程 東，劉榮華，翟曉燕，趙 宇，劉 瀟

(1.中國水利水電科學(xué)研究院，北京 100038；2.水利部防洪抗旱減災(zāi)工程技術(shù)研究中心，北京 100038)

1 研究背景

山洪在我國主要指山丘區(qū)由短歷時強(qiáng)降雨誘發(fā)的急漲急落的中小河流洪水[1]。山洪災(zāi)害多發(fā)于山丘區(qū)中小河流，山丘區(qū)坡降大，山丘間溪河分布密集，降雨發(fā)生后匯流時間短，迅速轉(zhuǎn)化為流速較大的徑流，一般降雨發(fā)生后幾個小時內(nèi)即產(chǎn)生洪水。由于洪水水量集中、漲水快、其中夾雜著泥石，沖擊破壞力大，洪水過后常造成人員傷亡，毀壞居住地和基礎(chǔ)設(shè)施，甚至可能導(dǎo)致水庫、山塘等水利工程潰壩，是一種毀滅性災(zāi)害[2-4]。1949—2015年間，我國山洪災(zāi)害造成的直接經(jīng)濟(jì)損失高達(dá)17.2萬億元[5]。我國氣候特征多樣、地形條件復(fù)雜、暴雨頻次高，山洪災(zāi)害頻發(fā)，已成為世界上山洪災(zāi)害嚴(yán)重的國家之一[6]。及時有效的預(yù)警是決定山洪災(zāi)害防控的關(guān)鍵，國內(nèi)外學(xué)者已圍繞山洪災(zāi)害預(yù)警問題進(jìn)行了大量的研究。臨界雨量是國內(nèi)外采用最廣泛的山洪災(zāi)害預(yù)警指標(biāo)之一[7-10]，有很多學(xué)者提出了一系列關(guān)于臨界雨量的研究方法。施征等[11]基于HEC-HMS分布式水文模型運用水位流量反推法綜合確定山洪雨量預(yù)警指標(biāo)。趙龍等[12]基于隨機(jī)森林回歸算法構(gòu)建山洪災(zāi)害臨界雨量預(yù)估模型。賀拿等[13]運用災(zāi)害實例調(diào)查法和頻率法對臨界雨量進(jìn)行了實驗探究。張玉昶等[14]基于混合Copula函數(shù)風(fēng)險組合研究了臨界雨量的降雨量和峰值雨強(qiáng)的聯(lián)合分布狀況。上述研究多為針對靜態(tài)預(yù)警指標(biāo)的研究，推求的臨界雨量為定值，未考慮前期影響雨量、土壤含水量、上游產(chǎn)匯流、暴雨洪水特征等實時動態(tài)因素的影響。如何有效提高山洪災(zāi)害監(jiān)測預(yù)報預(yù)警精度，延長山洪災(zāi)害預(yù)警預(yù)見期，降低生命財產(chǎn)安全風(fēng)險是山洪災(zāi)害防治的重要任務(wù)之一。目前我國山洪災(zāi)害監(jiān)測預(yù)警技術(shù)方面雖有長足進(jìn)步，但仍然存在一定不足，精確預(yù)報預(yù)警等關(guān)鍵技術(shù)難題仍需進(jìn)一步突破等[5，15-16]。為總結(jié)山洪災(zāi)害監(jiān)測預(yù)警系統(tǒng)的建設(shè)經(jīng)驗，集成應(yīng)用山洪災(zāi)害調(diào)查評價成果，提高監(jiān)測預(yù)報預(yù)警精準(zhǔn)度，結(jié)合信息技術(shù)發(fā)展的新趨勢，在預(yù)警模式和技術(shù)方法上進(jìn)行升級和規(guī)范，實現(xiàn)山洪災(zāi)害精細(xì)化動態(tài)預(yù)警，進(jìn)一步提升山洪災(zāi)害監(jiān)測預(yù)報預(yù)警水平，增強(qiáng)山洪災(zāi)害防御能力[17-18]。

江西省地處東亞季風(fēng)區(qū)，地形地質(zhì)條件復(fù)雜，山丘區(qū)范圍大，特殊氣候條件和降水時空分布不均，極易形成局部強(qiáng)降雨，導(dǎo)致山洪災(zāi)害頻發(fā)。 全國山洪災(zāi)害調(diào)查評價結(jié)果顯示，江西是長江中下游山洪災(zāi)害嚴(yán)重的省份之一，東河流域所在的浮梁縣段是江西省山洪災(zāi)害防治縣之一。本文以江西省東河流域為例，充分利用山洪災(zāi)害調(diào)查評價成果、水文氣象數(shù)據(jù)等信息源，綜合考慮小流域前期影響雨量、土壤濕度變化、上游產(chǎn)匯流過程和暴雨洪水特征等變化，以小流域為單元，分析小流域暴雨洪水特征以及土壤水分運移機(jī)制，結(jié)合設(shè)計暴雨洪水實時反算，利用成災(zāi)水位反推防災(zāi)對象不同土濕和典型預(yù)警時段長的動態(tài)臨界雨量變化趨勢，實時分析確定不同前期降雨或土壤含水量狀態(tài)下的動態(tài)預(yù)警指標(biāo)，并生成山洪災(zāi)害防治區(qū)實時土壤含水量和山洪災(zāi)害實時動態(tài)預(yù)警指標(biāo)成果[9，19-23]。同時以流域內(nèi)南泊村典型災(zāi)害事件為例，詳細(xì)介紹了該小流域典型防災(zāi)對象動態(tài)預(yù)警指標(biāo)分析過程和動態(tài)預(yù)警指標(biāo)應(yīng)用效果。計算分析結(jié)果表明，基于雨量預(yù)警指標(biāo)的實時動態(tài)預(yù)警結(jié)果相比原山洪災(zāi)害調(diào)查評價中靜態(tài)預(yù)警指標(biāo)結(jié)果提前1～2 h預(yù)警，有效延長了預(yù)警預(yù)見期。

2 研究區(qū)域概況及數(shù)據(jù)源

研究區(qū)位于江西省東北部(圖1)，屬于江西省東河流域，研究區(qū)面積465 km2，該地區(qū)地形地質(zhì)條件復(fù)雜，地勢東高西低，氣候濕潤，屬于亞熱帶季風(fēng)性氣候，降雨量充沛，年內(nèi)分配不均，主汛期4—6月降雨量占全年總雨量的60%以上，研究區(qū)內(nèi)可觀測水位、流量、降雨的水文站共有2個。研究區(qū)內(nèi)山洪災(zāi)害頻發(fā)，共有41個山洪災(zāi)害防治村。

圖1 研究區(qū)概況Fig.1 Overview of the study area

以發(fā)生的山洪災(zāi)害事件為例，介紹預(yù)警指標(biāo)實時動態(tài)分析過程及動態(tài)預(yù)警指標(biāo)應(yīng)用效果。2020年7月7日至9日，東河流域范圍內(nèi)普降暴雨，過程降雨量最大的為竹嶺站519 mm，其次為梅嶺站496.5 mm，再次為鳳坑站485 mm；1小時最大降雨量為深渡站的64 mm，3小時最大降雨量為竹嶺站的130.5 mm，6小時最大降雨量為瑤里站的184 mm，12小時最大降雨量為竹嶺站的292.5 mm，24小時最大降雨量為竹嶺站的372 mm，3天最大降雨量為竹嶺站的495 mm，深渡水文站記錄的場次洪水最高水位50.96 m，對應(yīng)的洪峰流量為1930 m3/s。本場洪水在流域內(nèi)造成了較大的經(jīng)濟(jì)損失。研究防災(zāi)對象——南泊村-河?xùn)|自然村位于研究區(qū)域中上游(如圖2)，南泊村-河?xùn)|自然村于2020年7月8日發(fā)生山洪災(zāi)害，村莊部分房屋受淹較為嚴(yán)重，7月7日至9日期間，以南泊村-河?xùn)|自然村及上游流域作為本次災(zāi)害事件防災(zāi)對象的研究區(qū)，研究區(qū)域內(nèi)梅嶺站過程累積降雨最大，達(dá)496.5 mm，其次為鳳坑站，達(dá)485 mm；此外，瑤里站6小時累積降雨量最大，達(dá)184 mm。

圖2 南泊村-河?xùn)|自然村所在位置及上游影響Fig.2 Location of Nanpo Village-Hedong Natural Village figure and upstream influences

收集的數(shù)據(jù)包括基礎(chǔ)空間地理信息數(shù)據(jù)、山洪災(zāi)害調(diào)查評價成果數(shù)據(jù)以及水文氣象數(shù)據(jù)等?；A(chǔ)空間地理信息數(shù)據(jù)主要用來提取流域的下墊面以及劃分小流域，主要包括數(shù)字高程模型、水系(1∶10000)、土地利用類型(1∶250000)等，均來自于國家基礎(chǔ)地理信息中心；山洪災(zāi)害調(diào)查評價成果數(shù)據(jù)包括山洪災(zāi)害防治村的臨界雨量、現(xiàn)有雨量預(yù)警指標(biāo)、5～100年一遇設(shè)計暴雨、5～100年一遇設(shè)計洪水、山洪災(zāi)害現(xiàn)狀防洪能力(即防治村成災(zāi)水位對應(yīng)流量的重現(xiàn)期)等，均來自于全國山洪災(zāi)害調(diào)查報告。水文氣象數(shù)據(jù)包括場次雨洪數(shù)據(jù)、土壤含水量數(shù)據(jù)等，均來自于江西省水利廳。

3 研究方法

3.1 分布式水文模型

3.1.1 中國山洪水文模型 中國山洪水文模型(China Flash Flood Hydrological Model，CNFF)是由中國水利水電科學(xué)研究院自主研發(fā)的具有物理機(jī)制的分布式水文模型，已廣泛用于我國中小流域的暴雨洪水分析和山洪災(zāi)害預(yù)報預(yù)警[24-27]。通過小流域、河段、節(jié)點、分水、水源、洼地和水庫等7類水文元素概化研究流域，以小流域為基本計算單元，基本計算單元內(nèi)的氣象條件和下墊面分布基本一致，采用模塊化建模技術(shù)構(gòu)建流域分布式水文模型，進(jìn)行產(chǎn)匯流、河道演進(jìn)和水庫調(diào)蓄計算。

3.1.2 模型構(gòu)建 采用適用于濕潤地區(qū)的新安江三水源蓄滿產(chǎn)流法進(jìn)行產(chǎn)流計算和土濕計算，采用分布式單位線法和線性水庫調(diào)蓄法進(jìn)行坡面匯流計算，研究區(qū)小流域單位線如圖3，采用動態(tài)馬斯京根法進(jìn)行河道洪水演進(jìn)計算[24-25]。坡面流流速和徑流匯集時間計算公式如式(1)：

圖3 研究區(qū)典型小流域不同雨強(qiáng)下的單位線Fig.3 Unit hydrograph of a typical small watershed in the study area under different rainfall intensities

(1)

3.1.3 模型評估 采用徑流深相對誤差(Rre)、洪峰相對誤差(Rqe)、峰現(xiàn)時差(Te)及Nash—Sutcliffe效率系數(shù)(NSE)四個指標(biāo)評估山洪模擬精度。Rre、Rqe和Te的最優(yōu)值均為0，NSE的最優(yōu)值為1。在模型評估中，當(dāng)Rre和Rqe的絕對值在20%以內(nèi)，Te的絕對值在2.5 h以內(nèi)，NSE的值在0.6以上時，我們認(rèn)為模擬結(jié)果為合格。各指標(biāo)的計算公式如下：

(2)

(3)

Te=Ts-To

(4)

(5)

3.2 指標(biāo)構(gòu)建方法實時動態(tài)雨量預(yù)警指標(biāo)采用調(diào)查評價成果中山洪災(zāi)害防治村的成災(zāi)水位和設(shè)計暴雨洪水反推臨界雨量的分析計算方法確定。根據(jù)成災(zāi)水位/流量利用曼寧公式或水位流量關(guān)系推算出達(dá)到不同預(yù)警等級時，對應(yīng)的流量閾值，再根據(jù)設(shè)計暴雨洪水計算方法和典型暴雨時程分布，充分考慮土壤含水量的動態(tài)變化的影響，反算設(shè)計洪水洪峰達(dá)到各預(yù)警等級的流量閾值時，各個預(yù)警時段對應(yīng)的雨量值，即為防災(zāi)對象的動態(tài)臨界雨量。最后根據(jù)動態(tài)臨界雨量和預(yù)警響應(yīng)時間綜合確定動態(tài)雨量預(yù)警指標(biāo)，并分析成果的合理性。具體分析方法如下：

(1)確定預(yù)警等級及預(yù)警基準(zhǔn)指標(biāo)選取。預(yù)警等級可分為“關(guān)注、警戒、危險、極危險”四個等級，其中，關(guān)注用于提示各級防汛人員加強(qiáng)值班值守，密切關(guān)注降雨及河道水勢變化；警戒表示按照當(dāng)前降雨或洪水的趨勢可能成災(zāi)，可對基層防汛人員發(fā)出“準(zhǔn)備轉(zhuǎn)移”的建議；危險表示當(dāng)前降雨或洪水造成災(zāi)害的可能性較大，可發(fā)出“立即轉(zhuǎn)移”的指令建議；極危險表示當(dāng)前降雨或洪水造成災(zāi)害的可能性很大，且情況緊急，可發(fā)出“立即轉(zhuǎn)移”的指令建議，并做好搶險救援的準(zhǔn)備。

(2)確定防災(zāi)對象預(yù)警時段。預(yù)警時段指雨量預(yù)警指標(biāo)中采用的最典型的降雨歷時。根據(jù)防災(zāi)對象所在地區(qū)暴雨特性、流域面積大小、平均比降、形狀系數(shù)、下墊面情況等因素確定小流域匯流時間，匯流時間即為最長預(yù)警時段；充分參考前期基礎(chǔ)工作成果的流域單位線信息，結(jié)合流域暴雨、下墊面特性以及歷史山洪情況，綜合分析沿河村落、集鎮(zhèn)、城鎮(zhèn)等防災(zāi)對象所處河段的河谷形態(tài)、洪水上漲速率、轉(zhuǎn)移時間及其影響人口等因素后，確定各防災(zāi)對象比匯流時間小的各個短歷時典型預(yù)警時段，從最小預(yù)警時段直到流域匯流時間即為防災(zāi)對象預(yù)警時段，本文防災(zāi)對象預(yù)警指標(biāo)分析時段長采用1、2、3、6小時。

(3)確定防災(zāi)對象臨界雨量如圖4?；谡{(diào)查評價成果中山洪災(zāi)害防治村的成災(zāi)水位/流量，以實時降雨為輸入，結(jié)合中國山洪水文模型(CNFF)產(chǎn)流模塊輸出的實時土壤含水量，選用設(shè)計暴雨洪水實時反算分析方法，實時動態(tài)確定防災(zāi)對象不同土壤濕度Wm下(0.2Wm～1.0Wm)標(biāo)準(zhǔn)歷時(1、2、3、6 h)的動態(tài)臨界雨量。

圖4 臨界雨量分析示意圖Fig.4 Schematic diagram of critical rainfall analysis

(4)確定防災(zāi)對象預(yù)警指標(biāo)?？紤]防災(zāi)對象所處小流域特征、產(chǎn)匯流特性(預(yù)警響應(yīng)時間)、溝道形態(tài)、洪水特性和監(jiān)測站點位置等因素，基于不同土壤含水量下的各時段臨界雨量值，綜合分析確定預(yù)警指標(biāo)。

4 結(jié)果與應(yīng)用效果分析

4.1 模型率定及驗證東河流域共劃分了37個小流域，小流域面積為0.11～29.8 km2，選取了流域的40場雨洪過程進(jìn)行模型參數(shù)率定檢驗，其中前28場雨洪過程用作模型參數(shù)率定，后12場雨洪過程用作模型檢驗。率定期與驗證期的部分場次雨洪過程如圖5所示。研究區(qū)率定期平均徑流深相對誤差為9.45%，平均洪峰流量相對誤差為13.87%，平均洪峰時間相對誤差為1.3 h，平均Nash-Sutcliffe效率系數(shù)為0.76。驗證期各指標(biāo)平均值分別為8.42%、13.2%、1.3 h和0.80?？傮w來看，場次雨洪模擬結(jié)果合格率在90%以上，CNFF能準(zhǔn)確模擬場次雨洪響應(yīng)過程，在該研究區(qū)具有良好的適用性。

圖5 研究區(qū)率定期與驗證期實測與模擬雨洪過程Fig.5 Observed and simulated rainfall-runoff processes during the calibration and validation periods in the study area

4.2 動態(tài)預(yù)警指標(biāo)的動態(tài)變化以南泊村為例，展示1 h、2 h、3 h、6 h四個預(yù)警時段0.2Wm～1.0Wm土濕情況的動態(tài)預(yù)警指標(biāo)如圖6。

圖6 預(yù)警指標(biāo)動態(tài)變化Fig.6 Dynamic changes of warning indicators

4.3 動態(tài)預(yù)警指標(biāo)應(yīng)用效果分析

4.3.1 模型構(gòu)建及土濕分析 針對受災(zāi)區(qū)域，結(jié)合各防災(zāi)對象的實時動態(tài)雨量預(yù)警指標(biāo)，基于CNFF分布式水文模型反演2020年7月8日的土壤濕度變化過程。流域總面積為157.71 km2，劃分了個13小流域，小流域平均面積為12.13 km2。流域內(nèi)有7座雨量站，收集了流域內(nèi)6座雨量站降雨資料。

防災(zāi)對象上游流域災(zāi)害時段的降雨過程如圖7所示。防災(zāi)對象所在流域在7月8日14時至18時的降雨和土濕逐小時變化過程如圖8—圖11所示。

圖7 南泊村-河?xùn)|自然村上游流域降雨過程Fig.7 Rainfall process in the upstream watershed of Nanpo Village and Hedong Natural Village

圖8 7月2日9時小流域降雨和土壤濕度分布Fig.8 Rainfall distribution(left)and soil moisture distribution(right)in the small watershed at 9：00 on July 2nd

圖9 7月8日3時小流域降雨和土壤濕度分布Fig.9 Rainfall distribution(left)and soil moisture distribution(right)in the small watershed at 3：00 on July 8th

圖10 7月8日14時小流域降雨和土壤濕度分布Fig.10 Rainfall Distribution(left)and Soil Moisture Distribution(right)in the Small Watershed at 14：00 on July 8th

圖11 7月8日17時小流域降雨和土壤濕度分布Fig.11 Rainfall distribution(left)and soil moisture distribution(right)in the small watershed at 17∶00 on July 8th

4.3.2 預(yù)警指標(biāo)及動態(tài)預(yù)警效果 以南泊村-河?xùn)|自然村為例，說明本次山洪災(zāi)害事件的動態(tài)雨量預(yù)警過程。各防災(zāi)對象分析評價的臨界雨量和預(yù)警指標(biāo)如表1和表2所示。

表1 典型防災(zāi)對象典型土壤濕度下臨界雨量成果

表2 防災(zāi)對象災(zāi)害時段內(nèi)靜態(tài)預(yù)警與動態(tài)預(yù)警結(jié)果

本次分析以雨量站實測降雨量為預(yù)警信息源，采用調(diào)查評價雨量預(yù)警指標(biāo)分析時，南泊村-河?xùn)|自然村上游流域3小時面雨量在7月8日18時達(dá)到準(zhǔn)備轉(zhuǎn)移預(yù)警等級。采用動態(tài)雨量預(yù)警指標(biāo)分析時，上游流域3小時面雨量在7月8日15時達(dá)到關(guān)注預(yù)警等級，17時達(dá)到警戒(準(zhǔn)備轉(zhuǎn)移)預(yù)警等級；上游流域6小時面雨量在7月8日14時達(dá)到關(guān)注預(yù)警等級，16時達(dá)到警戒(準(zhǔn)備轉(zhuǎn)移)預(yù)警等級，17時達(dá)到危險(立即轉(zhuǎn)移)預(yù)警等級。

綜合分析可知，基于本次分析的實時動態(tài)雨量預(yù)警指標(biāo)，南泊村-河?xùn)|自然村的3小時動態(tài)預(yù)警指標(biāo)在7月8日17時達(dá)到警戒預(yù)警等級，比靜態(tài)預(yù)警指標(biāo)提前1小時產(chǎn)生準(zhǔn)備轉(zhuǎn)移預(yù)警。6小時動態(tài)預(yù)警指標(biāo)在7月8日16時達(dá)到警戒預(yù)警等級，比靜態(tài)預(yù)警指標(biāo)提前2小時產(chǎn)生準(zhǔn)備轉(zhuǎn)移預(yù)警，同時基于靜態(tài)預(yù)警指標(biāo)未達(dá)危險預(yù)警，而動態(tài)預(yù)警指標(biāo)產(chǎn)生危險預(yù)警，動態(tài)指標(biāo)預(yù)警等級高于靜態(tài)指標(biāo)預(yù)警等級。這主要是由于南泊村-河?xùn)|自然村位于流域下游，動態(tài)雨量預(yù)警指標(biāo)考慮了上游流域降雨過程的影響，有效延長了預(yù)警預(yù)見期，可為人員轉(zhuǎn)移決策爭取更多的時間。

5 結(jié)論

本文基于中國山洪水文模型進(jìn)行了小流域預(yù)警指標(biāo)實時動態(tài)分析方法的研究和應(yīng)用。以東河流域為例，評估了動態(tài)預(yù)警指標(biāo)的合理性和準(zhǔn)確性，研究的主要結(jié)論如下：

(1)基于中國山洪水文模型選取了研究流域的40場雨洪過程進(jìn)行模型的參數(shù)率定檢驗，率定期和驗證期的平均徑流深相對誤差和洪峰流量相對誤差均在15%以內(nèi)，平均洪峰時間相對誤差在1.5 h以內(nèi)，平均Nash-Sutcliffe效率系數(shù)分別為0.76和0.8，場次雨洪模擬結(jié)果合格率在90%以上，表明該模型能較為準(zhǔn)確模擬東河流域場次雨洪響應(yīng)過程，在該研究區(qū)具有良好的適用性。

(2)實時動態(tài)預(yù)警指標(biāo)是通過對山洪災(zāi)害防治村的成災(zāi)水位和設(shè)計暴雨洪水反推不同預(yù)警時段在不同土壤濕度下的臨界雨量，從而獲得關(guān)注、警戒、危險、極危險四個預(yù)警等級對應(yīng)的雨量預(yù)警指標(biāo)。相比靜態(tài)預(yù)警指標(biāo)，動態(tài)預(yù)警指標(biāo)充分考慮了小流域暴雨洪水特征、前期降雨、上游產(chǎn)匯流過程以及土壤濕度動態(tài)變化等因素對臨界雨量的影響。

(3)以典型防災(zāi)對象南泊村-河?xùn)|自然村2020年7月7日至9日發(fā)生的山洪災(zāi)害事件為例，介紹動態(tài)預(yù)警指標(biāo)分析過程及動態(tài)預(yù)警指標(biāo)應(yīng)用效果。分析證明南泊村3小時實時動態(tài)預(yù)警指標(biāo)在7月8日17時達(dá)到警戒預(yù)警等級，比靜態(tài)預(yù)警指標(biāo)提前1小時產(chǎn)生準(zhǔn)備轉(zhuǎn)移預(yù)警，6小時動態(tài)預(yù)警在7月8日16時達(dá)到警戒預(yù)警等級，比調(diào)查評價中的靜態(tài)預(yù)警指標(biāo)提前2小時產(chǎn)生準(zhǔn)備轉(zhuǎn)移預(yù)警，同時基于靜態(tài)預(yù)警指標(biāo)未達(dá)危險預(yù)警，而動態(tài)預(yù)警指標(biāo)產(chǎn)生危險預(yù)警，動態(tài)指標(biāo)預(yù)警等級高于靜態(tài)指標(biāo)預(yù)警等級，有效延長了預(yù)見期。