基于多模型適用的大通河流域洪水臨界雨量閾值研究與比較分析

劉義花，李紅梅，李 林，汪青春，許顯花

（1.青海省氣候中心，西寧 810001；2.青海省人工影響天氣辦公室，西寧 810001；3.黃南州氣象局，青海 黃南 811300）

青海省是瀾滄江、黃河、長江的源頭，是生態的脆弱區和敏感區。青海省集水面積在500 km2以上的河流有278 條，河道長度大于100 km 的河流有65條。每年夏季受強降雨的影響，暴雨洪澇災害頻次高、危害重、影響大，加之暴雨洪澇災害形成的機理非常復雜，諸多因素中降雨是引發暴雨洪澇災害最直接的外在動力因素。因此，通過各種技術和方法有效提高中小河流洪水、山洪地質災害預警能力，可為青海省防災減災提供基礎。

歐美國家最有代表性的洪水災害預警指標是美國的暴雨洪澇預警指標（Flash flood guidance，FFG）［1］。該方法較為全面地考慮了降雨、土層含水以及下墊面特性三大主要因素，并進行預警指標的計算，以此提供動態變化結果，其結果由相應等級的平臺進行分析和發布。日本的臨界雨量確定方法考慮的因素更集中于降雨和土層含水方面的分析［2］，其臨界雨量的分析研究主要針對滑坡、泥石流等災害預警方面。目前國內現有山洪災害臨界雨量的確定方法種類繁多，主要有實測雨量統計法［3-5］、水位/流量反推法［6］、暴雨臨界曲線法［7］、比擬法［8］等。此外，主要采用水動力模型來確定臨界雨量閾值，主要有SWAT模型［9-11］、HBV 水文模型［12-17］、Floodarea 模型［18，19］等來確定暴雨洪澇致災臨界雨量閾值。隨著青藏高原極端降水的增多，本研究試圖采用多種模型進行適用性分析，旨在為大通河流域洪水預警提供較為科學的預警指標，為青藏高原生態健康持續發展、防災減災提供科學指標。

1 研究區概況

大通河流域是青海省湟水河左岸最大支流（圖1），位于青海省東北部，流域呈狹長狀，河流兩岸山嶺對峙，林草豐茂，干流峽盆相間。大通河流域面積8 418.48 km2，跨祁連、天峻、門源、海晏 4 個縣，海拔在2 925~5 066 m。土地利用類型主要是以草地為主，其次為林地、濕地、裸土。大通河主要支流有莫日曲、克克賽河、薩拉溝、永安河、老虎溝及左左拉水河。

2 資料與方法

2.1 資料

地理信息資料：統一采用美國NASA 公布的全球3 弧度秒（90 m 分辨率）SRTM 數據，水利部門水利水電規劃設計總院發布的《全國水資源分區電子地圖（1∶25 萬）》，國家基礎地理信息網發布的中國1~5級河流水系數據（比例尺1∶100 萬），統一采用國家基礎地理信息網發布的中國省、市、縣級數據（2005年，比例尺1∶100 萬）水系、道路、土地利用、土壤特征參數；氣象資料：祁連、野牛溝、門源、天峻氣象站1961—2011 年日降水、平均氣溫等資料；此外采用了大通河流域青石嘴水文站2007—2011 年逐日水位、流量資料，水文站警戒水位、保證水位、堤防高度資料。

2.2 方法

2.2.1 HBV 水文模型 HBV 水文模型是瑞典國家水文氣象局開發研制的半分布式的概念性水文模型。該模型對各類復雜氣象條件下的水文模擬具有較高的區域適應性。HBV-D 模型由氣候資料插值、積雪和融化、蒸散發估算、土壤濕度計算過程、產流過程、匯流過程等子模塊組成，模型應用相對簡便，輸入模型數據主要包括DEM、日均氣溫、降雨、土地利用、土壤最大含水量和河流匯流時間等參數，此外HBV 水文模型有30 多個有物理意義的參數，其值通過人工試錯法進行優化調整，采用Nash 效率系數（Nash-Suttcliffe Efficiency coefficient，NSE）、確定系數（R2）對模擬結果進行評價，關于NSE 和確定系數計算方法可參考文獻［15］。

2.2.2 SWAT 模型 SWAT 模型是以美國的水文、氣候等環境要素為對象開發的，盡管其計算基于物理過程，然而由于其核心方程USLE 是為應用于美國水土流失狀況而建立的經驗公式，因此，在應用于美國以外的區域時，SWAT 模型需要根據當地的實際狀況進行敏感性分析。SWAT 模型參數敏感性分析是通過調整模型參數的初始值或是取值范圍，使模型的模擬值接近于測量值。利用SWAT 模型自帶的自動參數分析模塊，可以分析眾多參數對模擬結果的不同影響，并可看出各參數對模擬結果影響的大小，結合參數的閾值與實際情況對參數進行調整，可獲得較精確的模擬結果。SWAT 模型模擬流域徑流過程分為2 部分：水循環的陸面部分（即產流和坡面匯流部分）和水循環的水面部分（即河網匯流部分）。前者控制每個子流域內主河道的水量輸入量，后者決定水量從河網向流域出口的輸移過程。SWAT 徑流模擬主要由地表徑流、蒸散發、土壤水和地下水4個部分組成。本研究將模擬的地表徑流和水文站實測值進行對比，其中SUFI-2 算法是2007 年開發的一種綜合優化和梯度搜索方法［20］，不僅可以同時率定多個參數，而且具有全局搜索的功能，同時還考慮了輸入數據、模型結構、參數及實測數據的不確定性。SUF1-2 算法開始時先假設一個比較大的參數補缺空間，使實測數據被包含在95PPU 范圍內，然后逐步縮小不確定性的區間范圍，同時關注P 因子和R 因子的變化。SUFI-2 算法的計算步驟包括以下7 步：①確定目標函數；②確定參數的物理意義和區間范圍；③根據選定的目標函數，對每個參數進行多次模擬；④參數范圍確定后進行LatinHypercu 抽樣；⑤進行LatinHypercube 抽樣后，得到多種參數組合，并進行模擬；⑥對第一步進行評估、模擬，并計算結果；⑦進行參數的不確定性分析（表1）。

表1 SWAT 模型所選參數的意義

2.2.3 統計模型 本研究將計算區域平均雨量的方法引入到區域雨量預警，對所有雨量站的實測雨量加權平均。泰森多邊形法在水文計算中應用廣泛，特別是用于計算區域平均雨量，該方法賦予流域內各雨量站一個權重，相當于將各個雨量站實測雨量進行折減，這樣可與分析評價預警值進行有效銜接。該方法是將所有相鄰的雨量站點連成三角形，然后對這些三角形各邊作垂直平分線，畫出的垂直平分線分別相交圍成若干個多邊形。每個多邊形內有一個雨量站，實測降雨量以R表示，同時，獲取流域內各個多邊形的面積為Ai，然后根據面積加權乘上雨量算出流域平均雨量，即：

式中，AR為流域面雨量，Ri為站點i的雨量，Ai為i站點所在子區域的面積，A為流域總面積，n為泰森多邊形個數。此外，根據實測雨量和水位資料，采用相關分析統計學方法，得到流域雨-洪關系，由此確定流域致洪臨界雨量。

2.2.4 臨界雨量確定方法 面雨量是整個區域單位面積上的平均降水量，能客觀地反映整個區域的降水情況。降雨是造成中小河流洪水的直接原因和主要激發條件，在一個流域內，降水量達到或超過某一量值和強度時，該流域內發生洪水災害，造成淹沒農田、房屋等損失及人員傷亡，常把這一量值和強度稱為該流域的致災臨界雨量、雨強。中小河流洪水一般由于降雨集中、強度強、持續時間長，造成河道水位上漲致漫過堤壩及水庫或對防洪工程造成破壞，如潰壩、決堤導致洪水淹沒村莊和農田、基礎設施遭到破壞、造成人員傷亡等災害。考慮到洪水上漲到一定程度，防洪工程出現危險造成災害的風險大，因此將中小河流洪水水位分為3 個等級：警戒水位（三級）、保證水位（二級）、漫壩時水位即堤壩高度（一級）。對每一個水文控制點，計算達到這3 種水位的臨界面雨量。三級洪水臨界面雨量定義為某水文控制點以上流域一定時效的降雨使該水文控制點水位上升達到警戒水位的面雨量；二級洪水臨界面雨量定義為某水文控制點以上流域一定時效的降雨使該水文控制點水位上升達到保證水位的面雨量；一級洪水臨界面雨量定義為某水文控制點以上流域一定時效的降雨使該水文控制點水位上升至漫過堤壩時水位的面雨量，通過水文模型模擬的徑流深度以及觀測流量和水位、水位和研究區面雨量的關系，劃分出研究不同基礎水位下臨界面雨量的閾值。

3 結果與分析

3.1 HBV 水文模型適用

采用GIS 和水文分析技術提取大通河流域的范圍、流域中心點，基于R 雨量插值軟件和流域內氣象站觀測數據，得出2007—2011 年流域面雨量的逐日變化序列（圖2），其中中雨以上量級降水主要出現在5—9 月，累計次數為41 次，頻次和強度增加明顯。

通過HBV 水文模型模擬的徑流量和觀測流量的擬合和對比分析，從而確定模型的穩定性和可靠性，然后根據流域降雨量和水位、水位和流量之間的相互關系，進而確定洪水臨界面雨量閾值。此外，在模型模擬之前，對模型所需數據進行了修改，如流域面積、模擬的時間段，并對模型中的31 個參數進行了敏感性分析。一般而言，HBV 水文模型模擬效果評定指標NSE 系數和確定系數為0~1，越接近1，誤差越小，以此來驗證模型模擬效果，經多次調整參數，發現 Beta（Non-linearity in soil water zone）、Kuz2（Quick time constant upper zone）、Ered（Evapotranspira?tion red during interception）、Klz（Time constant lower zone）、Smini（Initial soil moisture content）參數的敏感性較高，調整后的值為0.26、0.09、0.5、0.004、30。

從率定的結果可以看出，HBV 水文模型對大通河流域日徑流深模擬的確定性系數達0.84，NSE 為0.61，對洪水過程能較好地捕捉，模型模擬的結果與實況較一致，能夠很好地模擬出大通河流域的日徑流過程（圖3a）。為進一步檢驗HBV 水文模型模擬效果，使用2009—2011 年逐日資料對HBV 在大通河流域的預報效果進行了檢驗，可以看出經過率定后HBV 水文模型在大通河流域具有很強的適用性，逐日徑流深模擬的確定性系數超過了0.81，NSE 為0.51，模擬出的水文過程線與實際基本吻合（圖3b），很好地預報出了洪水對降水的響應過程，從而能夠根據洪水流量與水位的關系，建立降水-流量-水位之間的關系，推算大通河流域到達警戒水位、保證水位、漫過堤壩時水位的臨界面雨量。

3.2 SWAT 模型適用

基于SWAT 模型，通過對模型輸入地理高程、土壤性質、土壤類型、降水量、觀測流量等數據，模擬了大通河流域2007—2008 年逐日徑流量，并對SWAT模型的參數進行了率定，經多次調整參數，發現最敏感的4 個因子為徑流曲線參數、基流消退參數、地下水滯后參數和淺層含水層產生基流的閾值深度，其值分別為 0.6、0.5、0.7、0.63。2007—2008 年作為模型的率定期，率定期模型的效率系數為0.87，相關系數為0.94；2009—2011 年驗證期模型的效率系數為0.62，相關系數為0.83。率定期和驗證期模型的效率系數和相關系數都高于0.6，表明大通河流域SWAT 模型模擬的水文過程模擬精度較高，具有良好的適用性。從圖4 可以看出，率定期對洪水過程的模擬有較好的捕捉，模型模擬的結果基本與實況一致，對洪水達到洪峰的過程有較好的捕捉（圖4a）；從2009—2011 年驗證期可以看出，雖然個別年份擬合效果欠佳，但從整體來看，大通河流域觀測值與模擬值基本吻合（圖4b），很好地預報出了洪水對降水的響應過程，并根據流量與水位的關系，建立降水-流量-水位之間的關系，推算到達警戒水位、保證水位、漫過堤壩時水位的臨界面雨量。

3.3 水位和流量的關系

通過大通河流域青石嘴逐日觀測流量和水位數據來看，自2007 年以來流量（圖5a）和水位（圖5b）呈略增加的態勢，但自2011 年以來流量減少明顯，這與研究區的降水量有密切關系，2010 年研究區平均降水量為557.6 mm，2011年平均降水量為504.2 mm，說明降水量是影響徑流量減少的主要原因。此外還建立了青石嘴站流量和水位的擬合關系（圖5c），且二者的相關性特別高，通過了0.001 水平的顯著性檢驗。

3.4 統計模型結果

通過研究大通河流域基礎水位與水位增量之間的關系，建立了Y-L-R（其中Y為水位增量，L為基礎水位，R為面雨量）的回歸關系，通過數據統計與分析，大通河流域24 h 雨量線性回歸擬合方程為Y=-0.005 8L+0.003 8R+16.982 7，其中r＝0.333，通過了0.05 水平的顯著性檢驗。根據大通河流域水位與面雨量的關系，將Y=保證水位（或警戒水位）-L代入24 h 雨量線型回歸方程，即可得到對應24 h 不同基礎水位相對應的臨界面雨量。

3.5 臨界（面）雨量的確定

基于3 種模型，確立大通河流域降雨量-水位定量關系。當計算的河流洪水達到警戒、保證或漫過堤壩水位時，即認定此時的面雨量為所對應洪水等級的臨界（面）雨量。將不同前期水位與雨量代入到模型中，再以青石嘴站警戒水位2 932.67 m、保證水位2 930.17 m、堤壩高程2 929.85 m 為臨界判別條件，得出不同前期水位下對應的各級臨界（面）雨量，結果見表2。由于河流漫壩時，原有的流量-水位關系不再適用，所以未給出漫壩水位時推算的臨界雨量值。

4 結論

因青藏高原獨特的地理環境及氣候特點，模型的適用性研究很有意義，通過3 種方法研制的臨界雨量閾值與實際洪水發生的情況比較，使劃分的閾值指標為流域洪水預警起到關鍵作用。

1）HBV 水文模型是半分布式水文模型，通過面雨量插值、土壤類型、土壤持水力等模擬徑流深度，模型參數多，調參耗費大量時間，模擬效果好。SWAT 模型是分布式水文模型，模型分為SWAT 和SWATCUP 2 塊，由于模型結構復雜、參數較多，但模擬效果的評定指標要比HBV 水文模型高，而且對每次洪峰捕捉效果良好。統計模型要求樣本數據序列長，因洪水發生時災情數據收集與流量、水位、雨量數據的限制，且沒有考慮從降雨形成地表徑流過程，因此確定的臨界雨量閾值偏大。雖然各個模型均可以確定臨界雨量閾值，且各個模型均有優點和缺陷，但還需要隨著極端強降水天氣過程的出現不斷地修正和完善臨界雨量閾值，達到防災、減災的目的。

表2 不同模型模擬下的大通河流域臨界雨量閾值比較

2）根據3 種模型在大通河流域洪水臨界雨量閾值研究適用的結果以及實際洪水發生的檢驗情況來看，因NSE 和確定性系數是檢驗HBV 水文模型模擬效果的衡量標準，但從模擬流量和實際流量擬合來看，模擬的徑流深度和實際徑流深度擬合率較低，對應洪峰的位置偏差較大；統計模型需要長序列災情資料和雨情資料，而2000 年以前的災情資料缺失嚴重，嚴重影響模型模擬的效果；從SWAT 模型在大通河流域適用的結果來看，模擬流量和實際流量的擬合率滿足模型檢驗的標準，洪峰對應較為一致，歷年實際洪水發生的檢驗結果也較好，表明大通河流域基于SWAT 模型確定的臨界雨量更加可靠。

3）在青海省中小河流域臨界雨量閾值研究當中，如果獲取了中小河流域水文站連續的流量、水位，應采用水文模型有效劃分該流域臨界雨量閾值，如果流域內無水文站資料，建議應用統計模型研究臨界雨量閾值，隨著水文資料和災情資料的收集，應用實際災情逐步驗證臨界雨量的有效性并不斷完善臨界雨量預警指標。