基于CMIP6多模式集合的内陆河径流模拟及预估

Simulation and prediction of inland river runoff based on CMIP6 multi-model ensemble

摘要

随着全球气候变化和人类活动的影响,以冰川融雪为主要补给来源的内陆河径流序列发生了明显变化,预测未来气候变化下内陆河流域径流变化对区域水灾害防治和水资源合理利用具有重大意义。构建分解—模拟—优化—重构模型与多模式集合平均(MME)的8种GCMs数据耦合,预测分析玛纳斯河流域2024—2030年在不同气候情景下的径流响应特征。结果表明:Model.VLE模型在径流模拟阶段R²>0.86且TPE<0.28,其模拟误差最小、稳定性最优;历史时期GCMs数据经过空间降尺度、偏差矫正和Model.VLE模型耦合的径流模拟效果最优,能够为径流预测提供可靠结果;玛纳斯河流域未来(2024—2030年)径流来水偏丰较历史时期(2000—2014年)有显著增加趋势,未来年径流变化与未来气温和降水相关,3种气候情景下未来(2024—2030年)径流无显著差异。

关键词

径流预测 / CMIP6模式 / 气候变化 / 内陆河 / 偏差校正

Key words

runoff forecast / CMIP6 mode / climate change / Inland river / deviation correction

0 引言

近年来,随着全球气候变化和人类活动对干旱区内陆河流的影响,干旱地区人水矛盾日益突出。合理利用、调配水资源成为关乎干旱地区社会经济发展的难题^[1]。准确可靠的径流预测成为水管理机构对流域内水资源合理规划、调配和利用的科学依据。当前,针对径流预测问题通常有两种解决手段:一是基于径流过程驱动的物理模型;二是基于径流数据驱动的机器学习模型^[2-3]。物理模型描述流域内的径流形成过程,需要大量的实测气象、水文数据作为支撑,但是当观测站点稀疏、水文气象资料不足时,运用这种方法存在困难并且降低模型预测精度^[4]。而数据驱动的机器学习模型则不需要考虑径流形成机理,主要通过分析径流影响因子与实际径流的关系来预测径流序列。随着人工智能的发展,机器学习模型精确度高、所需数据少等特点被广泛应用在径流预测方面。其中,随机森林回归法(Random Forest Regression,RFR)模型、极限学习机(Extreme Learning Machine,ELM)模型、长短期记忆网络(Long short-Term Memory,LSTM)模型和支持向量机(Support Vector Machine,SVM)模型等在干旱半干旱地区的径流预测中取得了良好的预测效果^[5-6]。Chen等^[7]构建IFAS与LSTM结合模型对强降雨引发的洪水研究得出,LSTM能实现较高精度的逐日降水预报。Zhang等^[8]在石羊河流域的8个子流域中利用SVM模型成功预测出月径流序列,发现SVM模型能很好地表示复杂的非线性关系。

径流序列存在高度的非平稳性和非线性特征,使机器学习模型预测精度不高,需要利用合适的时频信号分解技术对径流序列进行预处理^[9]。包苑村等^[10]研究表明,变分模态分解(Variational mode decomposition,VMD)法和极点对称模态分解(Extreme-point Symmetric Mode Decomposition, ESMD)法是两种处理径流序列的方法,可以有效提升水文预报精度的准确性。吕晗芳等^[11]用结合VMD的LSSVM模型来提高月径流模拟的精度,发现VMD-LSSVM模型较LSSVM模型更适用于复杂的多频月径流预测。但受到模型自身结构和输入数据的影响,模型精度随时间推移逐渐降低,模型预测精度难以满足实际应用的需求。集合卡曼滤波(Ensemble kalman filter,EnKF)模型通过对背景场、分析场和观测场误差协方差计算来减弱模型的不确定性,提高模型随时间序列的预测精度。岳延兵等^[12]通过将集合卡尔曼滤波和神经网络融合来研究河道洪水预报技术,发现可以有效提高河道洪水的预报精度。钱玉霞等^[13]通过“分解—校正—集成”手段对径流序列模拟研究,发现EnKF数据同化技术能够对水文时间序列进行动态修正,降低模拟误差。因此,厘清机器学习组合模型在干旱区流域的适用性有助于提高气候变化背景下流域未来径流情势预估的准确度。

玛纳斯河流域位于中国内陆干旱地区和温带大陆性气候区,气候变化敏感。径流主要依靠天山北坡冰川融水来补给,气温变化深刻影响着河川径流变化,导致径流序列呈现出高度的非稳定性、非线性和难以预测性^[14]。为进一步强化玛纳斯河流域水资源综合管理,保障流域用水安全,亟需揭示未来气候变化背景下流域径流时空演变特征。当前针对玛纳斯河流域的研究主要集中于径流模拟和归因分析上,较少涉及未来径流预测和径流趋势分析,流域未来径流变化趋势还需进一步探索^[15]。根据最近研究表明,CMIP6模式对气候物理过程模拟进行了全方位的改进,降低了气温和降水等数据的不确定性,在高海拔的山区凸显出更大的降水和升温幅度,使未来极端气候变得更为严重^[16]。当前基于CMIP6气候变化背景下使用分布式水文模型对径流模拟和预测取得很大突破,但仍缺乏机器学习组合模型在干旱区流域的径流预测和适用性研究。

针对西北内陆地区玛纳斯河流域径流序列的非稳定性和难以预测性提出多种组合模型。采用ESMD和VMD对历史径流序列分解,LSTM、RFR和SVM对分解的径流序列模拟,卡尔曼滤波法优化模拟结果^[17],构造出一种适用于玛纳斯河流域径流序列的最优模型。基于此模型与经过双线性插值法、分位数映射偏差校正的GCMs数据进行耦合预测。研究结果有助于玛纳斯河流域水资源管理和水旱灾害防治,可为区域水资源可持续利用提供数据支持。

1 研究区概况和数据来源

1.1 研究区概况

玛纳斯河流域位于东经84°43'~86°35',北纬43°21'~45°20',最高海拔5 442.5 m,最低海拔256 m,平均年径流量为1.21×10⁹ m³,流域面积约2.43×10⁴ km²。多年平均降水量为180~270 mm,多集中在6—8月,时空分布不均,年蒸发量为1 500~2 000 mm,年平均气温6~8.1 ℃,属于典型的温带大陆性干旱气候。肯斯瓦特水文站位于玛纳斯河上游出山口处,控制区域面积约占4 637 km²,是玛纳斯河径流补给的主要区域,其冰川融水对径流补给贡献率高达35.3%,河流来水丰枯极大地影响着下游城市的社会经济发展^[18]。

1.2 数据来源

2015年肯斯瓦特水文站上游水利枢纽初次蓄水,水文站实测流量为水利枢纽下泄流量;故选取2000—2014年为径流模拟时段,2024—2030年为未来径流预测时段。主要数据包括水文气象数据、CMIP6数据、历史时期的海温因子和大气环流因子(表1)。通过双变量相关性分析筛选出对径流影响显著的4项大气环流因子和3项海温因子作为径流模拟的输入数据,大气环流和海温因子的选取与杨莲梅等^[19]的研究结果有较好的一致性;选用CMIP6模式的8种GCMs历史情景实验数据和未来情景数据作为模型预测的输入数据(表1、表2)。

2 研究方法

2.1 径流序列分解方法

径流序列分解方法包括变分模态分解法(VMD)和极点对称模态分解法(ESMD)。其中VMD是完全非递归的变分模态分解方法,是在EMD的基础上提出并发展的,它比EMD和EEMD具有更好的鲁棒性^[20]。VMD通过迭代搜寻的方法来确定中心频率和有限带宽,它将径流序列g(t)分解为N个值,同时使各模态估计带宽之和最小,得出各个模态之和与原始径流序列相等的结果。具体操作步骤是构造变分问题和求出此问题的最优解^[21],VMD所构建的表达式如下:

(1) \begin{array}{l}\underset{\left\{{\mu }_n\right\},\left\{{\omega }_n\right\}}{\mathrm{m}\mathrm{i}\mathrm{n}}\left\{\stackrel{N}{\sum _{n=1}}{\left|{\partial }_t\left(\left(\delta \left(t\right)+\frac{j}{\mathrm{\pi }t}\right)\mathrm{*}{\mu }_n\left(t\right)\right){\mathrm{e}}^{-j{\omega }_{n}t}\right|}_2^2\right\}\\ \mathrm{s}.\mathrm{t}. \stackrel{N}{\sum _{n=1}}{\mu }_n=g\left(t\right)\end{array}

式中:∂_t为梯度运算; δ(t)为狄克拉函数;μ_n为径流序列模态分解的IMF;ω_n为IMF的实际中心频率;n为模式数量;g(t)为原始径流序列。

求出上述所构造的变分问题最优解。求解上式(1)并在其中引入拉格朗日算法,将其转变为非约束问题,进而得到扩展后的Lagrange表达式:

(2) \begin{array}{l}L=\left(\right\{u_k\},\{{\omega }_k\},\lambda )=\\ \alpha \sum _k{\left({\partial }_t\left[\right(\delta \left(t\right)+j/\mathrm{\pi }t\left)\mathrm{*}{u}_k\right(t\left)\right]{\mathrm{e}}^{-j{\omega }_{k}t}\right)}_2^2+\\ {\left(f\left(t\right)-\sum _k{u}_k\left(t\right)\right)}_2^2+\left[\lambda \left(t\right),f\left(t\right)-\sum _k{u}_k\left(t\right)\right]\end{array}

式中:α为惩罚因子;λ为拉格朗日乘子,利用ADMM算法进行迭代求解。

ESMD在EMD的基础上衍生得出^[22]。其可将径流序列分解为具有平稳和线性特点的多模态分量和余量,若分解之后的模态分量和趋势余项之和等于总的径流序列,标志分解结果正确。

2.2 径流预测模型

长短记忆神经网络(LSTM)是多种记忆单元组合而成的特殊循环神经网络(图1)。它克服了RNN在长时间径流序列训练过程中的梯度爆炸和消失问题,适用于非稳定性和非线性的径流预测^[23-24]。LSTM主要由遗忘门、输入门、更新细胞状态和输出门4个模块构成。其中,遗忘门主要保留有用信息,丢弃无用信息。输入门将信息更新到相应的细胞中,输出门选择将有用信息携带到下一个神经元中。

支持向量机(SVM)工作原理是通过非线性映射将输入的向量映射到高维特征空间,并且基于结构风险最小化原则构造最优分类超平面^[25]。SVM可以解决不受数据影响的非线性和小样本数据,具有较高的泛化能力。

随机森林法(RFR)是以决策树为基本模型,其样本集和输入特征集的选取都有较强的随机性。RFR将原始的径流数据随机生成若干新数据集,每个生成的新数据集对应一个决策树,最终生成的结果由所有决策树决定。其对径流数据中的异常值和噪声具有很好的容忍度,适合有高度非线性和非稳定性的径流模拟^[26]。

2.3 误差修正模型

EnKF融入预报的思想,通过马尔可夫蒙特卡洛方法对背景场、分析场和观察场误差协方差进行计算,对预测结果中的噪声加以修正,使数据更具有真实性和光滑性^[27]。具体步骤为如下。

(1)建立状态方程。

(3) X_k=AX_k-1+BU_k+W_k

式中:X_k为当前系统状态值;X_k-1为上一时刻该系统状态的值;U_k为系统控制量;W_k为模型噪声;A、B为状态系统参数矩阵。

(2)建立观测方程。

(4) Y_k=CX_k+V_k

式中:X_k为当前系统状态值;V_k为观测噪声;C为常数。

(3)根据背景场和观测场的初始特征分布添加扰动并依据公式(5)计算增益矩阵。

(5)K=P_e {H^{\mathrm{T}}}_k(KP_e {H^{\mathrm{T}}}_k+R)^-1

(4)分析添加扰动后的背景场和观测场,并求出分析场的差异。

(5)对分析场变量进行误差分析,并求解出统计样本的分析误差协方差矩阵。

(6)当前状态集合中的元素分析场更新后,将状态变量的集合均值作为下一时刻模型预测的初始值,再次进行EnKF修正。

2.4 CMIP6数据处理方法

2.4.1 空间降尺度与偏差矫正

利用双线性插值法对CMIP6中8种模式的平均气温和降水日数据进行空间降尺度处理,得到肯斯瓦特水文站CMIP6历史情景下和未来SSP1-2.6、SSP2-4.5和SSP5-8.5情景下的平均气温和降水的水文站点日数据并集合平均。使用分位数映射(QM)法依照肯斯瓦特水文站实测数据和集合平均后的CMIP6历史情景站点数据,对未来情景的空间降尺度数据进行统计偏差矫正。

双线性插值是将距离坐标点Z=(x,y)最近4个格点的值根据横坐标方向进行两次插值得到Z₁=(x,y₁)和Z₂=(x,y₂),再根据纵坐标方向插值得到坐标点函数值f(Z)(图2)。首先在横坐标轴方向进行线性插值,得到f(Z₁)和f(Z₂):

(6)f(Z₁)≈ \frac{x_2-x}{x_2-x_1}f(Z₁₁)+ \frac{x-x_1}{x_2-x_1}f(Z₂₁)

(7)f(Z₂)≈ \frac{x_2-x}{x_2-x_1}f(Z₁₂)+ \frac{x-x_1}{x_2-x_1}f(Z₂₂)

式中Z₁=(x,y₁),Z₂=(x,y₂),然后在纵坐标方向进行插值:

(8)f(Z)≈ \frac{y_2-y}{y_2-y_1}f(Z₁)+ \frac{y-y_1}{y_2-y_1}f(Z₂)

QM是基于频率分布的典型订正方法,对降水和气温的日尺度数据有较好的订正效果^[28]。本研究通过建立径流历史模拟值和实测值的经验累计概率分布函数之间的传递函数,利用传递函数来校正未来时期平均气温和降水的模拟值。分位数映射偏差校正构造如下:

(9)Y= F_{\mathrm{o}\mathrm{b}\mathrm{s}}^{-1}(F_q,base(X_q,fut))

式中:Y代表分位数映射偏差校正的结果;F_bac和F_q,bac分别代表2000—2014年水文站实测值和CMIP6各模式模拟值的经验累积分布函数;X表示CMIP6模式q在预测期的模拟值。

2.4.2 CMIP6多模式集合

单一的CMIP6模式数据存在系统偏差,对气候变化的影响评估产生较大误差,单模式数据向多模式集合数据是提高CMIP6模式精度的有效途径之一^[29]。本文使用多模式集合平均(MME)法处理经空间降尺度和偏差矫正的8种GCMs数据。多模式集合平均的计算公式如下:

(10) F_{\mathrm{M}\mathrm{M}\mathrm{E}} = \frac{1}{n} \stackrel{n}{\sum _{i=1}} F_i

2.5 模型类型及评价指标

为了比较分解—模拟—优化—重构模式下各步骤对模型模拟结果的影响,将组合模型分为3类(单一模型、分解—模拟—重构模型和分解—模拟—优化—重构模型)共计15种来评估组合模型对流域日径流模拟的优劣程度(表3)。

选取决定系数(Coefficient of Determination,R²),纳什系数(Nash-Sutcliffe efficiency coefficient,NSE),均方根误差(Root-mean-square error,RMSE)和洪峰流量误差(Relative error of peak discharge,TPE)作为模型评价指标。

3 径流模拟结果与分析

3.1 多模态分解结果

3.1.1 VMD径流序列分解

VMD分解结果的优劣常常取决于模态分量K,K的数量过多会导致过分解现象,过少则不能将径流序列中的特征有效分解出来,各模态分量的区别主要决定于中心频率。对肯斯瓦特水文站2000年1月—2014年12月的径流序列进行VMD分解,通过分量瞬时频率均值方法发现当K=7时,中心频率趋于稳定。分解结果表明,IMF1—IMF6由低频逐渐变化到高频,幅值区间由[0,100]衰减至[-30,30],其中IMF1频率最高,振幅最大,包含原始径流序列的主要信息,IMF2—IMF3存在着明显的振荡周期,振荡周期大致为1年,IMF4—IMF6为高频分量,可能与环境变化有关(图3)。

3.1.2 ESMD径流序列分解

ESMD采用最小二乘的方法优化剩余模态使其成为整个序列的自适应全局均线,以此确定最佳筛选次数为18次。根据ESMD分解后的各模态分量结果(图4),将肯斯瓦特水文站的日径流序列分解为9条模态分量和1条趋势项,IMF1、IMF2和IMF3的振荡区间大多都在[-100,100]之间,其中IMF1振荡规律相较于其他模态分量更切合玛纳斯河日径流变化规律,其振幅最大,波长最短,首先被分离出来。其余模态分量频率依次降低,振幅依次减少。趋势余项R的走势象征着2000—2014年间玛纳斯河年径流先降低后平稳的变化特征。

3.2 多模态分解下的径流模拟

3.2.1 基于单一模型的径流模拟

以2000年1月—2009年12月作为模型训练期,2010年1月—2014年12月作为模型验证期。分别建立Model.L、Model.S和Model.R 3种模型,得出玛纳斯河2000—2014年间日径流模拟结果。结果显示:训练期RFR模型模拟精度最高,呈现出Model.R>Model.L>Model.S;验证期LSTM模型模拟精度最高,具体为Model.L>Model.R>Model.S(表4)。验证期LSTM模型决定系数R²为0.781 4,说明模拟序列和真实径流序列相关程度较高,模拟结果较好,同时Model.L决定系数R²较Model.S和Model.R分别提升了4.40%和1.06%,NSE分别提升了6.11%和2.01%,RMSE分别降低了8.73%和3.26%,TPE降低了23.03%和6.08%。洪峰流量误差TPE为0.289 1,说明在上述3个模型中,Model.L模型对汛期模拟效果更好,尤其是在日径流峰值的模拟方面效果明显优于Model.S模型。

3.2.2 基于分解—模拟—重构模型的径流模拟

使用VMD和ESMD两种模态分解方法分解径流序列,并在此基础上对上述3种单一模型分别模拟。神经网络模型对高频分量预测效果不佳,ESMD高频分量所占比重大,误差累积值较大,导致验证期模拟结果低于VMD模态分解后的模拟结果。整体上,训练期ESMD分解模拟效果要优于VMD分解模拟效果,验证期VMD模拟效果优于ESMD模拟效果(表5)。

在所应用模型中,Model.VL模型无论训练期还是验证期表现都较好,说明模型对径流序列有很好的模拟效果。在验证期,Model.VL模型在Model.L模型的基础上R²提高8.20%,NSE提高2.77%,RMSE降低16.03%、TPE提高3.91%,其相较于Model.EL模型在其余指标变化不大的情况下R²提升了6.37%,说明VMD相较于ESMD可以更好地分解出玛纳斯河径流序列特征。

3.2.3 基于分解—模拟—优化—重构模型的径流模拟

各模态分量模拟后,EnKF实时校正可以在一定程度上提升模拟精度。Model.VLE模型在Model.VL模型的基础上训练期评价指标(R²,NSE,RSME和TPE)依次上升0.83%、0.78%、-12.31%和-3.91%,验证期评价指标依次上升1.94%、2.80%、3.83%和-7.96%%,EnKF校正结果在验证期上升幅度高于训练期,说明实时校正可有效提升模拟精度(表6、图5)。

EnKF模型可将径流序列平滑化处理,并依照背景场径流序列使观测场径流序列更加真实化。当观测场和背景场序列相似时,EnKF实时校正模型对径流序列的处理不明显,使验证期校正效果优于训练期校正效果。分析验证期日径流与实际日径流得出,随着预测历时的增长,Model.VLE模型对径流峰值的预测精度高于其他模型,说明该模型对径流峰值的预测有着较高的稳定性。

3.3 模型评价

图6为不同模型模拟结果的拟合图和泰勒图,拟合图可以直观地体现出模拟值和真实值的关系。对比模型较多时,仅用拟合图进行对比不全面,泰勒图可以弥补拟合图的不足,能完成多模型模拟值和实际值之间的比较分析。分析得出,泰勒图中分解—模拟—优化—重构模型相较于分解—模拟—重构模型和单一模型,在验证期相关系数R分别提高0.74%和2.25%;标准差STD分别提高10.92%和33.42%;而均方根误差RMSE分别减少0.04%和9.42%(图6)。通过模型评价和对比得出,所有模型中Model.VLE模拟结果最优。以Model.L模型为例,通过增加分解、优化和重构方法使R²和NSE精度分别提高10.30%和5.65%,RMSE与TPE分别减少10.51%和4.36%。说明通过分解、优化和重构手段模拟玛纳斯河径流序列可以明显提高模拟精度。

4 未来时期径流预测及特征分析

4.1 未来时期径流预测

以2000年1月—2014年12月为模型训练期,2024年1月—2030年12月为模型验证期;选取径流模拟中稳定性、鲁棒性和准确度更优的Model.VL模型对玛纳斯河流域未来时期径流序列进行预测。通过预测发现在训练期SSP1-2.6,SSP2-4.5和SSP5-8.5的R²和NSE均能达到0.88以上,优良的准确度对模型未来时期预测起到保障作用。CMIP6各情景下玛纳斯河流域径流量在2024—2030年未发生明显的丰枯变化,枯水期和平水期在各情景下的径流序列几乎保持一致。SSP1-2.6模式在2027年和2028年汛期径流量相对于其他情景更大,而在其余年份汛期径流量低于其他情景。SSP2-4.5情景在未来的年份径流量趋于稳定,径流变化率较低。SSP5-8.5在2030年的径流量明显高于其余情景,径流变化呈现出上升趋势(图7)。

对未来(2024—2030年)降水、气温研究发现:SSP1-2.6情景在2027年与2028年2、3季度日平均降水高于其他情景1.5 mm左右,可为河流汇流提供丰沛的水量来源。而SSP5-8.5情景在2030年第二季度平均降水高于其余情景1.8 mm/d,5月平均温度高于其余模式1 ℃/d。连绵雨季和炎热温度不仅为地区提供丰沛降水加速天山北坡冰川融化,还促进玛纳斯河流域径流的增加(图8)。

4.2 未来径流变化分析

2000—2014年,玛纳斯河流域年径流量在(1.04~1.66)×10⁹ m³之间波动,最大年径流量出现在2010年,最小年径流量出现在2014年,平均年径流量为1.38×10⁹ m³,总体呈现出减小趋势,趋势率为-2.10×10⁷ m³/a。SSP1-2.6和SSP5-8.5两种情景下玛纳斯河流域年径流量均呈现出增加趋势,SSP1-2.6模式下玛纳斯河流域2024—2030年平均年径流量约为1.41×10⁹ m³,最大年径流量约为1.56×10⁹ m³,最小年径流量约为1.25× {10}^9 {\mathrm{m}}^3,径流趋势率为2.43×10⁷ m³/a。SSP5-8.5模式下玛纳斯河流域2024—2030年平均年径流量约为1.43×10⁹ m³,最大年径流量约为1.47× {10}^9 {\mathrm{m}}^3,最小年径流量约为1.34×10⁹m³,径流趋势率为1.16×10⁷ m³/a。SSP2-4.5模式下玛纳斯河流域2024—2030年平均年径流量约为1.47× {10}^9 {\mathrm{m}}^3,最大年径流量约为1.52×10⁹ m³,最小年径流量约为1.39×10⁹ m³,径流趋势率为-5.25×10⁶ m³/a,呈减小趋势。

不同情景径流变化特征表明,相较于历史时期(2000—2014年),玛纳斯河流域肯斯瓦特水文站多年平均径流在未来(2024—2030年)变幅较小且来水偏丰,径流量相较于历史时期有较大的增加幅度,相比于历史时期,玛纳斯河未来多年平均径流量的增加幅度在2%~7%之间,其中汛期径流量的增加幅度在3%~8%,非汛期径流量的变化不显著。汛期径流量增加,非汛期径流量无明显变化可能会更加凸显玛纳斯河流域水资源年内分配不均的问题。

5 结论与讨论

运用预报因子筛选、不同机器学习模型组合和模拟结果优化等手段对玛纳斯河肯斯瓦特水文站进行日径流模拟,对比分析构建出Model.VLE模型并验证其在玛纳斯河流域径流模拟的适用性,在Model.VL基础上使用CMIP6的8种GCMs数据,并通过双线性插值法和分位映射偏差矫正法预估玛纳斯河流域未来(2024—2030年)在3种排放情景下(SSP1-2.6,SSP2-4.5和SSP5-8.5)的温度和降水的变化,使用8种GCMs集合平均数据驱动Model.VL模型,预测出玛纳斯河流域未来日径流序列。主要结论如下。

(1)与ESMD分解方法相比,VMD分解方法在平稳化处理径流序列的基础上能更好地提取日径流序列有效信息,对处理高度不稳定性、非线性和非平稳性的径流序列具有更好的抗干扰性和鲁棒性,降低了模型预测的难度。

(2)Model.VLE模型在模拟精度、模拟稳定性以及对径流峰值TPE的预测方面相较于其他模型更加突出,有其独特优势,为实现非平稳性的日径流序列模拟提供了一种新的途径,适合应用于干旱半干旱,洪水突发性高的地区。

(3)基于历史气象数据构建的Model.VL模型在玛纳斯河流域适用性较好,各水文站日径流模拟(2000—2014年)的NSE均大于0.88,R²均大于0.87;偏差矫正和降尺度处理的GCMs数据能有效反映出玛纳斯河流域未来日平均气温和降水的变化,因此使用校正后的GCMs数据耦合Model.VL模型能够应用于未来气候变化下的径流预测。

(4)各排放情景模式下未来近期(2024—2030年)流域径流量呈现丰水状态,并且径流变化率小于历史时期(2000—2014年)。玛纳斯河流域径流补给主要依靠冰川融雪和降雨,对未来近期而言,气温和降水升高可对径流变化起到正向作用,但对未来远期影响作用还需进一步研究。

参考文献

[1] 陈亚宁, 李稚, 范煜婷, 西北干旱区气候变化对水文水资源影响研究进展[J]. 地理学报, 2014, 69(9): 1295-1304.

[2] 骆成彦, 陈伏龙, 何朝飞, CMADS在玉龙喀什河径流模拟中的适用性研究[J]. 干旱区研究, 2022, 39(4): 1090-1101.

[3] MALIK M A, DAR A Q, JAIN M K. Modelling streamflow using the SWAT model and multi-site calibration utilizing SUFI-2 of SWAT-CUP model for high altitude catchments, NW Himalaya’s[J]. Modeling Earth Systems and Environment, 2022, 8(1): 1203-1213.

[4] 黄平, 赵吉国. 流域分布型水文数学模型的研究及应用前景展望[J]. 水文, 1997(5): 6-11.

[5] HU C H, WU Q, LI H, et al. Deep learning with a long short-term memory networks approach for rainfall-runoff simulation[J]. Water, 2018, 10(11): 1543.

[6] 祁继霞, 粟晓玲, 张更喜, VMD-LSTM模型对不同预见期月径流的预测研究[J]. 干旱地区农业研究, 2022, 40(6): 258-267.

[7] CHEN Y C, GAO J J, BIN Z H, et al. Application study of IFAS and LSTM models on runoff simulation and flood prediction in the Tokachi River basin[J]. Journal of Hydroinformatics, 2021, 23(5): 1098-1111.

[8] ZHANG L Y Z, PANG B, XU Z X, et al. Assessment on the applicability of support vector machine-based models for runoff simulation in Shiyang River basin[J]. Journal of Arid Land Resources and Environment, 2013, 27(7): 113-118.

[9] 蔡文静, 陈伏龙, 何朝飞, 基于时频分析的LSTM组合模型径流预测[J]. 干旱区地理, 2021, 44(6): 1696-1706.

[10] 包苑村, 解建仓, 罗军刚. 基于VMD-CNN-LSTM模型的渭河流域月径流预测[J]. 西安理工大学学报, 2021, 37(1): 1-8.

[11] 吕晗芳, 赵雪花, 桑宇婷, 基于VMD-LSSVM的月径流预测方法研究[J]. 中国农村水利水电, 2020(8): 166-170, 176.

[12] 岳延兵, 李致家, 范敏. 集合卡尔曼滤波与神经网络融合的洪水预报研究[J]. 水力发电学报, 2014, 33(1): 23-28.

[13] 钱玉霞, 陈伏龙, 何朝飞, “分解—校正—集成” 模式下基于深度信念网络模型的径流预测[J]. 长江科学院院报, 2024, 41(5): 35-44.

[14] 何朝飞, 骆成彦, 陈伏龙, 基于CMIP6多模式的和田河流域未来气候变化预估[J]. 地学前缘, 2023, 30(3): 515-528.

[15] 任锦豪, 乔长录, 赵进勇, 基于主成分分析法的玛纳斯河水文情势分析[J]. 水电能源科学, 2022, 40(1): 25-29.

[16] HAMED M M, NASHWAN M S, SHAHID S. Inter-comparison of historical simulation and future projections of rainfall and temperature by CMIP5 and CMIP6 GCMs over Egypt[J]. International Journal of Climatology, 2022, 42(8): 4316-4332.

[17] EVENSEN G. Sequential data assimilation with a nonlinear quasi-geostrophic model using Monte Carlo methods to forecast error statistics[J]. Journal of Geophysical Research: Oceans, 1994, 99(C5): 10143-10162.

[18] 柳梅英, 包安明, 陈曦, 近30年玛纳斯河流域土地利用/覆被变化对植被碳储量的影响[J]. 自然资源学报, 2010, 25(6): 926-938.

[19] 杨莲梅, 关学锋, 张迎新. 亚洲中部干旱区降水异常的大气环流特征[J]. 干旱区研究, 2018, 35(2): 249-259.

[20] ZOSSO D, DRAGOMIRETSKIY K. Variational mode decomposition[J]. IEEE Transactions on Signal Processing, 2014, 62(3): 531-544.

[21] 李文武, 石强, 王凯, 基于变分模态分解和深度门控网络的径流预测[J]. 水力发电学报, 2020, 39(3): 34-44.

[22] 李继清, 王爽, 黄婧, 应用极点对称模态分解分析径流时空演化规律[J]. 水力发电学报, 2020, 39(7): 73-87.

[23] 殷兆凯, 廖卫红, 王若佳, 基于长短时记忆神经网络(LSTM)的降雨径流模拟及预报[J]. 南水北调与水利科技, 2019, 17(6): 1-9, 27.

[24] LIU P, WANG J, SANGAIAH A K, et al. Analysis and prediction of water quality using LSTM deep neural networks in IoT environment[J]. Sustainability, 2019, 11(7): 2058.

[25] 汪嘉杨, 王文圣, 李祚泳, 基于TS-SVM模型的水安全评价[J]. 水资源保护, 2010, 26(2): 1-4, 9.

[26] 钟登华, 田耕, 关涛, 基于混沌时序—随机森林回归的堆石坝料加水量预测研究[J]. 水力发电学报, 2018, 37(8): 1-12.

[27] EVENSEN G. Sampling strategies and square root analysis schemes for the EnKF[J]. Ocean Dynamics, 2004, 54(6): 539-560.

[28] TONG Y, GAO X J, HAN Z Y, et al. Bias correction of temperature and precipitation over China for RCM simulations using the QM and QDM methods[J]. Climate Dynamics, 2021, 57(5): 1425-1443.

[29] 赵梦霞, 苏布达, 姜彤, CMIP6模式对黄河上游降水的模拟及预估[J]. 高原气象, 2021, 40(3): 547-558.

基金资助

国家自然科学基金项目(52169005)

新疆兵团科技创新人才计划项目(2023CB008-08)

南疆重点产业创新发展支撑计划项目(2022DB024)

2023年新疆维吾尔自治区研究生创新计划项目