耦合天氣雷達定量降水估計與定量降水預報的中小流域洪水預報研究

糜佳偉， 田濟揚， 楚志剛 ， 劉榮華 ， 薛海

(1.華北水利水電大學，河南 鄭州 450046； 2.中國水利水電科學研究院，北京 100044；3.水利部防洪抗旱減災工程技術(shù)研究中心，北京 100044； 4.南京信息工程大學，江蘇 南京 210044；5.南京山禹云雷物聯(lián)網(wǎng)科技有限公司，江蘇 南京 210044)

在降雨監(jiān)測方面，天氣雷達具有高時空分辨率的特點，較地面雨量站能更準確測得降雨的時空分布特征[1]，適用于匯流時間短且需要實現(xiàn)精準預報的中小流域?；谔鞖饫走_探測資料的降雨臨近預報的結(jié)果較數(shù)值降雨預報的精度高，該預報方式是延長中小流域洪水預報預見期的重要技術(shù)手段。筆者耦合天氣雷達定量降水估計(Quantitative Precipitation Estimate，QPE)和定量降水預報(Quantitative Precipitation Forecast，QPF)開展中小流域洪水預報研究。

天氣雷達QPE的精度主要受Z-R關(guān)系影響，不同類型降雨的Z-R關(guān)系不同[2]，Z指雷達反射率，R指降雨強度。實際中常用的Z-R關(guān)系式為Z=200R1.6和Z=300R1.4[3-4]，但此關(guān)系式不適用于不同天氣雷達和不同類型降雨場次的情況，導致天氣雷達QPE不易被直接應用于中小流域洪水預報中。為了延長洪水的預見期，開展天氣雷達臨近降雨預報非常必要。降雨預報的主要方法包括交叉相關(guān)系數(shù)法[5]、單體質(zhì)心法[6]和光流法[7]等外推法。

目前，已有少量關(guān)于耦合天氣雷達QPE與QPF的流域洪水預報的研究，但預報精度有待提高。殷志遠等[8]將4種天氣雷達降雨預報結(jié)果輸入到半分布式模型TOPMODEL中對湖北漳河流域進行徑流模擬，驗證結(jié)果表明，動態(tài)Z-R關(guān)系較通用Z-R關(guān)系下的雷達降雨反演的精度高，徑流模擬效果好；許繼軍等[9]在將天氣雷達監(jiān)測雨量作為GBHM(Geomorphology-Based Hydrological Model)分布式水文模型的輸入量進行三峽區(qū)間洪水過程模擬時指出，雷達預測能捕獲降雨的空間分布，經(jīng)地面雨量站數(shù)據(jù)校正后，與GBHM分布式水文模型的結(jié)果相結(jié)合，可提高洪水預報的精度；嚴昌盛等[10]分別將天氣雷達和地面雨量站的雨量監(jiān)測數(shù)據(jù)、雷達臨近降雨預報數(shù)據(jù)輸入模型PDM(Probability Distributed Model)中，對王家壩以上流域(約30 672 km2)洪水進行模擬，結(jié)果表明，雷達臨近降雨預報的精度基本滿足實時洪水作業(yè)預報的要求，同時該精度有很大的提升空間。

福建省位于我國東南沿海地區(qū)，山丘區(qū)眾多，加之受季節(jié)性臺風影響，強降雨引發(fā)的洪澇災害多發(fā)，嚴重威脅人民的生命財產(chǎn)安全[11-12]。筆者以福建梅溪流域為研究區(qū)，選取2012年的“蘇拉”、2014年的“海貝思”、2016年的“尼伯特”3場臺風引發(fā)的降雨洪水過程為研究對象，采用強降水識別、光流法等技術(shù)手段獲取較為準確的天氣雷達QPE和QPF結(jié)果，并將其作為梅溪流域分布式水文模型的輸入，開展洪水預報研究，分析耦合天氣雷達QPE與QPF的中小流域洪水預報的效果，探究該方法在中小流域洪水預報中的適用性。

1 研究區(qū)與數(shù)據(jù)

1.1 流域概況

梅溪是閩江的一級支流，發(fā)源于閩清縣南部，流域面積956 km2，在東南沿海地區(qū)具有很強的代表性[13]。流域多年平均降雨量1 560 mm。受臺風和地形影響，年內(nèi)降雨主要集中在4—9月，局地短歷時強降水時有發(fā)生，致使流域內(nèi)洪澇災害頻發(fā)。自1949年以來，流域內(nèi)發(fā)生洪災20余次。歷史最大洪水發(fā)生于2016年7月9日，強降雨引發(fā)的洪水洪峰流量達到4 710 m3/s。

1.2 數(shù)據(jù)資料

天氣雷達選用福州市長樂區(qū)境內(nèi)的S波段雷達(以下簡稱長樂雷達)，數(shù)據(jù)來源于國家氣象局，并通過數(shù)據(jù)質(zhì)量控制。長樂雷達掃描區(qū)域半徑為250 km，梅溪流域幾乎全部落在雷達掃描半徑為100 km的范圍內(nèi)，這樣可保證雷達掃描數(shù)據(jù)的質(zhì)量，具體如圖1所示。

圖1 雷達覆蓋范圍與流域位置

流域內(nèi)共有8個雨量站、1個水文站，如圖2所示。長系列降雨徑流資料用于流域分布式水文模型的參數(shù)率定與驗證，該資料由福建省水利水電科學研究院提供。從所測到的數(shù)據(jù)中選取2012年的“蘇拉”、2014年的“海貝思”、2016年的“尼伯特”3場臺風在梅溪流域引發(fā)的典型降雨洪水事件(見表1和如圖3所示)為研究對象，開展耦合天氣雷達QPE與QPF的中小流域洪水預報研究。

圖2 雨量站、水文站與流域位置的關(guān)系

表1 3場降雨洪水事件的具體情況

圖3 實測降雨洪水過程

流域下墊面資料主要用于分布式水文模型的構(gòu)建，包括1∶5×104DEM、土地利用和植被類型、土壤類型等數(shù)據(jù)[14]。

2 模型與方法

2.1 雷達降水反演及臨近預報模型

通過建立Z-R關(guān)系可實現(xiàn)雷達降水反演，但受降水類型等因素的影響，Z-R關(guān)系差異較大。正確的降水分類有助于建立不同類型下不同的Z-R關(guān)系，通過強降水識別技術(shù)[15]對不同時段、不同空間位置的場次降雨進行分類，識別出強降水區(qū)域，分別建立強降水區(qū)與非強降水區(qū)的Z-R關(guān)系，從而提高天氣雷達的預報精度。經(jīng)過30場歷史降雨資料的反復試驗，最終確定了強降水區(qū)的Z-R關(guān)系為Z=135R1.33，其它降水區(qū)的Z-R關(guān)系為Z=200R1.6。

依托STEPS(Short Term Ensemble Prediction System)，在上述降水反演結(jié)果的基礎(chǔ)上，利用光流法[16-18]開展雷達臨近預報研究。為降低預報的不確定性，通過高斯擾動構(gòu)建了30個集合預報成員，形成臨近集合預報集，獲得3場降雨1、2、3 h預見期的預報結(jié)果。

2.2 基于中國山洪水文模型的梅溪流域分布式水文模型

中國山洪水文模型(China Flash Flood hydrological model，CNFF)是由中國水利水電科學研究院自主研發(fā)的分布式水文模型，模型的基本原理見文獻[19]，模型結(jié)構(gòu)如圖4所示。該模型的主要特色與優(yōu)勢為：①基于高精度的地形地貌數(shù)據(jù)和考慮雨強影響的分布式單位線技術(shù)；②資料缺乏地區(qū)河道洪水演進變參數(shù)計算方法；③連續(xù)和不同場次過程暴雨洪水實時模擬和預估預報。依托CNFF框架，結(jié)合梅溪流域特征及資料，構(gòu)建梅溪流域分布式水文模型，模型參數(shù)采用參考文獻[20]的研究成果。該模型的概化圖如圖5所示。

圖4 CNFF水文模型結(jié)構(gòu)示意圖

圖5 梅溪流域分布式水文模型概化圖

2.3 評估方法

2.3.1 雷達測雨結(jié)果與臨近預報結(jié)果評估方法

雷達測雨結(jié)果與臨近預報結(jié)果評估方法中選用24 h累積雨量的相對誤差(RE)和均方根誤差RMSE兩個指標。

1)累積雨量相對誤差(RE)的計算式為：

(1)

式中：P′為雷達反演的面累積降雨量，mm；P為地面站觀測的面累積降雨量，mm。P′為流域內(nèi)雷達所有網(wǎng)格點雨量的均值，P則根據(jù)梅溪流域內(nèi)雨量站的降雨數(shù)據(jù)采用泰森多邊形法求得。

2)均方根誤差(RMSE)的計算式為：

(2)

式中P′j和Pj分別為雷達降水反演值與地面雨量站觀測的降雨量值。當進行空間尺度評價時，M為雨量站個數(shù)，P′j和Pj分別為在某一特定的空間位置j處整個觀測時段內(nèi)累積雨量的雷達反演值與地面雨量站的觀測值；當進行時間尺度評價時，M為降雨時長，P′j和Pj分別為在觀測時刻j時研究區(qū)面平均雨量的雷達反演值與地面雨量站的觀測值。為了去除不同場次降雨量的影響，最終求得的RMSE值為分別除以相應維度地面雨量站觀測值的平均值。

2.3.2 洪水預報評估方法

采用洪峰流量相對誤差(REQ)、洪峰時間誤差(TP)、確定性系數(shù)(NSE)等對梅溪流域分布式水文模型的洪水預報結(jié)果進行評價。各評價指標分別由下面的公式計算：

(3)

TP=TSP-TOP。

(4)

(5)

3 結(jié)果與分析

3.1 強降水識別效果

為說明強降水識別的效果，選用福建長樂雷達常用的Z-R關(guān)系(Z=200R1.6)對降水進行了反演，結(jié)果見表2。由表2可知，對于3場典型降雨，基于強降水識別的雷達QPE 24 h累積雨量相對誤差較常規(guī)反演的分別提高了60.84%、49.03%和68.52%，降雨時空分布得到了明顯改善。

表2 通過常規(guī)反演與強降水識別反演的降雨評估結(jié)果

3.2 基于強降水識別的臨近預報結(jié)果

雷達臨近降水預報集合共30個成員，采用30個成員預報結(jié)果的平均值作為最終的臨近預報結(jié)果。3場典型降雨不同預見期的臨近預報結(jié)果見表3。

表3 基于強降水識別的降雨臨近預報評估結(jié)果

由表3可知，降雨場次Ⅰ的預報效果最佳，臨近降水預報結(jié)果相對可靠，降雨場次Ⅱ和Ⅲ的預報效果不理想。

3.3 基于雷達QPE的洪水預報

將經(jīng)過強降水識別的雷達反演降雨量，作為梅溪流域分布式水文模型的輸入進行洪水預報，結(jié)果見表4和如圖6所示。

由表4和圖6知：降雨場次Ⅰ的洪峰流量相對誤差為-35.7%，洪峰時間誤差為-0.3 h，確定性系數(shù)為0.68；場次Ⅱ的洪峰流量相對誤差為-13.7%，洪峰時間誤差為-1.0 h，確定性系數(shù)為0.90；場次Ⅲ的洪峰流量相對誤差為6.9%，洪峰時間誤差為-3.2 h，確定性系數(shù)為0.57。

表4 耦合雷達QPE的洪水預報效果

圖6 基于雷達QPE的洪水預報結(jié)果

3.4 基于雷達QPF的洪水預報

將不同預見期的雷達臨近預報降雨量，作為梅溪流域分布式水文模型的輸入量進行洪水預報，結(jié)果見表5和如圖7所示。

表5 基于雷達QPF的洪水預報效果

圖7 基于雷達QPF的洪水預報結(jié)果

由表5和圖7知：對于降雨場次Ⅰ，耦合1、2、3 h預見期雷達QPF計算的洪峰流量相對誤差分別為-22.1%、-42.6%、-54.0%，洪峰時間誤差分別為-0.3、0.7、1.7 h，確定性系數(shù)分別為0.86、0.62、0.34；對于降雨場次Ⅱ，耦合1、2、3 h預見期雷達QPF計算的洪峰流量相對誤差分別為-82.6%、-89.9%、-93.7%，洪峰時間誤差分別為1.0、1.0、2.0 h，確定性系數(shù)分別為-0.13、-0.36、-0.52；對于降雨場次Ⅲ，耦合1、2、3 h預見期雷達QPF計算的洪峰流量相對誤差分別為2.3%、-50.1%、-83.7%，洪峰時間誤差分別為-2.2、-2.2、-2.2 h，確定性系數(shù)分別為0.69、0.35、-0.37。

總體上，場次Ⅰ的洪水預報結(jié)果較好，而場次Ⅱ和Ⅲ的預報結(jié)果無法滿足實際需要。隨著降雨預見期的延長，洪水預報精度明顯降低。

3.5 洪水預報的誤差分析

為進一步分析耦合雷達QPE和QPF的洪水預報誤差來源，分別用實測降雨量驅(qū)動梅溪流域分布式水文模型，計算洪水評估指標值，將各評估指標的結(jié)果作為分布式水文模型自身的誤差(見表6)；耦合雷達QPE和QPF計算的各評估指標誤差為耦合系統(tǒng)的總誤差，采用總誤差的絕對值減去分布式水文模型的誤差絕對值的結(jié)果，認為是降雨量偏差導致洪水預報誤差。洪峰流量誤差、洪峰時間誤差和確定性系數(shù)誤差分別記為ΔRER、ΔREQ、TP、ΔNSE，各項指標計算結(jié)果見表7和表8。

表6 分布式水文模型的洪水預報誤差

表7 雷達QPE偏差的洪水預報誤差

表8 雷達QPF偏差導致的洪水預報誤差評估

由表4、6和7可知：對于降雨場次Ⅰ，基于雷達QPE開展洪水預報的誤差較基于雨量站測雨數(shù)據(jù)開展洪水預報的誤差小，說明盡管總雨量存在一定偏差，但由于空間尺度和時間尺度的RMSE值較小，雷達QPE的結(jié)果適宜作為分布式水文模型的輸入，在描述降雨時空分布特征方面具有一定優(yōu)勢；對于降雨場次Ⅱ、Ⅲ，基于雷達QPE開展洪水預報的誤差較基于雨量站測雨數(shù)據(jù)開展洪水預報的誤差大，說明當總雨量、降雨時空分布均存在較大偏差時，雷達QPE的預測結(jié)果的偏差會導致洪水預報結(jié)果的精度變差。

由表5、6和8可知：對于降雨場次Ⅰ，基于1 h預見期的雷達QPF開展洪水預報的誤差較基于雨量站測雨數(shù)據(jù)開展洪水預報的誤差小，說明當總雨量偏差不大時，由于雷達的預測結(jié)果能準確反映降雨量的時空分布，有助于改善分布式水文模型洪水預報結(jié)果，但隨著雷達QPF預見期的延長，總雨量和降雨量的時空分布的偏差變大，導致洪水預報結(jié)果的精度變低；對于降雨場次Ⅱ、Ⅲ，由于雷達QPF測得的總雨量偏差太大，耦合雷達QPF的洪水預報結(jié)果誤差大幅增加。

4 結(jié)論

以梅溪流域為研究區(qū)，選取2012年的“蘇拉”、2014年的“海貝思”、2016年的“尼伯特”3場臺風引發(fā)的降雨洪水過程為研究對象，采用強降水識別、光流法等技術(shù)手段獲取更為準確的天氣雷達QPE和QPF的降雨數(shù)據(jù)作為梅溪流域分布式水文模型的輸入開展洪水預報研究，分析耦合天氣雷達QPE與QPF的中小流域洪水預報效果，主要結(jié)論如下：

1)強降水識別能有效提升天氣雷達QPE的降雨監(jiān)測精度，對于強降雨預報精度的改進效果明顯；隨著降雨預見期的延長，天氣雷達QPF的預報精度顯著降低；對于降雨量時空分布較為均勻的降雨，天氣雷達QPE和QPF的預報結(jié)果將更加準確。

2)對于降雨量時空分布較為均勻的降雨，耦合天氣雷達QPE的洪水預報較雨量站測雨更具優(yōu)勢，耦合1 h預見期天氣雷達QPF預報結(jié)果能夠滿足中小流域洪水預報的要求。

3)對于短歷時強降雨和特大暴雨，受天氣雷達QPE和QPF預報精度的影響，洪水預報效果較差，較難滿足中小流域洪水預報的要求。

進一步研究中將充分考慮云層結(jié)構(gòu)及水汽的物理變化與演化，結(jié)合天氣雷達對氣象要素空間探測的能力，在光流法等傳統(tǒng)雷達外推算法的基礎(chǔ)上，引入氣象動力學的物理概念，重點探究短歷時強降雨和暴雨的臨近預報方法，提高耦合天氣雷達QPF的洪水預報精度。