Page 78 - 2023年第54卷第11期
P. 78
总体上，通过 ＷＲＦ － ３ＤＶＡＲ同化系统，可以使 ＷＲＦ模式预报降雨量增大，降雨预报整体与实际
降雨量更为接近，其预报径流的起涨过程与实际流量过程线也较为吻合。同时，ＷＲＦ － Ｈｙｄｒｏ模式对量
级小、陡涨陡落、退水较快的洪水过程有更好的模拟效果，但对量级较大且退水较慢的洪水过程流量
过程线吻合程度较差。表 ５给出了 ＷＲＦ － Ｈｙｄｒｏ径流预报结果。
表 ５ 同化前后预报降雨动下的 ＷＲＦ － Ｈｙｄｒｏ径流预报结果
同化前的预报流量 同化后的预报流量
场次 空间 Ｃｖ 时间 Ｃｖ
ＮＳＥ 洪峰误差 Ｒ ｆ ?％ 洪量误差 Ｒ ｖ ?％ 峰现误差 Ｔ ＮＳＥ 洪峰误差 Ｒ ｆ ?％ 洪量误差 Ｒ ｖ ?％ 峰现误差 Ｔ
１ ０．３９８ ０．６０１ ０．４８ － ８．１７ － ４７．８６ １ ０．８５ ５．１５ － １８．５２ １
２ ０．１４１ ０．８８２ ０．２５ － ２４．６５ － ４６．９９ ８ ０．５１ １３．４１ － １７．６７ ２０
３ ０．７４０ ２．３９３ ０．０９ － ４７．２１ － ５６．０１ － ３ ０．３９ － ２５．４３ － ４９．６７ １
４ ０．３６５ １．４７７ ０．４６ － ４４．２９ ２４．７４ － １ ０．７１ ６．３８ － １８．２７ １
５ ０．４５９ １．３７８ ０．３３ － １７．９１ － １８．８４ ４ ０．６２ ０．６２ ７．１８ １
６ ０．６１０ １．８８７ ０．４３ － ７０．４３ － ４２．１９ － １ ０．７６ － １３．０１ － ５．３７ ２
从评价指标结果可以看出，ＷＲＦ － Ｈｙｄｒｏ径流预报精度主要取决于 ＷＲＦ模式的降雨预报误差，与
驱动数据质量和降雨分布类型密切相关。如强对流降雨场次 ３，降雨在空间和时间尺度的变差系数 Ｃｖ
值分别达到了 ０．７４０和 ２．３９３，短时集中的强降雨过程导致其预报结果存在较大误差，不理想的降雨预
报间接影响了洪水的预报精度。虽然数据同化技术为水文过程的模拟与预报提供了更精确的降雨输
入，但径流与降雨并非简单的线性关系，模型结构的复杂程度和参数率定过程都会对径流预报产生影
响，多因素导致 ＷＲＦ － Ｈｙｄｒｏ在径流预报结果上仍存在一定的不确定性。
４．２ ＬＳＴＭ 实时校正径流预报结果 采用 ＬＳＴＭ模型配合 ＷＲＦ?ＷＲＦ － Ｈｙｄｒｏ耦合预报系统，对 ６场径
流的预报结果进行实时校正，预见期为 １、２、３、６、９和 １２ｈ的径流预报结果见图 ６和表 ６。
图 ６ ＬＳＴＭ校正后的 ＷＲＦ?ＷＲＦ － Ｈｙｄｒｏ径流预报结果
— １ ３ ０ —
４
