摘要：干旱及其準(zhǔn)確預(yù)報(bào)一直是水文氣象領(lǐng)域研究的重難點(diǎn)問題。為探索準(zhǔn)確可行的干旱預(yù)報(bào)方法，基于VIC模型與歐洲中期數(shù)值天氣預(yù)報(bào)中心（ECMWF）預(yù)報(bào)氣象數(shù)據(jù)建立的陸氣耦合干旱預(yù)報(bào)模型，計(jì)算監(jiān)測(cè)與預(yù)報(bào)土壤含水量，分析土壤含水量距平指數(shù)（SMAPI）的時(shí)空分布特征，在此基礎(chǔ)上評(píng)估耦合模型對(duì)浙江省干旱的預(yù)報(bào)能力。結(jié)果表明：① 從預(yù)見期來看，0～11 d預(yù)見期的SMAPI預(yù)報(bào)值與監(jiān)測(cè)值在絕對(duì)誤差、RMSE和R值上表現(xiàn)較好，即模型在旬尺度上預(yù)報(bào)效果最佳；② 該模型的旬尺度預(yù)報(bào)可以在時(shí)間變化過程上準(zhǔn)確把握未來干旱的發(fā)展趨勢(shì)，在空間預(yù)報(bào)上與監(jiān)測(cè)的SMAPI值網(wǎng)格分布一致性可達(dá)90%以上；③ 模型對(duì)浙江省西北少雨平原區(qū)預(yù)報(bào)性能更佳，且對(duì)土壤含水量變化較劇烈地區(qū)的旱情預(yù)報(bào)趨勢(shì)描述更好。研究成果可為浙江省干旱災(zāi)害防范預(yù)警提供科技支撐。

關(guān) 鍵 詞：干旱預(yù)測(cè)； 土壤含水量； 陸氣耦合模型； VIC模型； 浙江省

中圖法分類號(hào)： P338.6

文獻(xiàn)標(biāo)志碼： A

DOI：10.16232/j.cnki.1001-4179.2024.09.019

0 引 言

干旱作為世界上影響范圍最廣的災(zāi)害之一，其形成涉及大氣、陸面、人類活動(dòng)等多重影響［1］，干旱預(yù)報(bào)是防災(zāi)減災(zāi)的有效手段。浙江省旱災(zāi)發(fā)生頻次高且范圍強(qiáng)度大，尤其是2022年浙江省內(nèi)降水異常偏少，遭遇大范圍氣象干旱，且長歷時(shí)降水短缺造成嚴(yán)重的夏秋連旱［2］，對(duì)社會(huì)經(jīng)濟(jì)造成了較大影響。因此，開展浙江省干旱預(yù)報(bào)研究對(duì)于提升區(qū)域干旱防御能力具有重要意義。

由于干旱的形成機(jī)制復(fù)雜多變，對(duì)于干旱事件的精準(zhǔn)識(shí)別與預(yù)報(bào)仍然是當(dāng)前水文問題研究的熱點(diǎn)與難點(diǎn)［3-5］，其常用方法有機(jī)器學(xué)習(xí)、概率預(yù)報(bào)與模型耦合模擬等［6-11］。其中，模型耦合模擬方法通常選取未來氣候條件下的氣象因子作為模型的輸入值或者將不同模型的輸出結(jié)果耦合［12］，來模擬區(qū)域干旱相關(guān)特征變量，以獲取區(qū)域未來干旱狀態(tài)的模擬值。該方法相對(duì)其他方法較易實(shí)現(xiàn)，且對(duì)區(qū)域狀態(tài)量的模擬準(zhǔn)確性高，被廣泛應(yīng)用于各種大型干旱監(jiān)測(cè)預(yù)報(bào)系統(tǒng)之中［13］。然而，自然區(qū)域的下墊面情況與氣候特征通常難以精確概括，由于區(qū)域水文特征的復(fù)雜性對(duì)于區(qū)域干旱的預(yù)報(bào)仍具有一定不確定性。大尺度分布式水文模型VIC可以生成基于實(shí)測(cè)數(shù)據(jù)的當(dāng)前土壤狀態(tài)文件以減少監(jiān)測(cè)預(yù)報(bào)的不確定性，同時(shí)可以考慮網(wǎng)格內(nèi)地面植被類型和土壤蓄水能力的空間分布不均勻性，能夠更好地模擬地面徑流和土壤含水量，更準(zhǔn)確地反映實(shí)際水文過程。因此VIC模型在區(qū)域性干旱預(yù)報(bào)中較為實(shí)用，常被應(yīng)用于全球主要干旱預(yù)報(bào)監(jiān)測(cè)系統(tǒng)的構(gòu)建［14］。

為了探索行之有效的區(qū)域干旱預(yù)報(bào)方法，本文使用歐洲中期數(shù)值天氣預(yù)報(bào)中心（ECMWF）預(yù)報(bào)氣象數(shù)據(jù)與大尺度水文模型VIC，建立了具有30 d預(yù)見期的干旱預(yù)報(bào)模型，并在浙江省2022～2023年大范圍干旱事件中進(jìn)行驗(yàn)證，評(píng)估了耦合模型的預(yù)報(bào)能力。研究成果可為干旱防災(zāi)減災(zāi)提供技術(shù)參考。

1 研究資料與方法

1.1 研究區(qū)概況與資料來源

浙江省位于中國東南沿海地區(qū)長江三角洲南部，其經(jīng)緯度范圍為118°1′E～123°10′E，27°2′N～31°11′N。全省土地面積10.18萬km2，地勢(shì)西南高東北低。省內(nèi)整體屬于亞熱帶季風(fēng)氣候，雨量豐富，年均氣溫15～18 ℃，年均降水1 100～2 000 mm。

研究資料主要包括氣象水文及土壤植被等數(shù)據(jù)。實(shí)測(cè)水文氣象數(shù)據(jù)來源于浙江省站點(diǎn)觀測(cè)值，預(yù)報(bào)氣象資料來自于ECMWF中期數(shù)值天氣預(yù)報(bào)模式的預(yù)報(bào)數(shù)據(jù)集（ECMWF | Advancing global NWP through international collaboration）［15］ 。浙江省內(nèi)的雨量站點(diǎn)分布情況如圖1所示。

1.2 研究方法

1.2.1 干旱指標(biāo)的選取與干旱事件識(shí)別

本研究選取吳志勇等提出的土壤含水量距平指數(shù)（soil moisture anomaly percentage index，SMAPI）進(jìn)行干旱事件的識(shí)別與特征分析［16］。SMAPI是一種基于土壤含水量相對(duì)狀態(tài)的干旱指數(shù)，它能夠很好地反映不同地區(qū)的土壤濕度狀況與干旱狀態(tài)，已有研究表明SMAPI可以很好地刻畫多個(gè)區(qū)域的干旱特征［16-17］。SMAPI的計(jì)算公式及等級(jí)劃分詳見文獻(xiàn)［17］。SMAPI為負(fù)值時(shí)表示干旱，干旱強(qiáng)度由SMAPI除以SMAPI小于-5%的天數(shù)（歷時(shí)）計(jì)算得出，干旱烈度為干旱強(qiáng)度與歷時(shí)的乘積。

干旱識(shí)別方法采用游程理論。該方法規(guī)定當(dāng)干旱事件的識(shí)別指數(shù)低于某一特定閾值的時(shí)間達(dá)到或超過規(guī)定時(shí)段長度時(shí)，視作一次干旱事件發(fā)生［18］。在本研究中，當(dāng)30%區(qū)域面積的SMAPI指數(shù)達(dá)到-5%及以下，且干旱時(shí)長持續(xù)30 d及以上，視作一次區(qū)域干旱事件發(fā)生。當(dāng)兩場(chǎng)干旱事件間隔小于10 d時(shí)，將兩場(chǎng)干旱事件合并為一場(chǎng)。

1.2.2 陸氣耦合干旱預(yù)報(bào)模型的構(gòu)建

采用陸氣耦合方法構(gòu)建干旱預(yù)報(bào)模型，并使用實(shí)測(cè)氣象資料作為VIC的氣象輸入文件。模型網(wǎng)格大小為10 km×10 km，其參數(shù)主要包括氣候地理、土壤、植被和水文、地形。土壤參數(shù)包括土壤類型分類數(shù)據(jù)，參考Reynolds等10 km分辨率土壤數(shù)據(jù)庫［19］；植被參數(shù)包括植被分類和面積覆蓋情況，植被類型參考馬里蘭大學(xué)1 km土壤覆蓋數(shù)據(jù)集進(jìn)行提取，植被參數(shù)使用LDAS（land data assimilation system）的數(shù)據(jù)；水文參數(shù)包括3層土層厚度、飽和容量曲線形狀參數(shù)等，基于水文資料使用Rosenbrock算法［20］與人工調(diào)節(jié)共同率定。 具體率定過程及方法內(nèi)容介紹詳見文獻(xiàn)［21］。

獲取基于2022年1月1日至2023年9月30日實(shí)測(cè)氣象數(shù)據(jù)模擬的0～100 cm土壤含水量數(shù)據(jù)，構(gòu)建SMAPI序列反映干旱監(jiān)測(cè)結(jié)果（以下以監(jiān)測(cè)SMAPI代替）。選取同時(shí)段歐洲氣象預(yù)報(bào)中心的未來10 d中期預(yù)報(bào)降水和氣溫驅(qū)動(dòng)耦合模型，并使用基于實(shí)測(cè)氣象數(shù)據(jù)模擬的土壤含水量作為陸氣耦合預(yù)報(bào)模型的土壤初始狀態(tài)，以減少模擬的不確定性。應(yīng)用陸氣耦合干旱預(yù)報(bào)模型逐日滾動(dòng)輸出預(yù)報(bào)土壤含水量，構(gòu)建不同預(yù)見期的SMAPI，實(shí)現(xiàn)未來30 d干旱逐日過程預(yù)報(bào)。對(duì)預(yù)報(bào)與監(jiān)測(cè)的干旱等級(jí)、干旱分布、干旱演變等進(jìn)行時(shí)空過程對(duì)比與誤差分析，以檢驗(yàn)?zāi)Ｐ偷念A(yù)報(bào)能力。陸氣耦合干旱預(yù)報(bào)模型結(jié)構(gòu)示意見圖2。

2 模型預(yù)報(bào)能力評(píng)估

2.1 浙江省2022～2023年干旱特征分析

2022年1月1日至2023年10月31日浙江省經(jīng)歷了極端降雨短缺造成的大范圍長歷時(shí)干旱以及一場(chǎng)短歷時(shí)大范圍干旱。根據(jù)識(shí)別出的干旱過程分別繪制圖3所示的干旱面積時(shí)程變化圖和圖4所示的區(qū)域網(wǎng)格干旱歷時(shí)空間分布圖。

在2022年共識(shí)別出一場(chǎng)干旱，其持續(xù)時(shí)間為145 d，平均干旱面積為69.75%，平均強(qiáng)度為-0.16，平均烈度為-23.2。此次干旱從2022年7月7日開始，持續(xù)到2022年11月28日，屬于夏秋連旱。從圖3中可以看出，此次干旱呈現(xiàn)出波動(dòng)漸進(jìn)式的發(fā)展模式，在2022年7～8月的發(fā)展階段以及11月底的緩解階段，干旱面積的變化速度較快。在11月13日，干旱面積達(dá)到了最大值94.03%，此時(shí)的極旱面積達(dá)到了27.39%。除了東北角的寧波市和紹興市的旱情較弱外，其他50%的區(qū)域面積旱情都達(dá)到了重旱及以上?？偟膩砜?，這次干旱在空間上由北向南逐漸擴(kuò)張，干旱中心在夏旱的前期位于流域的北部，區(qū)域內(nèi)主要以輕旱為主，后期轉(zhuǎn)移到流域的東南部，重旱和極旱的比例增加。秋旱的嚴(yán)重程度大于夏旱，干旱面積基本覆蓋了全省所有的區(qū)域，且重旱和極旱的比例較大。

在2023年識(shí)別出一場(chǎng)短期干旱，其持續(xù)時(shí)間為31 d，平均干旱面積為69.21%，平均烈度為-3.534，平均強(qiáng)度為-0.114。此次干旱從2023年5月23日開始，持續(xù)到2023年6月22日。干旱面積由東南向西北發(fā)展，主要的干旱中心出現(xiàn)在溫州市的南部。由圖3可知，盡管全區(qū)的干旱面積最大可以達(dá)到80%以上，但是重旱和極旱面積的最大值僅為10.50%，極旱面積的最大值僅為3.09%。旱情總體以輕旱為主，整體的干旱時(shí)長較短，發(fā)展和緩解的速度較快，存在一次為期4 d的緩解階段。圖4展示了2022～2023年干旱時(shí)段內(nèi)網(wǎng)格干旱歷時(shí)空間分布，可以看出干旱中心呈現(xiàn)出從西北到東南的對(duì)角線分布，流域內(nèi)的整體網(wǎng)格干旱時(shí)長在50～250 d之間，歷時(shí)較長。干旱時(shí)長在5個(gè)月及以上的主要區(qū)域?yàn)楹?、杭州、金華、溫州和臺(tái)州市。其中，杭州市是2022年干旱的前期干旱中心，而溫州市是2022年秋旱和2023年干旱的中心。

2.2 干旱預(yù)報(bào)誤差分析

圖5展示了SMAPI模型預(yù)報(bào)誤差與預(yù)見期之間的關(guān)系。從圖5中可以觀察到，模型的絕對(duì)誤差（以百分比表示）中位數(shù)在0值附近波動(dòng)，大部分位于0以下。整體來看，模型的絕對(duì)誤差中位數(shù)保持在-20%～20%的區(qū)間內(nèi)，顯示出模型在日、旬、月尺度上的預(yù)報(bào)誤差是可接受的。在0～11 d的預(yù)見期內(nèi)，上下四分位數(shù)的絕對(duì)誤差保持在5%左右。但從12 d預(yù)見期開始，隨著預(yù)見期的增長，絕對(duì)誤差的區(qū)間開始顯著增加，超過了10%。這表明，SMAPI預(yù)報(bào)模型在0～11 d的預(yù)見期內(nèi)預(yù)報(bào)絕對(duì)誤差較小，因此，其旬預(yù)報(bào)能力優(yōu)于月預(yù)報(bào)能力。

浙江省及各地市不同預(yù)見期干旱預(yù)報(bào)與監(jiān)測(cè)結(jié)果的均方根誤差和相關(guān)系數(shù)如圖6所示。從圖6（a）可見，浙江省的干旱預(yù)報(bào)RMSE值在預(yù)見期超過12 d后顯著增加，超過5 d，并且隨著預(yù)見期的增加，RMSE呈現(xiàn)上升趨勢(shì)。相關(guān)系數(shù)的變化與RMSE類似，從圖6（b）可見，當(dāng)預(yù)見期超過11 d和27 d后，相關(guān)系數(shù)顯著下降。這意味著，每增長約10 d的預(yù)見期，誤差精度會(huì)有一個(gè)較大的變化。然而，在預(yù)見期為10 d以內(nèi)時(shí)，預(yù)報(bào)值與監(jiān)測(cè)值的相關(guān)系數(shù)可以達(dá)到0.9以上，這表明模型在旬尺度上的預(yù)報(bào)誤差較小。因此可以得出結(jié)論：該模型在進(jìn)行浙江省干旱預(yù)報(bào)時(shí)，最佳的預(yù)見期為0～11 d，即旬尺度預(yù)報(bào)。

在前文分析基礎(chǔ)上，分別分析了浙江省內(nèi)10個(gè)市級(jí)行政區(qū)的SMAPI值預(yù)報(bào)精度。如圖6（a）所示，不同區(qū)域的均方根誤差與預(yù)見期之間呈現(xiàn)出基本的正相關(guān)關(guān)系。在旬尺度預(yù)見期內(nèi)，除舟山市外，其他地區(qū)的RMSE值均小于6 d。這可能是因?yàn)橹凵绞形挥诤Ｉ?，濕潤時(shí)段較長。杭州、金華、湖州、紹興市預(yù)報(bào)精度較高，整體RMSE維持在10 d以下。其中杭州市預(yù)報(bào)效果最好，以杭州市為中心向外輻射，平均誤差逐漸上升。結(jié)合地形特征分析可知，預(yù)報(bào)效果較好的區(qū)域多為平原，而誤差較大的區(qū)域則多為山地和丘陵地帶。這表明，該模型的預(yù)報(bào)能力從西北部的平原區(qū)向東部的沿海區(qū)遞減，在平原區(qū)的預(yù)報(bào)效果更好。對(duì)比浙江省2022年水資源公報(bào)［22］提供的降雨信息可知，這些地區(qū)年降雨量較低，說明模型對(duì)于雨量偏少地區(qū)的干旱情況預(yù)報(bào)更好。舟山與紹興市的相關(guān)系數(shù)在11 d及以上預(yù)見期區(qū)間出現(xiàn)負(fù)值，這是因?yàn)檫@兩個(gè)城市2022年降水量分別較上年減少了24.5%與31.9%。而所有沿海城市11 d以上預(yù)見期預(yù)報(bào)值與監(jiān)測(cè)值的相關(guān)系數(shù)都比較差，這可能是由于長預(yù)見期的降水?dāng)?shù)據(jù)精度下降和數(shù)據(jù)序列自相關(guān)性增強(qiáng)所導(dǎo)致的。整體來看，模型在旬尺度預(yù)見期內(nèi)的預(yù)報(bào)誤差大部分小于5 d，準(zhǔn)確度較高。如圖6（b）所示，相關(guān)系數(shù)指示出的模型預(yù)報(bào)精度與預(yù)見期的關(guān)系顯示出相同的規(guī)律。在旬尺度預(yù)見期內(nèi)，相關(guān)系數(shù)均在0.6以上?？傮w而言，模型預(yù)報(bào)值各個(gè)精度指標(biāo)在預(yù)見期為0～11 d的旬尺度表現(xiàn)最佳。

2.3 干旱預(yù)報(bào)能力時(shí)程分析

基于前文分析結(jié)果可知，陸氣耦合干旱預(yù)報(bào)模型對(duì)浙江省干旱過程在旬尺度上的預(yù)報(bào)能力最佳。為進(jìn)一步評(píng)估模型旬尺度干旱預(yù)報(bào)能力，使用預(yù)報(bào)SMAPI與監(jiān)測(cè)SMAPI的識(shí)別結(jié)果進(jìn)行干旱時(shí)程逐日預(yù)報(bào)過程的對(duì)比分析。

陸氣耦合模型對(duì)浙江省內(nèi)2022～2023年SMAPI逐日預(yù)報(bào)過程如圖7所示。模型根據(jù)預(yù)報(bào)氣象數(shù)據(jù)進(jìn)行實(shí)時(shí)預(yù)報(bào)滾動(dòng)，當(dāng)預(yù)報(bào)數(shù)據(jù)出現(xiàn)缺失或模型出現(xiàn)故障時(shí)會(huì)發(fā)生漏報(bào)現(xiàn)象，如圖中2023年2～3月。此外也存在較低的誤報(bào)幾率，如2022年9月少數(shù)滾動(dòng)預(yù)報(bào)在旱情發(fā)展階段指示出旱情緩解的趨勢(shì)。從圖7中可以看出，整體預(yù)報(bào)趨勢(shì)圍繞監(jiān)測(cè)值上下波動(dòng)，與監(jiān)測(cè)值變化趨勢(shì)大致相同。大部分預(yù)報(bào)值相較監(jiān)測(cè)值在峰值區(qū)偏大，如2022年6月、2023年1～2月與2023年4月、2023年8～9月，這幾處濕潤狀態(tài)的峰值預(yù)報(bào)值整體略大于監(jiān)測(cè)值。在流域干濕狀態(tài)變化較劇烈的階段（如2022年9、11月與2023年7月）預(yù)報(bào)值與監(jiān)測(cè)值貼合較好，預(yù)報(bào)誤報(bào)率更低。同時(shí)可以看出，在干旱的發(fā)展階段預(yù)報(bào)情況較實(shí)際旱情偏嚴(yán)重，旱情發(fā)展速度略快于監(jiān)測(cè)情況，如2022年7～10月預(yù)報(bào)的SMAPI極值絕對(duì)值大于監(jiān)測(cè)SMAPI的絕對(duì)值。整體對(duì)比可見模型在絕大多數(shù)情況下的預(yù)報(bào)旱情與實(shí)際旱情發(fā)展趨勢(shì)一致，對(duì)于干旱的預(yù)報(bào)比對(duì)濕潤狀況的預(yù)報(bào)更為準(zhǔn)確，且在土壤水分變化劇烈時(shí)的預(yù)報(bào)準(zhǔn)確率更高，能夠較好地表征區(qū)域內(nèi)的旱情特征變化。

2.4 干旱預(yù)報(bào)能力空間分析

通過分析浙江省干旱發(fā)展的關(guān)鍵時(shí)間節(jié)點(diǎn)，繪制了實(shí)測(cè)和預(yù)測(cè)的日面SMAPI值的空間分布圖（圖8～9），旨在評(píng)估模型在旬尺度上對(duì)干旱空間分布預(yù)測(cè)的準(zhǔn)確性。選取2022年干旱的關(guān)鍵時(shí)間節(jié)點(diǎn)進(jìn)行分析，包括干旱面積達(dá)70%（8月20日）、極旱面積分別達(dá)到20%（9月23日）和30%（10月27日）、干旱面積最大（11月13日）以及干旱緩解階段（11月25日）。分析結(jié)果表明，在干旱發(fā)展和持續(xù)階段，模型在1～5 d的預(yù)見期內(nèi)能夠準(zhǔn)確預(yù)測(cè)干旱的空間分布，與實(shí)測(cè)數(shù)據(jù)高度一致。當(dāng)預(yù)見期延長到11～15 d時(shí)，雖然在預(yù)測(cè)干旱中心位置的準(zhǔn)確度方面略有下降，但仍然相對(duì)準(zhǔn)確。然而，當(dāng)預(yù)見期為21～30 d時(shí)，預(yù)測(cè)的干旱位置和面積與實(shí)際觀測(cè)值存在較大差異，預(yù)測(cè)結(jié)果通常更接近于實(shí)測(cè)日期前幾日的干旱分布情況。在干旱緩解階段，模型在中旬尺度預(yù)見期內(nèi)的預(yù)測(cè)干旱情況通常低于實(shí)際情況，但能夠較準(zhǔn)確地預(yù)測(cè)出干旱中心和等級(jí)分布。對(duì)于20～31 d的預(yù)見期，預(yù)測(cè)結(jié)果顯示出一定的延遲，反映出較為嚴(yán)重的干旱狀態(tài)，盡管如此，預(yù)測(cè)仍然捕捉到了干旱減弱的趨勢(shì)?？傮w而言，該模型在短期預(yù)見期內(nèi)展現(xiàn)出較高的預(yù)測(cè)準(zhǔn)確性，但隨著預(yù)見期的延長，準(zhǔn)確性有所下降，尤其是在預(yù)測(cè)干旱的具體位置和面積方面。

根據(jù)2023年浙江省內(nèi)干旱過程，選取干旱起始階段干旱開始日（5月23日）、發(fā)展階段干旱面積達(dá)60%日（5月28日）、干旱持續(xù)階段干旱面積最大日（6月4日）進(jìn)行旬尺度以內(nèi)預(yù)見期的空間預(yù)報(bào)精度驗(yàn)證，繪制如圖9所示的2023年干旱預(yù)報(bào)空間分布情況。該場(chǎng)次干旱預(yù)報(bào)可代表短歷時(shí)等級(jí)較低旱情發(fā)生時(shí)模型的預(yù)報(bào)特性，總體而言與時(shí)程分布指示出的干濕環(huán)境下的預(yù)報(bào)特性一致。在干旱發(fā)展和持續(xù)階段模型能夠準(zhǔn)確預(yù)報(bào)出干旱中心的特征，候、旬尺度上的預(yù)報(bào)也能較好描述出干旱等級(jí)的面積分布。

整體來看，隨著預(yù)見期的增長，模型對(duì)干旱嚴(yán)重程度的預(yù)報(bào)逐漸偏小，同時(shí)干旱中心位置和干旱面積大小的預(yù)報(bào)精度逐漸下降。在預(yù)見期增長后，模型傾向于保留省份內(nèi)偏西部地區(qū)的干旱特征，而對(duì)省份東部沿海區(qū)域的干旱情勢(shì)預(yù)報(bào)準(zhǔn)確性欠佳。總體而言，模型的旬尺度預(yù)報(bào)結(jié)果優(yōu)秀，可以做到準(zhǔn)確預(yù)報(bào)出干旱面積、中心以及等級(jí)，預(yù)報(bào)值與監(jiān)測(cè)值在90%左右的網(wǎng)格面積上一致，能夠較好地刻畫全區(qū)長歷時(shí)大范圍未來多日干旱情勢(shì)特征以及發(fā)展趨勢(shì)，并可以較好地預(yù)報(bào)旱情發(fā)展持續(xù)階段的變化特征。

3 結(jié) 論

本文以浙江省為研究區(qū)域，驗(yàn)證使用大尺度分布式水文模型與預(yù)報(bào)氣象數(shù)據(jù)建立的陸氣耦合干旱預(yù)報(bào)模型在區(qū)域內(nèi)的預(yù)報(bào)實(shí)用性。將輸出的預(yù)報(bào)與監(jiān)測(cè)土壤含水量用于構(gòu)建土壤含水量距平指數(shù)SMAPI，在此基礎(chǔ)上識(shí)別并分析了2022～2023年浙江省干旱事件，然后根據(jù)不同預(yù)見期對(duì)模型預(yù)報(bào)與監(jiān)測(cè)值之間的誤差進(jìn)行比較分析，并利用陸氣耦合模型對(duì)浙江省2022年和2023年干旱發(fā)生發(fā)展過程的監(jiān)測(cè)預(yù)報(bào)值時(shí)空分布進(jìn)行對(duì)比分析，探討了該模型在浙江省內(nèi)進(jìn)行干旱預(yù)報(bào)應(yīng)用的可行性。主要結(jié)論如下：

（1） 不同預(yù)見期的監(jiān)測(cè)與預(yù)報(bào)SMAPI值的誤差指數(shù)顯示，1～11 d預(yù)見期表現(xiàn)最好，在旬尺度上模型對(duì)SMAPI值的預(yù)報(bào)精度較高。

（2） 對(duì)比監(jiān)測(cè)與預(yù)報(bào)SMAPI值的時(shí)空分布情況可知，該模型可以較精確地刻畫出干旱的時(shí)空展布特征。時(shí)間上旬尺度預(yù)報(bào)可以預(yù)報(bào)出干旱未來的發(fā)展趨勢(shì)；模型空間上也可以準(zhǔn)確展現(xiàn)干旱中心和等級(jí)的變化，對(duì)旱情發(fā)展持續(xù)階段的預(yù)報(bào)精度優(yōu)于緩解階段。

（3） 根據(jù)浙江省內(nèi)不同市的預(yù)報(bào)與監(jiān)測(cè)值的差異發(fā)現(xiàn)，模型在杭州、金華市等降水較少的平原區(qū)域預(yù)報(bào)性能更佳，且對(duì)土壤含水量變化較迅速以及嚴(yán)重程度較高地區(qū)的旱情預(yù)報(bào)趨勢(shì)描述更好。

參考文獻(xiàn)：

［1］ DAI A.Increasing drought under global warming in observations and models［J］.Nature Climate Change，2013，3（1）：52-58.

［2］ 浙江省統(tǒng)計(jì)局.浙江省自然地理［EB/OL］.（2023-03-17）［2023-12-12］.https：∥www.zj.gov.cn/art/2023/3/17/art_1229398249_60056356.html.

［3］ BRUNNER M I，SLATER L，TALLAKSEN L M，et al.Challenges in modeling and predicting floods and droughts：a review［J］.WIREs Water，2021，8（3）：e1520.

［4］ 吳志勇，張靜杰，何海，等.區(qū)域抗旱能力評(píng)價(jià)研究進(jìn)展［J］.人民長江，2023，54（9）：24-32.

［5］ 吳志勇，程丹丹，何海，等.綜合干旱指數(shù)研究進(jìn)展［J］.水資源保護(hù)，2021，37（1）：36-45.

［6］ NANDGUDE N，SINGH T P，NANDGUDE S，et al.Drought prediction：a comprehensive review of different drought prediction models and adopted technologies［J］.Sustainability，2023，15（15）：11684.

［7］ 樊高峰，張勇，柳苗，等.基于支持向量機(jī)的干旱預(yù)報(bào)研究［J］.中國農(nóng)業(yè)氣象，2011，32（3）：475-478.

［8］ HAO Z，HAO F，SINGH V P，et al.Probabilistic prediction of hydrologic drought using a conditional probability approach based on the meta-Gaussian model［J］.Journal of Hydrology，2016，542：772-780.

［9］ HAO Z，HAO F，SINGH V P.A general framework for multivariate multi-index drought prediction based on Multivariate Ensemble Streamflow Prediction （MESP）［J］.Journal of Hydrology，2016，539：1-10.

［10］周靖楠，徐敏，龔宇，等.基于分布估計(jì)算法優(yōu)化極限學(xué)習(xí)機(jī)的干旱預(yù)測(cè)研究 ［J］.水利水電快報(bào)，2023，44（7）：8-14.

［11］殷浩，吳志勇，何海.基于機(jī)器學(xué)習(xí)的季尺度干旱預(yù)測(cè)研究［J］.人民長江，2021，52（增2）：60-63，78.

［12］HAO Z，XIA Y，LUO L，et al.Toward a categorical drought prediction system based on U.S.drought Monitor （USDM） and climate forecast［J］.Journal of Hydrology，2017，551：300-305.

［13］HAO Z，YUAN X，XIA Y，et al.An overview of drought monitoring and prediction systems at regional and global scales［J］.Bulletin of the American Meteorological Society，2017，98（9）：1879-1896.

［14］YUAN X，ROUNDY J K，WOOD E F，et al.Seasonal forecasting of global hydrologic extremes：system development and evaluation over GEWEX basins［J］.Bulletin of the American Meteorological Society，2015，96（11）：1895-1912.

［15］PETER B，MARTIN K，THOMAS J，et al.Advances in simulating atmospheric variability with the ECMWF model：from synoptic to decadal time-scales［J］.Quarterly Journal of the Royal Meteorological Society，2008，134（634）：1337-1351.

［16］WU Z Y，LU G H，WEN L，et al.Reconstructing and analyzing China’s fifty-nine year （1951-2009） drought history using hydrological model simulation［J］.Hydrology and Earth System Sciences，2011，15（9）：2881-2894.

［17］吳志勇，徐征光，肖恒，等.基于模擬土壤含水量的長江上游干旱事件時(shí)空特征分析［J］.長江流域資源與環(huán)境，2018，27（1）：176-184.

［18］周帥，王義民，暢建霞，等.黃河流域干旱時(shí)空演變的空間格局研究［J］.水利學(xué)報(bào)，2019，50（10）：1231-1241.

［19］REYNOLDS C A，JACKSON T J，RAWLS W J.Estimating soil water-holding capacities by linking the food and agriculture organization soil map of the world with global pedon databases and continuous pedotransfer functions［J］.Water Resources Research，2000，36（12）：3653-3662.

［20］宋霽云，張利平，李武階，等.水文模型參數(shù)優(yōu)選方法比較與參數(shù)敏感性分析［J］.水電能源科學(xué)，2011，29（4）：25-27，24.

［21］陸桂華，吳志勇，何海.大范圍干旱動(dòng)態(tài)監(jiān)測(cè)與預(yù)報(bào)［M］.北京：科學(xué)出版社，2021.

［22］浙江省水利廳.浙江省2022年水資源公報(bào)［R/OL］.（2023-06-07）［2023-12-17］.http：∥slt.zj.gov.cn/art/2023/6/7/art_1229243017_5122446.html.

（編輯：謝玲嫻）

Forecasting analysis on regional drought process in Zhejiang Province based on land-air coupled model

QIU Chao1，LIU Xiyuan2，WU Zhiyong2，HE Hai2，XU Boliu1，LI Yuan2

（1.Zhejiang Hydrological Management Center，Hangzhou 310009，China； 2.College of Hydrology and Water Resources，Hohai University，Nanjing 210098，China）

Abstract：

Drought and its accurate prediction have always been a major problem in the field of hydrometeorology.To explore accurate and feasible drought forecasting methods，a land-air coupled drought forecasting model based on the VIC model and the European Center for Medium-Range Numerical Weather Forecasting （ECMWF） forecasting meteorological data was established to calculate monitored soil water content and predicted soil water content and to analyze the spatial and temporal distribution characteristics of the Soil Moisture Anomaly Percentage Index （SMAPI），based on which we assessed the drought forecasting ability of the coupled model over Zhejiang Province.The results show that：① for the foresight period，the forecasted and monitored SMAPI values in the foresight period of 0～1l d perform better in terms of absolute error，RMSE，and R-value，which shows the model has the best forecasting effect in the 10-day scale；② The 10-days scale forecast of the model can accurately grasp the development trend of the future droughts in the process of temporal change，and the consistency of the spatial forecast with the grid distribution of the monitored SMAPI values can reach 90% or more；③ The model has better prediction performance in the plain area with little rainfall in the northwest of Zhejiang Province，and better describes the trend of drought prediction in the area with more drastic changes in soil water content.The research results can provide scientific and technological support for drought disaster prevention and early warning in Zhejiang Province.

Key words：

drought prediction； soil moisture； land-air coupled model； VIC model； Zhejiang Province