薛 源，覃 超，吳保生，張 玍，李 丹，傅旭東

(1.清華大學(xué) 水圈科學(xué)與水利工程全國重點實驗室，北京 100084；2.清華大學(xué) 水利部水圈科學(xué)重點實驗室，北京 100084；3.清華大學(xué) 水利水電工程系，北京 100084；4.中國煤炭科工集團(tuán)有限公司 煤炭科學(xué)研究總院有限公司 應(yīng)急科學(xué)研究院，北京 100013)

1 研究背景

我國地形復(fù)雜，山區(qū)約占國土面積的89%，發(fā)育著眾多的山區(qū)河流。但山區(qū)河流往往因地勢險要，無法通過現(xiàn)場量測獲得流量等基礎(chǔ)資料，是典型的水文缺資料地區(qū)，制約了水資源調(diào)查、河流水沙通量等重要研究的開展。為緩解這一現(xiàn)狀，學(xué)者們多通過衛(wèi)星遙感觀測、經(jīng)驗估算或反演山區(qū)河流的徑流過程[1]，但所得數(shù)據(jù)往往針對單一斷面或河段，豐度有限、精度較差，方法也難以推廣[2-3]。因此，利用水文模型能夠模擬流域徑流過程的優(yōu)勢，結(jié)合多源遙感數(shù)據(jù)大范圍提取的河流關(guān)鍵參數(shù)，模擬山區(qū)等缺資料地區(qū)河流的徑流過程是當(dāng)今的研究熱點[4-5]。

分布式水文模型，能較充分考慮水沙運動的物理機(jī)制及下墊面的空間差異，反映了接近真實的水文過程[6]。其中黃河數(shù)字流域模型(Digital Yellow River Integrated Model，DYRIM)，以多源遙感及地理信息系統(tǒng)等技術(shù)模擬全流域的降雨-徑流過程[7]。模型依托DEM數(shù)據(jù)，以流域分級理論為依據(jù)，將全流域分為4個尺度：坡面-溝道單元、單一子流域、多個子流域的組合和全流域，通過基于坡面-溝道單元的產(chǎn)流、匯流模型，在子流域、流區(qū)和全流域水系模擬水沙過程[7]。近年來，DYRIM被諸多學(xué)者改進(jìn)并應(yīng)用，如李鐵鍵、劉家宏等[8-9]利用DYRIM模擬了黃河流域的徑流過程，驗證了DYRIM模擬不同下墊面條件、多種類型河流水沙過程可靠性；張昂等[10]在考慮降雨、河寬等參數(shù)空間分布的基礎(chǔ)上改進(jìn)了DYRIM，模擬了黃河源區(qū)1956—2014年的徑流過程，進(jìn)一步提高了缺資料地區(qū)徑流模擬的精度，文獻(xiàn)[11]也通過考慮植被、淤地壩的影響改進(jìn)DYRIM。由于推廣性較好，DYRIM還被用于模擬和預(yù)測珠江流域、閩江流域、南方山區(qū)河流、長江上游等區(qū)域的徑流過程[12-14]。

盡管DYRIM能模擬不同尺度、類型流域較真實的徑流過程，但仍有較大提升空間。如DYRIM將河道斷面簡化為“V”形，雖然能較好反映低級別河流的斷面特征[15]，但不能用以模擬高級別河流[16]，即使通過模型率定、調(diào)參等方式降低因斷面形態(tài)失真帶來的誤差[12，17]，仍會使模擬結(jié)果不能反映真實的下墊面條件、水流情況，因此對土壤特性、水力要素的模擬偏離實際?？梢?，雖然DYRIM的模擬效果整體較好，但仍需基于河流幾何信息，獲取更真實的斷面形貌沿程變化，改進(jìn)模型、提升模擬效果。

本文以位于黃土高原的黃河一級支流皇甫川流域為研究區(qū)域，以多源遙感數(shù)據(jù)為主要數(shù)據(jù)源，提取了河流表面信息及各級河流的斷面形態(tài)，與DEM河網(wǎng)提取工具得到的線狀河流水系組合，得到了流域河道的邊界條件?；诟骷壓恿鞯臄嗝嫘螒B(tài)，建立了DYRIM斷面判別模塊，改進(jìn)了其匯流模型，提升了徑流過程的模擬效果，提高了洪水過程與水力要素的模擬精度。本研究可為探究基于多源遙感數(shù)據(jù)獲得較完整的河道邊界條件、提升水文模擬效果及河流地貌演化等研究提供參考。

2 基于斷面判別模塊的模型改進(jìn)

DYRIM是以DEM河網(wǎng)為核心，基于物理機(jī)理、分布式參數(shù)和連續(xù)計算時段，能較準(zhǔn)確描述黃河流域下墊面環(huán)境，較精確模擬黃河徑流過程的分布式水文模型[7]。DYRIM模擬流域徑流模擬時，涉及其產(chǎn)流、匯流模型，本文主要針對匯流模型進(jìn)行改進(jìn)(圖1)。

圖1 DYRIM產(chǎn)流及改進(jìn)的匯流模型框架

2.1 產(chǎn)流、匯流模型及數(shù)據(jù)輸入坡面產(chǎn)流是流域徑流過程的起點，為了適應(yīng)黃河中游超滲產(chǎn)流的特點，DYRIM產(chǎn)流模型采用土水勢概念模擬地表入滲過程的變化，獲得較精確的產(chǎn)流過程[8]。其后，以每一個坡面及與其相鄰溝道組成DYRIM的最小匯流單元——坡面-溝道單元，并假定坡面-溝道單元產(chǎn)流直接作用于單元出口，按自上游至下游的拓?fù)潢P(guān)系流入下一級河網(wǎng)中完成水流的匯集與演進(jìn)[16]。支流入?yún)R直接由各級徑流疊加，水流演進(jìn)過程通過斷面判別模塊調(diào)用擴(kuò)散波、運動波法計算?；贒YRIM產(chǎn)流、匯流模型的徑流模擬需輸入流域降雨、地形幾何參數(shù)、下墊面參數(shù)，參數(shù)率定是兼顧了模型實際意義的部分下墊面參數(shù)[10]。

2.2 斷面判別模塊山區(qū)河流多不具備實測斷面資料，僅能基于中、低分辨率的DEM提取有限幾何參數(shù)，使得改進(jìn)前的匯流模型對水流運動的模擬主要基于簡化后對稱的“V”型斷面，忽略了斷面隨河流級別由窄“V”型至寬“U”型的沿程變化。雖然原模型對尺度本就較小的低級別河流仍有較好的模擬效果[8-9，16]，但為最大限度保留原模型對低級別河流的模擬效果，并使其能考慮高級別河流的河道特征，建立了DYRIM斷面判別模塊，自動考慮各級河流的斷面形態(tài)。

斷面判別模塊通過綜合判別河流級別及斷面形態(tài)，調(diào)用擴(kuò)散波法[8]、運動波法[18-19]模擬不同級別河流徑流(圖1)。與以往DYRIM基于“V”型斷面的擴(kuò)散波法模擬水流演進(jìn)不同，本研究建立的斷面判別模塊則主要基于概化斷面的邊界條件和適用于一般梯形斷面的優(yōu)化的運動波法[19]，自動判別斷面形態(tài)并調(diào)用對應(yīng)的演進(jìn)方程。

3 研究區(qū)域及數(shù)據(jù)處理

3.1 研究區(qū)域概況皇甫川流域位于黃土高原北麓(110°20′E—111°15′E，39°12′N—39°59′N)，面積為3246 km2，于陜西省榆林市府谷縣匯入黃河[20]。流域地處半干旱高原地區(qū)，砒砂巖大面積裸露，沙地面積大，土壤類型以栗鈣土、黃綿土和風(fēng)沙土為主[17]。流域內(nèi)多年平均降雨量為365 mm且多以短時強降雨為主，年均蒸發(fā)量達(dá)1500 mm，2010—2018年流域內(nèi)主要分布有草地、農(nóng)作物、灌木、沙地植被等[20]。流域內(nèi)設(shè)皇甫、沙圪堵水文站和12個雨量站，分布見圖2(a)，2010—2018年皇甫川流域10 m和30 m分辨率的土地利用疊加數(shù)據(jù)見圖2(b)。

圖2 皇甫川流域基本情況

3.2 研究數(shù)據(jù)及預(yù)處理為滿足改進(jìn)后模型需要(表1)，本研究采用了多種類型的數(shù)據(jù)，包括國產(chǎn)高分1號衛(wèi)星(GF-1)、國產(chǎn)資源3號衛(wèi)星(ZY-3)影像，Jason1/2號衛(wèi)星影像、Landsat系列衛(wèi)星影像、MODIS產(chǎn)品、SRTM 90 m DEM數(shù)據(jù)、高分辨率UAV DEM產(chǎn)品、CMPA國產(chǎn)衛(wèi)星融合降雨數(shù)據(jù)等多源遙感數(shù)據(jù)。水文年鑒數(shù)據(jù)涵蓋2010—2016年皇甫川流域皇甫站和沙圪堵站實測資料，以及用于概化河流斷面的2010—2015年黃河中游緊鄰于皇甫川、分布于9個流域的32個水文站的實測斷面(圖2(a))。

表1 水文站實測及高分辨率DEM概化斷面幾何參數(shù)

3.2.1 平灘流量及枯水流量確定 河流斷面幾何信息提取及形態(tài)概化的關(guān)鍵是斷面邊坡坡度，該坡度可由最低、最高/平灘水位對應(yīng)的河寬確定。這兩類河寬資料往往需通過實測獲取[20]，十分匱乏。為了能通過遙感影像獲取缺資料地區(qū)這兩類河寬數(shù)據(jù)，需確定平灘及枯水流量日期。采用皇甫、沙圪堵兩站1990—2016年的汛期徑流及場次洪水資料，并驗證資料一致性[21]。由于皇甫站斷面不具備灘槽結(jié)構(gòu)，難以直接確定平灘流量及日期，因此依據(jù)缺資料流域平灘流量估算方法及流域干支流關(guān)系[22]，以沙圪堵站斷面的平灘流量、日期代表皇甫川流域。確定水位為100 m左右的洪水流量為沙圪堵站平灘流量，流量為113 m3/s，重現(xiàn)期約2年。最枯流量的確定，為保證一致性仍以沙圪堵站為準(zhǔn)，為0.1 m3/s。

3.2.2 衛(wèi)星遙感數(shù)據(jù)及預(yù)處理

(1)光學(xué)衛(wèi)星影像獲取及預(yù)處理：為通過遙感影像提取流域平灘、枯水河寬，選用能在山區(qū)更完整提取細(xì)小河流的高分辨率光學(xué)衛(wèi)星影像，故聯(lián)合使用GF-1和ZY-3影像[23]。根據(jù)平灘日期，選擇了7景1A級GF-1影像，成像時間為分別為2013年7月30日、8月23日，2016年7月26日、9月1日。選擇了3景1A級ZY-3影像，成像時間分別為2013年7月30日和2014年9月3日。熱紅外數(shù)據(jù)在夏季能有效區(qū)分水體及其他地物[24]，因此采集了同期的6景Landsat-8 TIRS產(chǎn)品。在枯水日期下，GF-1影像足夠覆蓋，直接使用14景1A級影像，成像時間為2013年11月20日、11月28日。

(2)測高衛(wèi)星數(shù)據(jù)：基于星載雷達(dá)觀測的水位將用于提取缺資料地區(qū)河流斷面形態(tài)。通過觀測平灘、枯水河寬及其對應(yīng)的水位信息，即可獲取概化河道斷面形態(tài)[25]。以Jason-1/2衛(wèi)星產(chǎn)品為數(shù)據(jù)源，依據(jù)兩類流量日期提取對應(yīng)水位。經(jīng)查詢2009年2月—2013年6月，Jason-1衛(wèi)星的第103號軌道位于流域上空，但受限于時空分辨率，選取與平灘流量相近的2012年8月6日的Jason-1衛(wèi)星數(shù)據(jù)，與枯水流量相近的2017年4月17日的Jason-2衛(wèi)星數(shù)據(jù)提取相應(yīng)水位。

3.2.3 土地利用數(shù)據(jù)及采樣 通過本團(tuán)隊開發(fā)的河寬自動提取算法ARWE(Automated river widths extraction method)準(zhǔn)確提取河流中心線及河寬，該算法因基于隨機(jī)森林及神經(jīng)網(wǎng)絡(luò)算法，故需依賴準(zhǔn)確的機(jī)器學(xué)習(xí)樣本及合適的分類指數(shù)[26]。為確定研究區(qū)河流周圍地物類型，基于土地利用類型數(shù)據(jù)[27-28]分析了2010—2018年皇甫川流域地物類型(圖2(b))，結(jié)果顯示2010—2018年流域內(nèi)土地利用類型變化不大，確定了緊鄰河流且易混淆的4類地物，遵循隨機(jī)原則[29]完成了250余萬學(xué)習(xí)樣本的采集，樣本像元總面積約占流域的3%，其中河流、農(nóng)田耕地、山體林地、草場、城市的樣本比例為4∶2∶2∶2∶1。2017年研究團(tuán)隊在研究區(qū)域內(nèi)進(jìn)行了2次野外考察(圖2(b))，考察中記錄下80個樣本點的位置，測量了平灘河寬。因研究區(qū)域地物類型變化不大，故這80個實測樣本可作為驗證樣本。

3.2.4 DEM數(shù)據(jù)及河網(wǎng)提取 DEM河網(wǎng)作為DRYIM的結(jié)構(gòu)核心以及河道邊界條件的重要組成，其精度至關(guān)重要。低級別河流多因河寬極細(xì)，難以通過衛(wèi)星產(chǎn)品提取[23]，因此其斷面概化、河寬提取均依賴高精度DEM數(shù)據(jù)輔助。數(shù)據(jù)分為以下幾類：

(1)高分辨率DEM數(shù)據(jù)：團(tuán)隊于2016年使用點位精度6 mm、距離精度4 mm、掃描密度1 cm的徠卡三維激光掃描儀(Leica scan station 2)，經(jīng)過配準(zhǔn)、Cyclone點云處理等流程[30]生成了岔巴溝流域0.1 m DEM數(shù)據(jù)。于2006年、2017年聯(lián)合使用機(jī)載激光掃儀與實時動態(tài)差分定位技術(shù)(Real time kinematic)生成了皇甫川流域上游1 m分辨率的DEM和橋溝流域、油房渠流域0.3 m的DEM數(shù)據(jù)。

(2)基礎(chǔ)DEM數(shù)據(jù)：用于提取黃河中游、皇甫川流域河網(wǎng)的DEM基礎(chǔ)數(shù)據(jù)為2015年公布的4.1版SRTM 90 m DEM，該數(shù)據(jù)經(jīng)過NASA、USGS人工處理，高程精度優(yōu)于15 m，局部可達(dá)3 m[31]。在紙坊溝流域使用由陜西省測繪局提供的5 m DEM數(shù)據(jù)。

基于SRTM 90 m DEM v4.1，以清華大學(xué)開發(fā)的河網(wǎng)提取工具DNET(Drainage Network Extraction Tool)提取黃河中游線狀河流水系。經(jīng)驗證，DNET能在提取流域水系時最大程度的消除平行錯誤，配合SRTM 90 m DEM v4.1使用提取結(jié)果更準(zhǔn)[23，32]。使用DNET時流域最小匯流面積經(jīng)預(yù)實驗設(shè)定為0.1 km2。

3.2.5 CMPA融合降雨數(shù)據(jù) DYRIM需降雨數(shù)據(jù)驅(qū)動[7]，以缺資料地區(qū)有限的雨量站插值估算流域降水進(jìn)而模擬徑流過程往往使模擬失真[10]。為解決這一問題，本研究采用了分布式衛(wèi)星降雨融合數(shù)據(jù)CMPA(China Merged Precipitation Analysis)，通過與皇甫川流域2011—2015年的實測資料比對，驗證了CMPA數(shù)據(jù)精度及可用性[33]。

4 河流斷面形態(tài)的概化

以一般梯形等概化河流斷面形態(tài)已有一定的研究基礎(chǔ)[25]，因此通過融合有限實測資料和多源遙感數(shù)據(jù)，建立了研究區(qū)各級河流斷面概化模型：(1)繪制2010—2015年皇甫川流域及與其緊鄰流域共34個水文站的河流實測斷面，按梯形斷面概化并驗證；(2)將實測斷面對應(yīng)的最低河流級別作為斷面概化模型中高、低級別河流的分界；(3)基于研究區(qū)域及緊鄰流域的高分辨率DEM，提取了65個河流斷面，按三角形(底寬為0的梯形)概化低級別河流斷面并驗證；(4)基于多源遙感資料，提取了皇甫川流域的3個梯形斷面?；谏鲜隽鞒?，完成了對皇甫川流域各級河流斷面的概化。

4.1 基于實測數(shù)據(jù)概化斷面形態(tài)在黃河中游基于SRTM 90 m DEM數(shù)據(jù)共獲得8級DNET河流，依此將斷面分級。由高分辨率DEM所提斷面知1—3級低級別河流斷面近似“V”型；水文站實測斷面對應(yīng)河流級別為4—8級，近似呈梯形。

統(tǒng)計實測斷面，綜合比對斷面所處級別后，按梯形(三角形為底寬為0的梯形)概化[25，34]。改進(jìn)后的DYRIM模擬徑流過程時，將按河流級別調(diào)用概化斷面。概化后的斷面幾何參數(shù)見表1。

4.2 基于遙感觀測提取斷面形態(tài)現(xiàn)有研究對缺資料河流斷面的提取多基于河相關(guān)系[36]或由水槽實驗推導(dǎo)出的經(jīng)驗公式[36]，研究區(qū)域多為大江大河的下游，對山區(qū)河流、低級別河流的研究相對較少?；矢Υ饔驎簾o相關(guān)研究且僅有2個實測斷面，為更準(zhǔn)確地概化各級斷面，除參考實測資料外，還嘗試基于遙感觀測的河寬、水位提取河流斷面。

4.2.1 多源遙感觀測的河道斷面提取原理 遙感觀測斷面形態(tài)，需提取斷面關(guān)鍵幾何參數(shù)，再依據(jù)圖3所示方法獲取。由于研究區(qū)域內(nèi)的低級別河流河道極窄，即便通過高分辨率衛(wèi)星也難以提取[37]，因此本方法適用于級別相對較高河流。

圖3 多源遙感觀測的河流斷面示意

基于多源遙感觀測提取河流斷面形態(tài)的步驟如下：

(1)基于PRF-ANN(Parallel random forest and artificial neural network algorithm)河流表面信息提取方法[26]及ARWE河寬自動提取算法，提取流域高分辨率河流表面信息、河流中心線及平灘、最枯河寬。

(2)基于Birkett算法[38]提取經(jīng)河流表面信息去噪的研究區(qū)域Jason-1/2衛(wèi)星的平灘及枯水水位。

(3)確定Jason衛(wèi)星軌道與步驟(1)提取的河流表面信息的交線，交線的端點坐標(biāo)為A、B且認(rèn)為A、B處水位相等。讀取該處水位h(圖3)。

(4)按水位遞減順序，從左岸至右岸依次連接端點得圖3中最低水位以上斷面。

4.2.2 河寬自動提取 基于PRF-ANN及ARWE法提取河寬的流程為：(1)基于PRF-ANN法提取平灘、最枯流量下的河流表面信息。(2)基于ARWE算法，提取對應(yīng)河流表面信息的河流中心線及水面邊界并校正。(3)ARWE基于校正后的河流中心線及水面邊界，自動提取河寬。

4.2.3 平灘河寬及枯水河寬提取結(jié)果 基于PRF-ANN法，通過預(yù)實驗確定的流域豐、枯水期能較好區(qū)分水體及其他地物的指數(shù)，依據(jù)這些指數(shù)提取流域內(nèi)水體表面信息(包含河流、湖泊、水庫等水體的初步產(chǎn)品)。如豐水期(6—9月)選用了三價鐵離子指數(shù)(Fe3+)、歸一化水體指數(shù)(NDWI)、增強水體指數(shù)(EVI)、色彩渲染指數(shù)550(CRI550)4種指數(shù)、2種Landsat-8 TIRS熱紅外數(shù)據(jù)和4種灰度共生矩陣(GLCM)紋理指數(shù)(綠光、近紅外波段均值，紅光、近紅外波段熵)提取平灘流量下的水體表面信息?？菟谑褂眯螤钪笖?shù)(IF)、氧化鐵指數(shù)(IO)、顯色指數(shù)(CI)、Fe3+及藍(lán)光、綠光、紅光波段的4種紋理指數(shù)提取最枯流量下的水體表面信息。

水體表面信息提取完成后，需基于由流域DNET河流水系生產(chǎn)的緩沖區(qū)(半徑300～1000 m)去除湖泊、水庫、水塘等非河流水體和其他地物，再通過形態(tài)學(xué)算法、適當(dāng)人工編輯后，得到精確的河流表面信息[20]?；诰_的河流表面信息，ARWE算法結(jié)合DYRIM的子流域劃分結(jié)果共提取了1360個平灘、枯水河寬數(shù)據(jù)對(圖4(a))。提取的平灘河寬通過80組野外實測數(shù)據(jù)及15組經(jīng)高分辨率DEM斷面算得的平灘河寬檢驗，枯水期最枯水位河寬則通過水文站及Google Earth歷史影像檢驗。平灘河寬提取的R2、RMSE、平均偏差MBE分別為0.99、1.49、0.06，最小河寬對應(yīng)DNET的2級河流；枯水河寬提取的R2、RMSE、MBE分別為0.91、1.61、0.08，最小河寬對應(yīng)DNET的3級河流。提取所得流域枯、平灘河寬之比為0.31，實測值為0.25，整體結(jié)果較準(zhǔn)，提取結(jié)果的誤差分析示意見圖4(b)。平灘、枯水河寬數(shù)據(jù)對將用以提取相應(yīng)水位。

圖4 河寬提取結(jié)果及檢驗

4.2.4 平灘及枯水水位的自動提取 提取Jason系列衛(wèi)星103號軌道與皇甫川流域河流交線，據(jù)交線與河流邊界交點確定水位提取點，假定每時期、每斷面左右交點水位相等，概化河流斷面。受限于Jason衛(wèi)星的測量幅寬和過境時間等，在2012年8月6日、2017年4月17日僅從皇甫川流域自動提取到3個斷面，如圖4(a)，斷面關(guān)鍵參數(shù)見表2。

表2 遙感觀測的河道斷面

4.3 皇甫川流域斷面概化結(jié)果驗證綜合實測斷面概化結(jié)果(表1)及多源遙感斷面概化結(jié)果(表2)結(jié)果，將皇甫川流域5級河道的左、右岸坡度調(diào)整為0.44、0.35，6級河道調(diào)整為0.45、0.26。概化后的各級斷面與皇甫川流域?qū)崪y斷面對比見圖5，驗證斷面區(qū)域見圖4。

圖5 皇甫川流域斷面概化結(jié)果示意

以兩岸坡度平均偏差定量評價，驗證得1—3級低級別河道概化的坡度平均偏差+4.6%，4—7級河道概化邊坡坡度平均偏差-3.8%，故概化斷面在一定程度上能較好反映斷面真實形態(tài)。圖5(h)(i)為全流域概化模型示意。將沙圪堵、皇甫站按本模型概化后(圖5(i))可知除皇甫站因設(shè)在鄉(xiāng)鎮(zhèn)，左岸受人為活動影響使坡角接近90°外，概化斷面與實測斷面邊坡較吻合，可供模型使用。概化模型由皇甫川及與其緊鄰流域建立，概化斷面的相關(guān)參數(shù)可供黃河中游上段其他無資料流域參考。

因河流表面信息由DNET水系輔助提取，包含了DNET拓?fù)湫畔⒃趦?nèi)的所有參數(shù)，概化斷面與河流表面信息的組合可提供流域河道連續(xù)的邊界條件。

5 改進(jìn)的數(shù)字流域模型模擬結(jié)果

5.1 研究區(qū)域參數(shù)率定基于皇甫川流域河道邊界條件，建立DYRIM運行所需數(shù)據(jù)庫。模型率定基于CMPA降雨數(shù)據(jù)、皇甫及沙圪堵站2010—2015年汛期逐日流量，主要評價指標(biāo)為徑流模擬納什效率系數(shù)(Nash-sutcliffe efficiency coefficient)[39]及《水文情報預(yù)報規(guī)范》[40]中的洪峰流量相對誤差、峰現(xiàn)時間誤差。根據(jù)雙層參數(shù)率定法[41]，模型率定結(jié)果見表3。

表3 DYRIM參數(shù)率定結(jié)果

以流域出口的皇甫站為例，率定期徑流過程模擬結(jié)果如圖6。改進(jìn)后模型模擬2010—2015年汛期日徑流的平均NSE為0.83，從Ⅰ—Ⅲ區(qū)可得改進(jìn)后模型模擬日徑流過程趨勢更平緩、結(jié)果更準(zhǔn)。

圖6 率定期夏汛期徑流過程結(jié)果及對比

5.2 模擬結(jié)果及驗證以率定后參數(shù)模擬2016年7月12日—20日、7月25日—27日、8月13日—9月5日的徑流過程及2016年洪水過程，仍以流域出口的皇甫站為例，模擬結(jié)果如圖7(a)(b)所示，水力要素模擬較改進(jìn)前有較大提升。徑流模擬NSE達(dá)0.84，且模型在Ⅰ—Ⅲ區(qū)徑流過程更接近實測過程(圖7(a))，漲、落水趨勢更平穩(wěn)。進(jìn)一步分析2010—2016年模擬所得斷面水深h及平均流速v，與實測數(shù)據(jù)驗證率定期和模擬期所得水深h的平均誤差為9%，平均測小0.04 m、R2為0.86、RMSE為0.10；流速v模擬的平均誤差為7%，平均測小0.08 m/s、R2為0.80、RMSE為0.31，水力要素模擬結(jié)果均較準(zhǔn)確。

圖7 2016年夏汛期徑流過程及水力要素模擬

對洪水過程的模擬，以模擬難度較大的多峰洪水過程展示效果。模擬時間步長為匹配水文站洪水要素表的6 min。模擬洪峰流量相對誤差分別為15.1%、14.9%，均處在《水文情報預(yù)報規(guī)范》規(guī)定的20%范圍內(nèi)，模擬效果見圖8，改進(jìn)后的模型能更真實模擬主洪峰過程中的子過程，且峰現(xiàn)時間與實際接近。

圖8 典型洪水過程模擬效果及對比

模擬2010—2016年發(fā)生的共計21場洪水時，率定期18場洪水峰現(xiàn)時間較真實值平均提前約1.49 h；模擬期則為1.17 h，均處于±3 h范圍內(nèi)。模擬的峰現(xiàn)時間整體提前可能源于兩方面：(1)衛(wèi)星降雨融合產(chǎn)品在皇甫川流域仍存在一定的偏差；(2)建立數(shù)字流域模型網(wǎng)格時密度仍然稀疏，導(dǎo)致匯流時間縮短。

6 結(jié)論與展望

本文基于PRF-ANN河流表面信息提取方法及ARWE河寬提取方法，提取了皇甫川流域1360對平灘、最枯河寬數(shù)據(jù)對。結(jié)合有限的水文站實測資料及多源遙感數(shù)據(jù)，建立了皇甫川流域各級河流的斷面概化模型，得到了流域各級較完整的河道邊界條件。根據(jù)其包含的斷面幾何信息，建立了DYRIM斷面判別模塊，改進(jìn)了DYRIM匯流模型。以2010—2015年為率定期率定DYRIM參數(shù)，模擬了2016年皇甫川流域的汛期日徑流過程、水力要素及年內(nèi)的3場洪水過程。改進(jìn)后的模型模擬效果提升明顯，獲得了更準(zhǔn)確的水力要素。研究成果為水文模型改進(jìn)提供了重要基礎(chǔ)數(shù)據(jù)和參考，為模擬山區(qū)等缺資料地區(qū)河流的徑流過程及洪水預(yù)報提供技術(shù)支持。取得的主要結(jié)論如下：

(1)建立了基于多源遙感數(shù)據(jù)的河道邊界條件提取方法。該方法以傳統(tǒng)線狀DEM河流水系為基礎(chǔ)，通過PRF-ANN、ARWE法自動提取流域內(nèi)的河寬數(shù)據(jù)，結(jié)合Jason系列衛(wèi)星提取的水位數(shù)據(jù)獲得了河流斷面。融合3個多源遙感提取斷面、34個水文站實測斷面及65個高分辨率DEM斷面，以一般梯形為基礎(chǔ)建立了皇甫川流域1—7級河流的斷面形態(tài)概化模型。經(jīng)實測資料驗證，最枯河寬提取的R2和RMSE分別為0.91、1.61；斷面概化模型的左右岸坡度與實測坡度的相對誤差分別為7.2%、4.5%。

(2)建立數(shù)字流域模型斷面判別模塊，該模塊可根據(jù)河流級別自動識別河道斷面形態(tài)，并調(diào)用對應(yīng)的水流演進(jìn)方程綜合模擬流域內(nèi)各級河流的徑流過程。對2010—2016年日徑流過程模擬及驗證的NSE均優(yōu)于0.8；流速模擬的相對誤差、R2、RMSE分別為7%、0.8、0.31；水深模擬的相對誤差、R2、RMSE分別為9%、0.86、0.1。

(3)對2016年3場典型多峰洪水的模擬結(jié)果表明，改進(jìn)后的模型模擬洪峰流量的相對誤差為14.9%，峰現(xiàn)時間誤差約為1.1 h。整個率定、模擬期，21場洪水的洪峰流量相對誤差約15%，峰現(xiàn)時間提前約1.4 h。

雖然本研究改進(jìn)了DYRIM的匯流模型，提升了徑流、洪水過程及水力要素的模擬效果，但未能聯(lián)合不易受云雨干擾的雷達(dá)衛(wèi)星，暫未實現(xiàn)對河流的全天候觀測、提取。對斷面的概化尚基于較單一的一般梯形，暫未考慮更復(fù)雜的復(fù)式斷面及最枯水位以下形態(tài)，較適用于河流的中上游段，對最枯水位下仍存在較大水深的河道斷面適用性有待驗證。對DYRIM的改進(jìn)暫引入了較簡單的運動波法，還應(yīng)繼續(xù)嘗試建立更適合體現(xiàn)山區(qū)河流洪水及其輸沙特征的計算方法。