基于陆气耦合模型的浙江省区域干旱过程预报分析

摘要：干旱及其准确预报一直是水文气象领域研究的重难点问题。为探索准确可行的干旱预报方法，基于VIC模型与欧洲中期数值天气预报中心（ECMWF）预报气象数据建立的陆气耦合干旱预报模型，计算监测与预报土壤含水量，分析土壤含水量距平指数（SMAPI）的时空分布特征，在此基础上评估耦合模型对浙江省干旱的预报能力。结果表明：① 从预见期来看，0～11 d预见期的SMAPI预报值与监测值在绝对误差、RMSE和R值上表现较好，即模型在旬尺度上预报效果最佳；② 该模型的旬尺度预报可以在时间变化过程上准确把握未来干旱的发展趋势，在空间预报上与监测的SMAPI值网格分布一致性可达90%以上；③ 模型对浙江省西北少雨平原区预报性能更佳，且对土壤含水量变化较剧烈地区的旱情预报趋势描述更好。研究成果可为浙江省干旱灾害防范预警提供科技支撑。

关 键 词：干旱预测； 土壤含水量； 陆气耦合模型； VIC模型； 浙江省

中图法分类号： P338.6

文献标志码： A

DOI：10.16232/j.cnki.1001-4179.2024.09.019

0 引 言

干旱作为世界上影响范围最广的灾害之一，其形成涉及大气、陆面、人类活动等多重影响［1］，干旱预报是防灾减灾的有效手段。浙江省旱灾发生频次高且范围强度大，尤其是2022年浙江省内降水异常偏少，遭遇大范围气象干旱，且长历时降水短缺造成严重的夏秋连旱［2］，对社会经济造成了较大影响。因此，开展浙江省干旱预报研究对于提升区域干旱防御能力具有重要意义。

由于干旱的形成机制复杂多变，对于干旱事件的精准识别与预报仍然是当前水文问题研究的热点与难点［3-5］，其常用方法有机器学习、概率预报与模型耦合模拟等［6-11］。其中，模型耦合模拟方法通常选取未来气候条件下的气象因子作为模型的输入值或者将不同模型的输出结果耦合［12］，来模拟区域干旱相关特征变量，以获取区域未来干旱状态的模拟值。该方法相对其他方法较易实现，且对区域状态量的模拟准确性高，被广泛应用于各种大型干旱监测预报系统之中［13］。然而，自然区域的下垫面情况与气候特征通常难以精确概括，由于区域水文特征的复杂性对于区域干旱的预报仍具有一定不确定性。大尺度分布式水文模型VIC可以生成基于实测数据的当前土壤状态文件以减少监测预报的不确定性，同时可以考虑网格内地面植被类型和土壤蓄水能力的空间分布不均匀性，能够更好地模拟地面径流和土壤含水量，更准确地反映实际水文过程。因此VIC模型在区域性干旱预报中较为实用，常被应用于全球主要干旱预报监测系统的构建［14］。

为了探索行之有效的区域干旱预报方法，本文使用欧洲中期数值天气预报中心（ECMWF）预报气象数据与大尺度水文模型VIC，建立了具有30 d预见期的干旱预报模型，并在浙江省2022～2023年大范围干旱事件中进行验证，评估了耦合模型的预报能力。研究成果可为干旱防灾减灾提供技术参考。

1 研究资料与方法

1.1 研究区概况与资料来源

浙江省位于中国东南沿海地区长江三角洲南部，其经纬度范围为118°1′E～123°10′E，27°2′N～31°11′N。全省土地面积10.18万km2，地势西南高东北低。省内整体属于亚热带季风气候，雨量丰富，年均气温15～18 ℃，年均降水1 100～2 000 mm。

研究资料主要包括气象水文及土壤植被等数据。实测水文气象数据来源于浙江省站点观测值，预报气象资料来自于ECMWF中期数值天气预报模式的预报数据集（ECMWF | Advancing global NWP through international collaboration）［15］ 。浙江省内的雨量站点分布情况如图1所示。

1.2 研究方法

1.2.1 干旱指标的选取与干旱事件识别

本研究选取吴志勇等提出的土壤含水量距平指数（soil moisture anomaly percentage index，SMAPI）进行干旱事件的识别与特征分析［16］。SMAPI是一种基于土壤含水量相对状态的干旱指数，它能够很好地反映不同地区的土壤湿度状况与干旱状态，已有研究表明SMAPI可以很好地刻画多个区域的干旱特征［16-17］。SMAPI的计算公式及等级划分详见文献［17］。SMAPI为负值时表示干旱，干旱强度由SMAPI除以SMAPI小于-5%的天数（历时）计算得出，干旱烈度为干旱强度与历时的乘积。

干旱识别方法采用游程理论。该方法规定当干旱事件的识别指数低于某一特定阈值的时间达到或超过规定时段长度时，视作一次干旱事件发生［18］。在本研究中，当30%区域面积的SMAPI指数达到-5%及以下，且干旱时长持续30 d及以上，视作一次区域干旱事件发生。当两场干旱事件间隔小于10 d时，将两场干旱事件合并为一场。

1.2.2 陆气耦合干旱预报模型的构建

采用陆气耦合方法构建干旱预报模型，并使用实测气象资料作为VIC的气象输入文件。模型网格大小为10 km×10 km，其参数主要包括气候地理、土壤、植被和水文、地形。土壤参数包括土壤类型分类数据，参考Reynolds等10 km分辨率土壤数据库［19］；植被参数包括植被分类和面积覆盖情况，植被类型参考马里兰大学1 km土壤覆盖数据集进行提取，植被参数使用LDAS（land data assimilation system）的数据；水文参数包括3层土层厚度、饱和容量曲线形状参数等，基于水文资料使用Rosenbrock算法［20］与人工调节共同率定。 具体率定过程及方法内容介绍详见文献［21］。

获取基于2022年1月1日至2023年9月30日实测气象数据模拟的0～100 cm土壤含水量数据，构建SMAPI序列反映干旱监测结果（以下以监测SMAPI代替）。选取同时段欧洲气象预报中心的未来10 d中期预报降水和气温驱动耦合模型，并使用基于实测气象数据模拟的土壤含水量作为陆气耦合预报模型的土壤初始状态，以减少模拟的不确定性。应用陆气耦合干旱预报模型逐日滚动输出预报土壤含水量，构建不同预见期的SMAPI，实现未来30 d干旱逐日过程预报。对预报与监测的干旱等级、干旱分布、干旱演变等进行时空过程对比与误差分析，以检验模型的预报能力。陆气耦合干旱预报模型结构示意见图2。

2 模型预报能力评估

2.1 浙江省2022～2023年干旱特征分析

2022年1月1日至2023年10月31日浙江省经历了极端降雨短缺造成的大范围长历时干旱以及一场短历时大范围干旱。根据识别出的干旱过程分别绘制图3所示的干旱面积时程变化图和图4所示的区域网格干旱历时空间分布图。

在2022年共识别出一场干旱，其持续时间为145 d，平均干旱面积为69.75%，平均强度为-0.16，平均烈度为-23.2。此次干旱从2022年7月7日开始，持续到2022年11月28日，属于夏秋连旱。从图3中可以看出，此次干旱呈现出波动渐进式的发展模式，在2022年7～8月的发展阶段以及11月底的缓解阶段，干旱面积的变化速度较快。在11月13日，干旱面积达到了最大值94.03%，此时的极旱面积达到了27.39%。除了东北角的宁波市和绍兴市的旱情较弱外，其他50%的区域面积旱情都达到了重旱及以上。总的来看，这次干旱在空间上由北向南逐渐扩张，干旱中心在夏旱的前期位于流域的北部，区域内主要以轻旱为主，后期转移到流域的东南部，重旱和极旱的比例增加。秋旱的严重程度大于夏旱，干旱面积基本覆盖了全省所有的区域，且重旱和极旱的比例较大。

在2023年识别出一场短期干旱，其持续时间为31 d，平均干旱面积为69.21%，平均烈度为-3.534，平均强度为-0.114。此次干旱从2023年5月23日开始，持续到2023年6月22日。干旱面积由东南向西北发展，主要的干旱中心出现在温州市的南部。由图3可知，尽管全区的干旱面积最大可以达到80%以上，但是重旱和极旱面积的最大值仅为10.50%，极旱面积的最大值仅为3.09%。旱情总体以轻旱为主，整体的干旱时长较短，发展和缓解的速度较快，存在一次为期4 d的缓解阶段。图4展示了2022～2023年干旱时段内网格干旱历时空间分布，可以看出干旱中心呈现出从西北到东南的对角线分布，流域内的整体网格干旱时长在50～250 d之间，历时较长。干旱时长在5个月及以上的主要区域为湖州、杭州、金华、温州和台州市。其中，杭州市是2022年干旱的前期干旱中心，而温州市是2022年秋旱和2023年干旱的中心。

2.2 干旱预报误差分析

图5展示了SMAPI模型预报误差与预见期之间的关系。从图5中可以观察到，模型的绝对误差（以百分比表示）中位数在0值附近波动，大部分位于0以下。整体来看，模型的绝对误差中位数保持在-20%～20%的区间内，显示出模型在日、旬、月尺度上的预报误差是可接受的。在0～11 d的预见期内，上下四分位数的绝对误差保持在5%左右。但从12 d预见期开始，随着预见期的增长，绝对误差的区间开始显著增加，超过了10%。这表明，SMAPI预报模型在0～11 d的预见期内预报绝对误差较小，因此，其旬预报能力优于月预报能力。

浙江省及各地市不同预见期干旱预报与监测结果的均方根误差和相关系数如图6所示。从图6（a）可见，浙江省的干旱预报RMSE值在预见期超过12 d后显著增加，超过5 d，并且随着预见期的增加，RMSE呈现上升趋势。相关系数的变化与RMSE类似，从图6（b）可见，当预见期超过11 d和27 d后，相关系数显著下降。这意味着，每增长约10 d的预见期，误差精度会有一个较大的变化。然而，在预见期为10 d以内时，预报值与监测值的相关系数可以达到0.9以上，这表明模型在旬尺度上的预报误差较小。因此可以得出结论：该模型在进行浙江省干旱预报时，最佳的预见期为0～11 d，即旬尺度预报。

在前文分析基础上，分别分析了浙江省内10个市级行政区的SMAPI值预报精度。如图6（a）所示，不同区域的均方根误差与预见期之间呈现出基本的正相关关系。在旬尺度预见期内，除舟山市外，其他地区的RMSE值均小于6 d。这可能是因为舟山市位于海上，湿润时段较长。杭州、金华、湖州、绍兴市预报精度较高，整体RMSE维持在10 d以下。其中杭州市预报效果最好，以杭州市为中心向外辐射，平均误差逐渐上升。结合地形特征分析可知，预报效果较好的区域多为平原，而误差较大的区域则多为山地和丘陵地带。这表明，该模型的预报能力从西北部的平原区向东部的沿海区递减，在平原区的预报效果更好。对比浙江省2022年水资源公报［22］提供的降雨信息可知，这些地区年降雨量较低，说明模型对于雨量偏少地区的干旱情况预报更好。舟山与绍兴市的相关系数在11 d及以上预见期区间出现负值，这是因为这两个城市2022年降水量分别较上年减少了24.5%与31.9%。而所有沿海城市11 d以上预见期预报值与监测值的相关系数都比较差，这可能是由于长预见期的降水数据精度下降和数据序列自相关性增强所导致的。整体来看，模型在旬尺度预见期内的预报误差大部分小于5 d，准确度较高。如图6（b）所示，相关系数指示出的模型预报精度与预见期的关系显示出相同的规律。在旬尺度预见期内，相关系数均在0.6以上。总体而言，模型预报值各个精度指标在预见期为0～11 d的旬尺度表现最佳。

2.3 干旱预报能力时程分析

基于前文分析结果可知，陆气耦合干旱预报模型对浙江省干旱过程在旬尺度上的预报能力最佳。为进一步评估模型旬尺度干旱预报能力，使用预报SMAPI与监测SMAPI的识别结果进行干旱时程逐日预报过程的对比分析。

陆气耦合模型对浙江省内2022～2023年SMAPI逐日预报过程如图7所示。模型根据预报气象数据进行实时预报滚动，当预报数据出现缺失或模型出现故障时会发生漏报现象，如图中2023年2～3月。此外也存在较低的误报几率，如2022年9月少数滚动预报在旱情发展阶段指示出旱情缓解的趋势。从图7中可以看出，整体预报趋势围绕监测值上下波动，与监测值变化趋势大致相同。大部分预报值相较监测值在峰值区偏大，如2022年6月、2023年1～2月与2023年4月、2023年8～9月，这几处湿润状态的峰值预报值整体略大于监测值。在流域干湿状态变化较剧烈的阶段（如2022年9、11月与2023年7月）预报值与监测值贴合较好，预报误报率更低。同时可以看出，在干旱的发展阶段预报情况较实际旱情偏严重，旱情发展速度略快于监测情况，如2022年7～10月预报的SMAPI极值绝对值大于监测SMAPI的绝对值。整体对比可见模型在绝大多数情况下的预报旱情与实际旱情发展趋势一致，对于干旱的预报比对湿润状况的预报更为准确，且在土壤水分变化剧烈时的预报准确率更高，能够较好地表征区域内的旱情特征变化。

2.4 干旱预报能力空间分析

通过分析浙江省干旱发展的关键时间节点，绘制了实测和预测的日面SMAPI值的空间分布图（图8～9），旨在评估模型在旬尺度上对干旱空间分布预测的准确性。选取2022年干旱的关键时间节点进行分析，包括干旱面积达70%（8月20日）、极旱面积分别达到20%（9月23日）和30%（10月27日）、干旱面积最大（11月13日）以及干旱缓解阶段（11月25日）。分析结果表明，在干旱发展和持续阶段，模型在1～5 d的预见期内能够准确预测干旱的空间分布，与实测数据高度一致。当预见期延长到11～15 d时，虽然在预测干旱中心位置的准确度方面略有下降，但仍然相对准确。然而，当预见期为21～30 d时，预测的干旱位置和面积与实际观测值存在较大差异，预测结果通常更接近于实测日期前几日的干旱分布情况。在干旱缓解阶段，模型在中旬尺度预见期内的预测干旱情况通常低于实际情况，但能够较准确地预测出干旱中心和等级分布。对于20～31 d的预见期，预测结果显示出一定的延迟，反映出较为严重的干旱状态，尽管如此，预测仍然捕捉到了干旱减弱的趋势。总体而言，该模型在短期预见期内展现出较高的预测准确性，但随着预见期的延长，准确性有所下降，尤其是在预测干旱的具体位置和面积方面。

根据2023年浙江省内干旱过程，选取干旱起始阶段干旱开始日（5月23日）、发展阶段干旱面积达60%日（5月28日）、干旱持续阶段干旱面积最大日（6月4日）进行旬尺度以内预见期的空间预报精度验证，绘制如图9所示的2023年干旱预报空间分布情况。该场次干旱预报可代表短历时等级较低旱情发生时模型的预报特性，总体而言与时程分布指示出的干湿环境下的预报特性一致。在干旱发展和持续阶段模型能够准确预报出干旱中心的特征，候、旬尺度上的预报也能较好描述出干旱等级的面积分布。

整体来看，随着预见期的增长，模型对干旱严重程度的预报逐渐偏小，同时干旱中心位置和干旱面积大小的预报精度逐渐下降。在预见期增长后，模型倾向于保留省份内偏西部地区的干旱特征，而对省份东部沿海区域的干旱情势预报准确性欠佳。总体而言，模型的旬尺度预报结果优秀，可以做到准确预报出干旱面积、中心以及等级，预报值与监测值在90%左右的网格面积上一致，能够较好地刻画全区长历时大范围未来多日干旱情势特征以及发展趋势，并可以较好地预报旱情发展持续阶段的变化特征。

3 结 论

本文以浙江省为研究区域，验证使用大尺度分布式水文模型与预报气象数据建立的陆气耦合干旱预报模型在区域内的预报实用性。将输出的预报与监测土壤含水量用于构建土壤含水量距平指数SMAPI，在此基础上识别并分析了2022～2023年浙江省干旱事件，然后根据不同预见期对模型预报与监测值之间的误差进行比较分析，并利用陆气耦合模型对浙江省2022年和2023年干旱发生发展过程的监测预报值时空分布进行对比分析，探讨了该模型在浙江省内进行干旱预报应用的可行性。主要结论如下：

（1） 不同预见期的监测与预报SMAPI值的误差指数显示，1～11 d预见期表现最好，在旬尺度上模型对SMAPI值的预报精度较高。

（2） 对比监测与预报SMAPI值的时空分布情况可知，该模型可以较精确地刻画出干旱的时空展布特征。时间上旬尺度预报可以预报出干旱未来的发展趋势；模型空间上也可以准确展现干旱中心和等级的变化，对旱情发展持续阶段的预报精度优于缓解阶段。

（3） 根据浙江省内不同市的预报与监测值的差异发现，模型在杭州、金华市等降水较少的平原区域预报性能更佳，且对土壤含水量变化较迅速以及严重程度较高地区的旱情预报趋势描述更好。

参考文献：

［1］ DAI A.Increasing drought under global warming in observations and models［J］.Nature Climate Change，2013，3（1）：52-58.

［2］ 浙江省统计局.浙江省自然地理［EB/OL］.（2023-03-17）［2023-12-12］.https：∥www.zj.gov.cn/art/2023/3/17/art_1229398249_60056356.html.

［3］ BRUNNER M I，SLATER L，TALLAKSEN L M，et al.Challenges in modeling and predicting floods and droughts：a review［J］.WIREs Water，2021，8（3）：e1520.

［4］ 吴志勇，张静杰，何海，等.区域抗旱能力评价研究进展［J］.人民长江，2023，54（9）：24-32.

［5］ 吴志勇，程丹丹，何海，等.综合干旱指数研究进展［J］.水资源保护，2021，37（1）：36-45.

［6］ NANDGUDE N，SINGH T P，NANDGUDE S，et al.Drought prediction：a comprehensive review of different drought prediction models and adopted technologies［J］.Sustainability，2023，15（15）：11684.

［7］ 樊高峰，张勇，柳苗，等.基于支持向量机的干旱预报研究［J］.中国农业气象，2011，32（3）：475-478.

［8］ HAO Z，HAO F，SINGH V P，et al.Probabilistic prediction of hydrologic drought using a conditional probability approach based on the meta-Gaussian model［J］.Journal of Hydrology，2016，542：772-780.

［9］ HAO Z，HAO F，SINGH V P.A general framework for multivariate multi-index drought prediction based on Multivariate Ensemble Streamflow Prediction （MESP）［J］.Journal of Hydrology，2016，539：1-10.

［10］周靖楠，徐敏，龚宇，等.基于分布估计算法优化极限学习机的干旱预测研究 ［J］.水利水电快报，2023，44（7）：8-14.

［11］殷浩，吴志勇，何海.基于机器学习的季尺度干旱预测研究［J］.人民长江，2021，52（增2）：60-63，78.

［12］HAO Z，XIA Y，LUO L，et al.Toward a categorical drought prediction system based on U.S.drought Monitor （USDM） and climate forecast［J］.Journal of Hydrology，2017，551：300-305.

［13］HAO Z，YUAN X，XIA Y，et al.An overview of drought monitoring and prediction systems at regional and global scales［J］.Bulletin of the American Meteorological Society，2017，98（9）：1879-1896.

［14］YUAN X，ROUNDY J K，WOOD E F，et al.Seasonal forecasting of global hydrologic extremes：system development and evaluation over GEWEX basins［J］.Bulletin of the American Meteorological Society，2015，96（11）：1895-1912.

［15］PETER B，MARTIN K，THOMAS J，et al.Advances in simulating atmospheric variability with the ECMWF model：from synoptic to decadal time-scales［J］.Quarterly Journal of the Royal Meteorological Society，2008，134（634）：1337-1351.

［16］WU Z Y，LU G H，WEN L，et al.Reconstructing and analyzing China’s fifty-nine year （1951-2009） drought history using hydrological model simulation［J］.Hydrology and Earth System Sciences，2011，15（9）：2881-2894.

［17］吴志勇，徐征光，肖恒，等.基于模拟土壤含水量的长江上游干旱事件时空特征分析［J］.长江流域资源与环境，2018，27（1）：176-184.

［18］周帅，王义民，畅建霞，等.黄河流域干旱时空演变的空间格局研究［J］.水利学报，2019，50（10）：1231-1241.

［19］REYNOLDS C A，JACKSON T J，RAWLS W J.Estimating soil water-holding capacities by linking the food and agriculture organization soil map of the world with global pedon databases and continuous pedotransfer functions［J］.Water Resources Research，2000，36（12）：3653-3662.

［20］宋霁云，张利平，李武阶，等.水文模型参数优选方法比较与参数敏感性分析［J］.水电能源科学，2011，29（4）：25-27，24.

［21］陆桂华，吴志勇，何海.大范围干旱动态监测与预报［M］.北京：科学出版社，2021.

［22］浙江省水利厅.浙江省2022年水资源公报［R/OL］.（2023-06-07）［2023-12-17］.http：∥slt.zj.gov.cn/art/2023/6/7/art_1229243017_5122446.html.

（编辑：谢玲娴）

Forecasting analysis on regional drought process in Zhejiang Province based on land-air coupled model

QIU Chao1，LIU Xiyuan2，WU Zhiyong2，HE Hai2，XU Boliu1，LI Yuan2

（1.Zhejiang Hydrological Management Center，Hangzhou 310009，China； 2.College of Hydrology and Water Resources，Hohai University，Nanjing 210098，China）

Abstract：

Drought and its accurate prediction have always been a major problem in the field of hydrometeorology.To explore accurate and feasible drought forecasting methods，a land-air coupled drought forecasting model based on the VIC model and the European Center for Medium-Range Numerical Weather Forecasting （ECMWF） forecasting meteorological data was established to calculate monitored soil water content and predicted soil water content and to analyze the spatial and temporal distribution characteristics of the Soil Moisture Anomaly Percentage Index （SMAPI），based on which we assessed the drought forecasting ability of the coupled model over Zhejiang Province.The results show that：① for the foresight period，the forecasted and monitored SMAPI values in the foresight period of 0～1l d perform better in terms of absolute error，RMSE，and R-value，which shows the model has the best forecasting effect in the 10-day scale；② The 10-days scale forecast of the model can accurately grasp the development trend of the future droughts in the process of temporal change，and the consistency of the spatial forecast with the grid distribution of the monitored SMAPI values can reach 90% or more；③ The model has better prediction performance in the plain area with little rainfall in the northwest of Zhejiang Province，and better describes the trend of drought prediction in the area with more drastic changes in soil water content.The research results can provide scientific and technological support for drought disaster prevention and early warning in Zhejiang Province.

Key words：

drought prediction； soil moisture； land-air coupled model； VIC model； Zhejiang Province