基于流溪河模型的连江流域洪水模拟

林博安,陈洋波,虞云飞,覃建明,王幻宇

(1. 中山大学水资源与环境系,广东 广州 510275；2. 广东省飞来峡水利枢纽管理处,广东 清远 511825)



基于流溪河模型的连江流域洪水模拟

林博安1,陈洋波1,虞云飞2,覃建明1,王幻宇1

(1. 中山大学水资源与环境系,广东 广州 510275；2. 广东省飞来峡水利枢纽管理处,广东 清远 511825)

为了提高连江流域洪水预报的技术水平和精度,探讨流溪河模型在大流域洪水预报中应用的效果,该文采用SRTM和USGS的DEM数据,分别建立了连江流域洪水预报流溪河模型,采用1场实测洪水对模型参数进行了优选,并对2场实测洪水进行了模拟,发现流溪河模型可较好的模拟连江流域洪水过程。研究发现,采用空间分辨率为90 m的SRTM的DEM建立的流溪河模型计算量是以1 000 m的USGS的DEM建立的模型的计算量的56倍,但两者洪水模拟的效果相当。

流域洪水预报；分布式物理水文模型；流溪河模型；参数优选；数字地形高程模型

1 概述

连江[1]是珠江流域北江水系的一级支流,发源于广东省连州市潭岭区三姊妹,流经连州、阳山、英德三县(市),在英德市连江口镇汇入北江。流域干流长275 km,集水面积10 061 km2,是北江流域最大一级支流。连江流域简图见图1。

图1 连江流域示意

连江属山溪性河流,位于广东省暴雨高值区,洪水多发,具有暴涨暴落的特点。连江流域洪水是北江流域洪水的主要来源,因靠近流域下游,对流域防洪的影响较大。准确预报连江流域洪水是北江流域洪水预报与调度的关键,一直受到广泛重视,采用新的流域洪水预报模型开展连江流域洪水预报也一直是广大技术人员的目标。分布式物理水文模型是流域洪水预报模型的最新发展,由于其将流域划分成精细化的网格,可以对流域下垫面特征进行精细化的刻画,同时在网格层面和流域层面开展降雨径流的产汇流计算,因而具有提高流域水文过程模拟的潜力,被认为是新一代流域洪水预报模型[2]。分布式物理水文模型因具有物理意义,可以应用于少水文资料流域,在此类流域,常规的集总式模型难以应用。

自1969年由Freeze和Harlan提出分布式物理水文模型的蓝图后[3],分布式物理水文模型得到快速发展,特别是随着全球范围的流域物理特性数据的制备及可以廉价获取,一批分布式物理水文模型被国内外学者提出,代表性的如SHE模型[4]、WetSpa模型[5]、DHSVM模型[6]等。流溪河模型[7-8]是一个主要用于流域洪水预报的分布式物理水文模型,在中小流域洪水预报中得到了成功应用[9-10],但在大流域的应用还较少。为了探讨流溪河模型在大流域洪水预报中应用的效果,本文以连江流域为例,建立了流域洪水预报流溪河模型,并通过对国外几种可用的DEM数据的比较,确定了适用于连江流域流溪河模型构建的DEM。采用一场实测洪水对模型参数进行了优选,并对2场实测洪水进行了模拟,发现流溪河模型可较好地模拟连江流域洪水。

2 连江流域物理特性数据收集与分析

2.1DEM数据

流溪河模型构建需要的流域物理特性数据包括数字高程模型(DEM)数据、土地利用类型数据和土壤类型数据,其中,DEM数据是流溪河模型结构构建的基础数据,DEM的空间分辨率也将决定模型的空间分辨率,是流溪河模型构建中最关键的数据。由于DEM数据的测绘成本很高,而目前国际上已有全球范围内可免费下载的DEM数据,因此,构建大流域洪水预报流溪河模型宜从免费数据库下载为宜。目前可免费下载DEM的数据库主要有两个,一个是由航天飞机地形测绘计划制作的全球DEM数据库[11-12],简称SRTM数据库,目前有两种分辨率的产品,包括30 m和90 m的分辨率。另一个则是由美国地质勘测局(USGS)地球资源观测系统数据中心(EROS Data Center)与联合国环境计划—全球资源信息中心(UNEP/GRID)联合制作的HYDRO1K全球数字地形高程模型数据库[13],分辨率为1 000 m。为了比较这几种数据在连江流域的有效性,本文下载了连江流域三种不同的DEM,分别称为SRTM30、SRTM90和USGS1 000,分别表示SRTM数据库中30 m分辨率的DEM、90 m分辨率的DEM和USGS数据库中1 000 m分辨率的DEM。

为了分析不同类型DEM对连江流域流溪河模型的适用性,根据下载的三种类型的DEM,采用D8[14]流向法分别提取了连江流域的三级河流水系及流域图,简称连江数字流域图,如图2所示。

图2 连江数字流域示意

从图2的结果来看,基于SRTM30和SRTM90的DEM制作的连江数字流域图基本一致,基于USGS1 000的DEM制作的连江数字流域图与上述两种DEM制作的连江数字流域图也基本一致,但在左中部多出一小块,流域面积略大。为了比较两种来源DEM对模型模拟结果的影响,同时也考虑到采用SRTM30的DEM的计算工作量太大,因此,本文采用SRTM90的DEM和USGS1 000的DEM开展对比研究。

从美国马里兰大学全球观测实验室与中国科学院地理科学与资源研究所联合实验室网站的全球土地覆盖数据库中下载并提取了连江流域土地利用类型数据,空间分辨率为1 000 m,见图3(a)。从世界土壤信息(ISRIC)网站的全球土壤类型数据库中下载并提取了连江流域土壤类型数据,空间分辨率为1 000 m,见图3(b)。

图3 连江流域土地利用类型和土壤类型

2.2洪水过程数据

连江流域内早期的雨量站较少,近年来进行了加密建设,现有自动雨量站31个,流域下游的高道水文站有流量观测,是连江流域出口流量控制站。本文研究中,收集到了雨量站加密以来发生的较大的实测洪水3场。第2009号洪水与2010号洪峰流量为3 000～4 000 m3/s,属于较大洪水,而2014号洪水洪峰流量为5 000 m3/s左右,为大洪水。流域早期的洪水资料因测站较少,数据质量无保证而无法采用,因此,连江流域属少水文资料流域。考虑到分布式物理水文模型具有物理意义,模型构建时一般有一场洪水用于参数率定,1～2场洪水对模型进行验证就可以满足建模的要求,因此,本文收集的洪水过程资料满足流溪河模型建模的要求。上述3场洪水一场用来进行模型参数优选,另2场用来进行模型验证。

3 连江流域洪水模拟流溪河模型构建和初始参数确定

3.1流溪河模型结构构建

首先需要确定模型的空间分辨率,模型的空间分辨率一般不能高于DEM的分辨率。采用USGS1000的DEM构建流溪河模型时,模型的分辨率取为1 000 m。采用SRTM90的DEM构建流溪河模型时,模型的分辨率取为90 m。

采用DEM将流域划分成正方形的单元流域,对1 000 m分辨率的模型,连江流域分成了12 599个单元流域,而对于90 m分辨率的模型,连江流域分成了1 138 210个单元流域。流溪河模型中的单元分成水库单元、边坡单元和河道单元3种,由于连江流域没有调蓄能力强的水库,因此,不设置水库单元,仅有边坡单元和河道单元2种类型。采用累积流控制河道单元的划分,将河道分成五级,并按照strahler方法[15]对河道进行分级,从而划分出边坡单元和河道单元。对1 000 m分辨率的模型,连江流域分成了760个河道单元和11 839个边坡单元,而对于90 m分辨率的模型,连江流域分成了13 984个河道单元和1 124 226个边坡单元。见图4。

图4 连江流域流溪河模型结构示意

流溪河模型假定河道断面形状为梯形,有3个断面尺寸数据,包括河道底宽、河道底坡和侧坡。参考Google Earth遥感影像,结合河道单元DEM高程,估算河道断面尺寸。为了简化计算,在同级河道上设置结点,划分虚拟河段,认为同一虚拟河段中的所有河道断面尺寸相同。对于1 000 m分辨率的模型,设置了68个结点,划分了77个虚拟河段,而对于90 m分辨率的模型,则设置了203个结点,划分了226个虚拟河段,结果见图4。

3.2模型不可调参数推求

流溪河模型的不可调参数包括流向和坡度,根据流域DEM数据直接推求,两种不同分辨率模型的不可调参数见图5。

图5 连江流域流溪河模型不可调参数(1 000 m分辨率)

图6 连江流域流溪河模型不可调参数(90 m分辨率)

3.3 可调参数初值确定

可调参数包括植被类参数、土壤类参数和气象类参数。气象类参数为潜在蒸发率,根据当地的气候条件,整个流域采用一个值,取为0.23 mm/d。植被类参数为蒸发系数和边坡单元糙率,蒸发系数统一取为0.7,边坡单元糙率根据经验确定,初值见表1。土壤类型参数包括土壤层厚度、土壤特性系数(b)、饱和含水率、田间持水率、凋萎含水率和饱和水力传导率。根据经验,土壤系数各单元统一取为2.5。对于饱和含水率、田间持水率和饱和水力传导率则采用由Arya 等人提出的土壤水力特性计算器[16]进行计算,凋萎含水率则按照田间持水率的30%计算。确定的土壤类型参数初值见表2。对于地下径流消退系数,取值为0.995。可调参数初值与模型的空间分辨率无关。

表1 土地利用类型参数初值

表2 土壤类型参数初值

4 模型参数自动优选与验证

4.1模型参数自动优选

对可调参数,采用粒子群法[17]进行自动优选。选择粒子数为20,惯性权重因子取值范围为[0.3, 1],个体学习加速常数范围为[1.0, 3.0 ],全局学习加速常数范围为[0.75, 2.75],最大循环次数为50。采用2014号洪水对不同空间分辨率的模型参数进行了优选,得到了优选后的模型参数。图7为参数优选过程中,目标函数值的进化过程,图8为参数进化过程。从图中看到,经过30～35次进化计算,模型目标函数值趋于稳定,模型参数基本上收敛到最优值。

图7 目标函数值进化过程示意

(a) 1 000 m分辨率

(b) 90 m分辨率

本文参数优选计算在中山大学流溪河模型云平台上进行[15],统计参数优选所花时间,1 000 m分辨率的模型参数优选计算时间为0.5 h,90 m空间分辨率的模型参数优选计算时间为28 h,是前者的56倍,随着模型空间分辨率的不断提高,计算所需时间成指数增长。图9为2014号洪水参数优选的结果图,从图上可以看出洪水模拟效果非常理想。

(a)1 000 m分辨率(b)90 m分辨率

图9 第2014号洪水优选参数模拟结果示意

4.2模型验证

为了验证模型参数的有效性,本文采用优选后的模型参数,对2009号和2010号洪水进行了洪水模拟计算,得到了相应的模拟计算结果,见图10,并计算了各场洪水模拟的统计指标,见表3。从计算结果看到,模型模拟计算的效果非常理想,对洪水过程及洪峰流量的模拟效果都很好,特别是对洪峰流量和峰现时间的模拟达到了非常高的精度,均在5%误差以内,说明采用本文建立的模型满足开展连江流域实时洪水预报的精度要求。

1 000 m分辨率90 m分辨率

1 000 m分辨率90 m分辨率

图10 模拟洪水过程示意

表3 模拟的洪水过程统计指标

5 结论

通过本文的研究,可得到如下结论：

1) 采用90 m 的SRTM 和1 000 m的USGS的DEM数据建立的连江流域洪水预报流溪河模型在模型结构和洪水模拟效果方面没有明显差别,模拟效果均十分理想,说明两者均可用于构建连江流域洪水预报流溪河模型,并均可应用于连江流域洪水预报。

2) 随着模型空间分辨率的提高,流溪河模型计算工作量呈指数增长,以90 m 的SRTM 的DEM建立的连江流域洪水预报流溪河模型的计算工作量是以1 000 m的USGS的DEM建立的模型的计算工作量的56倍；

[1] 韩学军. 连江流域设计洪水频率计算方法探讨[J]. 广东水利水电, 2006(5):30-32．

[2] 陈洋波.流溪河模型[M].北京：科技出版社,2009．

[3] Freeze, R.A.,Harlan, R.L.. Blueprint for a physically-based, digitally simulated, hydrologic response model[J].journal of Hydrology, 1969(9):237-258.

[4] Abbott, M.B. et al.An Introduction to the European Hydrologic System——System Hydrologue Europeen, ‘SHE’, 2: Structure of a Physically based, distributed modeling System[J]. Journal of Hydrology, 1986，87(2)：61-77.

[5] Wang, Z., Batelaan, O. & De Smedt, F..A distributed model for Water and Energy Transfer between Soil, Plants and Atmosphere (WetSpa)[J]. Phys. Chem. Earth, 1996(21):189-193．

[6] Wigmosta, M.S., L.W. Vail, D.P. Lettenmaier. A Distributed Hydrology-Vegetation Model for Complex Terrain[J]. Water Resources Research, 1994,30(6),1 665-1 669．

[7] 陈洋波, 任启伟, 徐会军, 等. 流溪河模型I: 原理与方法[J]. 中山大学学报(自然科学版),2010,47(1):97-102．

[8] 陈洋波, 黄锋华, 徐会军,等. 流溪河模型Ⅱ:参数推求[J].中山大学学报(自然科学版),2010,47(2):95-102．

[9] 廖征红,陈洋波,徐会军,等.田头水流域暴雨洪水预报的流溪河模型研究[J].人民长江,2012,43(20)：12-16．

[10] Yangbo Chen, Qiwei Ren, Fenghua Huang, Huijun Xu, Ian Cluckie. Liuxihe Model and its modeling to river basin flood[J]. Journal of Hydrologic Engineering,2011,16(1):33-50

[11] Falorni, G., Teles, V., Vivoni, E.R., Bras, R.L., and Amaratunga,K.S.. Analysis and characterization of the vertical accuracyof digital elevation models from the Shuttle Radar TopographyMission[J]. J. Geophys. Res. F-Earth Surf., 110, F02005,doi∶10.1029/2003JF000113, 2005．

[12] Sharma, A.Tiwari, K.N.. A comparative appraisal of hydrologicalbehavior of SRTM DEM at catchment level[J]. J. Hydrol., 2014(519):1394-1404．

[13] 陈洋波.基于HYDRO1K的数字水文分析方法及实例[J].人民长江,2002, 33(9):52-54.

[14] Jensen, S. K. and J. O. dominggue. Extracting Topographic Structure from Digital Elevation Data for Geographic Information System Analysis[J]. Photogrammetric Engineering and Remote Sensing, 1988,54(11)：1 593-1 600.

[15] Strahler A N.Quantitative Analysis of watershed Geomorphology[J]. Transactions of the American Geophysical Union ,1957(38)：913-920.

[16] Arya, L.M., and J.F. Paris. A physioempirical model to predict the soil moisture characteristic from particle-size distribution and bulk density data[J]. Soil Sci. Soc. Am. J. 1981(45):1 023-1 030．

[17] Yangbo Chen, JiLi, HuijunXu. Improving flood forecasting capability of physically based distributed hydrological model by parameter optimization[J]. Hydrology & Earth System Sciences, 2016(20):375-392．

[18] 陈洋波, 董溢.流溪河模型云服务平台设计与开发[C]∥中国水利学会2013学术年会论文集.北京:中国水利水电出版社, 2013:1 231-1 237．

(本文责任编辑 马克俊)

Flood Simulation of Lianjiang Watershed Based on Liuxihe Model

LIN Bo’an1, CHEN Yangbo1，YU Yunfei2, QIN Jianming1, WANG Huanyu1

(1. Department of Water Resources and Environment, Sun Yat-sen University, Guangzhou 510275, China；2. The Management Office of Feilaixia Hydro-junction， Guangdong Province，Qingyuan 511825, China)

To improve the flood forecasting accuracy and technical level, and to explore the possibility of employing Liuxihe Model for large watershed flood forecast, the Liuxihe Model is set up for flood forecasting of Lianjiang Watershed with the SRTM and USGS DEM. The model parameters are optimized by using one observed flood event, and two flood events are simulated by using the model with optimized parameters. The results show that the Liuxihe Model could simulate the flood events of Lianjiang Watershed satisfactorily. It is found that the computation time for running the model setting up with SRTM 90m DEM is 56 times as that for running the model setting up with USGS 1000m DEM, but the simulated results by both model have no significant differences.

watershed flood forecasting； distributed hydrological model； Liuxihe model； parameter optimization； DEM

2016-05-20;

2016-05-31

水利部公益性行业科研专项经费项目(201301070),广东省科技计划项目(2013B020200007),12·5科技支撑计划项目(2012BAK10B06-04)。

陈洋波(1964),男,博士,主要研究方向为洪水预报、水文模型及水利信息技术。

P338