基于SSP情景的黄河源区未来径流模拟预估

马明卫, 王召航, 臧红飞, 王文川, 卫孟茹, 崔惠娟

(1.华北水利水电大学 水资源学院,河南 郑州 450046; 2.河海大学 水利水电学院,江苏 南京 210098;3.中国科学院 地理科学与资源研究所 陆地表层格局与模拟重点实验室,北京100101)

近几十年来,受气候变化和人类活动的共同影响,黄河源区径流量日趋减少,逐渐威胁流域生态安全,可能损害区域经济的高质量发展,已引起政府决策部门和社会公众的广泛关注[1]。黄河源区(唐乃亥水文站以上流域)年均径流量198.2亿m3,占整个黄河流域年径流量的34.1%,是黄河流域的主要产流区和水源涵养区[2]。气候变化和人类不合理开发利用水资源造成黄河源区水资源短缺,加剧了水资源的供需矛盾。同时,黄河源区经济结构依赖于第一产业(农业、渔业和林业),对气候变化和极端天气事件的敏感性很高,但预防自然灾害的能力和应对政策非常有限[3]。因此,预估未来近期和未来远期气候变化情景下区域径流和水资源的变化趋势,并制定应对政策是减少社会经济损失和保障区域安全的关键所在。

目前,关于黄河源区径流演变的研究比较广泛,主要包括径流演变特征、成因分析以及径流模拟和预报等[4-6]。在气候变化研究方面,已有研究多聚焦于历史数据的分析[7],而关于未来不同气候变化情景下径流可能变化趋势的研究不足。以往大多数研究都是基于RCPs情景模拟流域径流变化,常用的水文模型包括土地利用与水文过程模拟(soil and water assessment tool,SWAT)模型[8]、可变下渗容量(variable infiltration capacity,VIC)模型[9]、寒区水文模型(cold region hydrological model,CRHM)[10]和水文工程中心-水文模拟系统(hydrologic engineering center′s-hydrologic modeling system,HEC-HMS)模型[11]等。径流模拟的概念模型和物理模型中通常包括待估计的参数,它们大多数与气象、植被、地形、地质和土壤等的特征有关。当研究区基础数据不足或可靠性较低时,可能会影响结果的准确性。有研究显示,在不同于校准期的气候条件下,水文模型通常会出现严重的性能退化[12]。作为现有径流模型的替代方案,使用数据驱动的黑箱水文模型对长期输入和输出数据进行监督训练,不需要任何与水力学和水文学相关的物理知识。随着人工智能的发展,长短期记忆网络(long-short term memory neural network,LSTM)模型在气象-径流模拟中显示出巨大的潜力。与传统水文模型相比,LSTM模型的主要优点是可以快速准确地从大量训练数据中捕获输入和输出之间的复杂关系,而无需了解气象-径流转换的内部物理过程[13]。因此,本文基于长短期记忆网络构建了一个径流模拟模型,并结合全球气候模式(global climate models,GCMs)输出数据降尺度获得未来不同气候情景下的降水和气温数据,预估了黄河源区干流唐乃亥水文站的未来径流变化情况,并据此采用气候弹性系数法定量分析了未来气候变化对黄河源区水资源量的影响,以期为区域水资源可持续利用和防洪抗旱提供数据支撑。

1 研究区域与数据

1.1 研究区概况

黄河源区平均海拔高度在3 000 m以上,流域面积约12.2万km2,占黄河流域总面积的16.2%。区域属于高原大陆性气候区,气温表现为冷热交替,干湿分明,年温差小,日温差大,年平均气温-4～5 ℃,年降水量200～700 mm,降水年际变化幅度较大、年内分配不均。在全球增温的背景下,黄河源区的生态环境严重退化,地表河川径流量日趋减少,湿地水源涵养能力逐渐降低,大量湿地已退化为旱草地,土壤荒漠化日益严重[14]。本文选取唐乃亥水文站出口断面以上流域为研究区,研究区的位置及站点分布如图1所示。

图1 研究区域及站点分布

1.2 数据与来源

本文所使用的水文数据为黄河干流控制站唐乃亥水文站1960—2018年的逐日实测径流量数据。所采用的气象数据来自中国气象局(http://www.data.cma.cn/),综合考虑黄河源区所有气象站的数据序列长度、完整性和空间位置等,最终选取了河南、久治、达日、玛曲、玛多、若尔盖和清水河7个气象站1960—2018年的逐月降水量、平均气温、最低气温和最高气温数据。

所采用的全球气候模式数据来自国家气候中心(https://esgf-node.llnl.gov/search/cmip6/),选用耦合模式比较计划第六阶段(CMIP6)的13个全球气候模式(表1)3种排放情景(SSP126、SSP245、SSP585分别代表可持续发展路径的低排放情景、中间发展路径的中等排放情景、不均衡发展路径的高排放情景)。由于GCMs数据分辨率较低,可能存在较大的偏差,故采用统计降尺度和偏差校正的方法来修正误差,提高模拟精度[15]。各气候模式数据包括基准期(1960—2014年)、未来近期(2030—2059年)、未来远期(2060—2099年)的逐月降水量、平均气温、最高气温和最低气温。为了降低不同气候模式数据的不确定性,分别计算了13个气候模式对应的降水量、平均气温、最高和最低气温的平均值,再对其平均值进行分析。

表1 13个CMIP6 GCMs模式基本信息

2 研究方法

2.1 LSTM模型

LSTM模型最早由HOCHREITER S和SCHMID-HUBER J[16]于1997年提出,是循环神经网络(Recurrent Neural Network,RNN)模型的改进版本。传统RNN模型模拟径流时其时间窗口通常小于10个时间步长。这意味着只能使用过去10 d的驱动数据来模拟第2天的径流,这对于径流模拟而言时段太短,因为径流对降水响应的滞后时间可能会持续几个月[17]。此外,传统RNN模型模拟时存在梯度消失的问题。LSTM模型通过巧妙地设计遗忘门、输入门、输出门和自循环等结构,较好地弥补了RNN模型在学习长期依赖问题上的不足[18]。

LSTM模型由一组反复连接的记忆块(当前神经元)组成,t时刻每个记忆块包含一个细胞单元状态ct、遗忘门ft、输入门it、输出门ot以及隐藏状态ht(图2)。细胞单元状态用来存储系统信息,3个“门”允许网络有选择地保留过去的重要信息,而忽略无关的信息。具体来说,输入门决定新流进细胞单元的多少,意味着输入信息有多少需要进行过滤;遗忘门决定之前的状态在细胞单元中保留多少信息,代表遗忘过去多少信息;输出门决定输出细胞单元的哪一部分,控制一部分信息进行记忆。

图2 长短期记忆网络结构

2.2 模型设定

本文基于LSTM模型框架构建了一个径流模拟模型来模拟黄河源区的径流过程,模型框架如图3所示。考虑到所采用的气象数据和径流量观测数据自1960年开始稳定,选用的13个气候模式的历史模拟数据截止到2014年,为了尽可能多地利用数据信息,确定1960年1月—2014年12月为模型的训练期,2015年1月—2018年12月为模型的验证期。构建的模型包含一个输入层和一个输出层,输入层用来输入模型的驱动数据,包括实测径流量、降水量、平均气温、最低气温和最高气温,输出层用来输出唐乃亥水文站的模拟径流时间序列。

图3 基于LSTM模型的径流模拟模型框架

LSTM模型中的超参数(本质上是一种网络配置方案),需要在训练网络之前进行设置。一般认为,超参数对模型预测精度至关重要,但对于如何配置超参数却没有定论[19]。本文利用现有的深度学习工具箱来构建LSTM模型,大多数超参数直接使用工具箱中的默认值,其余超参数参考已发表的文献,以降低过拟合或拟合不足的风险[20-22]。具体来说,丢弃率设置为0.4,迭代次数设置为250,隐含层神经元个数设置为128,学习率设置为0.1。LSTM模型以逐月步长运行,预测期(2030年1月—2099年12月)的驱动数据包括逐月降水量、平均气温、最低气温和最高气温。

2.3 模型评价指标

本文选用纳什效率系数(NSE)、决定系数(R2)和偏差系数(BIAS)作为模型的评价指标。NSE、R2越接近1,BIAS越接近0,说明模型的模拟效果越好。各评价指标的计算公式分别如下:

(1)

(2)

(3)

2.4 水资源对气候要素的弹性系数

本文根据弹性系数的概念,确定水资源(以径流量Q表示)对气候要素(降水量P、平均气温T)的弹性系数ε,其计算公式分别如下[23]:

(4)

(5)

式中εP、εT分别为水资源量对降水量P和平均气温T的弹性系数。

将公式(4)和公式(5)分别改写为如下离散形式:

(6)

(7)

根据最小二乘法计算ε值,公式如下:

(8)

式中:rQ,Y为水资源量与气候要素的相关系数;CQ、CY分别为水资源量、气候要素的变差系数;Y代表气候要素(降水量P或平均气温T)。

如果综合考虑降水量P和平均气温T对水资源量的影响,可将公式(6)和公式(7)联立改写为:

(9)

本文根据公式(9)来定量分析降水和气温变化对黄河源区水资源量的综合影响。

3 结果分析

3.1 LSTM模型模拟结果分析

根据气象数据、水文数据序列长度和连续性要求,分别将1960年1月—2014年12月和2015年1月—2018年12月作为模型的训练期和验证期,以纳什效率系数(NSE)、决定系数(R2)和偏差系数(BIAS)作为模型的评价指标。黄河源区径流模拟模型的总体表现见表2。由表2可知,训练期和验证期模型的3个评价指标值均在水文预报精度要求的许可范围内。

表2 LSTM模型总体表现

为了更加直观地反映LSTM模型在径流过程模拟中的表现,将LSTM模型的模拟值与实测值进行对比,结果如图4所示。由图4可知:①LSTM模型能够较好地模拟流域的径流过程,并能充分学习黄河源区气象要素与径流过程之间的复杂关系。②1981年9月唐乃亥水文站实测径流量存在一个异常高点,其月平均径流量高达3 551 m3/s,LSTM模型对该异常高点的模拟效果较差,使得模型在整个训练期的模拟精度有所降低。经查证,1981年9月黄河源区出现了长达月余的阴雨天气,造成黄河上游发生了自1904年以来最大的一次洪水[24]。③模拟的低径流量系统性偏大,高径流量系统性偏小,这与LSTM模型的结构和研究区不同月份的降雪融雪有关。④12月和1—4月的模拟值明显高于实测值,7—10月的模拟值明显低于实测值。为了更好地模拟径流过程,本文采用修正系数法修正模拟径流量[25],计算公式如下:

图4 唐乃亥水文站月径流量模拟结果

Q模rev=kQ模。

(10)

式中:Q模rev为修正后的模拟径流量;Q模为模拟径流量;k为修正系数,是训练期模拟径流量与实测径流量的线性相关系数。

根据公式(10)可计算出一年内各个月份的修正系数,其中9月份的修正系数值最大,为1.30;1月份的修正系数值最小,为0.51。将得到的训练期年内各月份的修正系数应用于验证期来验证计算结果的可靠性,结果如图4所示。由图4可以看出,修正后的模拟月径流量与实测径流量更为接近。表3给出了修正后的模型总体表现,由表3的模型评价指标值可以看出,修正后的模型模拟精度较修正前(表2)的有明显提升。综上,修正后的LSTM模型能够较好地模拟黄河源区径流过程。

表3 修正后的LSTM模型总体表现

3.2 未来气候变化对径流的影响

3.2.1 未来气候要素预估

考虑到不同气候模式间存在较大的不确定性,本文将13个气候模式对应的SSP126、SSP245和SSP585 3种气候变化情景数据的平均值作为基础数据,以此分析黄河源区未来近期(2030—2059年)与未来远期(2060—2099年)的降水量、平均气温、最高气温和最低气温的变化趋势,其中降水量的变化情况如图5所示。图5中的结果表明:①不同气候变化情景下的降水量有所差异,未来近期降水量整体变化不大,SSP126、SSP245和SSP585 3种气候变化情景下降水量的增长幅度分别为0.16%、0.45%和0.60%;未来远期降水量明显增加,SSP126、SSP245和SSP585 3种气候变化情景下降水量的增长幅度分别为0.42 %、0.65 %和1.09 %。②黄河源区汛期(6—10月)降水量呈现减少趋势,而非汛期降水量呈缓慢增加趋势,即黄河源区降水年内分配不均状况将可能得到缓解。

图5 未来不同气候变化情景下黄河源区月平均降水量的变化情况

表4列出了黄河源区基准期、未来近期和未来远期的多年平均气温、最高气温和最低气温,同时对比了未来近期和未来远期多年平均气温、最高气温和最低气温较基准期的变化情况(括号中的数值代表变化量,↑代表温度上升)。

表4 未来不同气候变化情境下黄河源区气温变化 ℃

由表4可知,未来黄河源区的气温均呈现升高趋势,并且随着温室气体排放当量的增加气温升高幅度增大,且不均衡发展路径SSP585高强迫情景下的平均气温、最高气温和最低气温的升高幅度最大。气温对径流的影响较为复杂,气温降低时,蒸散发减少,可能导致地表径流增加;气温升高时,由于积雪冻土消融和蒸散发的冲突效应,可能增加黄河源区未来径流变化的不确定性。

3.2.2 未来不同气候变化情景下的径流变化

将2030—2099年降水量、平均气温、最高气温和最低气温的统计降尺度数据输入到构建好的径流模拟模型中,获得唐乃亥水文站未来的径流过程,如图6所示。从图6中可以看出,黄河源区未来不同气候变化情景下径流量均呈现出轻微下降趋势。其中,可持续发展路径低排放情景SSP126下,研究区2030—2099年的多年平均径流量为630.27 m3/s,较基准期的减少2.09%;中间发展路径中等排放情景SSP245下,研究区2030—2099年的多年平均径流量为619.42 m3/s,较基准期的减少2.68%;不均衡发展路径高排放情景SSP585下,研究区2030—2099年的多年平均径流量为600.87 m3/s,较基准期的减少6.14%。这种径流减少现象可能与近几十年全球气温升高有关:气温升高导致区域蒸散发量增大,由于未来降水的增加趋势并不显著,从而导致黄河源区径流量减少。

图6 黄河源区未来径流变化趋势

黄河源区唐乃亥水文站未来近期和未来远期的年内各月平均径流量变化情况如图7所示。由图7可以看出:未来近期和未来远期的月平均径流量的年内分配情况较基准期的发生了显著变化,且径流量减少时段主要集中在6—11月份;月平均径流量的变化曲线由基准期的“双峰型”调整为无明显的流量峰值,这意味着径流的年内差异可能有变小的趋势。

图7 未来不同气候变化情景下黄河源区径流年内分配过程

为进一步分析不同气候变化情景和不同时段下黄河源区径流的变化情况,以1960—2018年唐乃亥水文站的径流量为基准,计算黄河源区3种气候变化情景下未来近期和未来远期的径流变化率(表5)。由表5可知:相比基准期,黄河源区的多年平均径流量和汛期径流量均呈现减少趋势,其中年平均径流量的减少幅度大多在10%以内,汛期径流量的减少幅度为30%～40%;非汛期径流量相比基准期的呈现增长趋势,增长幅度大多在30%左右,且未来远期的增长幅度均高于未来近期的。总之,未来近期和未来远期年平均径流量的减少趋势不显著,但非汛期径流量增加、汛期径流量减少,可能会在一定程度上缓解黄河源区水资源年内分配不均的问题。

表5 未来不同气候变化情景下黄河源区径流变化率

3.3 未来气候变化对区域水资源的可能影响

经预测,未来2030—2099年黄河源区气温呈现出持续升高态势。这不仅会带来当地用水需求的增加,而且必然会加剧区域蒸散发对水资源的损耗,再加上汛期降水量呈减少趋势,尽管非汛期降水量增加使其径流量较基准期的有所增加,但仍无法降低汛期降水量减少对径流的不利影响。因此,未来气候变化将可能导致黄河源区年均径流量总体呈现轻微下降趋势。

本文采用气候弹性系数法,以中间发展路径中等排放情景SSP245为例,定量分析降水和气温变化对黄河源区水资源量的潜在影响。经计算得到黄河源区水资源量对降水的弹性系数为0.392,说明水资源量随降水量的增加而增加,即当降水量增加10%时,水资源量将增加3.92%;黄河源区水资源量对气温的弹性系数是0.085,说明水资源量随气温的升高而减少,即当气温升高1 ℃时,水资源量将减少2.42%。根据水资源量对降水和气温的弹性系数绝对值大小可知,黄河源区水资源量对降水变化的敏感性明显高于对气温变化的敏感性。

根据未来降水和气温的预估结果,预计未来2030—2099年黄河源区降水量的变幅为-15%～25%,气温变幅为1.0～3.0 ℃。因此,针对黄河源区未来可能的降水和气温变化情况设定不同方案,探讨未来气候变化对区域水资源量的可能影响。具体方案设置如下:降水量较基准期的分别变化-15%、-5%、5%、15%、25%;气温较基准期的分别增加1.0、1.5、2.0、2.5、3.0 ℃。不同方案下黄河源区水资源量的变化情况如图8所示。由图8可知:当降水量变化-15%～25%时,黄河源区水资源量的变幅为-5.87%～9.79%;当气温升高1.0～3.0 ℃时,黄河源区水资源量的变幅为-7.29%～-2.42%。上述未来气候变化对黄河源区水资源量的可能影响与舒章康等[26]、孟宪红等[27]的研究结论基本一致,可信度较高。

图8 不同方案下气候变化对水资源量的影响

4 讨论

根据本文研究结果,未来黄河源区气候变化的主要特征是整个区域 “增温增湿”。非汛期气温升高,引起源区冰川积雪融化,再加上非汛期降水量的增加,使得未来黄河源区非汛期径流量明显上升;汛期降水量减少,同时气温升高导致蒸散发加剧,使得未来黄河源区汛期径流量下降,且汛期径流量的减少量高于非汛期的增加量。因此,未来黄河源区年径流量呈轻微下降趋势。杜懿等[28]以CMFD再分析数据集和CMIP5全球气候模式输出数据为基础研究发现,我国西北地区的历史气候呈显著的暖湿化倾向,在未来情景下,气候将继续朝暖湿化方向发展,同时降水量的年内分配不均匀性也将进一步减小,这与本研究的结论基本一致。有研究认为,这种“暖湿”对干旱区湿润程度具有改善作用,但不会改变其干旱少雨的基本气候特征。这是因为我国西北地区降水的形式和性质与东部地区的存在着根本的差别,降水增加主要是以极端和短时对流降水的形式增加[29]。李林等[30]研究指出全球变暖背景下蒸发量的增大和冻土的退化是导致黄河源区径流量减少的气候归因,并根据区域气候模式系统预测了未来20年黄河源区径流量的变化趋势可能仍以减少为主。

以往的研究主要基于RCPs情景并结合传统水文模型来模拟流域未来径流变化,其所得结论表明黄河源区唐乃亥站未来径流量呈现减少趋势[31-32]。本文结果显示,未来黄河源区年径流量较基准期的呈轻微减少趋势, 减少幅度为1.01%～14.47%,和以往的研究结果相符。但以往模拟径流的概念模型和物理模型中通常包括待估计的参数,由于这些参数大多数与气象、植被、地形、地质和土壤等的特征有关,当模型应用于基础数据不足或可靠性较低的地区时,可能会影响结果的准确性。本文采用的数据驱动长短期记忆网络模型不仅模拟精度高而且适用于缺少数据的地区。本文还发现未来近期和未来远期年平均径流量的减少趋势并不显著,非汛期径流量增加、汛期径流量减少可能会在一定程度上缓解黄河源区水资源年内分配不均。

值得注意的是,气候模式的模拟输出结果具有较大的不确定性;采用降尺度、误差修正等方法得到的情景模拟结果也伴随着额外的误差,这是气候模式应用中普遍存在的问题。本文基于长短期记忆网络构建的径流模拟模型虽然具有较好的模拟效果,但也只能以非解析数值方式考虑气象-径流时间序列的变化,不能有效说明土地利用、植被覆盖和水利工程等可能对径流变化产生的影响。因此,后期可考虑在模型中加入更多的影响因子来完善模型,从而更准确地进行径流模拟预估。

5 结论

本文基于13个气候模式预估数据,利用长短期记忆网络(LSTM)构建了径流模拟模型,对黄河源区未来径流进行了模拟,预估了2030—2099年不同SSPs情景下黄河源区年平均、汛期和非汛期的径流变化特征,并量化了未来气候变化对区域水资源的潜在影响,得到如下结论:

1)修正后的LSTM模型在训练期(1960年1月—2014年12月)和验证期(2015年1月—2018年12月)的纳什效率系数分别达到了0.84和0.87,表明所构建的径流模拟模型在黄河源区具有较好的适用性,可以用于未来气候变化情景下的径流预估。

2)未来3种气候变化情景下,2030—2099年黄河源区气温呈升高趋势,年均降水量呈轻微增加趋势,且汛期降水量减少、非汛期降水量增加。这可能在一定程度上会缓解黄河源区降水量年内分配不均的情况。

3)3种气候变化情景下,未来近期(2030—2059年)和未来远期(2060—2099年)的年径流量较基准期的呈轻微减少趋势,其中非汛期径流量呈现增长趋势,增长幅度在30%左右,汛期径流量呈现减少趋势,减少幅度为30%～40%,即未来黄河源区径流的年内差异有变小的趋势。

4)黄河源区水资源量对降水量的弹性系数为0.392,对气温的弹性系数为0.085,说明水资源量随降水量的增加而增加,随气温的升高而减少,且水资源量对降水变化的敏感性高于对气温变化的敏感性。预计当降水量变化-15%～25%时,水资源量变化-5.87%～9.79%;气温升高1.0～3.0 ℃时,水资源量变化-7.29%～-2.42%。