在埃塞俄比亚塔纳湖盆地迪尔马河流域，利用集成的HEC-HMS和HEC-RAS模型进行洪水泛滥区建模和制图

《Journal of Hydrology: Regional Studies》：Floodplain inundation modeling and mapping using integrated HEC-HMS and HEC-RAS model on Dirma River Watershed, Lake Tana Basin, Ethiopia

　　Fitamlak T. Fikadie | Banteamlak K. Abebe | Abebe M. Belete | Abebe G. Chekole | Abram B. Wassie | Adugnaw N. Endalew | Alebel A. Bizuneh | Henok A. Bonger | Sendeku A. Kebad | Gebrehiwot G. Kassie | Aniley T. Tesfaye
洪水与水资源工程系，贡德尔大学，埃塞俄比亚贡德尔

**摘要**
**研究区域**：埃塞俄比亚塔纳湖流域的迪尔马河分水区。

**研究重点**：
洪水是一种具有严重环境、社会和经济后果的毁灭性自然灾害。本研究旨在对迪尔马河分水区的洪水淹没情况进行建模和制图，以分析洪水频率、识别敏感的水文参数，并生成用于风险管理的淹没地图。数据来源于现场测量和政府机构，包括水文气象、几何和空间数据集，经过预处理和质量控制后用于分析。洪水频率利用EasyFit软件进行统计分析，降雨径流模型使用HEC-HMS模拟，洪水范围则通过HEC-RAS模型确定。该模型在2000–2013年间进行了校准，在2014–2020年间进行了验证。

**研究区域的新认识**：
模型敏感性分析表明，土壤保护服务曲线数（SCS-CN-CN）、土壤保护服务曲线数初始提取值（SCS-CN-Ia）和SCS单位流量曲线-延迟时间是最具影响力的参数。模型表现良好，决定系数（R2）分别为0.82（校准阶段）和0.87（验证阶段），Nash-Sutcliffe效率值分别为0.73和0.78。利用HEC-HMS模拟的峰值流量，HEC-RAS模型生成的洪水淹没图显示，淹没面积从9.58平方公里（2年一遇）到11.68平方公里（100年一遇）不等。这些结果凸显了洪水风险的增加，强调了需要综合性的洪水管理策略，包括堤坝、植树造林和土地利用规划等结构性和非结构性措施。

**1. 引言**
洪水是全球频繁发生的破坏性自然灾害，会造成重大的社会经济和环境损失，包括人员伤亡、财产损失和基础设施破坏（Acosta-Espa?a等，2024；Manzoor等，2022）。有效的洪水预警系统有助于在灾难发生时采取适当的应对措施，可能挽救更多生命（Mehta等，2022）。作为广泛存在的自然灾害，洪水对洪泛区产生重大影响（Devitt等，2023）。当降水量或径流量超过河流、水库或排水系统的承载能力时，就会发生洪水（Asiedu，2020；Javadinejad，2022）。这些现象源于复杂的水文气象相互作用，如强降雨、河床溢出和地下水位上升（Sharma等，2024；Rawat等，2023）。全球范围内，洪水对人类生活的影响超过其他任何灾难，每年影响数亿人（Wang等，2024；Chan等，2023）。

埃塞俄比亚经常发生洪水，特别是在季风降雨主导的地区，大约80%的降雨集中在6月至9月（Gemeda等，2021）。埃塞俄比亚的洪水主要有两种类型：一种由强降雨引发，另一种由水坝泄洪和局部强降雨引起（Belay等，2023；Mphefu，2024）。迪尔马河流域是塔纳湖次流域的一部分，该地区在6月至9月的雨季经常发生洪水，原因是上游高地的强降雨导致河水漫出河岸（Desalegn和Mulu，2021）。这些事件会破坏农作物、迫使居民迁移，并加剧粮食安全问题（Cherinet等，2022；Bryson等，2024）。准确识别易受洪水影响的区域对于有效的洪水风险管理至关重要（Bodoque等，2023；Grigg，2023）。洪水缓解策略可以包括堤坝等结构性措施，以及危险地图绘制、预报和早期预警系统等非结构性方法（Pandey和Swarnkar，2025）。在财政和技术能力有限的发展中国家，非结构性解决方案往往更实用且成本效益更高（Ashour等，2024；Apollonio等，2025）。非结构性洪水管理依赖于洪水淹没模型来评估洪水的空间范围和时间过程及其潜在影响（Kumar等，2023；Navarro，2024）。HEC-RAS模型结合HEC-HMS提供的水文数据，被广泛用于模拟河流水力和洪水动态（Ansarifard等，2024；Abd-Elhamid等，2025）。该模型结合地形、水文和水力数据（如河流几何形状、流量、粗糙度系数和地形特征），以分析不同情况下的洪水行为（Nagarajan等，2022）。

因此，本研究旨在使用HEC-HMS和HEC-RAS的综合方法对埃塞俄比亚塔纳湖流域的迪尔马河流域进行洪水淹没建模。具体目标为：（i）选择最适合年峰值流量的洪水频率分布方法；（ii）识别影响HEC-HMS模型中降雨径流模拟的最关键参数；（iii）利用HEC-RAS模型绘制选定重现期内的洪水淹没范围地图。开展这项研究的动机在于探讨综合水文-水力模型是否能够准确模拟流域内的径流并识别潜在的洪 Areas。

**2. 材料与方法**
**2.1. 研究区域描述**
迪尔马河流域位于塔纳湖次流域内，属于更大的上尼罗河流域。从地理上看，该流域位于贡德尔中部地区，覆盖东德姆比亚（Koladiba）和西德姆比亚（Chuahit）两个行政区域，地处埃塞俄比亚西北部。流域的地理位置介于北纬12°16'–12°21'、东经37°18'–37°22'之间。流域海拔高度变化较大，最低海拔为1793米，最高海拔为2760米（见图1）。气候数据通过位于Ayikel、Ayimba、Chuahit、Gondar和Koladiba的气象站网络收集，确保了对该地区天气模式的全面监测。迪尔马河流域总面积约为354平方公里，年平均降雨量为1225毫米。然而，年降雨量并不稳定，最低为850毫米，最高可达1600毫米。该地区的月平均气温介于23.3°C至32.4°C之间，月平均最低气温介于11.8°C至15.7°C之间。

**2.2. 地形**
迪尔马河流域的地形（图2a）从海拔1793米到2760米不等，包括高原、平原、陡坡和山谷。地形分类采用修改后的联合国粮食及农业组织（FAO）坡度分级标准（Balasubramani等，2019），详见表1和图2b，坡度范围从平缓到陡峭（见图2b）。

**2.3. 气候**
埃塞俄比亚的气候根据海拔和温度分为五个区域：Bereha（炎热干旱区，<500米）、Kola（炎热干旱区，500–1500米）、Woina Dega（温暖温带区，1500–2300米）、Dega（温带高地区，2300–3300米）和Wurch（寒冷区，>3300米）（Wubaye等，2023）。迪尔马河流域位于Dega和Woina Dega区域，气候差异显著，Ayimba站的月平均降雨量为0.01毫米，而Gondar站则为12.06毫米（见表S1和图S2）。月平均最低气温介于11.8°C（Gorgora）和15.7°C（Gondar）之间，月平均最高气温介于23.3°C（Gondar）和32.4°C（Koladiba）之间。

**2.4. 土壤类型**
根据埃塞俄比亚水利与能源部的分类标准，流域主要土壤类型见表S3和图S3。最常见的是肥沃淋溶土（36.74%），其次为肥沃薄层土（31.69%）、肥沃冲积土（17.57%）和富铬淋溶土（13.99%），水体占比极低（0.003%）。

**2.5. 土地利用与土地覆盖**
流域内识别出14种土地利用类型。集中农业用地占最大比例（48.5%），其次是中等强度农业用地（21.6%）和农场村庄（18.2%）。其余11.7%包括草地、灌木丛和其他次要用途（见表S4和图S4）。

**2.6. 数据收集与分析**
数据收集通过调查、访谈、观察和自动化数字数据收集等方式从各种来源获取信息，以验证假设、支持决策或获得洞察。数据分析则侧重于通过统计分析、数据可视化和机器学习来解读数据，识别模式、趋势和关系。研究使用了初级和次级数据集。初级几何数据通过现场测量获取，使用全站仪获取横断面坐标和河流高程数据，用于HEC-RAS建模；次级数据（如Drima河流域的日流量数据）来自水利与能源部（MoWE），用于模型校准和验证（见表S5）。气象数据包括五个气象站（Gondar Azezo、Gorgora、Koladiba、Ayikel和Chuahit）的1998年至2020年的日降雨量、最低/最高气温、风速、相对湿度和日照小时数，用于估算2年、10年、25年、50年和100年一遇的峰值流量。各气象站对研究区域的贡献百分比通过ArcGIS的Thiessen多边形方法计算（见表S6和图S5）。空间数据集包括来自Alaska Satellite Facility（ASF）的12.5米分辨率DEM（网址：asf.alaska.edu），以及用于流域划分、坡度分类、排水网络分析和RAS-Mapper/HEC-RAS模型输入的LULC和土壤条件数据。

**2.7. 数据预处理与检查**
数据错误可能源于故障记录仪或测量设备，需在详细分析前进行彻底检查并清除。确认数据一致性后，对缺失值进行插补处理。

**2.7.1. 缺失数据估计**
缺失数据采用算术平均法、正态比例法和倒数距离法进行估计。当缺失比例小于10%时使用算术平均法，超过10%时使用倒数距离法和正态比例法。本研究采用算术平均法，公式如下：
$(P_x) = \frac{P_1 + P_2 + \ldots + P_n}{n}$
其中：$P_x$为有缺失记录的站点的降雨量，$P_1, P_2, \ldots, P_n$为参考站点的降雨量，$n$为参考站点数量。

**2.7.2. 数据质量测试**
**2.7.2.1. 一致性测试**
双质量曲线分析（Fikadie等，2022）验证了所有站点降雨数据的一致性。例如，Gondar Azezo气象站的降雨数据一致性测试结果如图4所示。

**2.7.2.2. 均质性测试**
面积降水量均质性测试（Franco和Tesfaye，2020）验证了降雨数据的均匀性（见图5）。

**2.7.2.3. 异常值处理**
异常值可能反映数据质量问题，应将其视为缺失数据处理。但真实的极端值虽可能扭曲统计数据，仍包含有价值的气候信息。异常值检测采用偏度方法和阈值方法进行。偏度（Cs）的计算方法如公式（2）所示：
(2) \(Cs = \frac{N\sum{(Y-Y_m)^3}{(N-1)(N-2)\delta_n^3}\)
其中：Cs 是样本数据的偏度，N 是样本数据的数量，Y 是样本数据的对数，Y_m 是样本数据的平均对数，\(\delta_n\) 是样本数据的平均标准误差，X_m 是样本数据的平均值。通过估计数据的偏度，可以判断 Gondar Azezo 站点的样本数据是否存在高值或低值异常值，或者同时存在高值和低值异常值（见表 2）。

a) 检测高值异常值：
\(Y_H = Y_m + Kn\sigma_y\)
其中 \(Y\) 大于给定数据的对应最大值，则数据可接受且足够；否则数据不足够。

b) 检测低值异常值：
\(Y_L = Y_m - Kn\sigma_y\)
其中 \(Y\) 小于给定数据的对应最小值，则数据可接受且足够；否则数据不足够。

表 2. 异常值检测标准

情况 1：如果偏度（Cs）< -0.4，则检测低值异常值。

情况 2：如果偏度（Cs）> +0.4，则检测高值异常值。

情况 3：如果偏度（Cs）在 -0.4 和 +0.4 之间，则检测高值和低值异常值。

偏度系数（Cs）为 0.25，位于 -0.4 至 +0.4 的范围内，表示需要同时检测高值和低值异常值。计算出的界限为 \(Y_{lower} = 1.43\) mm 和 \(Y_{higher} = 1.83\) mm，而观察到的范围（1.62–1.77 mm）证实了数据集的合理性。

2.8. 无测量流域的流量预测区域化方法
区域化技术包括将来自有测量流域的校准数据转移到具有相似特性的无测量流域，即使在这类流域的径流记录有限的情况下（Guo 等人，2021；Singh 和 Devi，2022）。该方法首先使用有测量流域的数据来校准、分析并验证降雨-径流模型和流域特征，然后再将其应用于无测量流域（Singh 和 Devi，2022）。区域化方法包括空间邻近性、算术平均、物理相似性、回归分析和水文相似性（Qi 等人，2022）。尽管研究地点最初的测量数据仅延续到 2010 年，但通过区域化方法使用了 2011 至 2020 年的数据来获取更最新的信息，以提高模型的可靠性并确保时间连续性（Guo 等人，2021）。由于研究流域的排水面积、河道长度、海拔、坡度、降水量、植被覆盖和土壤类型相似，因此采用了物理相似性技术（Cupak，2020）。本研究中的区域化方法基于流域的物理相似性来估算无测量流域的流量（Barbhuiya 等人，2023；Narbondo 等人，2020），使用公式（3）进行计算：
(3) \(Q_{unge} = A_{unge} \times Q_g \times P_{unge}\)
其中：\(Q_{unge}\) 是无测量流域的流量（m3/s），\(A_{unge}\) 是无测量流域的排水面积（km2），\(P_{unge}\) 是无测量流域的降雨量（mm），\(Q_g\) 是有测量流域的流量（m3/s），\(A_g\) 是有测量流域的排水面积（km2），\(P_g\) 是有测量流域的降雨量（mm）。

2.9. 识别最佳 flood 概率分布方法
为了确定最佳的 flood 概率分布，测试了几种常见的分布方法，以评估它们与径流数据的拟合优度（Tegegne 等人，2020）。考虑的模型包括正态分布、对数正态分布、对数皮尔逊 Type III 分布、广义极值分布和 Gumbel 分布（Montes-Pajuelo 等人，2024）。使用 EasyFit 软件将统计分布应用于径流数据样本（Mengistu 等人，2024；Al-Salih，2025）。通过卡方检验（Chi-square）、Anderson-Darling 检验和 Kolmogorov-Smirnov 检验来评估每种分布的拟合优度（Ghayyadah，2022）。所有检验的显著性水平为 α = 0.05（Alam 等人，2018）。其中，与观测数据最匹配的 flood 概率分布显示出最低的统计值（Tegegne 等人，2020）。

2.10. HEC-HMS 模型设置
使用水文建模系统（HEC-HMS）技术对 Dirma 河流域进行了降雨-径流过程的模拟，遵循以下六个步骤：
- **流域划分与特征描述**：在 GIS 中，通过数字高程模型（DEM）划分河流段、子流域和流域边界。获取流域的物理属性，如面积、坡度和河道长度。
- **气象模型**：利用气象站记录的降水量数据，通过 Thiessen 多边形方法将降雨量分配到每个子流域。
- **损失计算**：为了计算降雨事件期间由于渗透过程导致的水量损失，采用了基于初始损失（mm）和恒定渗透率（mm/h）的初始和恒定速率损失方法。
- **转换方法**：根据子流域的延迟时间和 SCS 单位流量图方法，将 excess 降雨量转换为直接径流流量图。
- **河道 routing**：使用 Muskingum-Cunge 方法通过模拟水在河流不同部分中的流动来正确路由流量图。
- **校准与验证**：通过 Dirma 河的流量数据调整 HEC-HMS 模型参数值进行校准，并使用其他观测数据集进行验证。

2.10.1. HEC-HMS 模型的敏感性分析、校准和验证
通过逐一改变模型参数的方法进行敏感性分析（Abbenante 等人，2024），同时保持其他参数不变。研究了流量图形状、峰值流量、径流量和目标函数值的影响，以确定最具影响力的参数。根据这一程序，发现 SCS-CN、初始取水率和延迟时间是 Upper Blue Nile 流域和 Lake Tana 子流域中最敏感的参数（Bolt，2025）。Yimer（2020）的敏感性分析表明，土壤保护服务单位流量图（SCS-UH）、起始流量、退水常数、延迟时间和土壤保护服务曲线数（SCS-CN）以及初始取水率是影响 HEC-HMS 模拟结果的主要参数。通过修改每个参数并评估其对目标函数的影响，可以确定哪些参数对模型模拟的影响最大（Haile 等人，2016）。使用 1998–2020 年的径流数据在校准和验证期（2 年）后对模型进行校准。在校准期间（2000–2013 年）调整了模型参数，然后使用 7 年的验证期（2014–2020）独立评估这些参数，以实现整个研究期间的高 NSE 和 R2 值（Ayalew 和 Bharti，2022）。

2.10.2. 模型性能评估
通过比较模拟输出与观测数据（Ruman 等人，2020）来评估 HEC-HMS 模型的性能，使用 Nash-Sutcliffe 效率（NSE）和决定系数（R2）作为关键统计指标。R2 衡量观测数据变化与模拟数据的一致性，范围从 0（无相关性）到 1（完美匹配）（Nasiri 等人，2020）。NSE 评估模拟数据与观测数据之间的拟合程度，1 表示完美匹配，0 表示模型的预测效果不优于观测数据的平均值，负值表示观测数据的平均值比模型更准确（Waseem 等人，2017）。

(4) 和 (5) 展示了决定系数和 Nash-Sutcliffe 效率的计算公式。
(4) \(R^2 = \frac{\sum_{i=1}^n \left(Q_{si} - Q_{sm}\right)^2}{\sum_{i=1}^n Q_{si}^2}\)
(5) \(NSE = 1 - \frac{\sum_{i=1}^n \left(Q_{oi} - Q_{si}\right)^2}{\sum_{i=1}^n Q_{oi}^2}\)
其中：m 和 s 分别代表观测值和模拟值，Q 是变量。根据 Kasuni（2017）和 Shame Usman（2022）的建议，模型采用的 R2 > 0.6 和 NSE > 0.5 可确保校准和验证的合理性。表 3 显示了 R2 和 NSE 统计量的性能评级。

表 3. 建议统计量的整体性能评估
| 统计量 | 性能评级 |
|---------------|----------------|
| R2 | 0.9–1.0 | Excellent |
| | 0.75–0.9 | Very good |
| | 0.65–0.7 | Good |
| | 0.5–0.65 | Fair |
| | 0.5–0.5 | Satisfactory |

在本研究中，主要使用 NSE 和 R2 评估模型性能，这些指标在水文建模中通常很实用，能够提供可靠的拟合度和预测能力指标。尽管本研究未包括均方根误差（RMSE）和百分比偏差（PBIAS），但这些指标可以为模型残差和偏差提供额外见解，建议在未来研究中进一步使用它们以增强模型性能评估。

2.11. HEC-RAS 模型的结构
采用水文工程中心-河流分析系统（HEC-RAS）进行一维（1D）水力模拟和 Dirma 河流域的洪泛区淹没映射（Mehta 等人，2022）。该模型由校准后的 HEC-HMS 模型生成的设计洪水流量图驱动（Mehta 等人，2023）。HEC-RAS 的设置包括几何数据准备、水力参数的分配、设计流量的输入、水力模拟以及淹没图的生成（Mehta 等人，2022）。使用 12.5 m 分辨率的数字高程模型（DEM）在 RAS-Mapper 中开发河流系统的几何表示。从地形数据中提取河流中心线、河岸线和流路，并结合实地测量的横截面信息以提高几何精度。这些数据集为在 1D HEC-RAS 框架内表示河道和漫滩地形提供了基础。随后在模型中分配水力参数。根据土地利用和土地覆盖信息以及现场观察结果确定河道和漫滩区域的曼宁粗糙系数（Mehta 等人，2022）。这些粗糙系数用于计算河道和漫滩区域的流动阻力（Soliman 等人，2022）。水力模型的输入包括来自校准后的 HEC-HMS 模型的 2、10、25 和 100 年回归期的模拟峰值流量。该模型生成的输出用于确定各横截面的设计流量，进一步用于在 HEC-RAS 中进行水力模拟。使用 1D 流量制度运行水力模型，以获取河道和洪泛区的信息（Mehta 等人，2022）。模拟完成后，提取并处理结果，包括水表面高程、洪水深度和流速（RAS-Mapper，Mehta 等人，2022）。这些结果与 DEM 结合，生成选定回归期的洪水淹没图。这些地图用于划定洪水范围，并支持 Dirma 河流域的洪水风险评估。

2.11.1. 洪泛区淹没图的绘制
使用 RAS-Mapper 根据 1D HEC-RAS 模型的输出绘制洪泛区淹没图（Mehta 等人，2022）。首先，以投影栅格形式开发 DEM，作为构建水力模型的基础（图 6a）。地形图对于获取模拟过程中的几何数据（如河流中心线、河岸线和流路、横截面）至关重要（Greer，2019）。沿 Dirma 河的自然路径，从上游到下游方向对河流中心线、河岸线和水流方向进行数字化。接下来，在河流及其周围的洪泛区以适当间隔建立横截面。建立这些横截面的目的是捕捉河流几何形状的变化以及河流两侧洪泛区的高程差异。确保横截面相互不重叠（图 6b）。准备好几何数据后，考虑水力参数和流动条件。从校准和验证后的 HEC-HMS 模型获得 2、10、25 和 100 年回归期的峰值流量，并将其作为输入输入 HEC-RAS。对于主河道，曼宁粗糙系数设置为 0.05；对于右侧漫滩和左侧漫滩，分别设置为 0.04 和 0.045，以反映河道的和水域的水力特性。使用正常水深作为边界条件，并进行稳态流动的模拟（Mehta 等人，2022）。然后将模拟的水表面高程与地形模型结合，在 RAS-Mapper 中绘制每个回归期的洪水淹没范围。此外，还从模型结果中得出流量深度和流速等水力输出。这些输出结果构成了最终洪水淹没地图的基础，这些地图被用来识别易发生洪水的区域，并评估迪尔马河泛滥平原（Dirma River floodplain）上洪水的空间分布模式（Naghibi等人，2017年）。3. 结果与讨论3.1. 最佳拟合概率分布使用EasyFit对年度流域流量数据进行了五种概率分布的拟合，并通过卡方检验（Chi-Square）、安德森-达尔林检验（Anderson-Darling）和柯尔莫哥洛夫-斯米尔诺夫检验（Kolmogorov-Smirnov）来评估其拟合优度。安德森-达尔林检验和柯尔莫哥洛夫-斯米尔诺夫检验表明Gamma分布、广义极值分布（Generalized Extreme Value）和对数正态分布（Lognormal）能够较好地拟合数据，而卡方检验则认为Gumbel Max分布是最合适的拟合模型。通过对这三种检验的全面比较，基于EasyFit分析的结果显示柯尔莫哥洛夫-斯米尔诺夫检验是最可靠的，这一结论得到了先前研究的支持，例如Franco和Tesfaye（2020年）在吉尔格尔阿巴伊流域（Gilgel Abay watershed）的研究。各种分布的统计值和排名见表4。表4. 拟合优度统计比较。分布Kolmogorov SmirnovAnderson Darling卡方统计排名排名排名排名1Gamma0.0982910.42620.60432广义极值0.1518820.37810.56423Gumbel Max0.2692640.46340.49214对数正态0.1954930.43831.07855正态0.2758750.48450.89643.2. HEC-HMS模型敏感性分析对迪尔马河流域的HEC-HMS模型敏感性分析表明，土壤保持服务曲线数因子（SCS-CN-CN）、土壤保持服务曲线数初始取水量（SCS-CN-Ia）、SCS单位流量图-滞后时间（SCS Unit Hydrograph-Lag Time）、退水常数（Recession Constant）、初始流量（Initial Discharge）和子流域参数（Sub-reaches Parameters）对降雨-径流模拟有显著影响。曲线数（CN）是这一流域的关键参数，它决定了地表径流和渗透的比例。CN的任何微小变化都会导致径流量、蒸散率和地下水补给量的显著变化，因为CN取决于土地利用类型、土壤和前期水分条件。因此，初始取水量和滞后时间的重要性突显了正确表示流量图构造（hydrograph constructions）的重要性（表5）。表5. HEC-HMS模型优化参数。组件参数单位初始优化排名亚流域-1SCS-CN-CN72.32541亚流域-1SCS-CN-Iamm181252亚流域-1SCS-CN-UH - 滞后时间min17.2317.233亚流域-2SCS-CN-CN80.258.24亚流域-2SCS-CN-Iamm13.41295亚流域-2SCS-CN-UH - 滞后时间min16.316.36亚流域-3SCS-CN-CN72.861.67亚流域-3SCS-CN-Iamm17.516.48亚流域-3SCS-CN-UH - 滞后时间min21.421.49河段-1Muskingum – Khr143.2143.210河段-1Muskingum – X0.0150.01511研究结果与之前在塔纳湖盆地（Lake Tana Basin）进行的水文研究和调查一致。Franco和Tesfaye（2020年）关于CN和滞后时间的研究确定了对吉尔格尔阿巴伊流域结果影响最大的参数；Belay等人（2025年）和Chekole等人（2024年）在古马拉流域（Gumara watershed）也复制了这些结果，并证实了CN和滞后时间的关键作用。这些研究中CN相关参数的一致重要性强调了它们在使用HEC-HMS进行准确径流建模中的普遍重要性，尽管不同流域之间的参数敏感性排名可能有所不同。3.3. HEC-HMS模型的校准与验证HEC-HMS模型在2000-2013年的校准期和2014-2020年的验证期的表现令人满意。校准期的性能参数为R2 = 0.82，NSE = 0.73，而在验证期，性能参数提升到了R2 = 0.87，NSE = 0.78。根据Kasuni（2017）和Shame Usman（2022）的模型性能标准，HEC-HMS模型的NSE和R2值均大于0.65和0.7。因此，HEC-HMS模型表现良好，其降雨-径流模拟被认为是可靠且性能良好到非常好的。即使在某些情况下模拟结果偏高或偏低，模拟值与观测值之间的一致性通常也非常好，这可以由数据输入不足和自然变异性解释（图7、图8、图9、图10）。下载：下载高分辨率图片（345KB）下载：下载全尺寸图片图7. 校准期间观察到的与降雨量对应的流量。下载：下载高分辨率图片（313KB）下载：下载全尺寸图片图8. 验证期间观察到的与降雨量对应的流量。下载：下载高分辨率图片（184KB）下载：下载全尺寸图片图9. 校准期间流量与降雨量的散点图。下载：下载高分辨率图片（172KB）下载：下载全尺寸图片图10. 验证期间流量与降雨量的散点图。这些发现与之前在塔纳湖盆地和上尼罗河子流域（Upper Blue Nile sub-basin）应用HEC-HMS模型的研究结果一致。Franco和Tesfaye（2020年）以及Belay等人（2025年）在校准和验证目的上都记录了相似的NSE和R2值（0.5–0.89），这表明了该模型在该地区的有效性。3.4. 泛滥平原淹没制图迪尔马河流域的泛滥平原淹没图是通过结合使用ArcGIS、HEC-HMS、HEC-RAS和RAS-Mapper工具和模型来完成的。通过分析，不同重现期（return period）的洪水情况已被绘制出来，从而展示了洪水水位与淹没深度和范围之间的关系。分析结果表明，较大的重现期与更大的淹没面积和更深的洪水深度之间存在关联（表6）。具体来说，2年重现期时的淹没面积为9.58平方公里（图11a），而100年重现期时增加到11.68平方公里（图11b）。此外，洪水深度从9.64米增加到10.14米。2年与100年洪水之间的淹没面积变化显著但并不巨大，这反映了迪尔马泛滥平原的地貌特征。下游地区通常较为平坦，对水位上升非常敏感；因此，即使是相对较小的水位上升也可能使洪水横向扩散到低洼地区。然而，总体覆盖范围仍然适中，因为泛滥平原的某些部分受到地形限制，而且额外的流量主要增加了已有淹没区域的水深，而不是开辟新的淹没区域。这表明即使在峰值流量增幅较小的情况下，该流域也对水位变化高度敏感。表6. 泛滥平原淹没模型。重现期，年2102550100峰值流量，m3/s175210236260286最大洪水深度，m9.649.879.9610.0510.14泛滥平原面积，km29.5810.4110.8811.2711.68下载：下载高分辨率图片（375KB）下载：下载全尺寸图片图11. 2年（a）和100年（b）重现期下的泛滥平原淹没图。已经证明，由于泛滥平原的坡度相对较低，它对洪水非常敏感。两个时期之间水位（从1994.0米增加到1994.3米）的微小变化显著增加了淹没区域。从显示两个时期淹没区域的情况可以看出，2年和100年重现期的情况（图12、图13）。下载：下载高分辨率图片（189KB）下载：下载全尺寸图片图12. 2年重现期洪水时8912河站的水位。下载：下载高分辨率图片（196KB）下载：下载全尺寸图片图13. 100年重现期洪水时8912河站的水位。从上述分析可以看出，广泛的农业活动和无效的土地利用会加剧洪水的风险。这与Franco和Tesfaye（2020年）在吉尔格尔阿巴伊流域（Gilgel Abay）进行的其他研究结果一致。因此，泛滥平原制图对于迪尔马河流域的可持续土地利用和洪水风险管理至关重要。HEC-RAS模型的模拟结果，包括所有流量剖面的水位、深度和流速，显示在表6、表S7和图S6中。4. 结论这些发现有效地用于应用HEC-HMS和HEC-RAS模型来分析降雨-径流动态，获得最佳的洪水频率分布，评估模型性能，并划定迪尔马河流域的淹没区域。然而，根据所使用的统计测试，“最佳拟合”结果略有不同。对于柯尔莫哥洛夫-斯米尔诺夫检验，“最佳拟合”结果为Gamma分布；对于安德森-达尔林检验为广义极值分布；对于卡方检验为Gumbel分布。HEC-HMS敏感性分析结果表明，影响径流的最重要因素是SCS-CN和SCS单位流量图-滞后时间。HEC-HMS模型的校准和验证证明了良好的准确度水平，R2范围在0.82到0.87之间，NSE范围在0.73到0.78之间。从HEC-RAS的分析可以看出，随着重现期的增加，淹没面积也会增加。结果显示，2年重现期时的淹没面积为9.58平方公里，而100年重现期时增加到11.68平方公里，洪水深度从9.64米增加到10.14米。这项研究表明，由于其平坦的地貌和较差的土地利用条件，迪尔马河流域非常容易发生洪水。基于上述结果提出了以下建议，以减少洪水风险并改善流域管理：洪水地图显示，迪尔马河下游的低洼地区是最脆弱的区域，应优先采取措施来减轻洪水风险。这些地区可以优先考虑实施结构性防御措施、改进排水系统、抗洪土地利用规划以及社区内的早期预警系统。改进的流域管理实践，如造林、土壤保护和可持续农业技术，可以减少径流并增强渗透。未来的研究应结合高分辨率的气候和土地利用情景，以评估变化条件下的未来洪水风险。研究结果与塔纳湖盆地（Lake Tana basin）的流域范围水资源管理框架相结合，以支持基于证据的决策。致谢作者贡献声明概念化：Fitamlak Teka、Abreham Melaku和Abebe Gobezie，Banteamlak Kase；项目监督：Banteamlak Kase、Abreham Melaku、Abebe Gobezie、Abrham Bayeh、Adugnaw Nega、Alebel Abuhay、Henok Akmel、Sendeku Asnakew、Gebrehiwot Getu和Aniley Tenaw；原始数据和修订数据的采集、数据处理、撰写和文档修订：Fitamlak Teka、Banteamlak Kase、Abreham Melaku、Abebe Gobezie、Abrham Bayeh、Adugnaw Nega和Alebel Abuhay；软件、可视化和验证：Fitamlak Teka、Banteamlak Kase和Abebe Gobezie；手稿的撰写、编辑、审查和最终版本的完善：所有作者成员。资金这项工作得到了埃塞俄比亚贡达尔大学（UoG）的支持，资助编号为（??/??/??/?/?/05/170/2017）。