基于不同物理參數(shù)化方案的中小流域降雨徑流集合預(yù)報(bào)

田濟(jì)揚(yáng)，劉榮華，劉含影，丁留謙

(1.中國水利水電科學(xué)研究院，北京100038；2.水利部防洪抗旱減災(zāi)工程技術(shù)研究中心，北京100038)

氣象水文耦合洪水預(yù)報(bào)方法逐漸受到防汛部門的關(guān)注，其最大的優(yōu)勢是可延長洪水預(yù)報(bào)的預(yù)見期，為防汛決策爭取到寶貴時(shí)間，特別是對于匯流時(shí)間短的中小流域而言意義重大[1]。近年來，隨著計(jì)算機(jī)計(jì)算效率的提升，數(shù)值大氣模式預(yù)報(bào)的氣象要素分辨率顯著提高，能夠?qū)崿F(xiàn)精細(xì)化降雨預(yù)報(bào)，使氣象水文耦合下的中小流域洪水預(yù)報(bào)成為可能[2-3]。

盡管數(shù)值降雨預(yù)報(bào)有了長足的進(jìn)步，但局地降雨預(yù)報(bào)存在很大的不確定性，定量、定時(shí)、定點(diǎn)預(yù)報(bào)還有很大的提升空間，能否在中小流域的洪水預(yù)報(bào)中得到應(yīng)用還需進(jìn)一步研究[4]。集合預(yù)報(bào)是降低預(yù)報(bào)不確定性的有效方法。目前數(shù)值降雨預(yù)報(bào)集合成員的組成方式主要有3種[5-7]：一是對初始場進(jìn)行隨機(jī)擾動(dòng)，為數(shù)值大氣模式提供有差異的初值條件，形成集合預(yù)報(bào)集，多用于已知天氣形勢下的數(shù)值大氣模式模擬效果測試；二是采用不同的數(shù)值大氣模式對同一場降雨進(jìn)行預(yù)報(bào)，不同的數(shù)值大氣模式構(gòu)成集合預(yù)報(bào)集，多用于中國氣象局、歐洲中長期天氣預(yù)報(bào)中心等的業(yè)務(wù)預(yù)報(bào)；三是基于不同的物理參數(shù)化方案組合，構(gòu)建集合預(yù)報(bào)集，多用于未知天氣形勢下的降雨預(yù)報(bào)。物理參數(shù)化方案用于表征小于模式網(wǎng)格分辨率的湍流運(yùn)動(dòng)以及發(fā)生在分子尺度的物理過程，不同的物理參數(shù)化方案對降雨產(chǎn)生的次網(wǎng)格過程的描述重點(diǎn)不同，而物理參數(shù)化方案的選取對模式的模擬或預(yù)報(bào)結(jié)果影響較大[8-9]。單一物理參數(shù)化方案難以適應(yīng)不同的降雨過程，給預(yù)報(bào)帶來很大的不確定性，基于物理參數(shù)化方案的集合預(yù)報(bào)能較好地解決降雨預(yù)報(bào)不確定性的問題，從而為流域洪水預(yù)報(bào)提供較為可靠的降雨信息[10]。

選取福建省梅溪流域?yàn)檠芯繀^(qū)，將WRF(weather research and forecasting)模式與梅溪流域分布式水文模型耦合，基于WRF模式設(shè)置了36種物理參數(shù)化方案組合進(jìn)行降雨預(yù)報(bào)，并將其作為梅溪流域分布式水文模型的輸入開展集合洪水預(yù)報(bào)研究。此外還討論了直接采用GFS(global forecasting system)降雨數(shù)據(jù)和WRF模式數(shù)值預(yù)報(bào)后處理的降雨數(shù)據(jù)分別作為分布式水文模型的輸入進(jìn)行洪水預(yù)報(bào)的效果。

1 研究區(qū)及資料

1.1 研究區(qū)概況

梅溪為閩江的一級(jí)支流，主要位于閩清縣境內(nèi)，流域面積956 km2，土地利用以林地和耕地為主，土壤類型以黏壤土和砂黏壤土為主(圖1)，在我國東南沿海地區(qū)具有較強(qiáng)的代表性，能夠反映該地區(qū)中小流域的降雨產(chǎn)流特性。梅溪流域多年平均降雨量1 560 mm，受臺(tái)風(fēng)及地形影響，強(qiáng)降雨發(fā)生頻次較高，平均每2～3 a就會(huì)發(fā)生一次洪災(zāi)，給下游人口聚集的閩清城關(guān)造成嚴(yán)重威脅。在梅溪流域開展降雨洪水預(yù)報(bào)研究，將有助于提升流域暴雨洪水的預(yù)警預(yù)報(bào)能力，保障下游防洪安全，不僅具有一定的理論價(jià)值，還具有重要的現(xiàn)實(shí)意義和顯著的社會(huì)經(jīng)濟(jì)效益。

圖1 梅溪流域土地利用及土壤類型

1.2 數(shù)據(jù)與資料

來源于NCEP(National Centers for Environmental Prediction)的GFS數(shù)據(jù)用于驅(qū)動(dòng)數(shù)值大氣模式開展數(shù)值降雨預(yù)報(bào)，其分辨率為1.0°×1.0°，預(yù)報(bào)時(shí)長可達(dá)192 h。梅溪流域內(nèi)共有8個(gè)雨量站和1個(gè)水文站，1989—2016年雨量站和水文站的長系列觀測資料用于分布式水文模型的率定與驗(yàn)證，以及降雨與洪水預(yù)報(bào)精度的評(píng)價(jià)。流域的地形地貌資料主要來源于國家地理信息中心，包括1∶5萬DEM、30 m和優(yōu)于(含)2.5 m分辨率的數(shù)字正射影像數(shù)據(jù)(DOM)[11]，其中土地利用和植被類型數(shù)據(jù)是基于DOM提取解譯并通過調(diào)研核查得到的。土壤類型來自全國第二次土壤普查數(shù)據(jù)，結(jié)合《中國土種志》生成土壤質(zhì)地?cái)?shù)據(jù)。

大量研究[12-13]表明，數(shù)值大氣模式更容易準(zhǔn)確預(yù)報(bào)時(shí)空分布較均勻且降雨量級(jí)適中的降雨，對短時(shí)強(qiáng)降雨的預(yù)報(bào)效果較差。為此，選取降雨時(shí)空分布較為均勻的典型場次——2012年“蘇拉”臺(tái)風(fēng)引發(fā)的流域降雨過程(場次Ⅰ)，以及流域常見的時(shí)空分布極不均勻的典型場次——2014年“海貝思”臺(tái)風(fēng)引發(fā)流域降雨過程(場次Ⅱ)，開展降雨徑流集合預(yù)報(bào)研究。場次Ⅰ降雨歷時(shí)24 h(2012年8月3日00:00-2012年8月3日24:00)，累積降雨量為84 mm，洪峰流量992 m3/s；場次II降雨歷時(shí)24 h(2014年6月17日21:00-2014年6月18日21:00)，累積降雨量為66 mm，洪峰流量1 170 m3/s:見圖2。

圖2 場次Ⅰ(蘇拉臺(tái)風(fēng)引發(fā))和Ⅱ(海貝思臺(tái)風(fēng)引發(fā))的降雨洪水過程

2 氣象水文耦合系統(tǒng)

2.1 WRF模式與設(shè)置

作為新一代中尺度數(shù)值大氣模式，WRF模式不斷對物理參數(shù)化方案進(jìn)行補(bǔ)充，并修改完善動(dòng)力框架，使其能夠較成功地再現(xiàn)或預(yù)報(bào)中尺度天氣過程，適用于中尺度不同天氣形勢下高精度的降雨模擬與預(yù)報(bào)[14-15]。降雨預(yù)報(bào)結(jié)果選用相對誤差ER評(píng)價(jià)累積降雨量，臨界成功率ICS和均方根誤差ERMS評(píng)價(jià)降雨時(shí)空分布的預(yù)報(bào)結(jié)果[16-17]。ER和ERMS值越低、ICS值越高，降雨預(yù)報(bào)效果越好。用于定性評(píng)價(jià)的臨界成功率指標(biāo)ICS由分類變量NA、NB、NC求得，詳見參考文獻(xiàn)[18]。

2.1.1WRF模式基本設(shè)置

為了在降低計(jì)算成本的前提下提高模式降雨預(yù)報(bào)的水平分辨率，研究依托WRF模式的動(dòng)力降尺度方法，設(shè)置了3層嵌套網(wǎng)格，通過逐級(jí)增加區(qū)域水平分辨率的方式提高數(shù)值預(yù)報(bào)的分辨率，在WRF模式中采用分析松弛(analysis nudging)對模式區(qū)域空間場的每一個(gè)格點(diǎn)進(jìn)行調(diào)整，達(dá)到對降尺度后邊界條件修正的目的[19-20]。相鄰嵌套層的嵌套比例為1∶3，網(wǎng)格尺寸由內(nèi)至外分別為4、12、36 km[21-22]。最內(nèi)層網(wǎng)格完全覆蓋研究區(qū)，最外層網(wǎng)格基本覆蓋了影響研究區(qū)天氣形勢的大地形、海洋和主要天氣系統(tǒng)，使中小尺度天氣過程引起的有效變化都包括在該層網(wǎng)格的覆蓋范圍內(nèi)，降雨預(yù)報(bào)結(jié)果選用分辨率最高的內(nèi)層網(wǎng)格(4 km×4 km)，WRF模式的基本設(shè)置見表2。

表2 WRF模式基本參數(shù)設(shè)置

2.1.2物理參數(shù)化方案集合

考慮到微物理過程、積云對流方案、長短波輻射對降雨模擬結(jié)果的影響較大[23-24]，設(shè)置了36種不同的物理參數(shù)化方案組合(表3)。邊界層選用典型的非局地邊界層方案Yonsei University(YSU)，陸面方案選用運(yùn)行較穩(wěn)定的Noah[25]。

表3 物理參數(shù)化方案集合

2.2 梅溪流域分布式水文模型

中國山洪水文模型CNFF-HM為梅溪流域分布式水文模型的構(gòu)建提供了技術(shù)框架[26]。梅溪流域分布式水文模型由蒸散發(fā)模型、產(chǎn)流模型、匯流模型、河道演進(jìn)模型等組成，其中蒸散發(fā)模型選用3層蒸散發(fā)模式，產(chǎn)流模型為三水源蓄滿產(chǎn)流模型，匯流模型采用標(biāo)準(zhǔn)化單位線，河道演進(jìn)模型為動(dòng)態(tài)分段馬斯京根法。按照匯水關(guān)系將梅溪流域劃分為60個(gè)子流域，見圖3。其中，最大的子流域面積為31.6 km2，最小的子流域面積為1.45 km2，平均流域面積為15.7 km2，與數(shù)值大氣模式預(yù)報(bào)的4 km×4 km分辨率吻合。模型洪水模擬與預(yù)報(bào)結(jié)果評(píng)估選用洪峰流量誤差Rf、峰現(xiàn)時(shí)間誤差Δt、納什效率系數(shù)ENS[27-28]。

圖3 子流域劃分結(jié)果

采用SCE-UA算法[29]，選取梅溪流域1989—2016年56場降雨徑流資料對梅溪流域分布式水文模型的參數(shù)進(jìn)行率定與驗(yàn)證。其中,1989—2003年發(fā)生的38 場降雨洪水過程用于模型參數(shù)的率定，2004—2015年發(fā)生的18場降雨洪水過程用于模型參數(shù)的驗(yàn)證，18場洪水模擬的洪峰流量誤差Rf均值為9.52%，峰現(xiàn)時(shí)間誤差Δt均值為1.17 h，ENS均值為0.83。經(jīng)過率定后的分布式水文模型在梅溪流域的適應(yīng)性較強(qiáng)。其中，不同場次土壤初始濕度值根據(jù)場次定義開始時(shí)間前10天降雨量經(jīng)蒸發(fā)折減得到。率定后模型參數(shù)取值見表4，模型率定結(jié)果見表5。

表4 梅溪流域分布式模型參數(shù)取值

表5 模型率定與驗(yàn)證情況

Rf=(Q′f-Qf)/Qf

(1)

Δt=T′-T

(2)

(3)

式中：Q′f和Qf分別為場次洪水洪峰流量的模擬值與實(shí)測值，m3/s；T′和T分別為模擬與實(shí)測的峰現(xiàn)時(shí)間，h；Q′i和Qi分別為洪水過程中第i小時(shí)的模擬值與實(shí)測值，m3/s。

2.3 耦合系統(tǒng)

氣象水文耦合系統(tǒng)由WRF模式和梅溪流域分布式水文模型耦合而成。耦合系統(tǒng)的驅(qū)動(dòng)數(shù)據(jù)為GFS，GFS逐6 h更新1次(00:00、06:00、12:00、18:00)，即耦合系統(tǒng)逐6 h預(yù)報(bào)1次未來192 h的降雨過程，降雨預(yù)報(bào)結(jié)果每6 h更新1次，WRF模式輸出的預(yù)報(bào)降雨為4 km×4 km分辨率的逐小時(shí)降雨量值；逐小時(shí)降雨量作為梅溪流域分布式水文模型的輸入，進(jìn)行洪水預(yù)報(bào)。因此，耦合系統(tǒng)最關(guān)鍵的是實(shí)現(xiàn)網(wǎng)格降雨與子流域單元降雨的轉(zhuǎn)化[30-31]。網(wǎng)格降雨轉(zhuǎn)化為子流域單元降雨遵循兩個(gè)原則：一是子流域全部落在預(yù)報(bào)降雨的網(wǎng)格內(nèi)時(shí)，子流域面雨量與網(wǎng)格降雨量一致；二是子流域不完全在一個(gè)預(yù)報(bào)降雨的網(wǎng)格內(nèi)時(shí)，子流域面雨量由與子流域有重疊部分的各網(wǎng)格預(yù)報(bào)降雨加權(quán)平均求得，其中權(quán)重系數(shù)為子流域與各預(yù)報(bào)降雨網(wǎng)格重疊部分占子流域面積的比例[32-33]。集合預(yù)報(bào)時(shí)，36個(gè)物理參數(shù)化方案組合同時(shí)進(jìn)行降雨預(yù)報(bào)，形成36種降雨預(yù)報(bào)結(jié)果，再采用36種預(yù)報(bào)降雨結(jié)果驅(qū)動(dòng)梅溪流域分布式水文模型進(jìn)行洪水預(yù)報(bào)。耦合系統(tǒng)的預(yù)報(bào)過程見圖4。

圖4 耦合系統(tǒng)預(yù)報(bào)過程

3 計(jì)算結(jié)果

3.1 降雨預(yù)報(bào)結(jié)果

基于36種試驗(yàn)方案，計(jì)算出兩場降雨的24 h面累積降雨量預(yù)報(bào)值與實(shí)測值的相對誤差ER、空間與時(shí)間2個(gè)維度的臨界成功率ICS、空間與時(shí)間2個(gè)維度的均方根誤差ERMS，結(jié)果見表6。36個(gè)方案的降雨模擬空間分布見圖5。場次Ⅱ計(jì)算結(jié)果見表7。36個(gè)方案的降雨模擬空間分布見圖6。

圖5 36個(gè)方案下場次I降雨預(yù)報(bào)的空間分布

圖6 36個(gè)方案下場次Ⅱ降雨預(yù)報(bào)的空間分布

由表6可知，36個(gè)方案的相對誤差ER值為0.88%～21.00%，ER最小的是方案13，最大的是方案25。對于降雨空間分布的評(píng)估：36個(gè)方案的臨界成功率ICS值為0.736 8～0.758 2，各方案間的差異較小，ICS最大的是方案29；36個(gè)方案的均方根誤差ERMS值為0.133 1～0.221 6，RMSE最小的是方案24，最大的是方案5。對于降雨時(shí)程分布的評(píng)估：36個(gè)方案的ICS值均為0.687 5；36個(gè)方案的ERMS值為0.592 4～0.760 0，ERMS最小的是方案17，最大的是方案30。總體來看，WRF模式對該場降雨的預(yù)報(bào)效果較好，基本能夠重現(xiàn)該場降雨的量級(jí)及時(shí)空分布特征，但不同物理參數(shù)化方案下的數(shù)值降雨預(yù)報(bào)結(jié)果各有優(yōu)缺點(diǎn)，采用降雨集合預(yù)報(bào)的方式開展氣象水文耦合洪水預(yù)報(bào)更為合理。

表6 36個(gè)方案下場次I降雨預(yù)報(bào)結(jié)果及排名

由表7可知，36個(gè)方案的相對誤差ER值為24.32%～68.51%，ER最小的是方案13，最大的是方案19。對于降雨空間分布的評(píng)估:36個(gè)方案的ICS值為0.347 0～0.487 9，ICS最小的是方案1，ICS最大的是方案13；36個(gè)方案的ERMS值為0.521 6～0.845 1，ERMS最小的是方案12，最大的是方案19。對于降雨時(shí)程分布的評(píng)估:36個(gè)方案的ICS值為0.329 2～0.435 6，ICS值最小的是方案1，最大的是方案36；36個(gè)方案的ERMS值為1.300 1～1.634 9，ERMS最小的是方案13，最大的是方案2。每個(gè)方案的降雨模擬結(jié)果均有較明顯的差異，這表明不同物理參數(shù)化方案下的降雨模擬與預(yù)報(bào)存在很大的不確定性。WRF模式對“海貝思”臺(tái)風(fēng)在梅溪流域引起的降雨模擬效果較“蘇拉”臺(tái)風(fēng)引發(fā)的降雨場次差。兩場降雨的量級(jí)相近，但“蘇拉”臺(tái)風(fēng)引發(fā)的降雨時(shí)空分布相對均勻，而“海貝思”臺(tái)風(fēng)引發(fā)的降雨屬于短歷時(shí)局地強(qiáng)降雨，WRF模式對該類型降雨的捕捉效果較差。

表7 36個(gè)方案下場次Ⅱ降雨預(yù)報(bào)結(jié)果及排名

3.2 氣象水文耦合洪水預(yù)報(bào)結(jié)果

對于場次Ⅰ，得到的36個(gè)降雨預(yù)報(bào)方案下的洪水預(yù)報(bào)結(jié)果見圖7。不同方案下預(yù)報(bào)的洪峰流量誤差Rf為4.21%～24.60%，Rf最小的是方案15，最大的是方案21。不同方案下預(yù)報(bào)的峰現(xiàn)時(shí)間誤差Δt為-5～0 h，Δt最小的是方案22，而方案1、2、3、4、7較大；36個(gè)方案的納什效率系數(shù)ENS為-0.977 9～-0.005 0，ENS最小的是方案16，最大的是方案21。以洪峰流量誤差Rf、峰現(xiàn)時(shí)間誤差Δt、納什效率系數(shù)ENS這3項(xiàng)指標(biāo)來評(píng)估洪水預(yù)報(bào)結(jié)果，較難在36個(gè)方案中選出最優(yōu)的洪水預(yù)報(bào)結(jié)果。

圖7 36個(gè)方案下場次Ⅰ的降雨洪水預(yù)報(bào)結(jié)果

對于場次Ⅱ，36個(gè)降雨預(yù)報(bào)方案下的洪水預(yù)報(bào)結(jié)果見圖8。不同方案下預(yù)報(bào)的洪峰流量誤差Rf為-95.1%～-79.0%，Rf最小的是方案15，最大的是方案5。不同方案下預(yù)報(bào)的峰現(xiàn)時(shí)間誤差Δt為0～1 h，Δt為0的方案有方案5、6、10、11、12，Δt為0的方案有方案1、2、3、4；36個(gè)方案的納什效率系數(shù)ENS值為-0.341 8～-0.185 7，ENS最小的是方案4，最大的是方案15。以洪峰流量誤差Rf、峰現(xiàn)時(shí)間誤差Δt、納什效率系數(shù)ENS這3項(xiàng)指標(biāo)來評(píng)估洪水預(yù)報(bào)結(jié)果，同樣難以在36個(gè)方案中選出最優(yōu)的洪水預(yù)報(bào)結(jié)果。

圖8 36個(gè)方案下場次Ⅱ的降雨洪水預(yù)報(bào)結(jié)果

受初始場和側(cè)邊界條件等影響，數(shù)值大氣模式很難準(zhǔn)確描述大氣運(yùn)動(dòng)的真實(shí)狀態(tài)。對于某一場降雨而言，在其產(chǎn)生前很難判定哪一種物理參數(shù)化方案適合應(yīng)用于該場降雨，為數(shù)值降雨預(yù)報(bào)帶來很大的不確定性。將36個(gè)預(yù)報(bào)方案作為一個(gè)集合，選擇每個(gè)預(yù)報(bào)方案下同一時(shí)刻洪水預(yù)報(bào)結(jié)果的中位數(shù)作為最終預(yù)報(bào)結(jié)果。集合中值預(yù)報(bào)相比單一預(yù)報(bào)方案更加穩(wěn)定可靠。由圖9可知，集合預(yù)報(bào)結(jié)果相比較單一方案的預(yù)報(bào)不確定性降低，避免選擇的單一預(yù)報(bào)方案導(dǎo)致最差的預(yù)報(bào)結(jié)果，可信度更高。且對于“蘇拉”臺(tái)風(fēng)引發(fā)的時(shí)空分布較均勻的降雨，相應(yīng)洪峰流量預(yù)報(bào)誤差為Rf為11.30%，峰現(xiàn)時(shí)間誤差Δt為-2 h，總體預(yù)報(bào)結(jié)果較好；而“海貝思”臺(tái)風(fēng)引發(fā)的短歷時(shí)強(qiáng)降雨，相應(yīng)洪峰流量預(yù)報(bào)誤差為Rf為-86.89%，峰現(xiàn)時(shí)間誤差Δt為-1 h，預(yù)報(bào)結(jié)果較差，主要原因是相對中小流域尺度的降雨預(yù)報(bào)要求，模式驅(qū)動(dòng)數(shù)據(jù)的分辨率較低，提供的初始場和側(cè)邊界條件不夠精確，導(dǎo)致模式的誤差隨運(yùn)行時(shí)間的延長而不斷積累放大，對于“海貝思”臺(tái)風(fēng)引發(fā)的短歷時(shí)強(qiáng)降雨(降雨集中在4 h內(nèi))而言，6 h更新1次的驅(qū)動(dòng)數(shù)據(jù)無法準(zhǔn)確跟蹤描述變化迅速的天氣形勢。

圖9 場次Ⅰ和Ⅱ洪水集合預(yù)報(bào)結(jié)果

總體來看，由于WRF模式在降雨空間維度上預(yù)報(bào)效果較好，而時(shí)間維度上預(yù)報(bào)效果略差，特別是預(yù)報(bào)降雨早于實(shí)測降雨，導(dǎo)致預(yù)報(bào)洪水起漲較快。中小流域以防洪減災(zāi)為目的的洪水預(yù)報(bào)更關(guān)注洪峰流量和峰現(xiàn)時(shí)間。本研究開展的氣象水文耦合預(yù)報(bào)預(yù)見期≥6 h，對于時(shí)空分布較為均勻的降雨場次，氣象水文耦合預(yù)報(bào)能夠準(zhǔn)確反映對應(yīng)洪水過程的洪峰量級(jí)，相比采取“落地雨”進(jìn)行洪水預(yù)報(bào)具有一定優(yōu)勢；對于時(shí)空分布不均勻的降雨場次，受數(shù)值降雨預(yù)報(bào)精度影響，氣象水文耦合預(yù)報(bào)未能較準(zhǔn)確反映對應(yīng)洪水過程的洪峰量級(jí)，依然有很大改進(jìn)空間。

4 討論與分析

4.1 GFS數(shù)據(jù)直接驅(qū)動(dòng)下的洪水預(yù)報(bào)

有研究[34]表明，提高數(shù)值降雨預(yù)報(bào)的分辨率不一定有助于提高洪水預(yù)報(bào)精度。為此，采用分辨率較粗的GFS數(shù)據(jù)直接作為梅溪流域分布式水文模型的輸入開展洪水預(yù)報(bào)，并與上述基于WRF模式開展的集合預(yù)報(bào)結(jié)果進(jìn)行對比。GFS數(shù)據(jù)直接驅(qū)動(dòng)下的洪水預(yù)報(bào)結(jié)果見圖10，場次Ⅰ和Ⅱ預(yù)報(bào)的洪峰流量誤差Rf分別為24.59%、-94.54%，峰現(xiàn)時(shí)間誤差Δt分別為-2 h、1 h，納什效率系數(shù)ENS值分別為-0.265 2、-0.304 7，預(yù)報(bào)效果較集合預(yù)報(bào)差，其主要原因是對于不到1 000 km2面積的梅溪流域，1.0°×1.0°的分辨率太粗，無法反映降雨的空間分布特征。

圖10 GFS數(shù)據(jù)驅(qū)動(dòng)下的洪水預(yù)報(bào)與集合預(yù)報(bào)結(jié)果對比

4.2 降雨預(yù)報(bào)后處理下的洪水預(yù)報(bào)

由于場次Ⅱ的集合預(yù)報(bào)誤差依然較大,為提高洪水預(yù)報(bào)精度，降雨預(yù)報(bào)數(shù)據(jù)往往需要進(jìn)行后處理。采用基于異方差擴(kuò)展型Logistic算法而發(fā)展的統(tǒng)計(jì)后處理模型對WRF模式集合預(yù)報(bào)結(jié)果進(jìn)行后處理[35]。處理后的降雨預(yù)報(bào)數(shù)據(jù)再作為梅溪流域分布式水文模型的輸入進(jìn)行洪水預(yù)報(bào)。結(jié)果表明，場次Ⅰ和Ⅱ預(yù)報(bào)的洪峰流量誤差Rf分別為3.97%、-48.59%，峰現(xiàn)時(shí)間誤差Δt分別為0、0.5 h，納什效率系數(shù)ENS值分別為0.520 0、0.677 3，較處理前有了明顯提升，結(jié)果見圖11。

圖11 降雨預(yù)報(bào)數(shù)據(jù)處理前后場次Ⅰ和Ⅱ洪水預(yù)報(bào)結(jié)果

5 結(jié) 論

本研究選取東南沿海地區(qū)的梅溪流域?yàn)檠芯繀^(qū)，在建立36種物理參數(shù)化方案的基礎(chǔ)上形成了降雨徑流集合預(yù)報(bào)集，構(gòu)建了基于WRF模式和梅溪流域分布式水文模型的氣象水文耦合模型，開展降雨徑流集合預(yù)報(bào)。以2012年“蘇拉”臺(tái)風(fēng)和2014年“海貝思”臺(tái)風(fēng)引發(fā)的梅溪流域降雨洪水事件為例，分析了氣象水文耦合模型的降雨徑流集合預(yù)報(bào)效果，得到以下主要結(jié)論:

在不同物理參數(shù)化方案下，降雨空間分布比降雨時(shí)間分布的預(yù)報(bào)效果更好，對于“蘇拉”臺(tái)風(fēng)引發(fā)的降雨過程，36個(gè)方案下的ER為0.88%～21.00%，空間維度ICS為0.736 8～0.758 2、ERMS為0.133 1～0.221 6，時(shí)間維度ICS均為0.687 5，ERMS為0.592 4～0.760 0，對于“海貝思”臺(tái)風(fēng)引發(fā)的降雨過程，36個(gè)方案的ER值為24.32%～68.51%，空間維度ICS為0.347 0～0.487 9、ERMS為0.521 6～0.845 1，時(shí)間維度ICS為0.329 2～0.435 6、ERMS為1.300 1～1.634 9。

采用降雨集合預(yù)報(bào)的方式開展氣象水文耦合洪水預(yù)報(bào)更為合理，能夠有效降低洪水預(yù)報(bào)的不確定性，選擇每個(gè)預(yù)報(bào)方案下同一時(shí)刻洪水預(yù)報(bào)結(jié)果的中位數(shù)作為最終預(yù)報(bào)結(jié)果，對于“蘇拉”臺(tái)風(fēng)引發(fā)降雨洪水事件，洪峰流量誤差為Rf為11.30%，峰現(xiàn)時(shí)間提前2 h，對于“海貝思”臺(tái)風(fēng)引發(fā)的降雨洪水事件，洪峰流量誤差Rf為-86.89%，峰現(xiàn)時(shí)間誤差Δt為-1 h。

經(jīng)過降雨預(yù)報(bào)數(shù)據(jù)的后處理，對于“蘇拉”臺(tái)風(fēng)引發(fā)降雨洪水事件，洪峰流量誤差Rf為3.97%，峰現(xiàn)時(shí)間誤差Δt為0，對于“海貝思”臺(tái)風(fēng)引發(fā)的降雨洪水事件，洪峰流量誤差Rf為-48.95%，峰現(xiàn)時(shí)間誤差Δt為0.5 h，因此數(shù)值降雨預(yù)報(bào)宜在處理后用于流域洪水預(yù)報(bào)。

基于WRF模式和梅溪流域分布式水文模型的氣象水文耦合洪水預(yù)報(bào)預(yù)見期≥6 h，對于時(shí)空分布較為均勻的降雨場次，氣象水文耦合預(yù)報(bào)能夠準(zhǔn)確反映對應(yīng)洪水過程的洪峰量級(jí)，相比采取“落地雨”進(jìn)行洪水預(yù)報(bào)具有明顯優(yōu)勢；對于時(shí)空分布不均勻的降雨場次，受數(shù)值降雨預(yù)報(bào)精度影響，氣象水文耦合預(yù)報(bào)還有一定提升空間。

集合預(yù)報(bào)可有效降低降雨預(yù)報(bào)的不確定性，但并不能從根本上提高降雨預(yù)報(bào)精度。氣象水文耦合洪水預(yù)報(bào)主要受降雨預(yù)報(bào)精度影響，進(jìn)一步研究可在耦合系統(tǒng)中加入數(shù)據(jù)同化算法改進(jìn)降雨預(yù)報(bào)效果，提高短歷時(shí)強(qiáng)降雨情境下的洪水預(yù)報(bào)準(zhǔn)確性。