未来30年金华江流域的径流与枯水指数计算

　　前言
　　
　　气候变化日渐成为世界关注的问题。气候变化背景下，各个水文要素，如降水、蒸发、径流乃至整个水文循环都发生了不同趋势的变化。许多专家就气候变化对水文循环的影响做出了预测和评估，这些评估涉及到降水、温度、径流和水资源等各个方面[1,2].枯水水文是水文学的重要组成部分，与人类社会生活、经济活动以及自然生态密切相关[3].气候变化的加剧和工农业用水的急剧增加，使得枯水期水资源的问题影响到供水、农业和生态安全。但与传统水文相比较，枯水水文研究还处在相对被忽视的阶段。我国的枯水水文从 50 年代开始发展，到 80 年代才得到大面积开展。近年来，一些学者对枯水开展了一系列研究，并取得了一些成果。然而，在已知的研究中，甚少有人结合统计降尺度模型和水文模型来分析未来枯水径流的变化趋势。本文使用统计降尺度中的 SDSM 模型来模拟钱塘江支流-金华江流域五个主要站点未来2020s（2011-2040 年）的日降水和金华站的日最高和最低温度，并结合萨克拉门托水文模型，计算了未来30 年（2011-2040 年）金华江流域的径流。在此基础上，分析其枯水指数 7Q10 和 30Q10 的变化趋势。
　　
　　1 研究方法
　　
　　1.1 数据来源
　　
　　金华江是钱塘江的支流之一，主源是东阳江北江，发源于磐安县龙乌尖，汇于衢江，全长 195km,比降 3.1‰。流域面积 5990 平方公里。本文研究对象为金华江金华站点以上的流域范围。研究所用的原始数据为 1961-1990 年的逐日实测气象和水文资料，包括降水、温度和径流等。各气象站点信息如表 1 所示。【1】

　　本文采用的 GCM 是英国哈德利中心的 HadCM3,采用的温室气体排放情景是 IPCC AR4 中的 SRES 情景中的 A2 和 B2 情景。在情景 A2 中，人口持续增长，人均经济增长和技术变化有明显地方性，全球化不明显；B2 情景是人口增长低于 A2,经济中等发展，技术更多样化，侧重于从局地解决经济、社会和环境可持续性问题的情景[4].

　　1.2 SDSM 模型
　　
　　本文中，预测期 2020s 的降水和最高最低温度使用 SDSM 模型[5]进行计算。其中最高和最低温度用于计算流域潜蒸发。SDSM 模型是统计降尺度的一种。统计降尺度的统计关系是建立于大尺度气候状况和下垫面各种特征之间的，依靠多年观测资料与地域特征建立。统计关系需要有独立的观测资料检验，然后把这种关系应用于 GCMs 输出的大尺度气候信息，来预估区域未来的气候变化情景[6].统计降尺度的目的是建立大尺度气候预报因子和预报量的函数关系，从而在三个假设条件下，即大尺度气候场和区域气候要素之间有显着的统计关系，大尺度气候场能很好的被 GCMs 模拟，建立的统计关系不因为气候情景变化而失效[7],实现大尺度气候信息的降尺度。SDSM 方法是统计降尺度的一种具体方法，已经在我国多个地区应用，它结合了天气发生器和多元回归来进行降尺度计算，其核心部分是预报因子的筛选，具有易于操作，计算快捷，结果可靠等优点。

　　1.3 水文模型
　　
　　萨克拉门托模型是一个概念性水文模型，已应用于多个流域，在中国南方地区也有应用。在模型中，流域面积被分为三个部分，分别是透水、不透水和可变不透水三个部分。模型要求的输入数据为实测的日降水、潜蒸发和径流以及未来的降水和潜蒸发。输出的结果是模拟的径流。模拟后的径流分四个部分，分别是来自透水面积和可变透水面积的直接径流，上层土壤水容量满足后过剩降水形成地表径流，来自上层自由水的壤中流，以及来自下层自由水的地下径流。

　　本文的输入数据为金华江流域基准期的降水，潜蒸发和径流的日序列，而未来的降水和温度则由 SDSM模拟计算而得。水文模型率定和验证的优化方法采用遗传算法，并以 Nash 效率系数系数作为第一目标函数，以 Grayson（1996）定义的基流函数[8]作为辅助目标函数，以提高对枯水的模拟能力。

　　潜蒸发量通过 HARGREAVES 方法计算，公式如下[9]:【2】

　　
　　2 计算结果
　　
　　2.1 SDSM 模拟检验
　　
　　为了验证 SDSM 模型的可靠性，将基准期的实测数据与模拟数据相比较。美国国家环境预报中心（NCEP）的全球再分析资料通常在气候模拟研究中作为驱动来检验模拟的结果。因此，本文选用 NCEP 再分析数据作为 SDSM 的驱动，来生成模拟数据，检验其可靠性。由于降雨站点较多，这里故选取八达站为例。温度的比较选取金华站的日最高温度为例。比较的目标分别为日降雨量最大值，日降雨量均值，日最高温度的最大值以及日最高温度的最小值。比较结果如图 1 所示。分析图表可知，日降雨量的平均值、日最高温度的最大值和最小值实测值与模拟值拟合程度较高，而日降雨量的最大值在夏季的拟合程度较差。这表明，SDSM能够较好模拟温度和降雨量的时间序列，但在夏季，由于有多个影响因素的存在，日降雨量的最大值模拟的准确性会受到十扰。

　　2.2未来降雨量预测
　　
　　以八达站为例，选取p5 v CSOOhPa高度径向风速），p8_z C800hPa高度涡度），r500 CSOOhPa高度相对湿度），r850 C 800hPa高度相对湿度），rhum（表而相对湿度）作为预报因了。预报因了与刘吕明[7]关于SDSM模型预报因了的总结相吻合。实测数据和两种不同情景下的模拟数据在不同重新期下的值如图2所示。结果表明，除了夏季的五月、六月和九月，两种情景下的未来平均降雨量都有所增加，其中七月份的增LLJ隔度最大，而情景A2和情景B2的区别较小，目不具备明显的规律。降雨极值方而，则出现了较大变化。除了六月、八月和九月外，模拟值比预测值都有较大的增长。这说明在气候变化影响下，金华江流域在未来30年在降水方面更容易出现极端天气。
　　
　　2.3潜蒸发计算
　　
　　潜蒸发的计算由日最高温度和日最低温度计算而得，其中未来30年的日最高温度和日最低温度由SDSM模型模拟而得。以日最高温度为例，选取m alp C海平面气压），p500 CSOiOhpa的位势高度），shum（地表比湿），temp（地表平均温度）作为预报因子。模拟温度与实测温度以及潜蒸发比较如图3所示。分析图表可以发现，预测期与基准期相比较，最大位有明显增大的趋势，情景A2比情景B2增加的幅度更大；均值增长幅度较小，两个情景没有明显区别；极小值方面，除了七月、八月和十一月，都呈现出减小的趋势；从一月到九月的潜蒸发均值也相应呈现出增长的趋势。这表明在气候变化影响下，未来二十年的金华江流域将出现更多的极端天气，高温将更高，低温则更低。这和众多学者关于气候变化的预测相符。
　　
　　2.4径流模拟结果
　　
　　预测期的径流用萨克拉门托模型模拟而得。模型使用遗传算法按日率定，率定结果表明，枯水的模拟值与实际值比较略微偏小，但模型的Nash效率系数达到了0.84,即总体能较好的模拟未来的径流。模型率定效果见图4.2.5枯水指数计算==为了分析预测期2020s径流的枯水变化趋势，本文采用了两个重要的枯水指标7Q10和30Q100 7Qlp是指10年一遇的连续七天径流均值的最小值，30Q10则是10年一遇的连续30天径流均值的最小值。在枯水水文中，7Q10是最重要的枯水指标之一。使用Weibull0]分布分析实测径流序列和模拟径流序列，可以得出重要的枯水指标7Q10 III 30Q10.在实际应用中，7Q10是设计枯水的重要指标之一，在保护水质、水资源调度、水生生物和湿地生态的保护、十旱预测以及水利设施建设参考等各方面都发挥了重要作用}a}.而30Q10相比较7Q10,应用较少，但在水质特别是饮用水，生态等方面也发挥了重要的作用。基准期的实测枯水指标和预测期2020s的模拟枯水指标见表2和表3.比较不同重现期的连续平均流量可以发现，未来30年和基准期相比较，都有不同幅度的增长。考虑到水文模型对枯水的模拟值略微偏小，未来30年实际增大的幅度可能会更大。7天连续平均值中，情景A2增长更为明显。而30天连续平均值中，则B2增长更为明显。可以推断，情景B2更容易出现长时间的极端气候现象。【3】

　　
　　3 结论
　　
　　通过 SDSM 方法模拟得出的降雨量和温度表明，该方法能有效地模拟未来的降水和温度。总体而言，温度的模拟效果优于降水，平均值的模拟优于极端值的模拟。某些月份的模拟值出现反常现象，造成反常现象的因素还需要进一步分析。在枯水模拟的过程中，出现了模拟值略微偏小的情况。引起这一现象的不确定因素，尚需要进一步研究。枯水指数的分析结果表明，在两种情景下，枯水指数均有所增长。对 7d连续指数系列而言，A2 情景增长幅度较大，而对 30d 连续系列指数而言，B2 情景增长幅度较大。这说明在未来的 30 年中，干旱的极端气候可能会有所缓和，但 A2 情景比 B2 情景更容易出现长期的干旱情况。

　　参考文献：

　　[1] 夏 军，左其亭。 国际水文科学研究的新进展[J]. 地球科学进展，2006,21（3）：256-261.XIA Jun,ZUO Qiting. Advances in international hydrological science research [J]. Advances in Earth Science, 2006, 21 （3）：256-261. （in Chinese）
　　[2] 张徐杰， 许月萍， 高希超， 等。 CCSM3 模式下汉江流域设计暴雨计算[J]. 水力发电学报，2012, 31（4）：49-53.ZHANG Xujie, XU Yueping, GAO Xichao, et al. Estimation if design storm in Han river basin with CCSM3 model [J]. Journalof Hydroelectric Engineering, 2012, 31（4）：49-53. （in Chinese）
　　[3] Smakhtin V. U. Low flow hydrology: a review [J]. Journal of Hydrology. 240 （2001）：147–186.
　　[4] Xu YP, Zhang Xujie, Tian Ye. 2012. Impact of climate change on 24-h design rainfall depth estimation in Qiantang River Basin,East China. Hydrological Processes, 26（26）：4067-4077.
　　[5] Wilby R L. The Statistical Downscaling Model: insights from one decade of application [J]. International Journal ofClimatology. in Press.
　　[6] 范丽军， 符淙斌， 陈德亮。 统计降尺度法对未来区域气候变化情景预估的研究进展[J]. 地球科学进展， 2005,20（3）：321-328.FAN Lijun,FU Congbin,CHEN Deliang. Review on creating future climate change scenarios by statistical downscalingtechniques [J]. Advances in Earth Science, 2005,20（3）：321-328. （in Chinese）