高 真，黃本勝，陳曉宏，邱 靜

（1.廣東省水利水電科學(xué)研究院，廣州510635；2.河口水利技術(shù)國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室，廣州510635；3.廣東省水安全科技協(xié)同創(chuàng)新中心，廣州510635；4.中山大學(xué)水資源與環(huán)境研究中心，廣州510275）

1 研究背景

洪水災(zāi)害是目前世界上最常見的自然災(zāi)害之一，分布范圍廣且破壞力強(qiáng)。環(huán)保組織德國(guó)觀察（Germanwatch）發(fā)布報(bào)告《2021 全球氣候風(fēng)險(xiǎn)指數(shù)》報(bào)告顯示，2000-2019年全球發(fā)生11 000 多件極端天氣事件，直接導(dǎo)致約47.5 萬人死亡和高達(dá)2.56 萬億美元的經(jīng)濟(jì)損失，其中洪水災(zāi)害約占1/3；我國(guó)年平均死亡人數(shù)和年平均經(jīng)濟(jì)損失分別居全球第4 位和第3 位［1］。隨著氣候變暖，全球水循環(huán)和城市化加速，極端天氣事件出現(xiàn)的頻率增加、強(qiáng)度增大，暴雨洪水災(zāi)害損失風(fēng)險(xiǎn)加劇。然而我國(guó)災(zāi)害防范意識(shí)和設(shè)施不充分，嚴(yán)重威脅經(jīng)濟(jì)社會(huì)發(fā)展和人民生命財(cái)產(chǎn)安全。及時(shí)、準(zhǔn)確獲取高質(zhì)量高時(shí)空分辨率的遙感觀測(cè)信息，提高洪水模擬監(jiān)測(cè)和預(yù)報(bào)能力，一直是水文、氣象和遙感等學(xué)科的研究目標(biāo)和熱點(diǎn)［2］，也是推進(jìn)國(guó)家治理能力現(xiàn)代化迫切需要解決的關(guān)鍵科技問題，對(duì)防汛抗旱減災(zāi)、水利工程規(guī)劃設(shè)計(jì)、水資源合理開發(fā)利用和管理決策都具有十分重要的意義［3，4］。

降水是全球水分和能量循環(huán)的重要組成部分，同時(shí)也是地表水文過程及陸面過程的關(guān)鍵驅(qū)動(dòng)要素。一些學(xué)者認(rèn)為降水輸入不確定性是洪水預(yù)報(bào)不確定性的最主要來源，暴雨洪水模擬的不確定性有55%～80%可歸因于降水的時(shí)空變異性［5］。近年來，隨著衛(wèi)星遙感技術(shù)的不斷發(fā)展，一系列高時(shí)空分辨率的遙感降水產(chǎn)品，覆蓋范圍廣、獲取方便快捷，如TRMM（Tropical Rainfall Measurement Mission）、IMERG（the Integrated Multi-sat?ellitE Retrievals for Global Precipitation Measurement）、NLDAS2（the Phase 2 of the North American Land Data Assimilation Sys?tem）等為全球及區(qū)域降水觀測(cè)提供了新的數(shù)據(jù)來源，特別是在少或無資料地區(qū)。然而各種主要觀測(cè)手段獲取的降水?dāng)?shù)據(jù)具有各自不同的代表觀測(cè)尺度與特征誤差，對(duì)徑流模擬、洪峰峰現(xiàn)時(shí)間等影響較大［6］。合理利用多源遙感降水?dāng)?shù)據(jù)產(chǎn)品，是解決水文應(yīng)用研究中普遍存在的觀測(cè)-模擬過程不確定性問題的潛在有效途徑，目前國(guó)內(nèi)外很多水文學(xué)者也開展了廣泛而深入的相關(guān)研究［7-12］。

鑒于上述背景，本研究選取典型洪水區(qū)——美國(guó)愛荷華州Iowa-Cedar 中型流域，在2002-2013年日尺度上，基于雨量站降水?dāng)?shù)據(jù)CPC-U 定量評(píng)估5種多源遙感降水產(chǎn)品（NLDAS2、Stage IV、TMPARP、TMPART和IMERG）的精度，并結(jié)合分布式水文模型DRIVE（Dominant river tracing-Routing Integrated with Vari?able Infiltration Capacity Environment）對(duì)其進(jìn)行水文效用評(píng)估，討論分析了遙感降水產(chǎn)品對(duì)地面站點(diǎn)觀測(cè)數(shù)據(jù)的可替代性，可為未來實(shí)時(shí)區(qū)域水文模擬與預(yù)報(bào)提供參考依據(jù)。

2 研究區(qū)域與數(shù)據(jù)方法

2.1 研究區(qū)域

美國(guó)Iowa-Cedar 流域地處愛荷華州的東北部，是密西西比河的支流之一，位于西經(jīng)90°42′～94°，北緯41°～44°，全長(zhǎng)480 km，流域集水面積32 381 km2，見圖1。流域地勢(shì)從西北向東南和西南傾斜，大部分地區(qū)為平原，海拔高度為167～426 m。兩條主要支流Iowa 和Cedar 在路易莎顯交匯，從愛荷華市下游大約104 km 匯入密西西比河。流域?qū)俅箨懶詺夂?，夏季常發(fā)生雷陣雨，多年平均降水量約為886 mm，多年平均徑流量約為268 m3/s。根據(jù)美國(guó)國(guó)家土地覆蓋數(shù)據(jù)（National Land Cover Database，NLCD 2001），主要土地利用類型包括農(nóng)業(yè)用地（74.2%）、居住區(qū)（9.3%）、干草（6.2%）、草地（5.7%）、森林（3.3%）和其他（1.3%），主要種植類型是玉米和大豆［13］。由于全球氣候變暖，大氣環(huán)流異常，大大地增加了局部區(qū)域出現(xiàn)暴雨洪水的頻率，該流域于2008年6月遭遇了500年一遇特大洪水，受災(zāi)損失慘重。

圖1 Iowa-Cedar流域地理位置、高程及大壩分布示意圖

2.2 研究數(shù)據(jù)和水文模型

在Iowa-Cedar流域主要收集了長(zhǎng)時(shí)間序列2002-2013年的多源降水?dāng)?shù)據(jù)產(chǎn)品CPC-U、NLDAS2、Stage IV、TMPARP、TM?PART 和IMERG（見表1），以CPC-U 作為評(píng)估的對(duì)比參考數(shù)據(jù)，并將時(shí)間和空間分辨率統(tǒng)一處理計(jì)算為日尺度和0.125°×0.125°。同時(shí)在美國(guó)地質(zhì)勘測(cè)局（USGS）官網(wǎng)收集了2002-2013年逐日流量觀測(cè)數(shù)據(jù)（水文測(cè)站編號(hào)USGS 05465500），通過分布式水文模型DRIVE模擬進(jìn)行水文效用評(píng)估。

表1 多源降水?dāng)?shù)據(jù)產(chǎn)品的時(shí)空分辨率及主要來源

分布式水文模型DRIVE 是由Huan Wu 博士經(jīng)多年研發(fā)［15，16］。DRIVE 模型解決了陸面過程模型中缺乏側(cè)向水流過程描述的問題，將國(guó)際主流陸面過程模型（VIC）和基于物理過程的匯流模型（DRTR）耦合而成一個(gè)新的流域水文模型，并包含洪水淹沒模塊，適用于不同時(shí)空尺度的洪水模擬。DRIVE 模型以河網(wǎng)分級(jí)（Strahler Order）匯水系統(tǒng)為基礎(chǔ)逐級(jí)編碼從坡面到流域出口的所有匯流路徑，進(jìn)行所有垂直水熱交換過程和側(cè)向水流的計(jì)算，既貼近實(shí)際流域排水結(jié)構(gòu)，又保障模型的計(jì)算效率。模型的主要特色表現(xiàn)為基于DRT（dominant river tracing）算法的準(zhǔn)確亞格網(wǎng)參數(shù)化能力，使得模型性能在不同空間分辨率上有很強(qiáng)的穩(wěn)定性和適應(yīng)性［14］。DRIVE 模型的輸入包括降水、風(fēng)速、氣溫等氣象要素以及土壤、植被及地形等陸地表面參數(shù)集，更具體描述見參考文獻(xiàn)［15］。

2.3 統(tǒng)計(jì)評(píng)估指標(biāo)

為了定量分析多源遙感降水產(chǎn)品的精度，本研究采用了多種統(tǒng)計(jì)指標(biāo)，各類指標(biāo)的計(jì)算公式如表2所示。相關(guān)系數(shù)（CC）反映了待評(píng)估降雨產(chǎn)品和實(shí)測(cè)降雨之間的線性相關(guān)程度；均方根誤差（RMSE）反映兩者之間的平均誤差，并通過平方的形式給予了較大誤差更高的權(quán)重；平均誤差（BIAS）反映了降雨產(chǎn)品系統(tǒng)誤差的相對(duì)程度。探測(cè)率、誤報(bào)率和臨界成功指數(shù)3 個(gè)評(píng)估指標(biāo)（POD，F(xiàn)AR和CSI）則用來評(píng)估降雨產(chǎn)品對(duì)降雨事件預(yù)測(cè)的準(zhǔn)確性，POD描述了衛(wèi)星能夠正確觀測(cè)到降水的比例，F(xiàn)AR 描述了衛(wèi)星錯(cuò)誤觀測(cè)到降水的比例，CSI是一個(gè)更綜合的指標(biāo)可以由POD和FAR計(jì)算得出。納西效率系數(shù)（Nash-Sutcliffe Coefficient of Efficiency，NSCE）常被用于評(píng)估水文模擬的精度。如表3所示，本研究中降雨的閾值設(shè)定為1.0 mm/d，即超過閾值的數(shù)據(jù)視作有降雨，小于閾值的數(shù)據(jù)視作無降雨［4］。此外，泰勒?qǐng)D（Taylor Diagram）是被廣泛應(yīng)用于模式預(yù)報(bào)能力評(píng)估和檢驗(yàn)的方法，相關(guān)系數(shù)、均方根偏差和標(biāo)準(zhǔn)差都可以在一張二維圖上顯示［17］。

表2 衛(wèi)星降水和水文模擬精度評(píng)估中使用的數(shù)學(xué)統(tǒng)計(jì)指標(biāo)

表3 衛(wèi)星降水量與基準(zhǔn)降水量列聯(lián)表

3 結(jié)果和討論

3.1 多源降水產(chǎn)品的統(tǒng)計(jì)精度評(píng)估

首先采用地面觀測(cè)數(shù)據(jù)CPC-U 作為真實(shí)降雨，在日尺度上對(duì)2002-2013年NLDAS2、Stage IV、TMPARP、TMPART 和IMERG 多源遙感降水產(chǎn)品的6 種評(píng)估指標(biāo)進(jìn)行計(jì)算，并進(jìn)行線性相關(guān)擬合，結(jié)果如表4和圖2所示。NLDAS2 和Stage IV 降水產(chǎn)品能很好地捕捉降水事件（POD值分別為0.74 和0.7，F(xiàn)AR分別為0.2和0.3），與CPC-U具有良好的一致性（CC值分別為0.77和0.83，BIAS值分別為2.1%和-0.21%，RMSE值分別為3.41 和3.53 mm），表明多源降水?dāng)?shù)據(jù)融合產(chǎn)品NLDAS2 具有更高的精度；其次是IMERG 和TMPARP（CC值均為0.63），且IMERG 略優(yōu)于TMPARP（BIAS值分別為12.01%和15.37%，RMSE值分別為5.2 和5.34 mm，POD值分別為0.65 和0.61），表明準(zhǔn)實(shí)時(shí)IMERG產(chǎn)品較上一代TMPARP 有效地提高了降水探測(cè)能力，但其探測(cè)降水事件的敏感性還需進(jìn)一步調(diào)整（FAR值分別為0.39 和0.38）；而TMPART 表現(xiàn)相對(duì)較差，CC、BIAS、RMSE和FAR值分別為0.58、38.76%、6.51 mm和0.42，出現(xiàn)了明顯的高估。

表4 Iowa-Cedar流域的2002-2013年逐日降水?dāng)?shù)據(jù)時(shí)序精度統(tǒng)計(jì)指標(biāo)

圖2 5種多源降水?dāng)?shù)據(jù)產(chǎn)品與CPC-U降水?dāng)?shù)據(jù)的散點(diǎn)圖

為了更加直觀的評(píng)估5 種遙感降產(chǎn)品的精度，采用泰勒?qǐng)D（如圖3）進(jìn)行比較分析，當(dāng)模式模擬結(jié)果與觀測(cè)值較一致時(shí)，模式點(diǎn)越接近x軸中的觀測(cè)點(diǎn)，這類模式與觀測(cè)具有高的相關(guān)性，標(biāo)準(zhǔn)差與均方根誤差越小。由圖3可知，5 種多源遙感降水產(chǎn)品相對(duì)于CPC-U 的精度從高到低依次是NLDAS2、Stage IV、IMERG、TMPARP及TMPART。

3.2 多源降水產(chǎn)品的水文效用評(píng)估

首先采用4年（1998年1月1日-2001年12月31日）降水?dāng)?shù)據(jù)對(duì)分布式水文模型DRIVE 進(jìn)行預(yù)熱，得到初始化條件，便于2002-2013年長(zhǎng)時(shí)間序列的水文過程模擬。因?yàn)閃u 等［16］已有研究結(jié)果表明，DRIVE 模型的參數(shù)設(shè)置在Iowa-Cedar 研究流域的效果良好，對(duì)DRIVE 模型進(jìn)行系統(tǒng)性率定也不是本研究的重點(diǎn)內(nèi)容，故不再重復(fù)對(duì)模型率定。

分別采用6 種多源降水?dāng)?shù)據(jù)產(chǎn)品驅(qū)動(dòng)DRIVE 模型得到2002-2013年逐日徑流模擬結(jié)果，如表5和圖3所示。NLDAS2的水文模擬 結(jié)果最好（NSCE、BIAS、CC和RMSE值分別為0.81、-20.82%、0.92 和144.28 m3/s），其次是CPC-U 和Stage IV（NSCE值分別為0.8 和0.79，BIAS值分別為-12.31% 和-10.05%，CC值分別是0.91 和0.9，RMSE值分別是150 和155.26 m3/s），表明Stage IV 具有較好的水文模擬效果，BIAS 比CPC-U有所降低，也與3.1 節(jié)中降水評(píng)估的結(jié)果相一致。雖然IMERG降水精度評(píng)估略優(yōu)于TMPARP，但后者的水文模擬結(jié)果優(yōu)于前者（TMPARP/IMERG：NSCE=0.63/0.46，BIAS=32.02%/25.22%，CC=0.87/0.82，RMSE=205.79/247.95 m3/s），該研究結(jié)果與目前已有相關(guān)研究結(jié)果相一致［12］。相比之下，TMPART 的水文模擬效果明顯較差（NSCE、BIAS、CC和RMSE值分別為-1.09、97.2%、0.67 和486.8 m3/s），也說明融合了地面站數(shù)據(jù)的TMPARP 更適合于水文模擬應(yīng)用。

圖3 5種多源降水?dāng)?shù)據(jù)產(chǎn)品與CPC-U的泰勒?qǐng)D

表5 2002-2013年不同降水?dāng)?shù)據(jù)驅(qū)動(dòng)的徑流模擬結(jié)果比較

總體而言，NLDAS2、Stage IV 和TMPARP 產(chǎn)品在美國(guó)典型洪水多發(fā)的中型流域的水文效用較好，偏差處于可接受范圍內(nèi)，能夠在一定程度上可替代地面雨量站點(diǎn)觀測(cè)，可服務(wù)于流域水資源管理、暴雨洪水監(jiān)測(cè)等，并對(duì)中國(guó)范圍內(nèi)尤其是洪水多發(fā)地區(qū)的應(yīng)用推廣具有重要的參考價(jià)值。

4 結(jié) 論

隨著全球高分辨率高精度遙感技術(shù)和數(shù)據(jù)反演算法的不斷發(fā)展，遙感降水?dāng)?shù)據(jù)產(chǎn)品的應(yīng)用是未來流域水文研究和模擬的必然選擇，尤其是在無或缺測(cè)資料地區(qū)［18］。因此，本研究以Iowa-Cedar 中型流域?yàn)槔?，?002-2013年日尺度上，基于地面雨量站降水?dāng)?shù)據(jù)CPC-U 定量評(píng)估了5 種多源遙感降水產(chǎn)品（NLDAS2、Stage IV、TMPARP、TMPART 和IMERG）的精度，并通過遙感降水產(chǎn)品驅(qū)動(dòng)分布式水文模型DRIVE 進(jìn)行水文效用評(píng)估，主要研究結(jié)論如下：①在遙感降水統(tǒng)計(jì)評(píng)估方面，與CPC-U雨量站觀測(cè)降水非常接近的遙感降水產(chǎn)品排名依次是NLDAS2、Stage IV、IMERG、TMPARP、TMPART，在整個(gè)流域上偏差較小，相關(guān)系數(shù)較高，降水的發(fā)生頻率也相近；②在水文模擬的應(yīng)用評(píng)估方面，NLDAS2、Stage IV 和TMPARP 表現(xiàn)效果最好（NSCE分別為0.82、0.79和0.63），而IMERG和3B42RT表現(xiàn)較差（NSCE分別為0.46 和-1.09）。整體而言，NLDAS2、Stage IV 和TMPARP降水?dāng)?shù)據(jù)融合產(chǎn)品更適合于水文模擬應(yīng)用及推廣。□

圖4 多源降水產(chǎn)品驅(qū)動(dòng)水文模型模擬結(jié)果