糜佳偉， 田濟揚， 楚志剛 ， 劉榮華 ， 薛海

(1.華北水利水電大學，河南 鄭州 450046； 2.中國水利水電科學研究院，北京 100044；3.水利部防洪抗旱減災工程技術研究中心，北京 100044； 4.南京信息工程大學，江蘇 南京 210044；5.南京山禹云雷物聯(lián)網(wǎng)科技有限公司，江蘇 南京 210044)

在降雨監(jiān)測方面，天氣雷達具有高時空分辨率的特點，較地面雨量站能更準確測得降雨的時空分布特征[1]，適用于匯流時間短且需要實現(xiàn)精準預報的中小流域。基于天氣雷達探測資料的降雨臨近預報的結(jié)果較數(shù)值降雨預報的精度高，該預報方式是延長中小流域洪水預報預見期的重要技術手段。筆者耦合天氣雷達定量降水估計(Quantitative Precipitation Estimate，QPE)和定量降水預報(Quantitative Precipitation Forecast，QPF)開展中小流域洪水預報研究。

天氣雷達QPE的精度主要受Z-R關系影響，不同類型降雨的Z-R關系不同[2]，Z指雷達反射率，R指降雨強度。實際中常用的Z-R關系式為Z=200R1.6和Z=300R1.4[3-4]，但此關系式不適用于不同天氣雷達和不同類型降雨場次的情況，導致天氣雷達QPE不易被直接應用于中小流域洪水預報中。為了延長洪水的預見期，開展天氣雷達臨近降雨預報非常必要。降雨預報的主要方法包括交叉相關系數(shù)法[5]、單體質(zhì)心法[6]和光流法[7]等外推法。

目前，已有少量關于耦合天氣雷達QPE與QPF的流域洪水預報的研究，但預報精度有待提高。殷志遠等[8]將4種天氣雷達降雨預報結(jié)果輸入到半分布式模型TOPMODEL中對湖北漳河流域進行徑流模擬，驗證結(jié)果表明，動態(tài)Z-R關系較通用Z-R關系下的雷達降雨反演的精度高，徑流模擬效果好；許繼軍等[9]在將天氣雷達監(jiān)測雨量作為GBHM(Geomorphology-Based Hydrological Model)分布式水文模型的輸入量進行三峽區(qū)間洪水過程模擬時指出，雷達預測能捕獲降雨的空間分布，經(jīng)地面雨量站數(shù)據(jù)校正后，與GBHM分布式水文模型的結(jié)果相結(jié)合，可提高洪水預報的精度；嚴昌盛等[10]分別將天氣雷達和地面雨量站的雨量監(jiān)測數(shù)據(jù)、雷達臨近降雨預報數(shù)據(jù)輸入模型PDM(Probability Distributed Model)中，對王家壩以上流域(約30 672 km2)洪水進行模擬，結(jié)果表明，雷達臨近降雨預報的精度基本滿足實時洪水作業(yè)預報的要求，同時該精度有很大的提升空間。

福建省位于我國東南沿海地區(qū)，山丘區(qū)眾多，加之受季節(jié)性臺風影響，強降雨引發(fā)的洪澇災害多發(fā)，嚴重威脅人民的生命財產(chǎn)安全[11-12]。筆者以福建梅溪流域為研究區(qū)，選取2012年的“蘇拉”、2014年的“海貝思”、2016年的“尼伯特”3場臺風引發(fā)的降雨洪水過程為研究對象，采用強降水識別、光流法等技術手段獲取較為準確的天氣雷達QPE和QPF結(jié)果，并將其作為梅溪流域分布式水文模型的輸入，開展洪水預報研究，分析耦合天氣雷達QPE與QPF的中小流域洪水預報的效果，探究該方法在中小流域洪水預報中的適用性。

1 研究區(qū)與數(shù)據(jù)

1.1 流域概況

梅溪是閩江的一級支流，發(fā)源于閩清縣南部，流域面積956 km2，在東南沿海地區(qū)具有很強的代表性[13]。流域多年平均降雨量1 560 mm。受臺風和地形影響，年內(nèi)降雨主要集中在4—9月，局地短歷時強降水時有發(fā)生，致使流域內(nèi)洪澇災害頻發(fā)。自1949年以來，流域內(nèi)發(fā)生洪災20余次。歷史最大洪水發(fā)生于2016年7月9日，強降雨引發(fā)的洪水洪峰流量達到4 710 m3/s。

1.2 數(shù)據(jù)資料

天氣雷達選用福州市長樂區(qū)境內(nèi)的S波段雷達(以下簡稱長樂雷達)，數(shù)據(jù)來源于國家氣象局，并通過數(shù)據(jù)質(zhì)量控制。長樂雷達掃描區(qū)域半徑為250 km，梅溪流域幾乎全部落在雷達掃描半徑為100 km的范圍內(nèi)，這樣可保證雷達掃描數(shù)據(jù)的質(zhì)量，具體如圖1所示。

圖1 雷達覆蓋范圍與流域位置

流域內(nèi)共有8個雨量站、1個水文站，如圖2所示。長系列降雨徑流資料用于流域分布式水文模型的參數(shù)率定與驗證，該資料由福建省水利水電科學研究院提供。從所測到的數(shù)據(jù)中選取2012年的“蘇拉”、2014年的“海貝思”、2016年的“尼伯特”3場臺風在梅溪流域引發(fā)的典型降雨洪水事件(見表1和如圖3所示)為研究對象，開展耦合天氣雷達QPE與QPF的中小流域洪水預報研究。

圖2 雨量站、水文站與流域位置的關系

表1 3場降雨洪水事件的具體情況

圖3 實測降雨洪水過程

流域下墊面資料主要用于分布式水文模型的構建，包括1∶5×104DEM、土地利用和植被類型、土壤類型等數(shù)據(jù)[14]。

2 模型與方法

2.1 雷達降水反演及臨近預報模型

通過建立Z-R關系可實現(xiàn)雷達降水反演，但受降水類型等因素的影響，Z-R關系差異較大。正確的降水分類有助于建立不同類型下不同的Z-R關系，通過強降水識別技術[15]對不同時段、不同空間位置的場次降雨進行分類，識別出強降水區(qū)域，分別建立強降水區(qū)與非強降水區(qū)的Z-R關系，從而提高天氣雷達的預報精度。經(jīng)過30場歷史降雨資料的反復試驗，最終確定了強降水區(qū)的Z-R關系為Z=135R1.33，其它降水區(qū)的Z-R關系為Z=200R1.6。

依托STEPS(Short Term Ensemble Prediction System)，在上述降水反演結(jié)果的基礎上，利用光流法[16-18]開展雷達臨近預報研究。為降低預報的不確定性，通過高斯擾動構建了30個集合預報成員，形成臨近集合預報集，獲得3場降雨1、2、3 h預見期的預報結(jié)果。

2.2 基于中國山洪水文模型的梅溪流域分布式水文模型

中國山洪水文模型(China Flash Flood hydrological model，CNFF)是由中國水利水電科學研究院自主研發(fā)的分布式水文模型，模型的基本原理見文獻[19]，模型結(jié)構如圖4所示。該模型的主要特色與優(yōu)勢為：①基于高精度的地形地貌數(shù)據(jù)和考慮雨強影響的分布式單位線技術；②資料缺乏地區(qū)河道洪水演進變參數(shù)計算方法；③連續(xù)和不同場次過程暴雨洪水實時模擬和預估預報。依托CNFF框架，結(jié)合梅溪流域特征及資料，構建梅溪流域分布式水文模型，模型參數(shù)采用參考文獻[20]的研究成果。該模型的概化圖如圖5所示。

圖4 CNFF水文模型結(jié)構示意圖

圖5 梅溪流域分布式水文模型概化圖

2.3 評估方法

2.3.1 雷達測雨結(jié)果與臨近預報結(jié)果評估方法

雷達測雨結(jié)果與臨近預報結(jié)果評估方法中選用24 h累積雨量的相對誤差(RE)和均方根誤差RMSE兩個指標。

1)累積雨量相對誤差(RE)的計算式為：

(1)

式中：P′為雷達反演的面累積降雨量，mm；P為地面站觀測的面累積降雨量，mm。P′為流域內(nèi)雷達所有網(wǎng)格點雨量的均值，P則根據(jù)梅溪流域內(nèi)雨量站的降雨數(shù)據(jù)采用泰森多邊形法求得。

2)均方根誤差(RMSE)的計算式為：

(2)

式中P′j和Pj分別為雷達降水反演值與地面雨量站觀測的降雨量值。當進行空間尺度評價時，M為雨量站個數(shù)，P′j和Pj分別為在某一特定的空間位置j處整個觀測時段內(nèi)累積雨量的雷達反演值與地面雨量站的觀測值；當進行時間尺度評價時，M為降雨時長，P′j和Pj分別為在觀測時刻j時研究區(qū)面平均雨量的雷達反演值與地面雨量站的觀測值。為了去除不同場次降雨量的影響，最終求得的RMSE值為分別除以相應維度地面雨量站觀測值的平均值。

2.3.2 洪水預報評估方法

采用洪峰流量相對誤差(REQ)、洪峰時間誤差(TP)、確定性系數(shù)(NSE)等對梅溪流域分布式水文模型的洪水預報結(jié)果進行評價。各評價指標分別由下面的公式計算：

(3)

TP=TSP-TOP。

(4)

(5)

3 結(jié)果與分析

3.1 強降水識別效果

為說明強降水識別的效果，選用福建長樂雷達常用的Z-R關系(Z=200R1.6)對降水進行了反演，結(jié)果見表2。由表2可知，對于3場典型降雨，基于強降水識別的雷達QPE 24 h累積雨量相對誤差較常規(guī)反演的分別提高了60.84%、49.03%和68.52%，降雨時空分布得到了明顯改善。

表2 通過常規(guī)反演與強降水識別反演的降雨評估結(jié)果

3.2 基于強降水識別的臨近預報結(jié)果

雷達臨近降水預報集合共30個成員，采用30個成員預報結(jié)果的平均值作為最終的臨近預報結(jié)果。3場典型降雨不同預見期的臨近預報結(jié)果見表3。

表3 基于強降水識別的降雨臨近預報評估結(jié)果

由表3可知，降雨場次Ⅰ的預報效果最佳，臨近降水預報結(jié)果相對可靠，降雨場次Ⅱ和Ⅲ的預報效果不理想。

3.3 基于雷達QPE的洪水預報

將經(jīng)過強降水識別的雷達反演降雨量，作為梅溪流域分布式水文模型的輸入進行洪水預報，結(jié)果見表4和如圖6所示。

由表4和圖6知：降雨場次Ⅰ的洪峰流量相對誤差為-35.7%，洪峰時間誤差為-0.3 h，確定性系數(shù)為0.68；場次Ⅱ的洪峰流量相對誤差為-13.7%，洪峰時間誤差為-1.0 h，確定性系數(shù)為0.90；場次Ⅲ的洪峰流量相對誤差為6.9%，洪峰時間誤差為-3.2 h，確定性系數(shù)為0.57。

表4 耦合雷達QPE的洪水預報效果

圖6 基于雷達QPE的洪水預報結(jié)果

3.4 基于雷達QPF的洪水預報

將不同預見期的雷達臨近預報降雨量，作為梅溪流域分布式水文模型的輸入量進行洪水預報，結(jié)果見表5和如圖7所示。

表5 基于雷達QPF的洪水預報效果

圖7 基于雷達QPF的洪水預報結(jié)果

由表5和圖7知：對于降雨場次Ⅰ，耦合1、2、3 h預見期雷達QPF計算的洪峰流量相對誤差分別為-22.1%、-42.6%、-54.0%，洪峰時間誤差分別為-0.3、0.7、1.7 h，確定性系數(shù)分別為0.86、0.62、0.34；對于降雨場次Ⅱ，耦合1、2、3 h預見期雷達QPF計算的洪峰流量相對誤差分別為-82.6%、-89.9%、-93.7%，洪峰時間誤差分別為1.0、1.0、2.0 h，確定性系數(shù)分別為-0.13、-0.36、-0.52；對于降雨場次Ⅲ，耦合1、2、3 h預見期雷達QPF計算的洪峰流量相對誤差分別為2.3%、-50.1%、-83.7%，洪峰時間誤差分別為-2.2、-2.2、-2.2 h，確定性系數(shù)分別為0.69、0.35、-0.37。

總體上，場次Ⅰ的洪水預報結(jié)果較好，而場次Ⅱ和Ⅲ的預報結(jié)果無法滿足實際需要。隨著降雨預見期的延長，洪水預報精度明顯降低。

3.5 洪水預報的誤差分析

為進一步分析耦合雷達QPE和QPF的洪水預報誤差來源，分別用實測降雨量驅(qū)動梅溪流域分布式水文模型，計算洪水評估指標值，將各評估指標的結(jié)果作為分布式水文模型自身的誤差(見表6)；耦合雷達QPE和QPF計算的各評估指標誤差為耦合系統(tǒng)的總誤差，采用總誤差的絕對值減去分布式水文模型的誤差絕對值的結(jié)果，認為是降雨量偏差導致洪水預報誤差。洪峰流量誤差、洪峰時間誤差和確定性系數(shù)誤差分別記為ΔRER、ΔREQ、TP、ΔNSE，各項指標計算結(jié)果見表7和表8。

表6 分布式水文模型的洪水預報誤差

表7 雷達QPE偏差的洪水預報誤差

表8 雷達QPF偏差導致的洪水預報誤差評估

由表4、6和7可知：對于降雨場次Ⅰ，基于雷達QPE開展洪水預報的誤差較基于雨量站測雨數(shù)據(jù)開展洪水預報的誤差小，說明盡管總雨量存在一定偏差，但由于空間尺度和時間尺度的RMSE值較小，雷達QPE的結(jié)果適宜作為分布式水文模型的輸入，在描述降雨時空分布特征方面具有一定優(yōu)勢；對于降雨場次Ⅱ、Ⅲ，基于雷達QPE開展洪水預報的誤差較基于雨量站測雨數(shù)據(jù)開展洪水預報的誤差大，說明當總雨量、降雨時空分布均存在較大偏差時，雷達QPE的預測結(jié)果的偏差會導致洪水預報結(jié)果的精度變差。

由表5、6和8可知：對于降雨場次Ⅰ，基于1 h預見期的雷達QPF開展洪水預報的誤差較基于雨量站測雨數(shù)據(jù)開展洪水預報的誤差小，說明當總雨量偏差不大時，由于雷達的預測結(jié)果能準確反映降雨量的時空分布，有助于改善分布式水文模型洪水預報結(jié)果，但隨著雷達QPF預見期的延長，總雨量和降雨量的時空分布的偏差變大，導致洪水預報結(jié)果的精度變低；對于降雨場次Ⅱ、Ⅲ，由于雷達QPF測得的總雨量偏差太大，耦合雷達QPF的洪水預報結(jié)果誤差大幅增加。

4 結(jié)論

以梅溪流域為研究區(qū)，選取2012年的“蘇拉”、2014年的“海貝思”、2016年的“尼伯特”3場臺風引發(fā)的降雨洪水過程為研究對象，采用強降水識別、光流法等技術手段獲取更為準確的天氣雷達QPE和QPF的降雨數(shù)據(jù)作為梅溪流域分布式水文模型的輸入開展洪水預報研究，分析耦合天氣雷達QPE與QPF的中小流域洪水預報效果，主要結(jié)論如下：

1)強降水識別能有效提升天氣雷達QPE的降雨監(jiān)測精度，對于強降雨預報精度的改進效果明顯；隨著降雨預見期的延長，天氣雷達QPF的預報精度顯著降低；對于降雨量時空分布較為均勻的降雨，天氣雷達QPE和QPF的預報結(jié)果將更加準確。

2)對于降雨量時空分布較為均勻的降雨，耦合天氣雷達QPE的洪水預報較雨量站測雨更具優(yōu)勢，耦合1 h預見期天氣雷達QPF預報結(jié)果能夠滿足中小流域洪水預報的要求。

3)對于短歷時強降雨和特大暴雨，受天氣雷達QPE和QPF預報精度的影響，洪水預報效果較差，較難滿足中小流域洪水預報的要求。

進一步研究中將充分考慮云層結(jié)構及水汽的物理變化與演化，結(jié)合天氣雷達對氣象要素空間探測的能力，在光流法等傳統(tǒng)雷達外推算法的基礎上，引入氣象動力學的物理概念，重點探究短歷時強降雨和暴雨的臨近預報方法，提高耦合天氣雷達QPF的洪水預報精度。