WRF-Hydro模型参数在河西内陆河流域的敏感性分析

郭晨煜,吕海深,朱永华,汪 翔

(1.河海大学水文水资源与水利工程科学国家重点实验室,江苏 南京 210098; 2.河海大学水文水资源学院,江苏 南京 210098)

随着3S技术的发展,分布式水文模型发展迅速,现已广泛用于水文领域研究。与传统的集总式模型相比,分布式模型将流域划分成若干小网格,考虑了气候和下垫面条件的空间异质性[1-5]。由于网格化特性,分布式水文模型能更详细、更准确地模拟流域水文过程,但同时也伴随着模型参数相对繁杂、参数率定框架难以建立、计算成本较高等问题。

WRF-Hydro模型是2013年以美国国家大气研究中心(NCAR)为主导、多个国家参与研发的基于物理过程的网格化分布式水文模型,是基于Noah/Noah-MP陆面模型的水文拓展模块[6-7]。WRF-Hydro模型主要包括大尺度的陆面模块和小尺度的河道汇流模块,其中,大尺度的陆面模块有Noah和Noah-MP两种陆面模型可供选择;河道汇流模块包括壤中汇流、地表汇流、地下径流和河道汇流等子模块。WRF-Hydro模型不仅可以单独模拟多尺度洪水预报过程线,还可以与水资源管理、水质预测等其他模型或模块耦合[8-9]。

WRF-Hydro模型涉及参数众多,但并非每个参数对模型的模拟结果都具有显著影响。因此,对WRF-Hydro模型的参数进行敏感性分析很有必要。参数敏感性分析有助于识别对WRF-Hydro模型输出影响显著的参数和不敏感参数,降低模型参数维度,减少模型参数不确定性[10-13]。近年来,已有学者对WRF-Hydro模型的部分参数进行了敏感性分析。例如:Ryu等[14]通过一次变化一个因子(one-factor-at-a-time,OAT)方法不等步长地对WRF-Hydro模型的入渗系数(REFKDT)、地表持水深度乘子(RETDEPRTFAC)、地表糙率乘子(OVROUGHRTFAC)、河道曼宁糙率乘子(MANNFAC)4个参数依次进行扰动,进行敏感性分析,得出REFKDT是最敏感的参数;Liu等[15]在中国半湿润半干旱地区,以合适的参数组合驱动WRF-Hydro模型,对比参数调整导致的洪量和峰现时间的变化,同样对这4个参数进行敏感性分析,得出REFKDT和MANNFAC是4个参数中最敏感的参数;李致家等[16]通过等步长地依次对WRF-Hydro的土层厚度乘子(ZSOILFAC)、水箱模型指数(GWEXP)、REFKDT、RETDEPRTFAC、OVROUGHRTFAC、MANNFAC 6个参数进行扰动,进行定性的敏感性分析,同时使用修正Morris筛选法进行定量局部敏感性分析,提出WRF-Hydro模型在中国半湿润地区的陈河流域应用时,ZSOILFAC、REFKDT、MANNFAC为敏感参数。

现有研究对WRF-Hydro模型进行参数敏感性分析采用的方法都是局部敏感性分析方法。2020年,Fersch等[17]用拉丁超立方-OAT(LH-OAT)方法对WRF-Hydro模型的8个参数进行了全局敏感性分析,得出WRF-Hydro模型在德国巴伐利亚州应用时,8个参数中只有水箱模型初始水量(ZINIT)为不敏感参数,其他7个参数均为敏感参数。目前我国对WRF-Hydro模型参数的全局敏感性的研究不够充分,缺乏关于汇流网格分辨率对参数敏感性的探讨[18],与WRF-Hydro模型相关的研究多在湿润半湿润地区进行,为此,本文基于LH-OAT方法,研究使用不同评价指标和不同空间分辨率汇流演算网格时,WRF-Hydro模型主要参数在河西内陆河流域的敏感性,并对WRF-Hydro模型主要参数进行敏感度分级,探究不同评价指标和空间分辨率对参数敏感性的影响。

1 研究区与研究方法

1.1 研究区概况

以河西地区内陆河水系的西营河流域为研究对象,西营河流域地处武威市西南部,流经肃南区和凉州区,是石羊河八大支流中最大的一级支流,流域面积1455km2,河道长度76.7km,河道坡降28.2‰。该流域径流资源丰富,年径流量达3.79亿m3,多年平均流量达12m3/s,多年最大洪水流量472m3/s,最小洪水流量0.62m3/s。西营河流域降雨多集中在6—9月,占全年降水量的69%,容易形成洪水。西营河发源于祁连山脉东段的冷龙岭和卡洼掌,东北流汇入响水河,在流域的出山口附近设有九条岭水文站(102°03′E,37°52′N)[19-20]。

选取九条岭水文站控制的西营河流域(图1)为研究区域,流域面积1077km2,属高寒半干旱气候[21],占西营河总流域面积的74.02%。研究区域海拔较高,地形陡峭;植被较好,水土流失轻微,土壤的持水性和透水量较大,土壤和植被滞蓄能力较强;河道分叉,渗漏严重,时常发生断流。

图1 西营河流域及河网分级示意图

1.2 数据来源

研究使用的数据包括气象驱动数据、静态地理数据、DEM数据和实测洪水要素。气象驱动数据采用2015年2月1日至2018年9月10日时空分辨率分别为3h、0.25°的全球预报系统(GFS)数据,选取长波辐射、短波辐射、降雨、气温、气压、水平和竖直方向风速以及比湿这8个变量作为模型输入。静态地理数据包括地形、地貌和土地利用类型等自然条件的数据集,可在WRF官网获取,静态地理空间数据的空间分辨率为30s。DEM高程数据的空间分辨率为90m,该数据主要用于将低分辨率网格细分形成高分辨率网格,以支持模型的汇流演算模块,弥补陆面模式中未考虑侧向流和径流重分配的缺陷,以高分辨率的网格进行模拟,这一过程通过GIS预处理系统进行。DEM数据取自地理空间数据云。实测洪水要素资料取自《中华人民共和国水文年鉴》2015—2018年第10卷甘肃河西地区内陆河水文资料的洪水要素表。

1.3 敏感性分析方法

采用LH-OAT方法进行敏感性分析。LH-OAT方法是2005年van Griensven等[22]结合LH方法和OAT方法提出并应用于SWAT模型的全局敏感性方法,包含采用LH方法进行抽样和采用随机OAT方法进行敏感性分析两个部分。LH抽样将参数空间进行分层,并在每层进行采样。随机OAT方法通过轻微扰动来确定参数在各采样点的敏感性。LH-OAT方法结合了LH方法的高效性和OAT方法的精确性,可以用较低的计算成本,科学、高效、精确、定量地确定模型参数的敏感性。

LH抽样分为4个步骤:①确定每个参数取值范围,并将每个参数的取值范围等分成n层,即参数在每层范围出现的可能性均等,为1/n(n为要取的采样点数量);②对各参数进行分层采样,并在各层中各取1个值,作为参数变量在各层的代表值;③在上一步抽取的各变量的代表值中随机选择(每个数只能使用一次)组合成1个采样点;④重复步骤③,得到n个参数组。

1.4 WRF-Hydro模型设置和主要参数取值

WRF-Hydro模型主要包括陆面模块和汇流演算模块。陆面模块的水文过程在低分辨率网格中进行,而汇流演算模块的水文过程在高分辨率网格中进行。模拟过程中,WRF-Hydro模型通过分解/聚合程序完成陆面模式的粗网格和汇流演算模块的精细网格之间的信息交换。

选取WRF-Hydro模型的入渗系数(REFKDT)、地表持水深度乘子(RETDEPRTFAC)、地表糙率乘子(OVROUGHRTFAC)、深层导水系数(slope)、土壤饱和导水率(REFDK)、河道曼宁糙率乘子(MANNFAC)6个主要参数进行敏感性分析,综合考虑已有研究成果[14-15,17,24-25],确定各参数取值范围如表1所示。

表1 参数取值范围

2 结果与分析

以空间分辨率为1km×1km的陆面模式演算网格,分别搭配100m×100m、125m×125m、200m×200m、250m×250m的汇流演算网格以离线模式运行WRF-Hydro模型,利用LH-OAT方法在不同空间分辨率的汇流演算网格条件下,对6个参数进行敏感性分析。

将6个参数分为10层,并在各参数取值范围内使用LH方法进行抽样,得到10个采样点,抽样结果见表2。之后,使用OAT方法,基于不同的评价指标和不同空间分辨率的汇流演算网格,对每个参数的敏感性指数进行计算,得到每个参数的敏感度以及敏感度等级,分析与讨论不同评价指标和汇流演算网格空间分辨率对敏感性的影响。

表2 LH抽样结果

2.1 不同评价指标对参数敏感性的影响

使用250m×250m汇流演算网格的驱动模型,分析和说明不同评价指标对参数敏感性的影响。参数敏感度指标|Si|计算结果见表3,各参数敏感度等级见图2。另外,对不同评价指标得到的各参数敏感度进行排序,结果见表4。

表3 参数敏感度指标计算结果

表4 参数敏感度排名

从表3可以看出,敏感性分析结果很大程度上受到评价指标的影响,与秦萍等[26]、徐会军等[23]的研究结果相符。在河西内陆河流域,6个参数对于流域出口平均流量的控制能力较弱,而对洪峰流量的调节作用显著。以出口平均流量为评价指标分析参数敏感性时,相较于其他评价指标来说得到的参数敏感度结果要小得多,6个参数都被识别为一般敏感参数或不敏感参数。在6个参数中,对于出口平均流量影响较大的参数为REFKDT、REFDK和slope。但以洪峰误差为评价指标分析参数敏感性时,却出现了完全不同的结果,5个参数(除RETDEPRTFAC)都被识别为敏感参数或极敏感参数。

从表4可以看出,各参数的敏感度排名也受到不同评价指标的影响,以slope为例,当以PE为评价指标时,slope的敏感度排名为第4名,而当以IVF作为评价指标时,slope的敏感度排名为第1名,从总体上看,较敏感的参数,敏感度排名受评价指标的影响较大;而敏感度较低的参数,敏感度排名不受评价指标变化的影响。REFKDT、REFDK、slope、MANNFAC 4个参数的敏感度排名会随评价指标的不同而波动。OVROUGHRTFAC和RETDEPRTFAC的敏感度排名稳定,不受评价指标的影响,分别排第5、6名。

2.2 不同汇流网格空间分辨率对参数敏感性的影响

分别使用空间分辨率为100m×100m、125m×125m、200m×200m、250m×250m的汇流网格驱动模型,分析汇流演算网格空间分辨率对6个参数敏感性的影响,结果如表5所示。为了综合考虑不同输出变量对参数敏感性的影响,根据文献[26],分别计算各个参数对不同评价指标的敏感度指标的平均值并作为该参数的全局敏感度,结果如表5所示。由表5可见,尽管参数全局敏感度会随着汇流网格空间分辨率的改变而小幅变化,但参数敏感性等级较为稳定。相比于其他参数,REFKDT的全局敏感度受汇流网格分辨率的影响最大,使用不同汇流演算网格分辨率进行敏感度分析,REFKDT的全局敏感度在0.379～0.636之间波动,相比其他参数波动的幅度较大。不同汇流网格尺度下,MANNFAC被识别为极敏感参数,REFKDT、slope、REFDK均被识别为敏感参数。OVROUGHRTFAC被识别为一般敏感参数,RETDEPRTFAC被识别为不敏感参数。该结果验证了Liu等[15]的敏感性分析结果:在REFKDT、MANNFAC、OVROUGHRTFAC、RETDEPRTFAC 4个参数中,REFKDT和MANNFAC最为敏感,RETDEPRTFAC对洪量调控作用最弱。由表2可知,REFKDT在西营河流域的取值范围为0～0.4,与Liu等[15]提出的该参数在紫荆关流域的取值范围1.0～4.0有明显差异。造成REFKDT取值范围差异的原因可能是气候的影响。西营河流域九条岭水文站以上区域属于高寒半干旱气候带,而紫荆关流域属于温带半湿润气候。相比之下,西营河流域的降雨资源较为匮乏,总体的降雨入渗量也较少,所以REFKDT在西营河的取值较紫荆关流域偏小。

对不同汇流演算网格分辨率下得到的全局敏感度进行排序,REFKDT、REFDK、slope 3个参数的敏感度排名有变化(第2～4名),而MANNFAC、OVROUGHRTFAC、RETDEPRTFAC的敏感度排名分别为第1、5、6名,不随汇流演算网格分辨率的改变而改变。由此可见,在6个参数中,MANNFAC是最敏感的参数,RETDEPRTFAC是最不敏感的参数,OVROUGHRTFAC次之。

为了综合考虑汇流演算网格空间分辨率对参数的影响,对参数进行敏感性分析,以不同空间分辨率的汇流演算网格的全局敏感度的平均值作为敏感性的最终评价指标[26],计算结果见表5,可以得到6个参数的敏感度大小排序为MANNFAC、REFDK、slope、REFKDT、OVROUGHRTFAC、RETDEPRTFAC。

2.3 WRF-Hydro模型参数对洪水过程线的影响

选取洪峰较为显著的2016年7月10—12日洪水作为典型洪水,进行WRF-Hydro模型参数对洪水过程线影响的分析。以LH抽样后模拟最优(NSE最大)的采样点作为初始点,在参数取值范围内,保持其他参数不变,等步长地分别改变6个参数的取值,通过计算NSE、PE、IVF、PT 4个水文预报结果评价指标,分析各参数对洪水过程线的影响。6个参数不同取值时2016年洪水的过程线如图3所示,典型洪水的水文预报结果评价指标计算结果如表6所示。

表6 参数不同取值时评价指标计算结果

图3 参数不同取值时洪水过程线

REFDK对洪量和洪峰大小具有显著的调节作用。在全局敏感性分析结果中,被识别为敏感参数,IVF、NSE、PE、PT对REFDK都有较好的响应。从图3(a)可以看出,随着REFDK的增大,洪量增大显著且洪峰略微向后偏移。

MANNFAC是这6个参数中敏感性最高的参数,对洪水过程线形状、洪峰都有很大的影响。MANNFAC主要控制河道汇流速率,随着MANNFAC的增大,峰现时间向后偏移,且洪量减少,峰值也逐渐降低。由图3(b)可知,在6个参数中,MANNFAC对峰现时间的影响最大,对于典型洪水而言,MANNFAC从0.2等步长增加到1.8,模拟的洪峰向后延迟明显。由表6可知,NSE随着MANNFAC的增大,先增大后减小。另外,MANNFAC对于洪量和洪峰大小也有调节作用,但对洪量和洪峰大小的控制效果不如REFKDT和REFDK这两个参数。

OVROUGHRTFAC主要控制坡面汇流速率,该参数被识别为一般敏感参数,对洪峰大小、洪水过程线有小幅影响。如图3(c)所示,随着OVROUGHRTFAC的增大,坡面汇流的速率减缓。峰现时间也小幅向后推移(典型洪水的峰现时间波动均为1h)。这意味着随着OVROUGHRTAC的增加,地表径流的汇流时间延长。在典型洪水中,该参数对洪峰流量和洪量有轻微的调节作用。

slope控制着向水箱模型补给水分的速度,该参数被识别为敏感性参数,对洪水过程线形状(NSE、RSS)有较大的影响,但对洪峰流量和洪量的控制效果不显著。如图3(d)所示,随着slope的增大,洪水过程线逐渐趋于平缓,洪峰流量逐渐降低,但洪量几乎不变(slope在0～1变动时,典型洪水的洪量变化在10%以内)。

REFKDT对洪量、洪峰大小和洪水过程线都具有较大影响,对洪峰大小的调节效果尤为显著。由图3(e)可知,随着REFKDT的增加,洪量逐渐减小,洪峰降低,而且这种下降显然是非线性的。具体来说,随着REFKDT的增加,洪峰和洪量的减小速率逐渐减慢,洪水过程线逐渐平滑。对于2016年洪水而言,当REFKDT从0.1升至0.2时,洪峰流量减少了47.36%,洪量减少了47.21%。而REFKDT从0.2升至0.3、从0.3升至0.4时,洪峰流量分别减少了34.68%、28.06%,洪量分别减少了33.12%、23.07%。另外,由表6可知,REFKDT对峰现时间也有较大的影响。对于典型洪水而言,在REFKDT取值范围内,PT的波动为0～2h。

RETDEPRTFAC主要控制土壤洼蓄能力,当地表水头超过预定义的地表持水深度时,就会流入河道。如图3(f)所示,RETDEPRTFAC不同取值对洪水过程的影响几乎可以忽略。由表6可知,典型洪水的各指标对RETDEPRTFAC的响应较差。以往大部分学者使用WRF-Hydro模型对洪水进行模拟时,常常将RETDEPRTFAC当成影响洪量的重要参数。通过本次研究证实,WRF-Hydro模型在河西内陆河流域应用时,RETDEPRTFAC为不敏感参数,调节该参数对模型模拟的影响很小,故在参数率定时,为降低计算成本,可不必率定该参数。

3 结 论

a.根据最终敏感性评价指标,MANNFAC为极敏感参数,REFKDT、slope、REFDK为敏感参数,OVROUGHRTFAC为一般敏感参数,RETDEPRTFAC为不敏感参数。参数敏感性大小排序为MANNFAC、REFDK、slope、REFKDT、OVROUGHRTFAC、RETDEPRTFAC。

b.6个参数对于典型洪水的洪水过程线的调节效果不同。其中,REFKDT和REFDK对于洪量和洪峰大小的控制效果显著;MANNFAC对于峰现时间的调节效果最好,随着MANNFAC的增大,洪水过程线的洪峰向后偏移明显,且洪峰流量和洪量有所降低。slope可以较好地调节洪水过程线的形状,但对于洪量的控制效果不明显。OVROUGHRTFAC可以微调洪峰流量和峰现时间。RETDEPRTFAC对洪水过程线的调节效果不明显。

c.使用LH-OAT方法对6个参数进行敏感性分析时,各参数的敏感性受评价指标的影响较大,评价指标不同,部分参数的敏感度排序会有小幅变化。然而,各参数的敏感性受模型汇流演算网格空间分辨率的影响较小,各参数的敏感度类别不随空间分辨率的变化而变化。WRF-Hydro模型应用于河西内陆河流域时,需根据防洪调度、实时预报等需求来调整参数。