1 引言
近年来， 山洪已成为山丘地区人民伤亡和财产损失的主要灾种（熊俊楠等， 2019）。其中山丘地区小流域的山洪因发生流域面积小、 坡降大， 导致产流快、 洪水历时短、 成灾迅速， 使其预警预报工作具有难度大、 要求高、 需求强的特点。目前， 山洪的预警预报技术主要以水文模型和经验方案为主， 其中， 水文模型是提高洪水预警预报精度与预见期的关键技术（包红军等， 2016）， 分为集总式水文模型和分布式水文模型。由于分布式水文模型基于明确的物理机制及高效的参数率定， 充分考虑了不同下垫面条件与气象因素的变化， 在资料匮乏的山区小流域洪水预报预警中具有广泛的应用前景（郭良等， 2018； 雷晓辉等， 2018）。
WRF-Hydro模型是在美国国家航天局（NASA）、 美国国家海洋和大气管理局（NOAA）等共同支持下， 由美国国家大气中心（NACR）为主研发的分布式水文模型， 既可以独立运行进行山洪暴发预测、 区域气候评估、 水资源季节性预测等研究（Somos and Palmer， 2018； 高玉芳等， 2020）， 还可以与大气模式（如WRF模式）进行单向或双向耦合来模拟大气与水文过程之间的相互作用（Avolio et al， 2019； Gu et al， 2021）。另外， 对于地形复杂的山区小流域， 地表水再入渗及土壤水侧向流明显， 而目前大多水文模型只能模拟垂向水流运动， WRF-Hydro模式则弥补了这一不足， 充分考虑了地表、 地下和河道的三维可变饱和流， 具有模拟地表水再入渗及土壤水侧向流的性能（Zhang et al， 2020）。目前， 已有学者利用 WRF-Hydro模型针对中小尺度流域的洪水模拟性能开展研究， 表明该模型对于提高地形复杂的中小尺度流域的洪水预报精度具有巨大的应用潜力（Lu et al， 2017； Varlas et al， 2018； 晁丽君等， 2022； 粟运等， 2022）。因此， 针对水文资料缺乏的山区小流域的洪水过程， 可以基于WRF-Hydro模型开展进一步研究。
降雨数据作为水文模型的输入， 直接影响水文模型的模拟精度。在地形复杂的山区， 降雨的时空异质性较大（俞琳飞等， 2020； 闫燕等， 2020）， 尤其是山区小流域， 由于观测站点稀疏、 资料缺乏等因素影响（包红军等， 2021）， 基于站点的地面观测降雨数据难以满足洪水预报的要求， 而多普勒天气雷达具有覆盖范围广、 时空分辨高、 可靠性强等特点， 可以弥补偏远山区站点稀少或无站点的降雨数据问题（刘维成等， 2022）。随着雷达技术的快速发展与雷达网布设的加密， 降雨的估测精度逐步提高， 雷达估测降雨数据在水文模拟中具有很好的应用前景（刘松楠等， 2021； Wijayarathne et al， 2021）， 但由于雷达估测降雨时， 受山体遮挡、 波速阻挡等因素限制， 存在较大误差， 尤其在地形复杂的山区（宋林烨等， 2019； 沈程峰和李国平， 2022）， 雷达数据尚未在水文中广泛应用（Ma et al， 2021）。中国业务天气雷达网以S波段和C波段的新一代天气雷达为主（张哲等， 2021）， 已成为中小尺度灾害性天气预报预警的有效手段。但在不同流域雷达估测降雨效果不同， 雷达估测降雨数据应用在不同时空尺度的水文模拟时也存在明显差异（冯克鹏等， 2020）， 因此， 需要在小尺度的山区流域进一步开展水文应用方面的研究， 以满足洪水预报需求。
本文针对山区小流域洪水预报问题， 以重庆中部的二河流域为研究对象， 选取典型的暴雨洪水过程， 采用 S 波段多普勒天气雷达估测降雨数据驱动WRF-Hydro模型， 对雷达估测降雨的水文应用效果和WRF-Hydro模型在山区小流域的适用性进行研究， 并结合在湿润地区应用良好的新安江模型进行对比分析， 以进一步明确径流预报效果， 为 S 波段多普勒天气雷达的雷达估测降雨数据和WRF-Hydro模型在资料匮乏的山区小流域的应用提供参考。
2 研究区域与数据
2.1 研究区域
二河流域位于长江上游干流的北岸， 地处三峡库区的核心地带， 是重庆中部典型山区型小流域， 流域面积155.52 km2。二河流域的范围为30.22°N -30.38°N， 107.71°E -107.89°E， 处于亚热带湿润季风区， 受东南或西南季风的影响， 雨热同期、 降雨充沛且分配不均， 每年的4 -10月为雨季， 而5 -9月暴雨多发， 绝大部分降雨集中在24 h内。二河流域的洪水主要由降雨形成， 具有年分配不均、 年际变化大的特点， 主汛期在5 -8月， 与降雨规律一致（王汉涛和张潇潇， 2019）。由于地势陡峭， 处浅丘地带， 坡度介于0%~38.34% 之间， 海拔高程在 223~1078 m之间， 地势自东南、 西北向中部递减， 洪水过程的最大洪量多集中在24 h。二河流域土壤以黏壤土为主， 植被资源一般， 多为农田用地， 约占62.1%， 其次为混交林以及农田与自然的镶嵌地， 分别覆盖了流域的18.6%和13.8%。二河流域的高程和水系分布见图1 。
2.2 数据来源
本研究使用的径流实况数据采用重庆市水文局提供的二河水文站逐小时径流观测数据。由于流域面积小， 流域内没有布控雨量站， 降雨实况数据采用逐小时的S波段多普勒天气雷达的估测降雨数据， 分辨率为1 km。
二河流域的数字高程模型（DEM）采用先进星载热发射和反射辐射仪全球数字高程模型第3版（ASTER GDEMV3）数据， 分辨率为30 m， 来自地理空间数据云（http： //www.gscloud.cn）； 植被覆盖类型、 土壤类型等数据取自 WRF预处理系统（WPS）默认的中分辨率成像光谱仪（MODIS） 数据， 分辨率为30 s， 经由 WPS 处理后与DEM数据由 WRF-Hydro的GIS Pre-processing工具提取10 m分辨率的河网信息， 并生成可输入WRF-Hydro模型的水文信息文件。
由于二河流域是山区小流域， 雷达、 雨量站、 水文站等不同来源的常规、 加密和特殊气象、 水文观测资料少， 收集到的具有完整气象水文数据的历史洪水事件有三场， 均为典型的由暴雨引发的洪水过程。本文将洪水场次编号为 20210718和20210813的洪水事件用于WRF-Hydro模型的参数率定， 20210823事件作为验证， 事件具体信息见表1 。文中均采用北京时。
表1 二河流域洪水事件Table 1 The erhe river basin flood event |
| 洪水场次编号 | 洪水开始时间 | 洪水结束时间 | 最大24 h降雨量/mm | 洪峰量/（m3·s-1） |
|---|---|---|---|---|
| 20210718 | 7月18日08:00 | 7月20日08:00 | 68.86 | 276 |
| 20210812 | 8月12日14:00 | 8月14日14:00 | 69.06 | 267 |
| 20210823 | 8月23日00:00 | 8月25日00:00 | 127.43 | 681 |
本文采用CINRAD/SA雷达估测降雨数据， 针对二河流域， 开展雷达估测降雨径流预报应用效果研究。CINRAD/SA 雷达属于新一代S 波段多普勒天气雷达， 于2019年完成双偏振升级改造， 中心经纬度为（107.0°E， 29.0°N）， 最大探测距离为460 km， 距离分辨率为 0.25 m， 对于降雨的估测精度具有一定的准确性和稳定性， 尤其是20 mm·h-1以下的估测要优于双偏振的估测（张哲等， 2021）。CINRAD/SA雷达每 6 min扫描一次， 雷达估测降雨数据是在230 km探测半径内， 由中国气象局SWAN业务系统采用动态Z-I关系（殷志远等， 2020）利用雷达反射率生成， 空间分辨率为 0.01°×0.01°， 时间分辨率为1 h， 该数据由重庆市水文局提供。
三场洪水事件的累积降雨量空间分布见图2 ， 1 h流域平均面雨量变化和累积雨量见图3 。三次降雨过程均达到暴雨等级， 主要具有以下特征： 时间上， 20210718 场次降雨时间较为分散， 具有“双峰”特征， 而20210812和20210823场次降雨时间更集中， 具有“单峰”特征； 空间上， 20210718和20210812场次降雨范围较小， 20210823场次降雨范围较广， 三场降雨均具有空间分布不均匀、 有明显降雨中心、 强度梯度大的特点。
3 模型与方法
3.1 模型
WRF-Hydro 模型是基于天气预报模型 WRF 设计的陆气耦合框架， 具有易扩展、 可移植的特点（Gochis et al， 2020）， 经过不断发展， 现已经成为一个多物理、 多尺度的全分布式水文模拟系统。WRF-Hydro 模型的物理组分主要包括了陆面模型、 地形模块、 河道/水库模块。其中， 陆面模型主要模拟大气、 植被、 土壤层之间的水分和能量的垂直通量以及土壤、 水分的状态， 为更精确计算产流， 可同时考虑蓄满产流、 超渗产流两种产流方式（刘洪波等， 2021）。地形模块主要进行地表、 地下径流及地下水深等汇流计算， 该模块考虑了地形、 饱和土壤深度和随深度变化的饱和导水率的影响， 可以精确模拟水分的垂直交换和水平向的侧向流交换（顾天威等， 2021）。
本文采用水文模型 WRF-Hydro V5.1.1， 其所需的地理网格数据和初始场文件均由WRF V4.1.1模式生成。WRF 模式设置三层嵌套， 水平分辨率分别为15 km、 3 km和1 km， 其中， 最内层的1 km分辨率区域用于 WRF-Hydro 模型运行， 时间积分步长为45 s。WRF-Hydro 模型模拟区域见图1 （b）， 陆面模型采用多参数化的Noah-MP模型， 其参数化方案采用默认选项； 地形模块采用最大陡坡降法（D8法）计算地表径流和次地表径流； 河道/水库模块计算河道汇流时采用网格化的扩散波算法， 计算基流时选用概念性水桶模型。同时， 设置陆面模型的分辨率为1 km， 时间积分步长为6 s； 汇流网格的分辨率为100 m， 时间积分步长为6 s， 河网的水平分辨率为10 m。由于水文模型状态变量的初始条件存在不确定性， 进行适当时段的Spin-up， 即“预热”， 可减小初始条件对径流预报的影响（Ekmekcioğ et al， 2022）， 因此， 参考有关研究（Arnault et al， 2016）， 每个个例模拟时模型设置 2个月的 Spin-up 时间。
WRF-hydro模型有众多复杂的可调节参数， 可分为产流参数和汇流参数， 会直接影响模型的模拟效果， 而由于研究区域间的下垫面和气候特征不同， 需进行参数率定以提高模型的性能。通过对参数进行敏感性试验， 本文主要对土壤孔隙度、 入渗径流参数、 MannN糙率及地表糙率这 4个在二河流域较为敏感的参数进行率定， 其率定值依次为0.4、 0.08、 1.5和0.8。
3.2 评估方法
3.2.1 评估指标
本文主要采用相关系数（RR）、 总流量相对误差（SUM）、 洪峰流量相对误差（MAX）、 峰现时间误差（T）、 纳什效率系数（NSE）、 克林-古普塔效率系数（KGE）以及均方根-观测值标准差比（RSR）对WRF-Hydro模型进行参数率定和模拟性能评估。相关评估指标的计算公式如下：
式中： 表示观测值； 表示模拟值； 表示观测的平均值； 表示模拟的总径流量； 表示观测的总径流量； 表示模拟的洪峰流量； 表示观测的洪峰流量； 表示模拟的峰现时间； 表示观测的峰现时间； 是模拟值与观测值之间的平均值之比， 表示偏差； 是模拟值与观测值之间的变异系数值之比， 表示数据的变异性。KGE系数是基于NSE系数的优化指标， 集成了相关系数、 偏差和变异性系数， 可综合反映模型的性能（Liu， 2020）， 当KGE值取为1时， 表示模型的性能完美， 当值大于0.50时， 表示模型性能时可信的； RSR是均方根误差与观测值标准差的比值， 是针对均方根误差的修正指标， 结合了误差统计与归一化因子的优点（Moriasi et al， 2007）， RSR值越接近0， 模拟性能越好， 而当其值小于0.70时， 表示模型表现是可信的。
3.2.2 新安江模型径流检验
为进一步验证模拟结果的可靠性， 利用新安江模型进行对比检验。新安江模型是由赵人俊教授提出的以蓄满产流为基础的概念性流域水文模型， 因结构简单有效、 参数有限、 适应性广， 其在水文资料匮乏的小流域具有很好的应用性（龚珺夫等， 2020； Yuan et al， 2017）。因此， 本文利用三水源新安江模型与WRF-Hydro 模型进行对比分析， 以评估WRF-Hydro 模型在水文资料观测不足的山区小流域的径流模拟能力以及应用潜力。新安江模型模拟结果由重庆水文局提供。
4 研究结果
4.1 率定期 WRF-Hydro 模型模拟结果分析与评估
本研究利用S波段多普勒天气雷达的雷达估测降雨数据驱动WRF-Hydro模型， 采用20210718和20210812两场洪水事件对模型进行率定， 模拟的洪水过程与降雨过程基本吻合， 其径流过程线及流量散点分布见图4 和图5 ， 各评估指标的结果见表2 。20210718洪水事件为多峰洪水过程， WRF-Hydro 模型表现较差（NSE和KGE 分别为0.72、 0.57）， 有径流高估现象： 起涨阶段至第一个洪峰阶段， 模型准确模拟了起涨时间， 但径流量明显高估， 涨洪过程模拟值超过观测127.99 m3·s-1； 第一个洪峰量和第二个洪峰量模拟分别偏大了130.03%和6.29%， 在第二个洪峰后2 h， WRF-Hydro 模型径流明显高估， 可能是该时刻的雷达估测降雨高估从而导致模型在计算径流时明显高估了径流量。20210812洪水事件为单峰洪水过程， 模型表现较优， NSE为0.93， KGE为0.80， 但模拟的洪水起涨时间提前了1 h， 对径流量的模拟也偏小， SUM偏小了17.42%， MAX偏小了18.56%， 可能是雷达估测降雨低估造成的。结合流量散点图（图4 ， 图5 ）可以看出， 两场洪水过程中， WRF-Hydro 模型对较低径流量值（径流量<100 m3·s-1）模拟较好， 对高径流量值存在高估或低估现象， 但模拟的总流量相对误差和洪峰流量误差的绝对值均小于20%， 达到了水文预报的合格标准（水文情报预报规范， 2008）， 同时， 峰现时间误差均为0 h， 准确模拟了洪峰出现时间。
图4 20210718场次洪水的水文过程曲线与流量散点分布Fig.4 Hydrological process curves and flow scatter plots of the 20210718 field flood |
图5 20210812场次洪水的水文过程曲线和流量散点分布Fig.5 Hydrological process curves and flow scatter diagrams of the 20210812 field floods |
表2 WRF-Hydro与新安江模型的评价指标Table 2 Evaluation metrics of WRF-Hydro and Xinanjiang models |
| 模型 | 20210718 | 20210812 | 20210823 | |
|---|---|---|---|---|
| WRF-Hydro | WRF-Hydro | WRF-Hydro | 新安江模型 | |
| RR | 0.88 | 0.99 | 0.90 | 0.86 |
| SUM/% | 11.47 | -17.42 | 3.65 | -4.81 |
| MAX/% | 6.29 | -18.56 | -39.54 | -34.23 |
| T/h | 0.00 | 0.00 | 1.00 | 1.00 |
| NSE | 0.72 | 0.93 | 0.67 | 0.64 |
| KGE | 0.57 | 0.80 | 0.73 | 0.81 |
| RSR | 0.63 | 0.24 | 0.50 | 0.54 |
综上所述， 在S 波段多普勒天气雷达估测降雨数据的驱动下， WRF-Hydro模型的模拟结果整体表现较好， RR均在0.80以上， NSE 均超过了0.65， KGE 均大于0.50， RSR 均小于0.70， 表明了基于雷达估测降雨数据的 WRF-Hydro 模型在山区小流域表现出了良好的模拟洪水的性能。
4.2 验证期 WRF-Hydro 模型模拟结果与新安江模型的对比分析
本文采用20210823洪水过程， 分别将雷达估测降雨数据输入新安江模型和WRF-Hydro 模型对比分析径流模拟效果， 两个模型的径流过程线和流量散点分布见图6 ， 各评估指标见表2 。径流过程线的变化表明， 与降雨过程变化基本一致， WRF-Hydro模型性能略好于新安江模型（NSE分别为0.67和0.64）： 在洪水起涨至洪峰阶段， 两个模型模拟的起涨时间均提前， WRF-Hydro模型提前了2 h， 而新安江模型提前了4 h， 同时， 模拟的径流量也都存在高估； 至洪峰时刻， 两个模型模拟的洪峰出现时间较观测的晚1 h， 同时均低估了洪峰流量， 洪峰流量相对误差超过了分别为-39.54%和-34.23%， 这可能是由于雷达受地形阻挡的影响， 过分低估了实际降雨量； 在洪水消退阶段， WRF-Hydro模型与观测的拟合程度更高， 新安江模型呈现消退时间快、 幅度大、 径流量偏小的特点。总的来说， WRF-Hydro模型与新安江模型均存在明显低估洪峰流量的现象， 但WRF-Hydro模型在洪水起涨阶段和洪水消退阶段的表现优于新安江模型。流量散点图也表明， 与新安江模型相比， WRF-Hydro模型对径流的模拟更接近观测， 尤其是低径流值， 而WRF-Hydro模型的RSR较新安江模型偏小7.4%， RR偏大4.6%， NSE 偏大4.7%， 进一步表明了WRF-Hydro模型在二河流域的性能。值得注意的是， KGE的表现与NSE相反， WRF-Hydro模型较新安江模型偏小9.9%， 这可能与新安江模型高估或低估径流量有关， 对低径流的高估和高径流的低估使得该模拟结果的变异性较大， 离散程度更高， 与NSE相比， KGE系数在计算时提高了可变异性的比重（Gupta et al， 2009）。
综上所述， 基于S波段多普勒天气雷达估测降雨的 WRF-Hydro 模型在二河流域对洪水过程的模拟表现良好， 整个模拟期间， WRF-Hydro 模型的RR均值为0.92， NSE均值为0.77， KGE均值为0.70， 与新安江模型相比， 对于洪水过程的模拟更接近观测， 尤其是对洪水过程细节的刻画， 这与WRF-Hydro模型较新安江模型使用高程、 植被、 地形等下垫面信息有关。此外， 与率定期相比， 验证期内模型的模拟效果下降， 可能是率定期和验证期的洪水事件使用同一组合率定参数， 忽略了不同洪水事件的差异与雷达估测数据的不确定性。整体模拟结果表明， 在雷达估测降雨数据的驱动下， WRF-Hydro模型可以较好地再现二河流域洪水过程的洪峰流量和峰现时间， 对于水文资料匮乏的山区小流域有较好的应用潜力。
5 结论
为提升山区小流域的洪水预报精度， 本文研究了高分辨率雷达估测降雨数据在山区小尺度流域中的水文效果及WRF-Hydro模型在小尺度山洪模拟中的性能。以二河流域为研究区域， 基于S波段多普勒天气雷达估测降雨数据， 分析了WRF-Hydro模型在山区小流域典型暴雨洪水过程的径流模拟效果， 并结合新安江模型的模拟结果， 探讨了S波段多普勒天气雷达估测降雨数据与WRF-Hydro模型在山区小流域洪水预报的应用潜力， 研究结果表明：
（1） 在二河流域， WRF-Hydro模型有较好的径流模拟能力， NSE均高于0.65， KGE均高于0.50， RR均高于0.85， 与观测径流符合程度较高， 表明WRF-Hydro模型可以作为山区小流域洪水过程的预报模型。同时， WRF-Hydro模型在验证期的模拟性能较率定期下降， 这与不同场次洪水的流域初始状态和雷达估测降雨数据的不确定性有关。
（2） 采用S波段多普勒天气雷达估测降雨数据驱动WRF-Hydro 模型， 较好地再现了洪水过程、 洪峰流量及峰现时间， 表明S波段多普勒天气雷达估测降雨数据的质量可以较好地满足洪水预报的要求， 在水文资料不足的山区小流域进一步开展研究和应用。
（3） 将WRF-Hydro模型与新安江模型进行对比分析发现WRF-Hydro模型的模拟效果略好于新安江模型（NSE： 0.67>0.64； RR： 0.90>0.86）， 对于洪水过程的细节的描述更接近观测， 进一步研究还需要大量的模拟试验， 定量分析雷达估测降雨效果、 降雨时空分布对径流模拟的影响。
本文主要探讨了基于雷达估测降雨数据的WRF-Hydro模型在山区小流域的适用性， 由于本文研究小流域的暴雨洪水过程， 采用了较少的洪水场次， 可能存在一定的误差， 后续将适当增加洪水场次， 对WRF-Hydro在小流域尺度的应用进行更进一步的深入研究。同时， 降雨资料的质量直接影响洪水预报的准确性和可靠性， 尤其是山区小流域的洪水预警预报中， 本研究可以看出雷达数据对降雨量级及其空间分布的捕获为山区小流域的洪水预报提供支持， 但何种降雨情形下， 基于雷达估测降雨的洪水预报效果更好， 需要结合更多降雨过程进行分析。