.11898/1001-7313.20130504 潘旸, 沈艳, 宇婧婧, 等.基于贝叶斯融合方法的高分辨率地面-卫星-雷达三源降水融合试验.气象学报, 2015, 73(1):177-186. DOI: 10.11676/qxxb2015.010 Wang J, Hong Y, Li L, et al.The coupled routing and excess storage (CREST) distributed hydrological model.Hydrological Sciences Journal, 2011, 56(1):84-98, DOI: 10.1080/02626667.2010.543087.
Xue X, Hong Y, Zhang K.CREST-Coupled Routing and Excess Storage User Manual, Version 2.1.Norman, OK:University of Oklahoma, 2015.
Zhao R.The Xinanjiang model applied in China.Journal of Hydrology, 1992, 135(3):371-381, DOI: 10.1016/0022-1694(92)90096-E.
Xue X, Hong Y, Limaye A S, et al.Statistical and hydrological evaluation of TRMM-based multi-satellite precipitation analysis over the Wangchu Basin of Bhutan:Are the latest satellite precipitation products 3B42V7 ready for use in ungauged basins? J Hydrol, 2013, 499(13-14):91-99, DOI: 10.1016/j.jhydrol.2013.06.042.
Nash J E, Sutcliffe J V.River flow forecasting through conceptual models:Part Ⅰ-A discussion of principles.J Hydrol, 1970, 10(3):282-290, DOI: 10.1016/0022-1694(70)90255-6.
Duan Q, Sorooshian S, Gupta V.Effective and efficient global optimization for conceptual rainfall-runoff models.Water Resources Research, 1992, 28(4):1015-1031, DOI: 10.1029/91WR02985.
Taylor R.Interpretation of the correlation coefficient:a basic review.Journal of Diagnostic Medical Sonography, 1990, 6(1):35-39, DOI: 10.1177/875647939000600106.
Rothman A J, Klein W M, Weinstein N D.Absolute and relative biases in estimations of personal risk.Journal of Applied Social Psychology, 1996, 26(14):1213-1236, DOI: 10.1111/j.1559-1816.1996.tb01778.x.
Lehner B, Verdin K, Jarvis A.HydroSHEDS technical documentation, version 1.0.Washington, DC:World Wildlife Fund US, 2006.
Brown M E.Famine Early Warning Systems and Remote Sensing Data.Heidelberg:Springer-Verlag, 2008.
刘昌明, 张丹.中国地表潜在蒸散发敏感性的时空变化特征分析.地理学报, 2011, 66(5):579-588. DOI: 10.11821/xb201105001 -
期刊类型引用(13)
1. 秦鹏程，闫彩霞，周月华，夏智宏. 农作物洪涝灾害致灾机理与评估方法研究进展与展望. 暴雨灾害. 2023(01): 67-78 . 
百度学术
2. 司丽丽，邵琪，赵亮，魏铁鑫，侯佳，黄敬峰. 基于高密度气象站的订正与日极端降水量精细化研究. 自然灾害学报. 2023(03): 145-159 . 百度学术
3. 狄靖月，许凤雯，李焕连，李宇梅，张国平，陈春利，方志伟，包红军. 暴雨诱发恩施州地质灾害成因分析. 气象. 2022(10): 1321-1332 . 百度学术
4. 董晓云，余锦华，梁信忠，王琛. CWRF模式极端降水模拟误差订正. 应用气象学报. 2020(04): 504-512 . 本站查看
5. 周幼婵，何林宴，林雪香，杨晴. 广西贵港市暴雨过程综合强度评估及分析. 气象研究与应用. 2020(03): 27-31 . 百度学术
6. 黄瑶，肖天贵，金荣花. 大气低频振荡对四川盆地持续性强降水的影响. 应用气象学报. 2019(01): 93-104 . 本站查看
7. 董晓云，余锦华，梁信忠，马圆. CWRF模式在中国夏季极端降水模拟的误差订正. 应用气象学报. 2019(02): 223-232 . 本站查看
8. 伍红雨，邹燕，刘尉. 广东区域性暴雨过程的定量化评估及气候特征. 应用气象学报. 2019(02): 233-244 . 本站查看
9. 马瑞鑫，赵鹏，朱俊，李子龙. 乌江水上安全预测预警系统研发及应用. 人民长江. 2019(05): 211-216 . 百度学术
10. 王君. 豫北两次特大暴雨事件的物理量极端性和中尺度特征. 干旱气象. 2019(03): 419-429 . 百度学术
11. 焦胜，马伯，黎贝. 中国城市内涝成因和防控策略研究进展. 生态经济. 2019(07): 92-97 . 百度学术
12. 郝莹，王元，王皓，邱学兴. 淮河流域不同时间尺度暴雨的多模式预报性能评估及洪水可预报性探讨. 气象. 2019(07): 989-1000 . 百度学术
13. 王莉萍，王秀荣，张立生，张建忠，王维国. 一种区域降水过程综合强度评估方法的探索和应用. 气象. 2018(11): 1479-1488 . 百度学术
其他类型引用(1)
计量
- 文章访问数: 4670
- HTML全文浏览量: 1325
- PDF下载量: 630
- 被引次数: 14
