CMADS、CFSR与实测气象数据在浑河流域的适用性评价

张利敏，杨明祥，王 浩

(1.北京工业大学建筑工程学院, 北京 100124; 2.中国水利水电科学研究院 流域水循环模拟与调控国家重点实验室, 北京 100038)

0 引 言

降水是水循环最重要的环节之一，也是水文模型的重要输入组成部分[1]。由于站点稀少、时空分布不均或观测时间的非连续性等问题，水文气象数据的稀缺性一直是水文建模中的一大问题，这很大程度上制约了研究工作的开展。借助再分析气象数据来驱动模型进行模拟是一种可选方案[2]。再分析数据是基于气候模式和卫星遥感数据源而开发的，具有不间断区域覆盖、高时空分辨率等优点，是水文模拟和其他应用的潜在替代气象数据源[3,4]。目前应用比较广泛的再分析降水产品有：美国国家环境预报中心(NCEP)气候再分析资料(CFSR)[5](1979-2014-07，～38 km)、美国国家航空航天局(NASA)的气候再分析资料(MERRA)(1979-2012，～50 km)[6]、欧洲中期天气预报中心(ECMWF)发布的ERA-Interim(1979-2012，～82 km)[7]以及日本气象厅(JMA)的JRA-55(1958-2012，～60 km)[8]等再分析资料。近年来，覆盖东亚地区的再分析数据CMADS(China Meteorological Assimilation Driving Datasets for the SWAT Model，Version 1.1, 2008-2016，～30 km)成为研究的热点，由于其拥有较高的空间分辨率，可为解决东亚地区气象站点资料匮乏问题提供可选方案。

由于再分析数据所使用的数值模式、数据同化技术和数据源方面存在很大的不确定性，因此，在应用于特定区域之前，有必要对再分析数据质量和性能进行评估。DILE等[9]在青尼罗河上游构建SWAT模型以评估CFSR数据的质量，结果表明整体上实测气象数据模拟的径流结果好于CFSR的模拟结果，但是CFSR在实测数据匮乏的地区也可能是一个有价值的选择。田霖等[10]在干旱山区的研究表明CFSR数据与观测数据偏差较大，导致径流的模拟值与实测值相对偏差大于40%。QUADRO等[11]观察到3种产品(CFSR、MERRA和NCEP-2)的降水模式与南美洲大部分地区的观测降水基本一致，并且CFSR降水显示出最小的偏差。目前CMADS数据集已在军塘湖、青藏高原、黑河、金沙江以及韩国的汉江等流域和地区进行了检验和评估[12-14]。例如，孟现勇等[15]在黑河流域分别用CFSR、CMADS和传统站驱动SWAT模型，并对径流模拟结果进行对比分析，总体上，CMADS的模拟结果优于CFSR和传统站。GUO等在中国漓江流域做了CMADS、TMPA-3B42V7和传统观测站的精度对比，发现CMADS和传统观测站的相关性比TMPA-3B42V7高，径流模拟精度可靠[16]。对再分析资料进行检验和评估工作，有助于改进和提高数据的性能[17]，缓解水文建模对气象数据稀缺性的难题。与此同时，准确的气象数据对于区域及全球的水资源管理、水文过程模拟、防灾减灾等方面起着至关重要的作用[18]。

水文模型已被广泛应用于水资源评价与开发利用、水旱灾害防治、水生态环境保护、气候变化及人类活动对水资源数量和质量的影响分析等研究。SWAT模型是一个具有较强物理基础的分布式水文模型，以日为时间步长，多用于模拟和预测较长时间序列内大中流域尺度上不同土壤、土地利用与管理方式下的水量、泥沙、营养物质和杀虫剂运移的变化[19]。目前，SWAT模型在全球的不同国家和地区、不同流域尺度广泛应用[20-22]。根据XU等[23]的研究表明，当雨量站密度在每1 000 km21.0～1.4时，水文模型的表现可接受且相对稳定。本文选取全球应用较广泛的NCEP第3代(最新)再分析数据CFSR以及覆盖东亚地区较新CMADS数据进行比较，2者均拥有较高的空间分辨率，且获取方便，数据格式均可直接用于SWAT模型。本文的研究目的是比较再分析数据CFSR、CMADS和实测站点数据(OBS)的降水在浑河流域的空间分布(多年平均降水量)和年内分配(1-12月多年平均降水量)情况，然后用CFSR、CMADS和OBS分别驱动SWAT模型(即CFSR+SWAT、CMADS+SWAT和OBS+SWAT)对3种降水数据在浑河流域径流模拟的适用性进行评估。

1 材料与方法

1.1 研究区概况

浑河流域位于辽宁省东北部，河流发源于清源县内。本文选取的是沈阳水文站上游，流域面积7 919 km2，地理位置为东经123°22′～125°17′，北纬 41°29′～42°16′(如图1所示)，占整个浑河流域总面积(11 481 km2)的69%。最高海拔约1 200 m，地势东高西低，由山地、丘陵和平原组成。多年平均降水量771.8 mm(统计时段为1959-2013年)，大多集中在6-9月，约占全年降水量的70%～80%。流域上游是大伙房水库水源保护区，植被覆盖率高，下游是平原，坐落着沈阳和抚顺2大城市。

图1 研究区概况Fig.1 Overview of the study area

1.2 空间插值方法

利用已知站点的气象要素数据，通过一定的空间插值方法来估算非站点的气象要素数据是获取连续空间上气象要素数据的重要途径。国内外常用的气象插值方法有克里金方法(Kriging)、反距离加权法(Inverse Distance Weighted)、多项式插值法(Polynomial Interpolation)和样条函数法(Spline)等。克里金方法、反距离权重法、多项式插值法等方法在站点分布密度大及地势平坦的地区可以取得较好的插值效果，而对于地形复杂且站点匮乏的地区，这些插值方法的插值效果往往不理想[24,25]。而样条法可以不受空间尺度影响，不要求空间平稳，利用光滑参数来优化平衡数据逼真度和拟合光滑曲面[26]。HARTKAMP等[27]研究了在大区域内插值气象数据的统计方法，考虑到数值误差预测、数据结构和计算简单性，建议使用样条法插值气候变量。澳大利亚学者HUTCHINSON在总结前人研究的基础上，基于普通薄盘样条(Thin plate spline, TPS)和局部薄盘样条插值理论编写了针对气候数据曲面拟合的专用插值软件(Australian National University spline interpolation，ANUSPLIN)[28]。局部薄盘光滑样条法是对薄板光滑样条原型的扩展，除了通常的样条自变量外还允许引入线性协变量子模型，根据最佳拟合效果自动确定模型系数，而且可以同时进行多个表面的空间插值，这很适合时间序列的气象数据的空间插值[26,29]。局部薄盘光滑样条的理论统计模型表述如下：

zi=f(xi)+bTyi+ei(i=1,…,N)

(1)

式中：zi表示空间i点的因变量(例如，降水、温度等)；xi表示d维样条独立变量矢量；f是要估算的关于xi的未知光滑函数；yi为独立协变量；bT为yi的系数；bTyi为局部薄盘样条函数；ei为自变量的随机误差；N为观测点个数。

关于模型更多的信息可查看阎洪[26]、刘志红[29]等的研究。

1.3 SWAT模型构建

SWAT模型是上世纪90年代由美国农业部(USDA)的农业研究中心开发的一种用于流域管理的水文模型，在世界范围内得到广泛应用。SWAT模型所需要的主要输入数据有数字高程模型(DEM)、土地利用数据、土壤数据、气象数据等。DEM数据来自于国际农业研究协商小组空间信息协会(CGIAR-CSI)(http://srtm.csi.cgiar.org/srtmdata/)，分辨率为 90 m × 90 m。基于DEM对研究区进行子流域划分，并用实测河网对生成的数字河网进行校正。流域中用于表征下垫面特征的土地利用数据GLC2000[30]和土壤数据HWSD[31]均来自于寒区旱区科学数据中心(http:∥westdc.westgis.ac.cn)，空间分辨率为1 km，用SPAW软件计算模型所需的土壤参数。SWAT模型将子流域中同类型的土壤、土地利用和坡度视的组合视为一个水文响应单元(Hydrologic Research Unit, HRU)，HRU是模型计算的最小单元，每一个HRU独立计算，最后演算汇总至流域出口。

气象再分析数据CMADS以中国国家气象局的CLDAS驱动场要素为原始数据，通过数据循环嵌套、重采样和双线性插值等多种技术手段而建立。CMADS1.1数据集通过官网(http://www.cmads.org)获取，空间分辨率为0.25°×0.25°，时间为2008-2016年。CFSR 再分析数据是NCEP利用全球预报系统(Global Forecast System)反演的全球再分析数据产品，耦合了大气-海洋-陆地-海冰模式，空间分辨率为0.312°×0.312°。该数据可从SWAT官网(https:∥globalweather.tamu.edu/)获取，包括：降水、最高/低温度、相对湿度、太阳辐射和风速等要素，时间为1979-2014年7月。包括流域内及周边的74个实测站点的气象数据(OBS)(1959-2014年)来自中国国家气象局。模型所需输入的气象要素(均为日尺度)包括降水量、最高最低温度、相对湿度、太阳辐射和风速，选取3种数据共同的时间段2008-2013年用于模型参数的率定和验证，其中2008-2010设为率定期，2011-2013年设为验证期。

1.4 评价指标

首先用ANUSPLIN软件将再分析数据CMADS和CFSR的降水量插值到实测站点位置，以相关系数(r)、相对误差(RE)、均方根误差(RMSE)和标准差比(STDration)来初步判断再分析数据的可靠性，同时比较2种再分析数据与实测数据的年均降水量空间插值分布。然后，分别用CFSR、CMADS再分析数据和流域内的4个实测站点数据驱动SWAT模型模拟浑河流域的径流，以纳什系数(NSE)和确定性系数(R2) 2个指标评价CFSR、CMADS和OBS在浑河流域的适用性。相关公式如下。

相关系数：

(2)

相对误差：

(3)

均方根误差：

1997年10月，国际炒家首次冲击了香港金融市场，10月21日、22日香港恒生指数连续两天大幅下挫9%，累计跌幅近1200点；23日，恒生指数报收于10426.3点，跌幅超过10%。

(4)

标准差比值：

(5)

Nash系数：

(6)

决定系数：

(7)

2 结果与分析

2.1 再分析降水数据对比分析

2.1.1 多年平均降水空间分布

研究区再分析数据CMADS、CFSR和OBS多年平均降水量(2008-2013，下同)的空间分布如图2所示。从图2中可以看出：3种气象数据降水量的年均空间分布趋势基本一致，受大气环流和海洋水汽的影响，上游的降水量较为充沛，尤其是在流域的东南部(清源县)。就年均降水总量而言，相对于OBS，CMADS存在低估，而CFSR存在高估。原因将在下一部分进行分析。但是，在不考虑年均降水量的情况下，CMADS与OBS的降水空间分布趋势一致性更好。

图2 CMADS、CFSR和OBS多年平均降水的空间插值结果Fig.2 Spatial interpolation results of annual mean precipitation of CMADS, CFSR and OBS

2.1.2 降水年内分配

图3 研究区4个站点处3种降水数据年内分配Fig.3 Annual distribution map of the three precipitation data at four stations in the study area

表1 研究区4个站点处CMADS和CFSR降水的评价指标Tab.1 Evaluation indexes of CMADS and CFSR precipitation at four stations in the study area

CMADS以CMORPH卫星降水产品为背景场，而由于地表反射率的干扰[32]，对4 mm以下的降水判定较为困难[33]，这可能导致了CMORPH降水产品在中国地区的降水量总体相对偏低[34]。另一方面，浑河流域的降雪期一般是从10月份下旬至次年的3月下旬，降水量偏少。相较于在夏季，观测取样误差、测量仪器误差等因素在冬季计算降水量过程中的权重增大。CFSR数据存在高估多年平均降水量在很多研究中也得到了证明。高瑞等[35]在新疆喀什流域的研究结果表明，CFSR多年平均降水量严重偏大，且最小相对误差为7.1%(9月)，最大相对误差为126%(3月)。在开都河流域表现出低估强降水和高估弱降水的特征[10]。根据LIU等[36]的研究，与气象站点实测值相比，在青藏高原地区，CFSR的降水插值结果比CMADS差，表现出各月131个站点的平均降水量均大于OBS，相对误差达到76%，其中77%的站点降水量表现出高估。而CMADS的降水插值相对误差是8%，其中56%的站点表现为高估。

从对2种再分析数据的插值结果表明，再分析数据CMADS和CFSR与OBS相比，虽然CMADS对年均降水量在时间和空间分布存在低估，但是从各项指标的整体来看，CMADS要优于CFSR。

2.2 SWAT模拟径流结果比较

在2.1部分比较了再分析数据在研究区的年均降水量空间分布，以及实测站点处的多年平均降水量的年内分配。在这一部分将用CMADS、CFSR和OBS分别驱动SWAT模型来模拟径流，并比较月径流的模拟精度，以此来检验再分析数据在东北浑河流域的适用性。

在SWAT工程中，浑河流域一共被划分为34个子流域和317个HRU，分别用3种气象数据驱动SWAT模型，再利用SWAT-CUP工具对研究区参数进行率定和验证。在研究区上游水文站(北口前)和流域出口控制站(沈阳)的径流模拟结果如图4所示，模型评价指标如表2所示。CMADS+SWAT(OBS+SWAT)模式率定期和验证期的NSE范围为0.54～0.94(0.63～0.93)，R2范围为0.73～0.97(0.78～0.95)，即根据MORIASI等[37]的评价标准，CMADS和OBS驱动SWAT模型在2站的率定期和北口前水文站的验证期都取得了非常好的效果，在沈阳站的验证结果令人满意。CFSR+SWAT模式在2站的率定期取得了比较好的效果(NSE和R2范围为0.78～0.85)，而在验证期的模拟效果很差(NSE：-0.07～0.47；R2：0.39～0.5)。

表2 月径流模拟评价指标Tab.2 The evaluation indexes for monthly runoff simulation

从径流模拟图图4中可以看出，最大径流值基本都在8月份，这与降水量在流域的年内分配(图3)是一致的。CMADS+SWAT模式和OBS+SWAT模式模拟的径流变化与实测径流基本一致，而CFSR+SWAT模式径流模拟在各年的8月份有时低估有时高估，这一现象在2012和2013年对径流峰值的模拟结果中最为明显。通过对比流域内CFSR和OBS在8月份的多站月平均降水量，发现CFSR数据在2012年高估实测降水约39.9 mm(+16.5%)，而在2013年严重低估实测降水约95 mm(-33.7%)。经查找资料发现，被低估的2013年8月强降水引发了50 a一遇大洪水。此外，2010年是丰水年，8月份累积降水量较大，也发生了大洪水，但降水强度相对2013年较弱，该月CFSR低估实测降水约91 mm(-23.4%)。由于CFSR对强降水的低估，导致多年平均降水量在8月份低于实测降水量(图3)，所以模拟的径流峰值被低估(图4)，在验证期，CFSR+SWAT模式的径流模拟效果很差。相反，在同一时期，CMADS+SWAT和OBS+SWAT模式径流模拟结果较好，且模拟结果相近。站点的数量和站点空间分布的均匀性是影响水文模拟的2个重要方面。根据XU等[23]的研究表明，在水文模拟中雨量站密度最好为每1 000 km21.0～1.4。本研究中浑河流域实测站密度约为每1 000 km20.5，但是OBS+SWAT模式还是取得了比较好的结果。原因可能是浑河流域是一个上游宽下游窄的形状，上游区的2大支流各有一个气象站点，中游和下游各有一个，即气象站点在浑河流域分布相对均匀，能够反映出流域的降水情况，弥补了站点数量的不足。

图4 水文站点处在率定期(2008-2010)和验证期(2011-2013)月径流的实测值与SWAT模型模拟值Fig. 4 Observed monthly runoff and SWAT model simulations at the hydrological stations during the calibration period (2008-2010) and validation period (2011-2013)

3 结 论

通过比较CMADS、CFSR和OBS降水数据在浑河流域空间上的年均降水分布和年内雨量分配评估结果，以及3种气象数据驱动的SWAT模型径流的模拟结果得结论如下。

(1)从3种降水数据(CMADS、CFSR和OBS)的多年降水量空间分布上而言，CMADS再分析数据的降水分布与OBS一致性更高。但是，从年均降水总量而言，CMADS存在低估，CFSR则存在高估。从统计的指标来看，CMADS数据与OBS的相关性更强，均方根误差更小，标准差比值接近于1。相比于CFSR，CMADS的数据质量更好。

(2)整体来说，CMADS和OBS驱动的SWAT模型模拟的结果取得了非常好的效果，且模拟的月径流过程较为一致。而CFSR由于对降水量存在高估弱降水和低估强降水的现象，仅在率定期取得了满意的结果，而在验证期由于其对强降水的严重低估，导致模型模拟结果很差。

(3)从统计分析的结果以及SWAT模型模拟的结果来看，在浑河流域CMADS再分析数据的质量远高于CFSR。

(4)再分析数据是通过间接方式获得的气象数据，由于各再分析数据可能使用的数据来源、处理算法的差异等因素，造成在不同区域的适用性相差很大，因此在使用再分析数据之前，应该首先对其在该区域的适用性进行评价。