基于多模型适用的大通河流域洪水临界雨量阈值研究与比较分析

刘义花，李红梅，李 林，汪青春，许显花

（1.青海省气候中心，西宁 810001；2.青海省人工影响天气办公室，西宁 810001；3.黄南州气象局，青海 黄南 811300）

青海省是澜沧江、黄河、长江的源头，是生态的脆弱区和敏感区。青海省集水面积在500 km2以上的河流有278 条，河道长度大于100 km 的河流有65条。每年夏季受强降雨的影响，暴雨洪涝灾害频次高、危害重、影响大，加之暴雨洪涝灾害形成的机理非常复杂，诸多因素中降雨是引发暴雨洪涝灾害最直接的外在动力因素。因此，通过各种技术和方法有效提高中小河流洪水、山洪地质灾害预警能力，可为青海省防灾减灾提供基础。

欧美国家最有代表性的洪水灾害预警指标是美国的暴雨洪涝预警指标（Flash flood guidance，FFG）［1］。该方法较为全面地考虑了降雨、土层含水以及下垫面特性三大主要因素，并进行预警指标的计算，以此提供动态变化结果，其结果由相应等级的平台进行分析和发布。日本的临界雨量确定方法考虑的因素更集中于降雨和土层含水方面的分析［2］，其临界雨量的分析研究主要针对滑坡、泥石流等灾害预警方面。目前国内现有山洪灾害临界雨量的确定方法种类繁多，主要有实测雨量统计法［3-5］、水位/流量反推法［6］、暴雨临界曲线法［7］、比拟法［8］等。此外，主要采用水动力模型来确定临界雨量阈值，主要有SWAT模型［9-11］、HBV 水文模型［12-17］、Floodarea 模型［18，19］等来确定暴雨洪涝致灾临界雨量阈值。随着青藏高原极端降水的增多，本研究试图采用多种模型进行适用性分析，旨在为大通河流域洪水预警提供较为科学的预警指标，为青藏高原生态健康持续发展、防灾减灾提供科学指标。

1 研究区概况

大通河流域是青海省湟水河左岸最大支流（图1），位于青海省东北部，流域呈狭长状，河流两岸山岭对峙，林草丰茂，干流峡盆相间。大通河流域面积8 418.48 km2，跨祁连、天峻、门源、海晏 4 个县，海拔在2 925~5 066 m。土地利用类型主要是以草地为主，其次为林地、湿地、裸土。大通河主要支流有莫日曲、克克赛河、萨拉沟、永安河、老虎沟及左左拉水河。

2 资料与方法

2.1 资料

地理信息资料：统一采用美国NASA 公布的全球3 弧度秒（90 m 分辨率）SRTM 数据，水利部门水利水电规划设计总院发布的《全国水资源分区电子地图（1∶25 万）》，国家基础地理信息网发布的中国1~5级河流水系数据（比例尺1∶100 万），统一采用国家基础地理信息网发布的中国省、市、县级数据（2005年，比例尺1∶100 万）水系、道路、土地利用、土壤特征参数；气象资料：祁连、野牛沟、门源、天峻气象站1961—2011 年日降水、平均气温等资料；此外采用了大通河流域青石嘴水文站2007—2011 年逐日水位、流量资料，水文站警戒水位、保证水位、堤防高度资料。

2.2 方法

2.2.1 HBV 水文模型 HBV 水文模型是瑞典国家水文气象局开发研制的半分布式的概念性水文模型。该模型对各类复杂气象条件下的水文模拟具有较高的区域适应性。HBV-D 模型由气候资料插值、积雪和融化、蒸散发估算、土壤湿度计算过程、产流过程、汇流过程等子模块组成，模型应用相对简便，输入模型数据主要包括DEM、日均气温、降雨、土地利用、土壤最大含水量和河流汇流时间等参数，此外HBV 水文模型有30 多个有物理意义的参数，其值通过人工试错法进行优化调整，采用Nash 效率系数（Nash-Suttcliffe Efficiency coefficient，NSE）、确定系数（R2）对模拟结果进行评价，关于NSE 和确定系数计算方法可参考文献［15］。

2.2.2 SWAT 模型 SWAT 模型是以美国的水文、气候等环境要素为对象开发的，尽管其计算基于物理过程，然而由于其核心方程USLE 是为应用于美国水土流失状况而建立的经验公式，因此，在应用于美国以外的区域时，SWAT 模型需要根据当地的实际状况进行敏感性分析。SWAT 模型参数敏感性分析是通过调整模型参数的初始值或是取值范围，使模型的模拟值接近于测量值。利用SWAT 模型自带的自动参数分析模块，可以分析众多参数对模拟结果的不同影响，并可看出各参数对模拟结果影响的大小，结合参数的阈值与实际情况对参数进行调整，可获得较精确的模拟结果。SWAT 模型模拟流域径流过程分为2 部分：水循环的陆面部分（即产流和坡面汇流部分）和水循环的水面部分（即河网汇流部分）。前者控制每个子流域内主河道的水量输入量，后者决定水量从河网向流域出口的输移过程。SWAT 径流模拟主要由地表径流、蒸散发、土壤水和地下水4个部分组成。本研究将模拟的地表径流和水文站实测值进行对比，其中SUFI-2 算法是2007 年开发的一种综合优化和梯度搜索方法［20］，不仅可以同时率定多个参数，而且具有全局搜索的功能，同时还考虑了输入数据、模型结构、参数及实测数据的不确定性。SUF1-2 算法开始时先假设一个比较大的参数补缺空间，使实测数据被包含在95PPU 范围内，然后逐步缩小不确定性的区间范围，同时关注P 因子和R 因子的变化。SUFI-2 算法的计算步骤包括以下7 步：①确定目标函数；②确定参数的物理意义和区间范围；③根据选定的目标函数，对每个参数进行多次模拟；④参数范围确定后进行LatinHypercu 抽样；⑤进行LatinHypercube 抽样后，得到多种参数组合，并进行模拟；⑥对第一步进行评估、模拟，并计算结果；⑦进行参数的不确定性分析（表1）。

表1 SWAT 模型所选参数的意义

2.2.3 统计模型 本研究将计算区域平均雨量的方法引入到区域雨量预警，对所有雨量站的实测雨量加权平均。泰森多边形法在水文计算中应用广泛，特别是用于计算区域平均雨量，该方法赋予流域内各雨量站一个权重，相当于将各个雨量站实测雨量进行折减，这样可与分析评价预警值进行有效衔接。该方法是将所有相邻的雨量站点连成三角形，然后对这些三角形各边作垂直平分线，画出的垂直平分线分别相交围成若干个多边形。每个多边形内有一个雨量站，实测降雨量以R表示，同时，获取流域内各个多边形的面积为Ai，然后根据面积加权乘上雨量算出流域平均雨量，即：

式中，AR为流域面雨量，Ri为站点i的雨量，Ai为i站点所在子区域的面积，A为流域总面积，n为泰森多边形个数。此外，根据实测雨量和水位资料，采用相关分析统计学方法，得到流域雨-洪关系，由此确定流域致洪临界雨量。

2.2.4 临界雨量确定方法 面雨量是整个区域单位面积上的平均降水量，能客观地反映整个区域的降水情况。降雨是造成中小河流洪水的直接原因和主要激发条件，在一个流域内，降水量达到或超过某一量值和强度时，该流域内发生洪水灾害，造成淹没农田、房屋等损失及人员伤亡，常把这一量值和强度称为该流域的致灾临界雨量、雨强。中小河流洪水一般由于降雨集中、强度强、持续时间长，造成河道水位上涨致漫过堤坝及水库或对防洪工程造成破坏，如溃坝、决堤导致洪水淹没村庄和农田、基础设施遭到破坏、造成人员伤亡等灾害。考虑到洪水上涨到一定程度，防洪工程出现危险造成灾害的风险大，因此将中小河流洪水水位分为3 个等级：警戒水位（三级）、保证水位（二级）、漫坝时水位即堤坝高度（一级）。对每一个水文控制点，计算达到这3 种水位的临界面雨量。三级洪水临界面雨量定义为某水文控制点以上流域一定时效的降雨使该水文控制点水位上升达到警戒水位的面雨量；二级洪水临界面雨量定义为某水文控制点以上流域一定时效的降雨使该水文控制点水位上升达到保证水位的面雨量；一级洪水临界面雨量定义为某水文控制点以上流域一定时效的降雨使该水文控制点水位上升至漫过堤坝时水位的面雨量，通过水文模型模拟的径流深度以及观测流量和水位、水位和研究区面雨量的关系，划分出研究不同基础水位下临界面雨量的阈值。

3 结果与分析

3.1 HBV 水文模型适用

采用GIS 和水文分析技术提取大通河流域的范围、流域中心点，基于R 雨量插值软件和流域内气象站观测数据，得出2007—2011 年流域面雨量的逐日变化序列（图2），其中中雨以上量级降水主要出现在5—9 月，累计次数为41 次，频次和强度增加明显。

通过HBV 水文模型模拟的径流量和观测流量的拟合和对比分析，从而确定模型的稳定性和可靠性，然后根据流域降雨量和水位、水位和流量之间的相互关系，进而确定洪水临界面雨量阈值。此外，在模型模拟之前，对模型所需数据进行了修改，如流域面积、模拟的时间段，并对模型中的31 个参数进行了敏感性分析。一般而言，HBV 水文模型模拟效果评定指标NSE 系数和确定系数为0~1，越接近1，误差越小，以此来验证模型模拟效果，经多次调整参数，发现 Beta（Non-linearity in soil water zone）、Kuz2（Quick time constant upper zone）、Ered（Evapotranspira⁃tion red during interception）、Klz（Time constant lower zone）、Smini（Initial soil moisture content）参数的敏感性较高，调整后的值为0.26、0.09、0.5、0.004、30。

从率定的结果可以看出，HBV 水文模型对大通河流域日径流深模拟的确定性系数达0.84，NSE 为0.61，对洪水过程能较好地捕捉，模型模拟的结果与实况较一致，能够很好地模拟出大通河流域的日径流过程（图3a）。为进一步检验HBV 水文模型模拟效果，使用2009—2011 年逐日资料对HBV 在大通河流域的预报效果进行了检验，可以看出经过率定后HBV 水文模型在大通河流域具有很强的适用性，逐日径流深模拟的确定性系数超过了0.81，NSE 为0.51，模拟出的水文过程线与实际基本吻合（图3b），很好地预报出了洪水对降水的响应过程，从而能够根据洪水流量与水位的关系，建立降水-流量-水位之间的关系，推算大通河流域到达警戒水位、保证水位、漫过堤坝时水位的临界面雨量。

3.2 SWAT 模型适用

基于SWAT 模型，通过对模型输入地理高程、土壤性质、土壤类型、降水量、观测流量等数据，模拟了大通河流域2007—2008 年逐日径流量，并对SWAT模型的参数进行了率定，经多次调整参数，发现最敏感的4 个因子为径流曲线参数、基流消退参数、地下水滞后参数和浅层含水层产生基流的阈值深度，其值分别为 0.6、0.5、0.7、0.63。2007—2008 年作为模型的率定期，率定期模型的效率系数为0.87，相关系数为0.94；2009—2011 年验证期模型的效率系数为0.62，相关系数为0.83。率定期和验证期模型的效率系数和相关系数都高于0.6，表明大通河流域SWAT 模型模拟的水文过程模拟精度较高，具有良好的适用性。从图4 可以看出，率定期对洪水过程的模拟有较好的捕捉，模型模拟的结果基本与实况一致，对洪水达到洪峰的过程有较好的捕捉（图4a）；从2009—2011 年验证期可以看出，虽然个别年份拟合效果欠佳，但从整体来看，大通河流域观测值与模拟值基本吻合（图4b），很好地预报出了洪水对降水的响应过程，并根据流量与水位的关系，建立降水-流量-水位之间的关系，推算到达警戒水位、保证水位、漫过堤坝时水位的临界面雨量。

3.3 水位和流量的关系

通过大通河流域青石嘴逐日观测流量和水位数据来看，自2007 年以来流量（图5a）和水位（图5b）呈略增加的态势，但自2011 年以来流量减少明显，这与研究区的降水量有密切关系，2010 年研究区平均降水量为557.6 mm，2011年平均降水量为504.2 mm，说明降水量是影响径流量减少的主要原因。此外还建立了青石嘴站流量和水位的拟合关系（图5c），且二者的相关性特别高，通过了0.001 水平的显著性检验。

3.4 统计模型结果

通过研究大通河流域基础水位与水位增量之间的关系，建立了Y-L-R（其中Y为水位增量，L为基础水位，R为面雨量）的回归关系，通过数据统计与分析，大通河流域24 h 雨量线性回归拟合方程为Y=-0.005 8L+0.003 8R+16.982 7，其中r＝0.333，通过了0.05 水平的显著性检验。根据大通河流域水位与面雨量的关系，将Y=保证水位（或警戒水位）-L代入24 h 雨量线型回归方程，即可得到对应24 h 不同基础水位相对应的临界面雨量。

3.5 临界（面）雨量的确定

基于3 种模型，确立大通河流域降雨量-水位定量关系。当计算的河流洪水达到警戒、保证或漫过堤坝水位时，即认定此时的面雨量为所对应洪水等级的临界（面）雨量。将不同前期水位与雨量代入到模型中，再以青石嘴站警戒水位2 932.67 m、保证水位2 930.17 m、堤坝高程2 929.85 m 为临界判别条件，得出不同前期水位下对应的各级临界（面）雨量，结果见表2。由于河流漫坝时，原有的流量-水位关系不再适用，所以未给出漫坝水位时推算的临界雨量值。

4 结论

因青藏高原独特的地理环境及气候特点，模型的适用性研究很有意义，通过3 种方法研制的临界雨量阈值与实际洪水发生的情况比较，使划分的阈值指标为流域洪水预警起到关键作用。

1）HBV 水文模型是半分布式水文模型，通过面雨量插值、土壤类型、土壤持水力等模拟径流深度，模型参数多，调参耗费大量时间，模拟效果好。SWAT 模型是分布式水文模型，模型分为SWAT 和SWATCUP 2 块，由于模型结构复杂、参数较多，但模拟效果的评定指标要比HBV 水文模型高，而且对每次洪峰捕捉效果良好。统计模型要求样本数据序列长，因洪水发生时灾情数据收集与流量、水位、雨量数据的限制，且没有考虑从降雨形成地表径流过程，因此确定的临界雨量阈值偏大。虽然各个模型均可以确定临界雨量阈值，且各个模型均有优点和缺陷，但还需要随着极端强降水天气过程的出现不断地修正和完善临界雨量阈值，达到防灾、减灾的目的。

表2 不同模型模拟下的大通河流域临界雨量阈值比较

2）根据3 种模型在大通河流域洪水临界雨量阈值研究适用的结果以及实际洪水发生的检验情况来看，因NSE 和确定性系数是检验HBV 水文模型模拟效果的衡量标准，但从模拟流量和实际流量拟合来看，模拟的径流深度和实际径流深度拟合率较低，对应洪峰的位置偏差较大；统计模型需要长序列灾情资料和雨情资料，而2000 年以前的灾情资料缺失严重，严重影响模型模拟的效果；从SWAT 模型在大通河流域适用的结果来看，模拟流量和实际流量的拟合率满足模型检验的标准，洪峰对应较为一致，历年实际洪水发生的检验结果也较好，表明大通河流域基于SWAT 模型确定的临界雨量更加可靠。

3）在青海省中小河流域临界雨量阈值研究当中，如果获取了中小河流域水文站连续的流量、水位，应采用水文模型有效划分该流域临界雨量阈值，如果流域内无水文站资料，建议应用统计模型研究临界雨量阈值，随着水文资料和灾情资料的收集，应用实际灾情逐步验证临界雨量的有效性并不断完善临界雨量预警指标。