基于物理过程土壤含水量场传递的HYDRUS-1D与新安江模型耦合洪水预报框架

《Journal of Hydrology》:A coupled flood forecasting framework of HYDRUS-1D and Xinanjiang models based on the transfer of physically-based soil moisture fields

【字体: 大 中 小 】 时间:2026年09月20日 来源:Journal of Hydrology 7.3

编辑推荐:

   • 提出了一种耦合HYDRUS-1D与新安江模型的集成模型框架。 • 建立了基于水量平衡的土壤水分状态转换机制。 • 通过虚拟-实际融合实现流域尺度土壤水分场的构建。 • 可靠的物理基础土壤水分初始场提升了预报精度。 • 转换机制克服了误差累积和空间均质化问题。 引言 土

  

• 提出了一种耦合HYDRUS-1D与新安江模型的集成模型框架。
• 建立了基于水量平衡的土壤水分状态转换机制。
• 通过虚拟-实际融合实现流域尺度土壤水分场的构建。
• 可靠的物理基础土壤水分初始场提升了预报精度。
• 转换机制克服了误差累积和空间均质化问题。

引言

土壤水分直接反映土壤干湿状况,在地表水热交换中起着至关重要的作用(Crow等,2018;Dorigo等,2017)。在水文学中,流域土壤水分调节降雨入渗和径流分配,直接影响洪水预报精度;特别是前期土壤水分是影响洪水大小的一个重要因素(Rajib等,2016;Wang等,2012)。其空间分布和时间动态还通过影响主要径流产生机制及其转换阈值来支配水文异质性(Kim等,2018)。因此,准确的土壤水分初始化对于提高事件型洪水预报的过程真实性和精度至关重要。水文模型通常通过预热期运行来获得相对稳定的初始土壤水分分布(Ajami等,2014;Seck等,2015)。然而,由于预热期长度往往主观选择,且所得状态受模型结构和强迫误差影响,这种平衡场仍然存在不确定性(Yu等,2019)。此外,初始土壤水分不确定性是一个独立的误差源,不能通过模型率定完全消除,并可能在建模链中传播至最终径流模拟(Edouard等,2018;Kirchner,2006;Liao和Barros,2025;Silvestro和Rebora,2014)。

基于预热期的土壤水分初始化不确定性对于新安江(XAJ)模型等概念性水文模型尤为相关。在这些模型中,土壤水分被表示为内部状态变量,其物理定义和空间表征不一定直接对应于观测土壤水分。两个局限性尤为重要。首先,准确的初始土壤含水量通常无法获得,因此往往采用经验赋值,之后需要较长的预热期来降低初始化偏差。在后续递归水量平衡计算中,与初始状态、强迫数据和模型结构相关的误差可能持续存在并通过连续时间步传播,从而影响事件型洪水预报,特别是在采用蓄水满蓄产流概念的新安江模型中。在新安江模型中,这种递归记忆可能延迟汛期初期模拟流域湿度的调整。其次,尽管模型可以以半分布式形式实现,但土壤水分通常在每个计算单元内被表示为空间均匀的。这种空间平均化可能会平滑与地形和下垫面条件相关的异质性,从而削弱对空间可变径流产生过程的表征(Zhang等,2025)。这些时间和空间局限性促使引入更多基于物理的、空间分布的土壤水分信息用于模型初始化。

为降低初始土壤水分不确定性并改善洪水预报,以往研究主要探索了三种方法:初始状态替代、数据同化和模型耦合。这些方法在数据需求、计算复杂度和物理一致性方面有所不同。

(1)初始状态替代。该方法利用独立土壤水分产品来替代或校正概念模型的初始状态,旨在规避复杂的同化算法和漫长的模型预热期。例如,ERA5-Land再分析数据已与机器学习和曲线拟合相结合,以优化分布式水文模型的初始土壤水分(Liu等,2025)。GLDAS(全球陆地数据同化系统)和ERA5-Land等再分析产品也为水文应用提供了有用的多层土壤水分信息(Albergel等,2012;Mu?oz-Sabater等,2021;Rodell等,2004;Wu等,2021)。然而,这些产品仍然是模型输出,其精度取决于陆面模型结构、参数化、强迫数据和空间分辨率。更重要的是,通过统计映射、机器学习或经验曲线拟合建立的再分析土壤水分与水文模型状态之间的关系可能缺乏明确的物理意义。因此,变量定义的差异可能引入系统性偏差,而粗分辨率仍可能产生空间平滑的初始状态。

(2)数据同化。这是指将基于物理的数值模型的模拟结果与观测数据进行融合,以持续更新系统状态和参数,从而提高物理过程模拟或预报精度的技术。日尺度原位土壤水分已被同化到集总式和不分布式XAJ模型中(Li等,2024a),多源多层土壤水分已被同化到XAJ模型用于实时洪水预报(Li等,2024c),卫星土壤水分和径流已被同化到分布式水文模型中(Ettalbi等,2025)。这些研究表明了数据同化在水文模拟中的潜力。然而,径流预报的改善并不总是一致(Nayak等,2021;Patil和Ramsankaran,2017)。卫星土壤水分同化可能改善概念模型中的土壤水分一致性,而不一定改善径流模拟(Parajka等,2006),而粗分辨率遥感产品可能为径流预报提供的附加值有限(Matgen等,2012)。这种不确定性密切相关的因素是观测数据与模型状态变量在物理意义、时空尺度和垂直探测深度方面的差异(De Santis等,2021)。如果不解决这些差异,数据同化直接应用于洪水预报仍存在不确定性。

(3)模型耦合。这种策略涉及整合不同模型的优势性能,以构建具有更完整物理机制的模拟系统。对于复杂流域水文过程模拟,基于物理的模型提供详细的过程表征但涉及大量计算成本,而概念模型计算效率高但简化了物理过程。因此,HYDRUS、SiB2(简单生物圈模型2)和SWAP(土壤-水-大气-植物模型)等基于物理的模型已被广泛用于土壤水分模拟(Dong等,2016;Heinen等,2024;Pathmathevan等,2003)。将SiB2与地下水模型耦合改善了区域水循环和能量循环模拟(Tian等,2012)。一种耦合HYDRUS-1D(H1D)与KINEROS2(K2)的框架被开发出来以表征斜坡尺度地表-地下相互作用(Chen等,2022),后来被扩展到流域尺度(Meles等,2024)。这些研究表明了此类耦合模型在平衡物理机制完整性与计算成本方面的可行性和优势。

尽管这些方法在土壤水分数据利用方面取得了进展,但仍有若干关键问题存在。首先,模型内部状态变量与观测土壤水分之间存在显著的物理定义差异。如果没有明确的变量映射关系,直接同化或替代可能引入系统性偏差。此外,不同模型和数据产品之间的时空尺度不匹配阻碍了从点到流域尺度土壤水分信息的一致性转移。面对这些不一致性,大多数现有研究采用统计或经验拟合方法,往往以牺牲物理一致性为代价。因此,实时洪水预报仍严重依赖漫长的预热期来稳定模型状态,导致水文数据浪费且在快速响应场景中适用性有限。这些局限性共同表明,虽然当前研究重点关注状态更新,但初始状态变量的物理一致性转换和转移在水文建模中仍未得到充分探索。

解决这一挑战需要能够支持状态变量物理一致性转换的土壤水分数据。目前,此类数据主要来自3个来源:原位站点监测、遥感和模型模拟。原位站点监测提供实时、多层和高频观测,但部署成本高、维护困难,导致监测网络相对稀疏。遥感在大范围内提供空间连续的土壤水分信息,但主要局限于土壤剖面约上层5厘米(Schmugge,1998),且其粗时间分辨率和频繁的数据缺失进一步阻碍了其在实时洪水预报中的应用(Chen等,2018)。模型模拟可以基于土壤水运动过程持续再现垂直土壤水分动态;然而,可靠的参数率定和验证仍需要高时空分辨率的原位土壤水分观测。

在此背景下,H1D凭借其明确的土壤水运动表征和在点尺度模拟垂直剖面的能力,为本研究提供了基于物理的土壤水分信息来源(Li等,2024b)。为提高新安江模型中初始土壤水分的表征,本研究提出了一种XAJ-H1D框架,通过传递基于物理的土壤水分场来改进初始化。该框架并非简单耦合XAJ和H1D,而是建立了一个基于水量平衡和模型参数物理意义的土壤水分状态变量转换机制。该机制将H1D模拟的体积含水量转换为XAJ所需的土壤水储量,从而为洪水预报提供具有物理依据的初始条件。

为实现该框架,选择了五强溪水库坝前区域,并根据当地水气象和下垫面特征重新规划了土壤水分监测网络。首先,利用该网络的观测数据对H1D的土壤水力参数进行率定和验证。然后,将率定后的参数集转移到流域内具有代表性的降雨和水利站点,指定为虚拟站点,作为推导土壤水分动态的计算点。接下来,建立了H1D模拟的体积含水量与XAJ模型所需土壤水储量状态之间物理一致的转换和转移关系。最后,将得到的XAJ-H1D框架与传统XAJ初始化方案进行比较,以评估所提出的土壤水分初始化方法对洪水预报的影响。最终目标是减少概念模型初始化中的空间均质化和误差累积,为洪水预报提供更具有物理依据的基础,从而提高预报精度。

研究区域概况

研究区域为五强溪水库坝前区域,位于中国湖南省西北部沅江中游(图1)。流域范围为东经109.73°–111.03°、北纬28.01°–29.13°之间,集水面积8033 km2,上游边界设有河西、普市和高桥亭水利站,下游出口为五强溪大坝。该流域属于亚热带湿润季风气候,年均降水量约1450 mm。

新安江模型

概念性新安江(XAJ)模型(Zhao,1992)被应用于研究区域的十个子流域进行产流和汇流计算。在每个子流域内,该模型采用三层土壤水分模块计算蒸散发并更新上层、下层和深层土壤水储量。在新安江模型中,WM代表流域张力水容量,WUM和WLM分别代表上层和下层张力水容量。

XAJ和H1D的校准验证性能

对于XAJ模型,率定期和验证期的平均RR值分别为4.60%和3.71%;相应的平均RQ值分别为7.25%和4.86%,平均NSE值分别为0.89和0.87。率定期和验证期的可比性能支持将率定后的事件型XAJ模型作为后续两种洪水预报方案比较的一致基准。与后续直接相关的三个参数……

讨论

虚拟-实际融合策略通过将率定后的H1D模型应用于8个原位站点之外的26个虚拟站点,扩展了土壤水分信息的空间覆盖范围。在20和40厘米深度,通过该策略构建的土壤水分场与IDW估计值显示出大致相似的季节性干湿变化,而H1D结果对单次降雨事件的响应更为清晰。这种差异可以归因于不同的……

结论

本研究提出了一种基于物理基础土壤水分场转换的XAJ-H1D耦合洪水预报框架。该框架结合了H1D土壤水分模拟、虚拟-实际融合策略和基于水量平衡的状态变量转换机制,为XAJ模型提供具有物理依据的初始土壤水状态。基于五强溪水库坝前区域的应用,可得出以下结论:

(1)改进的NSGA-II……

CRediT作者贡献声明

Qiaoling Li:初稿撰写、验证、监督、软件、资源、项目管理、方法论、调查、资金获取、数据整理、概念构思。Yang Wang:审阅与编辑、可视化、验证、软件、方法论、调查、形式分析、概念构思。Hongde Li:审阅与编辑、软件、方法论、调查、形式分析、数据整理。

刘星文:软件、方法论、调查研究、数据
利益冲突声明:作者声明他们没有已知的竞争性经济利益或个人关系,这些利益或关系可能影响本文所报告的工作。
李家玲|王阳|李洪德|刘星文|李之家|杨洋
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号