S2S氣候模式產品在黃河流域徑流預測中的應用*

劉綠柳 王國復 肖 潺

國家氣候中心,北京 100081

提 要：次季節氣候和徑流預測是主動減災的一個關鍵。基于國家氣候中心第三代氣候模式系統的次季節到季節模式(CMA-CPS v3 S2S)的氣候預測信息和HBV水文模型,應用集合預測技術研發了未來40 d時段平均徑流量和時段內極端干旱概率預測模型,應用平均方差技巧評分、距平相關系數、相對操作特征曲線面積、布賴爾技巧評分開展了回報檢驗,并檢驗了2021年黃河流域徑流異常預測效果。結果表明,所建模型能夠以較高技巧預測黃河流域未來40 d時段平均的徑流量,且表現出枯季預測技巧高、濕季技巧低的季節差異;對秋末11月和冬季3個月(12月、1月、2月)的極端干旱概率預測也有較高技巧。對于2021年5—8月黃河上中游干旱和9—10月的秋汛,該方法正確預測了除6月、9月外的其他4個月的徑流異常方向,但異常程度與實況存在差異。對徑流預測水平影響因素的進一步分析表明,S2S降水預測能力影響徑流預測水平,特別是豐水期的徑流預測,但還有降水之外的其他因素影響徑流預測技巧。

引 言

近年來,具有次季節尺度特征的極端氣候和水文事件,如熱帶氣旋、高溫熱浪以及強降水和流域洪澇等的強度和影響范圍日益擴大(任宏利等,2015;李曉嵐,2020)。由于缺乏足夠早的預警信息,導致應對極端事件的準備和采取措施不充分,全球每年都會因此造成重大人員和財產損失(周佰銓和翟盤茂,2023)。例如,2008年1月我國南方地區歷史罕見的低溫雨雪低溫冰凍過程,2019年8月臺風利奇馬,2021年山西罕見秋汛等均造成了巨大的社會經濟損失(丁一匯等,2008;李健等,2021);2003年歐洲高溫熱浪造成3.5萬人死亡(Mitton,2008),2015年巴基斯坦高溫熱浪一周內造成200多人死亡(Nasim et al,2018)。對于許多管理決策層來說,次季節預測是主動減災的一個關鍵,可為有效防災減災、科學風險管理決策提供重要信息,具有潛在的社會和經濟價值(齊艷軍和容新堯,2014;Vitart et al,2017)。2013年世界氣象組織(WMO)制定的次季節到季節(sub-seasonal to seasonal,S2S)氣候預測計劃(Robertson et al,2015)有效促進了次季節氣候預測的發展,也為S2S水文預測的發展提供了契機。

次季節尺度河川徑流可預測性主要來源于氣候異常的可預測性和預測開始時刻的陸地水分條件(Mahanama et al,2008),將氣候模式預測的氣候異常和土壤濕度信息帶入流域水文模型有助于提高次季節尺度的徑流預測能力(Ying et al,2016),但兩者對徑流預測技巧的貢獻具有時變特征(Wood and Lettenmaier,2008;Yuan et al,2016;Liu et al,2019;2021)。已有研究表明,基于國家氣候中心第二代氣候預測模式與水文模型耦合的延伸期、季節尺度的流域徑流預測具有一定預測技巧,且干旱半干旱區的黃河流域預測技巧高于南方濕潤區的長江、珠江(Liu et al,2019;2021)。目前,涵蓋次季節、季節和年際氣候預測的國家氣候中心氣候預測模式系統(China Meteorological Administration-Climate Prediction System version 3,CMA-CPS v3,原BCC-CPS v3)已投入業務試運行階段。與第二代相比,模式的物理過程參數化方案、動力框架等多個方面得以改進優化,水平和垂直分辨率進一步提高(Li et al,2019;Wu et al,2019;2020;Lu et al,2020)。本文將探討CMA-CPS v3的S2S模式與水文模型耦合的黃河流域未來40 d內的徑流及枯水期干旱預測能力,并嘗試分析S2S降水預測能力對徑流預測精度的影響。

1 數據與方法

1.1 基礎數據

觀測氣候數據為2004年以來降水和氣溫逐日序列,該套數據來源于國家氣象信息中心整編的2000多個國家級一般氣象站和基準氣候站逐日氣候觀測數據集。

國家氣候中心研發的CMA-CPS v3氣候模式預測業務系統基于高分辨率氣候模式BCC-CSM2-HR(大氣水平分辨率:約45 km,海洋水平分辨率:0.25°),發展了耦合同化和集合預測方法,包含S2S、季節、年際氣候預測。其中,S2S預測子系統提供未來60 d的次季節尺度氣候預測,季節預測子系統提供未來7個月的季節-年際尺度氣候預測。受計算資源限制,S2S歷史回報只開展了2006—2020年部分起報日的氣候回報,每次模擬包含4個成員。從2021年起的實時預測則每天運行,于當天北京時間18:10定時啟動4個并行作業,構成4個集合成員。本研究所用的氣候模式數據來自S2S氣候預測子系統2006年以來的回報和實時預測數據集中的降水、氣溫數據,取離預測月第一天最近的前一個月最后6 d的逐日降水量和日平均氣溫。表1列出了每月1日徑流回報所使用的氣候驅動數據的起報日期及對應預測時段起止日期。

1.2 水文模型與徑流回報

HBV最初由瑞典國家水文氣象局開發,之后不斷改進,已經在幾十個國家得到廣泛應用(徐宗學,2009),包括在中國不同氣候、不同地質地貌地區的應用(趙彥增等,2007;董立凡等,2016;米瑪次仁等,2019)。本研究采用針對大尺度流域水文模擬開發的HBV-D模型(Krysanova et al,1999)模擬黃河流域花園口站的逐日徑流,模擬過程中不考慮水庫調度和人類取用水問題。前期研究表明該模型能夠較好地模擬花園口站的月天然徑流過程,率定期(1961—1980年)和驗證期(1981—1998年)的納什效率系數分別為0.76和0.73,徑流量模擬偏差均為3.7%,相關系數分別為0.88和0.86(Liu et al,2021)。在此基礎上,進一步分析了該模型對1961—1998年枯水段11—3月的月徑流模擬能力,逐月模擬徑流與觀測徑流的相關系數分別為0.91、0.71、0.70、0.64、0.76,表明能較好地模擬枯水期月徑流過程。因此用2006—2020年每月1日起1～40 d的S2S模擬氣候和提前2年的觀測氣候驅動該水文模型開展徑流回報,然后提取預測時段內的逐日徑流建立徑流回報數據集和徑流異常預測模型,并開展檢驗評估。

從表1可以看出,徑流集合回報成員對應的大氣初值日期相差很大。考慮到預測時效和成員個數對集合預測技巧均有影響,按照預測時效由短到長、預測成員由少到多的順序設計了不同的徑流集合預測方案,對應的成員個數分別為4、8、12、16、20、24個,用以分析預測時效和集合成員個數對集合預測技巧的影響。圖1給出了以7月1日為起報日的徑流回報集合成員的構成方式。

表1 CMA-CPS v3 S2S氣候模式回報起報日及徑流預測時段Table 1 Start date of hindcasts by CMA-CPS v3 S2S climate model and periods of runoff prediction

1.3 徑流預測模型

徑流異常包括時段平均的確定性預測、集合概率預測,以及時段內干旱發生概率預測。確定性預測是指預測時段內集合平均值與歷史同期多年平均值的距平百分率。時段平均的集合概率預測為三分類預測,指預測時段內累計徑流量落在同期第33.3%分位閾值以內、第33.3%～第66.7%分位閾值和超過第66.7%分位閾值的成員個數百分比。多年平均值為2006—2020年平均的預測時段平均徑流量,三分位閾值為2006—2020年預測時段內所有集合成員時段平均徑流量樣本序列的第33.3%、第66.7%分位閾值。

考慮到11月至次年3月黃河流域徑流偏枯,用該時段歷史回報的逐日徑流序列定義干旱閾值。首先對所有集合成員2006—2020年11月至次年3月每個月1日起報的1～40 d的逐日徑流進行10 d滑動平均,然后對滑動平均值按從小到大排序,計算第15%、第10%分位數值,分別對應1級干旱閾值、2級干旱閾值。在此基礎上,基于實時預測的1～40 d 逐日徑流計算10 d滑動平均值,通過式(1)計算1、2級干旱發生概率。

(1)

式中:p為極端徑流發生概率;Threshlddrought為干旱閾值;N為預測時段內的10 d滑動平均值個數,40 d的預測共得到30個滑動平均值;M為集合預測成員個數,這里用6 d初始場、每天4個樣本,共構成24個集合成員。

圖1 以7月1日起報為例的CMA-CPS v3氣候模式耦合HBV水文模型的徑流集合預測成員構成示意圖Fig.1 An example of ensemble member of runoff prediction from 1 July by the CMA-CPS v3 S2S climate model and the HBV hydrological model

1.4 徑流預測能力評估及其變化原因分析

用平均方差技巧評分(mean square skill score,MSSS)、距平相關系數(anomaly correlation coefficient,ACC)評估徑流確定性預測技巧,相對操作特征曲線面積(area under the relative operating characteristic curve,AUC)評估三分類概率預測技巧。MSSS越接近1預測技巧越高,小于0表示預測技巧低于多年平均值預測;ACC正值表明預測偏差與觀測偏差正相關,越接近1表示相關程度越高;AUC在[-1,1],值越接近1預測技巧越高, 0.5表明無技巧。用這3個指標檢驗評估每個月1～40 d逐日徑流,1～30 d、11～40 d時段平均徑流的預測技巧。在此基礎上,用12個月1～40 d逐日徑流預測技巧評分的算術平均值直觀反映預測技巧隨預測時效的變化。

用布賴爾技巧評分(Brier score,BSS)評估干旱預測技巧。BSS在[-1,1],值越大預測技巧越高,大于0表示預測技巧高于多年平均值預測。為了保證較多的極端事件樣本,只評估由24個成員構成的集合預測性能,不評估2、4、8、12、20個成員的集合預測性能。考慮到干旱的時間持續性,用10 d滑動平均流量計算干旱概率。

在徑流預測技巧評估基礎上,通過對比觀測降水和觀測徑流相關性、S2S降水預測技巧和徑流預測技巧的同期變化,進一步分析S2S模式降水預測能力對徑流預測技巧的影響。

2 結果分析

2.1 徑流回報能力評估

圖2展示了黃河流域每月1日起報的MSSS、ACC、AUC隨預測時效的逐日變化。由圖可見,12月1日和1月1日起報的未來40 d內的預測技巧隨時間變化不明顯,所有值接近1.0;7、8、9月25 d之后的MSSS、ACC預測技巧出現較多負值,AUC低于0.5;4、6、9、11月時段內波動較大;其他月份下降趨勢明顯,但MSSS、ACC基本為正值,AUC高于0.5。總體呈現出預測技巧隨預測時效延長逐漸降低的變化特征,1～30 d預測技巧高于11～40 d。冬季3個月(12、1、2月)的預測技巧相對高,7、8、9月的預測技巧相對低,其他月份處于中間(圖3)。對于三分類概率預測,1～30 d的所有月份正異常級、負異常級、正常級的AUC平均值分別為0.94、0.85、0.77,11～40 d內的值分別為0.89、0.81、0.66,表明異常級預測技巧通常高于正常級,正異常級預測技巧高于負異常級(圖3)。

圖4展示了4、8、12、16、20個成員與24個成員的徑流集合預測技巧之差。可以看出, 9月16個成員的ACC值最高,10月8個成員的集合預測MSSS和ACC值最高,其余多數月份MSSS和ACC值通常隨集合成員增多而增高,即24個成員時集合預測技巧最高,4個成員時集合預測技巧最低。

對于干旱概率預測,表2列出了11月至次年3月干旱概率預測的BSS評分。其中,11月至次年2月的預測技巧在0.774～0.998,明顯高于3月的預測技巧,且發生頻率較高的1級干旱預測技巧通常高于較少發生的2級干旱預測。

注:AUC-B、AUC-N、AUC-A分別表示負異常級、正常級、 正異常級,其后的1、2分別表示1～30 d和11～40 d。圖3 CMA-CPS v3氣候模式耦合HBV水文模型的 2006—2020年24個成員的黃河流域逐月 集合徑流回報1～30 d和11～40 d技巧評分Fig.3 The 1-30 d和11-40 d skill scores for the monthly ensemble runoff hindcast with 24 members in the Yellow River Basin during 2006-2020 by the CMA-CPS v3 S2S climate model and the HBV hydrological model

圖4 CMA-CPS v3氣候模式耦合HBV水文模型的2006—2020年4、8、12、16、20個 成員與24個集合成員的黃河流域逐月集合徑流回報之差 (a)MSSS,(b)ACCFig.4 The difference of (a) MSSS and (b) ACC of the monthly ensemble runoff hindcast with 4, 8, 12, 16, 20 members relative to the 24 members in the Yellow River Basin during 2006-2020 by the CMA-CPS v3 S2S climate model and the HBV hydrological model

表2 CMA-CPS v3氣候模式耦合HBV水文模型的2006—2020年24個成員的黃河流域干旱回報檢驗BSS值Table 2 BSS of droughts hindcast with 24 members in the Yellow River Basin during 2006-2020 by the CMA-CPS v3 S2S climate model and the HBV hydrological model

2.2 2021年月徑流異常預測檢驗

2.2.1 2021年流域水資源異常實況

2021年黃河經歷了中上游的嚴重夏旱和中游的嚴重秋汛。5月下旬至8月中旬,中等程度的氣象干旱從甘肅南部局地逐步擴展到甘肅南部、寧夏、陜西中北部等地,部分地區出現了重旱甚至極旱,至9月底氣象干旱基本解除(圖5)。持續干旱給當地的農業和水資源等帶來了較大影響。上游的唐乃亥水文站在7月、8月連續2個月出現流量偏枯,分別較1956—2015年同期均值偏少14.4%和11.3%。9月和10月受多次降水過程影響,黃河流域平均降水達264.6 mm,較常年同期偏多1.6倍,為1961年以來歷史同期最多,中下游出現嚴重秋汛,支流渭河、伊洛河、沁河發生有實測資料以來同期最大洪水。

2.2.2 2021年地表水資源異常預測及與實況對比

圖6給出了2021年5—10月黃河流域花園口以上集水區觀測降水、預測降水、觀測降水驅動的模擬徑流、預測降水驅動的預測徑流的逐月異常變化。圖中顯示,2021年5—10月花園口以上集水區實況降水(實況模擬徑流)在5月、7月、8月分別偏少14.5%(13.7%)、26.7%(59.4%)、14.3%(52.5%),6月、9月、10月依次偏多2.2%(34.7%)、89.5%(29.3%)、172.4%(145.8%),二者均基本反映了5—8月氣象干旱以及9月和10月水資源豐富、秋汛嚴重的情況。氣候模式預測出了5月、7月和10月的降水異常方向,但與6月、8月、9月實況降水異常方向相反。

圖5 2021年5月16日至10月10日黃河流域氣象干旱站數逐日變化Fig.5 Daily number of meteorological drought stations in the Yellow River Basin from 16 May to 10 October 2021

注:預測降水量指CMA-CPS v3 S2S預測的降水量,模擬徑流為 觀測氣候驅動HBV水文模型的模擬結果,預測徑流為 CMA-CPS v3 S2S預測氣候驅動HBV水文模型的模擬結果。圖6 2021年5—10月黃河花園口以上流域逐月觀測降水 量、預測降水量及模擬徑流、預測徑流的距平百分率Fig.6 Observed and predicted monthly precipitation in the upper-reach watershed of Huayuankou Station, as well as simulated and predicted runoff through Huayuankou Station from May to October 2021

5—10月花園口站預測徑流異常百分率分別為-0.2%、-7.0%、-9.2%、-16.5%、-20.3%、9.5%,成功預測出了除6月、9月外的其他4個月的徑流異常方向,但異常程度存在差異。也就是說,氣候模式和水文模型都沒能成功預測6月和9月的降水和徑流異常,但是盡管氣候模式沒能預測出8月降水異常方向,水文模型卻提供了正確的徑流異常預測方向。表明除了降水,徑流預測技巧還受其他因素的影響(Yuan et al,2016;Liu et al,2021)。

2.3 徑流預測技巧變化原因分析

圖7展示了2006—2020年每月1日起未來40 d的觀測徑流量和觀測降水量的相關系數(以下簡稱降水徑流系數),以及24個集合成員的徑流回報預測技巧逐月變化,可以看出枯水期的徑流預測技巧高于豐水期,徑流預測技巧年內變化與降水-徑流相關系數變化互為反位相,即徑流預測技巧低時降水-徑流相關程度高,反之相關程度低。表明當降水對徑流影響大時,S2S模式預測降水偏差易導致徑流預測技巧降低;而降水影響小時,預測技巧相對要高。

圖8展示了2006—2020年24個集合成員的每月1日起未來40 d的徑流量和降水量逐日預測技巧, 可以看出徑流量和降水量的預測技巧均隨預測時效延長而下降,但降水量的三分類概率預測技巧在2個星期后幾乎沒有趨勢性的變化。與降水相比,徑流的預測技巧評分更高,其三分類預測技巧向下變化趨勢更明顯。表3給出了逐月回報的1～30 d 的徑流和降水回報預測技巧之差(11～40 d圖略),可以看出徑流預測技巧明顯高于降水預測技巧。這些均表明,還有降水之外的其他因素在影響徑流預測技巧。

郝立生等(2020)和彭陽等(2021)認為水文初值和大氣驅動是影響徑流預測的主要因素,水文初始狀態在枯水期對徑流影響的持續時間比豐水期長,基于流量的干旱預測技巧可長達1個月。另外,預測時間為冬季且起報時MJO為強信號的情況下,多數S2S模式的MJO具有高預測技巧,而MJO可影響東亞副熱帶和中緯度地區的降水。結合這幾方面的分析,在水文模型能夠較好地模擬徑流過程從而得到較好的水文初值的情況下,有理由認為S2S降水預測精度是影響豐水期徑流預測水平的一個重要因素。

注:AUC-B-0.5、AUC-N-0.5、AUC-A-0.5分別表示負異常級、正常級、正異常級的AUC值減去0.5。圖7 2006—2020年每月1日起未來40 d黃河流域觀測徑流量和觀測降水量相關系數, 以及CMA-CPS v3 S2S氣候模式耦合HBV水文模型的24個集合成員的徑流回報預測技巧逐月變化Fig.7 Correlation coefficient between observed runoff and observed precipitation in the period of 1-40 d starting from the first day of each month and MSSS, ACC and AUC of the monthly runoff hindcast with 24 members in the Yellow River Basin during 2006-2020 by the CMA-CPS v3 S2S climate model and the HBV hydrological model

表3 CMA-CPS v3 S2S氣候模式耦合HBV水文模型的2006—2020年黃河流域24個 集合成員的每月1日初起報的1～30 d徑流預測技巧與降水回報預測技巧之差Table 3 The skill difference between runoff and precipitation hindcasts for the period of 1-30 d starting from the first day of each month with 24 members in the Yellow River Basin during 2006-2020 by the CMA-CPS v3 S2S climate model and the HBV hydrological model

3 結論與討論

基于CMA-CPS v3 S2S氣候模式和HBV水文模型,嘗試開展了黃河流域花園口站1～40 d的徑流確定性預測、概率預測以及極端干旱概率預測,應用WMO推薦的幾個指標定量評估了所建模型的預測技巧,得到如下結論:

(1)模型能夠以較高的技巧提供未來40 d的時段平均的黃河流域徑流預測信息。預測技巧總體上呈現隨預測時效延長而下降的趨勢,1～30 d的預測技巧高于11～40 d預測,但逐日預測技巧不確定性高。

(2)集合成員個數對徑流集合預測技巧有一定影響。在幾個設計方案中,4個成員的集合預測方案技巧低,24個成員的集合預測方案技巧高。

(3)冬季預測技巧高于夏季預測技巧,異常級預測技巧高于正常級,正異常級預測技巧高于負異常級預測。S2S降水模擬精度是影響豐水期徑流預測準確性的一個重要因素。

(4)秋末和冬季各月干旱概率預測有一定預測技巧,出現頻率高的1級干旱預測技巧高于出現頻率較低的2級干旱預測。

本研究嘗試分析了40 d內降水和徑流日預測技巧的變化以及模式降水對徑流預測能力的影響,豐富了S2S尺度上水文初值、大氣驅動對徑流預測影響的相關研究內容。預測技巧的逐日變化反映了當前S2S氣候模式的預測水平,2周特別是3周之后的逐日氣候預測不確定性高,但時段平均的氣候異常預測具有一定技巧 。雖然BSS對于小樣本和罕見極端事件的檢驗評估具有一定局限性,但在預測用戶能夠根據預測干旱意見采取預防措施的情景下,集合預測的經濟價值可達60% (Fundel et al,2013)。篩選更為合適的指標開展干旱預測和檢驗評估,以及改進氣候預測模式,都有望提高徑流異常預測的可靠性。