Page 129 - 2024年第55卷第12期
P. 129

光合有效辐射分量从朱再春等              [23] 生成的全球数据集中获得。空间分辨率为 90m的数字高程 DEM(Dig
              italElevationModel)来自于 SRTM数据库       [24] 。研究区典型干旱期(2009—2012年)1~5d的预报降水通
              过基于中尺度大气数值模式 WRF(WeatherResearchandForecastingModel)的动力降尺度方案获得,驱
              动数据包括气象强迫场、土壤数据、DEM 数据、植被及土地利用数据。历史气象强迫场由 FNL再分
              析资料(FinalOperationalModelGlobalTroposphericAnalyses)提供,实时气象预报强迫场由 GFS(Global
              ForecastingSystem )全球预报系统提供。土壤、DEM和植被及土地利用数据均由 WRF自带的覆盖全球空
              间范围内的静态数据库提供。6~30d的预报降水来自于欧洲中尺度气象预报中心(EuropeanCentrefor
              Medium - RangeWeatherForecasts ,ECMWF)的逐日降水预报产品。


              3 研究方法


                  本预报技术利用 GBEHM模型对径流进行模拟,结合 AR误差校正模型修正模拟结果,进而结合
              动力降尺度和统计降尺度的预报降水信息,实现候、旬、月尺度的高精度低枯流量预报。本研究提到
              的低枯流量包括枯水期(12月—次年 3月)流量和干旱期流量。GBEHM 模型和 AR误差校正模型建模
              时,选取 2000—2008年为率定期,2009—2012年为验证期。已有研究表明,降水是影响长江上游流
              域径流变化的主要因子           [5] 。因此,本研究仅对降水数据进行预报,其他数据采用观测值。基于搭建的
              GBEHM模型和 AR误差校正模型,实现以预报降水数据为输入的流域径流预报。
              3.1 GBEHM 模型 GBEHM模型耦合了冰川和积雪融化、土壤冻融等高寒山区特有的水文过程,并
              考虑了生态水文相互作用过程               [17] ,在黑河流域    [16] 、长江上游    [18] 和黄河源区    [25] 等地均表现出良好的
              模拟效果。模型包括冰冻圈水文过程、植被动态过程和山坡单元水文过程                                    [26] 。针对冰冻圈水文过程,
              采用基于能量平衡的方法计算冰川消融,用多层积雪模型描述积雪层质量和能量平衡,通过土壤水热
              平衡方程刻画土壤冻融过程             [18] 。植被动态过程为可选模块:在开启状态下,可根据气候数据模拟植被
              生长;在关闭状态下,可输入植被生长状态参数,分析植被生长对水文过程的影响。山坡单元水文过
              程主要包括植被冠层截留、山坡单元蒸散发及非饱和带的水分运动等。植被冠层截留为叶面积指数的
              函数,蒸散发包括冠层蒸发、植被蒸腾和裸土蒸发。对非饱和土壤层,沿深度方向进一步划分为 10
              小层,每层厚度约 0.1~0.5m,采用 Richards方程计算非饱和带的产流,利用一维运动波方程计算汇
              流,采用达西定律刻画河道和地下水的交换                     [16] 。
                  在本研究中,综合考虑石鼓以上流域面积及模型的运算能力,在研究区搭建分辨率为 8km × 8km
              的分布式水文模型,计算步长为 1h。模型基于数字高程模型,采用 Horton - Strahler河网分级方法将流
              域内河流分为 5级,利用子网格参数化方法来描述地形,进一步划分成 479个子流域,每个网格都由
              许多 “山坡- 沟谷” 表示         [26] 。模型驱动数据主要有气象数据、植被参数和土壤参数等。模型在研究区
              域的每个网格上进行参数率定,主要有河道形状参数、土壤饱和导水率、地下水导水系数和融雪系数
              等。率定的指标为纳什效率系数和相对水量平衡误差,其他参数采用观测值或模型默认值。关于模型
              的详细信息,可参考文献[ 16 - 17,26]。
              3.2 AR误差校正模型 径流时间序列具有自相关性,t时刻的模拟误差可根据之前各时刻的误差预
              测,从而实现 t时刻模拟径流的实时校正。在本研究中采用自回归(AR)方法对 GBEHM模型的模拟误
              差进行校正。按时序变化,GBEHM模型的模拟径流量与观测径流量之差构成一时间序列 X,
                                                                                                 t
                                                      X= Q    - Q                                       (1)
                                                       t   sim,t  obs,t
              式中:X为径流模拟误差时间序列,应满足平稳且不为白噪声的前提;Q                                     和 Q    分别为模拟和观测
                      t                                                         sim,t  obs,t
              的径流。
                  首先对径流模拟误差 X进行 Ljung - Box白噪声检验                 [27] ,若 X不为白噪声,说明序列存在相关性,
                                       t                                 t
              可进行下一步分析。采用 AugmentDickey - Fuller(ADF)检验法对 X进行平稳性检验,若 X不为平稳序
                                                                          t                     t
              列,则采用差分法对数据进行平稳化处理。平稳且非白噪声的 X服从 AR(p)模型:
                                                                         t
                                                           p
                                                      t ∑
                                                    X= c +   φ i t - i ε t                              (2)
                                                               X +
                                                          i =1
                                                                                                   5
                                                                                              —   1 4 1 —
   124   125   126   127   128   129   130   131   132   133   134