从降水预报到水库最优调度：面向水库洪水利用的降尺度-预报-调度集成框架

《Journal of Hydrology》：From precipitation forecasts to optimal reservoir operation: an integrated downscaling-forecasting-operation framework for reservoir floodwater utilization

　　

• •
  耦合框架将大气降尺度与动态水库调度联系起来。
• •
  深度学习降尺度恢复了局部高强度降水特征。
• •
  拓扑感知图网络优于基于网格和基于过程的模型。
• •
  自适应调度将山洪风险转化为增强的季节性蓄水能力。

引言

加剧的全球气候变化显著放大了水文循环的变率（Zhang等，2021），增加了极端水文事件的频率、强度和时空变率，通常表现为“旱涝急转”（Maharjan等，2025，Yang等，2026）。这种极端事件之间的快速转变大大缩短了水资源管理的决策窗口，使其必须从节约稀缺水资源急剧转变为减轻山洪风险（Kreibich等，2022）。洪水利用（FU），即把多余的洪水转化为可利用水资源的措施（Wang等，2023），被广泛认为是一种有效的缓解区域水资源短缺、平衡防洪与抗旱之间权衡的策略（Zhang等，2026）。

典型的FU措施主要依赖大型水库的调节能力（Wang等，2024）。这些措施包括在洪峰到来前提前泄水腾出库容（Zeinali等，2025），以及在洪水退水期或中低量级洪水期间实施战略性蓄水（Wang等，2026）。虽然这种方法促进了水资源在时空上的重新分配，但传统调度通常遵循固定的防洪限制水位（FLWL），导致洪水资源的严重浪费（Ding等，2015）。为了平衡风险与效益的权衡，提出了阶梯式防洪限制水位（FLWL）和动态防洪限制水位（FLWL）等概念（Li等，2010），允许根据实时预报信息和泄洪能力调整水库水位。众多研究（例如Ding等，2023；Jiang等，2015）表明，对FLWL进行动态控制可以在不牺牲防洪安全边际的情况下有效增强FU。最近，滚动时域控制（RHC）作为一种水库实时调度的先进方法应运而生（Giuliani等，2021）。RHC利用最新预报信息迭代更新水库泄水决策，确保持续适应不断演变的水文条件（Zhao等，2019；Dong等，2023）。

准确的水库入库流量预报是实施基于动态FLWL的FU的基础（Ding等，2015；Li等，2010），因为它为风险评估提供了可靠的依据。基于过程的水文模型，如新安江（XAJ）模型（Zhao，1992）和SWAT（Arnold等，1998），长期以来一直是径流预报的主要工具。通过物理表征蒸散发、入渗、产流和汇流等过程，这些模型系统地模拟了流域的降水-径流响应。最近，随着人工智能的快速发展，数据驱动模型，如长短期记忆（LSTM）网络（Zhu等，2023）和卷积神经网络（CNN）（Singh等，2023），已被有效地应用于水文预报。这些模型可以直接从历史水文气象数据中学习复杂的非线性降水-径流关系。此外，将空间拓扑结构融入深度学习架构的图神经网络（GNN）（Scarselli等，2008）也被引入到水文建模中，以表示河网的复杂拓扑结构。通过将流域概念化为由节点（子流域）和边（河道）组成的基于图的表示，GNN模拟了河网内部的径流汇流过程，为水文建模提供了一种替代方法（Sun等，2021；Sun等，2022）。

FU中提前泄水和战略性蓄水的实施不仅依赖于准确的径流预报，还依赖于可靠的降水预报（Turner等，2020；Wang等，2026）。目前，全球数值天气预报产品，如全球预报系统（GFS）和欧洲中期天气预报中心（ECMWF），提供了具有较长预见期的气象数据。然而，这些全球模型的空间分辨率往往过于粗糙，无法有效捕捉中小型流域内的局部降水特征（Chen等，2020；Kunstmann等，2004）。因此，空间降尺度技术已被广泛采用，以弥合粗糙的全球模型与局部流域响应之间的尺度差距（Wilby等，1998）。虽然动力学和统计方法能有效提高数据分辨率（Maraun等，2010；Wood等，2004），但近期的深度学习降尺度方法，如DeepSD模型，能有效建立粗分辨率预报与高分辨率观测之间的非线性映射（Hsu等，2024；Vandal等，2017；Wang等，2021）。

尽管针对降水数据的空间降尺度、径流模拟以及平衡防洪与蓄水的水库FU调度已分别开展了研究，但鲜有研究在流域尺度上构建耦合这些组件的综合框架。现有的气象降尺度研究主要关注验证降水精度，很少延伸到研究其对水文过程和水库调度决策的影响。相反，FU研究通常假设有完美的气象输入可用，忽视了降水预报产品的空间尺度不匹配，并且缺乏基于实时预报风险的动态调度机制。因此，这些局限性阻碍了在确保防洪安全的前提下最大化利用洪水的能力。

为了解决这些局限性，本研究开发了一个综合框架，耦合了基于DeepSD的降尺度、水文预报和基于滚动时域控制（RHC）的FU，将高分辨率气象预报及其系统性偏差转化为FU决策。总体方法框架如图1所示。具体而言，在数据获取（步骤1）之后，采用DeepSD模型（步骤2）将气象预报（例如GFS）降尺度为细尺度降水分布。随后，建立一个水文建模系统（步骤3）以生成确定性和概率性的水库入库流量预报。具体而言，比较了三个代表性模型（即基于过程的XAJ模型、数据驱动的CNN模型和融合网络拓扑的GNN模型）以评估不同的水文建模方法。最后，为了在主动减轻洪灾风险的同时最大化蓄水效益，该框架实施了基于RHC的FU机制（步骤4）。本研究通过建立一个综合的从预报到调度的框架，为水资源管理提供了实用的技术参考，特别是在缺水地区。

部分片段

研究区域

中国海河流域子牙河水系的临城水库和朱庄水库被选为本研究的研究案例（图2）。这两座水库均位于太行山脉东麓，地处典型的暖温带大陆性季风气候区。该地区降水具有高度的时空异质性，以显著的旱涝急转为特征。全年超过70%的

结果

本节系统评估了耦合降水降尺度、入库流量预报和水库调度框架的性能。按照系统的数据逻辑流，我们首先分析了DeepSD模型在重建高分辨率降水场方面的有效性。在这些气象输入的基础上，后续分析评估了XAJ、CNN和GNN模型的入库流量预报精度。最后，为了证明其实际

讨论

本研究提出了一个综合的FU框架，该框架耦合了基于深度学习的气象降尺度、依赖于预见期的入库流量预报以及滚动时域水库调度。其主要贡献在于将这些组件整合到一个统一的调度框架中，并展示了水文模型的选择如何影响入库流量预报和水库调度决策。以下讨论解释了所评估的水文

结论

本研究开发了一个综合的洪水利用（FU）框架，耦合了气象降尺度、混合水文预报和滚动时域优化，以在保证防洪安全的同时最大化洪水资源的利用。通过对海河流域临城水库和朱庄水库2023年汛期进行系统验证，主要结论如下：

• 1.
  DeepSD模型有效地将粗分辨率的GFS预报进行了降尺度处理

CRediT作者贡献声明

Libin Zhang：撰写—初稿，可视化，软件，方法论，形式化分析，概念构思。Keke Zhou：撰写—审阅与编辑。Yonggen Zhang：撰写—审阅与编辑，验证，资金获取。Jianzhu Li：撰写—审阅与编辑，资金获取。Ping Feng：监督指导。Zhanguo Sun：调查研究。Qinghua Liu：调查研究。Lutz Weihermüller：撰写—审阅与编辑。

利益冲突声明

作者声明，他们之间不存在已知的、可能影响本文所报告工作的竞争财务利益或个人关系。

致谢

本研究得到了国家重点研发计划（项目编号：2023YFC3006503）和国家自然科学基金（项目编号：42472327和42077168）的资助。

Libin Zhang|Keke Zhou|Yonggen Zhang|Jianzhu Li|Ping Feng|Zhanguo Sun|Qinghua Liu|Lutz Weihermüller