基于HEC-HMS模型的兰江流域径流预测

唐中楠， 杨国丽， 李 军， 刘鹏霄

(河北建筑工程学院 河北省水质工程与水资源综合利用重点实验室, 河北 张家口 075000)

政府间气候变化专门委员会(IPCC)的第五次评估报告中指出，从1880年以来全球平均表面温度上升0.85 ℃，21世纪初已成为有记录以来最炎热的时期[1]。随着温室气体排放的增加，全球范围内辐射强迫度和温度持续上升，温度的上升导致更高的蒸散速率，这极大影响了区域水文过程和水文事件(即洪水和干旱)发生频率[2]，因此研究水文水资源对气候变化的响应具有重要现实意义。大气环流模式(general circulation models, GCMs)是目前广泛应用于大尺度气候研究的方法[3]。然而GCMs输出受到低分辨率和缺乏区域气候数据限制，降尺度方法常用于弥补GCMs对区域气候预测的不足[4]。SDSM (statistical down scaling model)统计降尺度模型耦合了天气发生器和多元线性回归，在气候变化情景研究中得到广泛应用[5]。

气候变化下的水文过程响应逐渐成为水文水资源研究领域的热点[6]，水文模型是模拟流域水循环过程及气候和人类活动变化对水资源响应，揭示径流变化规律的重要工具和方法[7]。其中，与SDSM模型对接应用较为广泛的水文模型有SWAT模型[8]、VIC模型等[9]。HEC-HMS(hydrologic engineering center and hydrologic modeling system)模型是由美国陆军工程师兵团研发的半分布式水文模型，因其相对简单高效的结构和明确的物理机制而被国内外学者广泛应用[10]。Abdessamed等[11]利用HEC-HMS模型验证阿尔及利亚艾因赛夫拉市防洪混凝土墙防洪效果及其对洪峰流量的削减效果，发现市区挡土墙的存在显著减少了洪水区面积。Mahmood等[12]通过对该模型量化分析，发现了过去50 a余非洲第四大淡水湖乍得湖入库流量迅速下降，其中人类活动因素占总比例的66%，气候因素仅为34%。袁玉等[13]探究了秦淮河流域洪水特征对景观格局的响应，发现景观丰富度较高的区域洪水危害性较小。田竞等[14]基于修正Morris法优化了模型参数敏感性分析过程，并验证了模型在官山河流域的适用性。基于上述分析，国内外学者对HEC-HMS模型的研究主要集中于山洪预报预警和雨洪对下垫面变化的响应机制研究。然而，目前将HEC-HMS模型与SDSM模型耦合并应用于未来气候变化下的径流响应的研究还较少，加深耦合模型的应用理解对未来径流变化预测有现实意义。

兰江流域受降雨和地形等因素影响，是浙江省内防洪抗汛的重点流域。历史上有记录的该流域发生的特大洪水超过56次。20世纪以来受到气候变化等因素影响，洪水发展到平均每4 a一次，最近一次特大洪水出现在2017年6月下旬，兰溪站监测水位达到31.86 m[15]。因此，本文针对兰江流域构建HEC-HMS模型，并将其与SDSM模型结合，依托CanESM2气候模式研究未来不同RCPs情景下的流域径流变化趋势，探究在全球变暖气候变化背景下径流的响应过程，以期为区域防洪工程和水资源管理提供重要参考和一定的理论支持。

1 研究区域数据与研究方法

1.1 研究区概况

兰江流域位于钱塘江上游，浙江省中西部，水文上通常将马金溪、衢江和兰江统称为兰江。流域上游起源于安徽省休宁县，干流全长约为303 km，流域境内总面积1.94×104km2。流域跨越东经118°40′—120°38′,北纬28°60′—29°30′之间，地形以丘陵和盆地为主，整体地势呈现四周高、中间低的特点，气候属于东亚副热带季风区，年平均年降水约为1 200～1 700 mm，暴雨多集中在4—8月，多年平均温度约在17～18 ℃间，流域径流主要补给源是大气降水，多年平均径流量608 m3/s[16]。研究区域选取兰江兰溪水文站以上流域，区域地形和雨量站点分布见图1。

图1 兰江流域雨量站及地形图

1.2 数据来源及处理

1.2.1 地理空间数据 地理空间数据包括流域数字高程、土地利用和土壤分布数据。数字高程数据来自于地理空间数据云平台(http:∥www.gscloud.cn)的30 m分辨率GDEMV2 30 M产品数据集。土地利用数据为中国科学院资源环境科学数据中心提供的1 km分辨率2018年土地利用现状遥感监测数据，通过兰江流域矢量边界提取(见图2a)。土壤分布数据来自世界土壤数据库HWSD (harmonized world soil database)数据集，边界裁剪兰江流域范围见图2b。

注：①LPk为黑色石灰薄层土；LVh1为简育高活性淋溶土1；ACu为腐殖质低活强酸土；ACh1为简育低活性强酸土1；RGc为石灰性疏松岩性土；CMo为铁铝性雏形土；CMx为艳色雏形土；RGd为不饱和疏松岩性土；ACh2为简育低活性强酸土2；ALh为简育高活性强酸土；ANh为简育火山灰土；FLe为饱和冲积土；CMd为不饱和雏形土；ATc1为人为堆积土1；ATc2为人为堆积土2； ②ATc2比ATc1在土壤含沙量、壤土含量、土壤碳酸钙降低，黏土含量上升；LVh2比LVh在土壤含沙量、壤土含量上升，黏土含量、土壤碳酸钙下降；ACh2比ACh1在土壤含沙量上升，壤土含量、黏土含量和土壤碳酸钙含量均下降。

1.2.2 水文气象数据 构建HEC-HMS模型的水文气象数据来自于历年中华人民共和国水文年鉴第7卷第1册，径流数据选取2015—2018年的兰江兰溪站逐日平均流量表和洪水水文要素摘录表，同时考虑到预测模型对下游兰江水库的安全性影响，故本着对水利工程最不利原则选取6场峰值流量大于3 000 m3/s的典型大规模洪水数据。降水量数据选取流域内15个雨量站点(表1)的降水量摘录表。构建SDSM模型所需资料包括历史气象数据、NCEP(national centers for environment prediction)历史逐日再分析数据和CanESM2大气环流模式输出数据。实测历史气象资料采用流域内东阳、衢州、开化、江山、金华和武义6个气象站点1975—2005年逐日降水数据。NCEP历史再分析数据选取1975—2005年日序列的26种大气环流因子。CanESM2大气环流模式数据来自加拿大气候情景网，选取BOX_043 X_43 Y和BOX_044 X_43 Y网格下RCP2.6，RCP4.5和RCP8.53个排放情景的2030—2100逐日序列。

表1 兰江流域雨量站点地理位置

1.3 研究方法

1.3.1 HEC-HMS水文模型 HEC-HMS模型包括流域模块、控制模块、气象模块和时间序列管理模块4个部分[17]，流域模块的降雨—径流计算中又分为产流模块、汇流模块、基流模块和河道汇流模块，通过模块式操作可以采用不同的计算方案模拟流域内的水文过程。

本研究通过HEC-GeoHMS 10.2对流域DEM数据进行处理，提取流域水系特征和地形参数并将流域划分为18个子流域，利用泰森多边形法计算每个子流域的雨量站权重，在此基础上生成HEC-HMS工程文件(图3)。产流模块采用SCS-CN径流曲线数法，率定参数包括降雨初损、CN值和不透水率；汇流模块采用Snyder单位线法，参数包括流域滞时和峰值系数；基流模块采用消退基流法，参数有初始基流、衰减常数和衰减阈值；河道汇流模块采用马斯京跟法，参数包括蓄量常数K，流量比重X和河段数。考虑到初始参数值输入模型的模拟较差，故参数率定过程中采用手动试错法结合模型内置的Nelder-Mead法及峰值加权均方根目标函数确定最优参数[18]。验证模型选用洪峰流量相对误差(REQ)，洪量相对误差(REW)，峰现时差(ΔT)，Nash效率系数(NSE)和相关性系数(R2)5个指标评价模型模拟结果，洪峰流量相对误差REQ和洪量相对误差REW误差范围应在20%以内，峰现时差ΔT误差范围应在3 h以内，Nash效率系数(NSE)应在0.6以上。REQ，REW和ΔT绝对值越低，NSE和R2越接近1代表模拟效果越好[19]。

根据上述方法构建兰江流域HEC-HMS模型，洪水场次模拟选取4场暴雨洪水对模型参数进行率定，2场暴雨洪水对模型模拟效果进行验证；逐日降雨径流选取2015—2016年日径流数据对模型参数进行率定，2017—2018年日径流数据对模型模拟效果验证。

图3 兰江流域划分及模型结构

1.3.2 SDSM统计降尺度模型 SDSM模型是耦合多元线性回归分析和随机天气发生器的统计降尺度模型，能够将低分辨率的GCM大气环流模式输出数据转换为站点或小尺度气候要素的日序列，其核心为通过多元回归分析方法建立预报因子与预报量之间的统计关系[20]。模型主要使用步骤包括：筛选预报因子、数据转化及质量控制、率定验证模型、天气发生器和情景发生器，其中预报因子的选择依据为预报因子与预报量间有强相关性和明确的物理过程、所选因子能够被GCM准确模拟[21]。根据建立的统计关系率定及验证模型后即可凭借于GCM输出数据模拟预测未来日序列的气象要素变化过程，其基本原理[22]如下所示：

(1)

(2)

式中：ωi为第i天降水概率;Pij为第i天第j个预报因子;α，β和γ为模型参数;Ri为降水量;Ti为温度变量;ei为误差。

本研究采用加拿大气候中心研发的CanESM2模式的未来输出降水数据进行研究。林朝晖等[23]对17个GCMs模式在中国东部历史降水模拟能力进行了分析，发现只有4种GCMs模式能够同时还原小雨至暴雨雨量的年代增加，CanESM2模式是其中之一。Xuan等[24]分析了18个GCMs模式在浙江省区域气候变化模拟能力，发现CanESM2模式是温度模拟、降水模拟和风速模拟的最佳模式之一，温度模拟绝对偏差小于1 ℃，降水偏差小于5%。因此，CanESM2气候模式可以认为适用于浙江区域。

2 结果与分析

2.1 HEC-HMS模型结果

2.1.1 洪水模拟结果 洪水模拟结果见表2。由表2可以看出6场洪水的洪峰相对误差和洪量相对误差均小于20%，其中洪峰流量相对误差绝对值均值为6.82%，洪量相对误差绝对值均值为7.55%；峰现时差除20170411号洪水外均小于2 h；Nash效率系数为0.78～0.92，相关性系数均高于0.8。

从模拟与实测流量对比结果(图4)中看出，模型模拟洪水过程与实测过程趋势基本一致。率定期20170614，20170625，20180305这3场洪水Nash效率均接近于0.9，洪量误差均接近或小于5 %，峰现表现趋于雨停峰现，模拟效果较好。洪号20180430，20170411洪水洪量相对误差稍大，具体表现为局部模拟过程和实测洪水过程有所差距，其原因可能为实测流量数据为摘录洪水数据线性插值处理后的结果，坦化后实际流量过程线导致局部模拟过程误差增大；同时通过泰森多边形法计算流域面降水量不能全部还原降水的空间和时间过程，从而进一步增大洪水过程线和峰现时间误差。总体上看，率定期和验证期共6场洪水的相对误差、效率系数等大体符合要求，表明HEC-HMS模型可以用于兰江流域洪水模拟。

表2 HEC-HMS模型洪水模拟结果

图4 兰江流域率定期(a-d)与验证期(e-f)洪水过程模拟结果

2.1.2 日径流模拟结果 表3为HEC-HMS模型日径流模拟结果评价，率定期逐日径流相关系数和效率系数均为0.79，相对误差为6.11%；验证期相关系数为0.74，效率系数为0.73，相对误差Re为14.02%，总体上率定期模拟效果优于验证期，模拟值稍大于实测值。图5为率定期和验证期模拟逐日径流和实测径流过程对比，可以看出过程线拟合效果较好。模型对于极端径流模拟值偏小，实测最高流量日为2017年6月25日，日平均径流量达到12 900 m3/s，模型模拟结果仅为6 653.50 m3/s；2015年6月19日，实测日平均径流量达到8 570 m3/s，模拟结果为4 907.50 m3/s；2015年6月30日，实测日平均径流量达到6 290 m3/s，模拟结果为4 829.30 m3/s。综合效率系数、相关系数和相对误差来看，HEC-HMS模型在兰江流域有较好的适用性，可以用于该地区的径流模拟。

表3 模型模拟结果评价

图5 兰江流域验证期和实测期径流模拟过程

2.2 SDSM模型结果

2.2.1 SDSM模型率定与验证 选取1975—1995年为SDSM模型率定期，1996—2005年为模型验证期。采用平均解释方差(E)、标准误差(SE)和相对误差评价模拟结果。考虑到HEC-HMS模型仅需输入降水序列，故本研究中仅对6个气象站点的日降水量进行模拟验证，结果见表4。各站点标准误差为0.35～0.40 mm，解释方差为0.34%～0.47%，说明所选的预报因子能够解释降水量超过34%～47%的误差。本研究中对降水量的模拟结果与郝丽娜等[25]对河西走廊降水模拟的解释方差0.09%～0.64%,初祁等[26]对太湖流域降水模拟的解释方差0.11%～0.26%和娄伟等[27]对泾河流域降水模拟中解释方差为0.35%～0.45%等结果相似，同时年降水量统计结果表明模拟与实测值基本相近，因此认为构建的SDSM模型可适用于兰江流域未来径流模拟。

2.2.2 未来情景预测 将2030—2100年分为3个时段，即2030s(2030—2049年)，2050s(2050—2079年)和2080s(2080—2100年)，以1975—2005年作为基准期对比。应用已构建的SDSM模型输入CanESM2模拟下RCP2.6，RCP4.5和RCP8.53种排放情景数据得到6个气象站点未来降水逐日序列，并根据泰森多边形法计算流域面降水量，结果见表5。

表4 SDSM模型降水模拟结果统计值

RCP2.6，RCP4.5和RCP8.5浓度路径下流域降雨量较于基准期分别增幅-0.82%，6.18%和18.17%。RCP2.6情景下未来降水量呈现轻微下降趋势，平均减幅为1.97 mm/10 a，21世纪末期较于基准期下降1.41 %；RCP4.5情景下降水量增长至顶峰后减少，增幅为14.84 mm/10 a，2050s时期平均多年降水量达到最高值1 860.75 mm，较于基准期增幅10.76 %，21世纪末期回落至1 767.36 mm，较于基准期增幅5.20%；RCP8.5情景下降水量持续快速增长，增幅为43.60 mm/10 a，21世纪中前期已明显高于基准期，21世纪末期平均多年降水量达到2 338.70 mm，较于基准期上升39.21 %，相比于其他情景变化更为剧烈。总体上看，兰江流域未来降水量呈上升趋势，降水量增幅程度随着辐射强迫度的上升而增大。

表5 兰江流域各情景下未来降水预测

2.3 未来径流模拟

将SDSM模型降尺度生成的未来较好序列输入到已校准的HEC-HMS模型中，得到未来RCPs 3种排放情景下的流域径流变化过程(图6)。结合表6可知未来不同排放情景各时段下平均多年径流量，对比基准期(2015—2018年)未来径流量均成上升趋势，RCP2.6，RCP4.5和RCP8.5 3种情景下多年平均径流相较于基准期分别增幅为17%，26.22%和41.93%。

未来各时段径流量变化规律与降水变化过程基本一致，RCP2.6情景下径流量基本趋于稳定，较于基准期增长幅度15%～20%，预测期内平均每10 a减少1.6 m3/s；RCP4.5情景下径流量增长至峰值后缓慢下降，较于基准期增幅20%～32%，预测期内平均每10 a上升4.65 m3/s；RCP8.5情景下径流量持续上升，从2030s时段较于基准期增幅17%持续上升至2080s时段增幅71%，预测其内平均每10 a上升49.49 m3/s，同时RCP8.5情景下各年份径流量起伏较大，变化过于剧烈的径流过程代表旱涝事件频率和强度将明显提升。

图6 兰江流域3种排放情景下未来径流变化

表6 兰江流域未来情景下流域年平均流量

图7所示为各时段平均月径流模拟结果。RCP8.5情景下各时段径流除6，10，11月外均出现不同程度的增幅，其中丰水期(4—7月)涨幅显著高于枯水期(9—12月)，且随着时间的推移，丰水期和枯水期的径流差也不断扩大，至21世纪末期，丰水期已占全年径流71.93%。

RCP4.5情景和RCP2.6情景下径流年内分配均趋于稳定，相较于基准期1—5月径流出现明显上升，7—9月和12月径流出现了小幅上升，而6，10，11月径流则出现了不同程度的下降，至21世纪末期2种情景汛期径流占比分别达到60.06%和61.63%，枯水期径流量则有减小的态势。总体来看预测结果表明10月和11月以外的月份平均径流均呈明显增加趋势，其中2—5月平均径流量增幅明显，丰水期径流增幅程度均大于枯水期，表明未来流域径流年内分配可能趋于参差，需要更加注意丰水期防洪水利工程。

图7 兰江流域多年月平均径流基准期与实测期比较

3 讨论与结论

3.1 结 论

(1) HEC-HMS模型在兰江流域有较好的适用性。通过构建适用于兰江流域的HEC-HMS模型并率定校准模型，场次洪水模拟平均效率系数0.86，平均相关系数0.89，平均洪峰相对误差6.82%，平均洪量相对误差7.56%；日径流量模拟平均效率系数0.76，平均相关系数0.77，模型可以较为准确地还原研究区水文过程。

(2) 未来兰江流域径流量呈上升趋势，增幅程度随辐射强迫度同步增大。RCP2.6情景下径流趋于稳定，流域径流量每10 a减少1.6 m3/s；RCP4.5情景下径流量增加至峰值后减少，每10 a上升4.65 m3/s；RCP.8.5情景下径流量持续攀升，每10 a径流量上升49.49 m3/s。RCP8.5情景下年径流量变化剧烈，旱涝事件发生概率和强度均有所增加。

(3) 未来径流量年内分配将更趋于极端，汛期径流量占全年比例将有所上升。RCP2.6，RCP4.5和RCP8.5 3种情景下丰水期径流量上升幅度均明显高于枯水期，增幅程度与辐射强迫度增大趋势一致。预测期汛期径流占比总体高于基准期，至21世纪末期RCP2.6，RCP4.5和RCP8.53种浓度路径下分别由基准期的46.59%上升到60.06%，61.63%和71.93%。

3.2 讨 论

本研究所用的CanESM2模式是国际耦合模式比较计划第5阶段CMIP5发布的气候模式之一，CMIP5与第3阶段CMIP3相比在气候模拟能力上已有显著提高[28]，但是GCMs模式仍然不能完全模拟大气要素之间的互相作用，在未来气候变化的预测中有极大的不确定性，尤其是影响因素较多且过程复杂的降水事件[29]，不同气候模式由于机制原理、物理气候结构、模式分辨率和辐射强迫度情景设计的较大差异，对未来气候的模拟能力也不尽相同，通过比较多个GCMs模式能够尽量减少不确定性。Zhang等[30]通过HadCM3，ECHAM5和CCSM3这3个模式研究发现钱塘江流域未来降水量极有可能呈现上升趋势，Xia等[31]通过GFDL等3个GCMs模式预测钱塘江流域丰水期降水量上升而枯水期下降，以上多种气候模式研究和本研究一致发现钱塘江流域和其上游兰江流域的降水量在未来有上升趋势，因此本研究基于SDSM模型分析兰江流域未来降水量将有所上升的结论具有可信度。

降尺度方法也是区域尺度的未来气候变化研究中的不确定性因素之一。SDSM统计降尺度方法虽然可以减少空间分辨率尺度上带来的误差，但其预测因子的选择存在主观性，模型情景生成与基线一致这一结构导致模拟结果年际降水量变化较大[32]。

本研究通过分析未来降水变化并结合水文模型研究了兰江流域径流的变化趋势，但仅通过单出口观测流量进行模型的率定与验证难以说明流域整体的径流变化得到了准确的还原，进一步分析不同区域的径流量演变趋势将是未来研究的重点。同时，土地利用类型的改变会对流域径流产生重大影响[33]，充分考虑流域未来土地利用、土壤分布和高程的改变对径流的影响是值得进一步研究的科学问题。