基于CORDEX區域氣候模式的大渡河流域徑流模擬

潘張榕，郭軍紅,付正輝，王書航，李 薇，陳 卓，卿 會

(1.華北電力大學環境科學與工程學院，北京 102206；2.中國環境科學研究院，湖泊水污染治理與生態修復技術國家工程實驗室，國家環境保護湖泊污染控制重點實驗室，北京100012)

IPCC第五次報告指出，在大部分未來情景下地球地表溫度將會上升[1]。在未來，高溫天數將可能增加，熱浪發生頻率也隨之增加，持續時間也將有可能變得更長[2]。對于水循環來說，未來降水量的時空變化仍然是不均勻的[3]。在全球氣候變暖的趨勢下，未來雨季與旱季、干旱地區與濕潤地區的降水差異將會更大，極端降水與極端溫度的發生頻率也會隨之增加。中國水資源時空分布不均，在氣候變化的大背景下，受暴雨、洪澇、干旱等氣候的影響，流域內徑流波動較大，因此有必要對流域徑流進行模擬預測，以防范危險[4]。水資源的合理高效開發利用需要對流域進行水文建模研究，利用先進的水文預報理論與方法，為水資源的合理優化配置提供科學的理論支撐，從與氣候變化的聯系上看，進行未來水文預報研究也有利于減少極端氣候造成的水旱災害損失，盡可能地規避風險。

目前，徑流模擬主要是利用水文模型，而水文模型的驅動一般需要氣象條件的支持，如降水、最高溫度、最低溫度、風速、輻射、濕度等氣象數據[5]。對于未來水文預報研究，同樣需要未來氣象條件的支撐。因此，如何提供較為準確的未來氣象條件成為了制約未來水文預報精確度的一個重要因素。隨著氣候研究的不斷深入，氣候模式能產出高精度的氣象數據，這為水文模型的運轉提供了強大的驅動。針對未來徑流的預測研究，有的學者在假設情景下研究未來的徑流量變化趨勢[6-7]，除了假設情景，更多的學者基于IPCC的未來情景模式來進行相關研究。常用的典型濃度路徑RCP情景是根據2100年輻射強迫水平來命名的，根據強迫水平的高低，可以分為極低強迫水平的緩解情景(RCP2.6)、2個中等穩定情景(RCP4.5、RCP6)和1個非常高基線情景模式(RCP8.5)[8]。在未來情景的基礎上，Joseph等[9]對美國新澤西州內2個流域的校準水文模型的模擬流量進行偏差校正，通過統計降尺度縮小GCMs的誤差，對歷史及未來2041—2099年徑流進行模擬預報。Tariku等[10]在RCP2.6和RCP8.5情景下，利用3種水文模型，在GCMs驅動下，驗證了模型在藍尼羅河流域的適用性。Qiu等[11]利用SWAT水文模型和5個降尺度GCMs(GeneralCirculation Model)，分別在RCP2.6、RCP4.5和RCP8.5情景下，研究氣候變化率對未來密云水庫區水質的影響，并依據預報結果對流域進行相應調整。Holtzman等[12]研究了WRF區域氣候模式與MP陸面模式耦合的能力，結果表明，在適當物理參數下，氣候和陸面耦合模型可以用來研究氣候變化對庫區徑流的影響。

目前的研究中，很多學者采用GCM的未來氣候變化情景數據來驅動水文模型，但GCM的空間分辨率粗糙，在區域或局地尺度上模擬效果不佳。也有在GCM基礎上使用RCM區域氣候模式來提高空間分辨率，但往往使用單一的RCM，忽視了不同物理模型帶來的未來不確定性問題。聯合區域降尺度試驗(Coordinated Regional Downscaling Experiment,CORDEX)中的高分辨率區域氣候模式已被廣泛用于評估未來氣候變化趨勢，具有分辨率高、模式數據齊全等優點。如蔡文君等[13]基于CORDEX數據集3套區域氣候模式降水和溫度數據，驅動SWAT模型探討氣候變化對碧流河流域未來徑流變影響，認為可以解決徑流不確定性問題。Guo等[14]研究5套CORDEX區域氣候模式在青藏高原地區的模擬能力，證明可以解決分辨率低的問題。因此，本文基于CORDEX數據集下的6套區域氣候模式集合，驅動SWAT水文模型，探討氣候變化對未來大渡河流域的徑流影響。

1 數據和方法

1.1 研究區域概況

大渡河發源于四川省內果洛山南麓，以瀘定和樂山市銅街子劃分上中下游，最后匯入岷江，是岷江最大的支流。大渡河流域面積7.74×104km2，年均徑流量60.3 m3/s。除此以外，大渡河流域四面環山，海拔高，流域年降水量在800 mm左右，年內降水主要集中在5—10月[15]。流域面積寬闊，植被條件良好，降水豐富、冰山積雪，具有極高的水電開發潛力。

1.2 數據

所涉及到的數據包括大渡河流域數字高程數據(Digital Elevation Model，DEM)、土地利用數據、土壤類別數據、氣象數據和徑流數據。其中，DEM數據為地理空間數據云平臺SRTMDEMUTM 90M分辨率數據；土地利用數據為2000年中國土地利用現狀遙感監測數據，分辨率為1 km，來源于中國科學院資源環境科學數據云平臺；土壤數據為世界土壤數據庫( HWSD V1.1) ，來源于寒區旱區科學數據中心，分辨率為1 km[15]。氣象數據來源于中國氣象數據網，選用大渡河境內2個氣象站點(樂山站和峨眉山站)1970—2005年逐日降水、最高溫度和最低溫度數據作為SWAT模型的觀測數據輸入。水文數據為銅街子站點的1970—2005年的年徑流數據，用于模型的參數率定和驗證以及之后對徑流變化的分析中。未來氣象數據為CORDEX集氣象數據。本研究將使用由CNRM-CERFACS-CNRM-CM5、ICHEC-EC-EARTH、MOHC-HadGEM2-ES和MPI-M-MPI-ESM-CR邊界條件驅動的CCLM5-0-2和REMO2015區域氣候模式進行未來氣候研究，相關模式見表1。大渡河流域水系及氣象水文站點見圖1。

表1 CORDEX數據集

圖1 大渡河流域地形

1.3 研究方法

1.3.1SWAT模型及評價方法

SWAT(Soil and Water Access Tool)模型由美國農業部開發，是比較常用的半分布式水文模型，可以實現中長尺度的模擬，如大型流域的徑流模擬、土地利用管理、水環境評估、水質模擬等領域[17]。

通過SWAT模型指出在校準和驗證過程中對流量影響最大的重要參數的方法稱為靈敏度分析。為了對SWAT的模型參數進行率定和驗證，使用專門進行SWAT模型率定和驗證的SWAT-CUP軟件[18]，以1970—1974年為預熱期，1975—2000年為率定期，2001—2005年為驗證期，進行參數率定，選用Sufi2不確定性分析算法進行SWAT模型參數率定[19]。

對于SWAT模型率定結果，一般選用納什效率系數(NSE)和決定系數R22個指標來進行評估，NSE反映的是模擬徑流與觀測徑流的吻合程度，NSE越接近1證明吻合程度越高，R2代表模擬值與觀測值的相關程度，其值越接近1證明相關性越高。同時，為了評估模擬值的可信度，又新增了相誤差指標對率定結果進行評估。NSE、R2和RE計算式分別為：

(1)

(2)

(3)

式中Qo——實際觀測徑流值，m3/s；Qavg——實際觀測徑流的平均值，m3/s；Qs——模擬徑流值，m3/s；Qs,avg——模擬徑流的平均值，m3/s。

當NSE、R2均大于0.5時，可以認為模型能夠較好地體現出研究區的徑流過程[20]。

1.3.2逐步聚類算法

由于CORDEX數據集中的區域氣候模式本身帶有不確定性誤差，因此在用區域氣候模式氣象數據驅動SWAT水文模型之前，需要先對模式誤差進行校正。本文先采用逐步聚類算法(Stepwise Cluster Analysis,SCA)對模式歷史誤差進行校正，并判斷校正結果，在滿足校正要求的基礎上對未來氣象數據進行偏差修正[21]。

SCA法采用1970—2000年的歷史氣象數據作為觀測值，CORDEX數據集作為模擬值，在SCA的基礎上建立觀測值與模擬值之間的統計關系?；赟CA訓練的對應關系，輸入CORDEX數據集2001—2005年氣象數據，通過比較SCA輸出校正值與實際觀測值之間的誤差，判斷SCA算法對CORDEX數據集模式數據的校正水平。假定未來氣候變化規律依然遵循以上訓練關系，以未來不同情景下的模式數據作為輸入，即可得到未來不同情景下校正的“觀測值”。技術路線見圖2。

圖2 技術路線

2 結果與討論

2.1 氣候模式的校準

2.1.1歷史數據驗證

采用SCA方法對歷史時期(1970—2000年)CORDEX的6個RCM數據進行了校正。將6種GCM驅動的區域氣候模式數據作為大尺度預報因子(X)的輸入，以同期氣候站的實際觀測數據作為區域小尺度預報變量(Y)的輸入，建立X與Y的函數關系，進行樣本訓練。從圖3、表2可以看出，逐步聚類算法可以較好地校正降水量的偏差，經校正后的降水量，與實際觀測值較為接近。結果也表明，逐步聚類算法極大地降低了粗分辨率氣候模式結果的誤差。

a)月均降水量

b)月均降水量誤差

表2 CORDEX模式歷史降水量校正效果對比 單位：mm

同理，從圖4、5和表3、4中可以看出，經過SCA校正過的月均最高溫度和最低溫度準確度均有了顯著提升。最高和最低溫度校正數據誤差較小，其中，最低溫度的校正效果最好，誤差基本穩定在5℃以內。綜上所述，采用的SCA方法可以有效降低CORDEX數據集的誤差，并可將修正后的未來氣象條件用于驅動SWAT模型生成不同氣候排放情景下的徑流。

a)月均最高溫度

b)月均最高溫度誤差

a)月均最低溫度

b)月均最低溫度誤差

表3 CORDEX模式歷史月均最高溫度校正效果對比 單位:℃

表4 CORDEX模式歷史月均最低溫度校正效果對比 單位:℃

2.1.2未來氣候變化

為了減少單個模式帶來的不確定性問題，采用校正后的6個區域氣候模式均值分析大渡河流域未來降水和溫度的變化趨勢。從圖6中可以看出，相對于基準期2001—2205年，在RCP4.5和RCP8.5情景下，未來年降水量將有小幅增加(小于200 mm)，且RCP8.5情景下的降水量不確定性更大。

a)RCP4.5

b)RCP8.5

年最高溫度和最低溫度變化趨勢見圖7、8，在2種情景下，未來年均最高溫度和最低溫度均高于基準期，且在2030—2065年呈現增加的趨勢，RCP8.5情景下的增加趨勢比RCP4.5情景下的明顯。在RCP8.5情景下，未來溫度的變化將會更加劇烈，說明高排放情景下的氣候變化具有更多的不確定性。

a)RCP4.5

b)RCP8.5

同理，在2種情景下，未來年均最低溫度的變化趨勢見圖8，從圖8中可以看出，未來年均最低溫度變化趨勢與年均最高溫度高度一致，同樣是高于基準期溫度且逐步上升，在RCP8.5情景下不確定性變化更大。

a)RCP4.5

b)RCP8.5

綜上，未來大渡河流域內降水量相對基準期會有所增加，年最高最低氣溫相對于基準期也呈現增加趨勢。因此21世紀中葉以后，氣候的不確定性將會增大，流域內氣溫最高和最低氣溫的變化幅度較大，RCP8.5情景下各模式間不確定性較大。

2.2 水文模型的校準與驗證

在SWAT-CUP中，使用SUFI算法對SWAT模擬結果進行參數率定。以1970—1974年為預熱期，選取1975—2005年31年的年實測徑流數據，對SWAT模擬徑流進行參數率定。從相關系數來看(表5)，銅街子水文站總體模擬結果的相關性非常好，模擬期和驗證期R2均大于0.8，表明模型模擬結果和實測結果的相關性很好。率定期和驗證期的納什系數均大于0.6，滿足模型模擬要求。從相對誤差來看，率定期和驗證期絕對誤差分別為 0.69%、5.91%，說明模擬值可信度較高。綜上所述，該模型可以應用于大渡河流域年尺度的徑流模擬中(圖9)。

表5 大渡河銅街子水文站年徑流模擬結果評價

2.3 未來徑流模擬

以率定好的SWAT模型為基礎，將校正后的2030—2065年逐日降水、最高溫度和最低溫度數據作為氣象條件輸入SWAT模型，預測大渡河流域未來不同RCP氣候情景下的年徑流變化情況(圖10)。

結果顯示，未來大渡河流域的年徑流整體呈增加的趨勢，且RCP8.5情景下的變化幅度要大于RCP4.5,徑流變化峰值點與降水、氣溫的峰值點一致。2050年以后，大渡河流域徑流量明顯增加，發生洪水災害的概率也將顯著增加，同時，在2種情景下，2050年之后基于不同模式數據輸出的徑流波動也明顯增大，說明在21世紀中期，徑流不確定也將顯著增加，因此對大渡河流域未來水資源的預測和管理就顯得尤為重要。在大渡河流域，未來氣溫的上升將導致水資源蒸發速率的增加，但在這2種情景下，流域徑流未來仍將呈現增加趨勢。除了降水補償外，還有一些因素可能會對該流域徑流產生影響。一方面，盆地上游以降雪為主，積雪期較長，氣溫升高會使冰雪融化速度加快，導致大渡河流域徑流量增加[22]。另一方面，大渡河流域植被覆蓋度高，對氣候變暖具有較強的調節能力，能有效減弱蒸發損失[23]。

圖9 大渡河銅街子水文站年徑流模擬結果

a)RCP4.5

b)RCP8.5

3 結語

基于CORDEX區域氣候模型，對大渡河流域2035—2065年的降水量、最高氣溫和最低氣溫進行了模擬。采用逐步聚類分析方法對CORDEX數據集進行校正，利用SWAT水文模型對大都河流域未來徑流進行模擬。

a)使用逐步聚類算法對6種CORDEX數據集RCM進行偏差校正，校正后的結果與歷史實測數據進行比較，發現在年尺度上降水、日最高溫度和最低溫度的校正效果較好，證明SCA算法在氣象數據校正應用上具有一定的適用性，但是對于降水數據，SCA算法會增加年內各季節間降水量的誤差。

b)在氣候變化背景下，未來2030—2065年大渡河流域的年降水量基本穩定，但對比基準期來說年降水量會有所增加。日最高溫度與最低溫度相對基準期來說也會增加，但是在研究年限內依然會持續增長。對于降水和溫度，在RCP8.5情景下的不確定性均大于RCP4.5情景，且2種情景下21世紀中期之后變化不確定性均有所增加。

c)與基準期相比，大渡河流域2035—2065年年徑流量總體上呈增加趨勢。21世紀中期以前，徑流變化不明顯，之后2種情景下的徑流量都呈顯著增加趨勢，且徑流變化不確定性也會顯著增加。流域徑流變化不僅受降水量的影響，還受冰山融雪及植物蒸散發的影響。