基于氣象水文水動力耦合模型的流域尺度洪水預報方法: 以北江流域為例

韓赟希, 張昕, 王自法, 周良辰, 朱龍祥

(1.河南大學土木建筑學院, 開封 475004; 2.深圳防災減災技術研究院, 深圳 518003; 3.中震科建(廣東)防災減災研究院, 韶關 512026; 4.中國地震局工程力學研究所, 哈爾濱 150080)

近年來,全球氣候變化引發了極端暴雨事件的頻繁發生和強度增加[1],這導致洪水災害的風險日益突出,在這種背景下,有效的洪水預報[2]成為保障人民生命財產安全的重要舉措。因此,發展和應用先進的洪水預報技術和方法,能夠更準確地預測洪水的發生和發展趨勢,最大限度地減少洪水災害對人們生活和社會經濟的影響。

洪水是一種受多種自然物理和人為因素影響的復雜現象[3],其發生過程通常涉及3個主要方面:降雨、徑流和淹沒。在實際的洪水研究中,降雨通常使用大氣數值模式[4]進行模擬,如WRF (weather research and forecasting model) 模式[5-7];徑流通常由水文模型模擬,如新安江模型[8]、HEC-HMS (hydrologic engineering center-hydrologic modeling system) 模型[9]等;洪水淹沒這一過程通常采用水動力模型模擬,如MIKE 21[10]、HEC-RAS (river analysis system)[11]等。這種將復雜的流域系統拆分并分別處理的方法,雖然有助于深入研究每個環節的影響機制,但難以完整地考慮氣象、水文、水動力之間的緊密聯系。

大氣數值模式的輸出產品通常以較大尺度分辨率為主,而流域水文過程具有更為復雜的空間變化特征,直接將其輸出應用于精細的流域水文預報存在一定困難和限制。近些年來,出現了兩者耦合建模方法(即陸氣耦合水文模型),例如,Cerbelaud等[12]采用WRF-hydro模式對新喀里多尼亞的6個流域進行了為期兩年的模擬,取得了不錯的長期徑流模擬效果,證明WRF-Hydro是一個合適的框架,可以更好地了解水文過程,并高效分析新喀里多尼亞的土壤和氣候在未來的變化。劉洪波等[13]將WRF-Hydro應用于半濕潤的陳河流域和濕潤的屯溪流域,并結合新安江模型以探索其在中小流域中的徑流模擬能力,結果表明WRF-Hydro模式在濕潤地區有較好的應用潛力;而應用在半濕潤地區,可能需要更高質量的輸入數據。另一方面,流域和河流之間往往存在著天然水力聯系[14],為了保持這種聯系,水文水動力耦合模型的方法將成為流域洪水的精細化預測及災情的快速評估[15]的重要基礎,近年來國內外多位學者展開了該方面的研究。例如,Fleischmann等[16]以亞馬遜流域為研究對象,通過耦合MGB (modelo de grandes bacias) 水文模型和CaMa-Flood水動力模型,模擬了該流域在1980—2014年期間的逐日淹沒情況,并結合實測影像資料,首次分析了40年來洪泛區的淹沒范圍與全流域降雨變化的關系。沈澤宇等[17]以溫德河流域為研究對象,首先建立HEC-HMS水文模型并進行參數優化,之后建立HEC-RAS二維水動力學模型對重要子流域進行淹沒模擬,表明所建水文水動力模耦合型,對具有復雜水文、水力條件流域的洪水預報準確率較高。付曉花等[18]以淮河流域中下游結合部的洪澤湖周邊滯洪區為研究對象,基于松耦合技術,將氣候模型與水文模型、水文模型與水動力模型進行耦合,實現了流域、河網、蓄滯洪區和湖泊復雜系統氣候水文水動力單向耦合,并對氣候變化影響下的復雜河網地區水流演進進行了模擬。盡管許多研究都得到了不錯的效果,但其應用范圍仍然受到限制,僅集中于模擬單個子流域或特定區域的淹沒情況[19],難以預測整個流域的洪水淹沒情況。在全球氣候變化,極端洪水事件頻發的背景下,有必要開展陸氣耦合水文模型和大尺度水動力模型的耦合預報研究,進而模擬整個流域的徑流和洪水淹沒過程。

在前人研究的基礎之上,針對其中的不足之處,將北江流域作為研究對象,采用高分辨率的氣象模式輸出產品[20-21]、陸氣耦合水文模式WRF-Hydro[22-23]、大尺度水動力模型CaMa-Flood[24-26],構建基于降雨徑流和洪水淹沒的綜合洪水預報模型,模擬洪水過程、洪峰流量、洪峰抵達時間、洪泛區的淹沒深度和淹沒范圍等要素,以期為保障流域防洪安全和人員及財產安全提供重要的技術支撐。

1 研究區域概況與數據收集

1.1 研究區域概況

北江為珠江流域的第二大水系,發源于江西省信豐縣石碣大茅坑,經大余縣進入廣東,自東北往西南穿山越嶺,流經南雄、始興、曲江等市(縣),至韶關市沙洲尾與支流武江匯合,始稱北江;再自北向南流經英德、清新、清遠至三水河口,在思賢滘與西江相通,注入珠江三角洲網河區。北江干流至三水區思賢滘全長4 600 km(廣東省境內4 500 km),平均坡降0.26%,流域集雨面積46 710 km2,其中廣東省境內集雨面積達42 930 km2,其余位于湖南、江西等省境內。北江干流總比降平緩,洪水漲快退慢,持續時間長。上游高山峽谷眾多,集水面積超過1 000 km2的支流有墨江、錦江、武江、南花溪、南水、滃江、煙嶺河、連江、青蓮水、潖江、濱江、綏江、鳳崗河等13條,其中一級支流9條,按葉脈狀排列,從東西兩側匯入干流。

北江流域背靠南嶺山脈,正處在山脈的向風坡,加之河流水系呈闊葉脈狀分布,洪水匯流集中迅猛,洪水暴澆暴落,峰高量不大,范圍廣但歷時長,洪水過程大都呈單峰型或雙峰型,復峰型的洪水過程較少,每年汛期發生洪水3～4次。一般4—7月份出現洪水的機會多,為北江的主汛期。北江流域的高程和水系分布如圖1所示。

圖1 北江流域高程和水系分布Fig.1 Elevation and water system distribution in Beijiang Basin

1.2 數據收集

收集的數據時間跨度覆蓋了整個模擬期,包括全球陸面數據同化系統 (global land data assimilation system, GLDAS) 中的必要氣象數據,其水平分辨率為0.25°,時間分辨率為3 h;中國區域地面氣象要素驅動數據集(China meteorological forcing dataset, CMFD)中的降水數據,其水平分辨率為0.1°,時間分辨率為3 h;北江流域石角水文站的實測徑流數據,由于收集到的水文站徑流數據在時間上具有不連續性,因此在時間上利用線性插值方法處理,最終得到石角水文站1 h的徑流數據。同時,為了使驅動數據與陸面模式的分辨率保持一致,采用雙線性插值方法使兩套驅動數據插值到3 km分辨率。模型的靜態地理數據來自WRF模式前處理系統(weather research and forecasting preprocessing system, WPS)數據庫,各嵌套層區域的靜態地表數據分辨率均為30″,驅動水文模型的初始場資料采用NCEP FNL(Final)再分析資料,高程數據來自HydroSHEDS數據集,CaMa-Flood模型的下墊面資料由模型內置。

2 研究方法

2.1 研究技術路線

WRF-Hydro(weather research and forecasting model hydrological modeling system)模式和CaMa-Flood模型的耦合屬于松散耦合[27],即WRF-Hydro的輸出需要經過一系列處理之后再傳遞給CaMa-Flood,耦合模型的構建流程如圖2所示,其具體包括:①收集建模所需的地形地貌、土地利用、再分析降雨和水文站實測徑流等數據并進行預處理工作;②采用ArcGIS軟件,根據數字高程模型(digital elevation model, DEM)建立河網,再根據流域出口位置對流域進行劃分;③建立WRF-Hydro水文模型,選取場次洪水,完成水文模型的參數率定,得到優化后的研究區域的水文模擬結果,對洪水的量級做出相對準確的評價;④針對耦合的需求,調整水文模型的一些選項,在陸面模式的計算結果中選取地表徑流和地下徑流之和作為水動力模型的邊界條件,其余條件均在CaMa-Flood模型中構建,經過該耦合過程可以快速地把洪水淹沒過程進行系統性的模擬。

圖2 研究技術路線圖Fig.2 Research technology roadmap

2.2 WRF模式

WRF模式是一種由美國國家大氣研究中心(national center for atmospheric research, NCAR)主導開發的中尺度氣象模式。該模式由兩種動力核組成,分別是ARW(advanced research WRF)和NMM(non-hydrostatic mesoscale model),分別用于科學研究和業務應用。

選擇使用ARW動力核,并以FNL數據作為輸入來驅動WRF模式,以獲得WRF-Hydro模式所需的初始邊界場數據。此外,為了得到更高的模擬精度和空間分辨率的初始條件,將WRF模式設置為三層嵌套結構。這三層分別對應的水平分辨率為27、9、3 km,第三層的區域范圍即為所關注的水文模型區域。

2.3 WRF-Hydro模式

WRF-Hydro模式是新一代的分布式氣象水文模式,由美國國家大氣研究中心于2015年提出。該模式是在WRF模式的基礎上進行擴展,通過整合大氣動力學、陸面過程和水文過程,實現了對流域水文過程的綜合建模和模擬。設計目標是提供高分辨率的水文預報和水資源管理能力,以更準確地模擬地表和地下水的水文過程。該模式主要由陸面模型、壤中匯流、地表匯流、地下水模型及河道匯流模塊構成。

本文中采用了WRF-Hydro V5.1.1版本,陸面模式選擇Noah-MP模式,采用默認的2 m土壤柱,并分為4個土壤層,各土壤層的厚度分別為10、30、60、100 cm,其粗網格分辨率與WRF模式中的最內層分辨率相同,為3 km。而匯流模塊則采用更細的網格分辨率,為500 m。為了處理不同網格分辨率之間的信息傳遞,使用了子網格聚合因子為6。模擬的時間步長設定為10 s,以更精細地捕捉流域的水文過程。地表匯流模塊,采用D8流向算法,用于確定水流的流向和流量分布。河道匯流模塊選擇了擴散波法,用于模擬河道中水流的匯流和洪水傳播過程,地下徑流模塊采用基于概念的水桶模型。

Noah-MP陸面模式主要模擬大氣下層、植被冠層和淺層土層之間的水量和能量的交互過程[28]。冠層截留、超滲地面徑流、土壤含水量和蒸散發均在陸面模式中計算。淺層土層被稱為次表面層,主要計算水量、能量的分布情況。當雨強大于最大下滲率時,地表出現超滲地面徑流。最大下滲率的計算公式為

(1)

式(1)中:Imax為最大下滲率,m/s;Pd為經冠層截留后的雨強,m/s;Dx為次表面層總缺水量,m/s;Ks為飽和水力傳導度,m/s;Kref= 2.0×10-6m/s,k為可調參數;δi為與時段轉換有關的系數。次表面層的溫度和濕度分別由熱擴散方程和Richard方程計算。Noah-MP模式的總蒸發分為地表直接蒸發、冠層截留量蒸發和植物根系散發3部分,由Penman公式計算。

匯流網格主要計算壤中匯流、坡面匯流、地下徑流和河道匯流等,利用達西定律計算側向飽和壤中流,計算公式為

(2)

式(2)中:Qi為飽和壤中流的流量,m3/s;αx和αy分別為x和y方向的水面坡度;d為土層厚度,m;w為網格邊長,m;h為水面深度,m;n為可調參數,默認為1。在計算步長Δt內,根據水量平衡計算當前網格的水深變化Δh。模型認為每個網格的地表積水由3部分構成:超滲地面產流、飽和地面流以及與其他網格的水量交換。當且僅當網格水深hs超過參數地表積水深hret時,出現可自由流動的地表徑流。地表徑流可由擴散波方程計算,其中單寬流量與糙率的關系由曼寧公式計算,即

(3)

式(3)中:q為單寬流量,m2/s;nov為坡面的曼寧糙率;Sf為摩阻坡度。使用概念水桶模型描述流域地下徑流的調蓄作用,該水桶的水深并不代表真實含水層中的水深。水桶的流入量為次表面層的最下層向下的滲透量,流出量采用經驗蓄泄關系計算。河道形狀均采用等腰梯形,其底寬、邊坡系數、糙率為河道等級的函數,在相關參數文件中有預定值,也可在隨后過程中率定。河道水演算采用一維擴散波方程,即

(4)

式(4)中:Q為河道流量,m3/s;nch為河道曼寧糙率;A為過水斷面面積,m2;H為河道水面高程,m;R為水力半徑,m;sgn為符號函數。

2.4 CaMa-Flood模型

CaMa-Flood模型[29]是一個分布式的全球水動力模型,CaMa-Flood模型的特點之一是其全球范圍的適用性,可以在不同的地理環境和流域條件下進行應用,模型利用高分辨率的數字高程模型和全球覆蓋的水系河網數據,能夠精確地模擬河流的水動力過程。CaMa-Flood模型的另一個特點是其在全球河流模擬中具有高計算效率,通過引入子網格地形參數,將洪泛平原復雜的淹沒過程近似視為單元集水區的計算過程。CaMa-Flood模型的高計算效率對于需要進行集合或長期高計算要求的實驗特別有利,同時也方便了與其他水文方案的動態耦合。

現采用CaMa-Flood V4.10版本,首先將北江流域的河網數據離散成多個單元集水區(unit-catchments),基于1 min的全球河網數據和90 m的高程數據生成流域內河道和洪泛區的高分辨率網格地形參數,結合來自水文模型的3 km分辨率徑流量,利用局部慣性方程和自適應時間步長方案,能夠快速模擬洪泛區的淹沒情況,其中采用自適應時間步長方案以滿足CFL(Courant-Friedrichs-Lewy)條件,局部慣性方程通過離散化處理[30]并修正為

(5)

式(5)中:Qt+Δt為t次與t+Δt次之間的流量;Qt為前一時間步長的流量;A為水流截面積,m2;h為水流深度,m;g為重力加速度,m/s2;n為曼寧系數,m1/3/s;S為上下游單元集水區之間的水面坡度。

各時間步的計算流程為:① 根據各單元流域的蓄水量估算水深和淹沒面積;② 利用局部慣性方程計算河網圖中各單元流域到其下游單元流域的流量;③ 考慮上游單元流域的流量輸入、下游單元流域的流量輸出和地表徑流的輸入,通過質量守恒方程更新每個單元流域的蓄水量。

3 案例研究與應用

3.1 水文模型建立與優化

3.1.1 場次洪水選取

WRF-Hydro模式需要預熱以獲得與實際較為相符的流域初始狀態[31],每一年的預熱期為汛期中有記錄的第一場洪水的前兩個月左右,模型預熱可以獲得相對準確的初始條件,提高模擬精度。在選取洪水事件時,考慮到洪峰較大的洪水可以更好地反映洪水事件的極端情況[32],因此挑選了洪峰流量超過10 000 m3/s的特大洪水作為研究事件。并將2001—2010年期間的7場洪水作為率定期洪水事件,將2011—2014年期間的5場洪水作為驗證期洪水事件,如表1所示。率定期和驗證期的驅動數據采用GLDAS中除降水外的必要氣象數據和CMFD中的降水數據,所提及的時間均為世界協調時間(universal time coordinated, UTC )。

表1 模擬洪水編號和具體過程信息Table 1 Simulated flood numbers and specific process information

3.1.2 率定參數選取

WRF-Hydro中有許多物理參數,但每個參數對洪水模擬的影響程度并不相同,因此參考Ryu等[33]、李致家等[34]對WRF-Hydro模式參數敏感性的分析,并結合預熱時北江流域的實際情況,選取對降雨-徑流模擬結果影響較大的下滲系數(REFKDT)、曼寧糙率系數(MANNFAC)、地表持水深度(RETDEPRTFAC)、地表糙率(OVROUGHRT)這4個參數進行率定,具體率定方案如表2所示。

表2 WRF-Hydro模型4個主要參數介紹以及率定的設置Table 2 The introduction of four main parameters of WRF-Hydro model and the setting of the rate

3.1.3 率定過程分析

考慮到WRF-hydro的計算成本較高,采用手動逐步率定法[23]進行參數率定,首先在合理的取值范圍內[34]對某個參數按一定的步長進行調參,其次根據所選擇的評價指標來評價結果,選取出最優的參數值,最終在此基礎上,對下一個參數進行率定。采用皮爾遜相關系數(R)、納什效率系數(NSE)、峰現時間誤差(ΔT)、總流量相對誤差(RE)和洪峰流量相對誤差(PRE)作為評價指標評估每次調參后的模擬結果,其函數表達式分別為

(6)

(7)

(8)

(9)

(10)

參考丁光旭[35]、高玉芳等[36]對WRF-Hydro模型的率定過程和目標函數的研究,對于場次洪水的模擬,綜合考慮7場洪水過程平均的皮爾遜相關系數(fR)、納什效率系數(fNSE)、總流量相對誤差絕對值(f|RE|)、洪峰流量相對誤差絕對值(f|PRE|)、峰現時間誤差絕對值(f|ΔT|)這5個客觀函數,對模擬結果進行評估并選擇最優值,函數表達式分別為

(11)

(12)

(13)

(14)

(15)

4個主要參數的率定過程如圖3所示,其中虛線標記為選出的最優值。下滲系數主要決定產流量的大小,因此考慮流量相對誤差絕對值和納什效率系數進行優選。如圖3(a)所示,在下滲系數為6時,總流量相對誤差絕對值和洪峰誤差絕對值最小,納什效率系數最大,故取下滲系數為6。曼寧糙率主要影響水在河道的匯流速度,因此考慮峰現時間誤差絕對值和納什效率系數。從圖3(b)中可以觀察到,首先隨著曼寧糙率的增大,納什效率系數也增大,同時峰現時間誤差的絕對值逐漸減小,但在曼寧糙率達到1.3之后,納什效率開始降低,故取最優值1.5。地表持水深度表征地表的蓄水能力,參考納什效率系數和相關系數,由圖3(c)可以看出納什效率系數隨著地表持水深度的增大先增大后減小,相關系數先減小后增大,故取最優值為3。地表糙率主要影響坡面的匯流速度,參考納什效率系數和峰現時間誤差絕對值,從圖3(d)中可以觀察到,隨著地表糙率的增大,納什效率系數先增大后減小,峰現時間誤差絕對值先減小后增大,故取最優值2,最終得到4個主要參數的取值結果,如表3所示。

圖3 4個主要參數的率定過程分析Fig.3 Analysis of the calibration process of four main parameters

表3 4個主要參數的取值結果Table 3 Values of the four main parameters

3.2 水文模型結果分析

3.2.1 驗證期結果分析

2011—2014年5場洪水過程的徑流模擬結果如圖4所示,其中Q為站點流量、P為面平均降雨量,模擬徑流過程與降雨量的時間分布較為吻合。編號20110512洪水和編號20130513洪水為典型的單洪峰過程,降雨-徑流過程相對簡單,洪水的漲水過程模擬較優,對洪峰流量也把握較準,但落水過程相對較慢,可能是因為對應時段內降雨量仍然較大,而模型對降雨條件比較敏感,因此落水過程較緩慢。編號20120616洪水和編號20130809洪水這兩次過程的模擬與實測過程線基本吻合,但在漲水期模擬流量偏小,從圖4(b)和圖4(e)中可以觀察到,這兩場洪水在降雨期間都是出現了多個時段的降雨峰值,對應的降雨徑流過程相對復雜,導致洪水的漲水過程較難模擬。編號20140513該場洪水為多峰洪水,第一次模擬洪峰出現的較晚且洪峰要大,但第二次洪峰的漲退水過程模擬良好,可能是由于模型的初始狀態與實際狀態存在一定誤差,從而延遲了對第一次洪峰的到達。整體來說,該模型可以較好地捕捉到洪峰,且峰現時間誤差時間較小,但整體的漲退水過程還有一定的偏差。

圖4 驗證期5場洪水的降雨徑流模擬結果Fig.4 Simulation results of rainfall runoff from 5 floods in verification period

驗證期5場洪水過程的逐小時評價結果如表4所示,模擬徑流和實測徑流過程的相關系數均在0.8以上,納什效率系數介于0.52～0.71,峰現時間誤差絕對值都在10 h以內,洪峰流量誤差穩定在12.6%以內,對于洪水期間總流量誤差,有3場均在7.93%以下,兩場分別為38.54%、-21.82%。

表4 驗證期5場洪水模擬的指標評價Table 4 Evaluation of 5 flood simulation in verification phase

3.2.2 預報研究分析

為了進一步研究優化后的WRF-Hydro模型的預報性能,將經過率定的模型參數應用到后續研究中。由于CMFD數據集僅覆蓋到2018年,因此將CMFD降水數據替換為GLDAS降水數據,并以2022年6月北江流域“龍舟水”期間的3次編號洪水作為案例,旨在探究更換降水產品后模型的預報效果是否仍然良好,由于缺乏完整的實測徑流過程,所以考慮用實測洪峰流量來對比。對于北江流域“龍舟水”期間的徑流模擬結果如圖5所示,可以看到出現了3次洪峰[37-38],其中提到了北江流域“龍舟水”期間出現了3次洪水,分別在6月15日、6月22日和7月7日,預報結果與實際情況相符,并且文獻[37]提供了石角水文站實測3次編號洪水的天然洪峰流量分別為15 400、20 700、15 100 m3/s。

圖5 2022年北江流域“龍舟水”期間降雨徑流關系Fig.5 Relationship of rainfall runoff during Dragon Boat Water in Beijiang River Basin in 2022

該次模擬并沒有考慮人為影響和水庫的調度,所以屬于天然洪水過程。模擬洪峰流量和實測洪峰流量的對比如圖6所示,這3場洪峰的誤差分別為-31.9%、15.2%、-19.5%,平均誤差絕對值為22.2%,其中1號洪峰誤差較大,從圖6中可以看到在1號洪水期間,降水量較后兩場偏小,這可能和GLDAS降水數據與實際降水之間的差異性有關,導致對1號洪峰模擬的誤差較大。綜合來說,該水文模型在更換較粗分辨率的降水產品之后,預報性能也達到了合理的效果,為北江流域洪水預報提供有價值的參考。

圖6 2022年北江流域“龍舟水”期間3次洪峰流量對比Fig.6 Comparison of three flood peaks discharge during “Dragon Boat Water” in Beijian Basin in 2022

3.3 水文水動力模型耦合

3.3.1 耦合模型建立

CaMa-Flood模型的邊界條件通常基于水文模型的徑流過程[39]。在WRF-Hydro模式中,Noah-MP模式考慮了地表徑流和地下徑流的形成過程[40]。因此,在耦合的過程中實際上是通過采用WRF-Hydro模式中的Noah-MP陸面模式來與CaMa-Flood模型進行耦合。這種單向耦合方法是基于Noah-MP模塊輸出的3 km水平分辨率和3 h時間分辨率的地表和地下總徑流過程,作為CaMa-Flood模型的邊界條件。借助這樣的耦合方式,CaMa-Flood模型能夠以0.1°分辨率模擬整個流域內的洪水淹沒深度和范圍。

3.3.2 洪水淹沒分析

2022年6月13日—2022年6月28日期間北江流域的洪水淹沒深度變化如圖7所示,洪水淹沒范圍變化如圖8所示,該淹沒制圖能大致反映出洪泛區的洪水淹沒變化過程。在這段時間內,洪水淹沒過程的演變與降雨-徑流的變化情況密切相關,如圖5所示,在6月15日一號洪峰到達后,仍持續數天強降雨,在強降雨的作用下,洪水流量也逐漸增大,從而導致洪水淹沒區域的擴大。如圖7(h)、圖8(h)所示,在6月20日洪水淹沒達到了高峰,這說明強降雨的影響,導致洪水淹沒深度和范圍逐漸增大,然而隨著時間的推移,6月22日之后降雨量逐漸減小一直到停止,與此同時洪水流量也開始逐漸減小。需要注意的是,洪水淹沒情況的反映往往存在一定的滯后性且由于地勢等因素的影響,洪水淹沒區域并不會立即減少,而是需要一段時間才能逐漸恢復正常。由圖8可以觀察到,在6月22日之后,洪水淹沒范圍開始逐漸減少,這表明洪水強度與洪水淹沒之間存在合理的相關性。綜上所述,洪水淹沒過程與降雨強度和洪峰流量的變化密切相關,這種耦合模型的合理性得到了驗證,提供了預測洪水后洪泛區淹沒情況的參考依據。

圖7 2022年北江流域“龍舟水”期間洪水淹沒深度逐日變化情況Fig.7 Daily variation of flood inundation depth during “Dragon Boat Water” in Beijiang Basin in 2022

圖8 2022年北江流域“龍舟水”期間洪水淹沒范圍逐日變化情況Fig.8 Daily variation of flood inundation area during Dragon Boat Water in Beijiang River Basin in 2022

4 結論

以珠江流域的第二大水系北江為研究對象,首先利用WRF-Hydro模式構建北江流域水文模型,經過7場洪水事件的率定,得到優化后的模型參數,對5場洪水事件進行驗證,并探究其水文預報性能。接下來利用優化后的WRF-Hydro模型耦合CaMa-Flood模型,快速計算出洪水演進過程中洪泛區的淹沒深度和淹沒范圍,得到如下主要結論。

(1) 水文模型的結果表明徑流模擬的效果較好,驗證期的5場洪水過程納什效率系數在0.52～0.71,相關系數均在0.8以上,洪峰流量誤差均在10%以內,峰現時間誤差也都在10 h以內。對于預報期洪水,3次洪峰的平均誤差為22.2%。由于WRF-Hydro模式對于降水數據較為敏感,未來可以采用更高的質量的降水數據進行預報,以更好地發揮模式性能。

(2) 水文水動力耦合模型中,前者為后者提供數據,前者的參數優化和模擬的準確性尤為重要,一旦確保水動力模型的驅動數據相對準確,可以進行迅速大范圍的洪泛區淹沒模擬,對受災區提供有價值的信息,如洪水淹沒深度、淹沒范圍和淹沒持續時間。

(3) 洪水淹沒通常被視為洪水到來之后的突發事件,在北江流域這種地形復雜、降水分布不均勻的流域,構建的水文水動力耦合模型對洪泛區的淹沒過程也做出了合理的模擬。但由于缺乏實測淹沒數據,未能詳細驗證洪泛區的淹沒情況,未來的研究將考慮與其他水動力模型的計算結果、衛星影像等進行對比。

(4) 當前水文水動力耦合預報領域的研究相對不足,在前人對WRF-Hydro模式和CaMa-Flood模型的研究基礎上,首次將WRF-Hydro模式與CaMa-Flood模型進行耦合,以經過優化的WRF-Hydro水文模型中的Noah-MP模式的輸出徑流過程作為CaMa-Flood模型的邊界條件,構建了降雨徑流-洪水淹沒綜合預報模型。在未來的研究中,將進一步探索多種耦合方案,以提升預報的準確性和精度。

(5) 值得進一步指出的是,WRF-Hydro與WRF“在線”耦合模式下,可以再結合CaMa-Flood模型,實現氣象模式與水文水動力模型的耦合預報,延長洪水預報的預見期。

構建的WRF-Hydro水文模型在洪峰捕捉方面較優秀,雖然漲退水過程有略有偏差,但總體能夠大致反映實際洪水過程,對洪水的量級的模擬較為準確。水文水動力模型耦合之后,隨著隆雨-徑流過程的變化,能夠快速、合理地模擬洪泛區的淹沒情況。然而,在以精細分辨率模擬大尺度洪水淹沒方面一直存在困難,CaMa-Flood模型本身是一種簡化的水動力模型,基于數字高程模型假設河道和洪泛平原的斷面形狀,這種簡化意味著包括永久性湖泊和水庫在內的一些地勢低洼區域會被模型視為河流或洪泛平原。此外,當前版本的CaMa-Flood 模型僅能模擬自然洪水,未考慮防洪設施如堤壩、水庫等的影響,盡管WRF-Hydro模式已納入這些因素,但鑒于在缺乏實測數據和人為影響難以準確把握的情況下,暫未引入這些影響因素,在未來的研究中應考慮將這些因素納入,以更準確地評估洪水的影響。總體而言,在集水面積4萬多平方公里、地形復雜、降水時空分布不均勻的北江流域,模擬結果較為合理,為北江流域洪水預報、水資源管理、風險評估等研究提供一定參考價值。