邱　粲，曹　潔，劉煥彬，王　靜，曲巧娜（．山東省氣候中心，濟南　5003；．山東省氣象科學研究所，濟南　5003）

基于HBV和ANN模型的沂河流域暴雨洪澇臨界雨量確定方法研究

邱粲1，曹潔1，劉煥彬1，王靜1，曲巧娜2
（1．山東省氣候中心，濟南250031；2．山東省氣象科學研究所，濟南250031）

摘要：以沂河流域臨沂站以上區(qū)域作為研究對象，基于數字高程模型（DEM）及GIS技術提取流域并劃分子流域，對流域內氣象站的降水記錄采用泰森多邊形法建立研究時段內的逐日面雨量序列，構建人工神經網絡（ANN）和HBV水文模型。利用模型尋求流域內面雨量與河流水文特征的定量關系，結合不同的特征水位推算研究流域內不同等級的致災臨界雨量。結果表明：①基于兩種模型建立的降水-徑流關系均能取得較好的模擬效果，在研究流域內具有很好的適用性；②HBV模型作為一種半分布式水文模型能夠更好地反應出洪水過程的物理特征，故當ANN模型由于大洪峰樣本不充分導致臨界雨量值確定不準確時，HBV水文模型的計算值更宜作為風險預警指標；③對比分析兩種模型的結果，確定出基于不同前期水位的一、二、三級風險致災臨界雨量分別為：257～310mm，152～247mm，100～203mm。精細化確定的臨界閾值可以為開展災害預警服務提供依據。

關鍵詞：水文模型；人工神經網絡；臨界雨量；沂河；流域

中圖分類號：P458

文獻標識碼：識碼：B

文章編號：號：1005–0582（2015）02–0034–06

收稿日期：2014-11-11

作者簡介：邱粲（1981—），女，漢族，濟南人，碩士，工程師，主要從事氣候應用研究。

引言

2005年1月17日，在日本神戶市召開的第二次世界減災大會上通過了《2005～2015年兵庫行動綱領：加強國家和社區(qū)的抗災能力》，其中強調確定、評估和監(jiān)測災害風險并加強預警是減災的優(yōu)先主題[1-3]。作為世界上遭受自然災害最嚴重的國家之一，中國對于有效應對災害，加強防災減災的重要性有著清醒的認識。在諸多自然災害之中，暴雨洪澇災害發(fā)生覆蓋面積廣，造成人民生命財產損失大，大約占到我國國土面積2/3的地區(qū)遭受過不同程度的洪澇災害[4]。歷經幾十年整治和防洪設施建設，我國的大江大河多已具備了較強的防汛和抗洪能力，然而隨著人類活動的加劇和經濟的快速發(fā)展，中小河流洪水造成的損失和危害程度呈現逐漸加大的趨勢[5，6]。為了針對具體流域有效開展災害預警服務，致災臨界閾值的精細化確定與修訂工作日益凸顯其重要性。

國內外對水文模型在洪水預報方面的研究與應用起步較早，發(fā)展較為成熟[7-8]，尤其近年來遙感（RS）和地理信息系統(tǒng)（GIS）等新技術的引入極大地提高了預報的準確性[9-10]。人工神經網絡（ANN）模型雖然是一種經驗統(tǒng)計模型，

但其具有廣泛的適應、學習和映射能力，理論上可以逼近任何非線性函數，擬合能力強大，雖然輸入參數較為簡單，但因充分考慮了水文現象的特性，參數具有明確的物理含義，故而近年來被廣泛的應用于徑流模擬以及洪水預報研究與工作中[11-12]。尤其在缺少下墊面資料的地區(qū)，利用人工神經網絡模型可以迅速的建立大尺度流域降水—徑流關系，有利于更加充分的了解流域水資源變化特征[13]。山東省內針對中小河流洪水的致災臨界雨量多以概率統(tǒng)計方法進行計算，文章選取流域資料較為齊全的沂河流域臨沂站以上作為研究區(qū)域，分別選取半分布式水文模型HBV和經驗統(tǒng)計模型ANN確立研究流域的面雨量與河流水文特征的定量關系，結合相應防洪設施標準采用模型模擬確定對應不同前期水位的各等級的致洪或致災臨界雨量閾值。

1　研究流域、數據和方法

1.1研究流域概況

沂河發(fā)源于山東沂蒙山的魯山南麓，主要支流有東汶河、蒙河、祊河、白馬河等，大部分由右岸匯入。源頭至駱馬湖，河道全長為333km。沂河流域臨沂站以上流域面積10045km2，位于半干旱地區(qū)，屬于淮河流域的東北部，水系復雜，地形起伏較大[14]，地面高程在51m至1125m之間。流域內氣候特征介于黃河流域與淮河流域之間，屬暖溫帶半濕潤季風氣候，春季干燥多風，夏季高溫多雨，秋季干旱少雨，冬季寒冷晴燥。多年平均降水量600～900mm，由東南向西北呈遞減趨勢。降水量年際變化較大且年內分布不均，洪澇旱災的發(fā)生給流域經濟社會發(fā)展造成相當大的損失。

1.2資料數據

臨沂水文站逐日水位、流量數據選擇早期受人工工程措施干預較少，且包括1974年典型大洪峰過程的1973—1979年《中華人民共和國水文年鑒-淮河流域水文資料》。氣象數據采用山東省氣象信息中心提供的研究流域內氣象站同時段日尺度的降水、溫度等資料。DEM資料來源于美國太空總署（NASA）和國防部國家測繪局（NIMA）聯合測量的SRTM數據，分辨率為90m×90m。1:100萬土地利用數據由國家氣候中心提供。土壤數據來源于聯合國糧農組織（FAO）的全球土壤數據庫。對于不同空間分辨率的數據，統(tǒng)一重采樣至90m分辨率。研究流域地形及水文站、氣象站分布如圖1所示。

圖1　流域地形及氣象站、水文站分布圖

1.3主要研究方法

1.3.1HBV模型

HBV模型是由瑞典氣象局與水文研究所開發(fā)研制的半分布式水文模型，基于DEM劃分子流域，模型由氣候資料插值、積雪和融化、蒸散發(fā)估算、土壤濕度計算過程、產流過程、匯流過程等子模塊組成。該模型具有匯流時間模塊，分別模擬各子流域的徑流過程，后經過河道匯流形成流域出口斷面的徑流過程。模型應用相對簡便，輸入數據主要是研究區(qū)DEM、日均氣溫、降雨、土地利用、土壤最大含水量和河流匯流時間等參數[15]。

1.3.2ANN模型

ANN模型是一種模仿人腦結構及其功能的非線性信息處理系統(tǒng)，運用數學的方法對人腦若

干基本特征進行抽象模擬，近年來的研究表明其為一些復雜水文水資源問題提供了一條有效途徑[16]。網絡的建立過程稱為ANN模型的訓練過程，是用自適應算法遞歸迭代求解因變量與自變量之間的非線性關系，訓練后的神經網絡模型可用來估算或預報預測變量[17]。文章采用應用廣泛的反向傳播型神經網絡模型（BP模型），建立一個由輸入層、隱含層、輸出層組成的三層BP網絡。輸入層由n個節(jié)點組成，隱層由p個節(jié)點組成，輸出層由q個節(jié)點組成。相鄰兩層節(jié)點通過連接權全部聯系，而同層節(jié)點之間不聯系。輸入層和隱層之間權重為w1ij（i=1，n；j=1，p），隱層和輸出層之間為w1jk（j=1，p；k=1，q）；隱層各神經元的閾值為θ1j，輸出層的閾值為θ1k，則隱層神經元的輸出為：

輸出層神經元的輸出為：

當網絡結構確定后，通過網絡學習，確定權重w1ijw1jk和閾值θ1jθ1k模型即可建立[17]。

1.3.3模型驗證

采用由Nash等[18]于1970年提出的納什系數Ens以及確定性系數R2來判定模型的模擬效果。該方法可用來解釋模型的誤差，Ens和R2值越接近1時擬合效果越好。

式中：Qo為實測值；Qs為模擬值；Qomean為研究時段實測值的均值；Qsmean為研究時段模擬值得均值。

1.3.4致災臨界雨量確定

模型建立后，分析歷史洪水特征，確定前期水位，結合河流控制斷面的防洪標準確定災害等級對應的特征水位，根據不同前期水位將面雨量代入模型進行試算，當模擬結果達到相應災害等級的目標特征水位時，輸入的面雨量即確定為致災臨界雨量。

2　結果與分析

2.1HBV模型的建立

采用1973—1974年日降水、徑流資料對HBV模型進行參數率定，率定后的結果如圖2，Ens=0.78，R2=0.83。以1976—1977年日降水、徑流數據進行模型驗證，Ens=0.51，R2=0.53，驗證結果如圖3。由以上結果可知，模型經參數率定后，在研究流域具有良好的適用性，模擬出的水文過程線與實際基本吻合，能夠很好的預報出洪水對降水的響應過程，尤其對洪峰過程的捕捉較為準確。

圖2　HBV模型臨沂站1973—1974年率定期觀測值與模擬值對比

圖3　HBV模型臨沂站1976—1977年驗證期觀測值與模擬值對比

2.2ANN模型的建立

人工神經網絡模型是基于河流水文系統(tǒng)的自相關性特征來建立的，故而將研究流域日降水

量、流域控制站——臨沂水文站前1日水位作為輸入因子，與臨沂站的當日水位即輸出因子建立關系，通過ANN模型對臨沂站日水位進行模擬。首先對數據進行歸一化處理，采用Matlab中premnmx，postmnmx函數以及神經網絡工具箱進行處理，訓練步長以日為單位。選擇BP網絡，多層感知器訓練算法，轉移函數選擇線性方程。試算表明隱含層節(jié)點數為5時模型輸出值與實測洪水過程擬合效果最佳，均方差小于0.01或最大循環(huán)次數達到1000時結束運算。選取1973—1977年降水、水位數據作為訓練樣本構建人工神經網絡模型，采用1978—1979年降水、水位數據作為檢驗樣本進行驗證。1973—1977年、1978—1979年納什系數Ens均為0.74，不確定性系數R2分別為0.75，0.78。實測逐日水位與模型模擬輸出水位過程線見圖4、圖5。

圖4　ANN模型臨沂站1973—1977年率定期觀測值與模擬值對比

圖5　ANN模型臨沂站1978—1979年驗證期觀測值與模擬值對比

2.3 流域臨界（面）雨量確定

臨沂水文控制站警戒水位[19]64.05m，分析60年代以來臨沂站的主要洪峰過程，最大洪峰出現在1974年8月14日，最高水位65.17m，結合歷史水位特征和防汛條件，將64.05m，64.55m 和65.17m作為臨界判別條件，確定三個級別的風險雨量。

根據1973—1979年24場典型洪水過程特征，以60.0m，60.8m，61.6m，62.2m作為計算時效為24h的風險雨量的前期水位，將不同前期水位與降雨量帶入模型，當輸出的模擬值達到不同級別的風險雨量判別條件時，即得到該級別對應該前期水位的風險雨量。分別由HBV、ANN模型計算得到對應不同前期水位的三個級別風險雨量的關系曲線，如圖6所示。由于研究流域大洪峰樣本較少，故由ANN模型計算對應最高特征水位判別條件的一級風險雨量時，明顯偏大，故一級風險雨量直接采用HBV模型的計算結果，其他級別風險雨量取兩種方法推算結果中較小的值，表1列出了4個前期水位對應的沂河臨沂站以上流域洪澇災害風險雨量結果，其他前期水位對應的風險雨量值可以通過查詢曲線獲得。

分析前期水位與24h風險雨量關系曲線可知，對應不同的前期水位由HBV模型計算出的三級，即最低級風險雨量值在155～203mm之間，ANN模型的計算值在100～306mm之間，二者的計算值在前期水位為61.35m左右時相同，從安全角度考慮，當前期水位在61.35m以下時宜采用HBV模型計算值作為預警的風險雨量，當前期水位超過61.35m的情況下應采用ANN模型的計算結果。同理，由HBV模型計算出的二級，即中級風險雨量值在198～247mm之間，ANN模型的計算值在152～358mm之間，二者的計算值在前期水位為61.40m左右時相同，故當前期水位在61.40m以下時宜采用HBV模型計算值作為預警的風險雨量，當前期水位超過61.40m的情況下應采用ANN模型的計算結果。一級風險雨量值宜采用HBV模型計算的結果，對應不同前期水位，該值的范圍在257～310mm之間。

圖6　各等級風險雨量與不同前期水位的關系曲線

表1　對應不同前期水位的各等級風險雨量

3　結論和討論

文章基于數字高程模型（DEM）及GIS技術在沂河流域臨沂站以上流域構建人工神經網絡（ANN）和HBV水文模型。利用模型尋求流域內面雨量與河流水文特征的定量關系，結合不同的特征水位推算研究流域內不同等級的致災臨界雨量得到如下結論：

（1）兩種模型在山東沂河臨沂站以上流域均具有較好的適用性，利用模型建立的降水-徑流關系能夠為研究流域的臨界雨量研究及洪水淹沒災害評估提供較好的技術支撐；

（2）HBV水文模型對于洪水的物理過程反應較好，針對不同風險等級，基于該模型求算的臨界雨量隨前期水位的上升曲線呈現一致的趨勢，可以很好地彌補ANN模型大洪峰樣本不充分時閾值計算過大的不足；

（3）結合兩種模型的特征，確定出基于不同前期水位的一、二、三級風險致災臨界雨量范圍分別在：257～310mm，152～247mm，100～203mm之間。

文章以流域為邊界基于兩種模型建立起前期水位與臨界雨量的關系曲線使得致災閾值的確定更具針對性，也更為精確。由于水位是實時變化的，對應前期水位的臨界雨量的確定是動態(tài)評估洪澇災害風險的關鍵環(huán)節(jié)，然而ANN模型受水文資料序列長度所限，缺少更多的樣本，如能補充樣本序列，尤其是大洪水年的洪峰樣本，將為提高模型的精度起到關鍵性作用。此外，雖然HBV模型的模擬更貼近真實的洪水演進過程，但是在閾值時效上卻僅能做到日尺度，可見在精細化臨界雨量確定的研究上有必要進一步探索，利用多種方法相互比較經過實際個例的驗證加以調整，使得臨界雨量指標在災害預警和評估中更好地發(fā)揮作用。

致謝：誠摯感謝中國氣象科學院姜彤研究員、國家氣候中心翟建青博士和安徽省氣候中心

盧燕宇博士在本文技術方法、模型應用中提供的悉心指導和無私幫助。

參考文獻：

[1] UNISDR．Hyogo Framework for Action 2005 -2015：Building the Resilience of Nations and Communities to Disasters[R]. Kobe：World Conference on Disaster Reduction，2005：1-25.

[2]日本神戶世界減災大會成果文件-兵庫宣言和2005-2015年行動綱領 [J]．中國減災，2005，（3）：19-22.

[3] 溫家洪，黃蕙，陳珂，等．基于社區(qū)的臺風災害概率風險評估[J]．地理科學，2012，32 （3）：348-355．

[4] 黃崇福. 自然災害風險評價：理論與實踐[M]．北京：科學出版社，2005：25-29.

[5] 趙景旺，于文金．唐山地區(qū)中小尺度暴雨災害風險評估與區(qū)劃[J]. 山東氣象，2014，34 （1）：39-45.

[6] 中國氣象局國家氣候中心．中小河流、山洪、泥石流、滑坡災害致災臨界（面）雨量確定技術指南[R]. 北京：中國氣象局國家氣候中心，2013：1-2.

[7] 趙彥增，張建新，章樹安，等．HBV模型在淮河官寨流域的應用研究[J]. 水文，2007，27（2）：57-59.

[8] 李霖．HBV水文預報模型及與之集成的水文模型系統(tǒng)介紹[J]．水利水文自動化，2004 （2）：39-42.

[9] 徐宗學．水文模型[M]．北京：科學出版社，2012：4-7.

[10] Zhang W C，Ogawa K，Ye B S，et al. A monthly stream flow model for estimating the potential changes of river runoff on the projected global warming[J]．Hydrological Processes，2000，14（10）：1851-1868.

[11] 鄭鳳琴，孫崇智，林金凎. 神經網絡在水位預報中的研究[J]. 氣象科學，2006，26（1）：53-57.

[12] 周林飛，康萍萍， 李波. 無站條件下 BP 神經網絡年徑流量預測模型研究[J]. 沈陽農業(yè)大學學報，2012，43（1）：102-105.

[13] 高超，劉青，蘇布達，等. 不同尺度和數據基礎的水文模型實用性評估研究[J]. 自然資源學報，2013，28（10）：1765-1777.

[14] 包紅軍．沂沭泗流域洪水預報調度模型應用研究[D]．南京：河海大學，2006.

[15] Krysanova V，Müller-Wohlfeil D I，Bronstert A，et al. Modelling runoff dynamics of the Elbe drainage basin: an application of the HBV model[J]．Hydrology in a Changing Environment，1998，1：147-152.

[16] Gao C，Gemmer M，Zeng X，et al. Projected streamflow in the Huaihe River Basin（2010–2100）using artificial neural network[J]．Stochastic Environmental Research and Risk Assessment，2010，24（5）：685-697.

[17] 谷曉平，王長耀，王汶，等. 應用于水文預報的優(yōu)化 BP 神經網絡研究[J]. 生態(tài)環(huán)境，2004，13（4）：524-527.

[18] Nash J E，Sutcliffe J V．River flow forecasting through conceptual models part I-A discussion of principles[J]．Journal of hydrology，1970，10（3）：282-290.

[19] 鄭大鵬，陳浩然，唐勁松，等．沂沭泗防汛手冊[M]．徐州：中國礦業(yè)大學出版社，2003：132-133.