SDSM降尺度模型中文操作手册

基于累积分布函数的统计降尺度模型校验方法适用性研究肖薇薇;许晶晶【摘要】为更精确的为区域气候模拟和预估研究提供参考，开展了基于累积分布函数的统计降尺度模型校验，在传统统计降尺度模型的基础上，使用基于累积分布函数的校验方法校正了 SDSM模型预估的A2和B2情景下中国265个站点1961～2099年逐日温度数据，校正后A2情景下，观测值和模拟值R2达到0．9999以上的比例占到85％，达到1的占6％；B2情景下，观测值和模拟值R2达到0．9999以上的比例占到87％，达到1的占19％；斜率值接近1的站点分别增加了57％和51％；截距接近0的站点分别增加了31％和16％。

校正后的模型能更好地预估出未来逐年稳定通过0℃的日期，也即生长季开始的日期。

%Abstrac:t For more accurate regional climate prediction to provide the reference, Carried out statistical downscaling model validation based on the cumulative distribution functions ( CDFs) , on the basis of traditional statistical downscaling model, using the SDSM based on the cumulative distribution functions model calibration predicted the daily temperature at 265 sites under the A2and B 2 scenarios from 1961 to 2099 in China.The result showed that the proportion of observation and simulation value R2 was above 0.9999 accounted for 85%under A2 scenarios after correction, R2 was 1 accounted for 6%;the proportion of observation and simulation value R2 was above 0.9999 accounted for 87%under B2 scenarios after correction, R2 was 1 accounted for 19%;The sites of the slope value close to 1 increased by 57%and 51%respectively;The sites of the intercept is close to 0 increased by 31%and 16%respectively.The model aftercorrection could better predict steadily through the date of the 0℃in future( the ac-curate date of the beginning of the growing season) .【期刊名称】《江西农业学报》【年(卷),期】2016(000)001【总页数】5页(P74-78)【关键词】SDSM;累计分布函数;统计降尺度;校验方法【作者】肖薇薇;许晶晶【作者单位】安康学院，陕西安康 725000; 陕西省安康市汉江水资源保护与利用工程技术研究中心，陕西安康 725000; 中国科学院遗传与发育生物学研究所农业资源研究中心，河北石家庄 050021; 中国科学院大学，北京 100049;江西省农业科学院农业经济与信息研究所，江西南昌 300020【正文语种】中文【中图分类】S03(1.安康学院，陕西安康 725000；2.陕西省安康市汉江水资源保护与利用工程技术研究中心，陕西安康 725000；3.中国科学院遗传与发育生物学研究所农业资源研究中心，河北石家庄 050021；4.中国科学院大学，北京 100049；5.江西省农业科学院农业经济与信息研究所，江西南昌 300020)统计降尺度方法是建立在气象数值统计的基础上，在历史大尺度大气变量和区域气象参数(如地表气温和降水等)之间建立统计模式，利用GCM的预测结果获取区域气候变化的信息[1-2]。

第41卷第5期2021年10月水土保持通报B u l l e t i no f S o i l a n d W a t e rC o n s e r v a t i o nV o l .41,N o .5O c t .,2021收稿日期:2021-04-19 修回日期:2021-06-07资助项目:河北省科技厅项目 河北建筑工程学院院士工作站建设专项 (199A 4201H );河北省教育厅青年资助项目(Q N 2020424);河北省教育厅重点项目(Z D 20180202) 第一作者:唐中楠(1997 ),男(汉族),浙江省嘉兴市人,硕士研究生,研究方向为水信息技术㊂E m a i l :x i a o r a n r 1@s o h u .c o m ㊂通讯作者:杨国丽(1980 ),女(汉族),河北省张家口人,硕士,副教授,主要从事水信息技术研究㊂E m a i l :Y G L 2004@163.c o m ㊂基于H E C -HM S 模型的兰江流域径流预测唐中楠,杨国丽,李军,刘鹏霄(河北建筑工程学院河北省水质工程与水资源综合利用重点实验室,河北张家口075000)摘 要:[目的]分析兰江流域径流对气候变化的水文过程响应,为区域水资源可持续发展和防洪抗旱提供科学基础㊂[方法]利用2015 2018年日降雨径流过程和6场暴雨洪水过程率定并验证H E C -HM S 水文模型在该流域的适用性;基于S D S M 统计降尺度模型,对2030 2100年C a n E S M 2模式下R C P 2.6,R C P 4.5和R C P 8.53种情景的气候数据进行降尺度,生成兰江流域6个气象站点未来日降水序列以预测未来气候变化下的径流响应㊂[结果]H E C -HM S 模型对场次洪水和逐日径流模拟的相关系数平均值达到0.89,0.77,平均效率系数达到0.86,0.76;R C P 2.6情景下研究区面降水量较于基准期(2015 2018年)减小0.82%,在R C P 4.5,R C P 8.5情景下分别增大6.18%,18.17%;R C P 2.6,R C P 4.5,R C P 8.53种情景下多年平均径流相较于基准期分别增幅为17.00%,26.22%,41.93%㊂[结论]H E C -HM S 模型在兰江流域有较好的适用性;未来兰江流域径流呈显著上升趋势,增幅程度随辐射强迫度的增加同步增大㊂当辐射强迫度升高至8.5W /m 2时,流域径流量平均每10a 上升49.49m 3/s ㊂预计21世纪末多年平均径流量达到1101m 3/s,年径流变化起伏剧烈,汛期径流占全年比例较高,旱涝事件趋于频繁,对人民福祉威胁较大㊂关键词:H E C -HM S 模型;S D S M 模型;C a n E S M 2模式;径流模拟;兰江流域文献标识码:B 文章编号:1000-288X (2021)05-0137-09中图分类号:T V 121文献参数:唐中楠,杨国丽,李军,等.基于H E C -HM S 模型的兰江流域径流预测[J ].水土保持通报,2021,41(5):137-145.D O I :10.13961/j .c n k i .s t b c t b .20210809.002;T a n g Z h o n g n a n ,Y a n g G u o l i ,L i J u n ,e ta l .R u n o f f p r e d i c t i o ni n L a n j i a n g Ri v e rb a s i nb a s e do n H E C -HM S m o d e l [J ].B u l l e t i no fS o i la n d W a t e r C o n s e r v a t i o n ,2021,41(5):137-145.R u n o f fP r e d i c t i o n i nL a n j i a n g Ri v e rB a s i nB a s e do nH E C -HM SM o d e l T a n g Z h o n g n a n ,Y a n g G u o l i ,L i J u n ,L i uP e n gx i a o (H e b e iK e y L a b o r a t o r y o f W a t e rQ u a l i t y E n g i n e e r i n g a n dC o m p r e h e n s i v e U t i l i z a t i o no f W a t e rR e s o u r c e s ,H e b e iU n i v e r s i t y o f A r c h i t e c t u r e ,Z h a n g ji a k o u ,H e b e i 075000,C h i n a )A b s t r a c t :[O b j e c t i v e ]R u n o f f r e s p o n s e s t o c l i m a t e c h a n g e s i nL a n j i a n g R i v e r b a s i nw e r e a n a l yz e d i n a n e f f o r t t o p r o v i d e a s c i e n t i f i c b a s i s f o r i m p r o v i n g s u s t a i n a b l ew a t e r r e s o u r c e s ,f l o o d c o n t r o l ,a n dd r o u g h t r e s i s t a n c e .[M e t h o d s ]T h e a p p l i c a b i l i t y o f t h eH E C -HM Sh y d r o l o g i c a lm o d e l i n t h i s b a s i nw a s d e t e r m i n e d b y c a l i b r a t i n gt h e p r o c e s s e s o f d a i l y r a i n f a l l a n d r u n o f f ,i na d d i t i o n t os i x p r o c e s s e s o f r a i n s t o r m s a n d f l o o d s f r o m2015t o 2018.B a s e do n t h e s t a t i s t i c a l d o w n s c a l i n g m o d e l (S D S M ),t h e c l i m a t e d a t a o f t h r e e c l i m a t e c h a n ge s c e n a r i o s (R C P2.6,R C P4.5,a n dR C P8.5)u n d e r t h eC A N E S M 2m o d e lf r o m 2030t o2100w e r ed o w n s c a l e df o rg e n e r a t i n g f u t u r e d a i l y p r e c i p i t a t i o n t i m e s e r i e s a t s i xm e t e o r o l o g i c a l s t a t i o n s i nL a n j i a n g Ri v e r b a s i n i no r d e r t o p r e d i c t t h e r u n o f f i n r e s p o n s e t o f u t u r e c l i m a t e c h a n g e s .[R e s u l t s ]T h e a v e r a ge c o r r e l a t i o nc o ef f i c i e n t s o f t h eH E C -HM Sm o d e l f o r f l o o d s a n dd a i l y r u n o f f s i m u l a t i o n sw e r e 0.89a n d0.77,r e s p e c t i v e l y .T h e a v e r a ge ef f i c i e n c y c o e f f i c i e n t s o f t h e H E C -HM S m o d e l f o r f l o o d sa n dd a i l y ru n o f f s i m u l a t i o n sw e r e0.86a n d0.76,r e s p e c t i v e l y .P r e c i p i t a t i o n i nt h es t u d y a r e au n d e r t h eR C P 2.6s c e n a r i od e c r e a s e db y 0.82%c o m pa r e dw i t h t h eb a s e p e r i o d (2015 2018),a n d i nc r e a s ed b y 6.18%a n d 18.17%u n de r t h eR C P 4.5a n dR C P 8.5s c e n a r i o s ,r e s p e c t i v e l y .A v e r a g e a n n u a l r u n of f u n d e r t h eR C P 2.6,R C P 4.5,a n dR C P 8.5s c e n a r i o s i n c r e a s e db y 17.00%,26.22%,a n d 41.93%,r e s p e c t i v e l y ,c o m pa r e dw i t h t h eb a s e p e r i o d .[C o nc l u s i o n ]T h eH E C -HM S m ode l i s Copyright©博看网 . All Rights Reserved.a p p l i c ab l e f o r r u n o f f s i m u l a t i o n i n t h eL a n j i a n g R i v e r b a s i n.I n t h e f u t u r e,r u n o f f i n t h eL a n j i a n g R i v e r b a s i n w i l l s h o wa s i g n i f ic a n t u p w a rd t re n d,a n d i n c r e a s e s y n c h r o n o u s l y w i t h t h e e n h a n c e m e n t of r a d i a t i o n f o r c i n g. W h e n r a d i a t i v e f o r c i ng i n c r e a s e s t o8.5W/m2,r u n o f fw i l l i n c r e a s e b y49.49m3/s e v e r y10y e a r s,a n d p r e d i c t a b l y, th e a v e r a g e a n n u a l r u n o f fwi l l r e a c h1101m3/s a t t h e e n do f t h e21s t c e n t u r y.A d d i t i o n a l l y,a n n u a l r u n o f fw i l l f l u c t u a t e s h a r p l y,r u n o f f i n t h e f l o o d s e a s o nw i l l a c c o u n t f o r a h i g h e r p r o p o r t i o n o f t h e y e a r,a n d d r o u g h t a n d f l o o d e v e n t sw i l l t e n d t ob e f r e q u e n t.K e y w o r d s:H E C-H M Sm o d e l;S D S M m o d e l;C a n E S M2;r u n o f f s i m u l a t i o n;L a n j i a n g R i v e r b a s i n政府间气候变化专门委员会(I P C C)的第五次评估报告中指出,从1880年以来全球平均表面温度上升0.85ħ,21世纪初已成为有记录以来最炎热的时期[1]㊂随着温室气体排放的增加,全球范围内辐射强迫度和温度持续上升,温度的上升导致更高的蒸散速率,这极大影响了区域水文过程和水文事件(即洪水和干旱)发生频率[2],因此研究水文水资源对气候变化的响应具有重要现实意义㊂大气环流模式(g e n e r a l c i r c u l a t i o nm o d e l s,G C M s)是目前广泛应用于大尺度气候研究的方法[3]㊂然而G C M s输出受到低分辨率和缺乏区域气候数据限制,降尺度方法常用于弥补G C M s对区域气候预测的不足[4]㊂S D S M(s t a t i s t i c a l d o w n s c a l i n g m o d e l)统计降尺度模型耦合了天气发生器和多元线性回归,在气候变化情景研究中得到广泛应用[5]㊂气候变化下的水文过程响应逐渐成为水文水资源研究领域的热点[6],水文模型是模拟流域水循环过程及气候和人类活动变化对水资源响应,揭示径流变化规律的重要工具和方法[7]㊂其中,与S D S M模型对接应用较为广泛的水文模型有S WA T模型[8]㊁V I C模型等[9]㊂H E C-HM S(h y d r o l o g i ce n g i n e e r i n g c e n t e r a n dh y d r o l o g i cm o d e l i n g s y s t e m)模型是由美国陆军工程师兵团研发的半分布式水文模型,因其相对简单高效的结构和明确的物理机制而被国内外学者广泛应用[10]㊂A b d e s s a m e d等[11]利用H E C-HM S 模型验证阿尔及利亚艾因赛夫拉市防洪混凝土墙防洪效果及其对洪峰流量的削减效果,发现市区挡土墙的存在显著减少了洪水区面积㊂M a h m o o d等[12]通过对该模型量化分析,发现了过去50a余非洲第四大淡水湖乍得湖入库流量迅速下降,其中人类活动因素占总比例的66%,气候因素仅为34%㊂袁玉等[13]探究了秦淮河流域洪水特征对景观格局的响应,发现景观丰富度较高的区域洪水危害性较小㊂田竞等[14]基于修正M o r r i s法优化了模型参数敏感性分析过程,并验证了模型在官山河流域的适用性㊂基于上述分析,国内外学者对H E C-HM S模型的研究主要集中于山洪预报预警和雨洪对下垫面变化的响应机制研究㊂然而,目前将H E C-HM S模型与S D S M模型耦合并应用于未来气候变化下的径流响应的研究还较少,加深耦合模型的应用理解对未来径流变化预测有现实意义㊂兰江流域受降雨和地形等因素影响,是浙江省内防洪抗汛的重点流域㊂历史上有记录的该流域发生的特大洪水超过56次㊂20世纪以来受到气候变化等因素影响,洪水发展到平均每4a一次,最近一次特大洪水出现在2017年6月下旬,兰溪站监测水位达到31.86m[15]㊂因此,本文针对兰江流域构建H E C-HM S模型,并将其与S D S M模型结合,依托C a n E S M2气候模式研究未来不同R C P s情景下的流域径流变化趋势,探究在全球变暖气候变化背景下径流的响应过程,以期为区域防洪工程和水资源管理提供重要参考和一定的理论支持㊂1研究区域数据与研究方法1.1研究区概况兰江流域位于钱塘江上游,浙江省中西部,水文上通常将马金溪㊁衢江和兰江统称为兰江㊂流域上游起源于安徽省休宁县,干流全长约为303k m,流域境内总面积1.94ˑ104k m2㊂流域跨越东经118ʎ40' 120ʎ38',北纬28ʎ60' 29ʎ30'之间,地形以丘陵和盆地为主,整体地势呈现四周高㊁中间低的特点,气候属于东亚副热带季风区,年平均年降水约为1200~ 1700m m,暴雨多集中在4 8月,多年平均温度约在17~18ħ间,流域径流主要补给源是大气降水,多年平均径流量608m3/s[16]㊂研究区域选取兰江兰溪水文站以上流域,区域地形和雨量站点分布见图1㊂图1兰江流域雨量站及地形图831水土保持通报第41卷Copyright©博看网 . All Rights Reserved.1.2数据来源及处理1.2.1地理空间数据地理空间数据包括流域数字高程㊁土地利用和土壤分布数据㊂数字高程数据来自于地理空间数据云平台(h t t p:ʊw w w.g s c l o u d.c n)的30m分辨率G D E M V230M产品数据集㊂土地利用数据为中国科学院资源环境科学数据中心提供的1k m 分辨率2018年土地利用现状遥感监测数据,通过兰江流域矢量边界提取(见图2a)㊂土壤分布数据来自世界土壤数据库HW S D(h a r m o n i z e dw o r l ds o i l d a t a-b a s e)数据集,边界裁剪兰江流域范围见图2b ㊂注:①L P k为黑色石灰薄层土;L V h1为简育高活性淋溶土1;A C u为腐殖质低活强酸土;A C h1为简育低活性强酸土1;R G c为石灰性疏松岩性土;C M o为铁铝性雏形土;C M x为艳色雏形土;R G d为不饱和疏松岩性土;A C h2为简育低活性强酸土2;A L h为简育高活性强酸土;A N h为简育火山灰土;F L e为饱和冲积土;C M d为不饱和雏形土;A T c1为人为堆积土1;A T c2为人为堆积土2;②A T c2比A T c1在土壤含沙量㊁壤土含量㊁土壤碳酸钙降低,黏土含量上升;L V h2比L V h在土壤含沙量㊁壤土含量上升,黏土含量㊁土壤碳酸钙下降;A C h2比A C h1在土壤含沙量上升,壤土含量㊁黏土含量和土壤碳酸钙含量均下降㊂图2兰江流域2018年土地利用类型与土壤类型分布1.2.2水文气象数据构建H E C-HM S模型的水文气象数据来自于历年中华人民共和国水文年鉴第7卷第1册,径流数据选取2015 2018年的兰江兰溪站逐日平均流量表和洪水水文要素摘录表,同时考虑到预测模型对下游兰江水库的安全性影响,故本着对水利工程最不利原则选取6场峰值流量大于3000 m3/s的典型大规模洪水数据㊂降水量数据选取流域内15个雨量站点(表1)的降水量摘录表㊂构建S D S M模型所需资料包括历史气象数据㊁N C E P(n a-t i o n a l c e n t e r s f o re n v i r o n m e n t p r e d i c t i o n)历史逐日再分析数据和C a n E S M2大气环流模式输出数据㊂实测历史气象资料采用流域内东阳㊁衢州㊁开化㊁江山㊁金华和武义6个气象站点1975 2005年逐日降水数据㊂N C E P历史再分析数据选取1975 2005年日序列的26种大气环流因子㊂C a n E S M2大气环流模式数据来自加拿大气候情景网,选取B O X_043X_ 43Y和B O X_044X_43Y网格下R C P2.6,R C P4.5和R C P8.53个排放情景的2030 2100逐日序列㊂表1兰江流域雨量站点地理位置雨量站名称控制河流东经北纬雨量站名称控制河流东经北纬马金马金溪118ʎ20'29ʎ25'东阳东阳江120ʎ13'29ʎ18'密赛马金溪118ʎ24'29ʎ10'楼店南江120ʎ21'29ʎ11'常山(三)常山港118ʎ32'28ʎ54'永康永康江120ʎ10'28ʎ54'江山江山港118ʎ37'28ʎ42'武义武义江119ʎ50'28ʎ55'衢州衢江118ʎ52'28ʎ59'金华金华江119ʎ37'29ʎ05'钟埂乌溪江118ʎ59'28ʎ22'金兰水库白沙溪119ʎ28'29ʎ00'铜山源水库铜山源118ʎ57'29ʎ08'兰溪兰江119ʎ29'29ʎ13'龙游溪口灵山港119ʎ11'28ʎ51'1.3研究方法1.3.1 H E C-HM S水文模型 H E C-HM S模型包括流域模块㊁控制模块㊁气象模块和时间序列管理模块4个部分[17],流域模块的降雨 径流计算中又分为产流模块㊁汇流模块㊁基流模块和河道汇流模块,通过模块式操作可以采用不同的计算方案模拟流域内的水文过程㊂本研究通过H E C-G e o HM S10.2对流域D E M931第5期唐中楠等:基于H E C-HM S模型的兰江流域径流预测Copyright©博看网 . All Rights Reserved.数据进行处理,提取流域水系特征和地形参数并将流域划分为18个子流域,利用泰森多边形法计算每个子流域的雨量站权重,在此基础上生成H E C-HM S 工程文件(图3)㊂产流模块采用S C S-C N径流曲线数法,率定参数包括降雨初损㊁C N值和不透水率;汇流模块采用S n y d e r单位线法,参数包括流域滞时和峰值系数;基流模块采用消退基流法,参数有初始基流㊁衰减常数和衰减阈值;河道汇流模块采用马斯京跟法,参数包括蓄量常数K,流量比重X和河段数㊂考虑到初始参数值输入模型的模拟较差,故参数率定过程中采用手动试错法结合模型内置的N e l d e r-M e a d法及峰值加权均方根目标函数确定最优参数[18]㊂验证模型选用洪峰流量相对误差(R E Q),洪量相对误差(R E W),峰现时差(ΔT),N a s h效率系数(N S E)和相关性系数(R2)5个指标评价模型模拟结果,洪峰流量相对误差R E Q和洪量相对误差R E W误差范围应在20%以内,峰现时差ΔT误差范围应在3h以内,N a s h效率系数(N S E)应在0.6以上㊂R E Q, R E W和ΔT绝对值越低,N S E和R2越接近1代表模拟效果越好[19]㊂根据上述方法构建兰江流域H E C-HM S模型,洪水场次模拟选取4场暴雨洪水对模型参数进行率定,2场暴雨洪水对模型模拟效果进行验证;逐日降雨径流选取2015 2016年日径流数据对模型参数进行率定,2017 2018年日径流数据对模型模拟效果验证㊂图3兰江流域划分及模型结构1.3.2S D S M统计降尺度模型 S D S M模型是耦合多元线性回归分析和随机天气发生器的统计降尺度模型,能够将低分辨率的G C M大气环流模式输出数据转换为站点或小尺度气候要素的日序列,其核心为通过多元回归分析方法建立预报因子与预报量之间的统计关系[20]㊂模型主要使用步骤包括:筛选预报因子㊁数据转化及质量控制㊁率定验证模型㊁天气发生器和情景发生器,其中预报因子的选择依据为预报因子与预报量间有强相关性和明确的物理过程㊁所选因子能够被G C M准确模拟[21]㊂根据建立的统计关系率定及验证模型后即可凭借于G C M输出数据模拟预测未来日序列的气象要素变化过程,其基本原理[22]如下所示:ωi=α0+ðn j=1αj P i j,R0.25i=β0+ðn j=1βj P i j+e i(1) T i=γ0+ðn j=1γj P i j+e i(2)式中:ωi为第i天降水概率;P i j为第i天第j个预报因子;α,β和γ为模型参数;R i为降水量;T i为温度变量;e i为误差㊂本研究采用加拿大气候中心研发的C a n E S M2模式的未来输出降水数据进行研究㊂林朝晖等[23]对17个G C M s模式在中国东部历史降水模拟能力进行了分析,发现只有4种G C M s模式能够同时还原小雨至暴雨雨量的年代增加,C a n E S M2模式是其中之一㊂X u a n等[24]分析了18个G C M s模式在浙江省区域气候变化模拟能力,发现C a n E S M2模式是温度模拟㊁降水模拟和风速模拟的最佳模式之一,温度模拟绝对偏差小于1ħ,降水偏差小于5%㊂因此,C a n E S M2气候模式可以认为适用于浙江区域㊂2结果与分析2.1H E C-H M S模型结果2.1.1洪水模拟结果洪水模拟结果见表2㊂由表2可以看出6场洪水的洪峰相对误差和洪量相对误差均小于20%,其中洪峰流量相对误差绝对值均值为6.82%,洪量相对误差绝对值均值为7.55%;峰现时差除20170411号洪水外均小于2h;N a s h效率系数为0.78~0.92,相关性系数均高于0.8㊂从模拟与实测流量对比结果(图4)中看出,模型模拟洪水过程与实测过程趋势基本一致㊂率定期20170614,20170625,20180305这3场洪水N a s h效率均接近于0.9,洪量误差均接近或小于5%,峰现表现趋于雨停峰现,模拟效果较好㊂洪号20180430, 20170411洪水洪量相对误差稍大,具体表现为局部模拟过程和实测洪水过程有所差距,其原因可能为实测流量数据为摘录洪水数据线性插值处理后的结果,坦化后实际流量过程线导致局部模拟过程误差增大;同时通过泰森多边形法计算流域面降水量不能全部还原降水的空间和时间过程,从而进一步增大洪水过程线和峰现时间误差㊂总体上看,率定期和验证期共6场洪水的相对误差㊁效率系数等大体符合要求,表明H E C-HM S模型可以用于兰江流域洪水模拟㊂041水土保持通报第41卷Copyright©博看网 . All Rights Reserved.表2H E C-HM S模型洪水模拟结果时期洪号降雨量/mm洪峰流量相对误差/%洪量相对误差/%峰现时差/h相关系数效率系数率定期20170614180-5.065.3400.930.92率定期20170625326-0.942.6800.850.89率定期2018030558-7.496.02-10.910.90率定期20180430665.79-10.34-10.890.82验证期20170411107-11.59-13.43-40.950.85验证期2018041487-10.067.5300.820.78图4兰江流域率定期(a-d)与验证期(e-f)洪水过程模拟结果2.1.2日径流模拟结果表3为H E C-HM S模型日径流模拟结果评价,率定期逐日径流相关系数和效率系数均为0.79,相对误差为6.11%;验证期相关系数为0.74,效率系数为0.73,相对误差R e为14.02%,总体上率定期模拟效果优于验证期,模拟值稍大于实测值㊂图5为率定期和验证期模拟逐日径流和实测径流过程141第5期唐中楠等:基于H E C-HM S模型的兰江流域径流预测Copyright©博看网 . All Rights Reserved.对比,可以看出过程线拟合效果较好㊂模型对于极端径流模拟值偏小,实测最高流量日为2017年6月25日,日平均径流量达到12900m3/s,模型模拟结果仅为6653.50m3/s;2015年6月19日,实测日平均径流量达到8570m3/s,模拟结果为4907.50m3/s;2015年6月30日,实测日平均径流量达到6290m3/s,模拟结果为4829.30m3/s㊂综合效率系数㊁相关系数和相对误差来看,H E C-HM S模型在兰江流域有较好的适用性,可以用于该地区的径流模拟㊂表3模型模拟结果评价时段R2N S E R e/%率定期0.790.796.11验证期0.740.7314.02图5兰江流域验证期和实测期径流模拟过程2.2S D S M模型结果2.2.1S D S M模型率定与验证选取1975 1995年为S D S M模型率定期,1996 2005年为模型验证期㊂采用平均解释方差(E)㊁标准误差(S E)和相对误差评价模拟结果㊂考虑到H E C-HM S模型仅需输入降水序列,故本研究中仅对6个气象站点的日降水量进行模拟验证,结果见表4㊂各站点标准误差为0.35~ 0.40mm,解释方差为0.34%~0.47%,说明所选的预报因子能够解释降水量超过34%~47%的误差㊂本研究中对降水量的模拟结果与郝丽娜等[25]对河西走廊降水模拟的解释方差0.09%~0.64%,初祁等[26]对太湖流域降水模拟的解释方差0.11%~0.26%和娄伟等[27]对泾河流域降水模拟中解释方差为0.35%~ 0.45%等结果相似,同时年降水量统计结果表明模拟与实测值基本相近,因此认为构建的S D S M模型可适用于兰江流域未来径流模拟㊂2.2.2未来情景预测将2030 2100年分为3个时段,即2030s(2030 2049年),2050s(2050 2079年)和2080s(2080 2100年),以1975 2005年作为基准期对比㊂应用已构建的S D S M模型输入C a n E S M2模拟下R C P2.6,R C P4.5和R C P8.53种排放情景数据得到6个气象站点未来降水逐日序列,并根据泰森多边形法计算流域面降水量,结果见表5㊂表4S D S M模型降水模拟结果统计值站名时期年实测均值/mm年模拟均值/mm解释方差/%标准误差/mm 东阳率定期144514010.420.36验证期135813640.470.36金华率定期154414200.400.35验证期140815780.290.39江山率定期168718020.360.40验证期180619460.380.37开化率定期172618010.400.36验证期173318270.450.35衢州率定期149113280.340.37验证期160015880.410.36武义率定期151914850.390.35验证期140814510.420.37 R C P2.6,R C P4.5和R C P8.5浓度路径下流域降雨量较于基准期分别增幅-0.82%,6.18%和18.17%㊂R C P2.6情景下未来降水量呈现轻微下降趋势,平均减幅为1.97mm/10a,21世纪末期较于基准期下降1.41%;R C P4.5情景下降水量增长至顶峰后减少,增幅为14.84mm/10a,2050s时期平均多年降水量达到最高值1860.75mm,较于基准期增幅10.76%,21世纪末期回落至1767.36mm,较于基准期增幅241水土保持通报第41卷Copyright©博看网 . All Rights Reserved.5.20%;R C P 8.5情景下降水量持续快速增长,增幅为43.60mm /10a ,21世纪中前期已明显高于基准期,21世纪末期平均多年降水量达到2338.70mm ,较于基准期上升39.21%,相比于其他情景变化更为剧烈㊂总体上看,兰江流域未来降水量呈上升趋势,降水量增幅程度随着辐射强迫度的上升而增大㊂表5 兰江流域各情景下未来降水预测排放情景基准期/mm降水变化值/(mm /10a )多年降水量均值/mm2030s2050s2080s降水变化率/%2030s 2050s2080s R C P 2.61680.03-1.971677.871664.421656.38-0.13-0.93-1.41R C P 4.51680.0314.841723.581860.751767.362.5910.765.20R C P 8.51680.0343.601674.111942.882338.70-0.3515.6539.212.3 未来径流模拟将S D S M 模型降尺度生成的未来较好序列输入到已校准的H E C -HM S 模型中,得到未来R C P s 3种排放情景下的流域径流变化过程(图6)㊂结合表6可知未来不同排放情景各时段下平均多年径流量,对比基准期(2015 2018年)未来径流量均成上升趋势,R C P 2.6,R C P 4.5和R C P 8.53种情景下多年平均径流相较于基准期分别增幅为17%,26.22%和41.93%㊂未来各时段径流量变化规律与降水变化过程基本一致,R C P 2.6情景下径流量基本趋于稳定,较于基准期增长幅度15%~20%,预测期内平均每10a 减少1.6m 3/s ;R C P 4.5情景下径流量增长至峰值后缓慢下降,较于基准期增幅20%~32%,预测期内平均每10a 上升4.65m 3/s ;R C P 8.5情景下径流量持续上升,从2030s 时段较于基准期增幅17%持续上升至2080s 时段增幅71%,预测其内平均每10a 上升49.49m 3/s ,同时R C P 8.5情景下各年份径流量起伏较大,变化过于剧烈的径流过程代表旱涝事件频率和强度将明显提升㊂图6 兰江流域3种排放情景下未来径流变化表6 兰江流域未来情景下流域年平均流量基准期流量/(m3㊃s -1)情景多年平均流量/(m 3㊃s-1)2030s2050s 2080sR C P 2.6754.19768.44742.48644R C P 4.5777.95850.15810.51R C P 8.5754.77886.041101.17图7所示为各时段平均月径流模拟结果㊂R C P 8.5情景下各时段径流除6,10,11月外均出现不同程度的增幅,其中丰水期(4 7月)涨幅显著高于枯水期(9 12月),且随着时间的推移,丰水期和枯水期的径流差也不断扩大,至21世纪末期,丰水期已占全年径流71.93%㊂R C P 4.5情景和R C P 2.6情景下径流年内分配均趋于稳定,相较于基准期1 5月径流出现明显上升,7 9月和12月径流出现了小幅上升,而6,10,11月径流则出现了不同程度的下降,至21世纪末期2种情景汛期径流占比分别达到60.06%和61.63%,枯水期径流量则有减小的态势㊂总体来看预测结果表明10月和11月以外的月份平均径流均呈明显增加趋势,其中2 5月平均径流量增幅明显,丰水期径流增幅程度均大于枯水期,表明未来流域径流年内分配可能趋于参差,需要更加注意丰水期防洪水利工程㊂341第5期 唐中楠等:基于H E C -HM S 模型的兰江流域径流预测Copyright©博看网 . All Rights Reserved.图7兰江流域多年月平均径流基准期与实测期比较3讨论与结论3.1结论(1)H E C-HM S模型在兰江流域有较好的适用性㊂通过构建适用于兰江流域的H E C-HM S模型并率定校准模型,场次洪水模拟平均效率系数0.86,平均相关系数0.89,平均洪峰相对误差6.82%,平均洪量相对误差7.56%;日径流量模拟平均效率系数0.76,平均相关系数0.77,模型可以较为准确地还原研究区水文过程㊂(2)未来兰江流域径流量呈上升趋势,增幅程度随辐射强迫度同步增大㊂R C P2.6情景下径流趋于稳定,流域径流量每10a减少1.6m3/s;R C P4.5情景下径流量增加至峰值后减少,每10a上升4.65m3/s; R C P.8.5情景下径流量持续攀升,每10a径流量上升49.49m3/s㊂R C P8.5情景下年径流量变化剧烈,旱涝事件发生概率和强度均有所增加㊂(3)未来径流量年内分配将更趋于极端,汛期径流量占全年比例将有所上升㊂R C P2.6,R C P4.5和R C P8.53种情景下丰水期径流量上升幅度均明显高于枯水期,增幅程度与辐射强迫度增大趋势一致㊂预测期汛期径流占比总体高于基准期,至21世纪末期R C P2.6,R C P4.5和R C P8.53种浓度路径下分别由基准期的46.59%上升到60.06%,61.63%和71.93%㊂3.2讨论本研究所用的C a n E S M2模式是国际耦合模式比较计划第5阶段C M I P5发布的气候模式之一, C M I P5与第3阶段C M I P3相比在气候模拟能力上已有显著提高[28],但是G C M s模式仍然不能完全模拟大气要素之间的互相作用,在未来气候变化的预测中有极大的不确定性,尤其是影响因素较多且过程复杂的降水事件[29],不同气候模式由于机制原理㊁物理气候结构㊁模式分辨率和辐射强迫度情景设计的较大差异,对未来气候的模拟能力也不尽相同,通过比较多个G C M s模式能够尽量减少不确定性㊂Z h a n g 等[30]通过H a d C M3,E C H AM5和C C S M3这3个模式研究发现钱塘江流域未来降水量极有可能呈现上升趋势,X i a等[31]通过G F D L等3个G C M s模式预测钱塘江流域丰水期降水量上升而枯水期下降,以上多种气候模式研究和本研究一致发现钱塘江流域和其上游兰江流域的降水量在未来有上升趋势,因此本研究基于S D S M模型分析兰江流域未来降水量将有所上升的结论具有可信度㊂降尺度方法也是区域尺度的未来气候变化研究中的不确定性因素之一㊂S D S M统计降尺度方法虽然可以减少空间分辨率尺度上带来的误差,但其预测因子的选择存在主观性,模型情景生成与基线一致这一结构导致模拟结果年际降水量变化较大[32]㊂本研究通过分析未来降水变化并结合水文模型研究了兰江流域径流的变化趋势,但仅通过单出口观测流量进行模型的率定与验证难以说明流域整体的径流变化得到了准确的还原,进一步分析不同区域的径流量演变趋势将是未来研究的重点㊂同时,土地利用类型的改变会对流域径流产生重大影响[33],充分考虑流域未来土地利用㊁土壤分布和高程的改变对径流的影响是值得进一步研究的科学问题㊂[参考文献][1]董思言,高学杰.长期气候变化:I P C C第五次评估报告解读[J].气候变化研究进展,2014,10(1):56-59.[2] Z h a n g Y u q i n g,Y o uQ i n g l o n g,C h e nC h a n g c h u n,e t a l.I m p a c t so fc l i m a t ec h a n g eo ns t r e a m f l o w su n d e r R C Ps c e n a r i o s:Ac a s es t u d y i nX i nR i v e rb a s i n,C h i n a[J].A t m o s p h e r i cR e s e a r c h,2016,178/179:521-534.[3]W a n g J u c u i,H u oA i d i,Z h a n g X u e z h e n,e t a l.P r e d i c-t i o no f t h er e s p o n s eo f g r o u n d w a t e r r e c h a r g e t oc l i m a t ec h a n g e s i nH e i h eR i v e r b a s i n,C h i n a[J].E n v i r o n m e n t a lE a r t hS c i e n c e s,2019,79(1):1-16.[4]冯禹,崔宁博,龚道枝,等.用统计降尺度模型预测川中丘441水土保持通报第41卷Copyright©博看网 . All Rights Reserved.陵区参考作物蒸散量[J].农业工程学报,2016,32(S1): 71-79.[5]刘永和,郭维栋,冯锦明,等.气象资料的统计降尺度方法综述[J].地球科学进展,2011,26(8):837-847. [6]董磊华,熊立华,于坤霞,等.气候变化与人类活动对水文影响的研究进展[J].水科学进展,2012,23(2):278-285.[7]高玉芳,陈耀登,蒋义芳,等.D E M数据源及分辨率对H E C-HM S水文模拟的影响[J].水科学进展,2015,26(5):624-630.[8]郭静,王宁,粟晓玲.气候变化下石羊河流域上游产流区的径流响应研究[J].西北农林科技大学学报(自然科学版),2016,44(12):211-218.[9]刘梅,吕军.我国东部河流水文水质对气候变化响应的研究[J].环境科学学报,2015,35(1):108-117. [10]张静,杨明祥,雷晓辉,等.基于H E C-HM S的青狮潭水库入库洪水预报研究[J].水土保持通报,2017,37(4):225-229,235.[11]A b d e s s a m e dD,A b d e r r a z a kB.C o u p l i n g H E C-R A Sa n dH E C-HM Si nr a i n f a l l-r u n o f f m o d e l i n g a n de v a l u a t i n gf l o o d p l a i n i n u n d a t i o n m a p s i na r i de n v i r o n m e n t s:C a s es t u d y o fA i nS e f r a c i t y,K s o u rM o u n t a i n.S W o fA l g e-r i a[J].E n v i r o n m e n t a lE a r t hS c i e n c e s,2019,78(19):586-603.[12]M a h m o o d R,J i aS h a o f e n g.A s s e s s m e n to fh y d r o-c l i-m a t i c t r e n d s a n d c a u s e s o f d r a m a t i c a l l y d e c l i n i n gs t r e a mf l o wt oL a k eC h a d,A f r i c a,u s i n g a h y d r o l o g i c a la p p r o a c h[J].S c i e n c e o f t h eT o t a lE n v i r o n m e n t,2019,675:122-140.[13]袁玉,方国华,陆承璇,等.基于景观生态学的城市化背景下洪灾风险评估[J].地理学报,2020,75(9):1921-1933.[14]田竞,夏军,张艳军,等.H E C-HM S模型在官山河流域的应用研究[J].武汉大学学报(工学版),2021,54(1):8-14.[15]夏芳.钱塘江流域气候变化及其对水文径流的影响[D].浙江杭州:浙江大学,2016.[16]刘莉,K r e w i n k e l BC,B o o i j MJ,等.兰江流域降雨量与气候指数的相关性研究[J].浙江大学学报(工学版),2018,52(12):2332-2341.[17]郑鹏,林韵,潘文斌,等.基于H E C-HM S模型的八一水库流域洪水重现期研究[J].生态学报,2013,33(4):1268-1275.[18]邹杨,胡国华,于泽兴,等.H E C-HM S模型在武水流域山洪预报中的应用[J].中国水土保持科学,2018,16(2):95-102.[19]桂晗亮,张春萍,武治国,等.H S P F在热带沿海流域水文模拟中的应用[J].水土保持通报,2020,40(6):115-120,129.[20]董立俊,董晓华,曾强,等.气候变化条件下雅砻江流域未来径流变化趋势研究[J].气候变化研究进展,2019,15(6):596-606.[21]刘昌明,刘文彬,傅国斌,等.气候影响评价中统计降尺度若干问题的探讨[J].水科学进展,2012,23(3):427-437.[22]刘卫林,熊翰林,刘丽娜,等.基于C M I P5模式和S D S M的赣江流域未来气候变化情景预估[J].水土保持研究,2019,26(2):145-152.[23]林朝晖,杨笑宇,吴成来,等.C M I P5模式对中国东部夏季不同强度降水气候态和年代际变化的模拟能力评估[J].气候与环境研究,2018,23(1):1-25. [24] X u a n W e i d o n g,M aC h o n g,K a n g L i l i,e ta l.E v a l u a-t i n g h i s t o r i c a l s i m u l a t i o n s o fC M I P5G C M s f o r k e y c l i-m a t i c v a r i a b l e s i nZ h e j i a n g P r o v i n c e,C h i n a[J].T h e o-r e t i c a l a n d A p p l i e dC l i m a t o l o g y,2017,128(1/2):207-222.[25]郝丽娜,粟晓玲,王宁.基于统计降尺度模型的河西走廊未来气温和降水的时空变化[J].西北农林科技大学学报(自然科学版),2015,43(10):219-228. [26]初祁,徐宗学,蒋昕昊.两种统计降尺度模型在太湖流域的应用对比[J].资源科学,2012,34(12):2323-2336.[27]娄伟,李致家,刘玉环.多模式下泾河上游流域未来降水变化预估[J].南水北调与水利科技(中英文),2020,18(6):1-16.[28]任婧宇,赵俊侠,马红斌,等.2015 2100年黄土高原四季气候变化的时空分布趋势预测[J].水土保持通报,2019,39(5):262-271.[29]方思达,刘敏,任永建.南水北调中线工程水源区和受水区旱涝特征及风险预估[J].水土保持通报,2018,38(6):263-267,276.[30] Z h a n g X u j i e,X uY u e p i n g,F uG u a n g t a o.U n c e r t a i n t i e si n S WA T e x t r e m e f l o w s i m u l a t i o n u n d e r c l i m a t ec h a n g e[J].J o u r n a l o fH yd r o l o g y,2014,515:205-222.[31] X i aF a n g,L i uX i n g m e i,X u J i a n m i n g,e t a l.T r e n d s i nt h ed a i l y a n d e x t r e m et e m p e r a t u r e si nt h e Q i a n t a n gR i v e r b a s i n,C h i n a[J].I n t e r n a t i o n a l J o u r n a l o fC l i m a-t o l o g y,2015,35(1):57-68.[32]赵姹,李志,刘文兆.G C M降尺度预测泾河流域未来降水变化[J].水土保持研究,2014,21(1):23-28. [33]郝振纯,苏振宽.土地利用变化对海河流域典型区域的径流影响[J].水科学进展,2015,26(4):491-499.541第5期唐中楠等:基于H E C-HM S模型的兰江流域径流预测Copyright©博看网 . All Rights Reserved.。

影视特效制作案例
案例素材
室内效果图制作案例素材
影视特效制作案例素材 游戏开发案例素材
室外效果图制作案例素材 动画制作案例素材
学习指导
01
02
学习建议与学习方法指导
学习进度规划建议
03
学习难点答疑解惑
04
学习成果评估与反馈
05
教程使用方法
学习流程
了解教程结构
在开始学习前，建议先浏览教 程的目录和简介，了解教程的
灯光与渲染
灯光设置
学习如何设置不同类型的灯光， 如平行光、点光源、聚光灯等。
渲染设置
掌握渲染设置中的参数调节，如 渲染尺寸、渲染质量、抗锯齿等
。
渲染输出
学习如何输出渲染结果，以及如 何导出渲染图像。
动画与特效
关键帧动画
学习如何创建关键帧动画，掌握动画的时间轴和 曲线编辑器。
粒子系统
掌握如何使用粒子系统来创建特效，如烟雾、火 焰等。
实用性
案例教学
01
教程中包含大量实用案例，通过实际操作帮助学习者掌握
DSMAX中文版的实际应用。
技巧分享
02
教程中穿插了许多技巧和注意事项，帮助学习者在实践中提高
效率和质量。
拓展实践
03
教程还提供了拓展实践任务，让学习者在实践中巩固和拓展所
学知识。
创新性
1 2 3
新手友好
教程特别考虑了初学者的需求，以简洁明了的语 言和图文并茂的方式进行讲解，让新手能够快速 上手。
基础操作
01
02
03
界面布局
熟悉dsmax的界面布局， 包括dsmax的文件创建、 打开、保存等基本操作。
视图控制

(SCALE用户指南)5.3.5 版本SCALE 团队UGC 工作区，2020 年 1 月 21 日目录1概述2 1.1简介31.1.1什么是 SCALE？ (3)1.1.2SCALE-RM 结构 (5)1.2本文档中使用的符号72安装8 2.1准备92.1.1系统环境 (9)2.2编译 SCALE122.2.1下载环境设置 (12)2.2.2编译 (13)2.3编译后处理工具 (net2g)152.3.1编译 netcdf2grads (net2g) (15)3SCALE-RM 教程16 3.1操作检查和基本使用173.1.1简介 (17)3.1.2如何执行模型 (17)3.1.3后处理与绘图 (19)3.1.4后续研究指南 (20)3.2真实大气试验223.2.1概述 (22)3.2.2准备输入数据（边界数据） (23)3.2.3准备试验集 (25)3.2.4创建地形数据：pp (26)3.2.5创建初始和边界数据：init (27)3.2.6执行模拟：run (29)3.2.7快速查看模拟结果：net2g (33)第 1 部分概述第 1.1 章简介此用户手册面向初次使用区域气候/气象模型 SCALE-RM 的用户。

本手册基于 5.3.5 版本的数值程序库。

尽管当前版本的 SCALE 包含区域模型 SCALE-RM 和全球模型 SCALE- Gm，此版本用户手册仅阐述如何使用 SCALE-RM。

下一个或更后面的发行版本将阐述 SCALE-GM。

本文档的结构如下：第1 部分提供 SCALE 的概述，第2部分阐述如何安装 SCALE-RM 以及有何系统要求。

而第3 部分通过一系列教程阐述 SCALE-RM 的基本使用；第3.1 和第3.2章分别提供理想试验教程和真实大气试验。

建议 SCALE-RM 初学者仔细阅读这些章节。

有关如何更改模型配置、数据格式以及可用功能和工具的详细信息，请参考《SCALE 用户指南》英文版（EN 版本）的第 4 和第 5 部分。