劉松楠 汪 君 王會軍

1 南京信息工程大學(xué)氣象災(zāi)害預(yù)報預(yù)警與評估協(xié)同創(chuàng)新中心，南京 210044 2 中國科學(xué)院大氣物理研究所竺可楨-南森國際研究中心，北京 100029 3 應(yīng)急管理部國家自然災(zāi)害防治研究院，北京 100085

提 要： 2017年6月18日14時，北京門頭溝區(qū)石羊溝流域爆發(fā)山洪泥石流，造成人員傷亡。使用站點降水、融合降水、雷達降水和衛(wèi)星降水驅(qū)動WRF-Hydro水文模型運行，評估不同降水資料在本次山洪模擬中的效能。結(jié)果表明，各種降水的空間分布和時間演變較為相似，但除雷達降水外，其他降水均存在較大程度的低估。利用雷達降水模擬出的山洪與實際山洪在出現(xiàn)時間和洪峰流量上最為相近，利用其他降水模擬的山洪出現(xiàn)時間相近但低估了洪峰。目前常規(guī)臺站觀測降水暫不滿足對小尺度突發(fā)山洪的研究和預(yù)警需求，亟需融合更多的自動站和雷達、衛(wèi)星等實時高分辨率降水產(chǎn)品。

引 言

2017年6月18日14時(北京時，下同)左右，北京門頭溝齋堂地區(qū)突降暴雨，與上游暴雨結(jié)合，致使門頭溝區(qū)石羊溝流域暴發(fā)山洪，造成5人死亡，1人失蹤。突發(fā)大暴雨是誘發(fā)此次山洪的主要原因。此流域較小，常規(guī)站點觀測網(wǎng)絡(luò)沒能捕捉到這次暴雨事件，因此未能發(fā)布災(zāi)害預(yù)警信息，造成了較大的影響。

山洪會對生命安全和國家經(jīng)濟造成較大影響(文明章等，2013)，據(jù)《中國水旱災(zāi)害公報》，2000—2017年我國平均每年因山洪及其誘發(fā)的滑坡、泥石流等造成的死亡人數(shù)高達870人，占洪澇造成死亡人數(shù)的72.62%(國家防汛抗旱總指揮部和中華人民共和國水利部，2006—2017)。降水作為一種重要的氣象要素，其時空分布直接影響山洪等災(zāi)害的發(fā)生與否。降水是水文模型最重要的氣象強迫(Gourley and Vieux，2005；包紅軍等，2016；Zhang et al，2019)，降水?dāng)?shù)據(jù)質(zhì)量的好壞直接影響了水文模型模擬預(yù)報的準(zhǔn)確性，降水?dāng)?shù)據(jù)質(zhì)量越高，模型模擬預(yù)報的結(jié)果越好，對于山洪等災(zāi)害的模擬預(yù)報也就更加準(zhǔn)確。

獲得降水?dāng)?shù)據(jù)的方法一般有三種：氣象站點觀測、雷達反演和衛(wèi)星遙感測量，這三種方法有各自的優(yōu)缺點(Li et al，2013)。氣象站點觀測(包括國家級氣象站和自動站)是對降水的直接測量，準(zhǔn)確度較高，但站點分布較為稀疏且不均(宇婧婧等，2015)，在中國西部和山區(qū)站點較少，不能很好地代表西部和山區(qū)降水的實際空間分布。然而，大多數(shù)山洪發(fā)生在山區(qū)且發(fā)生范圍非常小，因此氣象站點觀測降水可能無法滿足對山洪的預(yù)測預(yù)警需求(Kidd and Huffman，2011；Borga et al，2014)。雷達反演降水的時空分辨率和精度較高，可以較為準(zhǔn)確地展現(xiàn)降水的時空分布，可以用于監(jiān)測和預(yù)測降水的移動路徑(Doviak et al，2006；郭佳等，2020)；但是雷達會受到復(fù)雜地形等因素的影響(Maddox et al，2002； De Coning，2013；張奡祺和傅云飛，2018)，而且雷達系統(tǒng)的價格較高且難以維護，因此，我國雷達的有效覆蓋面積還不夠廣，尤其是在西部山區(qū)。

在氣象站點稀疏和無雷達的區(qū)域，衛(wèi)星數(shù)據(jù)是研究山洪的重要資料來源(滑申冰等，2018)。通過反演衛(wèi)星的紅外、微波等信息可以獲得覆蓋全球的實時的高時空分辨率降水，可以彌補觀測數(shù)據(jù)的局限性(燕亞菲等，2019)。目前，比較主流的高時空分辨率的衛(wèi)星降水?dāng)?shù)據(jù)有CMORPH(CPC MORPHing technique；Joyce et al，2004)、GPM(Global Precipitation Measurement；Sorooshian et al，2011)、PERSIANN(Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks-Cloud Classification System；Hong et al，2004)和TRMM(Tropical Rainfall Measuring Mission；Huffman et al，2007)等。衛(wèi)星降水在中國不同區(qū)域、不同海拔、不同時間尺度和不同季節(jié)的表現(xiàn)不同(Zhou et al，2008；Shen et al，2010；Sharifi et al，2016；金曉龍等，2018；張?zhí)煊畹龋?020)。Zeng et al(2018)從日、月、季節(jié)和年等時間尺度評估了六種流行的衛(wèi)星降水在中國的應(yīng)用效果，發(fā)現(xiàn)對于不同時間尺度和區(qū)域，衛(wèi)星降水的精度不同；李麒崙等(2018)從日、月尺度評估了TRMM和GPM衛(wèi)星降水在中國的準(zhǔn)確性，發(fā)現(xiàn)GPM的精度優(yōu)于TRMM；許時光等(2014)分析了逐小時的CMORPH衛(wèi)星降水在中國的應(yīng)用效果，發(fā)現(xiàn)CMORPH對小雨的空報率較高；Shen et al(2010)評估了CMORPH、TRMM和PERSIANN衛(wèi)星數(shù)據(jù)在中國的適用性，結(jié)果發(fā)現(xiàn)這些衛(wèi)星資料均可以較好地描述降水的空間分布和時間演變，CMORPH在展現(xiàn)降水的空間分布和時間演變上的效果最好；Li et al(2012)研究了多時間尺度的TRMM、CMORPH和PERSIANN在長江流域的應(yīng)用性，結(jié)果發(fā)現(xiàn)在日尺度上，CMORPH效果最好；Wang et al(2016)比較了CMORPH、TRMM和PERSIANN衛(wèi)星降水在舟曲泥石流事件的準(zhǔn)確性，結(jié)果發(fā)現(xiàn)CMORPH和TRMM的效果較好，PERSIANN的誤差較大。目前，對于衛(wèi)星降水的研究主要集中于較大時間尺度(日尺度到年尺度)和較大空間尺度，其在水文中的應(yīng)用也集中于較長時間較大流域的徑流模擬，使用衛(wèi)星降水和雷達降水來研究小尺度山洪在國內(nèi)還比較少。

為了探討上述各類降水?dāng)?shù)據(jù)在山洪監(jiān)測中的應(yīng)用效果，本文首先擬對比分析在2017年6月18日北京石羊溝流域山洪事件中實際降水與氣象觀測站降水、雷達降水和全球高分辨率衛(wèi)星降水等不同降水?dāng)?shù)據(jù)的時空分布差異和特性，然后使用不同的降水資料來驅(qū)動 WRF-Hydro 分布式水文模型運行，分析對比不同降水資料對此次山洪事件的模擬效能，以期為不同的降水資料在山洪預(yù)警系統(tǒng)的應(yīng)用提供一定的參考。

1 數(shù)據(jù)與方法

本研究的研究區(qū)域為石羊溝流域，其范圍是40°～40.2°N、115.5°～115.7°E。使用的數(shù)據(jù)主要為各種類型的降水?dāng)?shù)據(jù)和數(shù)字高程模型。

1.1 研究區(qū)域與試驗

圖1a是北京附近的地形和國家級氣象觀測站點、自動氣象站的分布。從站點的分布上可以看出：國家級氣象站較少，自動氣象站比較多；站點在東部平原地區(qū)較密集，在西部海拔較高的地區(qū)較稀疏。圖1b是石羊溝流域，此流域是永定河的子流域，其上游位于河北省境內(nèi)，下游位于北京市，橫穿河北省與北京市。該流域最高海拔高度為906 m，最低為632 m，流域內(nèi)海拔高度差可達174 m，該流域東西向大約為15 km，南北向大約為7.5 km，面積約為43.7 km2(何爽爽等，2018)。在該流域內(nèi)沒有國家級氣象站，也沒有自動氣象站，距流域最近的國家級氣象站位于流域東南方12 km處，最近的自動站位于流域西南方3 km處。

1.2 降水?dāng)?shù)據(jù)

研究共用了10種不同的降水?dāng)?shù)據(jù)，表1給出了降水?dāng)?shù)據(jù)的時間空間分辨率和探測手段。北京融合降水(以下簡稱BJ_REAL)是基于北京及其附近的雷達和氣象觀測站(包括自動站)降水?dāng)?shù)據(jù)融合而成的，空間分辨率為1 km 左右，是一套在北京區(qū)域具有高分辨率高精度的數(shù)據(jù)集，因為在石羊溝流域沒有直接觀測數(shù)據(jù)，因此在本研究中以此套數(shù)據(jù)集為基準(zhǔn)當(dāng)作真實降水?dāng)?shù)據(jù)集。國家級氣象站(簡稱STN)和氣象自動站(簡稱AWS)在石羊溝流域沒有站點，因此通過對這些站點降水進行距離反比插值得到石羊溝流域的降水。雷達降水(簡稱RADAR)是基于雷達的基本反射率數(shù)據(jù)，根據(jù)公式Z=200R1.6計算得到的(Reynolds and Smith，1979)。中國氣象局陸面同化系統(tǒng)實時產(chǎn)品數(shù)據(jù)集(CMA land data assimilation，CLDAS)是一套分辨率比較高的數(shù)據(jù)集，這套數(shù)據(jù)融合了CMORPH衛(wèi)星降水和中國區(qū)域4萬多個氣象站點的逐小時降水，并拼接了東亞多衛(wèi)星集成降水產(chǎn)品，該數(shù)據(jù)同時具有衛(wèi)星和站點數(shù)據(jù)的優(yōu)點，降水的時空分布較為合理(徐賓等，2015；孫帥，2018)。氣象觀測站點與CMORPH衛(wèi)星融合數(shù)據(jù)集(CMORPH_CHINA)融合了CMORPH衛(wèi)星降水和氣象觀測站點數(shù)據(jù)，該數(shù)據(jù)有效地利用了衛(wèi)星降水和觀測降水的優(yōu)勢，而且降水的時空分布和降水量值較為合理(沈艷等，2013；張伊然，2018)。

圖1 模擬區(qū)域內(nèi)的地形分布 (a)北京附近區(qū)域，(b)石羊溝流域 (紅點代表自動站，藍點代表國家級氣象站，黑色星號是山洪地點，藍線是河流，粉線是流域邊界)Fig.1 Terrain distribution in the simulated area (a) area around Beijing, (b) Shiyanggou Watershed (red dots： the automatic stations, blue dots： weather stations, black star： the location of landslide, blue lines： rivers, pink line： basin boundary)

GPM是TRMM衛(wèi)星退役后的新一代的衛(wèi)星降水?dāng)?shù)據(jù)，覆蓋了全球60°N～60°S的區(qū)域，其空間和時間分辨率與TRMM降水?dāng)?shù)據(jù)相比有了一定的提升。本研究使用基于微波紅外的GPM IMERGE 產(chǎn)品(Sorooshian et al, 2011)。PERSIANN是由UCI(University of California, Irvine)的水文氣象遙感中心(CHRS)開發(fā)的，是根據(jù)神經(jīng)網(wǎng)絡(luò)程序結(jié)合紅外亮溫圖上的云高和范圍計算而來的(Hong et al，2004)。CMORPH衛(wèi)星數(shù)據(jù)是美國氣候預(yù)測中心(CPC)發(fā)布的，是根據(jù)每半小時的紅外圖像計算降水運動矢量并外推出微波估算的降水，覆蓋范圍是60°N～60°S，有原始衛(wèi)星數(shù)據(jù)(CMORPH_RAW)和經(jīng)過站點數(shù)據(jù)校正降水?dāng)?shù)據(jù)(CMORPHP_ADJ)兩個版本(Joyce et al，2004)。

表1 降水?dāng)?shù)據(jù)的時空分辨率和探測手段Table 1 Spatio-temporal resolution of precipitation data and observation means

1.3 數(shù)字高程模型

數(shù)字高程模型(DEM)是由Miller和Laflamme在1958年提出的，它是對地表形態(tài)高程屬性的數(shù)字化表達(宋曉猛等，2013)。本研究使用了HydroSHEDS(hydrological data and maps based on shuttle elevation derivatives at multiple scales，https:∥hydrosheds.cr.usgs.gov/dataavail.php)的高分辨DEM數(shù)據(jù)。該數(shù)據(jù)是世界自然基金會(WWF)贊助，由美國地質(zhì)調(diào)查局(USGS)通過處理高分辨率衛(wèi)星遙感地形數(shù)據(jù)(shuttle radar topography mission，SRTM)得到的。這套數(shù)據(jù)的空間分辨率有三種，分別是3″(大約90 m)，15″(大約500 m)和30″(大約1 km)。因為此次研究的區(qū)域(石羊溝流域)范圍較小，因此選擇分辨率最高的3″DEM。

1.4 模式介紹

本研究用了WRF和WRF-Hydro兩個模式。WRF模式用于提供WRF-Hydro模式的初始邊界條件，WRF-Hydro用來模擬石羊溝流域徑流的時空演變過程。

1.4.1 WRF

WRF模式是由美國環(huán)境預(yù)測中心(NCEP)和美國國家大氣研究中心(NCAR)等美國科研機構(gòu)聯(lián)合開發(fā)的一種中尺度氣象模式(Skamarock et al,2008)。模式有ARW(advanced research WRF)和NMM(non-hydrostatic mesoscale model)兩種動力核，分別用于研究和業(yè)務(wù)。本文選擇ARW動力核。用ERA-Interim驅(qū)動WRF，得到WRF-Hydro的初始邊界場數(shù)據(jù)和除降水外其他的氣象強迫數(shù)據(jù)。WRF采用了三層嵌套，第三層的分辨率是1 km。

1.4.2 WRF-Hydro水文模式

WRF-Hydro分布式水文模式由NCAR研究應(yīng)用實驗室開發(fā)和發(fā)展，于2013年作為WRF子模塊發(fā)布。其基于NOAH陸面過程模型開發(fā)，陸面和水文的動力學(xué)和熱力學(xué)過程比較齊備(Gochis et al, 2018)；是對傳統(tǒng)的NOAH陸面模型的擴展，具有地表徑流模塊、飽和地下徑流模塊、河網(wǎng)演算模塊和基流模塊等多個模塊。它可以與WRF模式耦合運行，也可以單獨離線運行，本文選擇了離線運行。目前，WRF-Hydro已被應(yīng)用于洪水預(yù)報、區(qū)域水文氣候研究、陸氣耦合研究和季節(jié)性預(yù)測等領(lǐng)域(Senatore et al，2015；Yucel et al，2015；Arnault et al，2016；Silver et al，2017)，就其應(yīng)用效果來看，它的適用性較強、準(zhǔn)確性較高，比較適用于水文模擬和預(yù)測工作。

WRF可以提供WRF-Hydro用的初始場數(shù)據(jù)，DEM結(jié)合ArcGIS可以提供WRF-Hydro需要的流域內(nèi)部地理信息數(shù)據(jù)。模型預(yù)熱了一年，其中水文模塊的水平分辨率為100 m。因為石羊溝流域沒有水文觀測站點，因此選擇其附近流域暴雨期的徑流率定參數(shù)，作為本次研究的率定參數(shù)。Liu et al(2021)的研究區(qū)域離石羊溝流域較近且是關(guān)于較短歷時徑流的模擬，因此根據(jù)其研究結(jié)果選擇了一套參數(shù)組合。

1.5 統(tǒng)計方法

本文選擇了相關(guān)系數(shù)(CC)、相對偏差(Bias)、均方根誤差(RMSE)和納什效率系數(shù)(Nash-Sutcliffe coefficient efficiency，NSCE)四個統(tǒng)計參數(shù)對降水?dāng)?shù)據(jù)和模擬徑流進行定量評估。CC、Bias、RMSE和NSCE的公式如下：

NSCE可用來檢驗水文模型模擬的好壞。它的取值范圍是-∞～1，越接近于1，模型效果越好，可信程度越高；接近于0，則表示模擬水平接近觀測的平均水平，即總體結(jié)果是可以信的，但對過程模擬誤差較大；若其值遠遠小于0，則模型是沒有可信度的。

2 結(jié)果與分析

2.1 降水評估

從24 h累積降水的空間分布情況和降水的時間演變情況這兩個方面來對降水?dāng)?shù)據(jù)進行評估。

2.1.1 24 h累積降水評估

圖2是石羊溝流域24 h累積降水的空間分布，從圖中可以看出在石羊溝流域大多數(shù)降水?dāng)?shù)據(jù)呈上游降水較多、下游降水較少的分布特征，但是在降水量級上有較大的差異。圖2a是BJ_REAL降水的空間分布，從圖中可以看出，石羊溝流域位于降水大值區(qū)，流域平均降水高達150 mm。由于石羊溝流域內(nèi)沒有觀測站點，站點插值降水不能作為該流域的準(zhǔn)確降水。BJ_REAL在分辨率和精度上均較好，因此可以將此套降水?dāng)?shù)據(jù)當(dāng)作準(zhǔn)確的降水?dāng)?shù)據(jù)作為參照依據(jù)。

從BJ_REAL空間分布中可以看出，石羊溝流域位于暴雨地帶，在該流域有45%區(qū)域的降水在100 mm以上，90%以上區(qū)域在70 mm以上。RADAR與實際降水的空間分布較為一致，但在流域上游RADAR偏小，在下游偏大。流域降水均在50 mm 以上，其中50%以上區(qū)域降水大于100 mm。STN在該流域內(nèi)部沒有站點，離該流域最近的站點在12 km處，該站點降水僅為3.8 mm，因此插值后降水量偏小，看不出暴雨中心；AWS站點相對較多但沒有站點在該流域內(nèi)，最近站點距流域3 km降水為20.9 mm，插值之后可以展現(xiàn)降水大值區(qū)的位置，但是降水量較低。因為AWS在流域周圍的站點較多，因此插值之后在流域內(nèi)不同區(qū)域可以有不同的值。總體而言，AWS比STN準(zhǔn)確度高、捕捉暴雨能力強。CLDAS和CMORPH_CHINA降水偏少，大多數(shù)區(qū)域的降水為12.5～15 mm。衛(wèi)星降水降水量均偏小，其中，GPM數(shù)據(jù)降水量低估最為嚴重，在該流域其降水均小于5 mm。

圖2 2017年6月18日各種降水?dāng)?shù)據(jù)在石羊溝流域的24 h累積降水(插值到1 km) (a)BJ_REAL，(b)RADAR，(c)AWS，(d)STN，(e)CLDAS，(f)CMORPH_CHINA， (g)GPM，(h)PERSIANN，(i)CMORPH_RAW，(j)CMORPH_ADJFig.2 The 24 h accumulated precipitation in Shiyanggou Watershed on 18 June 2017 (a) BJ_REAL, (b) RADAR, (c) AWS, (d) STN, (e) CLDAS, (f) CMORPH_CHINA, (g) GPM, (h) PERSIANN, (i) CMORPH_RAW, (j) CMORPH_ADJ

為了消除不同數(shù)據(jù)量級上的差異，對數(shù)據(jù)進行了中心化處理，之后對各種降水的24 h累積降水進行評估，從泰勒圖上看(圖3)，不同降水?dāng)?shù)據(jù)的性能差異較大?？傮w而言，RADAR與實際最為接近，相對偏差在5%左右，空間相關(guān)系數(shù)為0.75，方差之比為0.75。STN和AWS有較大差異，AWS的空間相關(guān)系數(shù)比STN的大，且相對誤差也比STN小很多，說明AWS準(zhǔn)確度比STN的要高。CMORPH_CHINA的空間相關(guān)系數(shù)比CLDAS的高，但是其相對偏差相差不大。各類衛(wèi)星數(shù)據(jù)中，GPM的空間相關(guān)系數(shù)最高，但存在較大的負偏差；其他三種衛(wèi)星累積降水的空間相關(guān)系數(shù)均在0.4左右，其中，CMORPH_RAW的相對偏差較小，說明其降水量與真實降水量接近。

總體而言， RADAR降水空間分布與實際的最為接近，誤差也最??；AWS降水空間分布比STN降水空間分布準(zhǔn)；CLDAS和CMORH_CHINA分布相似，存在一定程度的低估；衛(wèi)星數(shù)據(jù)中，GPM的空間相關(guān)性最高，CMORPH_RAW的相對偏差最低。

2.1 96例患兒AKI發(fā)生情況分析 在96例窒息新生兒中，有54例未發(fā)生AKI，占56.25%，42例發(fā)生AKI，占43.75%。在發(fā)生AKI的新生兒中，有32例(33.33%)發(fā)生于窒息后24 h內(nèi)，10例(10.42%)發(fā)生于窒息后24～48 h內(nèi)。

圖3 各種降水?dāng)?shù)據(jù)的24 h累積降水的泰勒圖Fig.3 Taylor’s chart of 24 h accumulated precipitation of various precipitation data

2.1.2 降水的時間序列評估

圖4是流域平均降水的時間演變，從圖中可以看出各種降水?dāng)?shù)據(jù)的降水開始時間和峰值出現(xiàn)的時間是不同的，而且在降水量上有較大的差異，但是，降水時間均集中在12—17時。

圖4 流域平均降水在2017年6月18日的逐小時變化Fig.4 Hourly variation of average precipitation in the watershed on 18 June 2017

BJ_REAL降水(實際降水)在12—13時出現(xiàn)，13—14時大幅增加，在14—15時降水達到峰值，17時暴雨事件結(jié)束。RADAR暴雨出現(xiàn)和結(jié)束時間與實際一致，降水峰值偏低，其他時間會出現(xiàn)對降水的高估。AWS降水出現(xiàn)和峰值出現(xiàn)時間比實際晚1 h，峰值降水與實際降水相差達40 mm。STN在14—15時出現(xiàn)降水且達到峰值，但峰值降水低于2.5 mm。CLDAS和CMORPH_CHINA降水出現(xiàn)時間晚了1 h，CMORPH_CHINA峰值出現(xiàn)時間早了1 h，CLDAS峰值出現(xiàn)時間晚了1 h，兩種資料的峰值降水均只有5 mm左右，偏小40.4 mm以上。GPM降水出現(xiàn)的時間較晚，13—14時出現(xiàn)降水，14時左右達到峰值，峰值降水較小，僅為0.84 mm；PERSIANN降水出現(xiàn)時間和峰值達到時間與實際一致，但是降水量值最大僅為4 mm；CMORPH_RAW和CMORPH_ADJ降水出現(xiàn)和達到峰值時間與實際一致，但是峰值降水相差較大。

將各種降水?dāng)?shù)據(jù)插值到相同分辨率的網(wǎng)格后，計算每個格點上的各類降水與實際降水時間相關(guān)系數(shù)、相對偏差和均方根誤差。圖5a是相關(guān)系數(shù)空間分布的箱線圖，在黑點之上，說明相關(guān)系數(shù)通過了0.01的顯著性水平檢驗。從這張圖上可以看到，RADAR、AWS、CLDAS和CMORPH_CHINA在這個流域內(nèi)各個格點的相關(guān)系數(shù)都很高，全部通過了0.01 的顯著性水平檢驗，說明這四種資料可以很好地反映流域內(nèi)降水的時間變化情況。STN有3/4以上的格點通過了顯著性水平檢驗，說明在大多數(shù)區(qū)域降水的時間變化情況與實際一致。對于衛(wèi)星資料，GPM的相關(guān)性較差，流域內(nèi)通過顯著性水平檢驗的面積很少；PERSIANN幾乎所有格點都通過了0.01的顯著性水平檢驗；CMORPH_RAW和CMORPH_ADJ均有3/4區(qū)域通過了顯著性水平檢驗，其中流域上游全部通過了顯著性水平檢驗，下游有部分區(qū)域沒有通過檢驗(圖略)。

從各種降水RMSE的箱線圖(圖5b)上看，RADAR 的RMSE比其他降水的RMSE都要小且空間差異變化不大，有1/2區(qū)域的RMSE在4～7 mm，說明RADAR降水的量值與實際最為接近。其他降水的RMSE較大，說明其他降水?dāng)?shù)據(jù)在降水量級上與實際降水有較大差別，其中，AWS的RMSE比STN的小，CMORPH_RAW是衛(wèi)星數(shù)據(jù)中RMSE最小的。

從各種降水Bias的箱線圖(圖5c)上看，除了RADAR降水會產(chǎn)生正偏差，其余降水?dāng)?shù)據(jù)均是負偏差，而且下游的負偏差比上游的負偏差小(圖略)，說明其在上游的低估更為明顯。RADAR降水的相對偏差在空間分布不均，有的區(qū)域有較大的正偏差，有的區(qū)域有負偏差。STN、AWS、CLDAS、CMORPH_CHINA和衛(wèi)星降水的Bias都相差不大，平均在-90%，流域內(nèi)部偏差變化較小。

通過分析各類降水?dāng)?shù)據(jù)的時間和空間分布情況，可以看出，RADAR降水在空間分布、時間演變和暴雨量值上與實際的最為接近；STN和AWS兩類站點觀測數(shù)據(jù)，在空間分布、時間演變和降水量值上有較大的差異，主要是因為 AWS站點較多，插值后的效果比STN的效果要好；CLDAS和CMORPH_CHINA兩類數(shù)據(jù)的降水時空分布結(jié)果都在可接受范圍內(nèi)； GPM不能捕捉到這次暴雨事件，PERSIANN、CMORPH_RAW和CMORPH_ADJ的降水量小，但其降水的時間變化與實際相似。

圖5 各種降水?dāng)?shù)據(jù)相對BJ_REAL在流域內(nèi)各格點在2017年6月18日的(a)相關(guān)系數(shù)、 (b)均方根誤差和(c)相對偏差分布的箱線圖 (圖5a中的黑點對應(yīng)0.01顯著性水平檢驗的相關(guān)系數(shù)臨界值)Fig.5 Box plot of (a) correlation coefficient, (b) root mean square error and (c) relative error among these precipitation data and BJ_REAL in the watershed on 18 June 2017 (Black dots represent the critical of correlation coefficient of significance test at 0.01 level inFig.5a)

研究了各類降水在該區(qū)域的準(zhǔn)確度，那這些降水?dāng)?shù)據(jù)在實際山洪中的應(yīng)用如何？接下來將這些降水?dāng)?shù)據(jù)作為氣象強迫來驅(qū)動水文模式，看其在本次山洪中的應(yīng)用效果。

2.2 徑流評估

圖6是模擬徑流的空間分布，從圖中可以看出徑流的時空變化情況。流域上游徑流先開始增加，之后流域下游的徑流開始增加，下游徑流達到最大值比上游達到最大值的時間要晚。山洪消退也是從上游開始。大多數(shù)降水對應(yīng)的徑流變化都有增加和減少的過程，但是STN和GPM降水對應(yīng)的徑流沒有明顯的增加下降趨勢。STN和GPM的應(yīng)用效果不好跟降水?dāng)?shù)據(jù)本身偏小有關(guān)，這兩種數(shù)據(jù)不適用于本次事件。

圖7是使用不同降水?dāng)?shù)據(jù)驅(qū)動WRF-Hydro得到石羊溝流域下游河道的徑流變化。不同的降水強迫，得到的徑流演變曲線是不同的。這與各類降水?dāng)?shù)據(jù)在流域內(nèi)降水量值、時間演變和空間分布不同有關(guān)。

據(jù)新華網(wǎng)報道，石羊溝流域山洪最大為190 m3·s-1。從BJ_REAL對應(yīng)的徑流上來看，其與實際山洪發(fā)生時間大致一致。模擬徑流在16時左右達到了峰值，其峰值徑流為 196.82 m3·s-1，與實際峰值徑流相似。在該流域沒有實測的徑流站點，且用BJ_REAL模擬的徑流與實際徑流在發(fā)生時間和峰值上大致吻合，因此選擇以BJ_REAL為強迫得到的徑流作為這次事件的實際徑流。

圖6 2017年6月18日14—20時各種降水?dāng)?shù)據(jù)對應(yīng)徑流在石羊溝流域 河網(wǎng)中的空間分布(單位：m3·s-1)Fig.6 Spatial distribution of streamflow in Shiyanggou Watershed in 14:00-20:00 BT 18 June 2017 (unit: m3·s-1)

圖7 各種降水?dāng)?shù)據(jù)對應(yīng)的徑流在2017年6月18日14時后的逐小時變化Fig.7 Hourly variation of streamflow in the watershed corresponding to various precipitation data after 14:00 BT 18 June 2017

降水對徑流有較大的影響，不同降水強迫得到的結(jié)果有較大的差別，表2是不同降水模擬徑流結(jié)果的統(tǒng)計參數(shù)值。RADAR降水對應(yīng)的徑流變化，與實際徑流變化一致，但是其會高估洪峰，其洪峰高達266.89 m3·s-1，這可能跟RADAR在暴雨峰值前降水偏多有關(guān)。因為其降水的空間分布和時間演變與實際降水相似，因此模擬徑流也與實際的較為接近。相關(guān)系數(shù)為0.98，納什效率系數(shù)為0.93，相對誤差為6.57%，說明模擬徑流的效果較好。AWS模擬徑流到達徑流峰值的時間與實際一致，相關(guān)系數(shù)為0.46,可以較為準(zhǔn)確地模擬徑流的時間變化，其在徑流峰值的模擬上有較大的低估。STN的降水量偏少，不能捕捉這個流域的暴雨，因此沒有模擬出本次山洪。CLDAS模擬徑流的峰值時間比實際出現(xiàn)時間晚1 h，這主要是由于其降水峰值晚1 h。CMORPH_CHINA模擬徑流從14時開始就呈現(xiàn)增加趨勢，徑流一直增加但沒有出現(xiàn)徑流峰值，且低估了徑流量值。GPM降水偏少，沒能捕捉到這次暴雨事件，因此模擬徑流沒有明顯變化且徑流量偏低。PERSIANN模擬徑流從14時起呈增加趨勢，沒有模擬出這次山洪，相關(guān)系數(shù)為-0.08。CMORPH_RAW模擬徑流與實際徑流較為相似，相關(guān)系數(shù)達到了0.75，低估了峰值徑流。CMORPH_ADJ模擬徑流與CMORPH_RAW相似，對徑流低估。

總的來說，RADAR模擬徑流與實際徑流在時間演變和徑流峰值上最為相似；AWS模擬徑流偏小，時間演變較為一致；STN模擬徑流沒有明顯的上升下降變化，模擬徑流的效果不佳；CLDAS和CMORPH_CHINA模擬徑流偏??；GPM模擬徑流不能體現(xiàn)徑流的時間演變過程，效果較差；PERSIANN模擬徑流的峰值出現(xiàn)時間較晚，徑流較??；CMORPH_RAW和CMORPH_ADJ模擬徑流與實際徑流的時間演變較一致，但低估了徑流量。

通過分析發(fā)現(xiàn)，徑流模擬與降水有較大的聯(lián)系，降水量值和時空演變對徑流有較大的影響。在已有的高分辨率資料中，RADAR降水與實際降水在時間演變和量值上最為接近；AWS和STN在山區(qū)觀測站點較為稀疏，在石羊溝流域沒有站點，插值后的降水量較低；CLDAS和CMORPH_CHINA降水偏低；衛(wèi)星降水會低估暴雨且降雨面積過大。因為降水資料之間的區(qū)別，其對應(yīng)的徑流也有較大的區(qū)別。RADAR模擬徑流與實際相似，模擬效果最好；AWS模擬徑流的峰值出現(xiàn)時間一致，徑流偏低；STN模擬徑流，沒有明顯的趨勢變化，效果不好；CLADS和CMORPH_CHINA低估了徑流；GPM模擬徑流效果不好，沒有體現(xiàn)徑流的變化；PERSIANN模擬徑流的徑流量偏低，峰值出現(xiàn)較晚；CMORPH_RAW和CMORPH_ADJ模擬徑流可以體現(xiàn)徑流變化，徑流偏低。雖然CMORPH_RAW模擬的徑流及其峰值相比實際徑流仍然有較大偏差，但相比觀測站(包括自動站)仍有較大提升，這顯示了衛(wèi)星數(shù)據(jù)相比觀測數(shù)據(jù)在空間覆蓋上的優(yōu)勢。在本次事件中，CMORPH_RAW是衛(wèi)星數(shù)據(jù)中效果最好的。

表2 各種降水模擬徑流的統(tǒng)計參數(shù)值(與BJ_REAL模擬徑流相比)Table 2 Statistical parameters of simulated runoff of various precipitation (compared to the BJ_REAL simulated runoff)

3 結(jié)論與討論

3.1 結(jié) 論

本文以2017年6月18日石羊溝流域山洪為例，研究了氣象觀測站點降水、雷達降水、融合降水和衛(wèi)星降水在短時山洪中的應(yīng)用性。主要結(jié)論如下：

(1)在該次事件中，雷達降水抓住了暴雨的位置，而且在降水的空間分布和時間演變有較好的效果。在流域內(nèi)沒有站點觀測數(shù)據(jù)，通過插值的站點數(shù)據(jù)在空間分布上存在較大誤差，不能準(zhǔn)確地給出暴雨中心的強度。站點的密集程度會對結(jié)果產(chǎn)生較大影響，自動站的效果比國家級氣象站的效果好一些?；谡军c和衛(wèi)星的融合數(shù)據(jù)和純衛(wèi)星數(shù)據(jù)降水量均偏低。

(2)小流域山洪對于降水很敏感，降水量和降水的空間分布對于山洪的發(fā)生位置和時間有很大的影響。雷達降水較準(zhǔn)確，因此用雷達數(shù)據(jù)可以模擬出此次山洪。站點數(shù)據(jù)、衛(wèi)星融合數(shù)據(jù)和衛(wèi)星數(shù)據(jù)降水量嚴重偏小，因此其只能模擬出徑流增加的過程，但不能準(zhǔn)確模擬洪峰流量。

3.2 討 論

(1)山洪發(fā)生在山區(qū)而且具有局地性，目前，即使是在觀測站點相對密集的北京及其周邊地區(qū)，不管是常規(guī)氣象站還是自動站都還遠不能滿足對小流域山洪監(jiān)測、預(yù)警和研究的需求，因此需要盡可能建立更多的觀測站點，尤其是在山區(qū)。在氣象觀測站點不能滿足實際要求的情況下，需要其他的數(shù)據(jù)作為補充。

(2)雷達可以作為氣象觀測站不足時的有效補充。雷達的有效覆蓋面積較廣、精度較高，與站點觀測降水相比誤差較小。目前，我國西部地區(qū)雷達會受到地形等的影響，在地形復(fù)雜地段不能進行全面的覆蓋。大多數(shù)的山洪、泥石流、滑坡等發(fā)生在西部山區(qū)的小流域，因此在可能的情況下雷達的覆蓋需要進一步加大。

(3)衛(wèi)星數(shù)據(jù)也可以作為氣象觀測站點不足時的補充。衛(wèi)星數(shù)據(jù)的時空分辨率較高，覆蓋面積廣，可以比地基雷達覆蓋更廣的區(qū)域。但是，對于小區(qū)域短時暴雨的捕捉能力還不是很好。衛(wèi)星算法還需要改善，降水的精度還需要進一步的提高。此外，根據(jù)中國本地降水的特點，改進降水反演算法，同時，不斷改進氣象衛(wèi)星的微波傳感器，創(chuàng)建更加適用于中國的衛(wèi)星降水，也需要未來加大投入研發(fā)。

(4)山洪發(fā)生較快，從暴雨的發(fā)生到山洪的觸發(fā)時間往往非常短，這對從監(jiān)測到暴雨之后到山洪預(yù)警信息的發(fā)布流程提出了非常高的要求和挑戰(zhàn)。另外，加強臨近預(yù)報技術(shù)和短期預(yù)報的研發(fā)，可以有效延長災(zāi)害預(yù)警時間，為防災(zāi)減災(zāi)提供足夠的緩沖時間，從而減小山洪災(zāi)害帶來的損失。

(5)降水的質(zhì)量直接影響到對山洪的模擬和預(yù)警效果，而上述的降水?dāng)?shù)據(jù)均有各自的缺點，無法滿足對全國的小尺度突發(fā)山洪等災(zāi)害的實時預(yù)報預(yù)警需求，也無法滿足目前對小尺度山洪災(zāi)害的研究需求，因此可以參考美國融合了站點、雷達、衛(wèi)星等多種降水的覆蓋全國的Stage IV高質(zhì)量高時空分辨率降水?dāng)?shù)據(jù)(Nelson et al, 2016)的方法，建立一套適用于我國的高時空分辨率、高精度、準(zhǔn)實時降水?dāng)?shù)據(jù)集，以作為覆蓋全國的高精度標(biāo)準(zhǔn)降水?dāng)?shù)據(jù)，這對暴雨、洪澇、山洪、滑坡泥石流等小尺度突發(fā)性災(zāi)害的研究和預(yù)報有重要意義。