基于CORDEX区域气候模式的大渡河流域径流模拟

潘张榕，郭军红,付正辉，王书航，李 薇，陈 卓，卿 会

(1.华北电力大学环境科学与工程学院，北京 102206；2.中国环境科学研究院，湖泊水污染治理与生态修复技术国家工程实验室，国家环境保护湖泊污染控制重点实验室，北京100012)

IPCC第五次报告指出，在大部分未来情景下地球地表温度将会上升[1]。在未来，高温天数将可能增加，热浪发生频率也随之增加，持续时间也将有可能变得更长[2]。对于水循环来说，未来降水量的时空变化仍然是不均匀的[3]。在全球气候变暖的趋势下，未来雨季与旱季、干旱地区与湿润地区的降水差异将会更大，极端降水与极端温度的发生频率也会随之增加。中国水资源时空分布不均，在气候变化的大背景下，受暴雨、洪涝、干旱等气候的影响，流域内径流波动较大，因此有必要对流域径流进行模拟预测，以防范危险[4]。水资源的合理高效开发利用需要对流域进行水文建模研究，利用先进的水文预报理论与方法，为水资源的合理优化配置提供科学的理论支撑，从与气候变化的联系上看，进行未来水文预报研究也有利于减少极端气候造成的水旱灾害损失，尽可能地规避风险。

目前，径流模拟主要是利用水文模型，而水文模型的驱动一般需要气象条件的支持，如降水、最高温度、最低温度、风速、辐射、湿度等气象数据[5]。对于未来水文预报研究，同样需要未来气象条件的支撑。因此，如何提供较为准确的未来气象条件成为了制约未来水文预报精确度的一个重要因素。随着气候研究的不断深入，气候模式能产出高精度的气象数据，这为水文模型的运转提供了强大的驱动。针对未来径流的预测研究，有的学者在假设情景下研究未来的径流量变化趋势[6-7]，除了假设情景，更多的学者基于IPCC的未来情景模式来进行相关研究。常用的典型浓度路径RCP情景是根据2100年辐射强迫水平来命名的，根据强迫水平的高低，可以分为极低强迫水平的缓解情景(RCP2.6)、2个中等稳定情景(RCP4.5、RCP6)和1个非常高基线情景模式(RCP8.5)[8]。在未来情景的基础上，Joseph等[9]对美国新泽西州内2个流域的校准水文模型的模拟流量进行偏差校正，通过统计降尺度缩小GCMs的误差，对历史及未来2041—2099年径流进行模拟预报。Tariku等[10]在RCP2.6和RCP8.5情景下，利用3种水文模型，在GCMs驱动下，验证了模型在蓝尼罗河流域的适用性。Qiu等[11]利用SWAT水文模型和5个降尺度GCMs(GeneralCirculation Model)，分别在RCP2.6、RCP4.5和RCP8.5情景下，研究气候变化率对未来密云水库区水质的影响，并依据预报结果对流域进行相应调整。Holtzman等[12]研究了WRF区域气候模式与MP陆面模式耦合的能力，结果表明，在适当物理参数下，气候和陆面耦合模型可以用来研究气候变化对库区径流的影响。

目前的研究中，很多学者采用GCM的未来气候变化情景数据来驱动水文模型，但GCM的空间分辨率粗糙，在区域或局地尺度上模拟效果不佳。也有在GCM基础上使用RCM区域气候模式来提高空间分辨率，但往往使用单一的RCM，忽视了不同物理模型带来的未来不确定性问题。联合区域降尺度试验(Coordinated Regional Downscaling Experiment,CORDEX)中的高分辨率区域气候模式已被广泛用于评估未来气候变化趋势，具有分辨率高、模式数据齐全等优点。如蔡文君等[13]基于CORDEX数据集3套区域气候模式降水和温度数据，驱动SWAT模型探讨气候变化对碧流河流域未来径流变影响，认为可以解决径流不确定性问题。Guo等[14]研究5套CORDEX区域气候模式在青藏高原地区的模拟能力，证明可以解决分辨率低的问题。因此，本文基于CORDEX数据集下的6套区域气候模式集合，驱动SWAT水文模型，探讨气候变化对未来大渡河流域的径流影响。

1 数据和方法

1.1 研究区域概况

大渡河发源于四川省内果洛山南麓，以泸定和乐山市铜街子划分上中下游，最后汇入岷江，是岷江最大的支流。大渡河流域面积7.74×104km2，年均径流量60.3 m3/s。除此以外，大渡河流域四面环山，海拔高，流域年降水量在800 mm左右，年内降水主要集中在5—10月[15]。流域面积宽阔，植被条件良好，降水丰富、冰山积雪，具有极高的水电开发潜力。

1.2 数据

所涉及到的数据包括大渡河流域数字高程数据(Digital Elevation Model，DEM)、土地利用数据、土壤类别数据、气象数据和径流数据。其中，DEM数据为地理空间数据云平台SRTMDEMUTM 90M分辨率数据；土地利用数据为2000年中国土地利用现状遥感监测数据，分辨率为1 km，来源于中国科学院资源环境科学数据云平台；土壤数据为世界土壤数据库( HWSD V1.1) ，来源于寒区旱区科学数据中心，分辨率为1 km[15]。气象数据来源于中国气象数据网，选用大渡河境内2个气象站点(乐山站和峨眉山站)1970—2005年逐日降水、最高温度和最低温度数据作为SWAT模型的观测数据输入。水文数据为铜街子站点的1970—2005年的年径流数据，用于模型的参数率定和验证以及之后对径流变化的分析中。未来气象数据为CORDEX集气象数据。本研究将使用由CNRM-CERFACS-CNRM-CM5、ICHEC-EC-EARTH、MOHC-HadGEM2-ES和MPI-M-MPI-ESM-CR边界条件驱动的CCLM5-0-2和REMO2015区域气候模式进行未来气候研究，相关模式见表1。大渡河流域水系及气象水文站点见图1。

表1 CORDEX数据集

图1 大渡河流域地形

1.3 研究方法

1.3.1SWAT模型及评价方法

SWAT(Soil and Water Access Tool)模型由美国农业部开发，是比较常用的半分布式水文模型，可以实现中长尺度的模拟，如大型流域的径流模拟、土地利用管理、水环境评估、水质模拟等领域[17]。

通过SWAT模型指出在校准和验证过程中对流量影响最大的重要参数的方法称为灵敏度分析。为了对SWAT的模型参数进行率定和验证，使用专门进行SWAT模型率定和验证的SWAT-CUP软件[18]，以1970—1974年为预热期，1975—2000年为率定期，2001—2005年为验证期，进行参数率定，选用Sufi2不确定性分析算法进行SWAT模型参数率定[19]。

对于SWAT模型率定结果，一般选用纳什效率系数(NSE)和决定系数R22个指标来进行评估，NSE反映的是模拟径流与观测径流的吻合程度，NSE越接近1证明吻合程度越高，R2代表模拟值与观测值的相关程度，其值越接近1证明相关性越高。同时，为了评估模拟值的可信度，又新增了相误差指标对率定结果进行评估。NSE、R2和RE计算式分别为：

(1)

(2)

(3)

式中Qo——实际观测径流值，m3/s；Qavg——实际观测径流的平均值，m3/s；Qs——模拟径流值，m3/s；Qs,avg——模拟径流的平均值，m3/s。

当NSE、R2均大于0.5时，可以认为模型能够较好地体现出研究区的径流过程[20]。

1.3.2逐步聚类算法

由于CORDEX数据集中的区域气候模式本身带有不确定性误差，因此在用区域气候模式气象数据驱动SWAT水文模型之前，需要先对模式误差进行校正。本文先采用逐步聚类算法(Stepwise Cluster Analysis,SCA)对模式历史误差进行校正，并判断校正结果，在满足校正要求的基础上对未来气象数据进行偏差修正[21]。

SCA法采用1970—2000年的历史气象数据作为观测值，CORDEX数据集作为模拟值，在SCA的基础上建立观测值与模拟值之间的统计关系。基于SCA训练的对应关系，输入CORDEX数据集2001—2005年气象数据，通过比较SCA输出校正值与实际观测值之间的误差，判断SCA算法对CORDEX数据集模式数据的校正水平。假定未来气候变化规律依然遵循以上训练关系，以未来不同情景下的模式数据作为输入，即可得到未来不同情景下校正的“观测值”。技术路线见图2。

图2 技术路线

2 结果与讨论

2.1 气候模式的校准

2.1.1历史数据验证

采用SCA方法对历史时期(1970—2000年)CORDEX的6个RCM数据进行了校正。将6种GCM驱动的区域气候模式数据作为大尺度预报因子(X)的输入，以同期气候站的实际观测数据作为区域小尺度预报变量(Y)的输入，建立X与Y的函数关系，进行样本训练。从图3、表2可以看出，逐步聚类算法可以较好地校正降水量的偏差，经校正后的降水量，与实际观测值较为接近。结果也表明，逐步聚类算法极大地降低了粗分辨率气候模式结果的误差。

a)月均降水量

b)月均降水量误差

表2 CORDEX模式历史降水量校正效果对比 单位：mm

同理，从图4、5和表3、4中可以看出，经过SCA校正过的月均最高温度和最低温度准确度均有了显著提升。最高和最低温度校正数据误差较小，其中，最低温度的校正效果最好，误差基本稳定在5℃以内。综上所述，采用的SCA方法可以有效降低CORDEX数据集的误差，并可将修正后的未来气象条件用于驱动SWAT模型生成不同气候排放情景下的径流。

a)月均最高温度

b)月均最高温度误差

a)月均最低温度

b)月均最低温度误差

表3 CORDEX模式历史月均最高温度校正效果对比 单位:℃

表4 CORDEX模式历史月均最低温度校正效果对比 单位:℃

2.1.2未来气候变化

为了减少单个模式带来的不确定性问题，采用校正后的6个区域气候模式均值分析大渡河流域未来降水和温度的变化趋势。从图6中可以看出，相对于基准期2001—2205年，在RCP4.5和RCP8.5情景下，未来年降水量将有小幅增加(小于200 mm)，且RCP8.5情景下的降水量不确定性更大。

a)RCP4.5

b)RCP8.5

年最高温度和最低温度变化趋势见图7、8，在2种情景下，未来年均最高温度和最低温度均高于基准期，且在2030—2065年呈现增加的趋势，RCP8.5情景下的增加趋势比RCP4.5情景下的明显。在RCP8.5情景下，未来温度的变化将会更加剧烈，说明高排放情景下的气候变化具有更多的不确定性。

a)RCP4.5

b)RCP8.5

同理，在2种情景下，未来年均最低温度的变化趋势见图8，从图8中可以看出，未来年均最低温度变化趋势与年均最高温度高度一致，同样是高于基准期温度且逐步上升，在RCP8.5情景下不确定性变化更大。

a)RCP4.5

b)RCP8.5

综上，未来大渡河流域内降水量相对基准期会有所增加，年最高最低气温相对于基准期也呈现增加趋势。因此21世纪中叶以后，气候的不确定性将会增大，流域内气温最高和最低气温的变化幅度较大，RCP8.5情景下各模式间不确定性较大。

2.2 水文模型的校准与验证

在SWAT-CUP中，使用SUFI算法对SWAT模拟结果进行参数率定。以1970—1974年为预热期，选取1975—2005年31年的年实测径流数据，对SWAT模拟径流进行参数率定。从相关系数来看(表5)，铜街子水文站总体模拟结果的相关性非常好，模拟期和验证期R2均大于0.8，表明模型模拟结果和实测结果的相关性很好。率定期和验证期的纳什系数均大于0.6，满足模型模拟要求。从相对误差来看，率定期和验证期绝对误差分别为 0.69%、5.91%，说明模拟值可信度较高。综上所述，该模型可以应用于大渡河流域年尺度的径流模拟中(图9)。

表5 大渡河铜街子水文站年径流模拟结果评价

2.3 未来径流模拟

以率定好的SWAT模型为基础，将校正后的2030—2065年逐日降水、最高温度和最低温度数据作为气象条件输入SWAT模型，预测大渡河流域未来不同RCP气候情景下的年径流变化情况(图10)。

结果显示，未来大渡河流域的年径流整体呈增加的趋势，且RCP8.5情景下的变化幅度要大于RCP4.5,径流变化峰值点与降水、气温的峰值点一致。2050年以后，大渡河流域径流量明显增加，发生洪水灾害的概率也将显著增加，同时，在2种情景下，2050年之后基于不同模式数据输出的径流波动也明显增大，说明在21世纪中期，径流不确定也将显著增加，因此对大渡河流域未来水资源的预测和管理就显得尤为重要。在大渡河流域，未来气温的上升将导致水资源蒸发速率的增加，但在这2种情景下，流域径流未来仍将呈现增加趋势。除了降水补偿外，还有一些因素可能会对该流域径流产生影响。一方面，盆地上游以降雪为主，积雪期较长，气温升高会使冰雪融化速度加快，导致大渡河流域径流量增加[22]。另一方面，大渡河流域植被覆盖度高，对气候变暖具有较强的调节能力，能有效减弱蒸发损失[23]。

图9 大渡河铜街子水文站年径流模拟结果

a)RCP4.5

b)RCP8.5

3 结语

基于CORDEX区域气候模型，对大渡河流域2035—2065年的降水量、最高气温和最低气温进行了模拟。采用逐步聚类分析方法对CORDEX数据集进行校正，利用SWAT水文模型对大都河流域未来径流进行模拟。

a)使用逐步聚类算法对6种CORDEX数据集RCM进行偏差校正，校正后的结果与历史实测数据进行比较，发现在年尺度上降水、日最高温度和最低温度的校正效果较好，证明SCA算法在气象数据校正应用上具有一定的适用性，但是对于降水数据，SCA算法会增加年内各季节间降水量的误差。

b)在气候变化背景下，未来2030—2065年大渡河流域的年降水量基本稳定，但对比基准期来说年降水量会有所增加。日最高温度与最低温度相对基准期来说也会增加，但是在研究年限内依然会持续增长。对于降水和温度，在RCP8.5情景下的不确定性均大于RCP4.5情景，且2种情景下21世纪中期之后变化不确定性均有所增加。

c)与基准期相比，大渡河流域2035—2065年年径流量总体上呈增加趋势。21世纪中期以前，径流变化不明显，之后2种情景下的径流量都呈显著增加趋势，且径流变化不确定性也会显著增加。流域径流变化不仅受降水量的影响，还受冰山融雪及植物蒸散发的影响。