CMADS降水的时空分布评估及分布式水文模拟
——以红河流域为例

王 洁,陈裕迪,蒿 萌,王丽荣,吴苏舒,马燮铫

(1.南京信息工程大学 水文与水资源工程学院,南京 210044; 2.广德市农业农村局,安徽 广德 242200; 3.河北省气象灾害防御中心,石家庄 050021; 4.江苏省水利科学研究院, 南京 210017)

0 引 言

气候变化和人类活动的加剧,导致自然界的水循环发生了深刻变异,水文气象灾害频发[1]。分布式水文模拟技术是研究变化环境下水循环变异的重要手段,而众多跨界流域水文气象数据难以自由共享,缺乏高精度的数据驱动水文模型。同时跨界流域还存在着测站建设不统一、分布不均或数量过少,或气候变化和下垫面的改变都破坏了水文气象资料的一致性等问题[2-4]。水文模拟主要依赖于水文模型,驱动水文模型通常需要高精度的水文数据。然而,在很多偏远地区无法设置高精度水文站和气象站,此外,由于资金限制,许多发展中国家的水文和气象观测站非常有限,无法为水文监测和预报提供足够的信息。无资料地区的水文模拟一直是国内外水文学者面临的极具挑战的问题。

众多研究表明[3,5-6],驱动水文模型时,高精度的气象数据输入会大大提高模型水文模拟能力,再分析数据的出现丰富了无资料地区水文模拟所需要的数据源。目前国外相关科研与学术机构已经开发出多种再分析降水数据,如美国国家气象局气候预测系统再分析(Climate Forecast System Reanalysis,CFSR)降水产品[7]、日本的JRA-55降水产品[8]以及欧洲的ERA降水产品系列[9]等再分析数据资料。近年由中国学者研发的土地利用与水文过程模拟(Soil and Water Assessment Tool,SWAT)模型中国大气同化驱动数据集(China Meteorological Assimilation Driving Datasets for the SWAT model ,CMADS)作为再分析数据的一种,拥有极高的分辨率,在中国及东南亚得到广泛应用[3,10-12]。

红河流域作为中越重要的跨界流域,其气象资料难以充分获取。因此,本文以红河流域为研究对象,采用多种评估指标,从时空两个角度,对CMADS进行多方位的综合评估,根据评估结果进行降水校正,并通过校正后的CMADS驱动SWAT模型,提升无资料地区高精度水文模拟技术,为红河流域水资源开发利用提供技术支撑。

1 研究区域与数据

1.1 研究区域

红河发源于中国云南省,自西北向东南流至河口县出境,流经老挝、越南,最终注入北部湾, 全长1 280 km[13]。本文研究区域主要为红河的上游及中游地区, 经纬度为100°06′E—105°59′E, 20°37′N—25°34′N,如图1所示,研究流域总面积12.8万m2。

图1 CMADS格点及实测站点位置

红河流域境内地形和气候都较为复杂,降水与气温的时间与空间差异性大。年降水量700～3 000 mm不等,流域降水量整体上自下游向上游减少;降水量年内分布不均,主要集中在雨季的5—10月份,其余月份为旱季。流域内1月份、7月份平均气温分别为16.6、28.9 ℃。越南首都河内市上游的Son Tay站近50 a的平均河川径流量为1 110亿m3[14]。

1.2 研究数据

本研究所采用CMADS (V1.2)数据集,空间分辨率为(1/8)°×(1/8)°,时间范围是2008—2018年,主要包括降水P、湿度H、气温T等气象数据,一共使用了728个CMADS格点数据。该数据是基于多种技术和科学方法,利用中国2 000多个国家自动站和商业评估中心下的近4 000个区域自动站融合同化而成[15],数据覆盖范围为60°E—160°E、0°N—65°N,可以作为众多水文模型驱动的数据源,如SWAT模型、可变下渗容量(Variable Infiltration Capacity,VIC)模型等。

本研究采用的实测站点数据包括4个水文站的流量数据和32个气象站的日降水量,其中水文站主要分布在流域的中下游,气象站分布较为广泛(图1),能够较好地反映降水的空间差异性。为驱动水文模型,本研究还采用的数字高程模型(Digital Elevation Model,DEM)高程数据、土壤分布数据及土地利用数据,数据来源等具体信息如表1所示。

表1 研究数据及主要来源

2 研究方法

2.1 降水评估指标

降水作为模型驱动的主要因子,深刻影响流域内的自然水循环。本文首先从时间上和空间上对比分析了气象站点实测降水量与CMADS的降水数据,对CMADS在红河流域的适用性进行了评估,采用相关系数(r)、均方根误差(Root Mean Square Error,RMSE)、百分比偏差(Percent Bias,PBIAS)、平均误差(Mean Error,ME)、标准差比(STDration)、命中率(Probability of Detection,POD)、误报率(False Acceptance Rate,FAR)、关键成功指数(Critical Success Index,CSI)和Kappa系数作为具体的评价指标[16]。Kappa系数分类标准如表2所示。

表2 Kappa系数分类标准

其中Kappa系数最初用于估测遥感反演的空间数据与实测空间数据两者的相似性[17],本文引入该系数,主要用于评估CMADS年均降水空间分布一致性。Kappa系数越接近1,说明CMADS降水数据与实测降水数据越接近,计算方法如下列公式所示[18],具体评价标准如表2所示。

(1)

(2)

式中:k为Kappa系数;P0是分类的总体精度,即CMADS和实测降水分类一致的概率;Pe表示由于偶然机会造成2种降水数据分类相一致的概率;n为降水类型数量;N为样本总数;Pi+、P+i分别是第i类型的实测降水数据个数之和及CMADS降水数据个数之和。

2.2 SWAT模型

本研究采用SWAT水文模型,并引入3个指标:均方根误差与实测标准差比值(Root Mean Square Error and Standard Error’s Ratio, RSR)、纳什效率系数(Nash-Sutcliffe Efficiency,NSE)和百分比偏差PBIAS用于评估水文模型模拟结果的优劣。RSR综合了误差指数统计的优点,当RSR接近0时,模拟结果更加准确。NSE综合反映了两者之间的吻合程度,当NSE=1时,模拟值与实测值精准匹配,其值越接近于1,模型模拟结果越好[19]。PBIAS反映模型模拟的偏差大小,其值越接近于0,模型模拟结果越接近实测值。3个指标的计算公式如式(3)—式(5)所示。模型模拟效果的评价标准采用Moriasi等[20]的评价标准,具体如表3所示。

表3 SWAT模型性能评价标准

(3)

(4)

(5)

3 结果与讨论

3.1 降水产品适应性评估

3.1.1 日尺度精度评价

本文按照距离最近原则找到与32个实测气象站点距离最近的CMADS格点,对实测气象站点2008—2016年的日降水进行分析。分析CMADS模拟晴天与降水的能力,结果表明CMADS能正确模拟77.44%的晴天与降水,此外9.82%的降水天误报为晴天,12.74%的晴天误报为降水日。

为了进一步探究CMADS对不同日降水等级的模拟情况,将日降水量重新划分为6个级别进行一致性分析。分析结果如图2、图3以及表4所示。

表4 研究流域CMADS模拟不同等级降雨POD、FAR、CSI

图2 不同等级日降水频率和累积贡献率对比分析(CMADS模拟值与实测值)

图3 研究区域CMADS模拟和实测数据的32个站点的年内分配

从降水频率和降水等级来看,如图2所示,研究区域的日降水大部分集中在0～10 mm,且这一范围的降水累积贡献率差别最大,CMADS的降水频率明显高于实测降水,对误报的0～10 mm的降水进行了分析,发现71.14%的误报是晴天被模拟成小雨情况,这也造成CMADS的小雨累积贡献率大于实测的小雨累积贡献率。从图3可看出,各月降水占全年降水百分比类似正态分布,7月份占比最高。从表4分析CMADS模拟不同等级实测降水的POD、FAR和CSI评估结果来看,CMADS存在不同等级的降水低估,此外,降水量越大,命中率越低,误报率也越大,关键成功指数越小。

3.1.2 月尺度精度评价

月尺度上,32个实测气象站点与CMADS的平均相关系数为0.89,这表明在月尺度上,CMADS与实测降水数据变化趋势保持一致;此外,平均RMSE为46.5 mm,平均STDration为1.07,平均PBIAS为-10.14%,平均ME为-10.08 mm,这从整体上说明CMADS在月尺度上能较好地模拟红河流域的降水,PBIAS和ME均为负,表明CMADS存在一定的降水低估。月尺度上本文还分析了CMADS和实测数据的32个站点的平均年内分配,结果如图3所示,从图3可以看出2种降水数据在年内分配具有相同的分配规律,年内降水主要分布6—9月份,其中7月份与8月份的降水最多,2月份降水最少。

实测与CMADS降水数据的站点平均月降水量累积曲线对比结果如图4所示,从图4可知,CMADS存在降水低估现象,截至2016年12月,降水的累积相对误差为-10.6%。大部分月份相对误差在-6%～-30%之间,2008 —2016年降水低估的月份占85%,且降水低估主要发生在降水量较多的夏季,其中低估的最大值发生在2013年7月,低估量为47.3 mm。降水高估主要发生在4月和5月,其中高估最大值发生在2015年4月,高估量为87.3 mm。主要原因是广南站和文山站在2015年4月10日存在降雨的严重高估,导致了这个月的月降水出现了明显的高估。

图4 研究区域气象站点与CMADS月平均累积降水比较

为了进一步探究CMADS在不同月份的模拟精度,本文以所有站点12个月的多年月平均降水数据为研究对象,评估结果如图5所示。从图5可以看出12个月的相关系数r无明显差异,相关系数均处在0.5～0.8之间,大部分月份的STDration均在0.8～1.2之间。雨季的均方根误差大于旱季,雨季降水量较大,会造成较大的降水误差累积。

图5 CMADS相对于实测数据在月尺度上的评估结果

3.1.3 空间尺度适应性评估

为了比较CMADS降水量和实测降水量在流域空间分布上的特征,本文采用了反距离权重插值法绘制研究实测雨量站多年平均降水空间分布图,如图6所示,展示了2种数据多年平均降水空间分布图,计算时段为2008—2016年。分析可知CMADS降水数据与地面实测降水数据在空间上分布大致相似,总体上多年平均降水量呈现自南向北减少的趋势,且在研究流域中西部均存在一个较强的局部降水中心。为进一步进行分析,本文计算了2种降水数据的空间相关系数、均方根误差和百分比偏差,并将年均降水量划分为5个等级(表5),采用Kappa系数进行空间一致性分析。经过计算,百分比偏差为0.04%,空间相关系数为0.804,表现为2种降水数据在多年平均降水空间分布上高度相关;均方根误差为114.87 mm,存在较大误差,Kappa系数为0.412,表现为中等一致性。综合3个指标,CMADS与地面实测降水在空间上存在一定相关,但也存在一定差异。

表5 年降水等级划分

图6 研究流域实测年均降水和CMADS年均降水空间分布

对2种数据进行相对误差分析,如图7所示,研究区域北部存在较大的年均降水低估,中部存在较大的年均降水高估。造成CMADS和实测降水数据间的空间差异原因有很多,首先CMADS是空间分布均匀栅格数据,而实测数据为单点数据,红河流域的气象站点分布不均匀且稀疏,插值结果受站点数量及分布影响很大,误差较大的区域内基本无站点分布。其次研究区域位于印度季风和东亚季风的交汇区[21],流域内山脉众多阻挡了水汽输送,导致降水时空变异十分复杂,这就造成了实测降水数据空间分布上局部偏大或偏小,导致CMADS在降水模拟上的误差。

图7 研究区域CMADS年均降水与实测年均降水的相对误差

根据以上的研究,综合时空尺度,CMADS在研究流域具有良好的适用性,可以为无资料地区的水文模拟提供可靠的数据支持,但进一步的应用需对CMADS降水数据进行校正。

3.2 CMADS驱动SWAT模型

3.2.1 降水误差校正

为提高模型驱动的准确性,对降水数据进行降水校正。考虑地形、国家及水文站分布情况,本文将研究区域一共划分为4个分区,Ⅰ区、Ⅱ区、Ⅲ区、Ⅳ区面积分别为2.6万、4.7万、2.6万、2.9万km2,分区结果如图8所示,分别进行降水校正。本文采用平均偏差校正,即采用再分析降水与实测降水的总量来校正再分析降水[22]。由于研究区域的降水具有较强的季节性,本研究分别求出了每个分区12个月的校正系数,根据校正系数求出校正后的降水。校正系数公式和校正后的降水分别由式(4)和式(5)计算得到。

图8 研究区域分区

(4)

Pij=BjPsij。

(5)

式中:n为实测雨量站点个数;Pgij为各分区内及附近雨量站点在j月降水观测值;Psij为对应CMADS格点j月降水值;Bj为月校正系数;Pij为CMADS格点校正后的降水,其中j=1,2,3,…,12。

对校正后的CMADS降水数据进行降水评估,月尺度上各站点评估结果的平均值与校正前对比如表6所示。校正结果表明,各项评估指标均得到了提高。校正后的结果可更好地用于模型驱动。

表6 红河流域CMADS校正前后与32个实测气象站点在月尺度上的模拟结果

3.2.2 模型率定与验证

为验证基于CMADS数据水文模拟的效果,通过实测数据和校正后CMADS驱动SWAT水文模型开展研究。本研究中,4个水文站点的预热期均为2008年,Lai Chau 站和Hoa Binh站的率定期为2009—2012年,验证期为2013—2016年;Yen Bai站和Son Tay站率定期为2009—2011年,验证期为2012—2013年。基于实测月流量,2种数据4个水文站的率定与验证结果如表7和图9所示。

表7 红河流域月流量模拟评价结果

图9 CMADS驱动SWAT模型下各站点月流量的率定与验证结果

以NSE、RSR、PBIAS作为目标函数,由模拟结果所知CMADS在研究流域有较好的适用性,除Hoa Binh站外,其他站点在率定期和验证期的模拟结果均满足性能等级为非常好的标准(表2),即RSR≤0.50,NSE>0.75且|PBIAS|<10%。其中Hoa Binh站在验证期模拟结果不如其他站点,可能是模型在模拟过程中没有考虑上游水库影响。而采用实测数据驱动SWAT模型的结果均没有CMADS模拟的好,这主要是由于可供模型驱动的实测气象站点空间分布不均且较少。综合分析对比实测数据驱动模型结果,在实测站点匮乏的情况下,CMADS极大地丰富了流域气象资料,可以为红河流域的流量模拟提供高质量的气象数据。

4 结 论

CMADS是通过各种数据来源和处理算法得到气象数据,其适用性在不同区域差别很大,因此在使用前应对其适用性进行评价。本文首先分别从时间上和空间上对CMADS在红河流域的适用性进行评估,然后通过CMADS驱动SWAT模型进行水文模拟,最后得到的结论如下:

(1)从时间上看,日尺度上,CMADS能正确模拟77.44%的晴雨天,降水等级越高,CMADS的误报率越高;月尺度上,实测气象站点与CMADS平均相关系数为0.89,平均RMSE为46.50 mm,在月尺度上能较好地模拟红河流域的降水,PBIAS和ME均为负,表示CMADS存在降水低估。其次,两种降水数据在年内分配具有相同的分配规律,雨季的误差大于旱季。

(2)从空间上看,CMADS降水数据与地面实测降水数据在空间上分布大致相似,存在较强的相关性。总体上多年平均降水量均自南向北减少,且在研究流域中西部均存在一个局部降水中心,误差主要存在于研究区域中部。

(3)通过实测降水和校正后的CMADS驱动SWAT模型的率定验证结果来看,在气象资料匮乏的情况下,CMADS驱动SWAT模型得到了较好的模拟效果且优于实测数据模拟结果,大部分站点在率定期和验证期的模拟结果均能满足NSE≥0.75,RSR≤0.50,|PBIAS|<10%即得到评价标准中非常好的模拟结果。

综合时空适用性评估以及CMADS驱动SWAT模型结果,CMADS在研究流域具有良好的适用性,可以为红河流域的水文模拟提供可靠的数据支持。本文之后的研究将根据CMADS驱动SWAT模型结果对红河流域蒸散发、产汇流和降雨径流规律等进行分析,为红河流域水资源开发利用提供技术支撑。