郭晨煜,呂海深,朱永華,汪 翔

(1.河海大學(xué)水文水資源與水利工程科學(xué)國家重點實驗室,江蘇 南京 210098; 2.河海大學(xué)水文水資源學(xué)院,江蘇 南京 210098)

隨著3S技術(shù)的發(fā)展,分布式水文模型發(fā)展迅速,現(xiàn)已廣泛用于水文領(lǐng)域研究。與傳統(tǒng)的集總式模型相比,分布式模型將流域劃分成若干小網(wǎng)格,考慮了氣候和下墊面條件的空間異質(zhì)性[1-5]。由于網(wǎng)格化特性,分布式水文模型能更詳細(xì)、更準(zhǔn)確地模擬流域水文過程,但同時也伴隨著模型參數(shù)相對繁雜、參數(shù)率定框架難以建立、計算成本較高等問題。

WRF-Hydro模型是2013年以美國國家大氣研究中心(NCAR)為主導(dǎo)、多個國家參與研發(fā)的基于物理過程的網(wǎng)格化分布式水文模型,是基于Noah/Noah-MP陸面模型的水文拓展模塊[6-7]。WRF-Hydro模型主要包括大尺度的陸面模塊和小尺度的河道匯流模塊,其中,大尺度的陸面模塊有Noah和Noah-MP兩種陸面模型可供選擇;河道匯流模塊包括壤中匯流、地表匯流、地下徑流和河道匯流等子模塊。WRF-Hydro模型不僅可以單獨模擬多尺度洪水預(yù)報過程線,還可以與水資源管理、水質(zhì)預(yù)測等其他模型或模塊耦合[8-9]。

WRF-Hydro模型涉及參數(shù)眾多,但并非每個參數(shù)對模型的模擬結(jié)果都具有顯著影響。因此,對WRF-Hydro模型的參數(shù)進(jìn)行敏感性分析很有必要。參數(shù)敏感性分析有助于識別對WRF-Hydro模型輸出影響顯著的參數(shù)和不敏感參數(shù),降低模型參數(shù)維度,減少模型參數(shù)不確定性[10-13]。近年來,已有學(xué)者對WRF-Hydro模型的部分參數(shù)進(jìn)行了敏感性分析。例如:Ryu等[14]通過一次變化一個因子(one-factor-at-a-time,OAT)方法不等步長地對WRF-Hydro模型的入滲系數(shù)(REFKDT)、地表持水深度乘子(RETDEPRTFAC)、地表糙率乘子(OVROUGHRTFAC)、河道曼寧糙率乘子(MANNFAC)4個參數(shù)依次進(jìn)行擾動,進(jìn)行敏感性分析,得出REFKDT是最敏感的參數(shù);Liu等[15]在中國半濕潤半干旱地區(qū),以合適的參數(shù)組合驅(qū)動WRF-Hydro模型,對比參數(shù)調(diào)整導(dǎo)致的洪量和峰現(xiàn)時間的變化,同樣對這4個參數(shù)進(jìn)行敏感性分析,得出REFKDT和MANNFAC是4個參數(shù)中最敏感的參數(shù);李致家等[16]通過等步長地依次對WRF-Hydro的土層厚度乘子(ZSOILFAC)、水箱模型指數(shù)(GWEXP)、REFKDT、RETDEPRTFAC、OVROUGHRTFAC、MANNFAC 6個參數(shù)進(jìn)行擾動,進(jìn)行定性的敏感性分析,同時使用修正Morris篩選法進(jìn)行定量局部敏感性分析,提出WRF-Hydro模型在中國半濕潤地區(qū)的陳河流域應(yīng)用時,ZSOILFAC、REFKDT、MANNFAC為敏感參數(shù)。

現(xiàn)有研究對WRF-Hydro模型進(jìn)行參數(shù)敏感性分析采用的方法都是局部敏感性分析方法。2020年,Fersch等[17]用拉丁超立方-OAT(LH-OAT)方法對WRF-Hydro模型的8個參數(shù)進(jìn)行了全局敏感性分析,得出WRF-Hydro模型在德國巴伐利亞州應(yīng)用時,8個參數(shù)中只有水箱模型初始水量(ZINIT)為不敏感參數(shù),其他7個參數(shù)均為敏感參數(shù)。目前我國對WRF-Hydro模型參數(shù)的全局敏感性的研究不夠充分,缺乏關(guān)于匯流網(wǎng)格分辨率對參數(shù)敏感性的探討[18],與WRF-Hydro模型相關(guān)的研究多在濕潤半濕潤地區(qū)進(jìn)行,為此,本文基于LH-OAT方法,研究使用不同評價指標(biāo)和不同空間分辨率匯流演算網(wǎng)格時,WRF-Hydro模型主要參數(shù)在河西內(nèi)陸河流域的敏感性,并對WRF-Hydro模型主要參數(shù)進(jìn)行敏感度分級,探究不同評價指標(biāo)和空間分辨率對參數(shù)敏感性的影響。

1 研究區(qū)與研究方法

1.1 研究區(qū)概況

以河西地區(qū)內(nèi)陸河水系的西營河流域為研究對象,西營河流域地處武威市西南部,流經(jīng)肅南區(qū)和涼州區(qū),是石羊河八大支流中最大的一級支流,流域面積1455km2,河道長度76.7km,河道坡降28.2‰。該流域徑流資源豐富,年徑流量達(dá)3.79億m3,多年平均流量達(dá)12m3/s,多年最大洪水流量472m3/s,最小洪水流量0.62m3/s。西營河流域降雨多集中在6—9月,占全年降水量的69%,容易形成洪水。西營河發(fā)源于祁連山脈東段的冷龍嶺和卡洼掌,東北流匯入響水河,在流域的出山口附近設(shè)有九條嶺水文站(102°03′E,37°52′N)[19-20]。

選取九條嶺水文站控制的西營河流域(圖1)為研究區(qū)域,流域面積1077km2,屬高寒半干旱氣候[21],占西營河總流域面積的74.02%。研究區(qū)域海拔較高,地形陡峭;植被較好,水土流失輕微,土壤的持水性和透水量較大,土壤和植被滯蓄能力較強(qiáng);河道分叉,滲漏嚴(yán)重,時常發(fā)生斷流。

圖1 西營河流域及河網(wǎng)分級示意圖

1.2 數(shù)據(jù)來源

研究使用的數(shù)據(jù)包括氣象驅(qū)動數(shù)據(jù)、靜態(tài)地理數(shù)據(jù)、DEM數(shù)據(jù)和實測洪水要素。氣象驅(qū)動數(shù)據(jù)采用2015年2月1日至2018年9月10日時空分辨率分別為3h、0.25°的全球預(yù)報系統(tǒng)(GFS)數(shù)據(jù),選取長波輻射、短波輻射、降雨、氣溫、氣壓、水平和豎直方向風(fēng)速以及比濕這8個變量作為模型輸入。靜態(tài)地理數(shù)據(jù)包括地形、地貌和土地利用類型等自然條件的數(shù)據(jù)集,可在WRF官網(wǎng)獲取,靜態(tài)地理空間數(shù)據(jù)的空間分辨率為30s。DEM高程數(shù)據(jù)的空間分辨率為90m,該數(shù)據(jù)主要用于將低分辨率網(wǎng)格細(xì)分形成高分辨率網(wǎng)格,以支持模型的匯流演算模塊,彌補(bǔ)陸面模式中未考慮側(cè)向流和徑流重分配的缺陷,以高分辨率的網(wǎng)格進(jìn)行模擬,這一過程通過GIS預(yù)處理系統(tǒng)進(jìn)行。DEM數(shù)據(jù)取自地理空間數(shù)據(jù)云。實測洪水要素資料取自《中華人民共和國水文年鑒》2015—2018年第10卷甘肅河西地區(qū)內(nèi)陸河水文資料的洪水要素表。

1.3 敏感性分析方法

采用LH-OAT方法進(jìn)行敏感性分析。LH-OAT方法是2005年van Griensven等[22]結(jié)合LH方法和OAT方法提出并應(yīng)用于SWAT模型的全局敏感性方法,包含采用LH方法進(jìn)行抽樣和采用隨機(jī)OAT方法進(jìn)行敏感性分析兩個部分。LH抽樣將參數(shù)空間進(jìn)行分層,并在每層進(jìn)行采樣。隨機(jī)OAT方法通過輕微擾動來確定參數(shù)在各采樣點的敏感性。LH-OAT方法結(jié)合了LH方法的高效性和OAT方法的精確性,可以用較低的計算成本,科學(xué)、高效、精確、定量地確定模型參數(shù)的敏感性。

LH抽樣分為4個步驟:①確定每個參數(shù)取值范圍,并將每個參數(shù)的取值范圍等分成n層,即參數(shù)在每層范圍出現(xiàn)的可能性均等,為1/n(n為要取的采樣點數(shù)量);②對各參數(shù)進(jìn)行分層采樣,并在各層中各取1個值,作為參數(shù)變量在各層的代表值;③在上一步抽取的各變量的代表值中隨機(jī)選擇(每個數(shù)只能使用一次)組合成1個采樣點;④重復(fù)步驟③,得到n個參數(shù)組。

1.4 WRF-Hydro模型設(shè)置和主要參數(shù)取值

WRF-Hydro模型主要包括陸面模塊和匯流演算模塊。陸面模塊的水文過程在低分辨率網(wǎng)格中進(jìn)行,而匯流演算模塊的水文過程在高分辨率網(wǎng)格中進(jìn)行。模擬過程中,WRF-Hydro模型通過分解/聚合程序完成陸面模式的粗網(wǎng)格和匯流演算模塊的精細(xì)網(wǎng)格之間的信息交換。

選取WRF-Hydro模型的入滲系數(shù)(REFKDT)、地表持水深度乘子(RETDEPRTFAC)、地表糙率乘子(OVROUGHRTFAC)、深層導(dǎo)水系數(shù)(slope)、土壤飽和導(dǎo)水率(REFDK)、河道曼寧糙率乘子(MANNFAC)6個主要參數(shù)進(jìn)行敏感性分析,綜合考慮已有研究成果[14-15,17,24-25],確定各參數(shù)取值范圍如表1所示。

表1 參數(shù)取值范圍

2 結(jié)果與分析

以空間分辨率為1km×1km的陸面模式演算網(wǎng)格,分別搭配100m×100m、125m×125m、200m×200m、250m×250m的匯流演算網(wǎng)格以離線模式運(yùn)行WRF-Hydro模型,利用LH-OAT方法在不同空間分辨率的匯流演算網(wǎng)格條件下,對6個參數(shù)進(jìn)行敏感性分析。

將6個參數(shù)分為10層,并在各參數(shù)取值范圍內(nèi)使用LH方法進(jìn)行抽樣,得到10個采樣點,抽樣結(jié)果見表2。之后,使用OAT方法,基于不同的評價指標(biāo)和不同空間分辨率的匯流演算網(wǎng)格,對每個參數(shù)的敏感性指數(shù)進(jìn)行計算,得到每個參數(shù)的敏感度以及敏感度等級,分析與討論不同評價指標(biāo)和匯流演算網(wǎng)格空間分辨率對敏感性的影響。

表2 LH抽樣結(jié)果

2.1 不同評價指標(biāo)對參數(shù)敏感性的影響

使用250m×250m匯流演算網(wǎng)格的驅(qū)動模型,分析和說明不同評價指標(biāo)對參數(shù)敏感性的影響。參數(shù)敏感度指標(biāo)|Si|計算結(jié)果見表3,各參數(shù)敏感度等級見圖2。另外,對不同評價指標(biāo)得到的各參數(shù)敏感度進(jìn)行排序,結(jié)果見表4。

表3 參數(shù)敏感度指標(biāo)計算結(jié)果

表4 參數(shù)敏感度排名

從表3可以看出,敏感性分析結(jié)果很大程度上受到評價指標(biāo)的影響,與秦萍等[26]、徐會軍等[23]的研究結(jié)果相符。在河西內(nèi)陸河流域,6個參數(shù)對于流域出口平均流量的控制能力較弱,而對洪峰流量的調(diào)節(jié)作用顯著。以出口平均流量為評價指標(biāo)分析參數(shù)敏感性時,相較于其他評價指標(biāo)來說得到的參數(shù)敏感度結(jié)果要小得多,6個參數(shù)都被識別為一般敏感參數(shù)或不敏感參數(shù)。在6個參數(shù)中,對于出口平均流量影響較大的參數(shù)為REFKDT、REFDK和slope。但以洪峰誤差為評價指標(biāo)分析參數(shù)敏感性時,卻出現(xiàn)了完全不同的結(jié)果,5個參數(shù)(除RETDEPRTFAC)都被識別為敏感參數(shù)或極敏感參數(shù)。

從表4可以看出,各參數(shù)的敏感度排名也受到不同評價指標(biāo)的影響,以slope為例,當(dāng)以PE為評價指標(biāo)時,slope的敏感度排名為第4名,而當(dāng)以IVF作為評價指標(biāo)時,slope的敏感度排名為第1名,從總體上看,較敏感的參數(shù),敏感度排名受評價指標(biāo)的影響較大;而敏感度較低的參數(shù),敏感度排名不受評價指標(biāo)變化的影響。REFKDT、REFDK、slope、MANNFAC 4個參數(shù)的敏感度排名會隨評價指標(biāo)的不同而波動。OVROUGHRTFAC和RETDEPRTFAC的敏感度排名穩(wěn)定,不受評價指標(biāo)的影響,分別排第5、6名。

2.2 不同匯流網(wǎng)格空間分辨率對參數(shù)敏感性的影響

分別使用空間分辨率為100m×100m、125m×125m、200m×200m、250m×250m的匯流網(wǎng)格驅(qū)動模型,分析匯流演算網(wǎng)格空間分辨率對6個參數(shù)敏感性的影響,結(jié)果如表5所示。為了綜合考慮不同輸出變量對參數(shù)敏感性的影響,根據(jù)文獻(xiàn)[26],分別計算各個參數(shù)對不同評價指標(biāo)的敏感度指標(biāo)的平均值并作為該參數(shù)的全局敏感度,結(jié)果如表5所示。由表5可見,盡管參數(shù)全局敏感度會隨著匯流網(wǎng)格空間分辨率的改變而小幅變化,但參數(shù)敏感性等級較為穩(wěn)定。相比于其他參數(shù),REFKDT的全局敏感度受匯流網(wǎng)格分辨率的影響最大,使用不同匯流演算網(wǎng)格分辨率進(jìn)行敏感度分析,REFKDT的全局敏感度在0.379～0.636之間波動,相比其他參數(shù)波動的幅度較大。不同匯流網(wǎng)格尺度下,MANNFAC被識別為極敏感參數(shù),REFKDT、slope、REFDK均被識別為敏感參數(shù)。OVROUGHRTFAC被識別為一般敏感參數(shù),RETDEPRTFAC被識別為不敏感參數(shù)。該結(jié)果驗證了Liu等[15]的敏感性分析結(jié)果:在REFKDT、MANNFAC、OVROUGHRTFAC、RETDEPRTFAC 4個參數(shù)中,REFKDT和MANNFAC最為敏感,RETDEPRTFAC對洪量調(diào)控作用最弱。由表2可知,REFKDT在西營河流域的取值范圍為0～0.4,與Liu等[15]提出的該參數(shù)在紫荊關(guān)流域的取值范圍1.0～4.0有明顯差異。造成REFKDT取值范圍差異的原因可能是氣候的影響。西營河流域九條嶺水文站以上區(qū)域?qū)儆诟吆敫珊禋夂驇?而紫荊關(guān)流域?qū)儆跍貛О霛駶櫄夂?。相比之?西營河流域的降雨資源較為匱乏,總體的降雨入滲量也較少,所以REFKDT在西營河的取值較紫荊關(guān)流域偏小。

對不同匯流演算網(wǎng)格分辨率下得到的全局敏感度進(jìn)行排序,REFKDT、REFDK、slope 3個參數(shù)的敏感度排名有變化(第2～4名),而MANNFAC、OVROUGHRTFAC、RETDEPRTFAC的敏感度排名分別為第1、5、6名,不隨匯流演算網(wǎng)格分辨率的改變而改變。由此可見,在6個參數(shù)中,MANNFAC是最敏感的參數(shù),RETDEPRTFAC是最不敏感的參數(shù),OVROUGHRTFAC次之。

為了綜合考慮匯流演算網(wǎng)格空間分辨率對參數(shù)的影響,對參數(shù)進(jìn)行敏感性分析,以不同空間分辨率的匯流演算網(wǎng)格的全局敏感度的平均值作為敏感性的最終評價指標(biāo)[26],計算結(jié)果見表5,可以得到6個參數(shù)的敏感度大小排序為MANNFAC、REFDK、slope、REFKDT、OVROUGHRTFAC、RETDEPRTFAC。

2.3 WRF-Hydro模型參數(shù)對洪水過程線的影響

選取洪峰較為顯著的2016年7月10—12日洪水作為典型洪水,進(jìn)行WRF-Hydro模型參數(shù)對洪水過程線影響的分析。以LH抽樣后模擬最優(yōu)(NSE最大)的采樣點作為初始點,在參數(shù)取值范圍內(nèi),保持其他參數(shù)不變,等步長地分別改變6個參數(shù)的取值,通過計算NSE、PE、IVF、PT 4個水文預(yù)報結(jié)果評價指標(biāo),分析各參數(shù)對洪水過程線的影響。6個參數(shù)不同取值時2016年洪水的過程線如圖3所示,典型洪水的水文預(yù)報結(jié)果評價指標(biāo)計算結(jié)果如表6所示。

表6 參數(shù)不同取值時評價指標(biāo)計算結(jié)果

圖3 參數(shù)不同取值時洪水過程線

REFDK對洪量和洪峰大小具有顯著的調(diào)節(jié)作用。在全局敏感性分析結(jié)果中,被識別為敏感參數(shù),IVF、NSE、PE、PT對REFDK都有較好的響應(yīng)。從圖3(a)可以看出,隨著REFDK的增大,洪量增大顯著且洪峰略微向后偏移。

MANNFAC是這6個參數(shù)中敏感性最高的參數(shù),對洪水過程線形狀、洪峰都有很大的影響。MANNFAC主要控制河道匯流速率,隨著MANNFAC的增大,峰現(xiàn)時間向后偏移,且洪量減少,峰值也逐漸降低。由圖3(b)可知,在6個參數(shù)中,MANNFAC對峰現(xiàn)時間的影響最大,對于典型洪水而言,MANNFAC從0.2等步長增加到1.8,模擬的洪峰向后延遲明顯。由表6可知,NSE隨著MANNFAC的增大,先增大后減小。另外,MANNFAC對于洪量和洪峰大小也有調(diào)節(jié)作用,但對洪量和洪峰大小的控制效果不如REFKDT和REFDK這兩個參數(shù)。

OVROUGHRTFAC主要控制坡面匯流速率,該參數(shù)被識別為一般敏感參數(shù),對洪峰大小、洪水過程線有小幅影響。如圖3(c)所示,隨著OVROUGHRTFAC的增大,坡面匯流的速率減緩。峰現(xiàn)時間也小幅向后推移(典型洪水的峰現(xiàn)時間波動均為1h)。這意味著隨著OVROUGHRTAC的增加,地表徑流的匯流時間延長。在典型洪水中,該參數(shù)對洪峰流量和洪量有輕微的調(diào)節(jié)作用。

slope控制著向水箱模型補(bǔ)給水分的速度,該參數(shù)被識別為敏感性參數(shù),對洪水過程線形狀(NSE、RSS)有較大的影響,但對洪峰流量和洪量的控制效果不顯著。如圖3(d)所示,隨著slope的增大,洪水過程線逐漸趨于平緩,洪峰流量逐漸降低,但洪量幾乎不變(slope在0～1變動時,典型洪水的洪量變化在10%以內(nèi))。

REFKDT對洪量、洪峰大小和洪水過程線都具有較大影響,對洪峰大小的調(diào)節(jié)效果尤為顯著。由圖3(e)可知,隨著REFKDT的增加,洪量逐漸減小,洪峰降低,而且這種下降顯然是非線性的。具體來說,隨著REFKDT的增加,洪峰和洪量的減小速率逐漸減慢,洪水過程線逐漸平滑。對于2016年洪水而言,當(dāng)REFKDT從0.1升至0.2時,洪峰流量減少了47.36%,洪量減少了47.21%。而REFKDT從0.2升至0.3、從0.3升至0.4時,洪峰流量分別減少了34.68%、28.06%,洪量分別減少了33.12%、23.07%。另外,由表6可知,REFKDT對峰現(xiàn)時間也有較大的影響。對于典型洪水而言,在REFKDT取值范圍內(nèi),PT的波動為0～2h。

RETDEPRTFAC主要控制土壤洼蓄能力,當(dāng)?shù)乇硭^超過預(yù)定義的地表持水深度時,就會流入河道。如圖3(f)所示,RETDEPRTFAC不同取值對洪水過程的影響幾乎可以忽略。由表6可知,典型洪水的各指標(biāo)對RETDEPRTFAC的響應(yīng)較差。以往大部分學(xué)者使用WRF-Hydro模型對洪水進(jìn)行模擬時,常常將RETDEPRTFAC當(dāng)成影響洪量的重要參數(shù)。通過本次研究證實,WRF-Hydro模型在河西內(nèi)陸河流域應(yīng)用時,RETDEPRTFAC為不敏感參數(shù),調(diào)節(jié)該參數(shù)對模型模擬的影響很小,故在參數(shù)率定時,為降低計算成本,可不必率定該參數(shù)。

3 結(jié) 論

a.根據(jù)最終敏感性評價指標(biāo),MANNFAC為極敏感參數(shù),REFKDT、slope、REFDK為敏感參數(shù),OVROUGHRTFAC為一般敏感參數(shù),RETDEPRTFAC為不敏感參數(shù)。參數(shù)敏感性大小排序為MANNFAC、REFDK、slope、REFKDT、OVROUGHRTFAC、RETDEPRTFAC。

b.6個參數(shù)對于典型洪水的洪水過程線的調(diào)節(jié)效果不同。其中,REFKDT和REFDK對于洪量和洪峰大小的控制效果顯著;MANNFAC對于峰現(xiàn)時間的調(diào)節(jié)效果最好,隨著MANNFAC的增大,洪水過程線的洪峰向后偏移明顯,且洪峰流量和洪量有所降低。slope可以較好地調(diào)節(jié)洪水過程線的形狀,但對于洪量的控制效果不明顯。OVROUGHRTFAC可以微調(diào)洪峰流量和峰現(xiàn)時間。RETDEPRTFAC對洪水過程線的調(diào)節(jié)效果不明顯。

c.使用LH-OAT方法對6個參數(shù)進(jìn)行敏感性分析時,各參數(shù)的敏感性受評價指標(biāo)的影響較大,評價指標(biāo)不同,部分參數(shù)的敏感度排序會有小幅變化。然而,各參數(shù)的敏感性受模型匯流演算網(wǎng)格空間分辨率的影響較小,各參數(shù)的敏感度類別不隨空間分辨率的變化而變化。WRF-Hydro模型應(yīng)用于河西內(nèi)陸河流域時,需根據(jù)防洪調(diào)度、實時預(yù)報等需求來調(diào)整參數(shù)。