• 全国中文核心期刊
  • 中国科技核心期刊
  • 美国工程索引(EI)收录期刊

基于分布式水文模型的雅鲁藏布江径流水源组成解析

田富强, 徐冉, 南熠, 李琨彪, 贺志华

田富强, 徐冉, 南熠, 李琨彪, 贺志华. 基于分布式水文模型的雅鲁藏布江径流水源组成解析[J]. 水科学进展, 2020, 31(3): 324-336. DOI: 10.14042/j.cnki.32.1309.2020.03.002
引用本文: 田富强, 徐冉, 南熠, 李琨彪, 贺志华. 基于分布式水文模型的雅鲁藏布江径流水源组成解析[J]. 水科学进展, 2020, 31(3): 324-336. DOI: 10.14042/j.cnki.32.1309.2020.03.002
TIAN Fuqaing, XU Ran, NAN Yi, LI Kunbiao, HE Zhihua. Quantification of runoff components in the Yarlung Tsangpo River using a distributed hydrological model[J]. Advances in Water Science, 2020, 31(3): 324-336. DOI: 10.14042/j.cnki.32.1309.2020.03.002
Citation: TIAN Fuqaing, XU Ran, NAN Yi, LI Kunbiao, HE Zhihua. Quantification of runoff components in the Yarlung Tsangpo River using a distributed hydrological model[J]. Advances in Water Science, 2020, 31(3): 324-336. DOI: 10.14042/j.cnki.32.1309.2020.03.002

基于分布式水文模型的雅鲁藏布江径流水源组成解析

基金项目: 

国家自然科学基金资助项目 91647205

详细信息
    作者简介:

    田富强(1975—) , 男 , 河南叶县人 , 教授 , 博士 , 主要从事水文水资源方面研究。 E-mail : tianfq@tsinghua.edu.cn

  • 中图分类号: P333

Quantification of runoff components in the Yarlung Tsangpo River using a distributed hydrological model

Funds: 

The study is financially supported by the National Natural Science Foundation of China 91647205

  • 摘要: 为开展河川径流的水源解析,构建过程描述和本构参数两方面均有较强物理性的分布式水文模型。以雅鲁藏布江为对象,利用水文分区曲线对降雨、融雪和融冰等不同水源主导的流量过程进行划分,以划分的流量过程线子集对相应水文过程参数进行分步率定,提高了水文模型参数的物理性,以此构建了雅鲁藏布江流域分布式水文模型及参数集,内部多个水文站点和流域雪水当量的验证表明模型具有良好的性能。基于模型解析了2001—2015年间雅鲁藏布江的径流水源组成,降雨、融雪、融冰水源对总径流量贡献的比例分别为66%、20%和14%。本文方法对高山寒区径流的水源解析有普遍意义,结果对理解气候变化下雅鲁藏布江径流变化趋势有参考价值。
    Abstract: Robust calibration of physically based hydrological models is essential for the quantification of runoff components in snow and glacier melt runoff fed basins. This study evaluates a hydrograph partitioning curve (HPC) based calibration technique utilizing seasonality of precipitation and temperature in the Yarlung Tsangpo River basin. The HPC indicate the separating periods when various runoff components, including baseflow, snowmelt and glacier melt runoff, and rainfall direct runoff, dominate the basin hydrograph. Parameters of the THREW distributed hydrological model are grouped into four categories according to their controls on the runoff processes, and subsequently calibrated in a stepwise procedure using extracted HPC. The HPC-based calibration method is evaluated against traditional methods on the basis of robustness, performance of discharge simulations in sub-basins, and estimates of snow water equivalent (SWE) across the whole basin. Results show that:① The HPC-based calibration method provides results comparable to traditional methods in the calibration period while improving the discharge simulation for the evaluation period relative to single objective calibration methods; ② The HPC-based calibration method shows superiority in producing robust sub-basin discharge and tends to estimate smaller bias for the basin SWE; ③ The HPC-based calibration method estimates the contributions of snowmelt, glacier-melt, and rainfall direct runoff to discharge during 2001—2015 as 20%, 14% and 66%, respectively, while the traditional calibration methods yield a higher contribution for glacier-melt runoff and lower contribution for snowmelt runoff. Our findings indicate the potential of the HPC-based calibration method as a tool to quantify the contribution of runoff components, thus improving the modeling of hydrological behaviors under changing climate conditions for similar basins.
  • 图 1所示, 研究区域雅鲁藏布江流域位于27°N—32°N、82°E—97°E之间, 青藏高原南部、喜马拉雅山脉北麓, 流域面积约24万km2, 干流长度超过2 000 km, 从流域东南部巴昔卡流出中国, 进入印度境内, 称为布拉马普特拉河。干流上有4个主要水文站, 从上游到下游依次为拉孜、奴各沙、羊村和奴下水文站。拉孜水文站以上为上游区域, 汇流面积约5万km2, 海拔4 500~5 600 m, 干流河长约270 km, 河谷较为宽阔, 水流相对平缓, 沿岸有较多沼泽。拉孜至奴下之间为中游区域, 汇流面积约14万km2, 海拔2 900~ 4 500 m, 干流河长约1 300 km, 河谷有宽有窄, 宽谷段水面宽至200~400 m, 最宽处可达2 km;峡谷段水面宽小于100米, 水流较湍急, 河谷呈V型。奴下以下至巴昔卡为下游区域, 汇流面积约5万km2, 海拔100~2 900 m, 干流河长约500 km。由于高耸的喜马拉雅山脉的屏障作用以及青藏高原的高亢地势, 流域上中游地区降水量小, 气候极寒冷, 属于高原温带寒温带的半干旱气候;而流域东部下游地区降水量大, 湿润多雨, 气候温热, 属于山地亚热带、热带气候。

    图  1  雅鲁藏布江流域及其分区和水文气象站位置
    Fig.  1  Study area and locations of the hydrologic and meteorological stations

    采用基于代表性单元流域的分布式水文模型THREW(Tsinghua Representative Elementary Watershed)[9]进行水文模拟和水源组成解析, 模型结构、方程和本构参数等的描述参见文献[10], 其中积雪和冰川消融过程的模拟采用Hock [11]的度日因子方法, 即利用空气温度和度日因子计算融雪和融冰产生的径流。THREW模型在中国、美国和欧洲的流域均得到了较好的应用[12-14]。THREW模型为半分布式水文模型, 以代表性单元流域为基本计算单元, 对雅鲁藏布江奴下水文站以上流域进行建模, 研究流域共划分为63个代表性单元流域。

    气象数据方面, 降水、温度采用CMFD(China Meteorological Forcing Dataset)数据[15-16], 该数据融合了GLDAS、TRMM等多种数据集及国家气象站点数据;潜在蒸散发数据采用气象站点的蒸发皿蒸发数据进行泰森多边形加权平均, 得到每个子流域平均的潜在蒸散发数值。下垫面数据方面, 积雪覆盖数据采用TPSCE数据[17];冰川数据采用第二次冰川编目数据;LAI(叶面积指数)和NDVI (归一化差分植被指数)分别采用MODIS和AVHRR数据, 对于LAI和NDVI数据采用Savitzky-Golay对其时间序列进行降噪处理, 得到更加光滑的日均/月均值[18];高程数据采用90 m分辨率的数字高程模型数据, 来源于SRTM(http://srtm.csi.cgiar.org/);土壤数据采用联合国粮食和农业组织(FAO)和国际应用系统分析研究所构建的世界土壤数据库(HWSD);土地利用数据采用数据集GlobCover2009[19-20], 其数据源是来自ENVISAT卫星平台2009年发布的MERIS数据, 空间分辨率为300 m。水文数据方面, 收集了雅鲁藏布江干流上的奴下(2000—2015年, 逐日)、羊村(2000—2012年, 逐日)和奴各沙(2000—2004年, 逐月)水文站的系列径流数据。同时, 收集了支流上的更张站(尼洋河, 2000—2012年, 逐日)、拉萨站(拉萨河, 2000—2004年, 逐月)、唐家站和庞多站(均位于拉萨河, 2002—2013年雨季逐日, 雨季从6月15日至9月15日)的系列径流数据。选取奴下水文站为模型率定站点, 2000年为模型预热期, 2001—2008年为率定期, 2009—2015年为验证期, 其余水文站点为流域内部验证站点。

    流量过程线的不同部分可以由不同的水文过程主导, 而不同的水文过程由水文模型中相应的本构方程及其参数所表达和模拟。He等[21]利用温度和降水的数据将流量过程线划分为相应的若干段, 称为水文分区曲线(Hydrograph Partitioning Curves, HPC)。HPC方法是一种借助潜在水文信息建立的划分高山流域径流过程线子集的方法, 该方法认为降雨径流主要发生在雨季, 而冰川和积雪由于其在高程上分布范围不同, 融雪和融冰径流的发生时段存在一定的季节差。积雪的最低分布高程往往低于冰川的最低分布高程, 融雪径流相较于融冰径流一般起始于一个更低的高程带。由于高山流域气温随高程的增加显著递减, 则必定存在这样一个时段:积雪所在的最低海拔处温度已超过融化温度阈值, 而冰川所在的最低海拔处还没有达到阈值, 即融雪径流可以发生而融冰径流不能发生。另外, 当研究日期不处于雨季且积雪最低海拔处的气温也没有达到融化温度阈值时, 融水径流和降雨地表径流都不会发生, 这些日期的河道径流则完全由基流组成。

    基于He等[21]提出的水文分区曲线方法进行流量过程线的划分。首先, 计算2000—2015年研究时期全流域平均逐日降水和温度。假定温度低于0 ℃时的降水为降雪, 对温度小于0 ℃和日降水大于0 mm同时出现的降水进行叠加, 得到累计逐日降雪曲线;其次, 计算流域平均自然年的积温, 得到逐日积温曲线。以2003年为例, 如图 2所示, 图 2(a)为累计逐日降雪曲线, 图 2(b)为逐日积温曲线, 图 2(c)为2003年的奴下水文站实测流量过程。在P1点和P2点之外, 即积温达到最低点之前和最高点之后, 认为径流主要由基流组成;在P1点和P3点之间, 即积温达到最低点之后, 而降雪累积量出现了一定时间段(Pt, 在本研究中假定为28天, 具体参见文献[21])的平台期, 这段时间认为水文过程是由融雪过程占主导;在P3点和P2点, 即降雪累积量出现平台期28天后, 到积温达到最高点之前, 假定这段时间内覆盖在冰川上面的积雪已经融化完毕, 冰川开始融化并占主导;此外, 由于上述3个过程没考虑降雨影响, 故在降雨出现的日期可能存在降雨径流。基于上述逻辑, 将流量过程线划分为3个阶段, 如图 2(c)所示:黑色部分为基流主导的流量过程线子集, 主要集中在冬季和早春季节;黄色部分为融雪径流主导的流量过程线子集, 主要集中在晚春和初夏阶段;而蓝色部分为融冰径流主导的流量过程线子集, 主要集中在夏季和初秋阶段, 该阶段为降水集中的时期, 降水量占年降水总量的70%~80%, 故降雨径流也主要集中于此。按上述步骤, 可实现对不同水源主导的流量过程线的划分。

    图  2  2003年奴下水文站的水文分区曲线
    Fig.  2  Schematic representation of the extraction of Hydrograph partitioning curves at the Nuxia hydrologic station in 2003

    对2001—2015年间奴下水文站实测径流进行了HPC划分, 结果见图 3(a)。由图 3可知, 根据HPC的结果, 基流主要集中在各年份的退水阶段, 结合流域平均降水可以发现这段时间的降水量相对较小。融雪径流出现在每年春季至夏初的升温阶段, 这一阶段温度有所回升, 而降水并没有明显增加, 此阶段径流以积雪融化补给为主, 值得注意的是, 这一阶段在不同年份的结束时间不同, 特别是结束时的径流与峰值径流的比例差别很大。2006年是枯水年, 其融雪主导期结束时的流量几乎达到了当年的峰值流量, 相反2010年是丰水年, 其结束时的流量仅占峰值流量很小的比例。融冰径流则主要集中在降水比较丰富且温度较高的雨热同期的夏季, 其峰值和降水的峰值有较好的对应关系。

    图  3  奴下水文站不同水源主导流量过程线划分结果
    Fig.  3  SHydrograph partitioning curves extracted at the Nuxia hydrologic station in 2001—2015

    为验证划分结果的可靠性, 进一步与遥感观测的流域平均积雪覆盖面积进行对比, 见图 3(b)。可以看出, 积雪覆盖的比例和流量呈反相关系, 即低流量时段的积雪覆盖面积较大, 而高流量时段的积雪覆盖面积较小。进一步观察可以发现, 每个自然年的融雪主导期正是流域积雪覆盖面积逐步减少的阶段, 进一步表明流量过程线划分结果的合理性。

    表 1展示了THREW模型参数的符号、单位、物理含义, 其中前6个参数根据流域的土壤数据计算得到, 而后面的11个参数则需要率定。参数率定按照上述HPC流量过程线划分的结果分4步进行, 如表 2所示, 步骤1至步骤3分别以基流、融雪和融冰主导的流量过程线子集率定相应水文过程的本构参数, 步骤4率定和模型效果相关但无法明显划分到步骤1—步骤3的其他参数。各步骤率定的目标函数见表 2, 计算公式见式(1)—式(3)。需要说明的是, THREW模型参数在空间上和时间上并无差别, 即率定的模型参数在不同代表性单元流域取相同的值, 同时假定流域是稳态的, 不考虑气候或下垫面变化而导致的参数变化。重复上述步骤以降低参数相互影响给分步率定带来的误差, 直至率定得到的参数值达到稳定[8]

    表  1  THREW模型参数
    Table  1  Parameters of the THREW hydrological model
    参数 单位 物理含义 范围 计算方法
    Ksu m/s 上层土壤饱和导水率平均值 - 根据土壤数据计算
    Kss m/s 下层土壤饱和导水率平均值 - 根据土壤数据计算
    εu - 上层土壤孔隙度 - 根据土壤数据计算
    εs - 下层土壤孔隙度 - 根据土壤数据计算
    ψα m 进气口压力水头平均值 - 根据土壤数据计算
    μ - 平均土壤空隙大小分布指数 - 根据土壤数据计算
    nt - 山坡糙率 0.000 1~1 率定
    nr - 河道糙率 0.000 1~1 率定
    αIFL - 渗透能力的空间异质系数 0.001~5 率定
    αEFL - 渗流能力的空间异质系数 0.001~5 率定
    αETL - 蒸散能力的空间异质系数 0.001~5 率定
    Wmax cm 平均蓄水容量 0.001~10 率定
    B - 饱和产流面积计算的形状系数 0.001~1 率定
    KA - 地下径流计算公式中的指数系数 0.001~10 率定
    KD - 地下径流计算公式中的线性系数 0.001~1 率定
    MN mm/(℃·d) 融雪度日因子 0~10 率定
    MG mm/(℃·d) 融冰度日因子 0~10 率定
    下载: 导出CSV 
    | 显示表格
    表  2  基于流量过程线划分的水文模型参数分步率定步骤
    Table  2  Stepwise calibration of model parameters which are grouped into four categories according to their controls on runoff processes
    步骤 率定子集 目标函数 率定参数
    1 基流+[降水径流] 式(1) KAKD
    2 基流+[降水径流]+融雪径流 式(2) MN
    3 基流+[降水径流]+融雪径流+融冰径流 式(2) MGWmaxB
    4 率定期全集 式(3) ntnrαIFLαEFLαETL
    下载: 导出CSV 
    | 显示表格
    $$ {E_1} = \sqrt {\frac{{\sum\limits_{i = 1}^n {{{(ln{Q_{o, i}} - ln{Q_{s, i}})}^2}} }}{n}} $$ (1)
    $$ E = \sqrt {\frac{{\sum\limits_{i = 1}^n {{{({Q_{o, i}} - {Q_{s, i}})}^2}} }}{n}} $$ (2)
    $$ N = 1 - \frac{{\sum\limits_{i = 1}^n {{{({Q_{o, i}} - {Q_{s, i}})}^2}} }}{{\sum\limits_{i = 1}^n {{{({Q_{o, i}} - {{\bar Q}_o})}^2}} }} $$ (3)

    式中: n表示率定期的总天数: QO, iQS, i分别为第i天的观测径流和模拟径流结果;QO为这一时期的观测径流的平均值。

    模型参数率定采用pySOT(Surrogate Optimization Toolbox)优化算法[22], 这一算法的主要思路是使用帕累托非支配排序技术来选择若干个不同的评估点, 当设定的目标函数的值较好且与其他评估的点相距较远时, 以此作为中心。然后在中心利用随机扰动生成一组候选的数据集, 从中评估、选取下一个评估点。其优点是从不同的中心选择评估点可以让算法在迭代的同时搜索更多数据, 使得评估更为有效。关于该算法具体的信息可以参见文献[23]。

    为与基于HPC划分的分步率定结果进行对比, 另外以实测流量过程全集为对象进行集总率定, 但使用3种不同的目标函数:一是采用N作为目标函数进行率定, 主要关注峰值流量过程;二是采用Nl作为目标函数进行率定, 计算公式可参见式(4), 主要关注基流过程;三是采用Nave作为目标函数进行率定, 计算公式可参见式(5)同时关注峰值流量过程和基流过程。

    $$ {N_1} = 1 - \sum\limits_{}^{} {{{(ln{Q_{s, i}} - ln{Q_{s, i}})}^2}/\sum\limits_{}^{} {{{(ln{Q_{o, i}} - ln{{\bar Q}_o})}^2}} } $$ (4)
    $$ {N_{ave}} = (N + {N_1})/2 $$ (5)

    为评价模拟效果的水量平衡情况, 除上述率定指标外, 同时列出了直接反映水量平衡的指标IWB(参见式(6))。图 4展示了不同率定方法的模拟流量和实测流量过程, 表 3给出了各情景下的最优参数, 表 4给出了各情景下率定期和验证期的目标函数值。从图 4率定期和验证期的流量过程线结果可以看出:比较不同率定方法下基流期的模拟结果可以发现, HPC率定方法的基流与实测过程的吻合程度较高, 其相应的El值仅比集总Nl率定结果略高, 集总N率定结果的基流模拟效果最差, 集总Nl率定结果的峰值模拟效果最差。在水量平衡方面, 4种率定情景下的总水量误差均在±6%以内, 其中HPC和集总Nave率定的总水量均稍偏大, 集总N和集总Nl率定的总水量均稍偏小。同时, 无论从模拟流量过程线和评价指标值来看, HPC率定和集总Nave率定结果均比较相近。

    $$ {I_{WB}} = \sum\limits_{i = 1}^n {{Q_{s, i}}} /\sum\limits_{i = 1}^n {{Q_{o, i}}} $$ (6)
    图  4  奴下水文站各率定情景下的实测和模拟流量过程线
    Fig.  4  Performance of discharge simulations of various calibration scenarios at the Nuxia hydrologic station in both calibration and validation periods
    表  3  各率定情景下的最优参数
    Table  3  Parameter values optimized by various calibration scenarios
    率定情景 nt nr αIFL αEFL αETL Wmax/cm B KA KD MN/(mm·℃-1
    ·d-1)
    MG/(mm·℃-1
    ·d-1)
    HPC 0.115 2 0.000 1 1.415 4 0.306 4 0.475 5 0.383 2 0.588 7 4.438 4 0.999 8 1.206 3 2.639 4
    集总N 0.136 5 0.000 1 1.989 3 0.404 7 0.598 8 0.553 4 0.999 7 1.999 7 0.394 0 0.735 7 2.861 3
    集总Nl 0.155 5 0.000 1 1.389 7 0.490 8 0.149 4 1.213 8 0.028 8 3.292 4 0.313 8 1.014 7 2.994 2
    集总Nave 0.120 7 0.000 1 0.021 4 0.103 7 0.327 1 5.127 2 0.012 2 3.181 8 0.480 4 0.956 6 2.994 1
    下载: 导出CSV 
    | 显示表格
    表  4  各率定情景下奴下水文站的目标函数值
    Table  4  Values of evaluation metrics at the Nuxia hydrologic station produced by various calibration scenarios
    率定情景 N Nl IWB 地下径流El 融雪径流E/(m3·s-1) 融冰径流E/(m3·s-1)
    率定期 验证期 率定期 验证期 率定期 验证期 率定期 验证期 率定期 验证期 率定期 验证期
    HPC 0.917 0.809 0.926 0.900 1.043 1.057 0.260 0.218 459 559 904 1 230
    集总N 0.927 0.802 0.667 0.681 0.950 0.982 0.710 0.617 462 528 792 1 210
    集总Nl 0.880 0.798 0.930 0.897 0.942 0.957 0.239 0.211 517 519 1 130 1 270
    集总Nave 0.917 0.814 0.927 0.901 1.000 1.025 0.269 0.226 465 502 912 1 220
    下载: 导出CSV 
    | 显示表格

    为进一步验证HPC分步率定结果的可靠性, 在流域内部选取若干观测站点对流量模拟结果进行分析, 包括干流的羊村和奴各沙水文站, 尼洋河的更张水文站, 拉萨河的拉萨、唐家和旁多水文站。表 5展示了各个率定情景下在以上6个水文站的流量模拟效果。可以看出HPC率定情景在各个站点均取得了良好的流量模拟效果:在雅江干流的羊村和奴各沙水文站, HPC率定的N均高于0.75;在尼洋河的更张水文站, HPC率定的NNl分别为0.749和0.876, 均为4种率定方法中的最高值;在拉萨河的拉萨水文站, HPC率定同样取得了较好的模拟效果, NNl分别为0.861和0.924, 而在上游的唐家和旁多水文站, 模拟效果略有降低, 但NNl仍然均高于0.6。在羊村、更张等也可以很好地模拟其洪峰径流和基流过程, 如图 5所示。

    表  5  各率定情景下内部水文站的目标函数值
    Table  5  Values of evaluation metrics in sub-basins produced by various calibration scenarios
    站点 HPC 集总N 集总Nl 集总Nave
    N Nl N Nl N Nl N Nl
    羊村 0.828 0.745 0.835 0.634 0.850 0.797 0.846 0.785
    奴各沙 0.756 0.713 0.764 0.786 0.859 0.760 0.790 0.754
    更张 0.749 0.876 0.699 0.529 0.693 0.871 0.730 0.859
    拉萨 0.861 0.924 0.881 0.591 0.823 0.908 0.859 0.909
    唐家 0.618 0.626 0.654 0.671 0.543 0.613 0.603 0.628
    旁多 0.609 0.619 0.641 0.656 0.565 0.623 0.608 0.625
    效果良好站点个数 6 4 4 6
    效果突出站点个数 1 0 0 0
    注:效果良好站点指N>0.6且Nl>0.6, 效果突出站点指N>0.86且Nl>0.86
    下载: 导出CSV 
    | 显示表格
    图  5  内部站点的典型洪峰和基流过程模拟结果
    Fig.  5  Discharge simulations in summer at the Yangcun station and in winter at the Gengzhang station, produced by the HPC-based calibration method

    除河道实测流量用于水文模拟效果的验证外, 利用基于实测数据估算得到的雪水当量数据进一步验证模型结果的合理性。积雪融化的雪水当量估算需要流域的气象信息(气温和降水)、积雪深、积雪覆盖面积和积雪密度的数据。其中积雪密度的估算采用He等[24]的方法:在积雪的累计阶段, 积雪密度采用每一个代表性单元流域内的若干次场次降雪来估算, 选定降雪结束后3天及以上无再次降雪, 且在这段时期的积雪深度变化在10%之内。对选定的每一个场次降雪来说, 计算累计的降雪雪水当量和体积变化量, 从而估算积雪密度。积雪面积数据采用TPSCE数据[17], 积雪深采用寒区旱区科学数据中心所开发的全国雪深数据[25]。上述计算在每个代表性单元流域上分别进行, 再按面积加权计算得到流域每年的雪水当量。由于积雪深数据序列截止到2007年, 故计算2001—2007年的结果。

    表 6展示了各率定情景下2001—2007年雪水当量估算和模拟结果。利用实测积雪数据估算得到的结果称为“观测值”, 其余是水文模型模拟结果。从多年平均的融雪水当量可以看出, 年均的雪水当量观测值为70.9 mm, 而HPC率定方法计算得到的融雪雪水当量与该值最为接近, 为77.3 mm, 其他率定方法得到的雪水当量结果均显著低于观测值。

    表  6  各率定情景下2001—2007年雪水当量估算和模拟结果 mm
    Table  6  Comparisons of estimated and observed (calculated based on observed snow depth) snow water equivalent in 2001—2007
    时间 观测值 HPC 集总N 集总Nl 集总Nave
    2001年 77.8 63.3 38.6 53.2 50.2
    2002年 77.6 63.4 38.7 53.3 50.3
    2003年 74.5 55.1 33.6 46.4 43.7
    2004年 65.3 103.5 63.1 87.1 82.1
    2005年 79.9 88.8 54.2 74.7 70.5
    2006年 56.8 81.5 49.7 68.6 64.6
    2007年 64.5 85.3 52.0 71.7 67.6
    平均 70.9 77.3 47.1 65.0 61.3
    相对偏差/% - 9.0 -33.6 -8.3 -13.5
    注:表格第一行的符号含义同表 3, 观测值为基于实测数据估算得到的雪水当量。
    下载: 导出CSV 
    | 显示表格

    从雪水当量的年际变化来看, 2001—2003年间HPC率定的融雪雪水当量值低于观测值, 而后2004—2007年间则高于观测值。四种率定方法模拟得到的雪水当量的年际变化则呈现出一致的趋势, HPC率定得到的结果最大, 其次是集总Nl、集总Nave和集总N率定的结果。总体来说, 基于HPC率定得到的结果和观测融雪雪水当量在多年尺度上更为接近, 进一步验证了HPC方法的合理性。综合各水文站流量过程和雪水当量的验证结果, 可以认为HPC率定方法得到的结果更为合理, 模型参数具有更强的物理性。

    基于不同率定方法对雅鲁藏布江奴下水文站处的径流水源组成进行解析, 水文模型的模拟时期为2001—2015年, 结果如表 7所示。在基于HPC率定方法的结果中, 降雨径流占总径流量的66.0%, 融雪径流占比20.0%, 融冰径流占比14.0%。对于其他不同的率定方法, 降雨径流占比最高的是集总N率定结果, 其降雨径流占比为70.2%, 从模拟流量过程线可以看出其对于夏季降雨的峰值流量模拟效果是最好的, 而其融雪径流占比是13.3%, 是所有率定情景中最小的。其他两种率定情景, 集总Nl率定结果中, 降雨径流占比63.9%, 是所有情景中最低的, 融雪、融冰径流分别占比18.6%和17.5%。集总N+Nl率定结果中, 降雨、融雪、融冰径流比例分别为67.1%、16.5%和16.4%, 其降雨径流比例与HPC解析方法结果最为接近。由以上结果可以看出, 不同率定方法得到的径流水源组成差别较大。

    表  7  各实验情景下各组分径流解析结果%
    Table  7  Contributions of runoff components to discharge at the Nuxia station estimated by four calibration scenarios
    径流组分 HPC N Nl Nave
    降雨径流 66.0 70.2 63.9 67.1
    融雪径流 20.0 13.3 18.6 16.5
    融冰径流 14.0 16.5 17.5 16.4
    下载: 导出CSV 
    | 显示表格

    图 6给出了典型水文站的融冰和融雪径流过程及融冰融雪径流量的年际变化, 包括干流的奴下水文站、尼洋河的更张水文站和拉萨河的拉萨水文站。结果表明, 各站点的融冰、融雪径流均主要发生在5月至9月, 与洪峰出现的时间段较为一致, 其中融雪径流峰值比融冰径流出现早, 且呈现出洪峰前流量增长速度大于洪峰后流量削减速度的特征, 这是由于随着积雪的融化, 积雪覆盖面积逐渐减小, 这也与HPC流量过程线划分方法中对径流过程的认识相吻合。年际变化趋势方面, 各站点的年融雪径流均呈现出先增加、后减小的趋势, 这是由于随着气温的上升, 融雪速率增大, 导致融雪径流在前期呈上升趋势, 但随着积雪的持续融化, 积雪覆盖面积减小, 会抵消融雪速率增大的效果, 使得融雪径流转变为下降的趋势。融冰径流在三个站点均呈现出微弱的上升趋势, 其中在拉萨站最为显著, 由于冰川面积相对稳定, 模拟中采用二次冰川编目数据, 未考虑冰川面积在模拟时段内的变化, 因此融冰径流的增加直接反映了近年来气候变暖的趋势。

    图  6  典型站点融冰融雪径流过程及多年趋势
    Fig.  6  Simulated snowmelt and glacier melt runoff in the HPC-based calibration scenario years

    Chen等[6]对在雅鲁藏布江已开展的径流水源组成解析的相关研究进行了总结, 见表 8。由表 8可知, 不同研究应用不同模型和不同数据得到的水源解析结果有明显差别, 融雪和融冰径流占总径流量比例的变化范围为20.5%~34.4%。进一步比较表 7表 8可以发现, 本研究应用不同率定方法得到的解析结果变化范围与已有研究的水源解析结果范围比较接近但范围略窄, 譬如表 8中融雪径流占比的变化范围为8.9%~23.0%, 而本研究得到的表 7中的变化范围为13.3%~20.0%, 表 8表 7中的融冰径流占比的变化范围分别为9.9%~15.9%和14.0%~17.5%。相比较而言, 本文基于HPC方法的结果具有以下优势, 一方面, 应用了更多上游的干流和支流的水文站点进行数据的验证, 多方面证明了模型和方法的可靠性;另一方面, 采用了一种具有物理基础的流量过程线划分方法及相应的分步率定方法, 获得了更合理的模型参数, 流量过程模拟的NNl均为相关研究中最优, 与实测径流过程更加吻合。从这个角度来讲, 本研究得到的基于HPC方法的径流水源组成解析结果更加符合实际情况。

    表  8  雅鲁藏布江流域现有融冰融雪径流组成解析结果对比
    Table  8  Contributions of snowmelt and glacier melt runoff to discharge in the Yarlung Zangbo River modelled in previous studies
    水文模型 率定水文站 研究时段 融冰径流/% 融雪径流/% 融冰融雪径流/% 文献
    SRM模型 - 2000—2007年 27.0 [26]
    SRM模型 - 2000—2007年 34.4 [27]
    VIC模型 奴下水文站 1961—1991年 11.6 23.0 34.6 [28]
    SPHY模型 - 1998—2007年 15.9 8.9 24.8 [5]
    CREST模型 奴下水文站 2003—2015年 9.9 10.6 20.5 [6]
    THREW模型 奴下水文站 2001—2015年 14.0 20.0 34.0 本研究
    下载: 导出CSV 
    | 显示表格

    (1) 在雅鲁藏布江流域构建了基于代表性单元流域的分布式水文模型THREW, 采用水文分区曲线(HPC)方法对奴下水文站处的流量过程进行不同水源主导的流量过程线子集的划分, 在此基础上对THREW模型的参数进行分步迭代率定, 流域内部流量观测资料和雪水当量的验证表明模型具有良好的模拟效果, 说明基于HPC的参数分步率定方法具有较强的物理基础, 可降低高寒区水文模型参数的异参同效性。

    (2) 基于THREW模型对雅鲁藏布江不同断面的径流水源组成进行解析, 使用不同率定方法得到的模型参数解析的径流水源组成比例有明显差别, 其中融雪径流占比的差别最为显著, 不同方法结果的变化范围为13.3%~20.0%, 说明了模型参数的异参同效性所带来的水源解析结果的不确定性, 与文献结果的比较进一步表明了不同模型和不同率定方法对水源解析结果不确定性的影响范围相对一致。

    (3) 综合分析表明基于HPC方法的水源组成解析结果更为合理, 2001—2015年间奴下水文站处的径流总量中, 降雨径流占比为66.0%, 融雪和融冰径流分别占比20.0%和14.0%。

  • 图  1   雅鲁藏布江流域及其分区和水文气象站位置

    Fig.  1   Study area and locations of the hydrologic and meteorological stations

    图  2   2003年奴下水文站的水文分区曲线

    Fig.  2   Schematic representation of the extraction of Hydrograph partitioning curves at the Nuxia hydrologic station in 2003

    图  3   奴下水文站不同水源主导流量过程线划分结果

    Fig.  3   SHydrograph partitioning curves extracted at the Nuxia hydrologic station in 2001—2015

    图  4   奴下水文站各率定情景下的实测和模拟流量过程线

    Fig.  4   Performance of discharge simulations of various calibration scenarios at the Nuxia hydrologic station in both calibration and validation periods

    图  5   内部站点的典型洪峰和基流过程模拟结果

    Fig.  5   Discharge simulations in summer at the Yangcun station and in winter at the Gengzhang station, produced by the HPC-based calibration method

    图  6   典型站点融冰融雪径流过程及多年趋势

    Fig.  6   Simulated snowmelt and glacier melt runoff in the HPC-based calibration scenario years

    表  1   THREW模型参数

    Table  1   Parameters of the THREW hydrological model

    参数 单位 物理含义 范围 计算方法
    Ksu m/s 上层土壤饱和导水率平均值 - 根据土壤数据计算
    Kss m/s 下层土壤饱和导水率平均值 - 根据土壤数据计算
    εu - 上层土壤孔隙度 - 根据土壤数据计算
    εs - 下层土壤孔隙度 - 根据土壤数据计算
    ψα m 进气口压力水头平均值 - 根据土壤数据计算
    μ - 平均土壤空隙大小分布指数 - 根据土壤数据计算
    nt - 山坡糙率 0.000 1~1 率定
    nr - 河道糙率 0.000 1~1 率定
    αIFL - 渗透能力的空间异质系数 0.001~5 率定
    αEFL - 渗流能力的空间异质系数 0.001~5 率定
    αETL - 蒸散能力的空间异质系数 0.001~5 率定
    Wmax cm 平均蓄水容量 0.001~10 率定
    B - 饱和产流面积计算的形状系数 0.001~1 率定
    KA - 地下径流计算公式中的指数系数 0.001~10 率定
    KD - 地下径流计算公式中的线性系数 0.001~1 率定
    MN mm/(℃·d) 融雪度日因子 0~10 率定
    MG mm/(℃·d) 融冰度日因子 0~10 率定
    下载: 导出CSV

    表  2   基于流量过程线划分的水文模型参数分步率定步骤

    Table  2   Stepwise calibration of model parameters which are grouped into four categories according to their controls on runoff processes

    步骤 率定子集 目标函数 率定参数
    1 基流+[降水径流] 式(1) KAKD
    2 基流+[降水径流]+融雪径流 式(2) MN
    3 基流+[降水径流]+融雪径流+融冰径流 式(2) MGWmaxB
    4 率定期全集 式(3) ntnrαIFLαEFLαETL
    下载: 导出CSV

    表  3   各率定情景下的最优参数

    Table  3   Parameter values optimized by various calibration scenarios

    率定情景 nt nr αIFL αEFL αETL Wmax/cm B KA KD MN/(mm·℃-1
    ·d-1)
    MG/(mm·℃-1
    ·d-1)
    HPC 0.115 2 0.000 1 1.415 4 0.306 4 0.475 5 0.383 2 0.588 7 4.438 4 0.999 8 1.206 3 2.639 4
    集总N 0.136 5 0.000 1 1.989 3 0.404 7 0.598 8 0.553 4 0.999 7 1.999 7 0.394 0 0.735 7 2.861 3
    集总Nl 0.155 5 0.000 1 1.389 7 0.490 8 0.149 4 1.213 8 0.028 8 3.292 4 0.313 8 1.014 7 2.994 2
    集总Nave 0.120 7 0.000 1 0.021 4 0.103 7 0.327 1 5.127 2 0.012 2 3.181 8 0.480 4 0.956 6 2.994 1
    下载: 导出CSV

    表  4   各率定情景下奴下水文站的目标函数值

    Table  4   Values of evaluation metrics at the Nuxia hydrologic station produced by various calibration scenarios

    率定情景 N Nl IWB 地下径流El 融雪径流E/(m3·s-1) 融冰径流E/(m3·s-1)
    率定期 验证期 率定期 验证期 率定期 验证期 率定期 验证期 率定期 验证期 率定期 验证期
    HPC 0.917 0.809 0.926 0.900 1.043 1.057 0.260 0.218 459 559 904 1 230
    集总N 0.927 0.802 0.667 0.681 0.950 0.982 0.710 0.617 462 528 792 1 210
    集总Nl 0.880 0.798 0.930 0.897 0.942 0.957 0.239 0.211 517 519 1 130 1 270
    集总Nave 0.917 0.814 0.927 0.901 1.000 1.025 0.269 0.226 465 502 912 1 220
    下载: 导出CSV

    表  5   各率定情景下内部水文站的目标函数值

    Table  5   Values of evaluation metrics in sub-basins produced by various calibration scenarios

    站点 HPC 集总N 集总Nl 集总Nave
    N Nl N Nl N Nl N Nl
    羊村 0.828 0.745 0.835 0.634 0.850 0.797 0.846 0.785
    奴各沙 0.756 0.713 0.764 0.786 0.859 0.760 0.790 0.754
    更张 0.749 0.876 0.699 0.529 0.693 0.871 0.730 0.859
    拉萨 0.861 0.924 0.881 0.591 0.823 0.908 0.859 0.909
    唐家 0.618 0.626 0.654 0.671 0.543 0.613 0.603 0.628
    旁多 0.609 0.619 0.641 0.656 0.565 0.623 0.608 0.625
    效果良好站点个数 6 4 4 6
    效果突出站点个数 1 0 0 0
    注:效果良好站点指N>0.6且Nl>0.6, 效果突出站点指N>0.86且Nl>0.86
    下载: 导出CSV

    表  6   各率定情景下2001—2007年雪水当量估算和模拟结果 mm

    Table  6   Comparisons of estimated and observed (calculated based on observed snow depth) snow water equivalent in 2001—2007

    时间 观测值 HPC 集总N 集总Nl 集总Nave
    2001年 77.8 63.3 38.6 53.2 50.2
    2002年 77.6 63.4 38.7 53.3 50.3
    2003年 74.5 55.1 33.6 46.4 43.7
    2004年 65.3 103.5 63.1 87.1 82.1
    2005年 79.9 88.8 54.2 74.7 70.5
    2006年 56.8 81.5 49.7 68.6 64.6
    2007年 64.5 85.3 52.0 71.7 67.6
    平均 70.9 77.3 47.1 65.0 61.3
    相对偏差/% - 9.0 -33.6 -8.3 -13.5
    注:表格第一行的符号含义同表 3, 观测值为基于实测数据估算得到的雪水当量。
    下载: 导出CSV

    表  7   各实验情景下各组分径流解析结果%

    Table  7   Contributions of runoff components to discharge at the Nuxia station estimated by four calibration scenarios

    径流组分 HPC N Nl Nave
    降雨径流 66.0 70.2 63.9 67.1
    融雪径流 20.0 13.3 18.6 16.5
    融冰径流 14.0 16.5 17.5 16.4
    下载: 导出CSV

    表  8   雅鲁藏布江流域现有融冰融雪径流组成解析结果对比

    Table  8   Contributions of snowmelt and glacier melt runoff to discharge in the Yarlung Zangbo River modelled in previous studies

    水文模型 率定水文站 研究时段 融冰径流/% 融雪径流/% 融冰融雪径流/% 文献
    SRM模型 - 2000—2007年 27.0 [26]
    SRM模型 - 2000—2007年 34.4 [27]
    VIC模型 奴下水文站 1961—1991年 11.6 23.0 34.6 [28]
    SPHY模型 - 1998—2007年 15.9 8.9 24.8 [5]
    CREST模型 奴下水文站 2003—2015年 9.9 10.6 20.5 [6]
    THREW模型 奴下水文站 2001—2015年 14.0 20.0 34.0 本研究
    下载: 导出CSV
  • [1] 张小侠.雅鲁藏布江流域关键水文要素时空变化规律研究[D].北京: 北京林业大学, 2011.

    ZHANG X X. Spatial-temporal evolutional laws of the key hydrological elements in Yarlung Zangbo River basin[D]. Beijing: Beijing Forestry University, 2011. (in Chinese)

    [2]

    HÉBERT R, LOVEJOY S. Regional climate sensitivity-and historical-based projections to 2100[J]. Geophysical Research Letters, 2018, 45(9): 4248-4254. doi: 10.1002/2017GL076649

    [3] 瞿思敏, 包为民, MCDONNELL J J, 等.同位素示踪剂在流域水文模拟中的应用[J].水科学进展, 2008, 19(4): 587-596. doi: 10.3321/j.issn:1001-6791.2008.04.021

    QU S M, BAO W M, MCDONNELL J J, et al. Isotope tracer in watershed hydrological modeling[J].Advances in Water Science, 2008, 19(4): 587-596. (in Chinese) doi: 10.3321/j.issn:1001-6791.2008.04.021

    [4]

    BEVEN K J, FREER J. Equifinality, data assimilation, and uncertainty estimation in mechanistic modelling of complex environmental systems using the GLUE Methodology[J]. Journal of Hydrology, 2001, 249(1): 11-29. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=990d8ae736d1912750863bbda2673049

    [5]

    LUTZ A F, IMMERZEEL W W, SHRESTHA A B, et al. Consistent increase in High Asia's runoff due to increasing glacier melt and precipitation[J]. Nature Climate Change, 2014, 4(7): 587-592. doi: 10.1038/nclimate2237

    [6]

    CHEN X, LONG D, HONG Y, et al. Improved modeling of snow and glacier melting by a progressive two-stage calibration strategy with GRACE and multisource data: how snow and glacier meltwater contributes to the runoff of the Upper Brahmaputra River basin?[J] Water Resources Research, 2017, 53(3): 2431-2466.

    [7]

    SIVAPALAN M, TAKEUCHI K, FRANKS S W, et al. IAHS Decade on predictions in ungauged basins, 2003-2012: shaping an exciting future for the hydrological sciences[J]. Hydrological Sciences Journal, 2003, 48(6): 857-880. doi: 10.1623/hysj.48.6.857.51421

    [8]

    HE Z H, TIAN F Q, GUPTA H V, et al. Diagnostic calibration of a hydrological model in a mountain area by hydrograph partitioning[J]. Hydrology and Earth System Sciences, 2015, 19(4): 1807-1826. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=79329fcef82d16266eb86415c518f797

    [9]

    TIAN F Q, HU H P, LEI Z D, et al. Extension of the representative elementarywatershed approach for cold regions via explicit treatment of energy related processes[J]. Hydrology and Earth System Sciences, 2006, 10: 619-644.6. doi: 10.5194/hess-10-619-2006

    [10] 田富强.流域热力学系统水文模拟理论和方法研究[D].北京: 清华大学, 2006.

    TIAN F Q. Study on thermodynamic watershed hydrological model (THModel)[D]. Beijing: Tsinghua University, 2006. (in Chinese)

    [11]

    HOCK R. Temperature index melt modelling in mountain areas[J]. Journal of Hydrology, 2003, 282: 104-115. doi: 10.1016/S0022-1694(03)00257-9

    [12]

    SUN Y, TIAN F Q, YANG L, et al. Exploring the spatial variability of contributions from climate variation and change in catchment properties to streamflow decrease in a mesoscale basin by three different methods[J]. Journal of Hydrology, 2014, 508: 170-180. doi: 10.1016/j.jhydrol.2013.11.004

    [13]

    TIAN F, LI H, SIVAPALAN M. Model diagnostic analysis of seasonal switching of runoff generation mechanisms in the Blue River basin, Oklahoma[J]. Journal of Hydrology, 2012, 418/419: 136-149. doi: 10.1016/j.jhydrol.2010.03.011

    [14]

    XU R, HU H, TIAN F, et al. Projected climate change impacts on future streamflow of the Yarlung Tsangpo-Brahmaputra River[J]. Global and Planetary Change, 2019, 175: 144-159. doi: 10.1016/j.gloplacha.2019.01.012

    [15]

    YANG K, HE J, TANG W, et al. On downward shortwave and longwave radiations over high altitude regions: observation and modeling in the Tibetan Plateau[J]. Agricultural and Forest Meteorology, 2010, 150(1): 38-46. doi: 10.1016/j.agrformet.2009.08.004

    [16]

    XU R, TIAN F, YANG L, et al. Ground validation of GPM IMERG and TRMM 3B42V7 rainfall products over southern Tibetan Plateau based on a high-density rain gauge network[J]. Journal of Geophysical Research: Atmospheres, 2017, 122(2): 910-924. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=c9b1d569d27a488370679a0324b112fc

    [17]

    CHEN X, LONG D, HONG Y, et al. Observed radiative cooling over the Tibetan Plateau for the past three decades driven by snow cover-induced surface albedo anomaly[J]. Journal of Geophysical Research: Atmospheres, 2017, 122(12): 6170-6185. doi: 10.1002/2017JD026652

    [18]

    TIE Q, HU H, TIAN F, et al. Environmental and physiological controls on sap flow in a subhumid mountainous catchment in North China[J]. Agricultural and Forest Meteorology, 2017, 240/241: 46-57. doi: 10.1016/j.agrformet.2017.03.018

    [19]

    BICHERON P, DEFOURNY P, BROCKMANN C, et al. Globcover: products description and validation report[R]. Toulouse: Medias France, 2008.

    [20] 牛振国, 单玉秀, 张海英.全球土地覆盖GlobCover2009数据中的中国区域湿地数据精度评价[J].湿地科学, 2012, 10(4): 289-395. http://d.old.wanfangdata.com.cn/Periodical/shidkx201204002

    NIU Z G, SHAN Y X, ZHANG H Y. Accuracy assessment of wetland categories from the GlobCover2009 data over China[J]. Wetland Science, 2012, 10(4): 289-395.(in Chinese) http://d.old.wanfangdata.com.cn/Periodical/shidkx201204002

    [21]

    HE Z H, VOROGUSHYN S, UNGER-SHAYESTEH K, et al. The value of hydrograph partitioning curves for calibrating hydrological models in glacierized basins[J]. Water Resources Research, 2018, 54(3): 2336-2361. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=10.1002/2017WR021966

    [22]

    ERIKSSON D, BINDEL D, SHOEMAKER C. Surrogate optimization toolbox (pySOT)[R/OL]. (2015-01-01)[2019-07-01]. https: //github.com/dme65/pySOT(2015).

    [23]

    KRITYAKIERNE T, AKHTAR T, SHOEMAKER C A. SOP: parallel surrogate global optimization with Pareto center selection for computationally expensive single objective problems[J]. Journal of Global Optimization, 2016, 66(3): 417-437. doi: 10.1007/s10898-016-0407-7

    [24]

    HE Z H, PARAJKA J, TIAN F Q, et al. Estimating degree-day factors from MODIS for snowmelt runoff modeling[J]. Hydrology and Earth System Sciences, 2014, 18(12): 4773-4789. doi: 10.5194/hess-18-4773-2014

    [25]

    DAI L, CHE T, DING Y. Inter-calibrating SMMR, SSM/I and SSMI/S data to improve the consistency of snow-depth products in China[J]. Remote Sensing, 2015, 7(6): 7212-7230. doi: 10.3390/rs70607212

    [26]

    IMMERZEEL W W, VAN BEEK L P, BIERKENS M F. Climate change will affect the Asian water towers[J]. Science, 2010, 328(5984): 1382-1385. doi: 10.1126/science.1183188

    [27]

    BOOKHAGEN B, BURBANK D W. Toward a complete Himalayan hydrological budget: spatiotemporal distribution of snowmelt and rainfall and their impact on river discharge[J]. Journal of Geophysical Research, 2010, 115(F3).[doi: 10.1029/2009JF001426]

    [28]

    ZHANG L, SU F, YANG D, et al. Discharge regime and simulation for the upstream of major rivers over Tibetan Plateau[J]. Journal of Geophysical Research: Atmospheres, 2013, 118(15): 8500-8518. doi: 10.1002/jgrd.50665

  • 期刊类型引用(18)

    1. 谷黄河,刘宇清,王晓燕,代斌,张瀚文,付晓雷,余钟波. 基于VIC_glacier模型的拉萨河水文模拟及冰川径流研究. 水文. 2024(01): 90-95+103 . 百度学术
    2. 巢欣,李晓东,杨清,刘惠秋,杨胜娴,巴桑. 雅鲁藏布江中上游浮游植物功能群季节演替特征对水环境的指示作用. 生态学杂志. 2024(06): 1779-1788 . 百度学术
    3. 黄桂锋,孙赫,姚檀栋. 雅鲁藏布江流域奴下水文站极端降水与极端径流的关系研究. 冰川冻土. 2024(04): 1099-1112 . 百度学术
    4. 班春广,徐宗学,左德鹏,李鹏,王静,达瓦次仁. 高寒流域水文模拟与径流水源解析——以雅鲁藏布江帕隆藏布上游流域为例. 北京师范大学学报(自然科学版). 2023(01): 85-93 . 百度学术
    5. 刘可新,徐海卿,庞丽丽,郭易,李匡,梁犁丽. 实时洪水预报中基于岭估计的AR修正模型研究. 中国水利水电科学研究院学报(中英文). 2023(03): 212-221+235 . 百度学术
    6. 刘金平,任艳群,张万昌,陶辉,易路. 雅鲁藏布江流域气候和下垫面变化对径流的影响研究. 冰川冻土. 2022(01): 275-287 . 百度学术
    7. 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. 水科学进展. 2022(02): 219-226 . 本站查看
    8. 陈丹,张海涛,李萌萌,司建宁,杜军凯,邓锦辉. 宁夏水资源量评价系统的设计与实现. 水利信息化. 2022(03): 72-77 . 百度学术
    9. 胡春宏,郑春苗,王光谦,张建云,王超,姚檀栋,王焰新,赖明勇,倪广恒,王雨春,张弛,田富强. “西南河流源区径流变化和适应性利用”重大研究计划进展综述. 水科学进展. 2022(03): 337-359 . 本站查看
    10. 徐宗学,班春广,张瑞. 雅鲁藏布江流域径流演变规律与归因分析. 水科学进展. 2022(04): 519-530 . 本站查看
    11. 左德鹏,韩煜娜,徐宗学,李佩君. 气候变化对雅鲁藏布江流域植被动态的影响机制. 水资源保护. 2022(06): 1-8 . 百度学术
    12. 李步,田富强,李钰坤,倪广恒. 融合气象要素时空特征的深度学习水文模型. 水科学进展. 2022(06): 904-913 . 本站查看
    13. 李明亮,杨大文,侯杰,肖鹏,邢西刚. 黑龙江流域分布式水文模型研究. 水力发电学报. 2021(01): 65-75 . 百度学术
    14. 马鹏飞,论珠群培,张焱,次仁尼玛,逯军峰,梁爱民,张正偲. 雅鲁藏布江中游江心洲、河漫滩面积及其指示的沙源特征. 中国沙漠. 2021(03): 25-33 . 百度学术
    15. 曹文华,李亦然. SCS模型在鲁中南丘陵区典型林分中的优化及应用. 中国水土保持. 2021(06): 34-38+5 . 百度学术
    16. 杨雪,袁丹,罗军刚,张晓,魏娜,解建仓. 无资料流域径流模拟预测研究进展综述. 西安理工大学学报. 2021(03): 354-360 . 百度学术
    17. 许继军,屈星,曾子悦,袁喆,霍军军,王永强. 基于高精度遥感亮温的典型流域河道径流模拟分析. 水科学进展. 2021(06): 877-889 . 本站查看
    18. 吴鉴,李志琴,刘飞,王君勤. 国内水资源演变研究进展及对都江堰供水区水资源演变研究的启示. 四川水利. 2020(05): 113-116 . 百度学术

    其他类型引用(7)

图(6)  /  表(8)
计量
  • 文章访问数:  954
  • HTML全文浏览量:  227
  • PDF下载量:  249
  • 被引次数: 25
出版历程
  • 收稿日期:  2019-08-05
  • 网络出版日期:  2020-04-02
  • 刊出日期:  2020-04-30

目录

/

返回文章
返回