邢台市水文水资源特性分析

第34卷第5期2023年9月㊀㊀水科学进展ADVANCES IN WATER SCIENCEVol.34,No.5Sep.2023DOI:10.14042/ki.32.1309.2023.05.003基于深度学习的雷达降雨临近预报及洪水预报李建柱,李磊菁,冯㊀平,唐若宜(天津大学水利工程仿真与安全国家重点实验室,天津㊀300350)摘要:为探究深度学习的雷达降雨临近预报在流域洪水预报中的适用性,采用U-Net㊁嵌入注意力门的Attention-Unet 和添加转换器的多级注意力TransAtt-Unet 开展雷达降雨临近预报,将预报降雨作为HEC-HMS 水文模型的输入,对柳林实验流域进行洪水预报㊂结果表明:1h 预见期时,Attention-Unet 对短时强降雨预报结果较好,TransAtt-Unet 预报降雨模拟的洪峰流量和径流量相对误差小于20%,各深度学习模型对量级较大的降雨和洪水预报精度较高;2h 预见期的预报降雨强度㊁降雨总量㊁洪峰流量和径流量存在显著低估,U-Net 能取得相对较好的降雨预报结果㊂基于深度学习的1h 预见期雷达降雨临近预报及洪水预报可为流域防洪减灾提供科学依据㊂关键词:雷达降雨临近预报;降雨定量估计;深度学习;洪水预报;柳林实验流域中图分类号:P333㊀㊀㊀文献标志码:A㊀㊀㊀文章编号:1001-6791(2023)05-0673-12收稿日期:2023-05-19;网络出版日期:2023-09-19网络出版地址:https :ʊ /urlid /32.1309.P.20230918.1718.002基金项目:国家自然科学基金资助项目(52279022)作者简介:李建柱(1981 ),男,河北沧州人,教授,博士,主要从事水文水资源方面研究㊂E-mail:lijianzhu@近年来,极端降雨事件导致洪涝灾害频发,对洪水预报精度和时效性的要求越来越高[1]㊂准确的降雨预报是洪水预报的关键,可为防洪减灾工作提供重要的科学依据[2]㊂传统的洪水预报主要以地面雨量站实测降雨输入水文模型,导致洪水预报的有效预见期短,且雨量站实测降雨无法反映其空间分布特性[3]㊂天气雷达具有高时空分辨率㊁高精度和可靠性等特点[4]㊂将雷达降雨临近预报结果作为水文模型的输入进行洪水预报,能在一定程度上延长洪水预见期[5],是水文预报领域的主要发展趋势,但降雨临近预报是尚未解决的重要科学难题[6]㊂以光流法㊁质心跟踪法㊁交叉相关法为主的传统雷达回波外推方法[7],能在较短预见期内对缓慢变化的回波过程取得较好的外推效果,但无法准确描述迅速变化的回波过程[8]㊂近年来大量研究将深度学习的方法引入到水文气象领域,并取得显著成效[9-10]㊂Zhang 等[6]提出一种具有预测误差优化的神经网络模型NowcastNet,基于中国和美国的雷达资料开展降雨预报,显著提高了极端强降雨的预报精度㊂Ritvanen 等[11]提出一种基于卷积神经网络U-Net 的拉格朗日模型,改善了强降雨的临近预报效果㊂作为一种应用广泛的基础模型,U-Net 在临近预报领域得到推广[12]㊂Han 等[13]将U-Net 模型用于雷达回波外推,并与循环神经网络的TrajGRU 和交叉相关法的预报结果进行对比,表明U-Net 模型在时空序列预测问题的适用性㊂预报降雨的重要用途之一是作为水文模型的输入进行洪水预报[14-15]㊂Heuvelink 等[16]使用确定性和概率性方法进行降雨预报,并将结果作为WALRUS 水文模型的输入进行流量预报,在小流域取得较好的预报效果;Nguyen 等[17]将雷达回波外推和数值模式天气预报结合,提高了降雨预报精度,并指出降雨预报与分布式水文模型结合使用的优势;包红军等[18]构建了临近降雨集合预报的中小河流洪水预报模型,延长了洪水预报的预见期㊂但目前使用深度学习的方式开展雷达降雨临近预报,从而进行洪水预报的精度还有待提高,尤其是在半干旱半湿润地区的小流域㊂U-Net 结构简单,可根据目标灵活调整和添加模块,为实现更加精确的雷达降雨临近预报和洪水预报提供了更多可能㊂因此,本研究采用深度学习的U-Net,并尝试使用嵌入注意力门的Attention-Unet(简写为Att-674㊀水科学进展第34卷㊀Unet)和添加转换器的多级注意力TransAtt-Unet进行柳林实验流域典型降雨过程的1h和2h预见期雷达回波外推,利用动态雷达反射率因子和降雨强度关系计算外推回波对应的逐小时降雨,作为半分布式水文模型HEC-HMS的输入进行洪水预报,对比分析预报降雨与雨量站实测降雨模拟的洪水精度差异,探讨基于深度学习的雷达降雨临近预报在小流域洪水预报中的适用性㊂1㊀研究区域与数据1.1㊀流域概况选择河北省邢台市内丘县柳林实验流域为研究区㊂如图1所示,流域出口位于114ʎ21ᶄE㊁37ʎ17ᶄN,布设有柳林水文站进行水位和流量观测㊂流域面积为57.4km2,主河道长13.2km,流域坡度为30.9ɢ㊂地处半干旱半湿润气候区,季节变化分明,径流的年内和年际分配不均,降雨多发生在6 9月,多年平均降水量为594.5mm,多年平均径流深为80.7mm㊂雷达资料来源于中国新一代多普勒天气雷达监测网河北省石家庄市的Z9311站㊂雷达位于114ʎ42ᶄ50ᵡE㊁38ʎ21ᶄ00ᵡN,采用VP21体扫模式,扫描半径为230km,时间分辨率为6min,能够完成9个不同仰角的扫描㊂柳林实验流域在距离雷达120km范围内,可保证雷达回波数据的质量㊂图1㊀柳林实验流域位置和雷达监测范围Fig.1Location of Liulin experimental watershed and radar monitoring range1.2㊀雷达数据预处理将2018 2020年降雨时段的雷达基数据,经过编码转换㊁杂波抑制㊁衰减订正㊁地物遮挡订正㊁坐标转换后,形成反射率混合扫描数据图,用于深度学习模型的训练㊂由于柳林实验流域面积较小,将回波图裁剪至流域周围128行128列的范围(113ʎ36ᶄ36ᵡE㊁37ʎ30ᶄ36ᵡN到114ʎ53ᶄ24ᵡE㊁36ʎ47ᶄ24ᵡN)㊂以训练集中20180521场次降雨为例,图2为经过预处理与未处理回波对比图,经过质量控制后的回波剔除了杂波干扰并显著减少波束遮挡,具有较高的可靠性㊂训练集和验证集共包含20000帧回波图,按照8ʒ2的比例划分进行模型训练和验证㊂测试集选取2012年㊁2016年和2021年的4场典型降雨过程对应的雷达数据㊂1.3㊀典型降雨洪水过程降雨洪水资料来源于河北省邢台水文勘测研究中心㊂洪水资料为柳林水文站汛期实测逐小时流量数据,㊀第5期李建柱,等:基于深度学习的雷达降雨临近预报及洪水预报675㊀图2㊀20180521场次降雨未处理与预处理后回波对比Fig.2Comparison of unprocessed and preprocessed echoes of20180521case暴雨资料为流域内菩萨岭㊁神头㊁任庄㊁安上和柳林5个雨量站汛期逐小时雨量,筛选出与雷达回波时段对应的典型降雨洪水过程对降雨和洪水预报精度进行评价㊂降雨洪水信息如表1所示㊂由于20211006场次降雨过程在汛期后发生,柳林水文站未对其洪水过程进行观测㊂表1㊀典型降雨洪水过程信息Table1Information of typical rainfall and flood processes降水场次降水量/mm最大小时雨量/mm降雨时长/h洪水径流深/mm洪峰流量/(m3㊃s-1) 2012072675.958.45 5.147.020160719251.942.718129.2368.020210721149.426.92929.993.32021100625.58.25//2㊀研究方法2.1㊀雷达回波外推的深度学习模型2.1.1㊀U-NetU-Net网络由4层编码器-解码器组成,是一种卷积神经网络㊂如图3(a)所示,网络的左边是编码器,应用最大池化和双重卷积来减小图像大小和加倍特征映射的数量㊂编码器之后的右侧为解码器,通过双线性插值进行上采样操作,使特征图大小增加1倍㊂每层编码器和解码器之间通过1个跳跃连接保存来自较浅层的细尺度信息㊂完成上述采样操作之后,模型通过一个1ˑ1的卷积,输出代表网络预测值的单个特征图㊂2.1.2㊀Att-UnetAtt-Unet(图3(a))在U-Net的解码器前添加注意力门,以此过滤跳跃连接传播的特征,再将编码器的特征与解码器中相应的特征进行拼接,有效抑制无关区域的激活,减少编码器中无关信息的跳跃连接,达到改善预测效果的目的[19]㊂本研究将Att-Unet模型调整为时间序列预测模型进行回波外推㊂676㊀水科学进展第34卷㊀图3㊀U-Net㊁Att-Unet㊁TransAtt-Unet和TSA㊁GSA模块结构Fig.3Structure of U-Net,Attention-Unet,TransAtt-Unet,TSA and GSA modules2.1.3㊀TransAtt-UnetTransAtt-Unet将多层次引导注意和多尺度跳跃连接联合嵌入U-Net,如图3(b)㊂将变换器自注意力(TSA)和全局空间注意力(GSA)嵌入到网络中,同时在解码器中使用多尺度跳跃连接来聚合不同语义尺度的特征,从而有效减少卷积层叠加和连续采样操作造成的细节损失㊂如图3(c)和图3(d)所示,TSA将特征嵌入到Q㊁K㊁V3个矩阵中,在Q和K的转置之间采用Softmax函数进行归一化运算,形成注意力图,再与V 矩阵相乘得到注意力权重㊂GSA对特征进行卷积转置映射为W㊁M㊁N,对M㊁N采用Softmax函数进行归一化运算得到位置注意力信息,再与W相乘得到位置特征㊂在解码器部分采用残差多尺度跳跃连接的方式[20],输入特征图通过双线性插值向上采样到输出的分辨率,然后与输出特征图进行级联,作为后续块的输入㊂2.2㊀深度学习模型训练1h外推数据集取前1h间隔6min共10帧回波图(反射率因子),预测后1h共10帧回波图(2h外推为前20帧预测后20帧)㊂深度学习模型基于Pytorch环境,初始学习率设置为0.001,批处理大小设置为8,损失函数采用均方根误差(E MS)[13],在NVIDIA Geforce RTX3050上采用Adam优化器训练200个轮次㊂当损失函数在4个周期内没有增加时,学习率调节器将学习率自动减小10%㊂采用二元评价指标命中率(Proba-bility of detection,D PO)㊁虚警率(False alarm ratio,R FA)㊁临界成功指数(Critical success index,I CS)和准确率(Accuracy,A)进行雷达回波外推精度的评价[21]㊂2.3㊀雷达降雨临近预报多普勒天气雷达采用Z R关系描述雷达反射率因子(Z)和降雨强度(R)的幂指数关系[22]㊂中国的多普勒雷达普遍采用Z=aR b(a=300,b=1.4)进行降雨定量估计,但仅适用于平均情况㊂基于实测资料动态调整的Z R关系,可以实现更加精确的降雨估计[23]㊂殷志远等[24]采用4种不同的Z R关系开展雷达降雨定量估计,并将结果用于水文模拟,表明动态Z R关系的降雨定量估计精度最高,洪水模拟效果最好㊂动态Z R关系建立在逐小时快速更新资料的基础上,通过动态调节参数a和b,使逐小时雷达估测降雨与对应㊀第5期李建柱,等:基于深度学习的雷达降雨临近预报及洪水预报677㊀的雨量站观测降雨的最优判别函数δ达到最小[23],从而确定适用于逐小时雷达定量降雨估计的多组Z R关系参数㊂为保证参数a和b的取值合理,限定a和b数值调节范围分别为[150.00,400.00]㊁[0.80, 2.40],调整间隔分别为10和0.05㊂经过上述步骤最终确定出每场降雨过程的动态Z R关系参数如图4所示㊂采用相关系数(Correlation coefficient,C C)㊁平均偏差(Mean bias,B M)和平均绝对误差(Mean absolute error,E MA)进行降雨预报精度评价[14]㊂图4㊀动态Z R关系参数Fig.4Parameters of dynamic Z R relationship2.4㊀水文模型李建柱等[25]研究了地形数据源和分辨率对柳林实验流域洪水模拟精度的影响,结果表明,基于无人机三维倾斜摄影构建的1m分辨率DEM能反映流域真实地形的变化,在此基础上构建的HEC-HMS模型能较好地模拟流域洪水过程㊂本研究采用作者基于无人机三维倾斜摄影构建的1m分辨率HEC-HMS模型,将雷达降雨临近预报结果作为HEC-HMS水文模型的输入,进行柳林实验流域洪水预报㊂采用洪峰流量相对误差(E RP)㊁径流量相对误差(E RV)㊁峰现时差(ΔT)和纳什效率系数(E NS)进行洪水预报精度评价[25]㊂3㊀结果及分析3.1㊀回波外推结果分析以反射率20dBZ和30dBZ为阈值计算二元评价指标㊂1h回波外推评价结果见表2,Att-Unet对20120726场次降雨的回波外推效果相对较好,注意力门加强了Att-Unet对强回波的识别和外推效果,同时抑制弱回波或杂波产生的干扰,但对弱回波或中等回波的外推效果较差;TransAtt-Unet采用的多尺度跳跃连接和注意力机制使模型能综合不同尺度的图像特征,提高模型精度和稳定性,因此,该模型对于持续时间较长㊁降雨过程变化丰富的20160719场次回波过程取得了较好的外推效果;20210721和20211006场次降雨的过程回波总体偏弱,各模型的1h预见期回波外推精度差异并不显著㊂2h回波外推评价结果见表3,U-Net 模型对30dBZ阈值的回波外推效果优于其他模型,其原因是雷达回波外推需要预测每个像素的精确值;Att-Unet和TransAtt-Unet所采用的注意力门或者多尺度跳跃连接结构仅增强局部特征的学习,而忽略随时间动态变化的信息,因此导致预测时效性的不足㊂U-Net模型尽管结构简单,但以往研究表明其在时间序列预测中具有一定适用性[26],对不同等级回波信息具有一定的泛化能力[27],因此,尽管U-Net的1h预见期回波外推效果略差于添加注意力机制的模型,但能在更长预见期的回波外推中保持相对较好的效果㊂总体来看, 3种模型对中等强度回波外推效果均好于强回波,1h预见期回波外推效果好于2h预见期㊂国内外研究主要依靠天气雷达外推实现1h预见期降雨预报[5]㊂与传统的雷达外推方法相比,深度学习678㊀水科学进展第34卷㊀对回波和降水的演变趋势具有更好的预报效果,更适用于剧烈变化的降雨过程[28]㊂曹伟华等[29]使用基于U-Net网络搭建的RainNet模型开展雷达降雨临近预报,并与交叉相关的外推结果进行对比,指出了深度学习模型对降雨消亡过程的时空演变趋势和强度变化范围具有更好的预报效果,而交叉相关法更适合于稳定降雨的预报㊂本研究预报的4场典型降雨过程,除20211006场次持续时间短㊁降雨强度较小外,其余场次降雨过程变化较为剧烈,回波过程变化较为迅速,因此,采用深度学习的方法进行雷达降雨临近预报更为合适㊂表2㊀1h回波外推结果评价指标值Table2Evaluation index value of1h echo extrapolation results降雨场次模型D PO R FA I CS A20dBZ30dBZ20dBZ30dBZ20dBZ30dBZ20dBZ30dBZ20120726U-Net0.830.370.070.190.780.330.820.56 Att-Unet0.820.520.120.170.760.440.800.65 TransAtt-Unet0.750.350.060.170.720.340.770.5820160719U-Net0.710.370.140.440.610.210.610.31 Att-Unet0.790.460.150.450.680.240.690.33 TransAtt-Unet0.870.470.140.490.750.240.750.3120210721U-Net0.740.420.140.210.670.360.810.71 Att-Unet0.700.490.260.440.540.280.640.51 TransAtt-Unet0.720.520.260.460.550.290.650.5320211006U-Net0.450.240.560.760.190.090.740.64 Att-Unet0.440.210.550.790.240.080.750.61 TransAtt-Unet0.430.280.560.720.210.090.690.63表3㊀2h回波外推结果评价指标值Table3Evaluation index value of2h echo extrapolation results降雨场次模型D PO R FA I CS A20dBZ30dBZ20dBZ30dBZ20dBZ30dBZ20dBZ30dBZ20120726U-Net0.660.370.140.160.600.350.640.63 Att-Unet0.620.180.140.170.590.180.650.48 TransAtt-Unet0.660.200.110.130.590.200.630.5120160719U-Net0.590.200.420.630.380.120.430.47 Att-Unet0.480.120.440.640.310.070.370.47 TransAtt-Unet0.570.150.360.600.410.100.420.4820210721U-Net0.690.480.140.330.620.330.770.62 Att-Unet0.600.360.250.390.460.220.590.51 TransAtt-Unet0.650.380.290.460.480.220.570.4820211006U-Net0.500.170.480.770.320.080.670.58 Att-Unet0.420.180.670.810.210.020.600.54 TransAtt-Unet0.410.170.610.800.200.040.640.52㊀第5期李建柱,等:基于深度学习的雷达降雨临近预报及洪水预报679㊀3.2㊀降雨预报精度分析利用动态Z R关系计算各降雨场次真实回波和外推回波的逐小时降雨,精度和相关性评价指标见表4㊂20160719㊁20210721和20211006场次真实回波的反演降雨与实际降雨有较高的相关性,但20120726场次真实回波反演降雨与实际降雨的相关性较弱,但该场次回波外推取得较高的技能评分,其原因可能是2012年Z9311雷达为单偏振雷达,所采集的原始回波数据存在一定的数值和发生时间的系统误差,且该场降雨过程变化迅速,导致预报降雨与实际产生误差㊂TransAtt-Unet对20160719和20210721场次降雨在1h预见期内具有较小的误差,Att-Unet在20160719场次降雨的预报中具有最高的相关性㊂3种模型对20211006场次降雨预报效果差别并不显著,其原因是该场降雨强度较小,深度学习模型对此类降雨预报性能较接近㊂在2h 预见期降雨预报中,U-Net模型的降雨预报效果优于其他模型,这与雷达回波外推结果相对应,表明了U-Net在较长预见期降雨预报中的适用性㊂表4㊀降雨相关性评价指标值Table4Rainfall correlation evaluation index value降雨场次模型E MA/mm C C B M/mm1h2h1h2h1h2h20120726U-Net22.5722.49-0.28-0.41-1.96-2.32 Att-Unet23.9921.28-0.22-0.32-0.66-3.08 TransAtt-Unet24.2022.66-0.28-0.32-1.76-2.66真实回波14.780.31 2.9320160719U-Net8.868.840.480.420.22-6.21 Att-Unet8.7010.710.590.170.25-7.05 TransAtt-Unet7.8810.520.580.13-0.74-6.77真实回波 6.020.77-0.0620210721U-Net 4.57 4.780.520.380.31-1.90 Att-Unet 4.85 5.580.320.19-0.93-1.31 TransAtt-Unet 4.40 5.650.470.21-0.22-1.29真实回波 3.090.67-0.4120211006U-Net 2.81 2.650.840.61-2.81-2.39 Att-Unet 2.61 2.790.790.63-2.61-2.79 TransAtt-Unet 2.48 2.620.820.65-2.48-2.62真实回波 1.670.88-1.67㊀㊀预报降雨过程如图5所示㊂3种模型在1h预见期时,预报的20120726场次降雨峰值与实际较为一致,但出现1h时差;对20160719和20210721场次降雨过程预报结果出现部分异常值,这与回波外推过程较大的虚警率有关,但总体上能反映降雨过程变化和雨强峰值;20211006场次降雨则存在少量低估,但能预报出该场降雨峰值出现的时间,这与动态Z R算法对较弱降雨的系统性低估有关㊂2h预见期降雨可以一定程度预报降雨过程的变化,但对各场降雨的峰值存在显著低估㊂目前,小流域降雨临近预报效果普遍较差㊂Heuvelink等[16]采用拉格朗日持续性方法在一个40km2的680㊀水科学进展第34卷㊀流域上对一场强降雨进行预报,产生了50%相对误差,发现面积越小的流域对过程变化迅速的降雨越容易产生误报;石毅[30]采用Farneback光流法和ConvLSTM在柳林实验流域进行降雨预报,结果表明光流法对回波演变的敏感性相对较低,ConvLSTM对强回波存在显著的均化趋势,导致1h预见期强降雨存在严重的低估㊂本研究采用的深度学习方法,在1h预见期内对不同类型的降雨均取得相对较好的回波外推效果,且能较准确的预报出强降雨峰值和变化过程,尽管2h预见期的预报精度相对较差,但能预报出降雨变化过程㊂预报结果存在的误差与定量降雨估计方法的系统误差和小流域上有限的雷达回波信息相关㊂动态Z R关系在定量降雨估计中具有相对较高的精度,但在降雨预报的业务化应用中仍然具有优化的空间,如Mihulet等[31]使用机器学习的方法改善了定量降雨估计的效果㊂另外,由于流域面积较小,随着预见期的延长降雨发生的实际位置也许出现在雷达图之外,使得深度学习的方法对剧烈变化的降雨产生较大的误差,Heuvelink等[16]也指出面积越小的流域对降雨发生的位置敏感性越高㊂图5㊀预报逐小时降雨过程Fig.5Forecasted hourly rainfall process3.3㊀洪水预报精度分析表5为洪水预报精度评价结果㊂3场实测降雨模拟的洪峰流量均小于实测洪峰流量,但E NS均达到了0.7以上㊂预报降雨模拟的20120726和20210721场次峰量较小的洪水,E NS均小于0.3,但20120726场次洪水1h预见期径流量相对误差小于20%,20210721场次洪水的洪峰流量预报效果也好于实测降雨模拟结果㊂对于20160719场次峰量较大的洪水,1h预见期预报的洪水E NS均能达到0.7以上且预报洪峰流量相对误差均小于20%,满足预报的精度要求㊂2h预见期洪水预报效果显著变差,洪峰流量和径流量的预报也存在较大误差㊂1h预见期时,TransAtt-Unet对于3场洪水的预报洪峰流量和径流量相对误差均小于20%,且20160719场次洪水E NS达0.78;Att-Unet则较准确地预报出20210721场次洪水的洪峰流量,相对误差仅为-0.9%㊂由于2h预见期预报的降水量存在显著低估,使得预报洪峰流量显著小于实测值,但U-Net模型对3场洪水预报的E NS为3个深度学习模型的最优值,且预报的20160719场次洪水E NS达0.52㊂㊀第5期李建柱,等:基于深度学习的雷达降雨临近预报及洪水预报681㊀表5㊀洪水预报精度评价结果Table5Accuracy evaluation of forecasted floods洪水场次模型预见期Q S/(m3㊃s-1)E RP/%V S/mm E RV/%ΔT/h E NS20120726U-Net1h31.3-33.4 4.4-13.610.23 2h19.2-59.2 4.7-8.010.16Att-Unet1h40.3-24.5 5.68.810.06 2h17.8-62.1 3.9-43.630.08TransAtt-Unet1h38.0-19.2 5.3 2.210.23 2h19.0-59.6 4.3-17.110.15实测降雨模拟36.7-21.97.0537.200.7220160719U-Net1h372.4 1.2162.525.810.76 2h198.4-46.189.3-30.930.52Att-Unet1h407.310.7165.928.410.77 2h185.3-49.779.3-38.640.34TransAtt-Unet1h354.9-3.6154.819.910.78 2h191.3-48.183.9-35.030.37实测降雨模拟343.3-6.7167.729.810.8320210721U-Net1h123.232.033.010.400.25 2h32.3-65.47.7-74.300.14Att-Unet1h92.5-0.917.9-40.110.04 2h41.6-55.411.6-61.31-0.09TransAtt-Unet1h101.08.325.7-14.000.19 2h57.0-38.912.8-57.210.02实测降雨模拟76.2-18.327.7-7.300.79㊀㊀预报洪水过程线如图6所示㊂3种模型1h预见期洪水变化过程与实际较为一致,预报的20120726场次洪水峰现时间和洪水涨落时间较实际滞后1h;20160719场次预报洪水与实测降雨模拟的峰现时间均较实际滞后1h,预报洪峰与实际较为接近,但径流量存在一定的高估;对于20210721场次洪水预报,U-Net预报的洪峰流量较实际偏大,Att-Unet预报的峰现时间较实际滞后1h,TransAtt-Unet的预报结果与实际更为接近,3种模型均能预报出该场洪水的涨落过程㊂深度学习的方法对于剧烈变化的降雨引发的洪水,1h预见期的预报洪水E NS较低,但能较好地预报出洪水的变化过程和洪峰流量,对量级较大的洪水能取得较高的E NS,且能在准确预报洪水变化过程的基础上,较准确地预报出洪峰流量㊁径流量和峰现时间㊂2h预见期降雨虽然可以预报出洪峰形成过程,但对洪峰流量和径流量存在显著低估㊂糜佳伟等[32]在梅溪流域(面积约956km2)进行降雨预报和洪水预报,指出1h预见期降雨预报结果能满足中小流域洪水预报需求㊂本研究在降雨径流响应时间更快的柳林实验流域进行洪水预报,尽管预报洪水E NS较小,但能在1h预见期对不同类型降雨引发的洪水取得较为准确的洪峰流量和径流量预报效果,预报的20160719场次大洪水的洪峰流量和径流量相对误差小于实测降雨模拟洪水结果,因此,1h预见期洪水预报效果具有一定的准确性,为流域的防洪减灾工作争取了更长的时间㊂未来可在更多流域开展雷达降雨临近预报和洪水预报研究,以验证本文采用的深度学习方法在其他流域的适用性㊂682㊀水科学进展第34卷㊀图6㊀模拟和预报洪水过程线Fig.6Simulated and forecasted flood hydrographs4㊀结㊀㊀论采用深度学习的U-Net㊁Att-Unet和TransAtt-Unet进行雷达回波外推,通过动态雷达反射率因子和降雨强度关系实现雷达降雨临近预报,将降雨预报的结果输入HEC-HMS水文模型对柳林实验流域典型洪水过程进行预报,得到以下主要结论:(1)1h预见期时Att-Unet对强回波过程外推效果较好,TransAtt-Unet对变化更丰富的回波过程外推效果较好;2h预见期时U-Net外推效果更稳定㊂(2)深度学习模型在1h预见期对短时强降雨存在时间上的误差,对持续时间较长的降雨存在少量预报异常值,但均能较准确地预报降雨强度和过程;2h预见期降雨存在显著低估和较大误差㊂(3)3种模型的1h预见期预报的洪水能反映实际变化过程,TransAtt-Unet预报的洪峰流量和径流量误差更小,Att-Unet能对部分场次洪水取得较准确的洪峰预报效果㊂U-Net在2h预见期洪水预报效果精度最高㊂参考文献:[1]雍斌,张建云,王国庆.黄河源区水文预报的关键科学问题[J].水科学进展,2023,34(2):159-171.(YONG B, ZHANG J Y,WANG G Q.Key scientific issues of hydrological forecast in the headwater area of Yellow River[J].Advances in Water Science,2023,34(2):159-171.(in Chinese))[2]金君良,舒章康,陈敏,等.基于数值天气预报产品的气象水文耦合径流预报[J].水科学进展,2019,30(3):316-325.(JIN J L,SHU Z K,CHEN M,et al.Meteo-hydrological coupled runoff forecasting based on numerical weather prediction products[J].Advances in Water Science,2019,30(3):316-325.(in Chinese))[3]IMHOFF R O,BRAUER C C,van HEERINGEN K J,et rge-sample evaluation of radar rainfall nowcasting for flood early warning[J].Water Resources Research,2022,58(3):e2021WR031591.[4]IMHOFF R O,de CRUZ L,DEWETTINCK W,et al.Scale-dependent blending of ensemble rainfall nowcasts and numerical weather prediction in the open-source pysteps library[J].Quarterly Journal of the Royal Meteorological Society,2023,149(753):㊀第5期李建柱,等:基于深度学习的雷达降雨临近预报及洪水预报683㊀1335-1364.[5]刘佳,邱庆泰,李传哲,等.降水临近预报及其在水文预报中的应用研究进展[J].水科学进展,2020,31(1):129-142.(LIU J,QIU Q T,LI C Z,et al.Advances of precipitation nowcasting and its application in hydrological forecasting[J]. Advances in Water Science,2020,31(1):129-142.(in Chinese))[6]ZHANG Y C,LONG M S,CHEN K Y,et al.Skilful nowcasting of extreme precipitation with NowcastNet[J].Nature,2023, 619(7970):526-532.[7]SOKOL Z,SZTURC J,ORELLANA-ALVEAR J,et al.The role of weather radar in rainfall estimation and its application in mete-orological and hydrological modelling:a review[J].Remote Sensing,2021,13(3):351.[8]HAN L,ZHAO Y Y,CHEN H N,et al.Advancing radar nowcasting through deep transfer learning[J].IEEE Transactions on Geoscience and Remote Sensing,2022,60:1-9.[9]BI K F,XIE L X,ZHANG H H,et al.Accurate medium-range global weather forecasting with3D neural networks[J].Nature, 2023,619(7970):533-538.[10]李步,田富强,李钰坤,等.融合气象要素时空特征的深度学习水文模型[J].水科学进展,2022,33(6):904-913.(LI B,TIAN F Q,LI Y K,et al.Development of a spatiotemporal deep-learning-based hydrological model[J].Advances in Water Science,2022,33(6):904-913.(in Chinese))[11]RITVANEN J,HARNIST B,ALDANA M,et al.Advection-free convolutional neural network for convective rainfall nowcasting[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2023,16:1654-1667. [12]AYZEL G,SCHEFFER T,HEISTERMANN M.RainNet v1.0:a convolutional neural network for radar-based precipitation now-casting[J].Geoscientific Model Development,2020,13(6):2631-2644.[13]HAN L,LIANG H,CHEN H N,et al.Convective precipitation nowcasting using U-net model[J].IEEE Transactions on Geo-science and Remote Sensing,2022,60:1-8.[14]熊立华,刘成凯,陈石磊,等.遥感降水资料后处理研究综述[J].水科学进展,2021,32(4):627-637.(XIONG LH,LIU C K,CHEN S L,et al.Review of post-processing research for remote-sensing precipitation products[J].Advances in Water Science,2021,32(4):627-637.(in Chinese))[15]刘家宏,梅超,刘宏伟,等.特大城市外洪内涝灾害链联防联控关键科学技术问题[J].水科学进展,2023,34(2):172-181.(LIU J H,MEI C,LIU H W,et al.Key scientific and technological issues of joint prevention and control of river flood and urban waterlogging disaster chain in megacities[J].Advances in Water Science,2023,34(2):172-181.(in Chi-nese))[16]HEUVELINK D,BERENGUER M,BRAUER C C,et al.Hydrological application of radar rainfall nowcasting in the Netherlands[J].Environment International,2020,136:105431.[17]NGUYEN H M,BAE D H.An approach for improving the capability of a coupled meteorological and hydrological model for rain-fall and flood forecasts[J].Journal of Hydrology,2019,577:124014.[18]包红军,曹勇,曹爽,等.基于短时临近降水集合预报的中小河流洪水预报研究[J].河海大学学报(自然科学版),2021,49(3):197-203.(BAO H J,CAO Y,CAO S,et al.Flood forecasting of small and medium-sized rivers based on short-term nowcasting and ensemble precipitation forecasts[J].Journal of Hohai University(Natural Sciences),2021,49(3): 197-203.(in Chinese))[19]GAO Y B,GUAN J P,ZHANG F H,et al.Attention-unet-based near-real-time precipitation estimation from Fengyun-4A satel-lite imageries[J].Remote Sensing,2022,14(12):2925.[20]FANG J,YANG C,SHI Y T,et al.External attention based TransUNet and label expansion strategy for crack detection[J].IEEE Transactions on Intelligent Transportation Systems,2022,23(10):19054-19063.[21]TREBING K,STA CZYK T,MEHRKANOON S.SmaAt-UNet:precipitation nowcasting using a small attention-UNet architec-ture[J].Pattern Recognition Letters,2021,145:178-186.[22]ZOU H B,WU S S,TIAN M X.Radar quantitative precipitation estimation based on the gated recurrent unit neural network andecho-top data[J].Advances in Atmospheric Sciences,2023,40(6):1043-1057.[23]GOU Y B,CHEN H N,CHANDRASEKAR V.A dynamic approach to quantitative precipitation estimation using multiradar mul-tigauge network[J].IEEE Transactions on Geoscience and Remote Sensing,2020,58(9):6376-6390.。

相关分析法在地下水位预测中的应用吴丽英【摘要】针对邢台县的地下水开采情况,采用1991-2005年15年的埋深和雨量资料,采用相关分析法,用埋深和降雨量建立相关关系,对邢台县的地下水位进行预测,建立预报模型,预测其未来的变化,做到对其未来的变化趋势心中有数,对水资源的管理和国民的生产生活都是十分有益的,为经济社会发展服务.【期刊名称】《地下水》【年(卷),期】2011(033)006【总页数】4页(P47-50)【关键词】地下水;模型;预测;邢台县【作者】吴丽英【作者单位】河北省邢台水文水资源勘测局,河北邢台054000【正文语种】中文【中图分类】P641.1邢台县位于河北省南部，太行山东麓。

东经113°45'～114°38'，北纬36°58'～37°22'，东临南和县、任县;西与山西省左权、和顺、昔阳三县接壤;南与沙河市、武安市相连;北与内丘县毗邻。

邢台县分布有松散岩类孔隙水、岩溶水和基岩裂隙水。

境内河流有沙河、七里河、白马河和牛尾河，均为季节性河流，平时基流甚少，或干枯，汛期洪水暴涨暴落。

1 邢台县水资源开发利用现状水是实现经济社会可持续发展的重要战略性资源，地下水资源作为水资源的重要组成部分，不仅弥补了地表水资源时空分布不均匀引起的区域供水不足，同时也支撑了生态环境的和谐。

在平原区，除个别大水年份外，大多数年份地表水资源量已全部被上游截流消耗利用，地下水资源就成了维持需水量的主要水源。

现在主要开采地下水(第四系孔隙水)。

由于开采量增大，补给量减少，导致地下水位持续下降，如今灌溉农田要从几十米，甚至上百米的机井抽水，农用机井和提水机械平均10年更换一次，增大农业投资。

机井越打越深，抽水成本逐渐增大，农业生产成本逐年攀升，对农业生产产生负面影响，严重挫伤农民种田的积极性。

1979年以后，岩溶水大规模集中开采，水位变化大，呈现出多年下降趋势。

摘要本文利用2005—2015年新河县张神首土壤墒情监测站的监测资料,分析水浇地作物与水浇地白地土壤含水量,掌握不同种植条件下土壤含水量的变化规律。

结果表明,3月1日至4月21日,水浇地作物土壤含水量>水浇地白地土壤含水量;5月1日至6月21日,水浇地作物土壤含水量<水浇地白地土壤含水量;9月1日至11月21日,水浇地作物土壤含水量>水浇地白地土壤含水量。

农作物灌溉期间,应考虑作物生长需水量进行适时灌溉,充分利用土壤含水量,以达到节水的目的。

关键词土壤含水量;种植模式;变化特征;节水中图分类号S152.7文献标识码A 文章编号1007-5739(2018)10-0225-02Analysis on Change Characteristics of Soil Moisture Content Under Different Planting PatternsCHEN E-yin KANG Yan-fu(Xingtai Hydrology Water Resources Survey Bureau in Hebei Province ,Xingtai Hebei 054000)Abstract Based on monitoring data of Zhangshenshou Soil Moisture Monitoring Station in Xinhe County from 2005to 2015,the soil moisture content of crop irrigable land and idle irrigable land were analyzed ,and change characteristics of soil moisture content under different planting patterns were understood.The results showed that ,from March 1to April 21,the soil moisture content of crop irrigable land was higher than that of idle irrigable land ;from May 1to June 21,the soil moisture content of crop irrigable land was lower than that of idle irrigable land ;from September 1to November 21,the soil moisture content of crop irrigable land was higher than that of idle irrigable land.During the crop irrigation ,we should irrigate timely according to the water requirement of crops ,make full use of soil moisture content ,so as to achieve the goal of saving water.Key words soil moisture content ;planting pattern ;change characteristic ;water saving不同种植模式下土壤含水量变化特征分析陈峨印康彦付(河北省邢台水文水资源勘测局,河北邢台054000)水浇地是指可以利用灌溉系统灌溉的耕地,当水浇地上作物生长缺少水分时,可以通过灌溉补充水源。

水文现象的特性[黎河水文特性分析] 摘要:主要介绍黎河流域概况以及气象、水文基本情况并分析了降雨和径流的时空分布特征关键词:黎河流域；水文；特性一、流域概况黎河发源于河北省迁西县与遵化市交界处的山地、丘陵地区。

属海河流域，潮白、蓟运水系。

其中有大小支流23条。

流域面积560 km2，河道总长度76 km。

地貌趋势由东北向西南倾斜，在河北省遵化市与天津市蓟县交界处的藏山庄东南与发源于河北省兴隆县若乎山的沙河汇合，注入果河，流向于桥水库。

流域区内植被状况较好，盛产核桃、大枣、苹果、安梨等经济林果，尤其以“长城板栗”享誉中外。

流域内建有中小型水库12座，控制面积44 km2，占流域总面积的7.86%，可调蓄洪水898万m3。

在引滦入津输水干渠上游建有小型水力发电站三座。

黎河是于桥水库的主要入库河流之一。

原为天然行洪河道。

1983年引滦入津工程完工，在主支流北线上接管厅至果河桥双河口段进行了人工改造。

现为输水、行洪兼用河道，输水干线长57.6 km。

原有河段接管厅至后店段改造为梯型槽断面；中下游部分河段进行扩宽、弯道裁直及挑流试验的工作。

为降低水流速及水位落差在输水干线上建成跌水坝94座。

黎河是季节性河流，地处燕山余脉的迎风坡属暖温带大陆性季风气候。

具有明显气候特征：冬季寒冷，干燥少雪，春季干旱多风，夏季炎热多雨，秋季阴雨连绵，四季分明。

年平均气温10.40C，一月份平均气温-7.10C，七月份平均气温25.40C，无霜期平均185天。

多年平均降水量800 mm，多年平均径流1.46亿m3，最大24小时暴雨量140 mm。

二、水文特性(一) 降水黎河流域由于地处燕山余脉迎风坡，受季风气候的影响，故夏季风是本流域降水的主要原因。

多以锋面雨、气旋雨、低涡及地形雨为主要特点。

本流域多年平均降水量800 mm。

其分布趋势大致以接管厅、东旧寨、前毛庄、柴王店由东北向西南呈带状分布。

降水量年内分配很不均匀，夏季暴雨集中，6―9月份平均降水量占全年降水量的75%―85%，7―8月份占全年降水量的50%―60%，其中以7月中旬至8月中旬为最大，占全年降水量的30%―40%，降水量相对集中的趋势比较明显。

第一章区域概况1.1 自然地理给水度1.1.1 地理位置馆陶县地处河北省东南部、海河流域漳卫南上游，北纬26o27′～36o47′，东经115o06′～115o28′之间，总面积456.3km2。

馆陶县东依卫运河，与山东一桥（高速公路桥）相连，南距河南省30余公里，西离邯郸市城区75公里，有京开和荣兰两条国道在县城交汇通过，邯济铁路也经过县城，交通方便。

1.1.2 地形地貌馆陶县为河北南部平原区，地势平坦，地势由西南向东北缓慢降低，地面总坡度约为1/7000-8000。

馆陶县为冲洪积平原，岩性皆为各种砂性和粘性土互层。

全县地下水流向均自西南向东北方向，浅层水属降雨渗漏补给开采型，而深层水属于上游含水层裸露的补给区补给，补给非常有限，应严格控制开采。

1.1.3 土壤植被全县总耕地面积43万亩，其中中低产田19.7万亩，占41.8%以上。

土壤质地多为壤土和沙壤土，其中沙壤土26000公顷，占83%以上。

土壤养分含量：中产田含氮0.06%，速效磷6.8mg/kg，有效钾79mg/kg，有机质含量为0.92%。

因此，对中低产量的改造是农业治理工程的重点之一。

土壤类型分布图见图1-1。

馆陶县种植品种主要是小麦、玉米、棉花、大豆、花生等农作物，早已替代了自然植被，复种指数为1.55。

目前所见植被均为河渠两岸、公路两旁种植的树木和田间种植的果园。

全年农作物播种面积66.5416万亩，其中小麦播种面积28.1820万亩，玉米播种面积23.2019万亩，棉花播种面积10.8365万亩，大豆播种面积1.6873万亩，蔬菜播种面积1.8029万亩，其它作物播种面积0.7244万亩。

图1-1 土壤类型分布图1.2 气象水文馆陶县属暖温带半湿润地区，大陆性季风气候，四季分明，雨热同期。

春季干旱多风，夏季炎热多雨，秋季天高气爽，冬季寒冷少雪等特征。

全县多年平均气温13.4℃，大于10℃的有效积温4483℃。

多年平均日照时数2459.2h，其中5月份日照时数较多，12月份、1月份较少。

工业污染对水环境的影响及对策工业污染对水环境的影响及对策傅金成（河北省邢台水文水资源勘测局，河北邢台 054000）摘要: 通过分析邢台市城市水环境现状，总结工业污染对邢台市城市水环境的影响，探讨工业污染对水环境影响对策与措施。

关键词: 工业污染；水环境；影响；对策与措施；邢台市中图分类号: X171.4 文献标示码：B邢台市地处河北省中南部，是一座拥有3500年历史的古老城市，大规模的工业建设带动城市的发展，工业给城市以生命，使城市发展、壮大并富有生气，但同时也给城市带来各种问题。

邢台市是工业城市，城市工业作为一把双刃剑，在发展经济，带来收益的同时也带来了环境污染，尤其是对水环境的影响。

1 邢台市城市水环境现状1.1 地表水当前，邢台市水环境形势严峻，子牙河水系污染严重，流经我市境内的12条支流全部含工业废水和生活污水。

境内河流均为季节性河流，2006年监测结果显示，监测断面水质均为V类。

其中汪洋沟、滏洋河、滏洋新河、滏洋东排河、牛尾河、围寨河、老漳河、卫运河、小黄河、留垒河、清凉江主要污染物为五日生化需氧量、化学耗氧量、氨氮、总氮等，属有机型污染。

朱庄水库和临城水库均属于Ⅱ类水质，与2005年相比，水质无明显变化。

但朱庄水库和临城水库总氮均超ⅴ类标准，朱庄水库的总磷污染程度减轻，达到地表水Ⅱ类水质标准；临城水库的总磷污染略有加剧，超地表水Ⅱ类水质标准，达到地表水Ⅲ类水质标准[1] [2]。

1.2 地下水2006年深层地下水总体水质为良好（Ⅰ类）。

其中邢钢小学用水的硝酸盐氮监测值较高，超过地下水Ⅱ类标准，属地下水Ⅲ类水质，市第二苗圃用水的硝酸盐氮、溶解性总固体和硬度测值较高，超过地下水Ⅱ类标准，属地下水Ⅲ类水质，其他眼井均达到地下水Ⅱ类水质标准。

紫金泉、董村、韩演庄水厂饮用水源总体水质为良好（Ⅰ类），全年水质达标率为100%。

2006年浅层地下水的总体水质为良好（Ⅰ类）。

除南大郭井的总硬度、硝酸盐氮监测值较高，超过地下水ⅴ类标准，溶解性总固体监测值超过地下水Ⅲ类标准外，其他眼井均达到Ⅱ类标准[3]。

邢台市人民政府办公室关于成立邢台市水生态保护与修复工作领导小组的通知文章属性•【制定机关】邢台市人民政府•【公布日期】2009.06.16•【字号】邢政办函[2009]29号•【施行日期】2009.06.16•【效力等级】地方工作文件•【时效性】现行有效•【主题分类】机关工作正文邢台市人民政府办公室关于成立邢台市水生态保护与修复工作领导小组的通知（邢政办函〔2009〕29号）各县（市、区）人民政府，开发区、大曹庄管委会，市政府有关部门：2008年8月经水利部、河北省人民政府批准，我市被列为全国水生态系统保护与修复试点。

为保证试点工作顺利开展，按照“邢台市水生态系统保护与修复试点工作实施方案”要求，经研究决定在我市全面开展水生态保护与修复试点工作，并成立“市水生态保护与修复工作领导小组”。

现将领导小组成员通知如下：组长：刘大群市政府市长副组长：刘劲松市政府副市长张跃进市政府副秘书长王义章市水务局局长成员：姜桂莲市发改委主任徐兰军市财政局局长柳金钟市环保局局长田留双市建设局局长李秋喜市国土资源局局长王仲清市农业局局长闫九旭市林业局局长郭和平桥西区人民政府区长吕志成桥东区人民政府区长孙胜利开发区管委会主任顾鹏图邢台县人民政府县长孙仁卿市水务局副局长张登杰邢台水文水资源勘测局局长王新友河北省环境地质勘查院邢台勘查院院长领导小组下设办公室，办公地点设在邢台市水务局。

办公室主任由王义章兼任，副主任由孙仁卿兼任，负责日常工作，组织全市水生态保护与修复试点工作的实施。

办公室人员由市水资办人员组成。

为确保邢台市水生态系统保护与修复试点扎实开展，根据职能各部门分工如下：市水务局：负责全市节水型社会建设、水源地保护、水土保持建设；负责地下水压采及邢台百泉地下水保护和泉水恢复工程，督促企业改用地表水、关停自备井；协调技术专家组工作并指导各县市区水生态修复与保护工程建设；负责阶段性报告编制评估验收等。

市发改委：负责有关水生态项目建设筛选、立项；工业节水改造、污水处理厂建设；七里河综合治理工程有关水生态保护工程建设等。

河北省用水定额在邢台市农业用水量方面的应用吴丽英【摘要】为贯彻最严格的水资源管理制度,控制占全市70％的农业用水总量,邢台市拟开展农业用水定额标准体系建设.通过对现状年农业用水量的调查和研究,发现用河北省用水定额计算出的用水量远远低于实际的农业用水量,说明邢台市目前采用的实际用水定额偏大,从而可以采取一定的措施,与河北省的定额一致,从而降低农业用水定额,达到规范定额的目的,同时也达到了节水的目的.该项研究有利于促进最为严格的水资源管理制度的落实,有利于保证农业用水总量的控制.【期刊名称】《地下水》【年(卷),期】2012(034)006【总页数】3页(P205-207)【关键词】用水定额;农业用水;应用研究;邢台市【作者】吴丽英【作者单位】河北省邢台水文水资源勘测局,河北邢台054000【正文语种】中文【中图分类】S274.4邢台市地处河北省中南部，西靠太行山与山西接壤，东以卫运河为界与山东毗邻，北与石家庄、衡水两市搭界，南与邯郸市相连。

本区域东西长约185 km，南北宽约80 km，其状略呈马鞍形，面积12 456 km2。

地势较平坦，坡度约为1/10000，高程多在35～30 m之间，地貌形态复杂，古河床和沙丘岗坡呈条带状分布，并形成许多封闭洼地［1］。

1 农业用水现状农业生产用水包括种植业用水和林牧渔业用水等。

本论文以2008年作为现状年，按2008年用水量资料统计，总用水量为18 3019万 m3，农业用水为156 636万 m3，占总用水量的86.0%，其它用水量占总用水量的 24.0%［2］。

而农业为主要产业的县(市)农业用水占总用水量的80%以上，农业用水高于全国平均水平。

农业用水比例较大，同时长期以来农业用水还存在利用方式粗放、用水效率不高、用水浪费严重等现象，农业还有一定的节水潜力［3］。

农业作为用水大户，也是用水浪费大户，必须采取各种措施加快农业高效用水工程，减少水资源的无效损耗，大幅度提高水资源的利用率和利用效益。

县区名称地表水资源量/104m 3降雨入渗补给量/104m 3河川基流量/104m 3水资源总量/104m 3人均水资源占有量/（m 3/人）邯山区3713594138382678丛台区7861947264246945复兴区169329249253692117武安市20389212271087630739366永年区6666915346723575肥乡区10918060191447峰峰矿区3227500220656164121磁县4970836135629769208临漳县54819908253109魏县18054520563254大名县29477920808687馆陶县124376903893107成安县4341190416290涉县17006164041080722603533广平县8814280151648鸡泽县7424430251775曲周县184369055311邱县12620490217584全市5038410379728984125198119冀南新区102942106324606143经济开发区14629343917邯郸市水资源现状及保护对策探讨郑艳军（河北省邯郸水文勘测研究中心）摘要：水资源是国计民生之大事，是社会经济可持续发展的基本保障。

以河北省邯郸市为对象，研究了该区域的水资源与开发利用现状，针对目前存在的问题，提出了完善水资源管理体制，引进节水灌溉先进技术，加强节水宣传，建设水资源监测系统等开发、利用、保护等监管对策。

关键词：水资源地表水水质保护邯郸市中图分类号：TV213文献标识码：C 文章编号：1008-0120（2020）04-0026-03第4期２０20年12月山西水土保持科技Soil and Water Ｃonservation Science and Technology in Shanxi No.4Dec.2020囗调查思考收稿日期：2020-09-261研究区概况邯郸市位于河北省南部，东连山东省，西与山西省为邻，南接河南省，北与邢台市接壤，地理坐标介于北纬36°04′-37°01′，东经113°28′-115°28′之间，辖1市6区11个县。

142 HUANJINGYUFAZHAN▲洺河流域“7.19”暴雨洪水成灾原因分析杨梓文1,杨梓静2(1.秦皇岛水文水资源勘测局，河北 秦皇岛 066000；2.河北省水利水电勘测设计研究院，河北 石家庄 050000)摘要：2016年7月19日邯郸市洺河流域发生了1963年以来最大的暴雨洪水过程，突发洪水致使下游区域庄稼被淹、村庄进水，对洺河下游区域形成较大的洪涝灾害。

本文通过对本次暴雨洪水特性进行分析，以探讨造成洪涝灾害的原因。

关键词：暴雨洪水;洪涝灾害；洪水成灾中图分类号：X43 文献标识码：A 文章编号：2095-672X(2019)01-0142-02DOI:10.16647/15-1369/X.2019.01.082Analysis of the causes of the “7.19” storm flood in the Minghe river basinYang Ziwen 1, Yang Zijing 2(1. Qinhuangdao Hydrology and Water Resources Survey Bureau, Qinhuangdao Hebei 066000, China; 2. Hebei Institute of Water Resources and Hydropower Survey and Design, Shijiazhuang Hebei 050000, China)Abstract: On July 19, 2019, the largest rainstorm and flood process occurred in the Minghe River Basin in Handan City since 1963. Sudden floods caused floods in the downstream areas, flooded villages, and formed large floods in the lower reaches of the Minghe River. This paper analyzes the characteristics of this storm and flood to explore the causes of flood disasters.Keywords: Storm flood; Flood disaster; Flood disaster1 流域概况洺河临洺关水文站位于河北省邯郸市永年区临洺关镇，集水面积2300km 2。