基于降尺度降雨的洪水预报预警体系的创建

2022-07-05赵鹏

地下水 2022年3期

赵鹏

(泰安市水文中心，山东泰安 271000)

0 引言

减少洪水灾害对生命和财产造成的损害的方法可以定义为结构和非结构措施[1-2]。结构措施通常意味着修建水库、水坝、堤坝等，这些都具有减少洪水影响的能力。但是实施这些结构需要巨额投资和工程技术；然而，考虑到洪水强度的变化，并不是所有的洪水都能被完全阻止。而洪水预警系统是减少洪水损害的最有效的非结构性措施之一[3]。这旨在向防洪机构提供准确及时的洪水信息的预警，以便正确实施备灾和减灾计划。增加预警提前期和预警实践的经验可以大大减少了生命损失和财产损失。

洪水预报是洪水预警系统中最重要的组成部分之一[4]。它决定了整个系统的优劣。任何预警系统总是需要准确的预测和更长的预测提前期。基于实时降水观测和其他水文参数的洪水预报提供了提前期，该提前期取决于上游降水和下游观测到的洪峰之间的滞后时间[5]。因此，预警提前期在流域范围内并不一致，对于具有陡峭集水区的流域来说可能相当短，从几分钟到几个小时不等。最近，许多研究采用数值天气预报系统(NWP)来延长洪水预报提前期[6]。因为它只取决于降水预测的准备时间，对于短期预测，准备时间从几个小时到几天不等，对于中期预测，准备时间最多为10 d或更长。这些研究使用了非常短期的确定性NWP模型(通常是高分辨率模型)，如中尺度模型、有限区域模型或中期集合预测系统。高分辨率模型驱动的洪水预测已经显示出非常高的预测技能；然而，这些高分辨率模型可能受限于相对短期的预测，也可能受限于研究区域。因此对于洪水预报预警体系还需要更多更全面的研究。

本文对历史数据进行模型校准建立了统计降尺度模型。通过对全局NWP输出值进行物理的校正，并优化人工神经网络中用于校准阶段的参数，然后，降尺度降水被用作超级水箱模型的输入，以便将地下水纳入河流流量的生成，用于洪水预测。根据预测提前期评估模型的不确定性，将洪水预测纳入现有的洪水预警级别。研究结果有望加强现有的洪水预报技术和预警实践。

1 研究区域和方法

1.1 研究区域

卧虎山水库是山东省的大型水库，隶属于黄河支流的玉符河流域，流域干流长40.4 km，流域面积755 km2。由于流域降雨量年内分布不均，通常在几乎每年9-12月的雨季造成大规模洪水。这些降雨具有降雨历时短且降雨量大的特点，因此经常会造成洪水的都涨陡落，洪水迅猛湍急，而且集水反应迅速，这给实施洪水缓解措施留出了非常短的准备时间。因此有必要建立合理的洪水的预警系统。

1.2 气象数据

这项研究数据使用了中国气象数据共享网和NWP模型，短程确定性全球NWP模型的空间分辨率为0.5度，垂直层数为60层。可在00、06、12和18时每天发布4次预测，提前期可达84 h。每隔6 h预测一次地面降水和其他变量。逆距离加权法将点表示(雨量计)或网格点值表示(NWP)的参数转变为面积平均基础上的降水和相关大气参数的插值。

1.3 降尺度大尺度降水

长期以来，模型输出统计数据作为天气预报的统计降尺度工具而广为人知。校准过程多采用了多元线性回归方法。然而，就学习技巧而言，非线性统计方法往往优于其他多元回归方法。因此，本研究使用了广泛应用的人工神经网络方法，以下简称为神经网络，用于校准过程。人工神经网络配置通常包括输入层、隐藏层和输出层，网络训练使用误差反向传播权重原理来更新规则，并调整权重，使得网络输出(预测值)和观测值之间的差异最小。

关于降尺度方法的数据处理，确定潜在的预测因子非常重要。该过程不仅考虑了对输出有强烈影响的变量，以避免过度拟合，而且克服了用于校准过程的历史记录的不足。在校准过程中，潜在的预测因子是70 Kpa和85 Kpa的风场速度和垂直压力的变化，以及地面的降雨量预测。基于逐步多元线性回归，采用额外的预测因子筛选，最终确定一组预测因子。

1.4 水文模型

在水文模型中，水箱模型以其简单性和在降雨径流分析中的广泛应用而闻名。然而，水箱模型有许多校准所需的参数。本研究中使用的超级水箱模型显然可以克服这个问题。它既具有原始水箱具有的一些物理属性，又几乎无需校准参数，因为模型参数已经使用地理地形和地表信息进行了内部校准。此外，超级水箱模型是半分布式的，就空间变化考虑而言，它优于集总水文模型。因此，超级水箱模型已经在降雨径流建模中具有一定的稳健性和普遍性，其模型对观测数据稀缺的流域具有较强的适用性。

然而，超级水箱模型仅包括最上层土层的 3 个水箱的互流，而忽略了控制基流的地下水的贡献，这些降雨大部分转化为直接径流。在这项研究的背景下，考虑到水文地质信息的局限性，提出了一个代表地下水贡献的额外集水箱，用于补充水流生成的完整过程。径流模型性能的评价基于两个标准，即纳什指数(NSI)，或称为模型效率系数；和预测径流的相对误差(η)。

2 结果和讨论

2.1 径流模拟

鉴于缺乏地下水箱的水文地质信息，需要对所有网格单元适用的块状参数、地下水箱的坡度和初始储存量进行校准。校准过程使用试错法对2008年和2009年雨季的历史降雨量和流量数据进行试错。地下水箱坡度和初始蓄水的最佳值分别为0.05和水箱深度的四分之一(大约10 m)。模拟结果表明，模拟过程线与观测过程线非常吻合(图1)。整体模型性能获得了非常高的模型效率系数(NSI= 0.84)。

图1 观测过程线和用雨量器模拟的时间序列

2.2 降尺度降水

从ANN(神经网络法)模型输出的最佳大尺度预测值也与MLR(最大似然法)中使用的类似，输出层是降尺度降水。并针对2008年雨季发生的单一和连续暴雨事件，将校准过程分开。这可能会导致在如何确定是单一暴雨事件还是连续暴雨事件可能发生时有些不确定性。因此，选择了2008年和2009年雨季发生的12次暴雨事件(单次和连续)的历史数据作为统一数据集。然后，将它分为训练集和验证集。图2显示了从DMO (直接模式输出)导出的观测和预测(24小时提前期)与使用MLR和ANN对暴雨事件进行降尺度的累积降雨量的比较。结果表明，人工神经网络对降尺度降水有显著的预报性能。学习能力优于最大似然法。区域平均降雨量的相关系数增加了约12%；同时，使用人工神经网络对结果进行降尺度时，得到的降水量预测值更加接近观测值。这种差异大多出现在暴雨事件的早期。这来源于初始模型状态或模型公式中的误差的结果。而且往往是初始模型状态引起的偏差，这可能显著增加模型总偏差。因为这些初始条件主要受到现有天气观测网络的非常粗略的时空分辨率影响，尤其是在具有较少观测数据的地区。

图2 三种方法对暴雨事件进行降尺度的累积降雨量的预测结果

2.3 洪水预报

人工神经网络的降尺度降水数据被用作径流预测的超级水箱模型的输入。基于下列方法的水文时间序列:观测(Q_obs)、使用雨量器(Q_rep)再现、直接模型输出(Q_dmo)、使用MLR (Q_mlr)和ANN (Q_ann)方法对9月洪水事件的大尺度降水进行降尺度，其对比结果见图3。显然易见，基于人工神经网络降尺度降水的洪水预报(24小时提前期)优于其他方法(DMO法和多层线性回归法)，它相当于使用雨量计(Q_rep)重现径流。2009年9月发生的洪水事件的模型效率和峰值流量相对误差的统计比较见表1。

图3 9月洪水事件的大尺度降水多种方法的降尺度对比

表1 洪水事件统计

2.4 模型验证

为了评估人工神经网络模型的性能，数据集应该分成三个子集，分别用于学习阶段、测试阶段和验证阶段。考虑到历史数据可用性的限制，只进行了学习阶段和验证阶段。

图4 验证11月洪水事件的预测河流流量 (24小时提前期)

本研究选取11月的暴雨事件进行模型验证。如图4所示，模型验证表明，使用人工神经网络驱动的降水预测，洪水预测性能有了相当大的提高，尽管存在着对峰值流量的低估。但是根据表2模型统计结果，与实际观测流量相比，总流量估计值约低25%。模型效率系数从0.34(使用DMO)增加到0.77。在这种情况下，准确估计即将发生的洪水量将是非常有用的信息，可用于实施防洪措施，例如通过适当的水库运行系统。

表2 已验证事件的统计数据

2.5 模型不确定性

洪水预测模型的总体不确定性受径流模型误差和降雨预测误差的影响。最近的研究表明，模型不确定性的主要来源主要是由于观测产生固有的误差而引起的。随着预测提前期的延长，预测的不确定性可能会更大。因此，有必要根据特定防洪目的的预测提前期来评估模型的不确定性，并对不同预测提前期的峰值流量和总径流量的相对误差进行了评估。

图5 11月验证事件的峰值流量(圆圈)和总流量(误差线)的相对误差

尽管此模型目前可以预测84 h；然而，对模型不确定性的评估只集中在短期预测上，最长可达48 h。结果显示，观察到模型不确定性朝着更大的预测提前期增加的趋势(如图5)。而且，在6～18 h内模型具有较高的预测性能。在很多研究中，洪水预报已经被整合到大多数河流流域的现有洪水警报系统中。现有的洪水警报体系基于特定河段指定的河流水位阈值，例如，警报级别I (A.L-I)表示潜在的洪水状况；二级和三级警报(A.L-II和A.L-III)分别显示危险和非常危险的洪水情况。在本研究中，三级警报相当于1 300 cm的河流水位，在这种情况表明出现了紧急情况，预计会有大范围的严重洪水。如图6所示，该模型证明了预测和观测河流水位之间的良好一致性。根据历史淹没图，将定量预测潜在淹没区。由于该模型能够在非常早的阶段检测潜在的洪水，并在6～18 h的准备时间范围内提供洪水径流或河流阶段的可靠预测，它使处于风险中的人们和相关防洪机构不仅能够在早期阶段积极参与备灾计划，而且能够在需要时向公众传播疏散要求。