流域多尺度水文预报应用进展及适用性探讨

杨文发　王乐　张俊

摘要：水文预报作为一项非工程措施，在水旱灾害防御、水资源综合利用，以及社会经济建设等领域发挥着越来越重要的支撑和保障作用。回顾了近年来国内外有关流域水文预报技术应用进展，梳理了流域多尺度水文预报的概念，系统性地阐述了多尺度水文预报应用中的关键技术和方法、面临的问题和不足以及未来的发展趋势，并重点探讨了流域水文预报中涉及的不确定性因素以及水文气象耦合方面的不匹配性等问题。最后，基于对流域水文预报适用性的分析，强调了在拓展流域不同预见期水文预报新业务实践中考虑水文预报适用性的重要性，提出了现状条件下拓展多尺度流域水文预报业务的指导性原则及建议。

关键词：多尺度水文预报; 水文气象耦合; 不确定性; 预报适用性

中图法分类号： P338

文献标志码： A

DOI：10.16232/j.cnki.1001-4179.2021.10.013

0引 言

水文预报作为一项非工程措施，可判断水文要素未来情势变化，为决策争取有效时间，在水旱灾害防御、水资源综合利用，以及社会经济建设等领域发挥着越来越重要的支撑和保障作用[1]。由于早期降雨预报精度低、定性多过定量，难以满足与水文模型耦合预报的需求，传统短期水文预报通常不考虑预见期的降雨信息，而以实际落地降雨作为输入进行降雨产流预报，而中长期水文预报则采用统计方法外推径流变化[2-3]。

随着大气科学的发展和高性能计算技术的进步，特别是数值预报技术的迅猛发展和广泛应用，当前定量降雨预报技术得到长足进步，降水预报产品的时空分辨率显著提高[4-7]，预见期大大延长[8]，已具备与水文模型耦合的可能性。GB/T 22482-2008《水文情报预报规范》也提出水情服务中可采用预报的降雨量驱动水文预报，以达到提高预报精度、延长预见期的目的[9]。目前，国内外已广泛将水文气象耦合技术应用到短中期水文预报试验和实践中，并取得了较好效果[10-15]。此外，关于大尺度流域水文模型与气候模式的耦合应用研究也受到广泛推崇，旨在结合气候模式与水文模型二者的优势，实现更长预见期的水文模拟或预测。但由于一方面气候模式对降雨的预报能力要低于短中期数值模式，另一方面当前气候模式与水文模型的耦合方式简单，以至于气候模式对不同下垫面下的蒸发、产汇流机制等水文过程考虑不足，使得实际长期径流预测效果并不令人满意[16-17]。目前，基于水文-气候模式耦合的预测方法仍多停留在月、季、年等长期径流预测试验或气候变化对水资源影响模拟研究方面[18-20]。众多研究和实践表明，水文气象耦合预报技术已成为全球范围内主流的发展方向，并已广泛应用于不同预见期的流域水文预报研究和业务实践当中[11-12，21-23]。

水文气象耦合预报技术的应用，促进了水文预报领域的迅猛扩展，改变了原有水文预报的时间尺度观念，但也相应带来一些新的问题和技术挑战[13-24]。如流域跨尺度水文模型的时空尺度匹配和区域适用性，不同流域开展跨尺度水文预报的可行性以及社会和公众对水文预报精度和预见期要求不断增长的需求与现有技术瓶颈之间的矛盾等问题。假如对一个河流流域，原已构建的水文预报模型可较好适用于预见期几小时至数日的短期预报业务，但能否在原有模型和方案的基础上，直接实现预见期一周、甚至一月以上的中长期预测业务呢？要回答此问题，就有必要搞清楚针对该流域不同尺度水文预报的适用性问题。理论上讲，针对不同空间尺度流域对象，开展不同预见期水文预报时，采用的流域水文模型及相应的模型参数等应有差异和侧重，若时、空尺度不匹配，则难以客观揭示流域水文过程的“真实”发展变化规律。同时，不同时空尺度流域的定量降水预报精度和有效预见期是有差异的，也会显著影响水文预报精度和预见期，这表明充分研究认识不同时空尺度下水文的可预报性问题是很有必要和具有实践指导意义的。因此，本文调研当前国内外流域多尺度水文预报的应用进展，厘清水文预报所涉及的相关概念，在此基础上进一步探讨多尺度水文预报的不确定性和适用性等实际应用问题。

1流域多尺度水文预报概念

多尺度概念通常分为时间和空间的多尺度，在水文预报实践中，按流域空间尺度来具体界定水文预报的较少[25-26]，一般较模糊地称为流域大尺度水文预报、中小河流水文预报或山洪沟流域水文预报预警等。传统的水文/径流多尺度预报以流域汇流时间为界划分时间尺度，这是因为应用落地雨推算产流的最大时效不超过汇流时间，凡预报的预见期小于或等于流域汇流时间称为短期预报，否则称为中长期水文预报，本文中的多尺度概念同样以时间尺度为主。在现代水文气象耦合预报方法下，水文径流预报的预见期大大延长，传统的多尺度水文预报概念也要随之改变。一般对于大尺度流域而言，3 d内预见期的洪水预报精度基本可满足业务要求，可称之为短期水文预报;4～10 d预见期的水文预报能够定量报出河段的涨水退水趋势，但其预报精度尚难保证，称之为中期水文预报;月及以上预见期的水文预报，目前的预测精度较低，以等级或范围预测为主，一般称为长期水文预测，这与GB/T 50095-2014《水文基本术语和符号标准》[27]中对多尺度水文预报预见期的定义也基本一致。

当然，对于不同空间尺度和气候地形条件的流域，其短、中、长期水文预报的时间范围和精度不能一概而论。需要指出的是，短中期水文预报的要素一般为某地未来某个时刻的水位、流量值或洪峰水位等，而长期水文/径流预报的对象通常为旬、月、季或年的降水量和來水量的平均值，有时也称之为长期水资源量预测。目前长江水利委员会（以下简称“长江委”）开展的多尺度水文预报业务如图1所示，在传统短中长期预报的基础上，还增加了延伸期水文预报业务。目前，全球大多数国家均已开展多尺度水文预报业务，其预报对象的时间尺度从几分钟到季乃至年，预报内容不仅关注极端事件（洪水和干旱），还关注水文变化范围;具体的预报产品和服务一般按照预见期和空间尺度进行划分，从局地预见期数分钟到数小时的暴洪预报，到河流流域尺度数小时到数天的河流水位和流量预报，再到跨多个河流流域的长期季节径流和干旱预报。各国主要的水文过程特征以及使用的数据、模式和方法等不尽相同，具体实施预报业务的实践路线也各有特点[28]。

2流域多尺度水文预报应用研究

2.1流域短中期水文预报

短中期水文预报的对象主要是洪水过程，追求的是高精度和更长预见期的定量化预报，这与定量降水预报和流域水文预报模型两项关键技术紧密相关。

2.1.1定量降水预报技术及其应用

降水是洪水预报中最重要的输入强迫因子，准确的定量降水预报（Quantitative Precipitation Forecast，QPF）是提高水文预报精度、延长预见期的关键所在。现代定量降水预报技术流程主要包括以下3个部分：数值模式客观预报、统计后处理技术、预报员经验订正[29]。数值模式是定量降水预报的基础，它对大气系统内部及边界的各种物理过程进行物理概化，通过求解大气运动方程组计算未来时段网格点内的定量降水，随着高分辨率数值模式的发展、资料同化技术的改进、集合预报技术的应用以及人类对大气物理过程认知的完善，数值模式降水预报技巧也在不断提升，现已成为QPF业务发展的主导因素[29]。统计后处理技术包括客观订正集成和降尺度技术，前者利用数据挖掘的方法从海量数据中获取最优的客观预报，后者通过统计和动力方法、结合地形气候等信息获取更高分辨率的QPF产品[30-31]。预报员经验订正是在模式和客观预报的基础上发挥气象专家的作用，依靠对天气概念模型的构建、模式误差分析等对模式降雨预报信息进行主观经验综合订正。

受初值误差和模式误差等因素的影响，数值模式预报结果存在很大的不确定性，而集合预报技术是一种定量估计大气预报中不确定性的有效方法[32]。集合預报技术是提高QPF的重要途径，由于现有条件下无法获取完全真实的观测场，也无法构建完全准确的数值模式，科学家们通过初值扰动、物理扰动、模式扰动及它们的组合生成大量集合成员预报结果，从而得到将来时刻大气状态的多种可能性，其中初值扰动是通过扰动给出一系列近似于真实场的扰动场，将其输入确定性数值模式得到多组预报结果，模式和物理扰动是通过不同数值模式或者不同物理参数化方案得到多组预报结果[33-34]。目前业务中常用的集合预报产品主要有两种形式：① 确定性预报，通过对集合成员进行平均处理、优选组合等方法来获取;② 概率预报，根据集合成员的概率密度分布，推断未来时刻发生各种天气的概率，特别是一些极端天气发生的概率。当前全球各大预报中心在业务中均已广泛采用集合预报技术[34]，这是因为一方面确定性集合预报产品通过平均或优化等计算过程对一些随机噪音进行了过滤，其精度通常比确定性单值数值模式预报的结果更加准确;另一方面概率集合预报产品包含集合预报系统所能提供的所有信息，最大程度地包含实际大气可能发生的多种情况，还可为预报员开展极端天气事件预报时提供参考信息[32]。

随着数值模式技术的不断进步，定量降雨预报产品质量显著提高，定量降雨预报产品与水文模型的耦合应用技术获得了极大的发展[35]。目前耦合方法主要分成单向和双向耦合两类。单向耦合相对比较简单，首先将低分辨率的数值模式产品进行降尺度处理[36]，得到未来几天的高分辨率小时气象要素预报;其次建立流域上的分布式水文模型;再把数值模式预报各输出点气象要素的时间尺度转化成水文模型计算的时间尺度，利用不同的插值方法得到分布式水文模型各计算单元的气象强迫预报输入值;最后进行耦合模型预报，将预报时刻以前的降水等仍采用实测值输入，而预报时刻以后的输入采用数值模式的降水预报值，根据已率定好的参数运行分布式水文模型，得到不同预见期下的流域出口流量过程[13]。目前，国内水文预报业务大多采用单向耦合技术路线，其中定量降水预报信息主要基于某一个或多个气象模式进行解释订正或综合集成来获取，再作为流域水文模型的输入，从而实现提高水文预报精度、延长预见期的目的。当前，应用广泛的短中期气象模式主要有欧洲中期天气预报中心（ECMWF）、日本、德国、美国、中国等数值预报产品。多年的预报检验表明：ECMWF数值模式降水产品对我国降水的预报效果最好，基本能够满足当前短中期水文预报的需求，它每日发布4次未来240 h时效内的QPF，格点分辨率为0.125°×0.125°。中国国家气象中心的定量降水预报业务产品包括每日2次发布的未来24 h时效内逐6 h累积QPF、未来168 h时效内逐24 h累积QPF，以及中期过程降水量预报等特色QPF产品，格点空间分辨率达到5 km，近年来其在预报精度上也得到了快速提升，有望未来与中国水文预报业务进一步耦合。

双向耦合则是针对单向耦合中数值天气模式与水文模式独立运行的不足，将建立的水文模型嵌入到数值模式的陆面模块，使数值天气模式与水文模式共用同样的陆面过程机制[21]。数值模式提供当前运行时段的气象要素预报给水文模型，经过运行水文模型，将其计算的土壤湿度、径流量等又反馈给数值预报模式，而数值模式根据反馈的信息不断改进初始边界条件，进而可以向水文模式提供下一时刻的气象输出。通过数值模式与水文模型的双向耦合，可以进一步提高降水和洪水预报的精度[21，35]。但目前双向耦合技术主要应用于科学研究当中，在生产实践业务中的应用仍较少。

2.1.2流域短中期水文预报模型

流域水文模型的研究大约始于20世纪50年代，经过半个多世纪的发展，已日趋复杂化、多样化和实用化，通常可将其分为确定性模型和随机（统计）模型两大类，实际应用中水文模型一般指确定性模型[37]。从反映水流运动物理规律的科学性和复杂程度而言，水文模型通常被分为系统模型（黑箱子模型）、概念性模型和物理模型3类[38];从反映水流运动空间变化能力而言，水文模型又可分为集总式模型和分布式模型两类，其中集总式模型属于概念性模型的范畴，分布式模型属于物理模型的范畴[39]。基于此，本节主要以集总和分布式水文模型为对象进行阐述。

（1） 集总式水文模型。

集总式水文模型自20世纪50年代中期至80年代中期进入蓬勃发展阶段，其采用的数学方程通常不考虑流域下垫面特性、水文过程、模型参数等的空间变异性，模型认为流域面上各点的水力学特征是均匀分布的，对流域面上的任何一点的降雨，其下渗、渗漏等纵向水流运动都是相同和平行的。集总式水文模型具备一定的物理基础，但是由于它不考虑水文单元之间的交换过程，其输出结果通常只能反映整个流域的面平均状况和流域出口的水文过程[37]，无法给出水文变量在流域内的分布，满足不了规划管理实践中对流域内各个位置水情预报的需要，且模型参数变量通常取流域平均值，需要通过校准才能获得。代表模型包括美国的Stanford模型和HEC-1模型、日本的Tank模型、瑞典的HBV模型、我国的新安江模型等[37-39]。

（2） 分布式水文模型。

20世纪80年代中期以来，随着计算机、地理信息系统和遥感技术的发展，分布式水文模型逐步受到重视。按照子流域或子区域所采用的分析降雨径流形成的理论和方法，分布式水文模型可分为概念性和具有物理基础两类[40]。若按照各子流域或子区域形成的径流过程转变为全流域径流过程的方法，可分为松散型和耦合型两类[41]。分布式概念水文模型多为松散结构，即假设流域各子流域或网格单元上的水文响应是相互独立的，在每个单元上应用概念性集总模型来推求降雨产流计算，然后再进行汇流计算，最后推求出口断面的流量，整个流域的水文响应是各个单元的水文响应叠加得到的[40]，代表性模型如SWAT模型。分布式物理水文模型既有松散的也有耦合的，其中以水动力学为基础的几乎都是耦合的，其充分考虑了水文过程、输入变量、边界条件和流域几何特征的空间差异性，认为流域面上的各点水力学特征是非均匀分布的，计算时需要将流域按照DEM分布和水力学特性划分为若干个单元，每个单元上用不同参数反映产汇流特性，同时考虑各单元之间的横向交换过程，从而实现对流域面上各点水文过程的描述[41-46]。其理论上较为完善，但需要求解复杂的微分方程组，典型代表包括SHE、MIKE-SHE等。此外，还存在一种半分布式水文模型，其介于集总式水文模型和分布式水文模型之间，模型参数少、结构相对简单，并未考虑降水、蒸发等因素的空间分布对流域产汇流的影响，典型代表如TOPMODEL、TOPIKAPI[40]。

与传统的集总式模型相比，分布式水文模型从水循环的动力学机制出发描述流域水文问题，既考虑降雨和下垫面空间分布不均对流域产流造成的影响，同时也能满足环境系统分析的需求，明显优于传统的集总式水文模型，为真实描述和科学模拟降雨径流形成机理提供有效的工具，具有理论上的前沿性[40-46]。但是由于缺乏高质量观测资料、水文物理机制不完善、计算耗时长等问题，现阶段实际业务应用中集总式水文模型使用范围更为广泛，且其预测精度暂时通常高于分布式水文模型。

2.2长期水文预报

长期水文预报方法一般是根据河川径流变化具有连续性、周期性、地区性和随机性等特征有针对性地开展研究。近年来，长期水文预报在传统数理统计方法的基础上，又涌现出了一些结合现代智能应用的方法，如神经网络、支持向量机等，以及上述多统计方法的综合应用等[2-3]。此外，随着水文、气象模型和计算机技术的高速发展，基于气候水文耦合模型的长期水文预报也逐渐成为现代水文研究的热点方向之一[16-17]。下面主要从物理成因分析、传统数理统计方法、人工智能应用，以及气候水文耦合等长期预测方面简要综述研究进展。

2.2.1物理成因分析法

该类方法主要分为两类：① 天气学方法。径流的变化主要取决于降水，而降水又是由大气环流形势决定的，因此天气学方法主要根据前期大气环流特征以及表示这些特征的各种高空气象要素直接与后期的水文要素建立定性关系进行预报[2]。② 物理要素方法。地球系统是一个整体，水文过程与海温变化状况、太阳活动、极地冰雪等气候因子均有一定联系，分析这些因素的异常信号，并建立与水文要素特征值之间的相关关系，可以对后期水文要素可能发生的变化情况进行预测[47-48]。其中，海温场的异常分布具有范围广、厚度深、持续时间长等特点，往往是大气环流异常的先兆，能为长期水文预报提供重要信息。该类方法通过探寻大气环流、海温场及其它气候背景异常信号特征，并与水文要素建立相关关系，实现定性的趋势分析推测。该类方法的预测结果能在一定程度上反映外界因子对水文要素的影響，具有一定的可信度，但缺乏内在的物理成因机理认识。此外，不同流域预报对象的影响因子是各有差异的，即使对同一区域各因子的影响作用也有显著的年际变化差异，如1998年在超强厄尔尼诺事件影响下长江流域出现流域性暴雨洪水[49]，但1999年在相反的拉尼娜事件影响下长江流域依然出现了严重的暴雨洪水事件[50]，因此该方法难以在各区域普遍适用。

2.2.2传统数理统计方法

传统数理统计法是应用数理统计理论和方法，从大量水文历史资料中，寻找预报对象和预报因子之间的统计关系或水文要素自身的历史变化规律进行预报。根据预报因子又分为两类：单要素预报，即分析水文要素自身时序变化规律以进行预报，如历史演变法、周期叠加、趋势分析及随机函数的典型分解等;多因子综合预报，即分析水文要素与前期多个因子之间的统计相关关系，利用数学方法建立多因子统计模型来进行预报，如多元回归分析、逐步回归分析及多维时间序列等[3]。数理统计方法以其计算便捷、可操作性强，且充分利用历史资料所含规律的特征，成为了长期水文预测中较常用的手段，但该类方法完全依据历史资料自身变化特征，对于预测信息有时难以从物理机理角度予以合理解释。

2.2.3人工智能应用

水文过程是一种复杂的高度非线性过程，采用传统的数理方法进行预报有时与实际应用的要求差距还较大。因此，一些新的可以描述非线性信息的人工智能方法相应地被引入水文长期预报领域中，如深度学习、大数据挖掘分析等[18]。其中，深度学习是近几年人工智能领域出现的一种机器学习方法，通过设置更多的隐藏层来提高神经网络对复杂数据映射的求解能力，最终提高复杂非线性系统的预测精度。常见的深度学习方法如递归神经网络（Recurrent Neural Networks，RNN）、卷积神经网络（Convolutional Neural Networks，CNN）和长短期记忆网络（Long Short-Term Memory networks，LSTM）等也相继被水文学者引入到水文模拟和预测的研究之中[51-53]。同样，为充分利用各模型在不同条件下的预报优势，也可以将不同的人工智能模型相互结合，通过寻求多种模型的最优组合，以提高长期水文预报精度，如深度信念网络模型等[53]。目前，人工智能方法被广泛地应用于水文预报领域，因其处理非线性和不确定性的强大能力，已成为水文预报研究热点方向之一。

尽管人工智能方法在水文预报领域有良好的应用前景，但同样存在许多亟待解决的问题，主要有以下几类：① 数据稀缺性的问题，机器学习方法通常需要大量的数据，而水文历史数据存在序列短、缺失严重等问题，且现有基础水文资料在很多地区难以获取[54];② 原理可解释性的问题，自然界的水文过程十分复杂，目前的机器学习方法主要基于数据黑箱模型构建，缺乏对具体物理机制的解释，其应用存在精度模拟不够以及难以让人信服的问题[55];③ 参数选择的问题，由于现阶段对机器学习的原理认识还不足，其参数选择只能依靠人员经验和反复试验得到，耗费大量的精力且存在局部最优解的问题[56]。因此，针对具体预报任务，如何建立机器学习，应用人工智能方法，实现适应变化环境下的智慧水文预报，仍是当前极具挑战性的技术难题之一。

2.2.4基于耦合气候模型的长期径流预测

目前，国内外气候数值模式可以做到输出月尺度的逐日定量降水和气温预报，但由于预见期长、影响因素复杂、不确定性大等原因，导致其预报精度差，在业务应用中通常采用平均、累计等方法对其产品进行再处理。尽管目前气候模式对定量降水预报的精度较低，但随着气候模式集合预报技术的发展，一定程度上减小了长期定量降水预报的误差，并反映出预报不确定信息。因此利用气候模式输出的长期定量降水预测结果驱动水文模型，从而获取中长期水文气象耦合预测结果，成为当前国内外研究的热点之一[57-59]。如，欧洲委员会和欧洲中期天气预报中心于2018年发布了全球范围的中长期水文气象预报系统GloFAS Seasonal（https：∥www.globalfloods.eu），将ECMWF的季节性降水预报产品与水文模型结合，提供全球任意集水面积大于1 500 km2的河网且预见期长达16周的集合径流预报产品[57]。国内相关研究起步较晚，尚处于探索阶段，刘甜等[16]利用CFS模式输出的未来9个月降水预报产品与SWAT水文模型进行耦合，建立了汉江流域长期水文水资源预测系统。陈柯兵等[17]检验了GloFAS季节径流预报产品对长江上游长期径流的预测效果，发现提前1个月的枯水期预测效果较好。

模式耦合方法的优点在于计算效率高、物理机制清晰、可输出任意断面预测结果[20]，但限于当前学科研究水平，该方法仍处在模拟试验阶段，投入业务应用较少。可以预见，随着气候模式的不断发展，今后气候模式和分布式水文模型的耦合应用将是实现中长期水文径流预测业务的重要发展方向。

2.3水文集合概率预报

集合预报和概率预报是当前刻画洪水预报不确定性的两种重要手段。一方面，随着降雨集合预报技术的发展，水文预报用户也开始尝试利用集合方法对水文预报不确定性进行定量估计，通过不同降雨预报产品驱动水文模型计算，以考虑输入不确定性对预报精度的影响，属于集合前处理技术;另一方面，利用集合概率分析和总误差分析等技术手段，通过定量估计水文预报的不确定性，以分析模型计算等误差对水文预报精度的影响，属于统计后处理技术。

（1） 集合前处理技术。其基本原理是计算出流域土壤的初始状态并给定未来气象强迫输入集合（如降水、气温和潜在蒸发）以预测未来径流过程，通过各类天气气候模型输出的降水结果作为驱动水文模型的输入进行组合预报，以达到提高预报精度，反映预报不确定信息的目的。研究表明，引用降水集合预报的水文集合预报的可靠度更高，且能显著提高调度效益[60]，其优势已经被国内外众多水文气象专家所肯定，并促使了大型国家水文气象集合预报计划-水文集合预报试验（HEPEX）的形成[61-64]。

（2） 统计后处理技术。由于水文模型直接输出的预报结果存在众多不确定性，必须对其进行订正后处理。统计后处理技术利用大量的历史水文预报结果和观測资料建立回归统计模型，从而反映出历史的水文预报误差分布，并将此误差分布函数代入当前的水文预报中，以实现对未来水文事件的最大可能估计并给出一个广泛的预报区间，从概率上讲就是求水文集合预报对应观测值的条件概率密度函数，也就是概率预报的观念，这个概率预报区间综合了所有造成预报不确定性的因素。目前国内外在水文集合后处理方面进行了大量研究，并取得了较好的效果[65-67]。

现有的集合预报技术主要应用于短中期水文预报，有关长期水文集合预测的研究还处于起步阶段，但考虑到长期水文预测的不确定性远高于短中期预报，可以预见未来集合预报在长期水文预测中必将发挥重要的作用。水文预报的成果和价值最终需要体现在决策当中[68]，基于水文集合概率预报可以提供多种不确定信息的优势，概率水文预报可与风险信息相互结合，决策者在面临不同风险时根据自身情况进行不同概率的决策，如进行高风险决策时需要更多考虑低概率事件，而低风险决策时可以更多考虑高概率的事件，只有将概率水文预报真正引入洪水预警、水库调度和水资源管理决策中，实现预报与风险决策过程的有机结合，才能更好地体现概率水文预报的价值和效益。

3水文预报适用性问题

随着气象科学的不断发展，不同时间尺度的天气气候预报水平也取得明显提升，如未来3～5 d气象预报的可信度已被广泛认可，更长预见期的预报也得到了长足进步;同样，基于气象输入驱动流域水文模型，开展不同预见期水文预报的能力也相应得到提升。伴随经济社会的高速发展，人们对气象、水文预报要求越来越高，决策者和社会公众需要更准确和更长时效的水文预报。但限于现有预报水平，目前的水文预报技术还难以满足上述需求，在实际应用中还存在诸多不确定性和水文气象耦合不匹配现象，这些不确定性和不匹配问题是否影响水文预报的适用性还需要进一步认识和研究。

3.1水文预报的不确定性

3.1.1短中期预报的不确定性

由于水文系统是由各种不同等级子系统组成的复杂系统，且系统内不同层次和不同运行周期存在着明显的时空尺度差异。在不同时空尺度范围内，水文运动规律不尽相同，物理机制各有差异，其研究方法也各不相同，作为描述各种尺度水文特征的空间数据和模型自然也有所不同[69]。当前国内外暂时还未研究出可跨尺度通用的水文模型或方法来实现不同时空尺度的预报业务，构建好的气象-水文耦合模式通常仅适用某指定流域对象，若更换研究区域对象则需要重新开展参数的率定与模型评估，重新认识耦合模型的区域适用性问题[70]。

虽然当前无缝隙（模式、数据、方法和信息产品的跨空间和时间）的理念受到国内外水文、气象领域学者的广泛认可，已成为水文以及天气气候系统一致开发目标，但因各自业务体系、数据产品、预报服务要求等有所差异，实际业务中仍各自发展，互有侧重，尚难以实现较满意的融合应用发展[28]。

3.2.2不断增长的业务需求与现有水文预报技术之间不匹配

预测未来，追求预见期更长、精度更准，是人类永恒的追求之一。不论水文或气象行业，一般随着预见期延长，其预报精度相应随之降低，两者之间难以同等匹配，这是符合现有科学认知水平和技术条件的客观规律。但在业务实践中，随着经济社会的迅猛发展，更长预见期的水文预报业务需求日渐增长，特别是在编制流域水量分配和跨流域调水计划、水电站汛末蓄水和月、季、年发电计划等领域，公众和社会则期望水文预见期越长的同时其预报精度仍能具有一定的保障水平。如在南水北调工程中，长江委在每年编制南水北调中线一期工程年度调水量计划和月度供水计划时，均要求开展汉江流域年度水文气象预测，供编制年可调水量计划时参考，其中编制年度计划时需要在当年度11月前制作未来长达一年的丹江口水库入库流量逐月预测过程。表2给出了2019～2020年度南水北调中线工程水量调度计划编制时参考的丹江口水库入库流量预测的检验结果。由表2可知，在长达12个月的预见期下，预测平均合格率仅在60%左右，这也表明随着预见期更长，预测精度会随之下降。因此，显然上述公众的需求在一定程度上是难以同时满足的，目前业务实践中只能采用短、中、长期预报嵌套滚动修正等手段予以弥补。由于大气的混沌特性，一般认为逐日的降水预报时效不超过两周[78]，这就使得中长期水文预报不能完全依靠不断延长降雨预见期来驱动水文模型，还存在一些技术难题需要创新研究解决。如当前10～30 d的延伸期逐日降水预报是当前气象预报的空窗期，尚无特别有效的预报方法，主要提供降雨过程准定性或趋势性的预报信息[81-83]，这也是当前需要攻克或解决的技术难题之一。

另外，多年流域短中期水文预报实践发现，相同强度量级的降雨预报若在时间、空间分布方面有细微的不同，都可能会直接造成流域水文过程模拟的明显差异[11]，因此水文预报业务对预见期降水预报在“定点化、定时化和定量化”程度方面相比气象行业业务要求更高;若对于中长期预报而言，则已大大超出了现有气象行业长期降水预报的精度水平，这些是现状条件下难以满足公众对水文预报日益增长的业务要求或需求主要技术瓶颈之一。

4结 语

（1） 本文基于对国内外流域水文预报技术研究进展的梳理，重点阐述了短中期和长期水文预报涉及的不确定性，以及水文气象耦合方面的不匹配性等，并探讨了流域水文预报的适用性问题。在拟开展流域不同时空尺度水文预报业务时，应基于当前学科认识水平和技术条件，分析流域对象的空间尺度与水文预报期望预见期之间的匹配性，深入了解可能存在的不确定性及影响因素，以及期望预见期的预报结果是否有益经济社会发展等。基于此，建议在开展流域多尺度水文预报业务前，重视加强流域多尺度水文预报的适用性分析和探讨，并视国内外水文气象技术发展水平，分阶段组织实施，尽量规避一些不符合科学认知和超出现有技术条件下的徒劳工作。

（2） 对于空间尺度较大的大江大河流域而言，由于水文过程的传播时间一般超过一日或数日，水文、气象观测资料较为齐全，且定量降水有效预见期相对较长，可采用适用的水文模型实现逐日短中期水文预报业务，从而满足服务防汛抗旱、水工程建设及运行管理等需求。另外，在具备一定技术资料条件以及经济社会发展有需求等前提下，可探寻适用的流域水文预报方法或技术，尝试开展逐月、季或年时间尺度等长期水文预测业务。

（3） 针对中小河流或更小尺度的山洪沟等对象，则需要有针对性地分析了解该子流域的空间尺度与拟开展的水文预报预见期之间的匹配性。如对于中小河流流域，大多数洪水过程具有突发性强、汇流时间快、预见期短等特征，此时应充分调查研究分析流域产汇流特性，在认识水文时空尺度特征基础上，选择适合的水文模型，开展数小时至1 d左右预见期的短期水文预报预警业务。当然，针对更小区域的山洪沟，其产汇流机制复杂、山洪骤涨骤落、突发性更强，加之观测资料难获取，山洪预报难度更大，建议开展基于实况或1 h以内预报的山洪预警业务，超过日时间尺度及更长预见期的预报，从技术层面考虑是不建议开展的。

（4） 随着现代计算机和人工智能技术的进步，水文集合概率预报以其包含不确定性信息预报的优势，得到快速发展，特别是大数据应用、深度学习方法与集合预报方法的深入融合，使其有潜力成为多尺度流域水文预报未来应用发展的主流方向。集合预报直面揭示不确定性，定量（在概率意义上）估计每种可能的可信度，使单一值確定性预报向多值的概率分布转变，同时，还提供由多初值、多随机水文模式和多参数组合等产生的集合（或超级集合）预报和多值概率预报信息，通过智能深度学习等挖掘分析海量预报信息并生成满足不同需求的预报产品。通过这些预报产品，用户可以根据自身对水文信息的依赖程度进行自主决策选择，根据所选择的水文预报可信度，进一步厘清可能存在的预报风险和使用价值，以利于今后拓展水文预报应用实践价值。

参考文献：

[1]水利部水文局，长江水利委员会水文局.水文情报预报技术手册[M].北京：中国水利水电出版社，2010.

[2]徐冬梅，赵晓慎.中长期水文预报方法研究综述[J].水利科技与经济，2010，16（1）：1-7.

[3]冼翠玲，张艳军，邹霞，等.中长期径流预报的时间尺度[J].武汉大学学报（工学版），2015，48（6）：739-743.

[4]宗志平，代刊，蒋星.定量降水预报技术研究进展[J].气象科技进展，2012，2（5）：29-35.

[5]金荣花，代刊，赵瑞霞，等.我国无缝隙精细化网格天气预报技术进展与挑战[J].气象，2019，45（4）：445-457.

[6]杜钧，钱维宏.天气预报的三次跃进[J].气象科技进展，2014，4（6）：13-26.

[7]彭新东，李兴良.多尺度大气数值预报的技术进展[J].应用气象学报，2010，21（2）：129-138.

[8]金荣花，马杰，任宏昌，等.我国10～30天延伸期预报技术进展与发展对策[J].地球科学进展，2019，34（8）：814-825.

[9]水利部.水文情报预报规范：GB/T22482-2008[S].北京：中国标准出版社，2009.

[10]张海荣.耦合天气预报的流域短期水文预报方法研究[D].武汉：华中科技大学，2017.

[11]金君良，舒章康，陈敏，等.基于数值天气预报产品的气象水文耦合径流预报[J].水科学进展，2019，30（3）：316-325.

[12]刘志雨，侯爱中，王秀庆.基于分布式水文模型的中小河流洪水预报技术[J].水文，2015，35（1）：1-6.

[13]包红军，王莉莉，沈学顺，等.气象水文耦合的洪水预报研究进展[J].气象，2016，42（9）：1045-1057.

[14]郝莹，王元，王皓，等.淮河流域不同时间尺度暴雨的多模式预报性能评估及洪水可预报性探讨[J].气象，2019，45（7）：989-1000.

[15]杨文发，周新春，段红.三峡水库中期水文气象耦合预报应用试验及探讨[J].水文，2007（3）：39-42，62.

[16]刘甜，梁忠民，邱辉，等.基于CFS的汉江上游梯级水库系统月入库径流预测[J].水电能源科学，2019，37（8）：14-17.

[17]陈柯兵，郭生练，王俊，等.长江上游 ECMWF降水和径流预报产品评估 [J].人民长江，2020，51（3）：73-80.

[18]杨强.耦合CFS集合预报和深度学习的中长期径流预测方法研究[D].大连：大连理工大学，2019.

[19]董磊华.考虑气候模式影响的径流模拟不确定性分析[D].武汉：武汉大学，2013.

[20]高冰.长江流域的陆气耦合模拟及径流变化分析[D].北京：清华大学，2012.

[21]占车生，宁理科，邹靖，等.陆面水文—气候耦合模拟研究进展[J].地理学报，2018，73（5）：893-905.

[22]崔讲学，王俊，田刚，等.我国流域水文气象业务进展回顾与展望[J].气象科技进展，2018，8（4）：52-58.

[23]金兴平，程海云，杨文发，等.长江流域水资源预测技术[J].人民长江，2005，36（12）：18-20，55.

[24]赵琳娜，包红军，田付友，等.水文气象研究进展[J].气象，2012，38（2）：147-154.

[25]周亮，徐建刚.大尺度流域水污染防治能力综合评估及动力因子分析：以淮河流域为例[J].地理研究，2013，32（10）：1792-1801.

[26]王皓，傅旭东，孙其诚，等.大尺度流域水文并行计算的方法改进[J].应用基础与工程科学学报，2009，17（增1）：1-9.

[27]水利部.水文基本术语和符号标准：GB/T 50095-2014[S].北京：中国计划出版社，2014.

[28]克里斯塔·彼得斯-利达德，FAISAL H，RUBYLEUNGL，等.水文学100年进步[J].气象科技进展，2019，9（增1）：370-381.

[29]毕宝贵，代刊，王毅，等.定量降水预报技术进展[J].应用气象学报，2016，27（5）：534-549.

[30]HELLSTRM C，CHEN D.Statistical downscaling based on dynamically downscaled predictors：Application to monthly precipitation in Sweden [J].Advances in Atmospheric Sciences，2003（20）：951-958.

[31]殷志远，赖安伟，公颖，等.气象水文耦合中的降尺度方法研究进展[J].暴雨灾害，2010，29（1）：89-95.

[32]杜钧.集合预报的现状和前景[J].应用气象学报，2002（1）：16-28.

[33]杜钧，李俊.集合预报方法在暴雨研究和预报中的应用[J].氣象科技进展，2014，4（5）：6-20.

[34]智协飞，季晓东，张璟等.基于TIGGE资料的地面气温和降水的多模式集成预报[J].大气科学学报，2013，36（3）：257-266.

[35]杨传国，林朝晖，郝振纯，等.大气水文模式耦合研究综述[J].地球科学进展，2007（8）：810-817.

[36]王亚男，智协飞.多模式降水集合预报的统计降尺度研究[J].暴雨灾害，2012，31（1）：1-7.

[37]袁作新.流域水文模型 [M ].北京：水利电力出版社，1990.

[38]石教智，陈晓宏.流域水文模型研究进展[J].水文，2006（1）：18-23.

[39]徐宗学.水文模型：回顾与展望[J].北京师范大学学报（自然科学版），2010，46（3）：278-289.

[40]闫红飞，王船海，文鹏.分布式水文模型研究综述[J].水电能源科学，2008，26（6）：1-4.

[41]芮孝芳，黄国如.分布式水文模型的现状与未来[J].水利水电科技进展，2004（2）：55-58.

[42]吴险峰，刘昌明.流域水文模型研究的若干进展[J].地理科学进展，2002（4）：341-348.

[43]杨大文，徐宗学，李哲，等.水文学研究进展与展望[J].地理科学进展，2018，37（1）：36-45.

[44]熊立华，郭生练，田向荣.基于DEM的分布式流域水文模型及应用 [J].水科学进展，2004，15（4）：517-520.

[45]徐宗学，程磊.分布式水文模型研究与应用进展[J].水利学报，2010，41（9）：1009-1017.

[46]郭生练，熊立华，杨井，等.基于DEM的分布式流域水文物理模型 [J].武汉大学学报（工学版），2000，33（6）：1-5.

[47]王富强，霍风霖.中长期水文预报方法研究综述[J].人民黄河，2010，32（3）：25-28.

[48]杨旭，栾继虹，冯国章.中长期水文预报研究评述与展望[J].西北农林科技大学学报（自然科学版），2000（6）：203-207.

[49]沈浒英，姜彤，吴宜进.1998年长江流域暴雨洪水环流背景分析[J].自然灾害学报，2000（1）：7-12.

[50]张培群，何敏，许力.1999年夏季长江及以南地区洪涝的大尺度环流成因初探[J].高原气象，2002（3）：243-250.

[51]郭瑞丽，赵凤遥，李亚楠.基于递归小波神经网络的流域降雨-径流过程动态模型[J].水力发电学报，2013，32（2）：54-59.

[52]姜淞川，陆建忠，陈晓玲，等.基于LSTM网络鄱阳湖抚河流域径流模拟研究[J].华中师范大学学报（自然科学版），2020，54（1）：128-139.

[53]ABRAHART R J，ANCTIL F，COULIBALY P，et al.Two decades of anarchy？ Emerging themes and outstanding challenges for neural network river forecasting[J].Progress in Physical Geography，2012，36（4）：480-513.

[54]孙娜.机器学习理论在径流智能预报中的应用研究[D].武汉：华中科技大学，2019.

[55]纪守领，李进锋，杜天宇，等.机器学习模型可解释性方法、应用与安全研究综述[J].计算机研究与发展，2019，56（10）：2071-2096.

[56]龚亮.深度学习法在水文中应用的现状[J].河南水利与南水北调，2020，49（4）：33-34.

[57]ARNAL L，CLOKE H L，STEPHENS E，et al.Skilful seasonal forecasts of streamflow over Europe？[J].Hydrology and Earth System Sciences，2018，22（4）：2057-2072.

[58]BENNETT J C，WANG Q J，ROBERTSON D E，et al.Assessment of an ensemble seasonal streamflow forecasting system for Australia [J].Hydrology and Earth System Sciences，2017，21（12）：6007-6030.

[59]EMERTON R，ZSOTER E，ARNAL L，et al.Developing a global operational seasonal hydro-meteorological forecasting system：G1oFAS-Seasonal v1.0 [J].Geoscientific Model Development，2018，11（8）：3327-3346.

[60]雷曉辉，王浩，廖卫红，等.变化环境下气象水文预报研究进展[J].水利学报，2018，49（1）：9-18.

[61]JOHN C S，THOMAS M H，ROBERTO B.The hydrologic ensemble prediction experiment（HEPEX）[J].Bulletin of the American Meteorological Society，2006，3（5）：1541-1547.

[62]XU J W，ZHANG W C，ZHENG Z Y，et al.Early flood warning for Linyi Watershed by the GRAPES/XXT Model using TIGGE data[J].Journal of Meteorological Research，2012，26（1）：103-111.

[63]陆桂华，吴娟，吴志勇.水文集合预报试验及其研究进展 [J].水科学进展，2012，23（5）：728-743.

[64]KRZYSZTOFOWICZ R.The case for probabilistic forecasting in hydrology [J].Journal of Hydrology，2001，249：2-9.

[65]ZHONG Y X，GUO S L，BA HH，et al.Evaluation of the BMA probabilistic inflow forecasts using TIGGE numeric precipitation predictions based on artificial neural network [J].Hydrology Research，2018，49（5）：1417-1433.

[66]MADADGAR S，MORADKHANI H.Improved Bayesianmultimodeling：integration of copulas and Bayesian model averaging [J].Water Resources Research，2014，50（12）：9586-9603.

[67]巴歡欢，郭生练，钟逸轩，等.考虑降水预报的三峡入库洪水集合概率预报方法比较 [J].水科学进展，2019，30（2）：186-197.

[68]刘章君，郭生练，许新发，等.贝叶斯概率水文预报研究进展与展望[J].水利学报，2019，50（12）：1467-1478.

[69]戚晓明，陆桂华，金君良.水文尺度与水文模拟关系研究[J].中国农村水利水电，2006（11）：28-31.

[70]魏林宏.时空尺度对洪水模拟的影响研究[D].南京：河海大学，2004.

[71]张洪刚，郭生练，何新林，等.水文预报不确定性的研究进展与展望[J].石河子大学学报（自然科学版），2006（1）：15-21.

[72]BENJAMIN R，DMITRI K，GEORGE K，et al.Understanding predictive uncertainty in hydrologicmodeling：the challenge of identifying input and structural errors[J].Water Resources Research，2010（46）：1-22.

[73]严登华，袁喆，王浩，等.水文学确定性和不确定性方法及其集合研究进展[J].水利学报，2013，44（1）：73-82.

[74]宋晓猛，占车生，孔凡哲，等.大尺度水循环模拟系统不确定性研究进展[J].地理学报，2011，66（3）：396-406.

[75]尹雄锐，夏军，张翔，等.水文模拟与预测中的不确定性研究现状与展望[J].水力发电，2006（10）：27-31.

[76]叶柏生，杨大庆，丁永建，等.中国降水观测误差分析及其修正[J].地理学报，2007（1）：3-13.

[77]胡和平，田富强.物理性流域水文模型研究新进展[J].水利学报，2007（5）：511-517.

[78]穆穆，陈博宇，周菲凡，等.气象预报的方法与不确定性[J].气象，2011，37（1）：1-13.

[79]李建平，丁瑞强.短期气候可预报期限的时空分布[J].大气科学，2008（4）：975-986.

[80]刘德强，冯杰，李建平，等.GRAPES_MESO中时间步长和空间分辨率对于预报效果的影响[J].大气科学，2015，39（6）：1165-1178.

[81]丑纪范，郑志海，孙树鹏.10～30 d延伸期数值天气预报的策略思考—直面混沌[J].气象科学，2010（5）：569-573.

[82]丁一汇，梁萍.基于MJO的延伸预报[J].气象，2010（7）：111-122.

[83]WHEELER M C，HENDON H H.An all-season real time multivariate MJO Index：development of an index for monitoring and prediction[J].Monthly Weather Review，2004，132：1917-1932.

（编辑：刘 媛）

Abstract：As a non-engineering measure，hydrological forecasting plays a more and more important role in flood and drought prevention，comprehensive utilization of water resources and national economic construction.This paper reviews the research progress of watershed hydrological forecasting in recent years，combs the concept of watershed multi-scale hydrological forecasting，summarizes the key technologies，problems，developments of multi-scale hydrological forecasting，and focuses on the uncertainty factors and the mismatch of hydro-meteorological coupling in hydrological forecasting.Finally，based on the analysis of the applicability of watershed hydrological forecasting，this paper emphasizes the importance of considering the applicability of hydrological forecasting in operational practice of different forecasting period，and puts forward the guiding principles and suggestions for expanding multi-scale hydrological forecasting under current conditions.

Key words：multi-scale hydrological forecasting;hydro-meteorological coupling;uncertainty;applicability of forecasting