黃澤群，廖春花*，陳玉貴，陳唯天，趙恩榕，羅紅梅，謝睿恒

（1.湖南省氣象服務中心，長沙 410118；2.氣象防災減災湖南省重點實驗室，長沙 410118；3.中山大學 大氣科學學院，廣東 珠海 519082；4.廣東省氣候變化與自然災害研究重點實驗室，廣州 510275；5.湖南省氣象臺，長沙 410118）

0 引 言1

在全球變暖的大背景下，隨著人類活動的日益影響，暴雨和洪澇等自然災害的頻率逐漸增多[1-3]，這些自然災害給社會經(jīng)濟發(fā)展帶來很大的不確定性和風險[4]?！狙芯恳饬x】水文地理參數(shù)（流向、河網(wǎng)和流域面積等）在許多水文氣象領(lǐng)域的研究與應用方面起著重要作用，如水文模型的建模，地形地貌的分類，水庫電站的調(diào)度，防災減災系統(tǒng)的構(gòu)架等。其中水文模型對流域的匯流參數(shù)具有很強的敏感性[5-8]。同一研究區(qū)域中使用不同質(zhì)量的水文參數(shù)得出的水文學基本規(guī)律和理論可能具有很大的差異性。然而，大多數(shù)高分辨率的水文參數(shù)數(shù)據(jù)集不能通過直接測量獲得，必須通過高分辨率的數(shù)字高程模型（DEM，Digital Elevation Model）來提取[9]?！厩腥朦c】通過DEM 分析提取地表水流方向，可以描繪出許多水文參數(shù)，例如集水區(qū)邊界、流域面積、水流距離和河道寬度等?！狙芯窟M展】目前全球主流的DEM 數(shù)據(jù)主要有SRTM3（Shuttle Radar Topography Mission 3 DEM）[10]、TanDEM-X DEM（TerraSAR-X add-on for Digital Elevation Measurements ）[11]、ASTER GDEM（Advanced Spaceborne Thermal Emission and Reflection Radiometer-Global DEM）[12]和 AW3D（Advanced Land Observing Satellite World 3D DEM）[13]等。【擬解決的關(guān)鍵問題】這些DEM 在全球不同的區(qū)域范圍內(nèi)存在著觀測誤差（特別是垂直方向上），會極大地干擾地形的坡度計算和流向的分配，進而影響整個水文地理參數(shù)集的質(zhì)量。

迄今為止，基于SRTM3 開發(fā)的HydroSHEDS是使用范圍最廣，用戶人數(shù)最多的水文地理參數(shù)數(shù)據(jù)集[14]。但HydroSHEDS 也存在以下幾個缺點：①在森林地區(qū)，中小河流的位置在HydroSHEDS 中沒有很好地表示，這是因為DEM 高程中存在樹高誤差。②HydroSHEDS 中大型水體的流向分配存在錯誤，特別在內(nèi)陸河流和湖泊中表現(xiàn)較為明顯。③受到SRTM3 DEM 的范圍限制，HydroSHEDS 的覆蓋范圍被限制在60°N 以下，未實現(xiàn)高緯度地區(qū)的覆蓋[15-16]。④HydroSHEDS 數(shù)據(jù)集的發(fā)布時間距今已超過10 a以上，受自然環(huán)境和人類活動影響，部分水文參數(shù)可能已經(jīng)發(fā)生改變，如河流改道，河水干枯斷流和地形地貌發(fā)生變化等。為此，Yamazaki 等[14]于2017 年發(fā)布了的1 套高精度（約90 m 分辨率）的全球范圍的數(shù)字高程模型（MERIT DEM，Multi-Error-Removed Improved-Terrain DEM），該DEM 通過一系列的拼接和過濾技術(shù)，消除了復合誤差，能夠較好的反應研究區(qū)域的高程信息。本研究以MERIT DEM 為基礎(chǔ)，通過GIS 信息系統(tǒng)軟件和python 程序的自動校正等手段，生產(chǎn)了1 套覆蓋洞庭湖水系的水文地理參數(shù)集（流向、匯流累積量、河網(wǎng)、流域面積、河長等），通過數(shù)據(jù)的對比分析和模型驗證的方法來說明新數(shù)據(jù)集的質(zhì)量，為之后的洪水模擬和預報工作提供有力的數(shù)據(jù)支撐。

1 研究區(qū)域、數(shù)據(jù)及方法

1.1 研究區(qū)域概況

洞庭湖水系位于長江中游南岸，是洞庭湖和入湖的湘江、資水、沅江、澧水（簡稱“四水”）和汨羅江等水系的總稱。洞庭湖水系河網(wǎng)密布，水資源豐富，流域總面積約為26.28 萬km2，占湖南省國土面積的95%以上。地形上，洞庭湖水系三面環(huán)山，北部以平原、湖泊為主，中部丘陵山地起伏，呈西高東低、南高北低的地勢[17]。

1.2 研究數(shù)據(jù)

MERIT DEM 是一套高精度（3″，約90 m 分辨率）的全球范圍（85°N—60°S）DEM。該DEM 以SRTM3 DEM、AW3D DEM 和VFP-DEM 為基礎(chǔ)，通過一系列的誤差過濾技術(shù)消除了條紋噪聲、斑點噪聲、絕對偏差和植被高度偏差[14]，能夠有效降低后期生產(chǎn)的水文參數(shù)（如流向、坡度等）的不確定性，最大限度地保護河網(wǎng)的整體結(jié)構(gòu)。

HydroSHEDS 是在SRTM DEM 的基礎(chǔ)上，進行了算法的改進而得到1 套高精度（3″，約90 m 分辨率）的全球范圍（60°N—56°S）DEM。該DEM 經(jīng)過用戶多年的使用和檢驗，已成為目前全球使用最廣泛的數(shù)字高程模型之一。盡管在一些陡峭的山脈和水體之間存在著測量誤差，并且在森林區(qū)域存在樹高誤差，但是在全球大部分地區(qū)能夠較好的保證河流的整體結(jié)構(gòu)。

1.3 研究方法

本文以90 m 分辨率的MERIT DEM 為基礎(chǔ)，通過地理信息系統(tǒng)軟件（ArcGIS）和Python 程序的自動校正等手段，得到了一系列的水文匯流參數(shù)（流向、匯流累積量、河網(wǎng)、流域面積、河長和流域分區(qū)等）。數(shù)據(jù)評估方面，先是對比了 2 套數(shù)據(jù)的數(shù)據(jù)源（MERIT DEM 和HydroSHEDS DEM）以及提取的流向占比，之后通過河網(wǎng)整體結(jié)構(gòu)的視覺評估，流域面積和河長的對比分析等方法驗證了新水文地理數(shù)據(jù)集（MERIT）的質(zhì)量。評估的指標為相對誤差（Relative Error）、平均相對誤差（Mean Relative Error）和均方根誤差（Root Mean Squared Error），計算式為：

式中：Mi表示由MERIT 得到的參數(shù)值；Hi表示由HydroSHEDS 得到的參數(shù)值；N表示對比的參數(shù)值個數(shù)。

本研究使用的模型（DRIVE, Dominant River Tracing-Routing Integrated with VIC Environment Model）是陸面過程與水文過程耦合的分布式水文模型[16]，其中產(chǎn)流模型選用的是分布式大尺度水文模型VIC （Variable Infiltration Capacity Macroscale Hydrologic Model）模型，匯流模型是DRTR（Dominant River Tracing based Routing Model）模型?？勺兿聺B容量大尺度水文模型（VIC）是一個開源的，基于水量熱量平衡、物理動力機理的概念型大尺度分布式水文模型。該模型最初是由華盛頓大學、加利福尼亞大學伯克利分校和普林斯頓大學的研究人員基于Liang等[5]的思想共同研制出來的水文模型。DRTR 模型，全稱Dominant River Tracing based Routing Model,水文網(wǎng)絡自動升尺度化匯流模型，是基于Wu 等[6]提出的升尺度化算法（DRT）發(fā)展而來。相關(guān)計算式為：

式中：t表示時間（s）；x為縱向流動距離（m）；A指的是水面下河道的橫截面積（m2）；P為截面的周長（m）；Sf為摩擦斜率，主要影響因素包括重力、摩擦力、慣性力等。如果地形很陡峭，重力將占主導地位，Sf可以近似為河道底部斜率S0，這是匯流方法中運動波方程的基本假設。n為曼寧粗糙度系數(shù)，其不能夠通過直接測量獲得，但主要由表面粗糙度，底部材料的類型和河道的彎曲度決定。Q為流量（m3/s），qL為橫向流量（m3/s）。

模型的試驗范圍為整個洞庭湖水系流域（共26.28 萬km2）。模型運行的時間段為2000 年1 月1日0 時到2020 年1 月1 日0 時，共20 a，時間步長為3 h。由于水文站點的觀測數(shù)據(jù)限制，模型的評估階段為2017 年1 月1 日0 時—2020 年1 月1 日0 時，共4 a。模型的輸入數(shù)據(jù)除比較的2 套數(shù)據(jù)集（MERIT和HydroSHEDS）不同外，其他的輸入?yún)?shù)均為同1 套數(shù)據(jù)。其中降水數(shù)據(jù)均為IMERG（Integrated Multi-satellitE Retrievals for GPM），溫度和風速來自于 NASA （National Aeronautics and Space Administration）的MERRA（Modern-Era Retrospective analysis for Research and Applications）數(shù)據(jù)。土壤和植被參數(shù)則由美國普林斯頓大學的賈斯汀·謝菲爾德提供。模型的評估指標為納什系數(shù)（Nash-Sutcliffe efficiency coefficient, NSE）。NSE越接近1，表示模型的模擬效果越好，可信度越高。

2 結(jié)果與分析

2.1 數(shù)字高程模型的對比

數(shù)字高程模型（DEM）是大部分水文基本參數(shù)（如河流流向等）的數(shù)據(jù)源。為分析MERIT DEM 與HydroSHEDS DEM 的差異，將精度同為90 m 的MERIT DEM 高程值減去HydroSHEDS DEM 的高程值，得到的結(jié)果如圖1 所示。從圖1 可以看出，MERIT DEM 的平均高程要低于HydroSHEDS DEM，主要原因是MERIT DEM 消除了復合誤差（特別是植被高度），且在海拔較高的區(qū)域（如武陵山脈、雪峰山和南嶺山脈等）尤為明顯，而在地形平坦的區(qū)域（如洞庭湖區(qū)域）差距較小。2 套DEM 高程的平均相對誤差（MRE）為3.57 m，均方根誤差（RMSE）為9.12 m。本研究還分析了高程差（d）的絕對值在不同閾值范圍的占比情況（圖2），閾值分別為5、10、15 m和20 m。從圖2 可以看出，高程差的絕對值主要集中在0～5 m 的范圍內(nèi)，占總數(shù)的72.29%，其次是5～10 m 的區(qū)間，占比為26.24%，而高程差大于20 m 的柵格數(shù)量僅為0.39%。這說明2 套DEM 數(shù)據(jù)還是存在著一定的差別，特別是在部分地勢較高的地區(qū)有著顯著的差異。這些差異會影響后續(xù)河流流向、河網(wǎng)和流域面積等參數(shù)的提取。

圖1 MERIT DEM 和HydroSHEDS DEM 的高程差Fig.1 Differences between MERIT and HydroSHEDS DEM

圖2 高程差直方圖Fig.2 Average errors between MERIT and HydroSHEDS DEM

2.2 流向的評估

流向是指河道中的水流從當前柵格流向下一個柵格的方向[18]，是生成許多水文匯流參數(shù)的基礎(chǔ)（如匯流累積量和河網(wǎng)等）。本研究采用的是D8 算法，對比了基于不同的DEM 生成的2 套流向數(shù)據(jù)（圖3）。結(jié)果顯示HydroSHEDS 的流向中，東、南、西、北4個方向偏多一些，其中正南方向的柵格數(shù)量最多，占總柵格數(shù)的15.7%，而MERIT 的流向則是東北、東南、西南和西北4 個方向多一些，其中東南方向的柵格數(shù)量最多，占總柵格數(shù)的19.8%。造成這種差異的原因主要是：不同數(shù)據(jù)源的衛(wèi)星產(chǎn)品（DEM）存在著差異，且在流向分布上的表現(xiàn)會更為明顯。流向的這些差異必然會影響到河網(wǎng)數(shù)據(jù)的提取。

圖3 不同的流向占比Fig.3 Proportion of different flow direction

2.3 河網(wǎng)的可視化評估

河網(wǎng)的可視化分析是一種最直接的評估方法。圖4 展示了2 套數(shù)據(jù)的河網(wǎng)在洞庭湖水系范圍內(nèi)的整體結(jié)構(gòu)，河網(wǎng)的提取閾值均為50 km2。從圖4 可以看出，2 套河網(wǎng)數(shù)據(jù)在大部分地區(qū)基本重合，但在少數(shù)區(qū)域（如洞庭湖區(qū)）存在著較大的差異，這是因為該區(qū)域湖泊眾多，地勢平坦，D8 算法在湖泊等特殊地理區(qū)域的流向提取方面存在著一定的局限性。本研究選取了3 個區(qū)域進行放大（即圖4 中的a、b、c），用來和谷歌高清衛(wèi)星影像進行對比，結(jié)果如圖5 所示。圖5中紅色的河網(wǎng)（MERIT）在河道的蜿蜒曲折部分（虛線框內(nèi)）更加貼近于真實的河道，說明MERIT 生成的河網(wǎng)在一定程度上要好于HydroSHEDS 的河網(wǎng)。

圖4 MERIT 和HydroSHEDS 的河網(wǎng)對比Fig.4 Comparison of MERIT and HydroSHEDS’river network map

圖5 2 套數(shù)據(jù)的河網(wǎng)與谷歌影像中的河道對比Fig.5 Differences between two datasets and Google map in river networks

2.4 流域面積和河流長度的對比分析

流域面積和河流長度是評估河網(wǎng)整體結(jié)構(gòu)的重要匯流參數(shù)[19]。本研究評估了2 套數(shù)據(jù)在洞庭湖水系及“四水”（湘江、資水、沅江和澧水）的流域面積。由表1 可知，MERIT 和HydroSHEDS 在湘江和資水的流域面積差異較小，其中資水流域的面積差約為0.24 km2，相對誤差不足0.01%?！八乃敝邢鄬φ`差最大出現(xiàn)在澧水流域，面積差約為409.52 km2，相對誤差為2.2%。所有流域的相對誤差都小于3%，說明MERIT 和HydroSHEDS 的2 套數(shù)據(jù)在流域面積方面差異較小。河流長度評估方面，將洞庭湖水系的所有河流都設定長度閾值，分別為10、25、50、75 km 和100 km。由表2 可得，MERIT 提取的河流條數(shù)由44到526 條不等，HydroSHEDS 提取的河流條數(shù)由35～492 條不等，說明從MERIT 中提取的河流數(shù)量要大于HydroSHEDS。

表1 流域面積的評估結(jié)果Table 1 Assessment results of derived basin area

表2 河流長度的評估結(jié)果Table 2 Assessment results of derived flow distance

2.5 水文模型的驗證

為了更好地比較2 套數(shù)據(jù)的質(zhì)量，本研究驗證了不同數(shù)據(jù)集在DRIVE 模型徑流量模擬方面的效果。結(jié)果顯示，使用MERIT 為輸入數(shù)據(jù)的平均日納什系數(shù)為0.41，月納什系數(shù)為0.52，而使用HydroSHEDS的日納什系數(shù)為0.37，月納什系數(shù)為0.5，說明MERIT數(shù)據(jù)集的整體質(zhì)量要好于HydroSHEDS。各站點的日納什系數(shù)的空間分布如圖6 所示，其中紅色圓點（共 30 個站點）代表MERIT 日納什系數(shù)高于HydroSHEDS 的站點，綠色圓點（共15 個站點）代表HydroSHEDS 日納什系數(shù)高于MERIT 的站點。

圖6 日納什系數(shù)值在洞庭湖水系上的空間分布Fig.6 Spatial distribution of Nash coefficient values in Dongting river basin

造成上述差異的主要原因是MERIT 能更好地反映河道的彎曲程度，更加貼近實際的河流情況，而HydroSHEDS 在部分地區(qū)（特別是中小河流）的河道更加筆直，這樣會造成河流長度小于MEIRT，從而導致模型計算的徑流量和流速的偏大。同時實驗顯示納什系數(shù)較好的站點主要集中在河道的上游區(qū)域，這主要是因為上游的徑流受水庫大壩的調(diào)控影響較小，更符合原始自然地貌的流域景觀。

2.6 基于MERIT 數(shù)據(jù)集的流域劃分

流域分區(qū)在水文模擬、水旱災害防御調(diào)度和水資源評估等方面起著重要作用。因為基于MERIT 提取的河網(wǎng)數(shù)據(jù)集比HydroSHEDS 的更加精準，所以以MERIT 數(shù)據(jù)集為基礎(chǔ)，將整個洞庭湖水系劃分為4個等級（圖7）：Ⅰ級為5 個子流域，Ⅱ級為22 個子流域，Ⅲ級為58 個子流域，Ⅳ級為3 383 個子流域。所有子流域都采用字母加編號的方式命名（表3），字母代表所屬的Ⅰ級流域（如湘江的Ⅰ到Ⅳ級流域字母均為X，資水的Ⅰ到Ⅳ級流域字母均為Z），數(shù)字代表子流域編號，數(shù)字的位數(shù)代表Ⅰ到Ⅳ級，湘江流域Ⅰ級為X1，Ⅱ級為X01 到X06，Ⅲ級為X001 到X016，Ⅳ級為X0001 到X1390。

表3 洞庭湖水系流域分區(qū)命名Table 3 Name for division of Dongting basin

圖7 洞庭湖水系的流域劃分Fig.7 Division of Dongting basin

3 討 論

盡管新生成的水文地理數(shù)據(jù)集能夠滿足水文氣象行業(yè)服務的基本需求，降低水文模擬的參數(shù)不確定性，但仍然存在著一些缺陷和不足。

在算法方面，新數(shù)據(jù)集基于單流向算法（D8），對流向的數(shù)據(jù)質(zhì)量要求較高，需要一定量的手動校正才能有效地避免在地勢較為平坦的區(qū)域產(chǎn)生“平行偽河道”，但這在大范圍的研究區(qū)域下難以實現(xiàn)，時間成本較高。同時，單流向算法無法準確描繪出三角洲處河流分叉的現(xiàn)象，進而影響洪水預報和風險評估的成果。多流向法算法（Multi-Flow Directions）中的Dinf（D infinity）算法是在3×3 的柵格中，中心柵格與其周圍8 個柵格形成8 個平面三角形，分別計算出每一個三角形的坡度，然后以最大三角形坡度作為中心柵格的坡度，該三角形的坡向即為中心柵格的流向，最大坡度的三角形所確定的2 個下游柵格作為流量的分配單元。該算法雖然能夠解決三角洲處河流分叉的問題，但是因為其算法較為復雜，且運算時間成本較高，無法適應分辨率較高的科學研究和實踐應用。在評估方面，本研究也存在幾點不足：①局限于單一水文模型的評估，今后可以嘗試不同的水文模型，如LISFLOOD 和CaMa-Flood 模型等，因為不同的水文模型可能會對同一套水文地理數(shù)據(jù)集產(chǎn)生模擬的差異性。②還應該進行參數(shù)率定工作，找到參數(shù)的最優(yōu)解，提高模擬結(jié)果的質(zhì)量。③一些大型的分布式水文模型，輸入數(shù)據(jù)還包括河寬和湖泊等參數(shù)，目前的數(shù)據(jù)集還無法滿足這些要求。④受人類活動的影響，新數(shù)據(jù)集無法體現(xiàn)出人工開鑿的河道，需要基于最新的遙感影像資料進行一定量的手動校正，才能保證其結(jié)構(gòu)的合理性。這些缺陷和不足都迫使新水文地理數(shù)據(jù)集還需進一步的更新和升級。

4 結(jié) 論

基于MEIRT DEM 提取的新水文地理數(shù)據(jù)雖然在流域面積部分和HydroSHEDS 數(shù)據(jù)結(jié)果相差不大，但在DEM 高程、流向的分布方面存在著較大的差異，MERIT 更好地保證了河網(wǎng)的整體結(jié)構(gòu)（特別是河道的蜿蜒曲折部分），從而保證了河流長度等其他參數(shù)計算的準確性。在水文模型評估方面，MERIT 數(shù)據(jù)集的日納什系數(shù)為0.41，月納什系數(shù)為0.52，均優(yōu)于HydroSHEDS 數(shù)據(jù)集。同時，基于新數(shù)據(jù)集將洞庭湖水系按流域劃分為4 個等級，其中Ⅰ級為5 個子流域，Ⅱ級為22 個子流域，Ⅲ級為58 個子流域，Ⅳ級為3 383 個子流域。新數(shù)據(jù)集有助于提升分布式水文模型的模擬結(jié)果，促進相關(guān)領(lǐng)域的科學研究，推進中高端專業(yè)水文氣象服務的發(fā)展。

（作者聲明本文無實際或潛在的利益沖突）