基于降尺度降雨的洪水預報預警體系的創(chuàng)建

趙 鵬

(泰安市水文中心，山東 泰安 271000)

0 引言

減少洪水災害對生命和財產(chǎn)造成的損害的方法可以定義為結(jié)構和非結(jié)構措施[1-2]。結(jié)構措施通常意味著修建水庫、水壩、堤壩等，這些都具有減少洪水影響的能力。但是實施這些結(jié)構需要巨額投資和工程技術；然而，考慮到洪水強度的變化，并不是所有的洪水都能被完全阻止。而洪水預警系統(tǒng)是減少洪水損害的最有效的非結(jié)構性措施之一[3]。這旨在向防洪機構提供準確及時的洪水信息的預警，以便正確實施備災和減災計劃。增加預警提前期和預警實踐的經(jīng)驗可以大大減少了生命損失和財產(chǎn)損失。

洪水預報是洪水預警系統(tǒng)中最重要的組成部分之一[4]。它決定了整個系統(tǒng)的優(yōu)劣。任何預警系統(tǒng)總是需要準確的預測和更長的預測提前期?；趯崟r降水觀測和其他水文參數(shù)的洪水預報提供了提前期，該提前期取決于上游降水和下游觀測到的洪峰之間的滯后時間[5]。因此，預警提前期在流域范圍內(nèi)并不一致，對于具有陡峭集水區(qū)的流域來說可能相當短，從幾分鐘到幾個小時不等。最近，許多研究采用數(shù)值天氣預報系統(tǒng)(NWP)來延長洪水預報提前期[6]。因為它只取決于降水預測的準備時間，對于短期預測，準備時間從幾個小時到幾天不等，對于中期預測，準備時間最多為10 d或更長。這些研究使用了非常短期的確定性NWP模型(通常是高分辨率模型)，如中尺度模型、有限區(qū)域模型或中期集合預測系統(tǒng)。高分辨率模型驅(qū)動的洪水預測已經(jīng)顯示出非常高的預測技能；然而，這些高分辨率模型可能受限于相對短期的預測，也可能受限于研究區(qū)域。因此對于洪水預報預警體系還需要更多更全面的研究。

本文對歷史數(shù)據(jù)進行模型校準建立了統(tǒng)計降尺度模型。通過對全局NWP輸出值進行物理的校正，并優(yōu)化人工神經(jīng)網(wǎng)絡中用于校準階段的參數(shù)，然后，降尺度降水被用作超級水箱模型的輸入，以便將地下水納入河流流量的生成，用于洪水預測。根據(jù)預測提前期評估模型的不確定性，將洪水預測納入現(xiàn)有的洪水預警級別。研究結(jié)果有望加強現(xiàn)有的洪水預報技術和預警實踐。

1 研究區(qū)域和方法

1.1 研究區(qū)域

臥虎山水庫是山東省的大型水庫，隸屬于黃河支流的玉符河流域，流域干流長40.4 km，流域面積755 km2。由于流域降雨量年內(nèi)分布不均，通常在幾乎每年9-12月的雨季造成大規(guī)模洪水。這些降雨具有降雨歷時短且降雨量大的特點，因此經(jīng)常會造成洪水的都漲陡落，洪水迅猛湍急，而且集水反應迅速，這給實施洪水緩解措施留出了非常短的準備時間。因此有必要建立合理的洪水的預警系統(tǒng)。

1.2 氣象數(shù)據(jù)

這項研究數(shù)據(jù)使用了中國氣象數(shù)據(jù)共享網(wǎng)和NWP模型，短程確定性全球NWP模型的空間分辨率為0.5度，垂直層數(shù)為60層?？稍?0、06、12和18時每天發(fā)布4次預測，提前期可達84 h。每隔6 h預測一次地面降水和其他變量。逆距離加權法將點表示(雨量計)或網(wǎng)格點值表示(NWP)的參數(shù)轉(zhuǎn)變?yōu)槊娣e平均基礎上的降水和相關大氣參數(shù)的插值。

1.3 降尺度大尺度降水

長期以來，模型輸出統(tǒng)計數(shù)據(jù)作為天氣預報的統(tǒng)計降尺度工具而廣為人知。校準過程多采用了多元線性回歸方法。然而，就學習技巧而言，非線性統(tǒng)計方法往往優(yōu)于其他多元回歸方法。因此，本研究使用了廣泛應用的人工神經(jīng)網(wǎng)絡方法，以下簡稱為神經(jīng)網(wǎng)絡，用于校準過程。人工神經(jīng)網(wǎng)絡配置通常包括輸入層、隱藏層和輸出層，網(wǎng)絡訓練使用誤差反向傳播權重原理來更新規(guī)則，并調(diào)整權重，使得網(wǎng)絡輸出(預測值)和觀測值之間的差異最小。

關于降尺度方法的數(shù)據(jù)處理，確定潛在的預測因子非常重要。該過程不僅考慮了對輸出有強烈影響的變量，以避免過度擬合，而且克服了用于校準過程的歷史記錄的不足。在校準過程中，潛在的預測因子是70 Kpa和85 Kpa的風場速度和垂直壓力的變化，以及地面的降雨量預測?；谥鸩蕉嘣€性回歸，采用額外的預測因子篩選，最終確定一組預測因子。

1.4 水文模型

在水文模型中，水箱模型以其簡單性和在降雨徑流分析中的廣泛應用而聞名。然而，水箱模型有許多校準所需的參數(shù)。本研究中使用的超級水箱模型顯然可以克服這個問題。它既具有原始水箱具有的一些物理屬性，又幾乎無需校準參數(shù)，因為模型參數(shù)已經(jīng)使用地理地形和地表信息進行了內(nèi)部校準。此外，超級水箱模型是半分布式的，就空間變化考慮而言，它優(yōu)于集總水文模型。因此，超級水箱模型已經(jīng)在降雨徑流建模中具有一定的穩(wěn)健性和普遍性，其模型對觀測數(shù)據(jù)稀缺的流域具有較強的適用性。

然而，超級水箱模型僅包括最上層土層的 3 個水箱的互流，而忽略了控制基流的地下水的貢獻，這些降雨大部分轉(zhuǎn)化為直接徑流。 在這項研究的背景下，考慮到水文地質(zhì)信息的局限性，提出了一個代表地下水貢獻的額外集水箱，用于補充水流生成的完整過程。徑流模型性能的評價基于兩個標準，即納什指數(shù)(NSI)，或稱為模型效率系數(shù)；和預測徑流的相對誤差(η)。

2 結(jié)果和討論

2.1 徑流模擬

鑒于缺乏地下水箱的水文地質(zhì)信息，需要對所有網(wǎng)格單元適用的塊狀參數(shù)、地下水箱的坡度和初始儲存量進行校準。校準過程使用試錯法對2008年和2009年雨季的歷史降雨量和流量數(shù)據(jù)進行試錯。地下水箱坡度和初始蓄水的最佳值分別為0.05和水箱深度的四分之一(大約10 m)。模擬結(jié)果表明，模擬過程線與觀測過程線非常吻合(圖1)。整體模型性能獲得了非常高的模型效率系數(shù)(NSI= 0.84)。

圖1 觀測過程線和用雨量器模擬的時間序列

2.2 降尺度降水

從ANN(神經(jīng)網(wǎng)絡法)模型輸出的最佳大尺度預測值也與MLR(最大似然法)中使用的類似，輸出層是降尺度降水。并針對2008年雨季發(fā)生的單一和連續(xù)暴雨事件，將校準過程分開。這可能會導致在如何確定是單一暴雨事件還是連續(xù)暴雨事件可能發(fā)生時有些不確定性。因此，選擇了2008年和2009年雨季發(fā)生的12次暴雨事件(單次和連續(xù))的歷史數(shù)據(jù)作為統(tǒng)一數(shù)據(jù)集。然后，將它分為訓練集和驗證集。圖2顯示了從DMO (直接模式輸出)導出的觀測和預測(24小時提前期)與使用MLR和ANN對暴雨事件進行降尺度的累積降雨量的比較。結(jié)果表明，人工神經(jīng)網(wǎng)絡對降尺度降水有顯著的預報性能。學習能力優(yōu)于最大似然法。區(qū)域平均降雨量的相關系數(shù)增加了約12%；同時，使用人工神經(jīng)網(wǎng)絡對結(jié)果進行降尺度時，得到的降水量預測值更加接近觀測值。這種差異大多出現(xiàn)在暴雨事件的早期。這來源于初始模型狀態(tài)或模型公式中的誤差的結(jié)果。而且往往是初始模型狀態(tài)引起的偏差，這可能顯著增加模型總偏差。因為這些初始條件主要受到現(xiàn)有天氣觀測網(wǎng)絡的非常粗略的時空分辨率影響，尤其是在具有較少觀測數(shù)據(jù)的地區(qū)。

圖2 三種方法對暴雨事件進行降尺度的累積降雨量的預測結(jié)果

2.3 洪水預報

人工神經(jīng)網(wǎng)絡的降尺度降水數(shù)據(jù)被用作徑流預測的超級水箱模型的輸入?；谙铝蟹椒ǖ乃臅r間序列:觀測(Q_obs)、使用雨量器(Q_rep)再現(xiàn)、直接模型輸出(Q_dmo)、使用MLR (Q_mlr)和ANN (Q_ann)方法對9月洪水事件的大尺度降水進行降尺度，其對比結(jié)果見圖3。顯然易見，基于人工神經(jīng)網(wǎng)絡降尺度降水的洪水預報(24小時提前期)優(yōu)于其他方法(DMO法和多層線性回歸法)，它相當于使用雨量計(Q_rep)重現(xiàn)徑流。2009年9月發(fā)生的洪水事件的模型效率和峰值流量相對誤差的統(tǒng)計比較見表1。

圖3 9月洪水事件的大尺度降水多種方法的降尺度對比

表1 洪水事件統(tǒng)計

2.4 模型驗證

為了評估人工神經(jīng)網(wǎng)絡模型的性能，數(shù)據(jù)集應該分成三個子集，分別用于學習階段、測試階段和驗證階段?？紤]到歷史數(shù)據(jù)可用性的限制，只進行了學習階段和驗證階段。

圖4 驗證11月洪水事件的預測河流流量 (24小時提前期)

本研究選取11月的暴雨事件進行模型驗證。如圖4所示，模型驗證表明，使用人工神經(jīng)網(wǎng)絡驅(qū)動的降水預測，洪水預測性能有了相當大的提高，盡管存在著對峰值流量的低估。但是根據(jù)表2模型統(tǒng)計結(jié)果，與實際觀測流量相比，總流量估計值約低25%。模型效率系數(shù)從0.34(使用DMO)增加到0.77。在這種情況下，準確估計即將發(fā)生的洪水量將是非常有用的信息，可用于實施防洪措施，例如通過適當?shù)乃畮爝\行系統(tǒng)。

表2 已驗證事件的統(tǒng)計數(shù)據(jù)

2.5 模型不確定性

洪水預測模型的總體不確定性受徑流模型誤差和降雨預測誤差的影響。最近的研究表明，模型不確定性的主要來源主要是由于觀測產(chǎn)生固有的誤差而引起的。隨著預測提前期的延長，預測的不確定性可能會更大。因此，有必要根據(jù)特定防洪目的的預測提前期來評估模型的不確定性，并對不同預測提前期的峰值流量和總徑流量的相對誤差進行了評估。

圖5 11月驗證事件的峰值流量(圓圈)和總流量(誤差線)的相對誤差

盡管此模型目前可以預測84 h；然而，對模型不確定性的評估只集中在短期預測上，最長可達48 h。結(jié)果顯示，觀察到模型不確定性朝著更大的預測提前期增加的趨勢(如圖5)。而且，在6～18 h內(nèi)模型具有較高的預測性能。在很多研究中，洪水預報已經(jīng)被整合到大多數(shù)河流流域的現(xiàn)有洪水警報系統(tǒng)中?，F(xiàn)有的洪水警報體系基于特定河段指定的河流水位閾值，例如，警報級別I (A.L-I)表示潛在的洪水狀況；二級和三級警報(A.L-II和A.L-III)分別顯示危險和非常危險的洪水情況。在本研究中，三級警報相當于1 300 cm的河流水位，在這種情況表明出現(xiàn)了緊急情況，預計會有大范圍的嚴重洪水。如圖6所示，該模型證明了預測和觀測河流水位之間的良好一致性。根據(jù)歷史淹沒圖，將定量預測潛在淹沒區(qū)。由于該模型能夠在非常早的階段檢測潛在的洪水，并在6～18 h的準備時間范圍內(nèi)提供洪水徑流或河流階段的可靠預測，它使處于風險中的人們和相關防洪機構不僅能夠在早期階段積極參與備災計劃，而且能夠在需要時向公眾傳播疏散要求。

圖6 11月驗證事件的河流水位預測(12小時提前期)

3 結(jié)語

本文提出并檢驗了短期洪水預報體系，以便在對暴雨形成的洪水作出一定精度的早期預警。主要研究結(jié)果如下:

(1)徑流模擬結(jié)果表明，模擬過程線與觀測過程線非常吻合。整體模型性能獲得了較高的模型效率系數(shù)(NSI= 0.84)。

(2)人工神經(jīng)網(wǎng)絡對降尺度降水有顯著的預報性能。學習能力優(yōu)于最大似然法。區(qū)域平均降雨量的相關系數(shù)增加了約12%。

(3)使用人工神經(jīng)網(wǎng)絡驅(qū)動的降水預測存在著對峰值流量的低估。但洪水預測性能有了相當大的提高，模型效率系數(shù)從0.34(使用DMO)增加到0.77。

(4)隨著預測提前期的增加，不確定性呈增加趨勢，但該模型可以對長達18 h的提前期做出可靠預測。

(5)將洪水預報模型整合到流域的洪水警報系統(tǒng)中，該模型的預測值和觀測河流的水位之間具有良好的一致性。