新水文地理數據集的研究與應用
——以洞庭湖水系為例

黃澤群，廖春花*，陳玉貴，陳唯天，趙恩榕，羅紅梅，謝睿恒

（1.湖南省氣象服務中心，長沙 410118；2.氣象防災減災湖南省重點實驗室，長沙 410118；3.中山大學 大氣科學學院，廣東 珠海 519082；4.廣東省氣候變化與自然災害研究重點實驗室，廣州 510275；5.湖南省氣象臺，長沙 410118）

0 引 言1

在全球變暖的大背景下，隨著人類活動的日益影響，暴雨和洪澇等自然災害的頻率逐漸增多[1-3]，這些自然災害給社會經濟發展帶來很大的不確定性和風險[4]。【研究意義】水文地理參數（流向、河網和流域面積等）在許多水文氣象領域的研究與應用方面起著重要作用，如水文模型的建模，地形地貌的分類，水庫電站的調度，防災減災系統的構架等。其中水文模型對流域的匯流參數具有很強的敏感性[5-8]。同一研究區域中使用不同質量的水文參數得出的水文學基本規律和理論可能具有很大的差異性。然而，大多數高分辨率的水文參數數據集不能通過直接測量獲得，必須通過高分辨率的數字高程模型（DEM，Digital Elevation Model）來提取[9]。【切入點】通過DEM 分析提取地表水流方向，可以描繪出許多水文參數，例如集水區邊界、流域面積、水流距離和河道寬度等。【研究進展】目前全球主流的DEM 數據主要有SRTM3（Shuttle Radar Topography Mission 3 DEM）[10]、TanDEM-X DEM（TerraSAR-X add-on for Digital Elevation Measurements ）[11]、ASTER GDEM（Advanced Spaceborne Thermal Emission and Reflection Radiometer-Global DEM）[12]和 AW3D（Advanced Land Observing Satellite World 3D DEM）[13]等。【擬解決的關鍵問題】這些DEM 在全球不同的區域范圍內存在著觀測誤差（特別是垂直方向上），會極大地干擾地形的坡度計算和流向的分配，進而影響整個水文地理參數集的質量。

迄今為止，基于SRTM3 開發的HydroSHEDS是使用范圍最廣，用戶人數最多的水文地理參數數據集[14]。但HydroSHEDS 也存在以下幾個缺點：①在森林地區，中小河流的位置在HydroSHEDS 中沒有很好地表示，這是因為DEM 高程中存在樹高誤差。②HydroSHEDS 中大型水體的流向分配存在錯誤，特別在內陸河流和湖泊中表現較為明顯。③受到SRTM3 DEM 的范圍限制，HydroSHEDS 的覆蓋范圍被限制在60°N 以下，未實現高緯度地區的覆蓋[15-16]。④HydroSHEDS 數據集的發布時間距今已超過10 a以上，受自然環境和人類活動影響，部分水文參數可能已經發生改變，如河流改道，河水干枯斷流和地形地貌發生變化等。為此，Yamazaki 等[14]于2017 年發布了的1 套高精度（約90 m 分辨率）的全球范圍的數字高程模型（MERIT DEM，Multi-Error-Removed Improved-Terrain DEM），該DEM 通過一系列的拼接和過濾技術，消除了復合誤差，能夠較好的反應研究區域的高程信息。本研究以MERIT DEM 為基礎，通過GIS 信息系統軟件和python 程序的自動校正等手段，生產了1 套覆蓋洞庭湖水系的水文地理參數集（流向、匯流累積量、河網、流域面積、河長等），通過數據的對比分析和模型驗證的方法來說明新數據集的質量，為之后的洪水模擬和預報工作提供有力的數據支撐。

1 研究區域、數據及方法

1.1 研究區域概況

洞庭湖水系位于長江中游南岸，是洞庭湖和入湖的湘江、資水、沅江、澧水（簡稱“四水”）和汨羅江等水系的總稱。洞庭湖水系河網密布，水資源豐富，流域總面積約為26.28 萬km2，占湖南省國土面積的95%以上。地形上，洞庭湖水系三面環山，北部以平原、湖泊為主，中部丘陵山地起伏，呈西高東低、南高北低的地勢[17]。

1.2 研究數據

MERIT DEM 是一套高精度（3″，約90 m 分辨率）的全球范圍（85°N—60°S）DEM。該DEM 以SRTM3 DEM、AW3D DEM 和VFP-DEM 為基礎，通過一系列的誤差過濾技術消除了條紋噪聲、斑點噪聲、絕對偏差和植被高度偏差[14]，能夠有效降低后期生產的水文參數（如流向、坡度等）的不確定性，最大限度地保護河網的整體結構。

HydroSHEDS 是在SRTM DEM 的基礎上，進行了算法的改進而得到1 套高精度（3″，約90 m 分辨率）的全球范圍（60°N—56°S）DEM。該DEM 經過用戶多年的使用和檢驗，已成為目前全球使用最廣泛的數字高程模型之一。盡管在一些陡峭的山脈和水體之間存在著測量誤差，并且在森林區域存在樹高誤差，但是在全球大部分地區能夠較好的保證河流的整體結構。

1.3 研究方法

本文以90 m 分辨率的MERIT DEM 為基礎，通過地理信息系統軟件（ArcGIS）和Python 程序的自動校正等手段，得到了一系列的水文匯流參數（流向、匯流累積量、河網、流域面積、河長和流域分區等）。數據評估方面，先是對比了 2 套數據的數據源（MERIT DEM 和HydroSHEDS DEM）以及提取的流向占比，之后通過河網整體結構的視覺評估，流域面積和河長的對比分析等方法驗證了新水文地理數據集（MERIT）的質量。評估的指標為相對誤差（Relative Error）、平均相對誤差（Mean Relative Error）和均方根誤差（Root Mean Squared Error），計算式為：

式中：Mi表示由MERIT 得到的參數值；Hi表示由HydroSHEDS 得到的參數值；N表示對比的參數值個數。

本研究使用的模型（DRIVE, Dominant River Tracing-Routing Integrated with VIC Environment Model）是陸面過程與水文過程耦合的分布式水文模型[16]，其中產流模型選用的是分布式大尺度水文模型VIC （Variable Infiltration Capacity Macroscale Hydrologic Model）模型，匯流模型是DRTR（Dominant River Tracing based Routing Model）模型。可變下滲容量大尺度水文模型（VIC）是一個開源的，基于水量熱量平衡、物理動力機理的概念型大尺度分布式水文模型。該模型最初是由華盛頓大學、加利福尼亞大學伯克利分校和普林斯頓大學的研究人員基于Liang等[5]的思想共同研制出來的水文模型。DRTR 模型，全稱Dominant River Tracing based Routing Model,水文網絡自動升尺度化匯流模型，是基于Wu 等[6]提出的升尺度化算法（DRT）發展而來。相關計算式為：

式中：t表示時間（s）；x為縱向流動距離（m）；A指的是水面下河道的橫截面積（m2）；P為截面的周長（m）；Sf為摩擦斜率，主要影響因素包括重力、摩擦力、慣性力等。如果地形很陡峭，重力將占主導地位，Sf可以近似為河道底部斜率S0，這是匯流方法中運動波方程的基本假設。n為曼寧粗糙度系數，其不能夠通過直接測量獲得，但主要由表面粗糙度，底部材料的類型和河道的彎曲度決定。Q為流量（m3/s），qL為橫向流量（m3/s）。

模型的試驗范圍為整個洞庭湖水系流域（共26.28 萬km2）。模型運行的時間段為2000 年1 月1日0 時到2020 年1 月1 日0 時，共20 a，時間步長為3 h。由于水文站點的觀測數據限制，模型的評估階段為2017 年1 月1 日0 時—2020 年1 月1 日0 時，共4 a。模型的輸入數據除比較的2 套數據集（MERIT和HydroSHEDS）不同外，其他的輸入參數均為同1 套數據。其中降水數據均為IMERG（Integrated Multi-satellitE Retrievals for GPM），溫度和風速來自于 NASA （National Aeronautics and Space Administration）的MERRA（Modern-Era Retrospective analysis for Research and Applications）數據。土壤和植被參數則由美國普林斯頓大學的賈斯汀·謝菲爾德提供。模型的評估指標為納什系數（Nash-Sutcliffe efficiency coefficient, NSE）。NSE越接近1，表示模型的模擬效果越好，可信度越高。

2 結果與分析

2.1 數字高程模型的對比

數字高程模型（DEM）是大部分水文基本參數（如河流流向等）的數據源。為分析MERIT DEM 與HydroSHEDS DEM 的差異，將精度同為90 m 的MERIT DEM 高程值減去HydroSHEDS DEM 的高程值，得到的結果如圖1 所示。從圖1 可以看出，MERIT DEM 的平均高程要低于HydroSHEDS DEM，主要原因是MERIT DEM 消除了復合誤差（特別是植被高度），且在海拔較高的區域（如武陵山脈、雪峰山和南嶺山脈等）尤為明顯，而在地形平坦的區域（如洞庭湖區域）差距較小。2 套DEM 高程的平均相對誤差（MRE）為3.57 m，均方根誤差（RMSE）為9.12 m。本研究還分析了高程差（d）的絕對值在不同閾值范圍的占比情況（圖2），閾值分別為5、10、15 m和20 m。從圖2 可以看出，高程差的絕對值主要集中在0～5 m 的范圍內，占總數的72.29%，其次是5～10 m 的區間，占比為26.24%，而高程差大于20 m 的柵格數量僅為0.39%。這說明2 套DEM 數據還是存在著一定的差別，特別是在部分地勢較高的地區有著顯著的差異。這些差異會影響后續河流流向、河網和流域面積等參數的提取。

圖1 MERIT DEM 和HydroSHEDS DEM 的高程差Fig.1 Differences between MERIT and HydroSHEDS DEM

圖2 高程差直方圖Fig.2 Average errors between MERIT and HydroSHEDS DEM

2.2 流向的評估

流向是指河道中的水流從當前柵格流向下一個柵格的方向[18]，是生成許多水文匯流參數的基礎（如匯流累積量和河網等）。本研究采用的是D8 算法，對比了基于不同的DEM 生成的2 套流向數據（圖3）。結果顯示HydroSHEDS 的流向中，東、南、西、北4個方向偏多一些，其中正南方向的柵格數量最多，占總柵格數的15.7%，而MERIT 的流向則是東北、東南、西南和西北4 個方向多一些，其中東南方向的柵格數量最多，占總柵格數的19.8%。造成這種差異的原因主要是：不同數據源的衛星產品（DEM）存在著差異，且在流向分布上的表現會更為明顯。流向的這些差異必然會影響到河網數據的提取。

圖3 不同的流向占比Fig.3 Proportion of different flow direction

2.3 河網的可視化評估

河網的可視化分析是一種最直接的評估方法。圖4 展示了2 套數據的河網在洞庭湖水系范圍內的整體結構，河網的提取閾值均為50 km2。從圖4 可以看出，2 套河網數據在大部分地區基本重合，但在少數區域（如洞庭湖區）存在著較大的差異，這是因為該區域湖泊眾多，地勢平坦，D8 算法在湖泊等特殊地理區域的流向提取方面存在著一定的局限性。本研究選取了3 個區域進行放大（即圖4 中的a、b、c），用來和谷歌高清衛星影像進行對比，結果如圖5 所示。圖5中紅色的河網（MERIT）在河道的蜿蜒曲折部分（虛線框內）更加貼近于真實的河道，說明MERIT 生成的河網在一定程度上要好于HydroSHEDS 的河網。

圖4 MERIT 和HydroSHEDS 的河網對比Fig.4 Comparison of MERIT and HydroSHEDS’river network map

圖5 2 套數據的河網與谷歌影像中的河道對比Fig.5 Differences between two datasets and Google map in river networks

2.4 流域面積和河流長度的對比分析

流域面積和河流長度是評估河網整體結構的重要匯流參數[19]。本研究評估了2 套數據在洞庭湖水系及“四水”（湘江、資水、沅江和澧水）的流域面積。由表1 可知，MERIT 和HydroSHEDS 在湘江和資水的流域面積差異較小，其中資水流域的面積差約為0.24 km2，相對誤差不足0.01%。“四水”中相對誤差最大出現在澧水流域，面積差約為409.52 km2，相對誤差為2.2%。所有流域的相對誤差都小于3%，說明MERIT 和HydroSHEDS 的2 套數據在流域面積方面差異較小。河流長度評估方面，將洞庭湖水系的所有河流都設定長度閾值，分別為10、25、50、75 km 和100 km。由表2 可得，MERIT 提取的河流條數由44到526 條不等，HydroSHEDS 提取的河流條數由35～492 條不等，說明從MERIT 中提取的河流數量要大于HydroSHEDS。

表1 流域面積的評估結果Table 1 Assessment results of derived basin area

表2 河流長度的評估結果Table 2 Assessment results of derived flow distance

2.5 水文模型的驗證

為了更好地比較2 套數據的質量，本研究驗證了不同數據集在DRIVE 模型徑流量模擬方面的效果。結果顯示，使用MERIT 為輸入數據的平均日納什系數為0.41，月納什系數為0.52，而使用HydroSHEDS的日納什系數為0.37，月納什系數為0.5，說明MERIT數據集的整體質量要好于HydroSHEDS。各站點的日納什系數的空間分布如圖6 所示，其中紅色圓點（共 30 個站點）代表MERIT 日納什系數高于HydroSHEDS 的站點，綠色圓點（共15 個站點）代表HydroSHEDS 日納什系數高于MERIT 的站點。

圖6 日納什系數值在洞庭湖水系上的空間分布Fig.6 Spatial distribution of Nash coefficient values in Dongting river basin

造成上述差異的主要原因是MERIT 能更好地反映河道的彎曲程度，更加貼近實際的河流情況，而HydroSHEDS 在部分地區（特別是中小河流）的河道更加筆直，這樣會造成河流長度小于MEIRT，從而導致模型計算的徑流量和流速的偏大。同時實驗顯示納什系數較好的站點主要集中在河道的上游區域，這主要是因為上游的徑流受水庫大壩的調控影響較小，更符合原始自然地貌的流域景觀。

2.6 基于MERIT 數據集的流域劃分

流域分區在水文模擬、水旱災害防御調度和水資源評估等方面起著重要作用。因為基于MERIT 提取的河網數據集比HydroSHEDS 的更加精準，所以以MERIT 數據集為基礎，將整個洞庭湖水系劃分為4個等級（圖7）：Ⅰ級為5 個子流域，Ⅱ級為22 個子流域，Ⅲ級為58 個子流域，Ⅳ級為3 383 個子流域。所有子流域都采用字母加編號的方式命名（表3），字母代表所屬的Ⅰ級流域（如湘江的Ⅰ到Ⅳ級流域字母均為X，資水的Ⅰ到Ⅳ級流域字母均為Z），數字代表子流域編號，數字的位數代表Ⅰ到Ⅳ級，湘江流域Ⅰ級為X1，Ⅱ級為X01 到X06，Ⅲ級為X001 到X016，Ⅳ級為X0001 到X1390。

表3 洞庭湖水系流域分區命名Table 3 Name for division of Dongting basin

圖7 洞庭湖水系的流域劃分Fig.7 Division of Dongting basin

3 討 論

盡管新生成的水文地理數據集能夠滿足水文氣象行業服務的基本需求，降低水文模擬的參數不確定性，但仍然存在著一些缺陷和不足。

在算法方面，新數據集基于單流向算法（D8），對流向的數據質量要求較高，需要一定量的手動校正才能有效地避免在地勢較為平坦的區域產生“平行偽河道”，但這在大范圍的研究區域下難以實現，時間成本較高。同時，單流向算法無法準確描繪出三角洲處河流分叉的現象，進而影響洪水預報和風險評估的成果。多流向法算法（Multi-Flow Directions）中的Dinf（D infinity）算法是在3×3 的柵格中，中心柵格與其周圍8 個柵格形成8 個平面三角形，分別計算出每一個三角形的坡度，然后以最大三角形坡度作為中心柵格的坡度，該三角形的坡向即為中心柵格的流向，最大坡度的三角形所確定的2 個下游柵格作為流量的分配單元。該算法雖然能夠解決三角洲處河流分叉的問題，但是因為其算法較為復雜，且運算時間成本較高，無法適應分辨率較高的科學研究和實踐應用。在評估方面，本研究也存在幾點不足：①局限于單一水文模型的評估，今后可以嘗試不同的水文模型，如LISFLOOD 和CaMa-Flood 模型等，因為不同的水文模型可能會對同一套水文地理數據集產生模擬的差異性。②還應該進行參數率定工作，找到參數的最優解，提高模擬結果的質量。③一些大型的分布式水文模型，輸入數據還包括河寬和湖泊等參數，目前的數據集還無法滿足這些要求。④受人類活動的影響，新數據集無法體現出人工開鑿的河道，需要基于最新的遙感影像資料進行一定量的手動校正，才能保證其結構的合理性。這些缺陷和不足都迫使新水文地理數據集還需進一步的更新和升級。

4 結 論

基于MEIRT DEM 提取的新水文地理數據雖然在流域面積部分和HydroSHEDS 數據結果相差不大，但在DEM 高程、流向的分布方面存在著較大的差異，MERIT 更好地保證了河網的整體結構（特別是河道的蜿蜒曲折部分），從而保證了河流長度等其他參數計算的準確性。在水文模型評估方面，MERIT 數據集的日納什系數為0.41，月納什系數為0.52，均優于HydroSHEDS 數據集。同時，基于新數據集將洞庭湖水系按流域劃分為4 個等級，其中Ⅰ級為5 個子流域，Ⅱ級為22 個子流域，Ⅲ級為58 個子流域，Ⅳ級為3 383 個子流域。新數據集有助于提升分布式水文模型的模擬結果，促進相關領域的科學研究，推進中高端專業水文氣象服務的發展。

（作者聲明本文無實際或潛在的利益沖突）