文摘

降水是水文预报的核心数据输入。降水预报的不确定性数据预测水文模型会导致糟糕的性能。雷达降水测量提供了优于地面测量的定量估算降水的时间和空间方面,但这种方法固有的错误仍然会降低性能。使用数据从湖北白莲河,中国,五个方法被用来同化雷达降雨数据转换的分类关系,postassimilation数据被雨与降水测量仪表。五套吸收降雨数据被用作Xinanjiang模型的输入。降水数据输入错误径流模拟的效果通过扰动输入数据使用的方法,定量地分析增长模式的繁殖方法。实际应用的结果表明,统计权重集成和变分同化方法优越。相应的洪水水位曲线的预测性能也更好的使用统计权重集成和变分方法比别人。发现雷达降雨数据的错误被增长模式的繁殖已经倾向于积累通过水文模型。

1。介绍

洪水是一个风险与潜在生命损失的严重后果,位移的社区和经济成本。可以减少的风险发出警告和实施计划避免威胁的反应。这依赖于获得准确的实时预报洪峰大小和时间和持续时间短时预测的时间尺度(约2小时)和短程预测(~ 1 - 2天)。所需的时间被转化为径流和降雨转达了下游通过渠道是充分预测洪水可以使用最近实际降雨量数据而不是不准确预测降雨。因此,准确的降水数据的关键是洪水预报的输入(1]。这些数据通常是来自一个自动的雨量数据网络,建立根据已建立的标准,不断以很短的间隔测量降雨量体积与一个可接受的精度。出于实际的原因,网络中的密度指标往往会过低正确描述整个流域的降雨的时空分布。未能捕获数据关于风暴的强度主要细胞会导致低估洪水峰值大小和时机。天气雷达提供了一个替代方法捕获的降雨数据,有可能克服这种限制的雨量计网络或增强来自网络的信息。雷达回波提供实时、高空间分辨率信息云范围和厚度、进化和风暴的旅行方向细胞,和降水分布,但一定程度的不确定性,可以考虑不到理想可靠的洪水预报。radar-derived降雨数据的准确性可以提高通过校准使用数据同化技术观测数据(2- - - - - -4]。数据同化的过程是指将观测数据纳入系统的模型的数值模型和采用情况可用的观测系统的数量远小于指定模型状态所需的数量。Postassimilation降雨数据可以输入到分布式水文模型更准确地预测洪水水位曲线特征(5- - - - - -9]。

在实际应用中已取得相当大的进展的表面估计降雨天气雷达。例如,英国气象局使用网络13天气雷达提供2公里×2公里网格雷达回波数据每隔5分钟,以及一种基于雷达数据的外推每30分钟,实时生产和积累。降水预报提供每6小时(10]。美国气象局的国家河流预报系统自1990年代初以来,结合天气预报和洪水预测模型传播洪水警告(11]。降水输入数据来自卫星,地面雷达和降雨指标。172年中国成立了一个网络新一代多普勒天气雷达,实现了实时数据传输每6分钟,提供了综合气象雷达数据。这有助于提高突然的监控潜在的灾难性的天气和改善了暴雨灾害预警服务(12]。

概念性水文模型的性能在很大程度上取决于降雨数据的质量,还对参数值的选择和模型结构。理想情况下,参数优化的使用历史洪水事件,但模型的性能也在某种程度上依赖于专家的判断,可以通过模型的结构是有限的,这是一个简化的复杂的水文过程(13- - - - - -15]。模型结构和参数的不确定性已经收到关注(16- - - - - -20.),与质量相关的不确定性的降雨数据输入21,22]。误差通过远距离降水数据将传送,并可能放大,通过水文模拟的过程。本文探讨了洪水预报的不确定性的性质因传输与同化雷达降雨数据相关的错误。

本文的数据同化方法校准(AVG),平均最优插值(选择),卡尔曼滤波器(荷航),统计集成(瑞士),重量和变分校准(VAR)是应用于雷达降雨数据转换的分类- - - - - -(雷达reflectivity-rainfall率)关系,然后结果是与降水数据从雨量计观测网络。降雨数据被用作输入Xinanjiang水文模型来预测洪水成因使用五套同化雷达降雨数据和未校准的分类(加州大学)降雨数据的关系。本文提供了关键的描述性分析的主要同化方法和错误洪水预报的不确定性的影响使用新数据集的白莲河流域,中国。本文的小说方面是量化的影响降雨输入错误的传播模拟洪水事件最大流量大小,洪水事件体积和洪峰时机。这是通过干扰雷达降雨数据使用越来越多的育种模式(BGM)方法。

2。研究区域

白莲河,位于湖北省,中国,集水面积1797公里²。它的源头在大别山,它形成一个midcatchment Xishui河的支流,流入长江下游(图1)。流域位于亚热带季风气候区,冬季寒冷干燥,夏季炎热潮湿,独特的气候季节性。年平均温度为16.7°C,年平均降水量1366毫米,多数从6月到8月。在雨季,暴雨发生的频率和强度高,通常和收敛时间短导致洪水成因与快速利率的上升和下降。

3所示。数据和方法

3.1。数据集

白莲河流域有19日雨量数据和一个水文站出口(图1)。本研究使用每小时雨量纪录数据从2005年到2006年。雷达数据是来自新一代多普勒天气雷达位于武汉2005年和2006年的洪水季节。研究区位于雷达半径内的150到250公里。一般来说,0.5°海拔(23)反射率因子计划位置指示器(PPI)是用于开发的转变的关系。雷达估计降雨量化在1公里×1公里网格在一个小时的时间步骤。(表八暴雨选择分析1)。这些事件的总采样周期是222小时。

3.2。基于雷达的降雨数据同化

3.2.1之上。平均校准(AVG)

AVG是一个简单和精确计算方法地区降雨体积(24,25),雨量数据用于计算均值校正因子: 在哪里的实际降雨量站和空间站的雷达反射速度。AVG是应用的越来越多通过给地区雨量分布。的情况不一致的空间格局的降雨量一个感兴趣的领域,许多地区AVG因素可以计算。

3.2.2。卡尔曼滤波器(荷航)

在雷达降水测量,不仅存在系统错误产生的不稳定雷达功能也随机误差由于不稳定的关系和风场的影响。这些随机误差被称为噪声。荷航旨在找到校正因子的最优估计从噪声数据。

荷航的基本理论26,27是,如果和,两个独立变量的估计,可以得到不同的方程之间的关系,,是 在哪里是一个权重因子。确定的标准校准的方差最小化吗。荷航用于确定重量,与观测数据的输入和输出的最优估计。荷航算法是一个实时的递归滤波器,使用输入数据和计算之前的状态。实时递归滤波器,与估计的准确性提高连续观测的数量增加。

3.2.3。最优插值(选择)

选择方法使用雷达降雨数据来源于回声作为初始假想背景气象场然后纠正这个使用的线性组合之间的差异这第一个猜,从雨仪表观测数据。加权函数是由预期的平方误差最小化的数据(28,29日]。一种选择通常是表示如下: 在哪里分析(第一个猜测)值在一个网格单元内插,是一个观察(第一个猜测)值在观测点吗,代表一个加权函数的观察点。最优权重计算假设错误是公正的,不相关的,可以表示为 在哪里代表了初始假想错误两个任意网格点之间的相关系数。

3.2.4。变分校准(VAR)

VAR方法(30.,31日)使用雷达和gauge-measured降水为每个观测点达到校正因子(),然后获得在每一个网格单元通过插值。接下来,一个最佳的校正因子之间的平方和最小化错误和是寻求。最后,分析了降水在网格中是 在哪里()是分析(雷达)在网格的值。

3.2.5。统计权重集成(瑞士)

瑞士法平均结果降水强度分布,导出了方法根据权重取决于误差统计的倒数。

错误,在那里是输出的价值th法在网格和是自动雨量计的测量值在同一网格。误差方差,在那里每种方法的平均误差。各种方法的误差方差的倒数通常是用作集成分析的重量。整合后的结果 在哪里估计的结果吗网格集成后。

3.2.6。评估标准

绝对误差(AE)和相对误差(RE)作为标准来评估五个同化方法。Nash-Sutcliffe (NS),最大相对误差(前)和峰值时间差异(输配电)被用来评价水文建模的结果。 在哪里在时间步是预测河流吗,在时间步是观察吗,而的意思是观察,代表总数的观测,在时间步是预测最大流量吗,同时测量的最大流量,预计的高峰时间,是观察到的高峰时间。

3.3。Precipitation-Runoff模型

Xinanjiang模型由赵(32)已成功应用广泛,从降水预测径流在潮湿和semihumid地区(33]。这个模型总结不产生径流,直到曝气区的土壤含水量达到田间持水量,然后降雨径流等于过剩没有进一步的损失。它包括三个子,一个三层蒸散子模型,径流生成子模型和径流路由子模型。许多研究已经描述了详细的结构模型(32- - - - - -35]。模型的输入是日常区域降水和蒸发锅,每天观察放电用于校准。输出是模仿日常排放在流域出口和估计流域的实际蒸散36]。水平衡方程的模型可以表示如下:如果 如果 在哪里径流,是有效的降水等于降水-蒸发,是初始排水和蓄水相对应的纵坐标值吗,是集水的最大存储容量,是区域意味着紧张的水容量,由每个土层和代表干旱的能力,然后呢是一个参数,表示水的异构存储容量的集水。

能够合理地描述了蒸散过程,土壤剖面分为三层:上部土层,土层越低,最深的一层。如果上层的水分充足,蒸发=上层的蒸发量。如果不是,所有上层水蒸发,蒸发剩余来自较低的层。如果水含量较低的层是不足以满足剩余蒸发量,最深的层中的水会蒸发。

生成的径流分为表面流,交流,和地下水使用稳定的渗透。总径流可以通过一个线性系统路由之前到达出口的排水37]。流的路由使用Muskingum或分段连续的算法。考虑到降雨的不均匀分布和底层表面的性质,将流域分为一组subcatchments使用一个适当的方法,比如Thiessen多边形。最后,总流域径流后获得每个subcatchment成因的网点模拟和洪水路由应用(35]。

3.4。不确定性方法

研究水文预报的不确定性主要集中在模型参数和结构,而不是输入数据的质量。托斯和Kalnay38)推荐扰动扰动的初始条件字段代表的错误出现在分析,然后利用这些扰动的输入模型不确定性分析的输入。主要的方法产生扰动,反映了最初的不确定性是蒙特卡罗,奇异向量,繁殖增长模式(BGM)。蒙特卡罗是一种统计方法,样本数量越少越小强大的统计数据。然而,通常样本数量是非常有限的,随机选择初始值不完全匹配的动力模式。虽然接近实际天气在初始时间,预测结果往往偏离迅速从实际的大气条件由于模式本身的调整(39]。奇异向量法能更好地处理许多nonquantitative假设数据同化,增加乐团成员的数量,更容易捕获产生的错误分析。它还可以确定最快的方向扰动和有更好的分散。该方法的缺点是忽略错误的组件不会长和计算是乏味的40,41]。

托斯提出的BGM和Kalnay38,42)设计模式越来越多的错误是如何培育和维护在一个传统的短期预测,分析连续循环使用的繁殖模式提供一个估计的误差增长领域的分析。增长率得到该方法优于蒙特卡罗方法,甚至高于落后平均增长率的预测。生成一个特定的微扰公式: 在哪里是随机扰动场和是扰动振幅系数。为了使扰动幅度不要太大,设置等于1。Rmse之间的均方误差测量降雨量和降雨估计从雷达数据同化。兰德是一个随机分布函数是均匀地分布在−1和1之间,在方程(43)产生一个均匀分布的随机数是 在哪里是一个均匀分布的随机数,属于。

使用八个风暴事件的测量数据从19雨量计站和雷达估计荷航校准的方法,100套的随机扰动场产生了BGM每个事件的初始扰动。然后200套每个事件的干扰,形成扰动场的叠加和扣除后,被用作Xinanjiang水文模型的输入。八个风暴事件,这导致了1600年预测成因。降雨输入错误的传播的影响径流模拟量化使用前文所述的三个拟合优度统计数据。

4所示。结果与讨论

4.1。同化雷达降雨数据的评价方法

比较五种同化方法的无标定和校准结果(表八风暴事件2)透露,在方法中,瑞士的方法产生的结果最接近观测数据,其次是VAR方法,平均绝对误差小于瑞士的方法。下一个最好的方法是选择方法,其次是荷航法和,最后,AVG的方法。结果的平均值(表8风暴事件2)允许快速的比较的相对表现五同化方法。

AVG,区域总降水估计的准确性提高校准后,和准确性将进一步提高更多的雨量数据。AVG的方法的一个问题是,它不占位置的变化强烈的风暴期间降雨事件的焦点。AVG不能独立分配点更大的权重确定是特别感兴趣的,它没有考虑的代表性派生的数据自动雨量数据和雷达回波。这些问题解释AVG方法的性能相对较低。

变量地形、天气条件和降水强度给予高度的空间和时间变化对数据同化雷达降雨数据,提出了一个挑战。结果表明,荷航的数据同化方法,以其强有力的理论基础和考虑误差的分布确定校准系数,产生一个更好的结果比AVG的方法。荷航的方法可以提高精度,减少之间的相对偏差和分散度降雨雨量计和雷达数据和消除nonrainfall回声的入侵降雨估计。这种方法校准雷达估计雨量分布场在时间域而不是降水的空间结构错误,这意味着它更适合稳定的层状云降水和校准的雨量数据密度较低的地方。这些可能是关键因素限制荷航的校准精度的方法。雨云的空间结构和分布是复杂多变的,混合对流降水是常见的一种现象。在这种情况下,选择和VAR方法,相似的结果(表2),比荷航的方法。这种相对性能差异也适用于高密度的雨量数据的地方。虽然每个降水校准模型也有其自身的优势,根据条件瑞士结合其他四种方法的优点,给一个适当的权重计算。在此基础上瑞士的方法应该是优于其他数据同化方法测试(44),这是支持的结果(表2)。

散点图的每小时测量降雨和未校准和校准雷达降雨(图2)说明了良好之间的协议雨量分布瑞士获得的方法和测量降雨量。VAR和选择同化方法也表现良好。荷兰皇家航空公司和美国航空志愿队(飞虎队)方法产生了明显较贫穷的结果(图2)。

4.2。水文模型洪水水位曲线的预测

Xinanjiang水文模型应用在白莲河流域降雨和考虑时间和空间变化的非线性影响流域地形、河道径流集中和分散的特点流入和非线性收敛。模型参数校准的方法。(45]。三大股指确定性因素,相对误差峰值,峰值时间被用来评估洪水预报结果的差异。拟合优度统计(表3成因(图)和模拟3)表示,瑞士的方法、选择和VAR优越为风暴自记水位计造型生产降雨输入数据。特别是瑞士模拟成因与观测数据几乎完美的协议。荷航的降雨数据生成的方法,AVG,加州大学领导不满意自记水位计的预测。

4.3。水文预报的不确定性分析

预测结果的相对误差增加后吸收降雨数据被随机扰动与原状最大流量相比,洪水卷,高峰时间的差异。洪峰和洪水卷分别增加了5%和8%,分别为(数字4和5),这意味着该模型输入错误时增加通过水文模型处理。同时,大多数预测的高峰期滞后(图观察到倍6)。

水文模拟的降水输入数据误差的一个重要来源错误预测洪峰,洪水卷,高峰时间。因此,传播的降水径流预测的不确定性有很大的影响。在中国,实际应用通常采用定性降雨预测和假设降雨输入,这将影响到预测期和洪水预报的准确性。目前,提供的降雨预报精度和分辨率数值天气预报(NWP)不能满足定量洪水预报的需求,这种情况可能在可预见的未来继续存在。天气雷达和卫星遥感(SRS)可以执行一个重要的角色在定量降水预报。利用降水预测得到的SRS作为输入水文模型模拟和预测径流需要进一步研究的关注。这可能是一个关键的一步提高洪水预报的准确性。有必要开发方法相结合和吸收SRS数据和观测数据从雨仪表生产更好的降水预报。SRS有足够高的空间和时间分辨率来有效地描述的瞬时分布在流域降水,而雨量数据可以提供高精度单点观测。

洪水的产生是一个复杂和动态的过程。造型可以提高这个过程通过使用降雨输入数据与高空间和时间分辨率。如何最好地利用降雨来自多个源的信息,包括衡量网络、雷达、卫星监测,要解决的关键问题之一,水文建模和预测。

5。结论

因为洪水带来的高水平的风险,特别是洪水,关键是警告程序利用准确的短时预测和短程径流预报能力。降水数据是最重要的输入水文模型用于预测成因。虽然降雨数据通常是来自一个网络指标,另一种方法是气象雷达探测器,提供优越的空间和时间分辨率但代价较低的精度和准确性。本文研究了降水数据同化方法的目标提高雷达降水估计的质量作为一种实现更可靠的洪水预报。使用数据从一个网络的雨量数据在湖北白莲河,中国,和天气雷达探测器的数据位于附近的武汉,5建立同化雷达数据估计的分类方法应用的关系。同化数据与实际降雨量数据,然后使用在水文模型来预测历史洪水成因。最后,BGM用于雷达数据评估的扰动的影响降雨径流模拟数据输入错误。这项工作带来的主要结论如下:(1)统计权重集成、变分校准和最优插值数据同化方法优越,而卡尔曼滤波器和平均校准方法给了一个不太满意的结果。(2)为造型风暴事件成因、降雨统计重量产生的数据集成、变分校准和最优插值方法导致成因的最适合的测量数据。降雨数据生成的平均校准和卡尔曼滤波的数据同化方法导致不满意自记水位计的预测。(3)生成的随机误差模型的输入过程中倾向于增加运行的水文模型。此外,大多数预测洪峰时间滞后。(4)作为水文气象学的预测变得更加广泛使用和开发的数据采集方法,将会有一个持续的输入数据的不确定性评价的必要性。(5)本文提供了关键的描述性分析的主要同化方法和错误的影响洪水预报的不确定性。它表明,气象雷达有潜力提高水文预报的精度,这对提高防汛减灾。降雨输入错误的传播的影响在三个模拟水文预报是量化的因素。

相互竞争的利益

作者宣称没有利益冲突有关的出版。

确认

这项研究得到了中国国家自然科学国家重点项目(没有。51339004)和中国国家自然科学基金(没有。51279139)。