馬明衛(wèi), 王召航, 臧紅飛, 王文川, 衛(wèi)孟茹, 崔惠娟

(1.華北水利水電大學 水資源學院,河南 鄭州 450046; 2.河海大學 水利水電學院,江蘇 南京 210098;3.中國科學院 地理科學與資源研究所 陸地表層格局與模擬重點實驗室,北京100101)

近幾十年來,受氣候變化和人類活動的共同影響,黃河源區(qū)徑流量日趨減少,逐漸威脅流域生態(tài)安全,可能損害區(qū)域經(jīng)濟的高質(zhì)量發(fā)展,已引起政府決策部門和社會公眾的廣泛關(guān)注[1]。黃河源區(qū)(唐乃亥水文站以上流域)年均徑流量198.2億m3,占整個黃河流域年徑流量的34.1%,是黃河流域的主要產(chǎn)流區(qū)和水源涵養(yǎng)區(qū)[2]。氣候變化和人類不合理開發(fā)利用水資源造成黃河源區(qū)水資源短缺,加劇了水資源的供需矛盾。同時,黃河源區(qū)經(jīng)濟結(jié)構(gòu)依賴于第一產(chǎn)業(yè)(農(nóng)業(yè)、漁業(yè)和林業(yè)),對氣候變化和極端天氣事件的敏感性很高,但預防自然災害的能力和應對政策非常有限[3]。因此,預估未來近期和未來遠期氣候變化情景下區(qū)域徑流和水資源的變化趨勢,并制定應對政策是減少社會經(jīng)濟損失和保障區(qū)域安全的關(guān)鍵所在。

目前,關(guān)于黃河源區(qū)徑流演變的研究比較廣泛,主要包括徑流演變特征、成因分析以及徑流模擬和預報等[4-6]。在氣候變化研究方面,已有研究多聚焦于歷史數(shù)據(jù)的分析[7],而關(guān)于未來不同氣候變化情景下徑流可能變化趨勢的研究不足。以往大多數(shù)研究都是基于RCPs情景模擬流域徑流變化,常用的水文模型包括土地利用與水文過程模擬(soil and water assessment tool,SWAT)模型[8]、可變下滲容量(variable infiltration capacity,VIC)模型[9]、寒區(qū)水文模型(cold region hydrological model,CRHM)[10]和水文工程中心-水文模擬系統(tǒng)(hydrologic engineering center′s-hydrologic modeling system,HEC-HMS)模型[11]等。徑流模擬的概念模型和物理模型中通常包括待估計的參數(shù),它們大多數(shù)與氣象、植被、地形、地質(zhì)和土壤等的特征有關(guān)。當研究區(qū)基礎數(shù)據(jù)不足或可靠性較低時,可能會影響結(jié)果的準確性。有研究顯示,在不同于校準期的氣候條件下,水文模型通常會出現(xiàn)嚴重的性能退化[12]。作為現(xiàn)有徑流模型的替代方案,使用數(shù)據(jù)驅(qū)動的黑箱水文模型對長期輸入和輸出數(shù)據(jù)進行監(jiān)督訓練,不需要任何與水力學和水文學相關(guān)的物理知識。隨著人工智能的發(fā)展,長短期記憶網(wǎng)絡(long-short term memory neural network,LSTM)模型在氣象-徑流模擬中顯示出巨大的潛力。與傳統(tǒng)水文模型相比,LSTM模型的主要優(yōu)點是可以快速準確地從大量訓練數(shù)據(jù)中捕獲輸入和輸出之間的復雜關(guān)系,而無需了解氣象-徑流轉(zhuǎn)換的內(nèi)部物理過程[13]。因此,本文基于長短期記憶網(wǎng)絡構(gòu)建了一個徑流模擬模型,并結(jié)合全球氣候模式(global climate models,GCMs)輸出數(shù)據(jù)降尺度獲得未來不同氣候情景下的降水和氣溫數(shù)據(jù),預估了黃河源區(qū)干流唐乃亥水文站的未來徑流變化情況,并據(jù)此采用氣候彈性系數(shù)法定量分析了未來氣候變化對黃河源區(qū)水資源量的影響,以期為區(qū)域水資源可持續(xù)利用和防洪抗旱提供數(shù)據(jù)支撐。

1 研究區(qū)域與數(shù)據(jù)

1.1 研究區(qū)概況

黃河源區(qū)平均海拔高度在3 000 m以上,流域面積約12.2萬km2,占黃河流域總面積的16.2%。區(qū)域?qū)儆诟咴箨懶詺夂騾^(qū),氣溫表現(xiàn)為冷熱交替,干濕分明,年溫差小,日溫差大,年平均氣溫-4～5 ℃,年降水量200～700 mm,降水年際變化幅度較大、年內(nèi)分配不均。在全球增溫的背景下,黃河源區(qū)的生態(tài)環(huán)境嚴重退化,地表河川徑流量日趨減少,濕地水源涵養(yǎng)能力逐漸降低,大量濕地已退化為旱草地,土壤荒漠化日益嚴重[14]。本文選取唐乃亥水文站出口斷面以上流域為研究區(qū),研究區(qū)的位置及站點分布如圖1所示。

圖1 研究區(qū)域及站點分布

1.2 數(shù)據(jù)與來源

本文所使用的水文數(shù)據(jù)為黃河干流控制站唐乃亥水文站1960—2018年的逐日實測徑流量數(shù)據(jù)。所采用的氣象數(shù)據(jù)來自中國氣象局(http://www.data.cma.cn/),綜合考慮黃河源區(qū)所有氣象站的數(shù)據(jù)序列長度、完整性和空間位置等,最終選取了河南、久治、達日、瑪曲、瑪多、若爾蓋和清水河7個氣象站1960—2018年的逐月降水量、平均氣溫、最低氣溫和最高氣溫數(shù)據(jù)。

所采用的全球氣候模式數(shù)據(jù)來自國家氣候中心(https://esgf-node.llnl.gov/search/cmip6/),選用耦合模式比較計劃第六階段(CMIP6)的13個全球氣候模式(表1)3種排放情景(SSP126、SSP245、SSP585分別代表可持續(xù)發(fā)展路徑的低排放情景、中間發(fā)展路徑的中等排放情景、不均衡發(fā)展路徑的高排放情景)。由于GCMs數(shù)據(jù)分辨率較低,可能存在較大的偏差,故采用統(tǒng)計降尺度和偏差校正的方法來修正誤差,提高模擬精度[15]。各氣候模式數(shù)據(jù)包括基準期(1960—2014年)、未來近期(2030—2059年)、未來遠期(2060—2099年)的逐月降水量、平均氣溫、最高氣溫和最低氣溫。為了降低不同氣候模式數(shù)據(jù)的不確定性,分別計算了13個氣候模式對應的降水量、平均氣溫、最高和最低氣溫的平均值,再對其平均值進行分析。

表1 13個CMIP6 GCMs模式基本信息

2 研究方法

2.1 LSTM模型

LSTM模型最早由HOCHREITER S和SCHMID-HUBER J[16]于1997年提出,是循環(huán)神經(jīng)網(wǎng)絡(Recurrent Neural Network,RNN)模型的改進版本。傳統(tǒng)RNN模型模擬徑流時其時間窗口通常小于10個時間步長。這意味著只能使用過去10 d的驅(qū)動數(shù)據(jù)來模擬第2天的徑流,這對于徑流模擬而言時段太短,因為徑流對降水響應的滯后時間可能會持續(xù)幾個月[17]。此外,傳統(tǒng)RNN模型模擬時存在梯度消失的問題。LSTM模型通過巧妙地設計遺忘門、輸入門、輸出門和自循環(huán)等結(jié)構(gòu),較好地彌補了RNN模型在學習長期依賴問題上的不足[18]。

LSTM模型由一組反復連接的記憶塊(當前神經(jīng)元)組成,t時刻每個記憶塊包含一個細胞單元狀態(tài)ct、遺忘門ft、輸入門it、輸出門ot以及隱藏狀態(tài)ht(圖2)。細胞單元狀態(tài)用來存儲系統(tǒng)信息,3個“門”允許網(wǎng)絡有選擇地保留過去的重要信息,而忽略無關(guān)的信息。具體來說,輸入門決定新流進細胞單元的多少,意味著輸入信息有多少需要進行過濾;遺忘門決定之前的狀態(tài)在細胞單元中保留多少信息,代表遺忘過去多少信息;輸出門決定輸出細胞單元的哪一部分,控制一部分信息進行記憶。

圖2 長短期記憶網(wǎng)絡結(jié)構(gòu)

2.2 模型設定

本文基于LSTM模型框架構(gòu)建了一個徑流模擬模型來模擬黃河源區(qū)的徑流過程,模型框架如圖3所示。考慮到所采用的氣象數(shù)據(jù)和徑流量觀測數(shù)據(jù)自1960年開始穩(wěn)定,選用的13個氣候模式的歷史模擬數(shù)據(jù)截止到2014年,為了盡可能多地利用數(shù)據(jù)信息,確定1960年1月—2014年12月為模型的訓練期,2015年1月—2018年12月為模型的驗證期。構(gòu)建的模型包含一個輸入層和一個輸出層,輸入層用來輸入模型的驅(qū)動數(shù)據(jù),包括實測徑流量、降水量、平均氣溫、最低氣溫和最高氣溫,輸出層用來輸出唐乃亥水文站的模擬徑流時間序列。

圖3 基于LSTM模型的徑流模擬模型框架

LSTM模型中的超參數(shù)(本質(zhì)上是一種網(wǎng)絡配置方案),需要在訓練網(wǎng)絡之前進行設置。一般認為,超參數(shù)對模型預測精度至關(guān)重要,但對于如何配置超參數(shù)卻沒有定論[19]。本文利用現(xiàn)有的深度學習工具箱來構(gòu)建LSTM模型,大多數(shù)超參數(shù)直接使用工具箱中的默認值,其余超參數(shù)參考已發(fā)表的文獻,以降低過擬合或擬合不足的風險[20-22]。具體來說,丟棄率設置為0.4,迭代次數(shù)設置為250,隱含層神經(jīng)元個數(shù)設置為128,學習率設置為0.1。LSTM模型以逐月步長運行,預測期(2030年1月—2099年12月)的驅(qū)動數(shù)據(jù)包括逐月降水量、平均氣溫、最低氣溫和最高氣溫。

2.3 模型評價指標

本文選用納什效率系數(shù)(NSE)、決定系數(shù)(R2)和偏差系數(shù)(BIAS)作為模型的評價指標。NSE、R2越接近1,BIAS越接近0,說明模型的模擬效果越好。各評價指標的計算公式分別如下:

(1)

(2)

(3)

2.4 水資源對氣候要素的彈性系數(shù)

本文根據(jù)彈性系數(shù)的概念,確定水資源(以徑流量Q表示)對氣候要素(降水量P、平均氣溫T)的彈性系數(shù)ε,其計算公式分別如下[23]:

(4)

(5)

式中εP、εT分別為水資源量對降水量P和平均氣溫T的彈性系數(shù)。

將公式(4)和公式(5)分別改寫為如下離散形式:

(6)

(7)

根據(jù)最小二乘法計算ε值,公式如下:

(8)

式中:rQ,Y為水資源量與氣候要素的相關(guān)系數(shù);CQ、CY分別為水資源量、氣候要素的變差系數(shù);Y代表氣候要素(降水量P或平均氣溫T)。

如果綜合考慮降水量P和平均氣溫T對水資源量的影響,可將公式(6)和公式(7)聯(lián)立改寫為:

(9)

本文根據(jù)公式(9)來定量分析降水和氣溫變化對黃河源區(qū)水資源量的綜合影響。

3 結(jié)果分析

3.1 LSTM模型模擬結(jié)果分析

根據(jù)氣象數(shù)據(jù)、水文數(shù)據(jù)序列長度和連續(xù)性要求,分別將1960年1月—2014年12月和2015年1月—2018年12月作為模型的訓練期和驗證期,以納什效率系數(shù)(NSE)、決定系數(shù)(R2)和偏差系數(shù)(BIAS)作為模型的評價指標。黃河源區(qū)徑流模擬模型的總體表現(xiàn)見表2。由表2可知,訓練期和驗證期模型的3個評價指標值均在水文預報精度要求的許可范圍內(nèi)。

表2 LSTM模型總體表現(xiàn)

為了更加直觀地反映LSTM模型在徑流過程模擬中的表現(xiàn),將LSTM模型的模擬值與實測值進行對比,結(jié)果如圖4所示。由圖4可知:①LSTM模型能夠較好地模擬流域的徑流過程,并能充分學習黃河源區(qū)氣象要素與徑流過程之間的復雜關(guān)系。②1981年9月唐乃亥水文站實測徑流量存在一個異常高點,其月平均徑流量高達3 551 m3/s,LSTM模型對該異常高點的模擬效果較差,使得模型在整個訓練期的模擬精度有所降低。經(jīng)查證,1981年9月黃河源區(qū)出現(xiàn)了長達月余的陰雨天氣,造成黃河上游發(fā)生了自1904年以來最大的一次洪水[24]。③模擬的低徑流量系統(tǒng)性偏大,高徑流量系統(tǒng)性偏小,這與LSTM模型的結(jié)構(gòu)和研究區(qū)不同月份的降雪融雪有關(guān)。④12月和1—4月的模擬值明顯高于實測值,7—10月的模擬值明顯低于實測值。為了更好地模擬徑流過程,本文采用修正系數(shù)法修正模擬徑流量[25],計算公式如下:

圖4 唐乃亥水文站月徑流量模擬結(jié)果

Q模rev=kQ模。

(10)

式中:Q模rev為修正后的模擬徑流量;Q模為模擬徑流量;k為修正系數(shù),是訓練期模擬徑流量與實測徑流量的線性相關(guān)系數(shù)。

根據(jù)公式(10)可計算出一年內(nèi)各個月份的修正系數(shù),其中9月份的修正系數(shù)值最大,為1.30;1月份的修正系數(shù)值最小,為0.51。將得到的訓練期年內(nèi)各月份的修正系數(shù)應用于驗證期來驗證計算結(jié)果的可靠性,結(jié)果如圖4所示。由圖4可以看出,修正后的模擬月徑流量與實測徑流量更為接近。表3給出了修正后的模型總體表現(xiàn),由表3的模型評價指標值可以看出,修正后的模型模擬精度較修正前(表2)的有明顯提升。綜上,修正后的LSTM模型能夠較好地模擬黃河源區(qū)徑流過程。

表3 修正后的LSTM模型總體表現(xiàn)

3.2 未來氣候變化對徑流的影響

3.2.1 未來氣候要素預估

考慮到不同氣候模式間存在較大的不確定性,本文將13個氣候模式對應的SSP126、SSP245和SSP585 3種氣候變化情景數(shù)據(jù)的平均值作為基礎數(shù)據(jù),以此分析黃河源區(qū)未來近期(2030—2059年)與未來遠期(2060—2099年)的降水量、平均氣溫、最高氣溫和最低氣溫的變化趨勢,其中降水量的變化情況如圖5所示。圖5中的結(jié)果表明:①不同氣候變化情景下的降水量有所差異,未來近期降水量整體變化不大,SSP126、SSP245和SSP585 3種氣候變化情景下降水量的增長幅度分別為0.16%、0.45%和0.60%;未來遠期降水量明顯增加,SSP126、SSP245和SSP585 3種氣候變化情景下降水量的增長幅度分別為0.42 %、0.65 %和1.09 %。②黃河源區(qū)汛期(6—10月)降水量呈現(xiàn)減少趨勢,而非汛期降水量呈緩慢增加趨勢,即黃河源區(qū)降水年內(nèi)分配不均狀況將可能得到緩解。

圖5 未來不同氣候變化情景下黃河源區(qū)月平均降水量的變化情況

表4列出了黃河源區(qū)基準期、未來近期和未來遠期的多年平均氣溫、最高氣溫和最低氣溫,同時對比了未來近期和未來遠期多年平均氣溫、最高氣溫和最低氣溫較基準期的變化情況(括號中的數(shù)值代表變化量,↑代表溫度上升)。

表4 未來不同氣候變化情境下黃河源區(qū)氣溫變化 ℃

由表4可知,未來黃河源區(qū)的氣溫均呈現(xiàn)升高趨勢,并且隨著溫室氣體排放當量的增加氣溫升高幅度增大,且不均衡發(fā)展路徑SSP585高強迫情景下的平均氣溫、最高氣溫和最低氣溫的升高幅度最大。氣溫對徑流的影響較為復雜,氣溫降低時,蒸散發(fā)減少,可能導致地表徑流增加;氣溫升高時,由于積雪凍土消融和蒸散發(fā)的沖突效應,可能增加黃河源區(qū)未來徑流變化的不確定性。

3.2.2 未來不同氣候變化情景下的徑流變化

將2030—2099年降水量、平均氣溫、最高氣溫和最低氣溫的統(tǒng)計降尺度數(shù)據(jù)輸入到構(gòu)建好的徑流模擬模型中,獲得唐乃亥水文站未來的徑流過程,如圖6所示。從圖6中可以看出,黃河源區(qū)未來不同氣候變化情景下徑流量均呈現(xiàn)出輕微下降趨勢。其中,可持續(xù)發(fā)展路徑低排放情景SSP126下,研究區(qū)2030—2099年的多年平均徑流量為630.27 m3/s,較基準期的減少2.09%;中間發(fā)展路徑中等排放情景SSP245下,研究區(qū)2030—2099年的多年平均徑流量為619.42 m3/s,較基準期的減少2.68%;不均衡發(fā)展路徑高排放情景SSP585下,研究區(qū)2030—2099年的多年平均徑流量為600.87 m3/s,較基準期的減少6.14%。這種徑流減少現(xiàn)象可能與近幾十年全球氣溫升高有關(guān):氣溫升高導致區(qū)域蒸散發(fā)量增大,由于未來降水的增加趨勢并不顯著,從而導致黃河源區(qū)徑流量減少。

圖6 黃河源區(qū)未來徑流變化趨勢

黃河源區(qū)唐乃亥水文站未來近期和未來遠期的年內(nèi)各月平均徑流量變化情況如圖7所示。由圖7可以看出:未來近期和未來遠期的月平均徑流量的年內(nèi)分配情況較基準期的發(fā)生了顯著變化,且徑流量減少時段主要集中在6—11月份;月平均徑流量的變化曲線由基準期的“雙峰型”調(diào)整為無明顯的流量峰值,這意味著徑流的年內(nèi)差異可能有變小的趨勢。

圖7 未來不同氣候變化情景下黃河源區(qū)徑流年內(nèi)分配過程

為進一步分析不同氣候變化情景和不同時段下黃河源區(qū)徑流的變化情況,以1960—2018年唐乃亥水文站的徑流量為基準,計算黃河源區(qū)3種氣候變化情景下未來近期和未來遠期的徑流變化率(表5)。由表5可知:相比基準期,黃河源區(qū)的多年平均徑流量和汛期徑流量均呈現(xiàn)減少趨勢,其中年平均徑流量的減少幅度大多在10%以內(nèi),汛期徑流量的減少幅度為30%～40%;非汛期徑流量相比基準期的呈現(xiàn)增長趨勢,增長幅度大多在30%左右,且未來遠期的增長幅度均高于未來近期的。總之,未來近期和未來遠期年平均徑流量的減少趨勢不顯著,但非汛期徑流量增加、汛期徑流量減少,可能會在一定程度上緩解黃河源區(qū)水資源年內(nèi)分配不均的問題。

表5 未來不同氣候變化情景下黃河源區(qū)徑流變化率

3.3 未來氣候變化對區(qū)域水資源的可能影響

經(jīng)預測,未來2030—2099年黃河源區(qū)氣溫呈現(xiàn)出持續(xù)升高態(tài)勢。這不僅會帶來當?shù)赜盟枨蟮脑黾?而且必然會加劇區(qū)域蒸散發(fā)對水資源的損耗,再加上汛期降水量呈減少趨勢,盡管非汛期降水量增加使其徑流量較基準期的有所增加,但仍無法降低汛期降水量減少對徑流的不利影響。因此,未來氣候變化將可能導致黃河源區(qū)年均徑流量總體呈現(xiàn)輕微下降趨勢。

本文采用氣候彈性系數(shù)法,以中間發(fā)展路徑中等排放情景SSP245為例,定量分析降水和氣溫變化對黃河源區(qū)水資源量的潛在影響。經(jīng)計算得到黃河源區(qū)水資源量對降水的彈性系數(shù)為0.392,說明水資源量隨降水量的增加而增加,即當降水量增加10%時,水資源量將增加3.92%;黃河源區(qū)水資源量對氣溫的彈性系數(shù)是0.085,說明水資源量隨氣溫的升高而減少,即當氣溫升高1 ℃時,水資源量將減少2.42%。根據(jù)水資源量對降水和氣溫的彈性系數(shù)絕對值大小可知,黃河源區(qū)水資源量對降水變化的敏感性明顯高于對氣溫變化的敏感性。

根據(jù)未來降水和氣溫的預估結(jié)果,預計未來2030—2099年黃河源區(qū)降水量的變幅為-15%～25%,氣溫變幅為1.0～3.0 ℃。因此,針對黃河源區(qū)未來可能的降水和氣溫變化情況設定不同方案,探討未來氣候變化對區(qū)域水資源量的可能影響。具體方案設置如下:降水量較基準期的分別變化-15%、-5%、5%、15%、25%;氣溫較基準期的分別增加1.0、1.5、2.0、2.5、3.0 ℃。不同方案下黃河源區(qū)水資源量的變化情況如圖8所示。由圖8可知:當降水量變化-15%～25%時,黃河源區(qū)水資源量的變幅為-5.87%～9.79%;當氣溫升高1.0～3.0 ℃時,黃河源區(qū)水資源量的變幅為-7.29%～-2.42%。上述未來氣候變化對黃河源區(qū)水資源量的可能影響與舒章康等[26]、孟憲紅等[27]的研究結(jié)論基本一致,可信度較高。

圖8 不同方案下氣候變化對水資源量的影響

4 討論

根據(jù)本文研究結(jié)果,未來黃河源區(qū)氣候變化的主要特征是整個區(qū)域 “增溫增濕”。非汛期氣溫升高,引起源區(qū)冰川積雪融化,再加上非汛期降水量的增加,使得未來黃河源區(qū)非汛期徑流量明顯上升;汛期降水量減少,同時氣溫升高導致蒸散發(fā)加劇,使得未來黃河源區(qū)汛期徑流量下降,且汛期徑流量的減少量高于非汛期的增加量。因此,未來黃河源區(qū)年徑流量呈輕微下降趨勢。杜懿等[28]以CMFD再分析數(shù)據(jù)集和CMIP5全球氣候模式輸出數(shù)據(jù)為基礎研究發(fā)現(xiàn),我國西北地區(qū)的歷史氣候呈顯著的暖濕化傾向,在未來情景下,氣候?qū)⒗^續(xù)朝暖濕化方向發(fā)展,同時降水量的年內(nèi)分配不均勻性也將進一步減小,這與本研究的結(jié)論基本一致。有研究認為,這種“暖濕”對干旱區(qū)濕潤程度具有改善作用,但不會改變其干旱少雨的基本氣候特征。這是因為我國西北地區(qū)降水的形式和性質(zhì)與東部地區(qū)的存在著根本的差別,降水增加主要是以極端和短時對流降水的形式增加[29]。李林等[30]研究指出全球變暖背景下蒸發(fā)量的增大和凍土的退化是導致黃河源區(qū)徑流量減少的氣候歸因,并根據(jù)區(qū)域氣候模式系統(tǒng)預測了未來20年黃河源區(qū)徑流量的變化趨勢可能仍以減少為主。

以往的研究主要基于RCPs情景并結(jié)合傳統(tǒng)水文模型來模擬流域未來徑流變化,其所得結(jié)論表明黃河源區(qū)唐乃亥站未來徑流量呈現(xiàn)減少趨勢[31-32]。本文結(jié)果顯示,未來黃河源區(qū)年徑流量較基準期的呈輕微減少趨勢, 減少幅度為1.01%～14.47%,和以往的研究結(jié)果相符。但以往模擬徑流的概念模型和物理模型中通常包括待估計的參數(shù),由于這些參數(shù)大多數(shù)與氣象、植被、地形、地質(zhì)和土壤等的特征有關(guān),當模型應用于基礎數(shù)據(jù)不足或可靠性較低的地區(qū)時,可能會影響結(jié)果的準確性。本文采用的數(shù)據(jù)驅(qū)動長短期記憶網(wǎng)絡模型不僅模擬精度高而且適用于缺少數(shù)據(jù)的地區(qū)。本文還發(fā)現(xiàn)未來近期和未來遠期年平均徑流量的減少趨勢并不顯著,非汛期徑流量增加、汛期徑流量減少可能會在一定程度上緩解黃河源區(qū)水資源年內(nèi)分配不均。

值得注意的是,氣候模式的模擬輸出結(jié)果具有較大的不確定性;采用降尺度、誤差修正等方法得到的情景模擬結(jié)果也伴隨著額外的誤差,這是氣候模式應用中普遍存在的問題。本文基于長短期記憶網(wǎng)絡構(gòu)建的徑流模擬模型雖然具有較好的模擬效果,但也只能以非解析數(shù)值方式考慮氣象-徑流時間序列的變化,不能有效說明土地利用、植被覆蓋和水利工程等可能對徑流變化產(chǎn)生的影響。因此,后期可考慮在模型中加入更多的影響因子來完善模型,從而更準確地進行徑流模擬預估。

5 結(jié)論

本文基于13個氣候模式預估數(shù)據(jù),利用長短期記憶網(wǎng)絡(LSTM)構(gòu)建了徑流模擬模型,對黃河源區(qū)未來徑流進行了模擬,預估了2030—2099年不同SSPs情景下黃河源區(qū)年平均、汛期和非汛期的徑流變化特征,并量化了未來氣候變化對區(qū)域水資源的潛在影響,得到如下結(jié)論:

1)修正后的LSTM模型在訓練期(1960年1月—2014年12月)和驗證期(2015年1月—2018年12月)的納什效率系數(shù)分別達到了0.84和0.87,表明所構(gòu)建的徑流模擬模型在黃河源區(qū)具有較好的適用性,可以用于未來氣候變化情景下的徑流預估。

2)未來3種氣候變化情景下,2030—2099年黃河源區(qū)氣溫呈升高趨勢,年均降水量呈輕微增加趨勢,且汛期降水量減少、非汛期降水量增加。這可能在一定程度上會緩解黃河源區(qū)降水量年內(nèi)分配不均的情況。

3)3種氣候變化情景下,未來近期(2030—2059年)和未來遠期(2060—2099年)的年徑流量較基準期的呈輕微減少趨勢,其中非汛期徑流量呈現(xiàn)增長趨勢,增長幅度在30%左右,汛期徑流量呈現(xiàn)減少趨勢,減少幅度為30%～40%,即未來黃河源區(qū)徑流的年內(nèi)差異有變小的趨勢。

4)黃河源區(qū)水資源量對降水量的彈性系數(shù)為0.392,對氣溫的彈性系數(shù)為0.085,說明水資源量隨降水量的增加而增加,隨氣溫的升高而減少,且水資源量對降水變化的敏感性高于對氣溫變化的敏感性。預計當降水量變化-15%～25%時,水資源量變化-5.87%～9.79%;氣溫升高1.0～3.0 ℃時,水資源量變化-7.29%～-2.42%。