高希超，馬 沖，朱冠天，朱 仟，許月萍

(1.浙江大學(xué)建筑工程學(xué)院水文水資源研究所， 浙江杭州 310058; 2.浙江省水文局，浙江杭州 310009)

1 背景介紹

21世紀以來，氣候變化引發(fā)的極端水文事件如洪澇災(zāi)害、干旱等有愈來愈嚴重的趨勢，已引起政府、學(xué)者及民眾的廣泛關(guān)注[1]。國內(nèi)外專家、學(xué)者對氣候變化對水文水資源的影響評估作出了比較詳實的論述。張建云[2]從防洪安全、供水安全、水生態(tài)環(huán)境安全和水工程安全四個方面闡述了氣候變化對中國水安全的可能影響。王國慶等[3]采用流域水文模擬方法分析評估了氣候變化和人類活動對徑流量的影響。Richard等[4]評估了最新一代的氣候情景模式，為后續(xù)氣候變化的研究提供了新的思路并奠定了理論基礎(chǔ)。然而關(guān)于氣候變化對枯水徑流的影響研究特別是在歷史降雨比較充分地區(qū)的文章卻鮮有發(fā)表。近年來浙江省幾乎每年都會出現(xiàn)旱情，枯水季水資源嚴重缺乏，部分地區(qū)甚至出現(xiàn)用水危機。因此氣候變化對枯水徑流的影響同樣應(yīng)該引起重視。

對于不同的研究方向，枯水徑流有著不同的含義。在某些研究中，枯水徑流被認為是每年旱季中河流的實際徑流，也有研究把重點放在兩次枯水間隔出現(xiàn)的時間和環(huán)境，或者其對整個河濱生態(tài)環(huán)境的影響[5]。WMO (世界氣象組織)曾經(jīng)把枯水徑流定義為超長干旱天氣中河流中的徑流，但Smakhtin[5]認為，枯水徑流是一種季節(jié)性的現(xiàn)象，是整個徑流體系中不可分割的一部分，從而把它與干旱區(qū)分開來。

研究選取了錢塘江流域的子流域金華江流域作為研究區(qū)域，以1975-2004年作為基準期，2071-2100年為預(yù)測期，使用多站統(tǒng)計降尺度工具GIST來模擬未來的降雨和溫度，再使用集總式水文模型GR4J來模擬金華江流域的徑流，并利用枯水指數(shù)7Q10和30Q10來分析氣候變化對金華江流域枯水的影響。

2 研究方法

2.1 數(shù)據(jù)來源

是錢塘江流域的一部分，位于北緯28.25°-29.75°，東經(jīng)119.25°-120.75°之間。流域中五個水文站金華、武義、義烏、東陽和永康有長系列實測數(shù)據(jù)。金華江流域總面積約5 996 km2，基準期年均降雨量在1 600 mm左右，降雨多集中在5-7月。流域?qū)儆趤啛釒Ъ撅L(fēng)氣候，夏季高溫多雨，冬季干燥寒冷。流域全年平均溫度17.5 ℃，最高溫度超過40 ℃，最低溫度低于0 ℃[6]。流域的主要河流金華江是錢塘江的支流之一，發(fā)源于磐安縣龍烏尖，匯于衢江。河流全長達到195 km，河流比降為3%。

本文的研究數(shù)據(jù)分為2個部分:① 金華江流域基準期的實測日數(shù)據(jù)，包括降雨、徑流、最高溫度和最低溫度。② CMIP5中Hadgem2_ES模型的全球氣候模式模擬結(jié)果，數(shù)據(jù)包括降雨、最高溫度和最低溫度的月均值。CMIP5 數(shù)據(jù)包含了4個典型濃度路徑情景，即RCP2.6，RCP4.5, RCP6.0以及RCP8.5。RCP2.6情景假定全球平均溫度上升被限制在2.0 ℃之內(nèi)，其中21世紀后半葉能源應(yīng)用為負排放。輻射強迫在2100年之前達到峰值3 W/m2，到2100年下降至2.6 W/m2。二氧化碳濃度在達到峰值49 μg/g 后下降。RCP4.5情景中，2100年時輻射強迫穩(wěn)定在4.5 W/m2，二氧化碳濃度穩(wěn)定在65 μg/g 。RCP6.0情景表示在2100年之后，輻射強迫穩(wěn)定在6 W/m2，二氧化碳濃度穩(wěn)定在85 μg/g 。RCP8.5情景下，2100年的輻射強迫達到8.56 W/m2，且上升不會停止，二氧化碳濃度達到137 μg/g[7]。

2.2 GIST模型

GIST是由美國佛羅里達大學(xué)的Baigorria等[8]開發(fā)的多站統(tǒng)計降尺度工具。在本文中，GIST用于計算預(yù)測期的降雨與溫度。與傳統(tǒng)的統(tǒng)計降尺度工具不同，GIST考慮了不同站點降雨量之間的空間相關(guān)性。相關(guān)系數(shù)ρij被用來表示各站點之間降雨的相關(guān)系。ρij的計算公式為[8]：

(1)

式中，η是降雨時間序列的長度，χi和χj是不同站點某一天的降雨量，μi和μj不同站點的降雨均值，σi和σj則是方差。

降雨的產(chǎn)生分為兩個階段，第一階段是計算降雨事件是否發(fā)生，第二階段是計算其降雨量。降雨事件是否發(fā)生通過初始邊界條件和率定的參數(shù)，以及后續(xù)的重取樣和二階馬爾科夫鏈確定。降雨事件確定后，再通過式(2)確定降雨量。

(2)

GIST基本輸入包括歷史的降雨和最高最低溫的時間序列和Change Factor[9]，輸出是未來的降雨和最高最低溫度。計算結(jié)果表明，GIST能很好模擬流域的未來降雨，并能較好的保留不同水文站降雨的空間相關(guān)性。目前，各種天氣發(fā)生器都能較好的模擬溫度。同樣，GIST溫度模擬的準確性非常高，這里不再描述。

2.3 水文模型GR4J

GR4J模型是一個概念性水文模型，被廣泛用于水文模擬[10]。

GR4J共有4個參數(shù)，分別為蓄水容量X1，地下水交換系數(shù)X2，前一天的地下水容量X3，水文過程線的時間基準X4。其主要輸入是降雨，徑流和潛蒸發(fā)。率定過程中，以Nash效率系數(shù)為主要目標(biāo)函數(shù)來判斷率定效果的好壞。GR4J的模型結(jié)構(gòu)如圖1所示[11]。圖中Pn凈雨量，Es為實際蒸散發(fā)量，Perc為下滲水，UH1和UH2為控制過程單位線，Q為最終的徑流。

在該模型中，未來的降雨由GIST模型模擬所得，潛蒸發(fā)則由HARGREAVES法計算而得[12]。計算公式如公式(3)下所示。公式中，其中Ra為日輻射量，單位為mm/d ，Tmax、Tmin分別最日最大溫度和日最小溫度，單位為℃。C取0.0023，E取0.5，T取17.8。

ETH=C·Ra·(Tmax-Tmin)E·

(3)

圖1 GR4J模型結(jié)構(gòu)圖Fig.1 Model structure of GR4J model

3 結(jié) 果

3.1 GIST計算結(jié)果

在本文中，GIST用來模擬未來的降雨量和溫度。選取1975-2004年為模擬的基準期?；鶞势诘臍v史數(shù)據(jù)用于率定GIST的參數(shù)。由于作為多站統(tǒng)計降尺度方法，模擬和實測的相關(guān)系數(shù)被用來評估GIST模擬的效果。比較結(jié)果見圖2。這里，歷史數(shù)據(jù)和基準期內(nèi)模擬值的月均值比較采用了由泰森多邊形計算的面雨量和平均溫度比較，結(jié)果如圖3和4所示。

圖2 基準期金華江流域各站點降雨量實測值與模擬值相關(guān)系數(shù)比較Fig.2 Pearson’s correlations of daily precipitation in baseline period

圖3 基準期金華江流域?qū)崪y月面雨量與模擬月面雨量比較Fig.3 Comparison of the daily precipitation of the Jinhua River Basin in baseline period

圖4 基準期金華江流域?qū)崪y溫度月均值與模擬溫度月均值比較Fig.4 Comparison of the daily temperature of the Jinhua River Basin in baseline period

從圖中可以看出，金華江流域的5個水文站降雨量具有較高的空間相關(guān)性，而GIST的模擬結(jié)果較好的保留了這些空間相關(guān)性。從降雨量的月均值來看，盡管模擬值相對于實測值略有偏小，但接近實測值。而變化趨勢則和實測值完全一致。從圖中可以看出，溫度的模擬值和實測值幾乎完全重疊。這表明，GIST能很好地完成降雨和溫度的模擬，這些值用于下一步徑流的模擬工作。

3.2 GR4J率定結(jié)果

選取1975-1984年10 a的徑流歷史數(shù)據(jù)來率定GR4J的參數(shù)，選取1985-1994年為驗證期。4個參數(shù)的取值范圍見表1[11]。

表1 GR4J參數(shù)邊界Table 1 Ranges of parameters of GR4J

率定過程中，選取NS效率系數(shù)作為主要目標(biāo)函數(shù)，采用自動率定。為了更好的評估模型對枯水的模擬，還計算了NS效率系數(shù)的對數(shù)形式[13]。采用相對誤差RVE反映徑流模擬值與實際值的關(guān)系,并計算了均方根值RMSE。

計算結(jié)果表明模型率定期和驗證期的NS效率系數(shù)都高于0.8，徑流對數(shù)形式下的NS效率系數(shù)也都達到了0.8，率定期和驗證期RMSE分別為1.11和1.38，即該模型能有效的模擬徑流，且在枯水模擬方面也有較好的效果。從RVE來看，GR4J模型對金華江流域的模擬值比實際值要偏小。為了更直觀的了解徑流模擬情況，選取比較有代表性的1983年比較流域徑流的模擬值和實測值(圖5)。

圖5 1983年金華江流域徑流GR4J模型實測值與模擬值比較Fig.5 Comparison of daily flow at Jinhua station in 1983

3.3 枯水指數(shù)分析

對枯水徑流進行頻率分析方法有很多種，枯水指數(shù)分析是其中應(yīng)用最普遍的一種。常見的枯水指數(shù)，7Q2,7Q5，7Q10，7Q20等在工程應(yīng)用和政策制定中發(fā)揮著重要的作用。指數(shù)中，7指7天連續(xù)徑流，后面的數(shù)字則是特定的回歸期。如7Q10是指10年一遇的7 d連續(xù)枯水徑流的平均值。此外，還有一些根據(jù)不同連續(xù)天數(shù)制定的枯水指數(shù),如30Q10，4Q3，90Q10等。本文選取了7Q10和30Q10作為標(biāo)準分析未來的枯水指數(shù)。7Q10的應(yīng)用較為廣泛，如枯水設(shè)計參考，水質(zhì)保護指標(biāo)，污水處理參考依據(jù)，河濱生態(tài)保護參考指標(biāo)以及水資源配置參考等。30Q10的用處與7Q10類似，但更側(cè)重于水質(zhì)[14]。使用Weibull分布分析基準期和預(yù)測期的徑流[15]，得出的結(jié)果如表2和3所示。

表2 不同回歸期連續(xù)7天最小平均流量
Table 2 Lowest average flows for a consecutive 7 day period of different return periods m3/s

項目回歸期5a10a20a30a基準期5.793.862.622.09RCP2.612.7511.7210.8110.32RCP4.511.9310.619.488.89RCP6.012.0610.769.659.06RCP8.512.7011.4110.299.69

從表中可以發(fā)現(xiàn)，四個情景下的7Q10和30Q10都有增加，7Q10的變化更為劇烈。觀察不同回歸期下的數(shù)據(jù)發(fā)現(xiàn)，預(yù)測期的徑流比基準期更為平穩(wěn)。這也和預(yù)測徑流時間序列情況相吻合。這意味著，在21世紀的最后30 a，金華江流域在枯水季節(jié)的水資源量可能增加。四個不同情景下，隨著輻射強迫的增加，7Q10和30Q10都增加，但RCP2.6情景出現(xiàn)了異常，可能是由于輻射強迫較低，蒸發(fā)量較少導(dǎo)致。

表3 不同回歸期連續(xù)30 d最小平均流量
Table 3 Lowest average flows for a consecutive 30 day period of different return periods m3/s

項目回歸期5a10a20a30a基準期12.879.507.106.00RCP2.615.8114.5813.4812.89RCP4.514.6012.9511.5410.80RCP6.015.3613.8412.5311.83RCP8.515.8414.1612.7111.95

4 結(jié) 論

本文選取金華江流域為研究區(qū)域，使用GIST模型作為天氣發(fā)生器，并用GR4J模型和CMIP5全球氣候環(huán)流模式的未來數(shù)據(jù)預(yù)測了2071-2100年的徑流，分析了枯水指數(shù)7Q10和30Q10的變化情況。計算結(jié)果表明，GIST能較好模擬流域的降雨和溫度，并能保留其空間相關(guān)性。同時，GR4J在率定和驗證時的目標(biāo)函數(shù)都達到了0.85以上，因此可以認為在金華江流域使用該模型進行徑流模擬是可行的。最后，本文對水文模型模擬的徑流結(jié)果進行了頻率分析，發(fā)現(xiàn)在21世紀末，各個回歸期的枯水徑流量增大。以7Q10而言，其在RCP2.6，RCP4.5，RCP6.0，RCP8.5四個情景下增加的幅度都超過了150%，最大變化幅度發(fā)生在情景RCP2.6，達到了203%。相對而言，30Q10的增幅較小，最大的變化同樣出現(xiàn)在RCP2.6，達到了53%。這些結(jié)論可供政策制定者作出相關(guān)政策的參考。

[1] 楊濤, 陸桂華, 李會會, 等. 氣候變化下水文極端事件變化預(yù)測研究進展 [J]. 水科學(xué)進展, 2011, 22(2): 279-286.

[2] 張建云, 王國慶, 楊揚, 等. 氣候變化對中國水安全的影響研究[J]. 氣候變化研究進展, 2008, 4(5).

[3] 王國慶, 張建云, 劉九夫, 等. 氣候變化和人類活動對河川徑流影響的定量分析[J]. 中國水利, 2008(2): 55-58.

[4] MOSS R H, EDMONDS J A, HIBBARD K A, et al. The next generation of scenarios for climate change research and assessment[J]. Nature, 2010, 463(7282): 747-756.

[5] SMAKHTIN V U. Low flow hydrology: a review[J]. Journal of hydrology, 2001, 240(3): 147-186.

[6] TIAN Y, XU Y P, ZHANG X J. Assessment of climate change impacts on river high flows through comparative use of GR4J, HBV and Xinanjiang Models[J]. Water Resources Management, 2013,27(8):1-18.

[7] Van VUUREN D P, EDMONDS J, KAINUMA M, et al. The representative concentration pathways: an overview[J]. Climatic Change, 2011, 109(1/2): 5-31.

[8] BAIGORRIA G A, JONES J W. GiST: A stochastic model for generating spatially and temporally correlated daily rainfall data[J]. Journal of Climate, 2010, 23(22): 5990-6008.

[9] ANANDHI A, FREI A, PIERSON D C, et al. Examination of change factor methodologies for climate change impact assessment[J]. Water Resources Research, 2011, 47(3):W03501.

[10] SIMONNEAUX V, HANICH L, BOULET G, et al. Modelling runoff in the Rheraya Catchment (High Atlas, Morocco) using the simple daily model GR4J. Trends over the last decades[C]//13th IWRA World Water Congress, Montpellier, France，2008.

[11] 田燁. 氣候變化對極端徑流影響評估中的不確定性研究[D].杭州： 浙江大學(xué), 2013.

[12] 胡慶芳，楊大文，王銀堂，楊漢波. Hargreaves 公式的全局校正及適用性評價[J].水科學(xué)進展.2011.22(2):160-167.

[13] KRAUSE P, BOYLE D P, BSE F. Comparison of different efficiency criteria for hydrological model assessment [J]. Advances in Geosciences, 2005, 5(5): 89-97.

[14] PYRCE R. Hydrological low flow indices and their uses[R]. Watershed Science Centre(WSC) Report, 2004.

[15] 周芬, 郭生練, 熊立華, 等. 枯水頻率分析線型的比較研究[J]. 水文, 2006, 26(1): 28-33.