基于CMIP6多模式集合的内陆河径流模拟及预估

doi:10.13745/j.esf.sf.2024.5.30

地学前缘 ›› 2024, Vol. 31 ›› Issue (6): 450-461.DOI: 10.13745/j.esf.sf.2024.5.30

基于CMIP6多模式集合的内陆河径流模拟及预估

梁文翔¹^,²(), 骆震³, 陈伏龙¹^,²^,^*(), 王统霞¹^,², 安杰¹^,², 龙爱华¹^,⁴, 何朝飞¹^,²

1.石河子大学水利建筑工程学院, 新疆石河子 832000
2.寒旱区生态水利工程兵团重点实验室, 新疆石河子 832000
3.新疆兵团勘测设计院集团股份有限公司, 陕西西安 710000
4.中国水利水电科学研究院流域水循环模拟与调控国家重点实验室, 北京 100038

收稿日期:2023-12-22 修回日期:2024-04-02 出版日期:2024-11-25 发布日期:2024-11-25
通信作者: 陈伏龙
作者简介:梁文翔(2000—),男,硕士研究生,主要从事水文学及水资源问题研究。E-mail: 2350059350@qq.com
基金资助:
国家自然科学基金项目(52169005);新疆兵团科技创新人才计划项目(2023CB008-08);南疆重点产业创新发展支撑计划项目(2022DB024);2023年新疆维吾尔自治区研究生创新计划项目

Simulation and prediction of inland river runoff based on CMIP6 multi-model ensemble

LIANG Wenxiang¹^,²(), LUO Zhen³, CHEN Fulong¹^,²^,^*(), WANG Tongxia¹^,², AN Jie¹^,², LONG Aihua¹^,⁴, HE Chaofei¹^,²

1. School of Hydraulic Engineering, Shihezi University, Shihezi 832000, China
2. Key Laboratory of Ecological Hydraulic Engineering Corps in Cold and Arid Areas, Shihezi 832000, China
3. Xinjiang Corps Survey and Design Institute Group Co., Ltd., Xi’an 710000, China
4. State Key Laboratory of Basin Water Cycle Simulation and Regulation, China Institute of Water Resources and Hydropower Research, Beijing 100038, China

Received:2023-12-22 Revised:2024-04-02 Online:2024-11-25 Published:2024-11-25
Contact: CHEN Fulong

摘要/Abstract

摘要：

随着全球气候变化和人类活动的影响,以冰川融雪为主要补给来源的内陆河径流序列发生了明显变化,预测未来气候变化下内陆河流域径流变化对区域水灾害防治和水资源合理利用具有重大意义。构建分解—模拟—优化—重构模型与多模式集合平均(MME)的8种GCMs数据耦合,预测分析玛纳斯河流域2024—2030年在不同气候情景下的径流响应特征。结果表明:Model.VLE模型在径流模拟阶段R²>0.86且TPE<0.28,其模拟误差最小、稳定性最优;历史时期GCMs数据经过空间降尺度、偏差矫正和Model.VLE模型耦合的径流模拟效果最优,能够为径流预测提供可靠结果;玛纳斯河流域未来(2024—2030年)径流来水偏丰较历史时期(2000—2014年)有显著增加趋势,未来年径流变化与未来气温和降水相关,3种气候情景下未来(2024—2030年)径流无显著差异。

关键词: 径流预测, CMIP6模式, 气候变化, 内陆河, 偏差校正

Abstract:

The runoff series of inland rivers with glacier melt as the main supply source has changed significantly with the influence of global climate change and human activities. Predicting the runoff change of inland river basins under future climate change is of great significance for regional water disaster prevention and rational utilization of water resources. A decomposing, simulation-optimization-reconstruction model was constructed and coupled with eight kinds of GCMs data from the multi-model ensemble Average (MME) to predict and analyze the runoff response characteristics in the Manas River Basin under different climate scenarios from 2024 to 2030. The results show that R²>0.86 and TPE<0.28 in the runoff simulation stage of the Model.VLE Model has the smallest simulation error and the best stability. The runoff simulation effect of GCMs data through spatial downscaling, deviation correction, and Model.VLE Model coupling is the best in the historical period, which can provide reliable results for runoff prediction. Compared with the historical period (2000—2014), the runoff water abundance in the Manas River Basin in the future (2024—2030) has a significant increase trend, and the future annual runoff change is related to the future temperature and precipitation, and there is no significant difference in the future runoff under the three climate scenarios (2024—2030).

Key words: runoff forecast, CMIP6 mode, climate change, Inland river, deviation correction

中图分类号:

P333.1
P467

梁文翔, 骆震, 陈伏龙, 王统霞, 安杰, 龙爱华, 何朝飞. 基于CMIP6多模式集合的内陆河径流模拟及预估[J]. 地学前缘, 2024, 31(6): 450-461.

LIANG Wenxiang, LUO Zhen, CHEN Fulong, WANG Tongxia, AN Jie, LONG Aihua, HE Chaofei. Simulation and prediction of inland river runoff based on CMIP6 multi-model ensemble[J]. Earth Science Frontiers, 2024, 31(6): 450-461.

图/表 14

参考文献 29

[1]	陈亚宁, 李稚, 范煜婷, 等. 西北干旱区气候变化对水文水资源影响研究进展[J]. 地理学报, 2014, 69(9): 1295-1304. DOI
[2]	骆成彦, 陈伏龙, 何朝飞, 等. CMADS在玉龙喀什河径流模拟中的适用性研究[J]. 干旱区研究, 2022, 39(4): 1090-1101. DOI
[3]	MALIK M A, DAR A Q, JAIN M K. Modelling streamflow using the SWAT model and multi-site calibration utilizing SUFI-2 of SWAT-CUP model for high altitude catchments, NW Himalaya’s[J]. Modeling Earth Systems and Environment, 2022, 8(1): 1203-1213.
[4]	黄平, 赵吉国. 流域分布型水文数学模型的研究及应用前景展望[J]. 水文, 1997(5): 6-11.
[5]	HU C H, WU Q, LI H, et al. Deep learning with a long short-term memory networks approach for rainfall-runoff simulation[J]. Water, 2018, 10(11): 1543.
[6]	祁继霞, 粟晓玲, 张更喜, 等. VMD-LSTM模型对不同预见期月径流的预测研究[J]. 干旱地区农业研究, 2022, 40(6): 258-267.
[7]	CHEN Y C, GAO J J, BIN Z H, et al. Application study of IFAS and LSTM models on runoff simulation and flood prediction in the Tokachi River basin[J]. Journal of Hydroinformatics, 2021, 23(5): 1098-1111.
[8]	ZHANG L Y Z, PANG B, XU Z X, et al. Assessment on the applicability of support vector machine-based models for runoff simulation in Shiyang River basin[J]. Journal of Arid Land Resources and Environment, 2013, 27(7): 113-118.
[9]	蔡文静, 陈伏龙, 何朝飞, 等. 基于时频分析的LSTM组合模型径流预测[J]. 干旱区地理, 2021, 44(6): 1696-1706. DOI
[10]	包苑村, 解建仓, 罗军刚. 基于VMD-CNN-LSTM模型的渭河流域月径流预测[J]. 西安理工大学学报, 2021, 37(1): 1-8.
[11]	吕晗芳, 赵雪花, 桑宇婷, 等. 基于VMD-LSSVM的月径流预测方法研究[J]. 中国农村水利水电, 2020(8): 166-170, 176.
[12]	岳延兵, 李致家, 范敏. 集合卡尔曼滤波与神经网络融合的洪水预报研究[J]. 水力发电学报, 2014, 33(1): 23-28.
[13]	钱玉霞, 陈伏龙, 何朝飞, 等. “分解—校正—集成” 模式下基于深度信念网络模型的径流预测[J]. 长江科学院院报, 2024, 41(5): 35-44. DOI
[14]	何朝飞, 骆成彦, 陈伏龙, 等. 基于CMIP6多模式的和田河流域未来气候变化预估[J]. 地学前缘, 2023, 30(3): 515-528. DOI
[15]	任锦豪, 乔长录, 赵进勇, 等. 基于主成分分析法的玛纳斯河水文情势分析[J]. 水电能源科学, 2022, 40(1): 25-29.
[16]	HAMED M M, NASHWAN M S, SHAHID S. Inter-comparison of historical simulation and future projections of rainfall and temperature by CMIP5 and CMIP6 GCMs over Egypt[J]. International Journal of Climatology, 2022, 42(8): 4316-4332.
[17]	EVENSEN G. Sequential data assimilation with a nonlinear quasi-geostrophic model using Monte Carlo methods to forecast error statistics[J]. Journal of Geophysical Research: Oceans, 1994, 99(C5): 10143-10162.
[18]	柳梅英, 包安明, 陈曦, 等. 近30年玛纳斯河流域土地利用/覆被变化对植被碳储量的影响[J]. 自然资源学报, 2010, 25(6): 926-938. DOI
[19]	杨莲梅, 关学锋, 张迎新. 亚洲中部干旱区降水异常的大气环流特征[J]. 干旱区研究, 2018, 35(2): 249-259.
[20]	ZOSSO D, DRAGOMIRETSKIY K. Variational mode decomposition[J]. IEEE Transactions on Signal Processing, 2014, 62(3): 531-544.
[21]	李文武, 石强, 王凯, 等. 基于变分模态分解和深度门控网络的径流预测[J]. 水力发电学报, 2020, 39(3): 34-44.
[22]	李继清, 王爽, 黄婧, 等. 应用极点对称模态分解分析径流时空演化规律[J]. 水力发电学报, 2020, 39(7): 73-87.
[23]	殷兆凯, 廖卫红, 王若佳, 等. 基于长短时记忆神经网络(LSTM)的降雨径流模拟及预报[J]. 南水北调与水利科技, 2019, 17(6): 1-9, 27.
[24]	LIU P, WANG J, SANGAIAH A K, et al. Analysis and prediction of water quality using LSTM deep neural networks in IoT environment[J]. Sustainability, 2019, 11(7): 2058.
[25]	汪嘉杨, 王文圣, 李祚泳, 等. 基于TS-SVM模型的水安全评价[J]. 水资源保护, 2010, 26(2): 1-4, 9.
[26]	钟登华, 田耕, 关涛, 等. 基于混沌时序—随机森林回归的堆石坝料加水量预测研究[J]. 水力发电学报, 2018, 37(8): 1-12.
[27]	EVENSEN G. Sampling strategies and square root analysis schemes for the EnKF[J]. Ocean Dynamics, 2004, 54(6): 539-560.
[28]	TONG Y, GAO X J, HAN Z Y, et al. Bias correction of temperature and precipitation over China for RCM simulations using the QM and QDM methods[J]. Climate Dynamics, 2021, 57(5): 1425-1443.
[29]	赵梦霞, 苏布达, 姜彤, 等. CMIP6模式对黄河上游降水的模拟及预估[J]. 高原气象, 2021, 40(3): 547-558. DOI

数据类型	数据名称	数据描述	来源
历史实测数据	径流、降水、气温和蒸发数据	肯斯瓦特水文站2000—2014年实测数据	石河子市水文勘测局
CMIP6模式数据 (2024—2030年)	历史数据	时间长度为2000—2014年	https://esgf-node.llnl.gov/projects/cmip6/
	SSP1-2.6	未来情景数据:低强迫情景,辐射强迫在2100年达到2.6 W/m²
	SSP2-4.5	未来情景数据:中等辐射强迫情景, 辐射强迫在2100年达到4.5 W/m²
	SSP5-8.5	未来情景数据:高强迫情景,辐射强迫在2100年达到4.5 W/m²
预报因子 (2000—2014年)	大气环流因子	北半球极涡面积指数、西藏高原 (30°~40°N,75°~105°E)、冷空气、太阳黑子	国家气候中心 (https://cmdp.ncc-cma.net/cn/download.htm)
预报因子 (2000—2014年)	海温因子	东大西洋/俄罗斯西部(NOAA)、全球平均陆地/海洋温度指数、北极涛动	NOAA气候预测中心 (https://psl.noaa.gov/data/climateindices/list/)

数据类型	数据名称	数据描述	来源
历史实测数据	径流、降水、气温和蒸发数据	肯斯瓦特水文站2000—2014年实测数据	石河子市水文勘测局
CMIP6模式数据 (2024—2030年)	历史数据	时间长度为2000—2014年	https://esgf-node.llnl.gov/projects/cmip6/
	SSP1-2.6	未来情景数据:低强迫情景,辐射强迫在2100年达到2.6 W/m²
	SSP2-4.5	未来情景数据:中等辐射强迫情景, 辐射强迫在2100年达到4.5 W/m²
	SSP5-8.5	未来情景数据:高强迫情景,辐射强迫在2100年达到4.5 W/m²
预报因子 (2000—2014年)	大气环流因子	北半球极涡面积指数、西藏高原 (30°~40°N,75°~105°E)、冷空气、太阳黑子	国家气候中心 (https://cmdp.ncc-cma.net/cn/download.htm)
预报因子 (2000—2014年)	海温因子	东大西洋/俄罗斯西部(NOAA)、全球平均陆地/海洋温度指数、北极涛动	NOAA气候预测中心 (https://psl.noaa.gov/data/climateindices/list/)

模式名称	国家	所属机构	水平分辨率
BCC-CSM2-MR	中国	国家(北京)气候中心(BCC)	1.125°×1.1°
CanESM5	加拿大	加拿大气候建模和分析中心(CCCma)	2.8°×2.8°
EC-Earth3	欧盟	欧共体地球联合会(EC)	0.7°×0.7°
FGOALS-gs	中国	中国科学院大气物理研究所(CAS)	2.0°×2.0°
GFDL-ESM4	美国	美国国家海洋和大气管理局地球物理流体动力学实验室(GFDL)	1.25°×1°
IPSL-CM6A-LR	法国	皮埃尔—西蒙拉普拉斯学院(IPSL)	2.5°×1.26°
MPI-ESM1-2-HR	德国	马克斯普朗克气象研究所(MPI-M)	1.875°×1.875°
MRI-ESM2-0	日本	日本气象厅气象研究所(JMA)	1.125°×1.125°

模式名称	国家	所属机构	水平分辨率
BCC-CSM2-MR	中国	国家(北京)气候中心(BCC)	1.125°×1.1°
CanESM5	加拿大	加拿大气候建模和分析中心(CCCma)	2.8°×2.8°
EC-Earth3	欧盟	欧共体地球联合会(EC)	0.7°×0.7°
FGOALS-gs	中国	中国科学院大气物理研究所(CAS)	2.0°×2.0°
GFDL-ESM4	美国	美国国家海洋和大气管理局地球物理流体动力学实验室(GFDL)	1.25°×1°
IPSL-CM6A-LR	法国	皮埃尔—西蒙拉普拉斯学院(IPSL)	2.5°×1.26°
MPI-ESM1-2-HR	德国	马克斯普朗克气象研究所(MPI-M)	1.875°×1.875°
MRI-ESM2-0	日本	日本气象厅气象研究所(JMA)	1.125°×1.125°

模型分类	模型名称	模型简写
单一模型	LSTM	Model.L
	SVM	Model.S
	RFR	Model.R
分解—模拟—重构模型	VMD-LSTM	Model.VL
	VMD-SVM	Model.VS
	VMD-RFR	Model.VR
	EMSD-LSTM	Model.EL
	EMSD-SVM	Model.ES
	EMSD-RFR	Model.ER
分解—模拟—优化— 重构模型	VMD-LSTM-EnKF	Model.VLE
	VMD-SVM-EnKF	Model.VSE
	VMD-RFR-EnKF	Model.VRE
	EMSD-LSTM-EnKF	Model.ELE
	EMSD-SVM-EnKF	Model.ESE
	EMSD-RFR-EnKF	Model.ERE

基于CMIP6多模式集合的内陆河径流模拟及预估

Simulation and prediction of inland river runoff based on CMIP6 multi-model ensemble

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 29

相关文章 15

编辑推荐

Metrics

本文评价

	训练期				验证期
模型类型	R²	NSE	RMSE	TPE	R²	NSE	RMSE	TPE
Model.L	0.986 4	0.983 3	7.299 2	0.107 8	0.781 4	0.777 5	25.497 7	0.289 1
Model.S	0.818 3	0.808 1	24.714 8	0.287 4	0.748 5	0.732 7	27.937 4	0.375 6
Model.R	0.995 1	0.994 7	4.094 5	0.040 1	0.773 2	0.762 2	26.355 9	0.307 8

[1]	王鹏寿, 许民, 韩海东, 李振中, 宋轩宇, 周卫永. 天山南坡阿克苏流域冰川物质平衡及其融水径流对气候变化的响应研究[J]. 地学前缘, 2024, 31(2): 435-446.
[2]	夏敦胜, 杨军怀, 王树源, 刘鑫, 陈梓炫, 赵来, 牛潇毅, 金明, 高福元, 凌智永, 王飞, 李再军, 王鑫, 贾佳, 杨胜利. 雅鲁藏布江流域风成沉积空间格局、沉积模式及其环境效应[J]. 地学前缘, 2023, 30(4): 229-244.
[3]	宋轩宇, 许民, 康世昌, 孙立平. 基于机器学习的冰冻圈典型流域水文过程模拟研究[J]. 地学前缘, 2023, 30(4): 451-469.
[4]	何朝飞, 骆成彦, 陈伏龙, 龙爱华, 唐豪. 基于CMIP6多模式的和田河流域未来气候变化预估[J]. 地学前缘, 2023, 30(3): 515-528.
[5]	孙辉, 刘晓东. 青藏高原隆升气候效应的数值模拟研究进展概述[J]. 地学前缘, 2022, 29(5): 300-309.
[6]	刘志飞, 陈建芳, 石学法. 深海沉积与全球变化研究的前缘与挑战[J]. 地学前缘, 2022, 29(4): 1-9.
[7]	胡钊彬, 尉建功, 谢志远, 张伙带, 钟广法. 国际大洋钻探全球海平面变化研究进展[J]. 地学前缘, 2022, 29(4): 10-24.
[8]	胡栟铫, 龙飞江, 韩喜彬, 张泳聪, 胡良明, 向波, 葛倩, 边叶萍. 中全新世以来南极宇航员海的古生产力演变[J]. 地学前缘, 2022, 29(4): 113-122.
[9]	张宗言, 刘祥, 李响, 柯学, 张楗钰, 徐亚东. 广东雷州半岛晚渐新世—早更新世孢粉共存因子分析及古气候变化重建[J]. 地学前缘, 2022, 29(2): 303-316.
[10]	倪艳华, 李明慧, 方小敏, 孟凡巍, 颜茂都, 刘迎新. 柴达木盆地西部中更新世气候转型期的古水温:来自SG-1钻孔石盐流体包裹体的证据[J]. 地学前缘, 2021, 28(6): 115-124.
[11]	S.K.KRIVONOGOV, T.I.KENSHINBAY, R.Kh.KURMANBAEV, B.S.KARIMOVA. 咸海演化的关键问题及其对经济、社会和生态价值的重要启示[J]. 地学前缘, 2021, 28(6): 196-204.
[12]	王军, 张骁, 高岩. 青藏高原植被动态与环境因子相互关系的研究现状与展望[J]. 地学前缘, 2021, 28(4): 70-82.
[13]	李福兴, 陈伏龙, 蔡文静, 何朝飞, 龙爱华. 基于EMD组合模型的径流多尺度预测[J]. 地学前缘, 2021, 28(1): 428-437.
[14]	王成善，王天天，陈曦，高远，张来明. 深时古气候对未来气候变化的启示[J]. 地学前缘, 2017, 24(1): 1-17.
[15]	官开萍，田力，安志辉，叶琴，胡军，童金南. 湖北神农架西部南华纪地层序列及其区域对比[J]. 地学前缘, 2016, 23(6): 236-245.

	训练期				验证期
模型类型	R²	NSE	RMSE	TPE	R²	NSE	RMSE	TPE
Model.VR	0.803 3	0.788 4	25.952 5	0.314 2	0.787 0	0.782 0	25.242 6	0.321 7
Model.VS	0.835 2	0.828 3	23.369 7	0.305 5	0.825 1	0.821 8	22.815 5	0.307 8
Model.VL	0.963 8	0.961 7	11.290 6	0.143 3	0.845 5	0.799 0	21.975 9	0.300 4
Model.ER	0.993 3	0.992 9	4.759 7	0.053 8	0.789 3	0.756 2	26.136 2	0.348 0
Model.ES	0.992 0	0.991 7	5.247 3	0.070 9	0.787 1	0.782 3	25.213 4	0.303 8
Model.EL	0.978 5	0.973 7	9.149 9	0.151 2	0.794 9	0.794 2	24.517 1	0.274 8

	训练期				验证期
模型类型	R²	NSE	RMSE	TPE	R²	NSE	RMSE	TPE
Model.VR	0.803 3	0.788 4	25.952 5	0.314 2	0.787 0	0.782 0	25.242 6	0.321 7
Model.VS	0.835 2	0.828 3	23.369 7	0.305 5	0.825 1	0.821 8	22.815 5	0.307 8
Model.VL	0.963 8	0.961 7	11.290 6	0.143 3	0.845 5	0.799 0	21.975 9	0.300 4
Model.ER	0.993 3	0.992 9	4.759 7	0.053 8	0.789 3	0.756 2	26.136 2	0.348 0
Model.ES	0.992 0	0.991 7	5.247 3	0.070 9	0.787 1	0.782 3	25.213 4	0.303 8
Model.EL	0.978 5	0.973 7	9.149 9	0.151 2	0.794 9	0.794 2	24.517 1	0.274 8

	训练期				验证期
模型类型	R²	NSE	RMSE	TPE	R²	NSE	RMSE	TPE
Model.VRE	0.830 6	0.788 5	25.946 4	0.313 9	0.797 6	0.791 4	24.684 5	0.314 2
Model.VSE	0.834 3	0.827 7	23.424 9	0.307 3	0.831 4	0.828 7	22.366 9	0.297 3
Model.VLE	0.971 8	0.969 2	9.900 6	0.137 7	0.861 9	0.821 4	22.818 5	0.276 5
Model.ERE	0.993 3	0.992 9	4.770 3	0.054 5	0.818 1	0.765 4	21.653 7	0.313 2
Model.ESE	0.991 6	0.991 3	5.251 1	0.073 0	0.788 9	0.784 1	25.112 0	0.315 0
Model.ELE	0.978 5	0.972 6	9.340 4	0.155 4	0.801 9	0.800 9	24.111 0	0.260 5

	训练期				验证期
模型类型	R²	NSE	RMSE	TPE	R²	NSE	RMSE	TPE
Model.VRE	0.830 6	0.788 5	25.946 4	0.313 9	0.797 6	0.791 4	24.684 5	0.314 2
Model.VSE	0.834 3	0.827 7	23.424 9	0.307 3	0.831 4	0.828 7	22.366 9	0.297 3
Model.VLE	0.971 8	0.969 2	9.900 6	0.137 7	0.861 9	0.821 4	22.818 5	0.276 5
Model.ERE	0.993 3	0.992 9	4.770 3	0.054 5	0.818 1	0.765 4	21.653 7	0.313 2
Model.ESE	0.991 6	0.991 3	5.251 1	0.073 0	0.788 9	0.784 1	25.112 0	0.315 0
Model.ELE	0.978 5	0.972 6	9.340 4	0.155 4	0.801 9	0.800 9	24.111 0	0.260 5