潜在蒸散发数据对网格HBV模型降雨径流模拟的影响分析.pdf 9页

'中国科技论文在线http://www.paper.edu.cn潜在蒸散发数据对网格HBV模型降雨径流模拟的影响分析**崔巍，王文5（河海大学，水文水资源与水利工程科学国家重点实验室，南京210098）摘要：遥感数据是作为缺资料或少资料地区构建水文模型的重要输入数据来源。利用以遥感数据为主的多源数据，构建了雅砻江流域雅江以上集水区的网格HBV模型，较好的模拟了雅江站2008年至2013年的降雨径流。利用美国全球陆面数据同化系统提供的气象数据产品10与FAO56Penman公式与修正的Hargreaves公式分别计算了潜在蒸散发数据，从数值与时间尺度分析了二者与MODIS/MOD16潜在蒸散发数据产品分别作为网格HBV模型的驱动数据对模型降雨径流模拟结果的影响，结果表明，由于参数的调整与网格HBV模型的自身结构使的模型对潜在蒸散发输入数据并不敏感。关键词：水文；遥感；HBV模型；潜在蒸散发；降雨径流过程模拟15中图分类号：P333.9EffectofPETDataonRainfall-runoffSimulationofGrid-basedHBVModelCUIWei,WANGWeng20(StateKeyLaboratoryofHydrology-WaterResourcesandHydraulicEngineering,HohaiUniversity,Nanjing210098)Abstract:Remotesensingdataisanimportantinputdatasourceforbuildinghydrologicalmodelinthoselackingorhavingnodatacatchments.Thegrid-basedHBVmodelwasestablishedinthecatchmentaboveYajiangstationinYalongRiverbasinwithmulti-sourcedata,whichcansimulatethe25streamflowofYajiangStationfrom2008to2013well.PotentialevapotranspirationwascalculatedusingthemeteorologicaldataproductsprovidedbytheUSGlobalLandDataAssimilationSystemwiththeFAO56PenmanformulaandthemodifiedHargreavesformula,respectively.TheinfluenceofmagnitudeandtimescaleofthetwocalculatedpotentialevapotranspirationdataandMODISMOD16potentialevapotranspirationproductsontherainfallrunoffsimulationresultswasanalyzed.Theresults30showthatthemodelisnotsensitivetothepotentialevapotranspirationinputduetotheadjustmentofthemodelparametersandthestructureofthegrid-basedHBVmodel.Keywords:Hydrology;Remotesensing;HBVmodel;PET;Rainfall-runoffsimulation0引言35水文模型是对自然界中复杂水循环过程的近似描述，是水文科学研究中的一种手段和方法，也是对水循环规律研究和认识的结果。构建水文模型通常需要许多良好的水文数据，但[1]全球许多流域并没有或仅有少量的水文观测数据。缺少数据成为在这些流域进行水文研究的重要阻碍。随着遥感数据产品的不断发展完善，遥感数据产品为没有站点观测数据的流域[2]建立水文模型提供了一个具有前景的数据来源。40蒸散发计算是水文模型中不可缺少的环节，通常通过潜在蒸散发（PET）和土壤含水来估算实际蒸散发（AET）。科学家们提出了许多PET的计算方法，不同的PET计算方法由[3]于不同的假定与数据要求，计算结果具有很大的差异。许多研究表明水文模型的径流模拟结果对PET数据并不敏感。Andersson比较了7种不同的PET计算方法对HBV降雨径流模基金项目：高等学校博士学科点专项科研基金资助课题（20130094110007）作者简介：崔巍（1990-），男，博士研究生，主要研究方向：水文水资源及水文遥感通信联系人：王文(1967-)，男，教授、博导，主要研究方向：水文水资源与水文遥感.E-mail:W.Wang@126.com-1- 中国科技论文在线http://www.paper.edu.cn[4]型的影响，认为不同PET的计算方法对模型模拟效果的影响非常小。Andréassian等在山45地区域比较了区域平均PET与改进的区域PET作为驱动数据对两种概念式水文模型的影响，[5]然而两种PET获得的径流模拟结果却是相似的。Oudin等认为水文模型的径流模拟结果对[6][7]于PET输入数据并不敏感。PengBai等测试了不同PET对按月模拟的水文模型对中国湿润和非湿润地区的影响，并分析了两种假设（1）PET输入数据自身对径流模拟影响有限；[8]（2）PET数据对径流模拟有影响，但是这种影响被模型率定削弱了很多。Seiller和Anctil50研究了24种PET计算方法对水文模型的影响，发现PET的偏差对水文模型的影响由于参数[9]的调整而明显减弱。本文主要目标是分析PET数据对水文模型的影响，利用以遥感数据为主的多源数据，在青藏高原南部雅砻江雅江以上集水区构建了网格HBV模型。利用美国全球陆面数据同化系统提供的气象数据产品与FAO56Penman公式与修正的Hargreaves公式分别计算PET。在55分析MODIS/MOD16PET，FAO56Penman公式与修正的Hargreaves公式计算所得PET作为网格HBV模型的驱动数据对模型的影响的基础上，主要分析了不同PET数据数值以及时间尺度对水文模型降雨径流过程的影响。1研究方法1.1网格HBV模型60HBV模型是由SMHI(SwedishMeteorologicalandHydrologicalInstitute)于70年代为了径[10]流模拟和水文预报而开发的，后来又逐渐发展形成了许多不同的版本。世界上超过80个国家在使用HBV模型，许多地区将其作为水电站水库群洪水预报和来水模拟的一种标准工具。HBV模型是一种模拟积雪、融雪、蒸散发、土壤水分储存、地下水埋深和径流等机制的降雨径流模型，这包含了降雨径流过程中绝大多数重要的过程。Bergström和Lindström[10][11]65等详细阐述了HBV模型的算法和科学依据。Uhlenbrook等用GLUE方法进一步验证了[12]HBV模型结构和概念的合理性。本研究中所用的网格HBV模型是基于HBV-96模型原理开发的，每一个网格都是独立的采用HBV模型概念计算产流，最后把单个网格作为运动波水库采用运动波方程进行汇流[13]计算。本文重点关注HBV模型中的蒸散发计算过程。蒸散发作为水文循环中的关键组成70部分，对于研究全球气候变化和水文过程具有重要意义。流域蒸散发过程不可见并且测量起来非常困难。HBV模型通常采用PET作为驱动数据，结合土壤含水量计算AET。1.2潜在蒸散发（PET）估算方法1998年联合国粮农组织(FAO)在FAO56文件中推荐了Penman-Monteith公式作为气象[13]资料齐全时的PET的标准计算公式(FAO56Penman-Monteith)，并推荐了Hargreaves公式[3]75作为缺少数据情况下的替代公式。FAO56Penman-Monteith公式如下：900uee()0.408(VRG)T2732sanET(1)0VV(10.34)uu(10.34)2222其中，为净辐射(MJ/(m.d))，为地表热通量(MJ/(m.d))，为气温(℃)，为距地面-2- 中国科技论文在线http://www.paper.edu.cn2m处风速(m/s)，为气温等于T时饱和水汽压-温度曲线斜率(kPa/℃)，为湿度计常数80(kPa/℃)，为气温T的饱和水汽压(kPa)，为气温T的实际水汽压(kPa)。Hargreaves公式如下：ETTmaxminETCRTT()(T)(2)0mapaxmin2其中，、、为Hargreaves的3个参数，其建议值分别为0.0023、0.5、17.8。为2最高温度(℃)，为最低温度(℃)，为天文辐射总量(MJ/(m.d))（可以通过FAO56文件85中提供的公式计算）。胡庆芳等采用洗牌复合形进化算法(SCE-UA)对中国105个气象站的Hargreaves公式进行了全局校正，青藏高原及毗邻地区校正后的Hargreaves公式取为[14]0.0012、为0.64、为33.4。雅砻江流域地处青藏高原，尤其是雅江以上集水区平均海拔近5000m，属于高寒地区，所以本文采用校正后的Hargreaves公式计算PET。1.3模型评价指标90模型模拟效果通过出口站点的模拟与实测径流的对比来评估，相对平均偏差(RME)，Nash-Sutcliffe效率系数(NSE（Q）)、对数Nash-Sutcliffe效率系数(NSE（ln（Q））)用来评价模型的模拟效果。niii1()QQobssRME100%(3)nii1Qobsnii2i1()QQobssNSEQ()1(4)ni2i1()QQobsobsnii2i1(ln(QQobs)ln(s))95NSE(ln())1Q(5)ni2i1(ln(QQobs)ln(obs))其中，为实测径流系列，为模型模拟径流系列，为实测径流系列平均值。反应了水量平衡偏差，反应了高流量时的模拟效果，反应的低流量时模型模拟效果。2研究区域与数据1002.1研究区域雅砻江流域位于青藏高原南部，东西宽100～200公里，南北长900余公里，形状狭长，流域面积约13万平方公里。流域内地势北、东、西三面是海拔4500～5500m米的高山及高原，南面是海拔1000～1500米的峡谷。雅砻江支流众多，水系发育较好。本文研究区雅砻江-雅江集水区处在雅砻江流域30°N以北青藏高原区，平均高程近5000m，气候为寒冷而干105燥的高原气候区，终年寒冷，集水面积约为68400平方公里。2.2构建网格HBV模型的数据雅江以上集水区，属于典型的缺资料地区。本文中用于构建网格HBV模型的数据仅有-3- 中国科技论文在线http://www.paper.edu.cn径流一项数据为观测站点数据，其他数据均来源于各种公开数据集。数字高程模型(DEM)采用CGIAR-CSI网站提供的SRTM90m分辨率数据，重采样生成1100.025°×0.025°分辨率数据。土地利用数据采用将欧空局全球陆地覆盖数据(ESAGlobCover)，重分类简化为水田、旱田、森林、草地-灌木、水体、裸地、永久积雪7大类。流域河网的生成经过以下几个步骤，首先将90m分辨率的DEM数据重采样成为0.025°分辨率，然后根据D8算法与DEM数据生成流向数据。降雨数据采用中国自动站与CMORPH降水产品融合的0.1°×0.1°逐时降水量网格数据集115(1.0版)是基于全国3万余个自动观测站逐小时降水量和CMORPH卫星反演降水产品，采用融合方法生成的逐小时降水量融合产品，逐小时0.1°分辨率的降水融合产品有效结合了地面观测降水和卫星反演降水的优势，产品总体误差水平在10%以内，对强降水和站点稀疏区[15]的误差在20%以内，优于国际上同类型产品。将每一日逐小时数据累加获得日降水数据作为网格HBV模型的驱动数据。120温度数据采用中国地面气温日值0.5°×0.5°格点数据集(V2.0)。该数据集基于基础资料专项最新整编的中国2472个(剔除西沙和珊瑚2个远海海岛站)国家级地面气象站基本气象要素资料，利用薄盘样条法(TPS，ThinPlateSpline)结合三维地理空间信息进行空间插值而成。采用的PET数据有如下三种：(1)MOD16PET数据（PETmod），目前MODIS/MOD16蒸散发产品是最为广泛使用的遥125感蒸散发产品。MOD16蒸散算法的基础是Penman-Monteith公式，计算时分别考虑了土壤表面蒸发、冠层截流水分蒸发和植物蒸腾。(2)采用美国全球陆面数据同化系统（GLDAS）产品中的长波净辐射、短波净辐射、气温、风速、气压以及比湿数据，应用FAO56Penman-Monteith公式计算所得的PET数据（PETpm）；130(3)采用美国全球陆面数据同化系统（GLDAS）产品中的温度数据，应用修正Hargreaves公式计算所得的PET数据（PETh）。流量数据用来率定和验证模型的模拟效果，站点流量数据来自《水文年鉴》，流量系列为雅江水文站（101.050°E，30.017°N）2008~2013年的流量数据。其中2008~2011年为率定期。1352.3网格HBV模型模拟方案分别将PETmod、PETf、PETh作为网格HBV的驱动数据进行降雨径流模拟。以PETmod作为模型驱动数据，记为方案A1；以PETpm作为模型驱动数据，记为方案A2；以PETh作为模型的驱动数据，记为方案A3。A1、A2、A3方案均是以PET数据作为驱动数据。对于参数的率定，采用分布式遗传算法，目标函数用NSE（Q）与NSE(ln(Q))，由于雅140江站点仅有2008年到2013年共6年的数据，因此在率定模型时以2008到2011年作为率定期，最后分析分析包含率定期所有6年数据。自动率定的结果并不令人满意，所以在分析自动率定结果的基础上，人工确定了模型最终采用的参数集。本文以采用的模型参数在表1中列出。表1雅江集水区网格HBV模型参数145Tab.1Parametersofgrid-basedHBVmodelinYajiangcatchment参数名参数含义A1A2A3ECORRPET校正系数0.580.820.4-4- 中国科技论文在线http://www.paper.edu.cnAlphaNL壤中流消退指数0.50.50.5BetaSeepage土壤参数0.020.020.02-1-1Cfmax度日因子/（mm·d·℃）888FC土壤平均蓄水量/（mm）135135135HQ高流量参数333K4地下水消退系数0.020.020.02KHQ流量HQ对应消退系数0.10.10.1LPPET比率0.80.80.8PERC渗透率常数/（mm）222TT雨雪临界温度/（℃）-1.5-1.5-1.5TTI雨雪温度范围/（℃）1113结果分析3.1不同PET数据的比较从年平均PET总量来看，三种方式获得的PET在数值上的差异十分明显。其中由Hargreaves公式计算的PET（PETh）最大，年平均PET量达到了1978mm，而由FAO150Penman-Monteith公式计算的PET（PETpm）最小，具体数值为873mm，MOD16PET（PETmod）为1507mm。图1（a-c）展示了PETmod、PETpm与PETh多年平均蒸散发量（2008-2013）在雅砻江-雅江流域的空间分布情况，可以看出三种蒸散发存在明显差异，PETmod在空间分辨率上要比PETpm与PETh要精细的多。PETmod的原始分辨率为1km，为了构建水文模型，而对于PETpm与PETh，他们的分辨率均为0.25°。三种PET均存在较强的季节性波动，从图1155（d）可以看出三套PET数据的年内变化趋势都是夏季高，冬季低。其中PETpm与其余两种PET相比偏低，而PETh与PETmod在冬季大致一致，但是在夏季时PETh要远大于PETmod。图1（a）PETmod多年平均值（b）PETpm多年平均值（c）PETh多年平均值（d）三种PET数据月值序列160Fig.1(a)PETmodmulti-yearaverage(b)PETpmmulti-yearaverage(c)PEThmulti-yearaverage(d)Monthly-5- 中国科技论文在线http://www.paper.edu.cnsequenceofPETdata3.2PET数据对网格HBV模型模拟结果的影响当用三种PET数据分别驱动网格HBV模型时，通过出口站点的模拟与实测径流的对比来评估模型模拟效果，图2展示了不同方案的模型模拟结果，从流量过程线来看，三种方案165的径流模拟结果基本保持一致。三种方案模拟结果的NSE（Q）分别为0.796（A1）、0.788（A2）、0.788（A3），最高与最低之间仅相差0.008，这说明各个方案在高流量的模拟结果非常接近。而NSE(ln（Q）)分别为0.511（A1）、0.555（A2）、0.519（A3），最高与最低相差0.044，说明各个方案在低流量时表现也基本一致。RME分别为-1.5%（A1）、1.9%（A2）、-0.3%（A3），最高与最低相差3.4%，这表明各方案在水量平衡上也基本相近。170而在参数方面，三种方案除了对PET作量值校正的参数ECORR分别为0.58（A1）、0.82（A2）、0.4（A3），其他的参数全部相同。从PET校正参数ECORR来看，似乎对模型产生了明显的影响，但是比较校正后的PETmod、PETh、PETpm的年均蒸散发值，分别为1115.18mm、1274.58mm、1621.96mm，校正后的PET之间仍存在较大的差异。这意味着在网格HBV模型中，采用不同的PET作为驱动数据时，即使PET之间存在较大的差异，它175们对模拟结果影响也很小。图2不同方案的降雨径流模拟过程线Fig.2Differentscenariosofrainfall-runoffsimulationhydrograph4讨论180有许多研究认为，PET作为输入数据对水文模型不敏感的原因是由于模型率定的原因（Andréassianetal.,2004;PengBaietal.,2015;SeillerandAnctil,2016）。本研究却发现在采用完全相同的参数时，不同来源的PET数据无论从空间分辨率（PETmod：0.025°，PETpm：0.25°，PETh：0.25°），还是从时间分辨率（PETmod：月平均、8天平均，PETpm：日值，PETh：日值）来看均存在较大的差异，但是以这些PET作为驱动数据的HBV模型都能够较好的模185拟雅江径流，并且不同输入PET的径流模拟结果十分相似。本研究分析了不同数值、时间分辨率的潜在蒸散发数据对分布式水文模型的降雨径流模拟结果的影响。4.1水文模型对PET数据数值的敏感性分析在保持其他参数恒定的情况，通过参数ECORR改变PET输入的数值，从而分析PET输入数据对模型模拟结果的影响。对于不同的PET，首先通过比较PET多年平均值与模型190径流模拟的NSE（Q）、RME与NSE（ln（Q））的变化关系来反应PET对水文模型的影响，发现模型模拟效果随PET多年平均值的变化基本保持一致，如图3（a-c）所示。显然，-6- 中国科技论文在线http://www.paper.edu.cnPET的数值对水文模型的径流模拟结果是有影响的，但是这种影响随着PET多年平均值的增加而影响越来越小，当然，PET也不是能够无限增大的，当PET增大到某一程度时，网格HBV模型已经无法模拟完整的降雨径流序列。需要指出的是，不同的PET对应的ECORR195临界值是不同的，A1方案的ECORR临界值为0.74，对应的PET多年平均值为1151mm（PETmod）；A2的ECORR临界值为1.64，对应的PET多年平均值为1431mm（PETpm）；A3方案的ECORR临界值为0.82，对应的PET多年平均值为1622mm（PETh）。图3（d-f）统计了不同PET数据中2008-2013共计6年内所有网格点的最大值的变化对分布式水文模型的影响，PETmod的临界点最大，PETh次之，PETpm最小。与PET多年平均值对模型的影200响并不一致。这说明在用分布式水文模型模拟流域降雨径流过程中，输入PET量值对降雨径流过程的模拟影响因素是多方面的，不仅受PET总体数值的影响，网格点上的数值对模型模拟结果也是有影响的。当PET的数值处于一个可接受的范围内时，输入PET对模型径流结果的影响又变得很微弱。这使得网格HBV模型表现的如同一个滤波器，将某一特定范围的PET对径流的影响大幅度削弱，而超出这一范围的PET则导致模型模拟结果非常差。205图3（a）NSE(Q)（b）RME（c）NSE(ln(Q))随模型输入PET多年平均值的变化情况（d）NSE(Q)（e）RME（f）NSE(ln(Q))随模型输入PET网格最大值的变化情况Fig.3Changeof(a)NSE(Q)(b)RME(c)NSE(ln(Q))withtheannualaverageofmodelinputPET210Changeof(d)NSE(Q)(e)RME(f)NSE(ln(Q))withmaxgridvalueofthemodelinputPET4.2水文模型对PET数据时间尺度的敏感性分析为了分析不同时间尺度的PET数据对水文模型的影响。分别以MOD16产品中的月平均PET（PETmod）与8天平均PET（PETmodm）作为网格HBV模型的PET驱动输入数据，215两种方案的模型参数采用完全相同（表1-A1）。以PETmod为模型驱动数据模拟的实际蒸散发记为ETpetmod，以PETmodm为模型驱动数据模拟的实际蒸散发记为ETpetmodm，以ETpetmod为模型驱动数据的模拟流量记为Qpetmod，以PETmodm为模型驱动数据的模拟流量记为Qpetmodm。PETmod与PETmodm从时间尺度上来看具有较大的差异。从PET散点图（图4（a））的来分析，8天平均PET明显要比月平均PET在时间尺度分布较为分散，两者的相关系数220为0.959。而模型模拟实际蒸散发的相关系数为0.9959（图4（b）），模型模拟径流的相关-7- 中国科技论文在线http://www.paper.edu.cn系数基本接近于1（图4（c））。可以看出在不同时间分辨率的PET作为水文模型的驱动数据时，模拟径流的差异性明显比模拟实际蒸散发的差异性要小。这也充分说明了水文模型的对于输入PET时间序列的不敏感性。225图4（a）PET散点图（b）模型模拟AET散点图（c）模型模拟径流散点图Fig.4(a)PETscatterplot,(b)ModelsimulatedAETscatterplot,(c)Modelsimulatedstreamflowscatterplot5结论本研究针对中国西南地区雅砻江雅江以上集水区，利用以遥感数据为主的多源数据构建了网格HBV模型，在该地区的降雨径流模拟结果较好。说明采用遥感气象水文数据构建水230文模型是可行的，这对于无资料或缺资料地区的水文模型构建有着借鉴意义。为了分析了PET数据作为分布式水文模型的驱动数据对模型的影响。本文分别从数值与时间尺度的角度分析了MODIS/MOD16PET，FAO56Penman公式与修正的Hargreaves公式计算所得PET对网格HBV模型降雨径流过程的影响。结果表明，不同方式获取的PET数据的数值在不同时间尺度上都存在明显差异。PET235数据对网格HBV模型的降雨径流模拟结果是有着明显的影响的，但是一方面由于模型参数的调整，另一方面由于网格HBV模型结构具有类似于滤波器的作用，使得网格HBV模型的降雨径流模拟结果对PET表现的并不敏感。本研究并不具有一般性，因此，更多相关的研究值得开展以进一步推进遥感数据在水文研究的应用。240[参考文献](References)[1]LoukasA,VasiliadesL.Streamflowsimulationmethodsforungaugedandpoorlygaugedwatersheds[J].NaturalHazardsandEarthSystemSciences,2014,14(7):1641.[2]王文,寇小华.水文数据同化方法及遥感数据在水文数据同化中的应用进展[J].河海大学学报(自然科学版),2009,37(5):556-562.245[3]AllenRG,PereiraLS,RaesD,etal.Cropevapotranspiration-Guidelinesforcomputingcropwaterrequirements-FAOIrrigationanddrainagepaper56[J].FAO,Rome,1998,300(9):D05109.[4]AnderssonL.ImprovementsofRunoffModels-WhatWaytoGo?[J].IwaPublishing,1992.[5]AndréassianV.Watersandforests:fromhistoricalcontroversytoscientificdebate[J].Journalofhydrology,2004,291(1):1-27.250[6]OudinL,MichelC,AnctilF.Whichpotentialevapotranspirationinputforalumpedrainfall-runoffmodel?:Part1-Canrainfall-runoffmodelseffectivelyhandledetailedpotentialevapotranspirationinputs?[J].JournalofHydrology,2005,303(1):275-289.[7]OudinL,HervieuF,MichelC,etal.Whichpotentialevapotranspirationinputforalumpedrainfall-runoffmodel?:Part2-Towardsasimpleandefficientpotentialevapotranspirationmodelforrainfall-runoffmodelling[J].255JournalofHydrology,2005,303(1):290-306.[8]BaiP,LiuX,YangT,etal.Assessmentoftheinfluencesofdifferentpotentialevapotranspirationinputsontheperformanceofmonthlyhydrologicalmodelsunderdifferentclimaticconditions[J].JournalofHydrometeorology,2016,17(8):2259-2274.-8- 中国科技论文在线http://www.paper.edu.cn[9]SeillerG,AnctilF.Howdopotentialevapotranspirationformulasinfluencehydrologicalprojections?[J].260HydrologicalSciencesJournal,2016,61(12):2249-2266.[10]BergstromS.DevelopmentandapplicationofaconceptualrunoffmodelforScandinaviancatchments[J].1976.[11]LindströmG,JohanssonB,PerssonM,etal.DevelopmentandtestofthedistributedHBV-96hydrologicalmodel[J].Journalofhydrology,1997,201(1-4):272-288.265[12]UhlenbrookS,SeibertJAN,LeibundgutC,etal.Predictionuncertaintyofconceptualrainfall-runoffmodelscausedbyproblemsinidentifyingmodelparametersandstructure[J].HydrologicalSciencesJournal,1999,44(5):779-797.[13]HargreavesGH,AllenRG.HistoryandevaluationofHargreavesevapotranspirationequation.JIrrigDrainEngASCE[J].JournalofIrrigation&DrainageEngineering,2003,129(1):53-63.270[14]胡庆芳,杨大文,王银堂,等.Hargreaves公式的全局校正及适用性评价[J].水科学进展,2011,(02):160-167.[15]宇婧婧,沈艳,潘旸,等.中国区域逐日融合降水数据集与国际降水产品的对比评估[J].气象学报,2015,(02):394-410.-9-'