Building of WRF/Grid-XAJ two-way coupling system and its application in rainstorm and flood simulation
-
摘要:
为解决陆气双向耦合中气象与水文模型不易匹配的问题，基于质量守恒原理，以土壤含水量为纽带，构建高效的WRF/Grid-XAJ双向耦合（双耦）系统。通过屯溪流域2场洪水事件分析发现：模型权重参数可定量评估水文-气象模型耦合的相容性；降水同化后，双耦系统的降水峰值模拟精度稍好于WRF模型（误差在±5%内）；双耦较单向耦合（单耦）系统能更准确地反映土壤含水量；降水同化前，双耦和单耦系统低估了洪水过程；同化后两者的模拟结果提升且与Grid-XAJ模型接近（三者纳什效率系数ENS＞0.85），其中双耦系统洪峰模拟效果最好（误差在±11%内），说明WRF/Grid-XAJ双耦系统在暴雨洪水模拟预报方面有较好的应用潜力，为水文-气象模型双向反馈建模提供了新思路。
-
关键词:
- 陆气双向耦合 /
- 分布式水文气象模型 /
- Grid-XAJ模型 /
- WRF模型 /
- 洪水模拟
Abstract:To address compatibility issues between meteorological and hydrological models in two-way land-atmosphere coupling, a highly efficient WRF/Grid-XAJ two-way coupling system was constructed based on the principle of mass conservation using soil moisture as a linkage. Analysis of two flood events in the Tunxi catchment revealed the following: the model weight parameter quantitatively assessed the compatibility of hydro-meteorological model coupling; after precipitation assimilation, the two-way coupling system slightly outperformed the WRF (Weather Research and Forecasting) model in peak precipitation accuracy (error is within ±5%); the two-way coupling system more accurately reflected soil moisture; both the two- and one-way coupling systems underestimated the hydrographs before precipitation assimilation; after assimilation, their simulation results improved and closely matched those of the Grid-XAJ model (all Nash-Sutcliffe efficiency coefficients ENS > 0.85), with the two-way coupling system showing the best peak flood simulation results (error is within ±11%). This demonstrates that the WRF/Grid-XAJ two-way coupling system has the potential to promote the simulation and forecasting of rainstorms and floods, offering a new perspective for two-way feedback modeling between hydrological and meteorological models.
-
极端降水频发背景下，如何有效模拟预报暴雨洪水过程是重要的科学问题。暴雨预报采用数值天气模式，如WRF（Weather Research and Forecasting）模型[1]；洪水预报采用水文模型，如栅格新安江（Grid-XAJ）模型[2-3]。20世纪90年代开始出现将2类模型相结合的陆气耦合建模研究[4]，对延长洪水预报预见期具有积极意义[5]。据两者是否存在互馈，耦合建模方式可分为单向耦合（单耦）和双向耦合（双耦）[6-7]，前者将天气模式的输出作为水文模型的输入，后者是两者存在双向互馈作用。尽管双耦建模难度高，但能更真实合理地模拟陆地水文循环过程[7-8]。
陆气双向耦合建模的尝试从20世纪90年代末开始，在2015年WRF/WRF-Hydro双耦系统提出后逐渐成为水文气象学科的研究热点。Mölders等[9]和Seuffert等[10]分别于1997年和2002年建立GESIMA/NASMO和Lokal/TOPLATS双耦系统，考虑陆面对降水的反馈作用。Maxwell等[11]和Wagner等[12]分别于2011年和2016年建立WRF/Parflow和WRF/HMS双耦系统，发现在水资源模拟中有较好的效果。2015以来，美国国家气象研究中心提出了WRF/WRF-Hydro双耦系统，在世界多个地区的水文气象模拟中有较好的应用潜力[7, 13]。双耦建模的思路可总结为中间介质法、水文模型陆面化法和陆面模式水文化法：①方法一指在气象-水文模型间利用合理介质支撑变量交互，例如Maxwell等[11]以Noah陆面模式为纽带构建WRF/Parflow；②方法二指在水文模型基础上增加能量等模块，将其修改为陆面模式并作为气象模型的下边界进行互馈，例如，Seuffert等[10]利用基于水文模型TOPMODEL修改的陆面模式TOPLATS构建Lokal/TOPLATS；③方法三是指在传统的一维垂向陆面模式中增加可互馈的、精细的二维横向汇流模块实现双向互馈，例如，基于Noah陆面模式开发的WRF-Hydro模型[7, 14-15]。多项国际大型研究计划均强调气象-水文耦合研究的重要性[6, 16-17]。然而由于2类模型独立发展，双耦建模面临巨大挑战。中间介质法偏向于以陆面模式为介质，其他介质鲜有研究[16]；方法二、三的核心是用改进的模型替换天气模式中内置的陆面模式[6-7]，这涉及大量结构化修改和适配验证工作。杨传国等[6]指出双耦建模的难点为模型间的不匹配性和有效数据转换方案的缺乏。因此，如何实现两者高效双耦是重要的科学问题[8]。
屯溪流域是Grid-XAJ模型构建应用的重要示范流域[2-3]。韦经豪等[18]在该流域对3种广泛使用的降水预报产品进行评价，发现随着降水量增加预报精度下降，说明单靠气象产品进行水文模拟存在一定局限性。因此，在屯溪流域进行双耦建模具有重要意义。本文基于WRF和Grid-XAJ模型，采用中间介质法构建高效的WRF/Grid-XAJ双耦系统，以土壤含水量为桥梁构建不同时空分辨率的尺度转换机制，无需对两者进行额外大幅修改，实现水文气象互馈机制的流域水文循环模拟，并与单耦系统和Grid-XAJ模型对比，评估其在屯溪流域暴雨洪水模拟预报中的应用潜力。
1 模型与双向耦合方案
1.1 WRF/Grid-XAJ单向耦合系统
WRF模型是目前广泛应用的中尺度大气模型，主要解决60 h内1～10 km的天气预报问题[15]。Grid-XAJ模型是基于新安江模型发展的分布式水文模型，在湿润半湿润地区的洪水预报中有较好的应用[2]。利用WRF模型的降水驱动Grid-XAJ模型，可构建WRF/Grid-XAJ单向耦合系统。
1.2 WRF/Grid-XAJ双向耦合系统
双向耦合的关键是水文模型也可对天气模式进行反馈，改变后者的状态场，影响降水模拟。基于WRF模型和Grid-XAJ模型，在不改变两者结构条件下，构建WRF/Grid-XAJ双耦系统，其中前者为后者提供降水和土壤含水量，后者再将更新过的土壤含水量反馈给前者。该系统的核心是水文气象变量的转化模块（图1）。
![]()
图 1 WRF模型和Grid-XAJ模型的土壤含水量转化及土层结构关系注：①为公式（3）；②为公式（5）；③为公式（4）；④为公式（6）Fig. 1 Soil moisture transfer and soil layer structure relationship between WRF and Grid-XAJ models1.2.1 转化模块
横向上，WRF模型分辨率往往不小于1 km，而Grid-XAJ模型往往不大于1 km。若两者分辨率不同，由粗至细采用最近邻法，由细至粗采用面平均法。垂向上，WRF模型有4层厚度固定的土层，而Grid-XAJ模型为3层厚度不固定的土层。设WRF模型土层总厚度大于Grid-XAJ模型，有
$$ \begin{array}{*{20}{c}} {{\boldsymbol{D}} = {{\left( {{D_1},{D_2},{D_3},{D_4}} \right)}^{\mathrm{T}}},}&{{\boldsymbol{d}} = {{\left( {{d_1},{d_2},{d_3}} \right)}^{\mathrm{T}}},}&\displaystyle\sum\limits_{k = 1}^4 {{D_k}} \geqslant \end{array}\sum\limits_{m = 1}^3 {{d_m}} $$ (1) 式中：D和d分别为WRF模型和Grid-XAJ模型的土层厚度向量；$ {D_k} $和$ {d_m} $为土层厚度，m。WRF模型和Grid-XAJ模型的土层关系存在20种情况（图1（b））。相应的土壤含水量为
$$ \begin{array}{*{20}{c}} {{{\boldsymbol{\varTheta }}_{\mathrm{c}}} = {{\left( {{\varTheta _{{{\mathrm{c}}_1}}},{\varTheta _{{{\mathrm{c}}_2}}},{\varTheta _{{{\mathrm{c}}_3}}},{\varTheta _{{{\mathrm{c}}_4}}}} \right)}^{\mathrm{T}}},}&{{{\boldsymbol{\theta }}_{\mathrm{c}}} = {{\left( {{\theta _{{{\mathrm{c}}_1}}},{\theta _{{{\mathrm{c}}_2}}},{\theta _{{{\mathrm{c}}_3}}}} \right)}^{\mathrm{T}}}} \end{array} $$ (2) 式中：$ {{\boldsymbol{\varTheta }}_{\mathrm{c}}} $和$ {{\boldsymbol{\theta }}_{\mathrm{c}}} $分别为2个模型当前时刻的土壤含水量向量；$ {\varTheta _{{{\mathrm{c}}_k}}} $和$ {\theta _{{{\mathrm{c}}_m}}} $分别为2个模型的土壤含水量，m3/m3，k=1，2，…，4，m=1，2，3。
根据质量守恒定律分别计算2个模型垂向上的土壤含水量转化：
（1）在当前时刻，将WRF模型的土壤含水量转化给Grid-XAJ模型：
$$ {\left[\begin{array}{c}{{{\boldsymbol{\theta}} }^{\prime }}_{{\mathrm{c}}} {{\odot}} \, {\boldsymbol{d}}\\ {W}_{{\mathrm{p,c}}}\end{array}\right]}_{4\times 1}={{\boldsymbol M}}_{4\times 1}{{\odot}} \left({{\boldsymbol{\varTheta}} }_{c\text{，}4\times 1}{{{\odot}}}{{\boldsymbol{D}}}_{4\times 1}\right) $$ (3) 式中：$ {{\boldsymbol{\theta '}}_{\mathrm{c}}} $为由WRF模型向Grid-XAJ模型转化的土壤含水量向量；$ {{{{\boldsymbol M}}}_{4 \times 1}} $为转化权重向量；⊙为向量的Hadamard乘积；$ {W_{{\mathrm{p,c}}}} $为转换后WRF模型多余的土壤水深（即图1（b）中白色土层的含水量），m。转化完成后，将Grid-XAJ模型原始值与转化值线性组合，获得同化后Grid-XAJ模型的土壤含水量（$ {{\boldsymbol{\hat \theta }}_{\mathrm{c}}} $）：
$$ {{\boldsymbol{\hat \theta }}_{\mathrm{c}}} = \omega {{\boldsymbol{\theta }}_{\mathrm{c}}} + \left( {1 - \omega } \right){{\boldsymbol{\theta '}}_{\mathrm{c}}} $$ (4) 式中：ω为模型权重，为重要参数，详见3.1节。
（2）在当前时刻，将Grid-XAJ模型的土壤含水量转化给WRF模型：
$$ {{{\boldsymbol{\varTheta}} }^{\prime }}_{{\mathrm{c}},\,4\times 1}{\odot} {\boldsymbol{D}}={{\boldsymbol N}}_{4\times 1}{\odot} {\left[\begin{array}{c}{{\boldsymbol{\theta}} }_{{\mathrm{c}}}{\odot}\, {\boldsymbol{d}}\\ {W}_{{\mathrm{p,c}}}\end{array}\right]}_{4\times 1} $$ (5) 式中：$ {{\boldsymbol{\varTheta '}}_{\mathrm{c}}} $为由Grid-XAJ模型向WRF模型转化的土壤含水量向量；$ {{{{\boldsymbol N}}}_{4 \times 1}} $为转化权重向量；其余符号同前。转化完成后，将WRF模型原始值与转化值线性组合，获得同化后WRF模型的土壤含水量（$ {{\boldsymbol{\hat \varTheta }}_{\mathrm{c}}} $）：
$$ {{\boldsymbol{\hat \varTheta }}_{\mathrm{c}}} = \omega {{\boldsymbol{\varTheta }}_{\mathrm{c}}} + \left( {1 - \omega } \right){{\boldsymbol{\varTheta '}}_{\mathrm{c}}} $$ (6) 1.2.2 双向耦合建模流程
WRF/Grid-XAJ双向耦合建模流程为：①运行WRF模型的前处理系统WPS生成气象模式的驱动数据；②运行WRF模型获取降水（P）和土壤含水量（W）等数据；③将WRF模型输出变量进行网格细化处理，转化整合到Grid-XAJ模型中；④运行Grid-XAJ模型获取W等的状态数据；⑤将Grid-XAJ模型的W进行网格粗化处理，转化整合到WRF模型中；⑥重复第2～5步，直至完成。
2 研究流域与数据
2.1 研究流域
屯溪流域（图2，WGS 1984坐标）地处安徽省东南部，流域面积为
2670 km2。年平均降水量约1600 mm，年内年际分配极不均匀，4—6月多雨，占全年降水量的50%，易发生洪涝灾害。流域内可利用的雨量站有8处、水文站有2处。根据美国地质调查局（USGS）数据，土地利用以农田和林地为主(68.56%)，土壤类型以黏壤土为主(77.52%)。2.2 数据处理及模型配置
考虑高昂的计算成本，选择2个典型洪水事件130606和140712为研究对象（表1）。此二者洪峰大、历时短、运行成本低。两者特征不同，前者是单峰值降水过程，后者是多峰值降水过程，便于全面理解模型的表现。
表 1 洪水事件信息Table 1 Flood event information编号 洪号 年份 开始时间 结束时间 最大雨强/(mm/h) 洪峰流量/(m3/s) 径流深/mm 1 130606 2013年 2013-06-06T 14:00 2013-06-11T 08:00 19.3 3610.0 114.0 2 140619 2014年 2014-06-20T 02:00 2014-06-23T 08:00 13.1 2380.0 90.6 采用三层嵌套方案构建WRF模型（图2（b））：外层覆盖中国大部分地区（13°42'N—45°12′N，96°36′E—139°24′E）；中层覆盖华东地区（25°12′N—37°24′N，112°00'E—123°54′E）；内层覆盖屯溪流域（29°24′N—30°12′N，117°36′E—118°42′E）。三层网格时空分辨率分别为150、30、6 s和25、5、1 km。WRF模型方案设置参考安徽省气象台的降水预报方案（表2）[15]。输入数据包含再分析和下垫面属性数据，前者采用6 h、1°×1°的由美国国家环境预报中心提供的全球再分析资料（FNL）数据，后者由WRF模型前处理系统WPS提供，例如土地利用数据。考虑WRF模型模拟降水的误差，采用逐步订正法将模拟降水与雨量站观测降水进行同化，提高模拟效果，其中权重函数取Cressman函数，迭代次数为5次，影响半径取研究流域方框的行列数的最小值[15]。
表 2 WRF模型的参数化方案设置Table 2 Parameterization settings of the WRF model类型 微物理过程 积云方案 行星边界层 辐射方案 陆面模式 投影 参数化方案 Thompson graupel模型 Kain-Fritsch方案* YSU方案 RRTMG方案 Noah模式 Lambert 注：*在最外层和中层嵌套网格采用Kain-Fritsch方案，最内层网格不使用任何积云方案。 Grid-XAJ模型在WRF模型最内层网格（d03）上构建，时空分辨率分别为1 h和1 km，输入数据包含：①气象数据：降水由WRF模型或雨量站提供，蒸发源于屯溪站水面蒸发观测；②下垫面属性：数字流域高程（DEM）源于重采样的USGS数据，植被覆盖来自于美国马里兰大学（UMD），土壤类型来自于联合国粮农组织（FAO）。主要参数率定结果见表3。WRF/Grid-XAJ双耦系统主要参数为时间耦合频率和权重，分别设置为1 h和0.999，权重相关分析和讨论分别见3.1节。
表 3 Grid-XAJ模型主要参数Table 3 Main parameters of the Grid-XAJ model序号 参数名称 符号 数值 1 蒸发折算系数 K 0.98 2 壤中流消退系数 CI 0.3 3 地下水消退系数 CG 0.98 4 河网消退系数 CS 0.93 5 河网汇流滞时 tLag 1 6 马斯京根法系数-河道洪水波传播时间 Kech 0.08 7 马斯京根法系数-河道水流量比重系数 Xech 0.45 3 结果分析与讨论
将WRF模型记为M00，使用降水同化记为M01；将WRF/Grid-XAJ单耦和双耦系统分别记为M10和M20，使用降水同化（逐步订正法）分别记为M11和M21。
3.1 模型权重
模型权重表示土壤含水量同化时原始模型所占的权重，值域为[0.5,1)。当ω=0.5时，说明气象与水文模型的土层结构和主要计算模式是一致的；ω越接近1，表明两者差异越大，相容性越弱。图3展示了M20和M21在不同ω值（0.98～0.999）下洪水上升段的模拟结果及相应的纳什效率系数（ENS）。可发现随着ω增加，M20表现下降，M21表现上升，说明即使双向互馈中对方模型占比小，模拟结果仍对ω的变化非常敏感。WRF/Grid-XAJ双耦系统中ω取0.999，说明2个模型存在极大差异，相容性极低，表明陆气双向耦合建模的难度，与杨传国等[6]观点一致。为进一步证实ω的合理性，选择与WRF模型有相同土壤结构的水文模型WRF-Hydro，利用本文提出的双耦系统建模方法构建WRF/WRF-Hydro双耦系统（记为m20）。理论上ω取0.5该双耦系统应有较好的表现，因为两者土层结构和主要计算模式是一致的。结果也表明，ω取0.5时降水同化后的WRF/WRF-Hydro双耦系统（记为m21）便出现较好的模拟结果，证实以模型权重ω定量评价气象模式和水文模型相容性的科学性，以及提出的双耦建模方法的合理性。
WRF/Grid-XAJ双耦系统中2个模型相容性较差与土壤含水量的差异有关：①含义不同，WRF模型含水量最大值是饱和含水量，即当含水量超出田间持水量时，不区分由于出现重力水导致的水分流失[1]；而Grid-XAJ模型将含水量限制在田间持水量以下，超过该值后认为土壤张力水已经蓄满，且任何超过这一阈值的水都是重力水，参与随后的产汇流计算，不再计入土壤含水量[2-3]。因此双耦建模中，在Grid-XAJ模型计算完成后须将含水量和重力水转化的含水量相加，以保持与WRF模型相同的表征方式后再对其进行反馈。②结构不同，如1.2.1节指出两者的土层数和厚度不同，不再赘述。③维度不同，WRF模型考虑垂向土壤水量交互而忽略二维横向运动[6-7]；Grid-XAJ模型不仅模拟土壤水的垂向产流过程，还考虑横向汇流过程[2]。
3.2 降水模拟
分析降水的时间序列及空间分布，设基于雨量站观测并利用反距离权重法插值的降水（以下简称IDW降水）为评价标准。分析降水的时间序列（图4）：对于M00和M01降水，雨量方面，M00偏小25%以上，而M01已控制在±2%以内；峰值方面，M00偏低25%以内，M01则偏高约5%；过程线拟合方面，ENS由耦合前的不到0.650上升到0.993～0.994。降水同化前，虽然WRF模型低估130606号洪水的降水峰值，但捕捉到了主要降水过程；模拟出140619号洪水的最大值，但其他极值点未成功模拟。同化后模拟降水与观测接近。
对于双耦系统和WRF模型的模拟降水：①雨量方面，M20偏小50%～55%，但较M00（ − 77.5%～ − 26.8%）更集中；M21误差在2%以内，较M01（ − 0.6%～1.9%）相似且更集中。②峰值方面，M20误差在±60%以内，较M00（ − 23.8%～ − 18.8%）偏大；而M21在±5%以内，优于M01（5.2%～5.3%）。③过程线方面，M20较M00偏差，前者ENS小于0.400，后者为0.005～0.629；而M21表现大幅提升（0.992～0.997），略优于M01（0.993～0.994）。降水同化前，WRF模型可模拟部分极值及其时刻，而双耦系统几乎可捕捉各个极值的时刻，但其雨量存在较大偏差；同化后，两者模拟的过程线与观测接近。
接着分析降水空间分布特征，图5为时段平均降水量（$\overline P $）的空间分布和频率分布直方图（Gx和Gy为重心坐标）。采用Shannon熵（ES）分析空间复杂程度，ES越大，信息越丰富。降水同化前，WRF模型降水在空间上比IDW呈现更丰富的模式（如多条斜带状降水），但降水量整体偏低（频率分布偏左侧）；同化后，WRF模型误差显著降低（频率分布与IDW相近），且空间信息增加（ES由
3.3889 ～3.5940 上升到3.5339 ～4.2459 ）。M20降水空间分布与WRF模型类似，但数值更稳定（频率分布集中在较低值区域）；M21空间信息量增加（ES由2.9093 ～3.7729 上升到3.0323 ～4.0814 ），雨量误差与M01相当，均值分别为1.29～2.31 mm和1.32～2.28 mm。![]()
图 5 时段平均降水量空间分布及频率分布Fig. 5 Spatial distribution and frequency distribution of period-averaged precipitation以上表明，WRF和WRF/Grid-XAJ双耦系统在一定程度上可模拟出2个事件的降水过程，但存在较大偏差；降水同化后，表现大幅提高，两者结果相似且较好。后者在降水峰值表现稍好，说明其模拟降水在洪水预报中有重要的应用潜力。两者均可呈现丰富的、不完全取决于雨量站空间分布的降水模式和细节，降水同化前双耦系统结果更加稳定，同化后两者表现相当且与观测均值接近。
3.3 土壤含水量模拟
分析M10、M11、M20和M21模拟的时段平均土壤含水量（$\overline W $），见图6。设以Grid-XAJ模型的模拟结果为评价标准，首先对比降水同化前后：①与M10相比，M11的范围有10～30 mm的抬升，面平均值增高1.1%～24.1%，ES有微小的增加（0.2%～0.6%）；与Grid-XAJ模型相比，M10和M11的均值均偏小（幅度分别为 − 20.0%～ − 3.0%和 − 1.9%～ − 0.7%），其中M11表现有较大改善。②与M20相比，M21的范围上升约10 mm以内，均值小幅升高（1.8%～11.1%），ES微小增加（0.8%～1.2%）；与Grid-XAJ模型相比，M20的均值存在波动（ − 7.6%～1.3%），而M21偏大2.7%～3.2%。
![]()
图 6 时段平均土壤含水量空间分布及频率分布Fig. 6 Spatial distribution and frequency distribution of period-averaged soil moisture对比双耦和单耦系统的含水量：①与M10相比，虽然M20的ES略微降低0.1%～0.3%，但含水量均值与Grid-XAJ模型更接近，误差由M10的 − 20.0%～ − 3.0%减小为 − 7.6%～1.3%。②与M11相比，M21均值较Grid-XAJ模型偏大，两者误差分别为 − 1.9%～ − 0.7%和2.7%～3.2%，但M21展示出更丰富的空间信息，ES由M11的偏高0～0.2%上升到偏高0.5%。
以上表明，降水同化后，WRF/Grid-XAJ耦合系统的土壤含水量有一定程度（≤25.0%）的上升且与Grid-XAJ模型接近，空间信息提升1.2%以内。双耦与单耦系统相比，无论降水同化与否，前者可在一定程度（≤16.0%）上提升土壤含水量，空间信息变化不明显（ES变幅在±0.3%以内）。M20的模拟结果与Grid-XAJ模型接近，说明双耦比单耦系统能反映更真实的土壤含水量。
3.4 流量模拟
基于观测流量和Grid-XAJ模型模拟流量，分别从过程线和评价指标方面对M10、M11、M20和M21的模拟流量进行对比分析（图7）。首先过程线方面：①对于单降水峰值过程130606，M21的洪峰和峰现时间表现较好，其次是M11，再次是Grid-XAJ模型，这3个过程线稍稍偏前偏低；M10在洪水起涨段模拟效果较好，但低估了洪量和洪峰；M20捕捉到峰现时间，但大幅低估洪量和洪峰。②对于多降水峰值过程140619，Grid-XAJ模型模拟效果好，M11和M21略微高估洪量和洪峰，这三者的峰现时间模拟较好，均成功模拟洪水上涨段的类阶梯状过程；M20在一定程度上重现洪水趋势，但模拟洪量和洪峰偏低；M10没有重现该洪水过程。
结合洪量相对误差（EPBrv）、洪峰相对误差（EPBpf）、峰现时间误差（EABpt）、ENS 4个评价指标对结果进行定量分析（表4）。降水同化前，M10和M20表现均较差，洪量和洪峰偏低。两者存在以下区别：前者模拟洪峰偏早且表现不稳定，各个指标极差较大，ENS的变幅达到 − 0.982～0.826；而后者峰现时间模拟较好，各个指标极差较小，表现较稳定，ENS的变幅为0.264～0.296。同化后，M11和M21的结果均大幅提升且更稳定，两者的峰现时间表现相同，其他指标也非常接近（EPBrv、|EPBpf|、ENS分别为≤22%和≤24%、≤13%和≤11%、0.902～0.904和0.876～0.896）。原始的Grid-XAJ模型模拟结果较好（|EPBrv|≤7%，|EPBpf|≤15%，EABpt为1～3 h，ENS高达0.897～0.986）。
表 4 流量模拟指标对比Table 4 Evaluation Metrics for discharge simulation模型 130606 140619 EPBrv/% EPBpf/% EABpt/h ENS EPBrv/% EPBpf/% EABpt/h ENS Grid-XAJ 6.6 − 14.4 3 0.897 3.4 − 4.1 1 0.986 M10 − 17.9 − 36.5 4 0.826 − 89.5 − 89.4 8 − 0.982 M11 9.8 − 12.9 1 0.902 21.2 5.5 0 0.904 M20 − 54.4 − 70.5 0 0.296 − 55.0 − 43.6 5 0.264 M21 15.7 − 5.5 1 0.876 23.4 10.6 0 0.896 以上表明，降水同化后的单耦和双耦系统模拟流量与观测及原始Grid-XAJ模型相近，不同化的耦合系统效果较差。在洪峰方面，M21效果最好，其次为M11，再次为Grid-XAJ模型；在洪量和拟合程度方面，Grid-XAJ模型最好，M11次之，M21再次。根据Grid-XAJ模型在研究流域有较好的应用，说明降水同化的WRF/Grid-XAJ单耦和双耦系统在研究流域存在较好的应用潜力。本文提出的WRF/Grid-XAJ双耦建模以土壤含水量为中间介质沟通2类模型，大幅简化水文气象复杂的交互，因为WRF模型的植被、蒸散发、水量能量通量以及水文模型的蒸散发、产汇流等过程均受到土壤含水量影响，进一步配合模型权重可定量识别气象-水文模型相容性。此外该双耦系统的数据转换模块有便于设置模型耦合频率、便于降水和流量的同化校正等优势。
4 结 论
以土壤含水量为核心采用中间介质法构建了WRF/Grid-XAJ双耦系统，对屯溪流域2场洪水事件的降水、土壤含水量、流量的模拟结果进行分析。主要结论如下：
（1）WRF/Grid-XAJ双耦系统在暴雨洪水模拟方面有较好的应用潜力，模型权重是重要且敏感的参数，可定量识别气象-水文模型的相容性。
（2）降水模拟方面，WRF模型和双耦系统可模拟降水过程但存在较大偏差；与观测数据同化后两者模拟结果相似且较好，其中后者降水峰值表现稍好（误差在±5%内）。
（3）土壤含水量模拟方面，未经降水同化的双耦系统模拟结果与Grid-XAJ模型接近，同化后单耦和双耦系统均与Grid-XAJ模型接近，说明双耦比单耦系统更能准确地反映土壤含水量。
（4）洪水模拟方面，双耦或单耦系统模拟的洪量和洪峰偏小，其中前者结果更稳定但影响有限；降水同化后，两者表现大幅提高且与Grid-XAJ模型接近（ENS > 0.85），其中双耦系统洪峰模拟效果最好（误差在±11%内）。
-
![]()
图 1 WRF模型和Grid-XAJ模型的土壤含水量转化及土层结构关系
注：①为公式（3）；②为公式（5）；③为公式（4）；④为公式（6）
Fig. 1 Soil moisture transfer and soil layer structure relationship between WRF and Grid-XAJ models
![]()
图 5 时段平均降水量空间分布及频率分布
Fig. 5 Spatial distribution and frequency distribution of period-averaged precipitation
![]()
图 6 时段平均土壤含水量空间分布及频率分布
Fig. 6 Spatial distribution and frequency distribution of period-averaged soil moisture
表 1 洪水事件信息
Table 1 Flood event information
编号 洪号 年份 开始时间 结束时间 最大雨强/(mm/h) 洪峰流量/(m3/s) 径流深/mm 1 130606 2013年 2013-06-06T 14:00 2013-06-11T 08:00 19.3 3610.0 114.0 2 140619 2014年 2014-06-20T 02:00 2014-06-23T 08:00 13.1 2380.0 90.6 
下载: 导出CSV
表 2 WRF模型的参数化方案设置
Table 2 Parameterization settings of the WRF model
类型 微物理过程 积云方案 行星边界层 辐射方案 陆面模式 投影 参数化方案 Thompson graupel模型 Kain-Fritsch方案* YSU方案 RRTMG方案 Noah模式 Lambert 注：*在最外层和中层嵌套网格采用Kain-Fritsch方案，最内层网格不使用任何积云方案。
下载: 导出CSV
表 3 Grid-XAJ模型主要参数
Table 3 Main parameters of the Grid-XAJ model
序号 参数名称 符号 数值 1 蒸发折算系数 K 0.98 2 壤中流消退系数 CI 0.3 3 地下水消退系数 CG 0.98 4 河网消退系数 CS 0.93 5 河网汇流滞时 tLag 1 6 马斯京根法系数-河道洪水波传播时间 Kech 0.08 7 马斯京根法系数-河道水流量比重系数 Xech 0.45
下载: 导出CSV
表 4 流量模拟指标对比
Table 4 Evaluation Metrics for discharge simulation
模型 130606 140619 EPBrv/% EPBpf/% EABpt/h ENS EPBrv/% EPBpf/% EABpt/h ENS Grid-XAJ 6.6 − 14.4 3 0.897 3.4 − 4.1 1 0.986 M10 − 17.9 − 36.5 4 0.826 − 89.5 − 89.4 8 − 0.982 M11 9.8 − 12.9 1 0.902 21.2 5.5 0 0.904 M20 − 54.4 − 70.5 0 0.296 − 55.0 − 43.6 5 0.264 M21 15.7 − 5.5 1 0.876 23.4 10.6 0 0.896
下载: 导出CSV
-
[1] MERINO A,GARCÍA-ORTEGA E,NAVARRO A,et al. WRF hourly evaluation for extreme precipitation events[J]. Atmospheric Research,2022,274:106215. doi: 10.1016/j.atmosres.2022.106215
[2] YAO C,LI Z J,YU Z B,et al. A priori parameter estimates for a distributed,grid-based Xin'anjiang model using geographically based information[J]. Journal of Hydrology,2012,468:47-62.
[3] 童冰星,李致家,姚成. 基于SoilGrids的栅格新安江模型参数空间分布估算[J]. 水科学进展,2022,33(2):219-226. (TONG B X,LI Z J,YAO C. Estimation of distributed Grid-Xin'anjiang Model parameters based on SoilGrids[J]. Advances in Water Science,2022,33(2):219-226. (in Chinese) TONG B X, LI Z J, YAO C. Estimation of distributed Grid-Xin'anjiang Model parameters based on SoilGrids[J]. Advances in Water Science, 2022, 33（2）: 219-226. （in Chinese）
[4] YU Z B,LAKHTAKIA M N,YARNAL B,et al. Simulating the river-basin response to atmospheric forcing by linking a mesoscale meteorological model and hydrologic model system[J]. Journal of Hydrology,1999,218(1/2):72-91.
[5] 陆桂华,吴志勇,WEN L,等. 陆气耦合模型在实时暴雨洪水预报中的应用[J]. 水科学进展,2006,17(6):847-852. (LU G H,WU Z Y,WEN L,et al. Application of a coupled atmospheric-hydrological modeling system to real-time flood forecast[J]. Advances in Water Science,2006,17(6):847-852. (in Chinese) doi: 10.3321/j.issn:1001-6791.2006.06.016 LU G H, WU Z Y, WEN L, et al. Application of a coupled atmospheric-hydrological modeling system to real-time flood forecast[J]. Advances in Water Science, 2006, 17（6）: 847-852. （in Chinese） doi: 10.3321/j.issn:1001-6791.2006.06.016
[6] 杨传国,林朝晖,郝振纯,等. 大气水文模式耦合研究综述[J]. 地球科学进展,2007,22(8):810-817. (YANG C G,LIN Z H,HAO Z C,et al. Review of coupling atmospheric and hydrologic models[J]. Advances in Earth Science,2007,22(8):810-817. (in Chinese) doi: 10.3321/j.issn:1001-8166.2007.08.006 YANG C G, LIN Z H, HAO Z C, et al. Review of coupling atmospheric and hydrologic models[J]. Advances in Earth Science, 2007, 22（8）: 810-817. （in Chinese） doi: 10.3321/j.issn:1001-8166.2007.08.006
[7] SENATORE A,MENDICINO G,GOCHIS D J,et al. Fully coupled atmosphere-hydrology simulations for the central Mediterranean:impact of enhanced hydrological parameterization for short and long time scales[J]. Journal of Advances in Modeling Earth Systems,2015,7(4):1693-1715. doi: 10.1002/2015MS000510
[8] 刘国纬. 水文科学的基本问题及当代前沿[J]. 水科学进展,2020,31(5):685-689. (LIU G W. Basic problems and frontier of hydrology[J]. Advances in Water Science,2020,31(5):685-689. (in Chinese) LIU G W. Basic problems and frontier of hydrology[J]. Advances in Water Science, 2020, 31（5）: 685-689. （in Chinese）
[9] MÖLDERS N,RAABE A. Testing the effect of a two-way-coupling of a meteorological and a hydrologic model on the predicted local weather[J]. Atmospheric Research,1997,45(2):81-107. doi: 10.1016/S0169-8095(97)00035-5
[10] SEUFFERT G,GROSS P,SIMMER C,et al. The influence of hydrologic modeling on the predicted local weather:two-way coupling of a mesoscale weather prediction model and a land surface hydrologic model[J]. Journal of Hydrometeorology,2002,3(5):505. doi: 10.1175/1525-7541(2002)003<0505:TIOHMO>2.0.CO;2
[11] MAXWELL R M,LUNDQUIST J K,MIROCHA J D,et al. Development of a coupled groundwater-atmosphere model[J]. Monthly Weather Review,2011,139(1):96-116. doi: 10.1175/2010MWR3392.1
[12] WAGNER S,FERSCH B,YUAN F,et al. Fully coupled atmospheric-hydrological modeling at regional and long-term scales:development,application,and analysis of WRF-HMS[J]. Water Resources Research,2016,52(4):3187-3211. doi: 10.1002/2015WR018185
[13] RUDISILL W,KAISER K E,FLORES A N. Evaluating long-term one-way atmosphere-hydrology simulations and the impacts of two-way coupling in four mountain watersheds[J]. Hydrological Processes,2022,36(5):e14578. doi: 10.1002/hyp.14578
[14] SUN M K,LI Z J,YAO C,et al. Evaluation of flood prediction capability of the WRF-hydro model based on multiple forcing scenarios[J]. Water,2020,12(3):874. doi: 10.3390/w12030874
[15] 孙明坤. 基于WRF-Hydro的中小流域水文气象模拟及陆气耦合的研究[D]. 南京:河海大学,2023. (SUN M K. Research on hydrometeorological simulation and land-atmosphere coupling models based on the WRF-Hydro model in small and medium-size catchments[D]. Nanjing:Hohai University,2023. (in Chinese) SUN M K. Research on hydrometeorological simulation and land-atmosphere coupling models based on the WRF-Hydro model in small and medium-size catchments[D]. Nanjing: Hohai University, 2023. （in Chinese）
[16] PIETRONIRO A,SOULIS E,SNELGROVE K,et al. A framework for coupling atmospheric and hydrological models[C]//Soil-Vegetation-Atmosphere Transfer Schemes and Large-Scale Hydrological Models Proceedings of an International Symposium,Held During the Sixth IAHS Scientific Assembly. Maastricht (Netherlands):IAHS Press,2001:27-34.
[17] 赵铜铁钢,张弛,田雨,等. 全球气象预报驱动流域水文预报研究进展与展望[J]. 水科学进展,2024,35(1):156-166. (ZHAO T T T,ZHANG C,TIAN Y,et al. Research progresses and prospects of catchment hydrological forecasting driven by global climate forecasts[J]. Advances in Water Science,2024,35(1):156-166. (in Chinese) ZHAO T T T, ZHANG C, TIAN Y, et al. Research progresses and prospects of catchment hydrological forecasting driven by global climate forecasts[J]. Advances in Water Science, 2024, 35（1）: 156-166. （in Chinese）
[18] 韦经豪,黄迎春,姚成. 降水预报产品在不同水文气象分区中小流域的适应性评估[J]. 南水北调与水利科技(中英文),2022,20(6):1208-1219. (WEI J H,HUANG Y C,YAO C. Assessment of precipitation forecasting product's adaptability in small and medium-sized basins in different hydrometeorological regions[J]. South-to-North Water Transfers and Water Science & Technology,2022,20(6):1208-1219. (in Chinese) WEI J H, HUANG Y C, YAO C. Assessment of precipitation forecasting product's adaptability in small and medium-sized basins in different hydrometeorological regions[J]. South-to-North Water Transfers and Water Science & Technology, 2022, 20（6）: 1208-1219. （in Chinese）
计量
- 文章访问数: 191
- HTML全文浏览量: 36
- PDF下载量: 96
