气候变化对太行山土壤水分及植被的影响

在太行山低山区将自然植被移入蒸渗仪,观察当降水分别为常年平均降水量的80%、90%、100%、110%和120%等5种处理条件下,植被生产力和土壤的不同反映。研究发现:受验植被对降水反映敏感,降水每增加10%,植被生产力增加15%左右,预示未来全球变化导致的降水变化会对太行山低山区植被产生影响。同时在利用野外实验结果对WAVES模型进行验证的基础上,模拟了不同温度和降水变化情景下,土壤水分的可能变化趋势。结果表明:增温和减少降水对土壤水分负作用明显,尽管降水增加可改善土壤的水分供应状况,但降水增加10%对土壤水分的正面影响,大体被3 oC的增温抵消。由于模型模拟中采用的是与目前没有改变降水条件的实验相同的植被(LAI),而植被生长在太行山这一半湿润、半干旱地区又受土壤水分控制,因而估计未来气候变化情景下的植被变化与土壤水分的变化趋势相似。     

滑动时间窗长度对太行山区雷达反演降水的影响

利用雷达估算太行山降水对于海河流域水循环解析、变化预测及流域水资源管理具有重要意义。本文利用2013和2014年6—9月太行山东部中低山区多普勒天气雷达反射率(Z)产品和自动雨量站降水(I)数据,采用不同滑动时间窗(1~5h)估算Z-I关系,利用2013—2014年45次降水事件验证不同时间窗Z-I关系在小雨、中雨和暴雨情况下的精度,并针对2013年7月9日降水事件进行个例分析。结果表明:不同滑动时间窗Z-I关系反演降水精度不同,误差随滑动时间窗增大,呈现先下降后上升的趋势,其中2h滑动时间窗误差最小。对于不同量级降水的反演,2h滑动时间窗Z-I关系对中雨的改进最大。个例分析表明:滑动时间窗Z-I算法的主要优势在于改善其他算法对雨强较大降水的低估。     

基于SOM的流域分类和无资料区径流模拟

无资料区的径流模拟问题是国内外水文研究的难点之一。基于相似流域的参数移植法是常用的解决方法之一,但如何判断相似流域是制约此类方法发展的难点。本文以滇池流域为例,采用自组织映射神经网络(SOM)和层次聚类分析(HCA)联合模式,选取16个流域物理特征为指标进行子流域分类,以确定相似流域。运用无分层的K-means分类的SOM法将整个滇池流域划分为7类具有水文属性的子流域组,分类情景与HCA基本一致,两者实现相互验证。采用HBV水文模型模拟子流域径流过程,并选择部分子流域进行组内参数移植交叉检验。结果显示,HBV模型可较好的模拟滇池流域径流过程;此外,子流域交叉检验结果优良,表明同组内参数可以相互移植。本文不仅为解决滇池流域无资料问题提供了可靠手段,而且由于SOM实现了高维流域特征可视化展示,有助于管理者全面、深入的把握滇池流域水文属性的空间分布特征,为进行水资源管理提供指导。