mike11nam模型在三江平原撓力河流域的應用

mike11nam模型在三江平原撓力河流域的應用

扎利河盆地位于黑龍江省三江平原的內(nèi)陸。20世紀50年代以來，該地區(qū)經(jīng)歷了高強度的農(nóng)業(yè)開發(fā)活動，該地區(qū)的景觀結(jié)構(gòu)和生態(tài)特征發(fā)生了顯著變化。大量濕地恢復，濕地面積逐年減少。作為“北大荒”的重要組成部分,撓力河流域生態(tài)環(huán)境的劇烈變化具有典型的代表性。大規(guī)模土地開發(fā)活動和水利工程建設(shè)是流域濕地景觀結(jié)構(gòu)變化的主要驅(qū)動力,農(nóng)業(yè)開發(fā)活動疊加氣候變化對流域水文情勢產(chǎn)生了重要影響。在水文水資源的管理實踐中,氣候變化以及農(nóng)業(yè)開發(fā)等活動對流域水資源的影響往往無法直接通過數(shù)據(jù)反映,水文模型常被用于提供水資源管理決策所必須的一些重要信息。傳統(tǒng)上,水文模型可以分為經(jīng)驗黑箱模型(empiricalblackbox)、集總式概念模型(lumpedconceptualmodel)和分布式物理模型(distributedphysicallybasedmodel)。在具體研究中選擇使用何種模型依賴于研究區(qū)水文過程的復雜性、可獲得的數(shù)據(jù)量以及具體的管理目標。經(jīng)驗模型以及集總式概念模型雖然結(jié)構(gòu)簡單,但是它們僅依賴有限的數(shù)據(jù)和較少的參數(shù)即可對流域主要水文過程進行有效的模擬,所以在實踐中一直被廣泛應用。本研究將MIKE11水動力模型(HD)和降雨徑流模型(NAM)耦合,應用到三江平原撓力河流域,探討了模型在該區(qū)的適用性;通過模型率定得到了該區(qū)下墊面水文特征參數(shù);模型為了解撓力河流域水文情勢的變化提供了重要的手段,也為制定相關(guān)的水資源配置方案提供了依據(jù)。1材料和方法1.1子流域分布及水文特征撓力河流域位于黑龍江省東部地區(qū),為烏蘇里江一級支流。地理坐標為131°~134°E,46°~48°N。流域總面積23606km2,其中:山區(qū)占總面積的33.5%;丘陵地區(qū)占總面積的4.8%;平原地區(qū)占總面積的61.7%,平原區(qū)平均海拔約60m。撓力河發(fā)源于完達山脈勃利縣境內(nèi)的七里嘎山,自西南流向東北,全長596km。流域內(nèi)支流發(fā)達,尤其是在上游山區(qū),其中大型的支流包括大索倫河、小索倫河、蛤蟆通河、七里沁河和七星河等(圖1)。撓力河干流寶清鎮(zhèn)以上為淺山丘陵區(qū),河道坡降較大;寶清鎮(zhèn)以下坡降較緩,過渡性的丘陵面積很少,洪水經(jīng)常泛濫出槽,長期滯留于地表和淺層土壤中,造成大片河灘地的沼澤化。本區(qū)屬于中溫帶大陸性季風氣候區(qū),半濕潤地帶,夏季高溫多雨,冬季干冷而漫長。根據(jù)本區(qū)歷年氣象資料統(tǒng)計,多年平均氣溫為2.7℃;最高氣溫出現(xiàn)在7月份,月平均氣溫為21.9℃,極端最高氣溫36.6℃;最低氣溫出現(xiàn)在1月份,月平均氣溫為-18.1℃,極端最低氣溫為-37.2℃。多年平均降水量為545mm,多年平均水面蒸發(fā)量為702mm,降水量大部分集中在6—9月份,占全年降水量的70%。由于地處高緯度地區(qū),有較長的冰凍期(150~180d),春季融雪對地表徑流有相當大的貢獻。三江平原地區(qū)曾是我國最大的淡水沼澤濕地集中分布區(qū),但是自1955年以來,該區(qū)進入迅速開荒期,大批農(nóng)場建立,耕地猛增,經(jīng)過近半個世紀的開墾,三江平原已經(jīng)由成片的自然濕地轉(zhuǎn)化為我國重要的商品糧基地,為提高全國糧食產(chǎn)量和解決人民溫飽問題做出了巨大貢獻。而這背后的代價就是該區(qū)濕地的全面退化和消失,天然濕地損失率高達80%,原始的森林-草原-沼澤為主的天然生態(tài)環(huán)境基本被以農(nóng)田為主的人工生態(tài)環(huán)境所取代。建模所需主要數(shù)據(jù)包括降雨、蒸散發(fā)和溫度等輸入氣象數(shù)據(jù),以及用于模型率定和驗證的地表徑流數(shù)據(jù),其中氣象資料來源于研究區(qū)內(nèi)的氣象站及雨量觀測站。流域內(nèi)共有4個水文站(圖1)。氣象和徑流數(shù)據(jù)均為逐日觀測資料,數(shù)據(jù)分別獲取自中國氣象科學數(shù)據(jù)共享服務平臺、黑龍江省氣象局和水文局。NAM模型在模擬一個面積大、地形復雜、支流眾多的流域時,通常把該流域劃分為若干個子流域,每個子流域進行單獨模擬。本研究基于ArcGIS的ArcHydro水文分析工具,按照DEM數(shù)據(jù)預處理→確定水流方向→匯流累積柵格計算→提取河網(wǎng)→流域分割等步驟實現(xiàn)了對撓力河流域邊界、水系和子流域等水文特征的提取,最終劃定的子流域分布見圖1。寶清、保安和紅旗嶺3個子流域的面積分別為3594.11、1248.24和1124.41km2。1.2u3000e11d模型由丹麥水資源與水環(huán)境研究所(DHI)研制的一維河道模型MIKE11可以對一維地表明渠流的水動力、水質(zhì)以及沉積物轉(zhuǎn)移過程進行高效、全動態(tài)的模擬。MIKE11水動力模塊HD和降雨徑流模塊NAM一同包含在MIKE11模型之中。NAM是丹麥語“Nedbue54fr-Afstrue54fmnings-Model”的簡稱,其含義是“降雨徑流模型”,該模型最初由丹麥技術(shù)大學水動力和水資源系開發(fā)。NAM模型是一個集總式、概念性的模型,基于中等強度的數(shù)據(jù)支持即可對陸相水循環(huán)的主要過程進行簡化、定量模擬。從20世紀60年代起,NAM模型被廣泛應用到世界各地具有不同水文情勢和氣候條件的區(qū)域,是一個經(jīng)過大量工程實踐驗證的模型工具。作為一個概念性的集總模型,NAM將整個流域作為一個模擬單元,各參數(shù)或變量代表整個流域的平均取值。因此,大部分參數(shù)的最終取值需要通過水文監(jiān)測數(shù)據(jù)進行率定。模型通過連續(xù)計算4個不同且相互關(guān)聯(lián)的儲水層(Storages)的含水量來模擬流域降雨徑流過程,每個儲水層代表了流域不同的物理單元,分別是積雪儲水層、地表儲水層、土壤或植物根區(qū)儲水層、地下水儲水層,模型可以模擬連續(xù)時間段的水文過程,也可以模擬單次降雨事件。此外,NAM模型也能在一定程度上模擬人類活動對流域水文的影響,如灌溉和地下水抽取等,但是其描述強度不高。HD模塊是MIKE11模型的核心,一個標準的MIKE11HD模型通過河網(wǎng)文件明確河道走向和位置,通過斷面文件描述河道三維物理特性,通過邊界文件確定河道的邊界流量或水位,通過參數(shù)文件定義河道基礎(chǔ)水力學參數(shù)。在NAM模型和HD模型耦合時,NAM模型模擬產(chǎn)生的徑流作為旁側(cè)入流進入到HD模型的河網(wǎng)中,可以設(shè)定將入流沿整個耦合河道均勻分布輸入,也可以僅從河道某一個里程點輸入。HD模型將流入的徑流作為計算河道沿程水位和流量的邊界條件處理。表1總結(jié)了NAM模型考慮的主要參數(shù)以及它們的取值范圍,同時列出了在本研究中這些參數(shù)的初始取值。1.3模型的建立和驗證1.3.1流域內(nèi)水文站率定的指標分析MIKE11/NAM模型的參數(shù)代表流域范圍內(nèi)的平均值,基本上都無法通過對流域特性的定量測試得到,因此模型參數(shù)需要率定。參數(shù)率定的過程,實際上就是不斷調(diào)整各參數(shù)值,直到計算的徑流與流域出口實測流量達到較好的擬合。率定的參數(shù)見表1。研究區(qū)內(nèi)的4個水文站中,寶清、保安、紅旗嶺3個站點控制著對應的源頭子流域,對這3個子流域進行單獨率定。根據(jù)掌握的水文和氣象數(shù)據(jù)情況,按樣本分割法,以1990-01-01至1992-12-31作為模型率定期,1997-01-01至1999-12-31作為模型驗證期。參數(shù)率定由計算機自動率定程序完成。1.3.2多目標率定的模型構(gòu)建為了評價模型率定的效果,通?？紤]以下4個操作性比較強的率定目標:平均模擬徑流量與實測徑流量吻合(表示總水量平衡);總體上水文過程線的形狀能較好地吻合;峰值流量吻合,包括考慮峰現(xiàn)時間、流速以及水量;低流量吻合。在實際的率定過程中根據(jù)需要對以上4項進行權(quán)衡。如果某一項相對更重要,那么這一項需優(yōu)先考慮。在率定時,圖形及量化的考核指標都需要考慮。圖形比較既比較模擬和實測水文過程線,同時還比較累積的徑流。而數(shù)值量化的評價標準(目標函數(shù))包括總水量平衡誤差、總體RMSE(反映水文過程線的形狀吻合)、峰值平均RMSE(反映峰值擬合程度)和低流量平均RMSE(反映低流量擬合程度),分別對應上面提到的4個率定目標。1)總水量平衡誤差2)總體RMSE3)峰值平均RMSE4)低流量平均RMSE式中:Qobsi為時間步長i時的實測流量值(m3/s);Qsimi為時間步長i時的模擬值(m3/s);N為率定期間總的步長數(shù);Mp為模擬期峰現(xiàn)次數(shù);Ml為低流量事件次數(shù);nj為第j次洪峰/低流量事件時間步長數(shù);θ對應所率定的模型參數(shù);wi為權(quán)重系數(shù)。洪峰事件的定義是流量大于某一閾值的時間段;低流量事件是流量小于某一閾值的時間段。本研究中峰值和低流量閾值按照不同子流域的實際徑流過程取不同的值。在多目標率定的情況下,參數(shù)尋優(yōu)的問題可以歸結(jié)為在參數(shù)空間Θ中尋找一個參數(shù)集θ,滿足下面的函數(shù):式(5)的解一般不只一個,根據(jù)不同的關(guān)注重點(目標函數(shù))可得到不同的解,這些解構(gòu)成了所謂的帕累托前沿(Paretofront)。處于帕累托前沿的每一個參數(shù)集實際上都是最優(yōu)解之一,只是它們側(cè)重于不同的目標。實際選取最優(yōu)參數(shù)集時要根據(jù)模型應用的需要。本研究在率定時同時考慮了總水量平衡、過程線總體形狀、峰值擬合和低流量擬合。4個目標函數(shù)取相同的權(quán)重值。1.3.3局部尋優(yōu)算法參數(shù)尋優(yōu)的算法一般可以分為局部尋優(yōu)算法和全局尋優(yōu)算法。局部尋優(yōu)算法對于單峰函數(shù)來說效率較高,因為在這種情況下無論起點的位置在何處,攀爬搜索最終會達到最優(yōu)解。但是,一般的數(shù)值模擬模型目標函數(shù)曲面都可能含有多個局部最優(yōu)點,在這種情況下局部尋優(yōu)算法的效果降低,因為尋優(yōu)結(jié)果依賴于搜索起始點,極容易陷入局部最優(yōu)。因此,對于多峰函數(shù)而言,全局最優(yōu)算法效果更好。常用的全局尋優(yōu)算法包括SCE(ShuffledComplexEvolution)算法、遺傳算法(GeneticAlgorithms)、模擬退火算法(SimulatedAnnealingAlgorithm)等。SCE(洗牌復形演化)算法引入競爭演化機制,采用多個單純形算子并行搜索解空間,克服了局部尋優(yōu)算法容易陷入局部最優(yōu)的問題。作為目前解決非線性復雜的分布式水文模型參數(shù)尋優(yōu)問題最為成功的方法之一,SCE算法在國內(nèi)外的模型實踐中得到廣泛應用,被證明是一種高效而穩(wěn)健的全局尋優(yōu)算法。MIKE11/NAM模型的參數(shù)自動率定采用SCE算法。1.3.4型啟動之后數(shù)值分析引擎的迭代計算NAM模型的自動率定實際上是一個循環(huán)迭代的計算過程,在耦合模型啟動之后數(shù)值分析引擎會不斷進行迭代計算,在表1所給定的參數(shù)空間中搜尋最優(yōu)的參數(shù)值。判斷搜索何時終止的標準有2個:目標函數(shù)收斂和達到設(shè)定的最大迭代次數(shù)。本研究最大迭代次數(shù)取2000次。1.4定量指標及誤差系數(shù)模型模擬效果的評價采取目視比較和定量指標相結(jié)合的方法。其中定量指標采用Nash-Sutcliffe系數(shù)R2和水量平衡誤差系數(shù)FBal。其表達式分別為:式中:為實測平均徑流量(m3/s),模擬平均徑流量(m3/s)。2有效性對比分析使用NAM模型的自動率定工具,對MIKE11/NAM模型進行率定,3個子流域各參數(shù)的最終取值見表2。總體來看,寶清和保安子流域參數(shù)的取值差異不大,而紅旗嶺子流域參數(shù)的取值和其他2個區(qū)域相比有一定差異,尤其是TOF和TIF。各子流域?qū)崪y徑流與模擬徑流對比見圖2。從圖中可以看出,3個子流域率定期間模擬徑流和實測徑流過程線均能達到較好的吻合。模型能夠較好地模擬不同年份間的徑流差異,對于洪峰以及低流量事件模擬效果也較好。3個子流域模型在率定期和驗證期的表現(xiàn)見表3,其中寶清和保安2個子流域在率定期的模型Nash-Sutcliffe系數(shù)R2均超過0.80,按照Henriksen等劃定的模型擬合優(yōu)度評判標準,模擬效果達到極好。率定期的模擬結(jié)果說明,MIKE11/NAM模型可以比較好地模擬研究區(qū)的降雨徑流過程。以率定好的模型為基礎(chǔ),用1997-01-01至1999-12-31期間的數(shù)據(jù)對模型進行驗證。驗證期模擬和實測徑流過程線比較見圖3。可以看出在1997和1998年3個子流域的徑流模擬值和實測值均能達到較好的吻合,但模型容易低估洪峰流量;在1999年模型模擬效果較差,這也直接導致了在整個驗證期模型模擬效果明顯低于率定期。紅旗嶺子流域模型在驗證期對春季融雪徑流的模擬明顯不足?？傮w而言,雖然水量平衡誤差已經(jīng)控制在較低的范圍內(nèi),但是模型的Nash-Sutcliffe系數(shù)R2明顯低于率定期。3模型率定與驗證NAM模型自開發(fā)以來,在洪水預報、水資源管理、水質(zhì)模擬、缺監(jiān)測資料區(qū)徑流模擬、河流施工工程對防洪安全的影響等方面均有著廣泛的應用。本研究以三江平原撓力河流域為研究區(qū),基于流域范圍的氣象、水文和下墊面基礎(chǔ)數(shù)據(jù)構(gòu)建了MIKE11/NAM模型;采用自動率定方法,以流域內(nèi)水文站1990-01-01至1992-12-31期間徑流數(shù)據(jù)對各子流域模型進行了率定,并以1997-01-01至1999-12-31期間徑流數(shù)據(jù)對模型進行了驗證。模擬結(jié)果說明,MIKE11/NAM模型可以對撓力河流域降雨徑流過程進行較好的模擬,模型在率定期的表現(xiàn)優(yōu)于驗證期。3.1驗證期流域水文過程造成模型在驗證期模擬效果降低的最主要原因可能是流域下墊面性質(zhì)的改變。作為一個集總式的概念模型,NAM僅需要較少的數(shù)據(jù)即可驅(qū)動模型,但它的不足在于只能對整個研究區(qū)的水文特性進行平均考慮,而無法把握流域下墊面的空間異質(zhì)性;同時,模型的部分參數(shù)也并不具有直接的物理意義,如果流域特性(如土地利用、土壤及氣候條件等)在模擬期間有重大變化,模擬的效果就會降低,在每個變化的情景下,概念模型都需要進行重新率定。近50年來三江平原景觀格局發(fā)生了深刻的變化,由于農(nóng)業(yè)開發(fā)和水利工程建設(shè),75%以上的濕地喪失,生物多樣性下降,并且近20年來(1989—2007年)濕地退化的趨勢并沒有停止。撓力河流域的背景景觀已經(jīng)由20世紀中期時的濕地轉(zhuǎn)換為當前的耕地和農(nóng)田。由于農(nóng)業(yè)開發(fā)導致的流域下墊面特性的改變,必然會對流域水循環(huán)過程構(gòu)成影響;反映到耦合的集總式模型中,就是對應的相關(guān)水文參數(shù)的改變。率定期間得到的一套最優(yōu)參數(shù)可能已經(jīng)不能真實反映驗證期流域的各主要水文過程,驗證期和率定期的時間差異越大,這種效應越明顯(圖3)。從這個角度來講,三江平原地區(qū)近幾十年的農(nóng)業(yè)開發(fā)活動對流域水文情勢的影響得到了驗證。3.2水文參數(shù)估計誤差Refsgaard等認為水文模型中模擬值與實測值之間誤差的主要來源為:輸入氣象數(shù)據(jù)中的誤差;水文觀測數(shù)據(jù)的誤差;模型本身在概化各水文過程時存在的不足;不恰當?shù)膮?shù)選擇所導致的誤差。對于建模者而言,前2個因素是不可控的,因而只有盡可能減小后2個因素的影響。3.2.1降雨空間異質(zhì)性數(shù)據(jù)是驅(qū)動水文模型運行的核心。模型中涉及到的數(shù)據(jù)包括氣象輸入(降水、溫度和潛在蒸散發(fā)等)、用于模型率定和驗證的地表徑流數(shù)據(jù)。這些數(shù)據(jù)的時空精度對模型的模擬結(jié)果都有重要影響。降雨的空間變異性在地表產(chǎn)流過程中扮演著關(guān)鍵角色,因此對于大尺度水文建模而言,對降雨空間異質(zhì)性的估計程度直接影響到模型的結(jié)果。但是,對于大部分模型而言,由于氣象站或雨量站定點監(jiān)測的限制,仍然只能假定在局部區(qū)域降雨量是平均的,這顯然不符合實際情況。本研究雖然獲取了流域內(nèi)多個氣象站和雨量站的氣象數(shù)據(jù),但其空間分辨率仍然有限(圖1),尤其是在紅旗嶺子流域,雨量站的分布比較稀疏,該區(qū)降水數(shù)據(jù)只能根據(jù)周邊的雨量站和氣象站數(shù)據(jù)加權(quán)平均求得,使得該區(qū)氣象數(shù)據(jù)精度降低,這在一定程度上也導致在參數(shù)率定時紅旗嶺子流域的參數(shù)取值精度可靠性降低,與其他2個子流域差異較大,同時也造成紅旗嶺子流域徑流模擬效果相對較差。隨著遙感手段更多地引入水文模型研究中,大量的分布式輸入數(shù)據(jù)的獲得變得可能,尤其是在經(jīng)濟欠發(fā)達和缺監(jiān)測資料的偏遠地區(qū),基于遙感數(shù)據(jù)解譯得到的分布式模型輸入驅(qū)動水文模型將從數(shù)據(jù)基礎(chǔ)方面改善模型的效果和應用。3.2.2模型對降雨徑流過程的模擬不足MIKE11/NAM模型只能對流域主要產(chǎn)匯流過程進行概念性的集總式模擬,對于一個人為干擾較小的自然封閉流域該模型的模擬效果可能比較好;而如果流域存在強烈的人為干擾,主要的水文過程復雜多變時,該模型的模擬效果可能就會降低。三江平原作為全國重要的商品糧基地,大面積農(nóng)田灌溉水源均來自地下水抽取。雖然NAM模型可以在一定程度上對抽水灌溉進行集總式的模擬,但是這種模擬的精度很低,不能真實反映農(nóng)田空間格局的變化以及農(nóng)作物需水量的時間變化;另一方面,該流域地處高緯度地區(qū),有漫長的冰凍期,模型對降雪/融雪過程的模擬也不足(圖3),這些因素都增加了模型的不確定性,直接或間接地導致了在率定期和驗證期模型水量平衡誤差均較大。概念性模型如果對于關(guān)鍵的水文過程處理過于簡化,那么率定得到的模型可靠性會降低,不能反映流域真實特性。因此,雖然MIKE11/NAM模型可以對研究區(qū)的降雨徑流過程進行有效的模擬,但是它無法對研究區(qū)的融雪、人為干擾(抽水灌溉等)、不同土地利用類型的水文特性等進行深入考慮。如果水文建模的目的包含對流域細節(jié)水循環(huán)過程的了解,就必須借助于空間離散的分布式水文模型,例如MIKESHE模型。3.2.3多目標率定模型不確定性的另一個來源是最優(yōu)參數(shù)集的選取。水文模型的參數(shù)率定方法一般來說可分為手動率定和自動率定。對于經(jīng)驗豐富的水文學家來說,通過手動率定獲得一個理想的模型是可能的。但是,手動率定缺乏對模擬值和實測值之間差異的定量化描述,不能確切地給出模型模擬的置信區(qū)間;同時,手動率定耗時耗力,對于缺乏經(jīng)驗的水文工作者來說更具挑戰(zhàn)。參數(shù)自動率定能克服以上困難,基于參數(shù)尋優(yōu)理論,依靠計算機循環(huán)迭代計算得到最優(yōu)的參數(shù)集。與手動率定相比,自動率定高效并且能明確地給出模型模擬結(jié)果的置信度,但自動率定未能納入經(jīng)驗的知識,有時會給出不合乎實際情況的最優(yōu)參數(shù)集(一個率定效果十分優(yōu)秀的模型不一定具有優(yōu)秀的預測效果);另一種情況是其結(jié)果可能陷入局部最優(yōu),而非全局最優(yōu)。因此,水文模型參數(shù)率定應該在利用好計算機自動優(yōu)化方法的同時,充分發(fā)揮人的知識和經(jīng)驗,獲得合理的全局最優(yōu)解。實際上,由于在參數(shù)自動率定時同時均衡考慮了4個目標,最終選取的最優(yōu)參數(shù)集是這4個目標函數(shù)權(quán)衡之后的結(jié)果。在多目標率定的背景下,能夠使模擬達到擬合的參數(shù)集不僅僅只存在一組,一系列不