ERA5降雨数据的降尺度评估及水文模拟——以横江流域为例

肖梓明，张行南，方园皓

（河海大学水文水资源学院，南京210098）

0 引 言

近年来随着人口上涨、农业产业升级，农业灌溉对水资源的需求越来越大，为了解决水资源短缺问题，水资源规划管理愈发重要。为了构建合适的水资源规划管理模型，实现准确的水文模拟必不可少，例如徐宗学、程磊[1]认为，灌区模拟问题难以运用传统的方法进行研究，考虑时空变异的分布式水文模型能够处理这一问题。在流域水文模型中，降水作为重要的数据输入，对水文模拟的准确性起着至关重要的作用；在农业灌溉中，准确的降雨对灌溉制度及灌溉决策起着指导作用，例如孙晋锴等[2]基于多年降雨数据对豫东地区夏玉米灌溉制度进行了优化；侯静文等[3]对桂林市降雨预报准确度进行了分析，并应用到当地水稻灌溉决策中。传统的水文模拟中，降水数据主要采用地面站点的观测值，存在着空间分布性差、站点布设受地形限制等诸多问题，导致数据获取及准确性方面存在影响，进而影响水文模拟。所以如果能在流域尺度上提供准确的降水数据，将会使水文模拟的准确性大大提高。

大气环流模式（GCM）作为当前全球气候模拟的有力工具，是获取降雨数据的重要来源之一，其准确性、可靠性和精度也获得了众多学者的肯定[4,5]，但是由于计算条件的限制，GCM 一般在比较低的空间分辨率下进行运行（通常是2°或者更低），有学者[6]认为0.125°的空间分辨率才能满足流域尺度的水文模拟，因此不能将GCM 的降雨数据直接运用在水文模拟中。

此前，已有不少学者将GCM 降雨数据运用到水文模型中的先例，例如：张徐杰[7]采用GCM 集合数据，在降尺度处理下，利用SWAT 水文模型对兰江流域未来的径流量进行了模拟，发现兰江流域径流量和可利用水资源量在未来有减小的趋势；宣伟栋[8]通过LARS-WG 天气发生器对5 种全球气候模式的结果进行降尺度，对奴下等站点未来降雨径流进行模拟，做出趋势分析；宋小园[9]对于最新的CMIP5 气候模式，将气候情景预测结果和SWAT 水文模型耦合，构建了未来径流模拟，效果显著。由此可见，GCM 降雨数据作为水文模型降雨输入存在一定的合理性。但是为了弥补GCM 降雨数据在流域尺度上分辨率过低的问题，还需要经过降尺度处理，将尺度大分辨率低的数据转化为尺度小分辨率高的数据，使其满足流域尺度要求。

为了应对GCM 数据分辨率过低问题，本文以横江流域为例，运用统计降尺度方法，结合4种机器学习方法，对欧洲中期天气预报中心（ECMWF）发布的ERA5 再分析数据中的降水数据，结合19个大气环流因子建立模型，进行降尺度分析，并将结果输入新安江水文模型[10]，进行径流模拟，以此分析ERA5 再分析数据降尺度后作为流域水文模型降水数据来源的可靠性，以此来确定是否可以为农业灌溉提供数据支撑。

1 数据与方法

1.1 研究区概况

横江是长江上游金沙江下游一级支流，源自贵州威宁草海，位于东经103°18′至105°57′、北纬26°45′至28°36′之间，全长307 km，流域面积约为1.486 万km2，多年平均降雨量1 150.9 mm，年内降水集中在6-10月，占全年降水的80%左右，以横江水文站为控制站。图1为流域概况图。横江流域境内主要农作物为水稻、冬小麦、玉米、甘薯、马铃薯等，农业需水量大，需要合理的水资源规划管理。

图1 横江流域概况Fig.1 Overview of Hengjiang River Basin

1.2 数据来源

（1）ERA5再分析数据。ERA5是ECMWF发布的第五代再分析全球气候数据，空间分辨率0.25°×0.25°，本文所采用的降水数据下载地址为https：//cds.climate.copernicus.eu/cdsapp#!/search?type=dataset，数据集为“ERA5 hourly data on single levels from 1979 to present”。

（2）大气环流因子数据。本文所采用的大气环流因子来自于ECMWF 发布的TIGGE 数据集，空间分辨率0.5°×0.5°，数据下载地址为https：//apps.ecmwf.int/datasets/data/tigge/levtype=sfc/type=cf/。

（3）实测水文数据。降雨数据为横江流域内的10 个水文（雨量）站的实测数据，分别为豆沙关、甘海子、横江、龙海、龙街子、墨石驿、牛场、箐口塘、下坝、新泉；径流数据为横江水文站实测径流数据。以上数据均摘录自水文年鉴，数据的时间长度为2009年1月1日至2014年12月31日。

1.3 研究方法

在建立统计降尺度模型时，我们认为局地降雨与大气环流因子存在某种统计关系，即：

式中：Y为局地降雨数据；F为统计关系；xi为大气环流因子。

因子详情如表1 所示。建立统计关系的示意图如图2 所示（●代表气象格点，★代表雨量站），气象格点为ERA5降雨数据，雨量站点为实测雨量数据。每个气象格点的控制范围如图中阴影区域，为每个雨量站匹配大气环流因子时，保证距离最近，即雨量站要被阴影所覆盖。由于因子数量较多，确定统计关系式时较为复杂，本文借助机器学习方法进行关系拟合，共选取四种机器学习方法：人工神经网络（ANN）[11]、支持向量机（SVM）[12]、决策树（DT）[13]、随机森林（RF）[14]，以2009-2013年为训练集，2014年为测试集，检验降尺度后的降雨数据精度，并将结果输入至新安江模型，检验其在水文模拟中的效果。

图2 统计关系建立示意图Fig.2 Schematic diagram of statistical relationship establishment

表1 大气环流因子信息表Tab.1 Predictor information table

本文所采用的4种机器学习方法的具体模型如下：

ANN模型为：

式中：y(t)为模型t时刻输出的降雨；xi(t)为t时刻第i个因子值；vij为连接输入层和隐层的权重；wj为连接隐层和输出层的权重；n为因子个数；m为隐层维数；θj为隐层阈值；θ0为输出层阈值；f为Sigmoid函数：f(x)=(1+ e-x)-1。

SVM模型为：

式中：ai、a*i、b为最优超平面参数；N为支持向量数；样本空间X和Xi经映射得到。

DT 模型的核心思想为切分点确定，本文以最小二乘法为切分点选择原则。RF 则是以多个决策树组成，每个决策树之间互不影响，其最重要的参数为决策树个数和随机选择特征的最大数量，目标则是均方误差最小和决定系数最大。

由于降雨量为0时会对机器学习的回归运算产生影响，所以本文将整个降尺度过程分为3步，首先利用机器学习的分类思想，对ERA5降水数据进行晴雨准确率（即是否有雨）的模型运算；其次利用机器学习的回归思想，对第一部分有雨的部分进行降雨量准确率的模型运算；最后将前两部分整合，得出整个ERA5降雨数据的降尺度结果。

本文所采用的水文模型为新安江模型。新安江模型是河海大学赵人俊于1973年提出的水文模型，该模型主要运用于湿润半湿润地区，产流方式为蓄满产流，蓄水容量曲线为核心部分，其结构分为蒸散发、产流、分水源、汇流。经过众多学者的不懈努力，已成为国内广泛运用的流域水文模型。

2 结果与分析

2.1 降尺度降雨对比

ERA5 的空间分辨率为0.25°×0.25°，而预测因子的空间分辨率为0.5°×0.5°，为了保证模型在同样的分辨率下进行，对数据进行插值处理，保证其分辨率相同。

（1）晴雨准确率。将所有的降雨数据分为两类：有雨和无雨，采用机器学习的分类思想进行模型运算。在质量评估方面采用TS 评分进行评价，ERA5 降尺度后在10 个站点的TS评分如图3 所示。从图3 可以得出以下结论：①ERA5 数据降尺度前的TS 评分大多在0.4～0.6 之间，只有在龙海站的TS 评分较高，达到了0.726，总体效果并不是很理想；②ANN、SVM、DT、RF 4 种方法在10 个站的均值分别为0.737、0.745、0.684、0.746，而ERA5 在降尺度前的均值为0.508，可以看出，在4 种降尺度方法下TS 评分均有较大幅度的提高，以SVM 和RF 效果最优，DT 效果最差；③ERA5 对横江流域的晴雨准确率并不理想，但可以选用SVM 和RF 方法对其进行优化，优化后的效果更为准确。

图3 各个站点晴雨准确率TS评分Fig.3 TS scores of sunny or rainy accuracy at various stations

（2）降雨量准确率。在晴雨准确率的基础上，对有雨部分进行降雨量计算。在质量评估方面采用相关系数r、平均绝对误差MAE进行评价，ERA5 降尺度后在10 个站点的两项指标如图4 和图5 所示。从图中可以得出以下结论：①ERA5 数据降尺度前与实测站点的相关系数大多在0.5～0.7 之间，属于显著相关，在横江站更是达到了0.721，只有在龙街子和下坝较低，分别为0.492和0.441，而在平均绝对误差方面，大多集中在3～5 mm 之间，下坝更是达到了7.398 mm，误差较大，精度较低；②ANN、SVM、DT、RF 4种方法在10个站的相关系数均值分别为0.578、0.632、0.431、0.553，而ERA5 为0.596，可以看出ANN 和RF 方法在降尺度后仍然保持着相当的相关性，SVM 有所提高，DT 则大幅度下降；在平均绝对误差方面，4 种方法的均值分别为4.813、4.283、5.670、4.779，而ERA5 为5.063，可以看出ANN、SVM、RF 均有所提高，SVM更是提高了0.78 mm，反观DT 精度有所下降；③综合以上可以得出结论：ERA5 在横江流域的降雨精度不足，在降尺度方法方面可以选择SVM 方法，使得结果在相关系数和平均绝对误差上均有所提高。

图4 各个站点降雨量相关系数Fig.4 Correlation coefficients of rainfall at various stations

图5 各个站点降雨量平均绝对误差Fig.5 Average absolute error of rainfall at each station

2.2 水文模拟

为了检验4 种方法对ERA5 降尺度后的降雨数据在水文模拟中的效果，本文计算了4种降雨结果在研究区的面雨量，再将面雨量输入新安江模型进行径流模拟。面雨量的计算采用泰森多边形法。

横江流域以横江水文站为控制站，以其实测流量作为横江流域的出口断面流量，同样的将2009-2013年划分为率定期，2014 划分为验证期，基于率定期实测数据对新安江模型的各项参数进行率定。新安江模型有16 项参数，其中敏感参数率定结果详见表2。表中参数意义如下：KC为蒸散发折算系数、SM为自由水蓄水容量、KG为自由水蓄水库对地下水的日出流系数、KI为自由水蓄水库对壤中流的日出流系数、CG为地下水消退系数、CI为壤中流消退系数、CS为地面径流消退系数。

表2 敏感参数率定结果Tab.2 Calibration results of sensitive parameters

在模拟精度方面采用纳什效率系数（NSE）、径流深相对误差（Bias）、均方根误差（RMSE）对验证期径流模拟结果进行评估。图6为径流模拟过程。在不同方法下径流模拟结果如表3 所示。从图表中可以看出，实测降雨在验证期的表现良好，NSE达到了0.61，Bias也控制在正负5%以内，为-1.17%。而ERA5 的模拟效果很差，NSE为-0.36，Bias为59.44%，从图6可以看出，ERA5模拟径流与观测径流整体过程基本吻合，造成NSE和Bias效果差的原因可能是ERA5 的整体雨量较大，造成了模拟值比实测值偏高的情况。4种降尺度方法在模拟精度上，相对ERA5 都有不同幅度的提高，其中ANN 和RF 方法较好，ANN的NSE相对实测数据提高了0.07，Bias相对实测数据下降了1.81%，RF 的NSE与实测数据相同，但在Bias上比实测数据低了6.1%。SVM 方法在汛期表现很差，存在着峰值严重低估的情况，在水文模拟中不可取。DT 方法与ERA5 存在着相同的问题，即径流过程较好，但整体水量偏高。

图6 径流过程模拟Fig.6 Runoff process simulation

表3 不同方法下的径流模拟结果Tab.3 Runoff simulation results under different methods

3 结 论

（1）ERA5 降雨数据在横江流域精度较低，在水文模拟上虽然统计指标较差，但径流过程与实测吻合，造成这种现象的原因可能是整体水量偏大，在模拟过程中可适当调大蒸散发折算系数KC，在农业灌溉中，可根据当日降水量适当减小计算需灌水量。

（2）建立了从ERA5低分辨率的网格到实测站点的统计降尺度模型，并从晴雨准确率和降雨量准确率两个方面检验降尺度后的数据精度，结果表明：在晴雨准确率和降雨量准确率方面，可选用SVM进行降尺度研究。

（3）在水文模拟中，4种降尺度方法表现各不相同，使用ANN方法进行降尺度的效果最优，验证了将ERA5降雨数据降尺度后，作为流域水文模型降水输入的可行性，进一步为农业灌溉提供数据支撑。