基于HBV和ANN模型的沂河流域暴雨洪涝临界雨量确定方法研究

邱　粲，曹　洁，刘焕彬，王　静，曲巧娜（．山东省气候中心，济南　5003；．山东省气象科学研究所，济南　5003）

基于HBV和ANN模型的沂河流域暴雨洪涝临界雨量确定方法研究

邱粲1，曹洁1，刘焕彬1，王静1，曲巧娜2
（1．山东省气候中心，济南250031；2．山东省气象科学研究所，济南250031）

摘要：以沂河流域临沂站以上区域作为研究对象，基于数字高程模型（DEM）及GIS技术提取流域并划分子流域，对流域内气象站的降水记录采用泰森多边形法建立研究时段内的逐日面雨量序列，构建人工神经网络（ANN）和HBV水文模型。利用模型寻求流域内面雨量与河流水文特征的定量关系，结合不同的特征水位推算研究流域内不同等级的致灾临界雨量。结果表明：①基于两种模型建立的降水-径流关系均能取得较好的模拟效果，在研究流域内具有很好的适用性；②HBV模型作为一种半分布式水文模型能够更好地反应出洪水过程的物理特征，故当ANN模型由于大洪峰样本不充分导致临界雨量值确定不准确时，HBV水文模型的计算值更宜作为风险预警指标；③对比分析两种模型的结果，确定出基于不同前期水位的一、二、三级风险致灾临界雨量分别为：257～310mm，152～247mm，100～203mm。精细化确定的临界阈值可以为开展灾害预警服务提供依据。

关键词：水文模型；人工神经网络；临界雨量；沂河；流域

中图分类号：P458

文献标识码：识码：B

文章编号：号：1005–0582（2015）02–0034–06

收稿日期：2014-11-11

作者简介：邱粲（1981—），女，汉族，济南人，硕士，工程师，主要从事气候应用研究。

引言

2005年1月17日，在日本神户市召开的第二次世界减灾大会上通过了《2005～2015年兵库行动纲领：加强国家和社区的抗灾能力》，其中强调确定、评估和监测灾害风险并加强预警是减灾的优先主题[1-3]。作为世界上遭受自然灾害最严重的国家之一，中国对于有效应对灾害，加强防灾减灾的重要性有着清醒的认识。在诸多自然灾害之中，暴雨洪涝灾害发生覆盖面积广，造成人民生命财产损失大，大约占到我国国土面积2/3的地区遭受过不同程度的洪涝灾害[4]。历经几十年整治和防洪设施建设，我国的大江大河多已具备了较强的防汛和抗洪能力，然而随着人类活动的加剧和经济的快速发展，中小河流洪水造成的损失和危害程度呈现逐渐加大的趋势[5，6]。为了针对具体流域有效开展灾害预警服务，致灾临界阈值的精细化确定与修订工作日益凸显其重要性。

国内外对水文模型在洪水预报方面的研究与应用起步较早，发展较为成熟[7-8]，尤其近年来遥感（RS）和地理信息系统（GIS）等新技术的引入极大地提高了预报的准确性[9-10]。人工神经网络（ANN）模型虽然是一种经验统计模型，

但其具有广泛的适应、学习和映射能力，理论上可以逼近任何非线性函数，拟合能力强大，虽然输入参数较为简单，但因充分考虑了水文现象的特性，参数具有明确的物理含义，故而近年来被广泛的应用于径流模拟以及洪水预报研究与工作中[11-12]。尤其在缺少下垫面资料的地区，利用人工神经网络模型可以迅速的建立大尺度流域降水—径流关系，有利于更加充分的了解流域水资源变化特征[13]。山东省内针对中小河流洪水的致灾临界雨量多以概率统计方法进行计算，文章选取流域资料较为齐全的沂河流域临沂站以上作为研究区域，分别选取半分布式水文模型HBV和经验统计模型ANN确立研究流域的面雨量与河流水文特征的定量关系，结合相应防洪设施标准采用模型模拟确定对应不同前期水位的各等级的致洪或致灾临界雨量阈值。

1　研究流域、数据和方法

1.1研究流域概况

沂河发源于山东沂蒙山的鲁山南麓，主要支流有东汶河、蒙河、祊河、白马河等，大部分由右岸汇入。源头至骆马湖，河道全长为333km。沂河流域临沂站以上流域面积10045km2，位于半干旱地区，属于淮河流域的东北部，水系复杂，地形起伏较大[14]，地面高程在51m至1125m之间。流域内气候特征介于黄河流域与淮河流域之间，属暖温带半湿润季风气候，春季干燥多风，夏季高温多雨，秋季干旱少雨，冬季寒冷晴燥。多年平均降水量600～900mm，由东南向西北呈递减趋势。降水量年际变化较大且年内分布不均，洪涝旱灾的发生给流域经济社会发展造成相当大的损失。

1.2资料数据

临沂水文站逐日水位、流量数据选择早期受人工工程措施干预较少，且包括1974年典型大洪峰过程的1973—1979年《中华人民共和国水文年鉴-淮河流域水文资料》。气象数据采用山东省气象信息中心提供的研究流域内气象站同时段日尺度的降水、温度等资料。DEM资料来源于美国太空总署（NASA）和国防部国家测绘局（NIMA）联合测量的SRTM数据，分辨率为90m×90m。1:100万土地利用数据由国家气候中心提供。土壤数据来源于联合国粮农组织（FAO）的全球土壤数据库。对于不同空间分辨率的数据，统一重采样至90m分辨率。研究流域地形及水文站、气象站分布如图1所示。

图1　流域地形及气象站、水文站分布图

1.3主要研究方法

1.3.1HBV模型

HBV模型是由瑞典气象局与水文研究所开发研制的半分布式水文模型，基于DEM划分子流域，模型由气候资料插值、积雪和融化、蒸散发估算、土壤湿度计算过程、产流过程、汇流过程等子模块组成。该模型具有汇流时间模块，分别模拟各子流域的径流过程，后经过河道汇流形成流域出口断面的径流过程。模型应用相对简便，输入数据主要是研究区DEM、日均气温、降雨、土地利用、土壤最大含水量和河流汇流时间等参数[15]。

1.3.2ANN模型

ANN模型是一种模仿人脑结构及其功能的非线性信息处理系统，运用数学的方法对人脑若

干基本特征进行抽象模拟，近年来的研究表明其为一些复杂水文水资源问题提供了一条有效途径[16]。网络的建立过程称为ANN模型的训练过程，是用自适应算法递归迭代求解因变量与自变量之间的非线性关系，训练后的神经网络模型可用来估算或预报预测变量[17]。文章采用应用广泛的反向传播型神经网络模型（BP模型），建立一个由输入层、隐含层、输出层组成的三层BP网络。输入层由n个节点组成，隐层由p个节点组成，输出层由q个节点组成。相邻两层节点通过连接权全部联系，而同层节点之间不联系。输入层和隐层之间权重为w1ij（i=1，n；j=1，p），隐层和输出层之间为w1jk（j=1，p；k=1，q）；隐层各神经元的阈值为θ1j，输出层的阈值为θ1k，则隐层神经元的输出为：

输出层神经元的输出为：

当网络结构确定后，通过网络学习，确定权重w1ijw1jk和阈值θ1jθ1k模型即可建立[17]。

1.3.3模型验证

采用由Nash等[18]于1970年提出的纳什系数Ens以及确定性系数R2来判定模型的模拟效果。该方法可用来解释模型的误差，Ens和R2值越接近1时拟合效果越好。

式中：Qo为实测值；Qs为模拟值；Qomean为研究时段实测值的均值；Qsmean为研究时段模拟值得均值。

1.3.4致灾临界雨量确定

模型建立后，分析历史洪水特征，确定前期水位，结合河流控制断面的防洪标准确定灾害等级对应的特征水位，根据不同前期水位将面雨量代入模型进行试算，当模拟结果达到相应灾害等级的目标特征水位时，输入的面雨量即确定为致灾临界雨量。

2　结果与分析

2.1HBV模型的建立

采用1973—1974年日降水、径流资料对HBV模型进行参数率定，率定后的结果如图2，Ens=0.78，R2=0.83。以1976—1977年日降水、径流数据进行模型验证，Ens=0.51，R2=0.53，验证结果如图3。由以上结果可知，模型经参数率定后，在研究流域具有良好的适用性，模拟出的水文过程线与实际基本吻合，能够很好的预报出洪水对降水的响应过程，尤其对洪峰过程的捕捉较为准确。

图2　HBV模型临沂站1973—1974年率定期观测值与模拟值对比

图3　HBV模型临沂站1976—1977年验证期观测值与模拟值对比

2.2ANN模型的建立

人工神经网络模型是基于河流水文系统的自相关性特征来建立的，故而将研究流域日降水

量、流域控制站——临沂水文站前1日水位作为输入因子，与临沂站的当日水位即输出因子建立关系，通过ANN模型对临沂站日水位进行模拟。首先对数据进行归一化处理，采用Matlab中premnmx，postmnmx函数以及神经网络工具箱进行处理，训练步长以日为单位。选择BP网络，多层感知器训练算法，转移函数选择线性方程。试算表明隐含层节点数为5时模型输出值与实测洪水过程拟合效果最佳，均方差小于0.01或最大循环次数达到1000时结束运算。选取1973—1977年降水、水位数据作为训练样本构建人工神经网络模型，采用1978—1979年降水、水位数据作为检验样本进行验证。1973—1977年、1978—1979年纳什系数Ens均为0.74，不确定性系数R2分别为0.75，0.78。实测逐日水位与模型模拟输出水位过程线见图4、图5。

图4　ANN模型临沂站1973—1977年率定期观测值与模拟值对比

图5　ANN模型临沂站1978—1979年验证期观测值与模拟值对比

2.3 流域临界（面）雨量确定

临沂水文控制站警戒水位[19]64.05m，分析60年代以来临沂站的主要洪峰过程，最大洪峰出现在1974年8月14日，最高水位65.17m，结合历史水位特征和防汛条件，将64.05m，64.55m 和65.17m作为临界判别条件，确定三个级别的风险雨量。

根据1973—1979年24场典型洪水过程特征，以60.0m，60.8m，61.6m，62.2m作为计算时效为24h的风险雨量的前期水位，将不同前期水位与降雨量带入模型，当输出的模拟值达到不同级别的风险雨量判别条件时，即得到该级别对应该前期水位的风险雨量。分别由HBV、ANN模型计算得到对应不同前期水位的三个级别风险雨量的关系曲线，如图6所示。由于研究流域大洪峰样本较少，故由ANN模型计算对应最高特征水位判别条件的一级风险雨量时，明显偏大，故一级风险雨量直接采用HBV模型的计算结果，其他级别风险雨量取两种方法推算结果中较小的值，表1列出了4个前期水位对应的沂河临沂站以上流域洪涝灾害风险雨量结果，其他前期水位对应的风险雨量值可以通过查询曲线获得。

分析前期水位与24h风险雨量关系曲线可知，对应不同的前期水位由HBV模型计算出的三级，即最低级风险雨量值在155～203mm之间，ANN模型的计算值在100～306mm之间，二者的计算值在前期水位为61.35m左右时相同，从安全角度考虑，当前期水位在61.35m以下时宜采用HBV模型计算值作为预警的风险雨量，当前期水位超过61.35m的情况下应采用ANN模型的计算结果。同理，由HBV模型计算出的二级，即中级风险雨量值在198～247mm之间，ANN模型的计算值在152～358mm之间，二者的计算值在前期水位为61.40m左右时相同，故当前期水位在61.40m以下时宜采用HBV模型计算值作为预警的风险雨量，当前期水位超过61.40m的情况下应采用ANN模型的计算结果。一级风险雨量值宜采用HBV模型计算的结果，对应不同前期水位，该值的范围在257～310mm之间。

图6　各等级风险雨量与不同前期水位的关系曲线

表1　对应不同前期水位的各等级风险雨量

3　结论和讨论

文章基于数字高程模型（DEM）及GIS技术在沂河流域临沂站以上流域构建人工神经网络（ANN）和HBV水文模型。利用模型寻求流域内面雨量与河流水文特征的定量关系，结合不同的特征水位推算研究流域内不同等级的致灾临界雨量得到如下结论：

（1）两种模型在山东沂河临沂站以上流域均具有较好的适用性，利用模型建立的降水-径流关系能够为研究流域的临界雨量研究及洪水淹没灾害评估提供较好的技术支撑；

（2）HBV水文模型对于洪水的物理过程反应较好，针对不同风险等级，基于该模型求算的临界雨量随前期水位的上升曲线呈现一致的趋势，可以很好地弥补ANN模型大洪峰样本不充分时阈值计算过大的不足；

（3）结合两种模型的特征，确定出基于不同前期水位的一、二、三级风险致灾临界雨量范围分别在：257～310mm，152～247mm，100～203mm之间。

文章以流域为边界基于两种模型建立起前期水位与临界雨量的关系曲线使得致灾阈值的确定更具针对性，也更为精确。由于水位是实时变化的，对应前期水位的临界雨量的确定是动态评估洪涝灾害风险的关键环节，然而ANN模型受水文资料序列长度所限，缺少更多的样本，如能补充样本序列，尤其是大洪水年的洪峰样本，将为提高模型的精度起到关键性作用。此外，虽然HBV模型的模拟更贴近真实的洪水演进过程，但是在阈值时效上却仅能做到日尺度，可见在精细化临界雨量确定的研究上有必要进一步探索，利用多种方法相互比较经过实际个例的验证加以调整，使得临界雨量指标在灾害预警和评估中更好地发挥作用。

致谢：诚挚感谢中国气象科学院姜彤研究员、国家气候中心翟建青博士和安徽省气候中心

卢燕宇博士在本文技术方法、模型应用中提供的悉心指导和无私帮助。

参考文献：

[1] UNISDR．Hyogo Framework for Action 2005 -2015：Building the Resilience of Nations and Communities to Disasters[R]. Kobe：World Conference on Disaster Reduction，2005：1-25.

[2]日本神户世界减灾大会成果文件-兵库宣言和2005-2015年行动纲领 [J]．中国减灾，2005，（3）：19-22.

[3] 温家洪，黄蕙，陈珂，等．基于社区的台风灾害概率风险评估[J]．地理科学，2012，32 （3）：348-355．

[4] 黄崇福. 自然灾害风险评价：理论与实践[M]．北京：科学出版社，2005：25-29.

[5] 赵景旺，于文金．唐山地区中小尺度暴雨灾害风险评估与区划[J]. 山东气象，2014，34 （1）：39-45.

[6] 中国气象局国家气候中心．中小河流、山洪、泥石流、滑坡灾害致灾临界（面）雨量确定技术指南[R]. 北京：中国气象局国家气候中心，2013：1-2.

[7] 赵彦增，张建新，章树安，等．HBV模型在淮河官寨流域的应用研究[J]. 水文，2007，27（2）：57-59.

[8] 李霖．HBV水文预报模型及与之集成的水文模型系统介绍[J]．水利水文自动化，2004 （2）：39-42.

[9] 徐宗学．水文模型[M]．北京：科学出版社，2012：4-7.

[10] Zhang W C，Ogawa K，Ye B S，et al. A monthly stream flow model for estimating the potential changes of river runoff on the projected global warming[J]．Hydrological Processes，2000，14（10）：1851-1868.

[11] 郑凤琴，孙崇智，林金凎. 神经网络在水位预报中的研究[J]. 气象科学，2006，26（1）：53-57.

[12] 周林飞，康萍萍， 李波. 无站条件下 BP 神经网络年径流量预测模型研究[J]. 沈阳农业大学学报，2012，43（1）：102-105.

[13] 高超，刘青，苏布达，等. 不同尺度和数据基础的水文模型实用性评估研究[J]. 自然资源学报，2013，28（10）：1765-1777.

[14] 包红军．沂沭泗流域洪水预报调度模型应用研究[D]．南京：河海大学，2006.

[15] Krysanova V，Müller-Wohlfeil D I，Bronstert A，et al. Modelling runoff dynamics of the Elbe drainage basin: an application of the HBV model[J]．Hydrology in a Changing Environment，1998，1：147-152.

[16] Gao C，Gemmer M，Zeng X，et al. Projected streamflow in the Huaihe River Basin（2010–2100）using artificial neural network[J]．Stochastic Environmental Research and Risk Assessment，2010，24（5）：685-697.

[17] 谷晓平，王长耀，王汶，等. 应用于水文预报的优化 BP 神经网络研究[J]. 生态环境，2004，13（4）：524-527.

[18] Nash J E，Sutcliffe J V．River flow forecasting through conceptual models part I-A discussion of principles[J]．Journal of hydrology，1970，10（3）：282-290.

[19] 郑大鹏，陈浩然，唐劲松，等．沂沭泗防汛手册[M]．徐州：中国矿业大学出版社，2003：132-133.