EN中文

地理研究 >

2024 , Vol. 43 >Issue 4: 1004 - 1017

DOI: https://doi.org/10.11821/dlyj020230652

研究论文

多源径流数据在中国不同流域的比较研究

  • 潘扎荣 , 1 ,
  • 王恺文 , 2 ,
  • 盛志刚 1, 3 ,
  • 徐翔宇 1, 3 ,
  • 周演腾 4 ,
  • 王冠 5 ,
  • 田巍 6
展开
  • 1.水利部水利水电规划设计总院，北京 100120
  • 2.中国科学院地理科学与资源研究所 陆地水循地表过程重点实验室，北京 100101
  • 3.绍兴市镜岭水库建设运行中心，绍兴 312000
  • 4.绍兴舜江源省级自然保护区管理中心，绍兴 312000
  • 5.中国南水北调集团东线有限公司，北京 100160
  • 6.中国南水北调集团有限公司，北京100036
王恺文（1992-），男，山东威海人，博士，助理研究员，主要研究方向为地理水文和水文极端事件。E-mail:

潘扎荣（1985-），男，福建南平人，博士，高级工程师，主要研究方向为水文与水资源。E-mail:

收稿日期: 2023-08-04

  录用日期: 2023-12-12

  网络出版日期: 2024-04-12

基金资助

国家自然科学基金项目(52209040)

中国科协青年人才托举工程(YESS20220331)

中国博士后科学基金(2022M713119)

收起

Comparing multi-source runoff data in different watersheds across China

  • PAN Zharong , 1 ,
  • WANG Kaiwen , 2 ,
  • SHENG Zhigang 1, 3 ,
  • XU Xiangyu 1, 3 ,
  • ZHOU Yanteng 4 ,
  • WANG Guan 5 ,
  • TIAN Wei 6
Expand
  • 1. General Institute of Water Resources and Hydropower Planning and Design, Ministry of Water Resources, Beijing 100120, China.
  • 2. Key Laboratory of Water Cycle and Related Land Surface Processes, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 3. Shaoxing Jingling Reservoir Construction and Operation Center, Shaoxing 312000, China
  • 4. Management Center of Shaoxing Shunjiangyuan Provincial Nature Reserve, Shaoxing 312000, China
  • 5. China South-to-North Water Diversion Eastern Route Corporation Limited, Beijing 100160, China
  • 6. China South-to-North Water Diversion Corporation Limited, Beijing 100036, China

Received date: 2023-08-04

  Accepted date: 2023-12-12

  Online published: 2024-04-12

Fold

摘要

多源径流数据是理解地表水资源分布格局和演变规律的基础，径流数据的比较和筛选是其应用和推广的前提，但中国范围内的径流数据比较研究仍相对缺乏。本研究在中国九大流域片，选取控制范围不重叠、1961—2014年天然径流资料连续的82个水文站，从多年平均径流量和径流变化趋势两个方面，评价了CMIP6地球系统模式、ISIMIP3a全球水文模型、基于陆面模型的GLDAS和CNRD、基于机器学习的GRUN等四类33套径流数据集的质量。研究表明：① 百分比偏差的评价结果显示，经过偏差校正的CMIP6、ISIMIP3a、GLDAS、GRUN、CNRD均能较好模拟大部分流域的平均径流；综合标准差、均方根误差、皮尔逊相关系数3个评价角度的泰勒图分析结果显示，CNRD在松辽河流域，长江、珠江、东南诸河流域，西北、西南诸河流域表现最优，偏差校正后的CMIP6和GLDAS多模型平均结果在黄淮海流域表现最优。② 多源径流数据对多年平均径流量的模拟普遍较好，而对年径流变化趋势的模拟结果较差，特别是CMIP6和GRUN严重低估了径流趋势，约10个流域的趋势模拟结果与天然径流资料的趋势相反。③ 多源径流数据在相对干旱区域模拟结果较差，亟需提高驱动数据质量、改进模型结构、优化模型参数，以提升模型对干旱区水循环过程模拟的精度。这项工作为研究中国河川径流及地表水资源时空演变规律，提供了数据筛选的重要依据，为多源径流数据在中国不同流域的更新与发展，明确了可能的问题和改进方向。

关键词： 径流数据比较; 地球系统模式; 全球水文模型; 陆面模型; 机器学习

本文引用格式

潘扎荣 , 王恺文 , 盛志刚 , 徐翔宇 , 周演腾 , 王冠 , 田巍 . 多源径流数据在中国不同流域的比较研究[J]. 地理研究, 2024 , 43(4) : 1004 -1017 . DOI: 10.11821/dlyj020230652

Abstract

The multi-source runoff data serve as a foundation for comprehending the spatial pattern and temporal evolution of surface water resources. Comparing and screening runoff data are prerequisites for their effective application and widespread adoption. However, comparing multi-source runoff data in China remains a gap. To address this, here, we collect continuous natural streamflow data from 82 hydrological stations covering the period of 1961-2014. These stations are situated in nine major river basins across China, each with distinct non-overlapping control areas. We utilize natural streamflow data as the benchmark to compare 33 data sets from four categories, i.e., data from earth system models in CMIP6, global hydrology models in ISIMIP3a, land surface models in GLDAS and CNRD, and machine learning results from GRUN, in terms of the multi-year mean streamflow and annual streamflow trend. The results indicate that: (1) PBIAS shows that the bias-corrected CMIP6, ISIMIP3a, GLDAS, GRUN, and CNRD can grasp the mean streamflow in most watersheds, and the Taylor diagram analysis integrating standard deviation, root mean square error, and Pearson correlation coefficient shows that CNRD performs best in the Songliao River Basin, Yangtze River Basin, Pearl River Basin, Southeast river basins, and Northwest and Southwest river basins, while the bias-corrected CMIP6 and ISIMIP3a multi-model ensemble mean show excellent simulation in Huang-Huai-Hai River Basin. (2) The multi-source runoff data exhibit accurate representation of the annual mean natural streamflow, while the simulation results for trends are not satisfactory, particularly for CMIP6 and GRUN, as they significantly underestimate the runoff trends in approximately 10 watersheds, resulting in opposite trends compared to the reference data. (3) The simulation also performs poorly in relatively arid regions, highlighting the urgent necessity to enhance the quality of the driving data, refine the model structure, and optimize model parameters to improve the accuracy of the model in simulating the water cycle process in arid regions. This work provides an important basis for data screening to study the spatial and temporal evolution of streamflow and surface water resources in China, and clarifies the possible problems and measures for the updating and development of multi-source runoff data in different watersheds across China.

Key words： streamflow comparison; earth system model; global hydrology model; land surface model; machine learning algorithm

1 引言

河川径流是陆地水循环的重要通量，也是人类可以直接利用的主要淡水资源[1⇓-3]。随着全球气候变化和人类活动影响的加剧，陆地水循环强度发生改变，径流的演变规律变得复杂，水资源的可持续利用面临严峻挑战[4⇓-6]。为准确理解河川径流变化，完善水文观测网络、发展径流数据产品，是水文水资源工作与实践长期关注和持续探索的重要课题。
水文观测网络是指各类水文测站构成的资料收集系统，能够提供江河断面的真实流量数据。但由于测站的布设和维护需要大量人力与经济成本，导致水文观测网络的空间覆盖范围有限，数据获取难度大[7,8]。与之相比，径流数据产品具有较高时间连续性和较广的空间覆盖范围，被广泛应用于陆地水文水资源时空演变研究。但受到驱动数据质量、驱动模型机理和结构的限制，径流数据仍在发展过程中[9]。目前，应用较广的径流数据主要包括四类，分别是地球系统模式（Earth System Model）的陆面输出、全球水文模型（Global Hydrology Model）输出、基于陆面模型（Land Surface Model）的模拟径流、基于机器学习算法的重构径流等。
四类径流数据产品的生成原理和数据质量各不相同。地球系统模式是对陆地、大气、海洋等地球不同组分及其相互作用进行建模，能够模拟多圈层、多过程相互作用对径流的影响[10]。但由于地球系统模式输出存在系统误差且没有考虑陆面汇流过程，所以需要对其径流输出的系统误差进行偏差校正，并且其输出属于格点产流，需叠加汇流算法才能得到流域径流量。全球水文模型是对陆面自然水循环过程和人类取用水规律进行建模，以气象变量和取用水等数据为驱动，能够考虑灌溉、水库运行、抽取地下水等人类活动对径流的影响[11]。相较于地球系统模式，全球水文模型使用基于观测的驱动数据和区域化参数，且部分模型考虑了陆面汇流过程，不需要叠加汇流算法。但全球水文模型对地球其他组分和多圈层相互作用的径流影响考虑不足。陆面模型是对陆地表面物质、能量、动量等过程进行建模，以大量基于观测的气象数据为驱动，其模拟的径流是不考虑人类活动影响的天然径流。陆面模型具有良好的驱动数据和参数化方案，但其对陆面汇流过程和多圈层相互作用的建模相对欠缺[12]。基于机器学习算法的重构径流，以水文站数据和基于观测的网格气象数据为驱动，通过建立径流和气象要素的定量关系，生成径流数据产品[13]。其优点是对径流观测密集且连续的区域模拟精度较高，缺点是难以保证无资料或水文序列非平稳地区的径流精度。
由于不同径流数据产品存在较大差异，所以使用多源径流数据时需要开展比较研究。虽然目前已有一些全球和区域尺度的研究，但是中国范围内的多源径流数据比较研究仍存在缺口[9,14]。缺口存在的主要原因是地球系统模式、陆面模型、机器学习等方法得到的大部分径流数据是不考虑人类取用水影响的天然径流量，难以与受到人类活动影响的水文站实测数据进行比较[15]。考虑到这一点，径流比较的理想流域是水库、灌溉、引调水等影响较弱的小流域。但现阶段地球系统模式、陆面模型、机器学习重构径流数据的空间分辨率较低，且人类建设的水利工程和取用水设施密度较大，很难筛选出既符合径流数据产品空间分辨率，又受人类活动影响较小的大量流域。为解决上述问题，本文在中国九大流域片，选取控制范围不重叠、1961—2014年天然径流资料连续的82个水文站。以天然径流资料为基准，从多年平均径流和年径流趋势两个方面，评估地球系统模式、全球水文模型、陆面模型、机器学习算法等四类径流数据，比较各种径流数据对中国不同流域年径流量及其趋势的模拟效果，为中国地表水资源时空演变研究的数据筛选工作提供重要依据。

2 数据来源与研究方法

2.1 研究区和水文观测网数据

研究区跨越74.46°E~130.05°E、21.52°N~51.66°N，涉及中国九大流域片，包括控制范围不重叠的82个水文站：松辽河流域片17个，海河流域片6个，黄河流域片11个，淮河流域片4个，长江流域片21个，东南诸河流域片2个，珠江流域片7个，西南诸河流域片6个，西北诸河流域片8个（图1a）。九大流域片的地理信息数据来源于中国科学院地理科学与资源研究所资源环境科学数据中心（https://www.resdc.cn/data.aspx?DATAID=141）。黄河、辽河、海河、西北诸河流域片的大部分流域，属于干旱、半干旱、半湿润流域，其余研究流域均为湿润区流域。干燥度指数数据来源于国家青藏高原科学数据中心[16]（https://cstr.cn/18406. 11.Atmos.tpdc.271832.），干燥度指数小于0.2为干旱区，0.2~0.5为半干旱区，0.5~0.65为半湿润区，大于0.65为湿润区。从水利部各流域水利委员会和流域管理局，收集了82个水文站的流域面积和1961—2014年连续的天然径流资料。由于网格数据分辨率的限制，本研究选用的水文站控制流域面积均大于10000 km2。
图1 82个水文站及其控制流域面积图

注：基于自然资源部地图技术审查中心标准地图服务网站的标准地图（审图号：GS(2019)1822号）绘制，底图边界无修改。图b中方括号为流域面积的变化范围，百分数为流域出口自动重定位算法（AORA）的相对误差。

Fig. 1 Spatial distribution of the 82 hydrological stations and the area of upstream basins in China

水文站控制流域采用Xie等发布的流域出口自动重定位算法（Automatic Outlet Relocation Algorithm，AORA）进行提取[17]。图1b表明，与资料记录的流域面积相比，AORA提取的流域面积精度较高：松辽河流域片提取的流域面积范围是10236~162569 km2，相对误差为0.9%；海河流域片的范围是14286~45002 km2，相对误差为0.8%；黄河流域片的范围是10647~121972 km2，相对误差为2.4%；淮河流域片的范围是11280~29290 km2，相对误差为-1.1%；长江流域片的范围是10958~259177 km2，相对误差为0.2%；东南诸河流域片的范围是13448~18233 km2，相对误差为0.2%；珠江流域片的范围是17388~128938 km2，相对误差为-2.4%；西南诸河流域片的范围是11070~110224 km2，相对误差为7.2%；西北诸河流域片的范围是10961~50248 km2，相对误差为-2.0%。

2.2 数据资料

待评估的多源径流数据可以被划分为四类，分别是地球系统模式输出、全球水文模型输出、基于陆面模型的模拟径流、基于机器学习算法的重构径流。为保证待评估的径流数据和年天然径流资料的时间范围一致，本文选用1961—2014年连续的径流月值数据（表1）。考虑到网格数据的生成过程往往忽略了流域汇流过程，其含义与河流断面水文站观测的径流量存在差异，因此本文参照Ghiggi等的定义和限定[13]，将网格数据近似为该网格出口河道的径流量，并结合线性水库汇流算法，获得流域天然径流量，进而与流域出口水文站的天然径流资料进行比较。选用的第一类数据来自第六次国际耦合模式比较计划（Coupled Model Intercomparison Project Phase 6，CMIP6）的22个地球系统模式输出结果[18]；第二类来自跨部门影响模型比较计划（Inter-Sectoral Impact Model Intercomparison Project 3rd Round Framework，以下简称为ISIMIP）的6个全球水文模型输出结果[19]；第三类包括全球陆面数据同化系统（Global Land Data Assimilation System Version 2，GLDAS）的3个陆面模型输出结果[12]，以及中国天然径流格点数据集[20]（China Natural Runoff Dataset version 1，CNRD）；第四类主要选用基于机器学习算法重构的全球径流数据集[13]（Global Runoff Reconstruction，GRUN）。
表1 多源径流数据信息

Tab. 1 Information on multi-source runoff data

数据来源 模型名称 分辨率 模型名称 分辨率 模型名称 分辨率 模型名称 分辨率
CMIP6 ACCESS-CM2 1.3o×1.9o ACCESS-ESM1-5 1.2o×1.9o BCC-CSM2-MR 1.1o×1.1o CanESM5 2.8o×2.8o
CanESM5-CanOE 2.8o×2.8o CESM2 0.9o×1.3o CESM2-WACCM 0.9o×1.3o CNRM-CM6-1 1.4o×1.4o
CNRM-ESM2-1 1.4o×1.4o EC-Earth3 0.7o×0.7o EC-Earth3-Veg 0.7o×0.7o GISS-E2-1-G 2.0o×2.5o
INM-CM4-8 1.5o×2.0o INM-CM5-0 1.5o×2.0o IPSL-CM6A-LR 1.3o×2.5o MIROC6 1.4o×1.4o
MIROC-ES2L 2.8o×2.8o MPI-ESM1-2-HR 0.9o×0.9o MPI-ESM1-2-LR 2.0o×2.0o MRI-ESM2-0 1.1o×1.1o
NorESM2-MM 0.9o×1.3o UKESM1-0-LL 1.3o×1.9o
ISIMIP Classic 0.5o×0.5o Cwatm 0.5o×0.5o H08 0.5o×0.5o Hydropy 0.5o×0.5o
Jules 0.5o×0.5o Miroc-integ-land 0.5o×0.5o
GLDAS CLSM 1.0o×1.0o Noah 1.0o×1.0o VIC 1.0o×1.0o
GRUN Random Forest 0.5o×0.5o
CNRD VIC 0.3o×0.3o
由于不同地球系统模式空间分辨率差异较大，且输出结果存在不同程度的系统误差，所以本研究对所有CMIP6数据，采用双线性方法插值到0.5°×0.5°网格，并引入独立于选用数据1984—2010年的径流融合产品[21]（Climate Data Record，CDR），对所有CMIP6的输出结果进行年值偏差校正：
Q ^ ' m ,   1961 — 2014 = Q ' m ,   1961 — 2014 × Q - ' C D R ,   1984 — 2010 Q - ' m ,   1984 — 2010
式中： Q ' m ,   1961 — 2014 表示第m个模式输出的1961—2014年径流量； Q ^ ' m ,   1961 — 2014 表示第m个模式校正后的1961—2014年径流量； Q - ' C D R ,   1984 — 2010 表示CDR数据1984—2010年的平均径流量； Q - ' m ,   1984 — 2010 表示第m个模式1984—2010年的平均径流量。

2.3 天然径流的还原计算

1961—2014年天然径流量的还原计算采用：
Q = Q o + Q a + Q i + Q d + Q t + Q f + Q r
式中：Q表示天然径流量；Qo表示实测径流量；Qa表示农业灌溉耗损量；Qi表示工业用水耗损量；Qd表示城镇生活用水耗损量；Qt表示跨流域或跨区域引水量；Qf表示河道分洪不能回归后的水量；Qr表示大中型水库蓄水变量，增加为正，减少为负。

2.4 评价指标

分别采用百分比偏差（PBIAS）评估多年平均径流量及趋势的模拟精度，采用综合了均方根误差（RMSD）、标准差（σ）、皮尔逊相关系数（γ）3个指标的泰勒图分析评估82个流域径流的整体模拟效果。PBIAS计算如下：
P B I A S n = Q n ' - Q n Q n × 100 % ，
式中：n表示流域序号；Q'表示多源径流数据。
泰勒图分析中的RMSD、σ、γ计算如下：
R M S D = ∑ n = 1 N Q n ' - Q n 2 N ，
σ Q = ∑ n = 1 N Q n - Q - 2 N ， σ Q ' = ∑ n = 1 N Q n ' - Q - ' 2 N ，
γ = 1 N ∑ n = 1 N Q n ' - Q - ' Q n - Q - σ Q σ Q ' ，
式中：N表示总流域个数（=82）； σ Q '表示多源径流数据的方差；σQ表示年天然径流资料的方差。

3 结果分析

3.1 多年平均径流比较

1961—2014年82个流域天然径流资料的统计特征为：中位数和方差分别是47.3亿m3和196.8亿m3，平均值及95%置信区间是147.4±42.6亿m3。图2对比了CMIP6、ISIMIP、GLDAS、GRUN、CNRD等径流数据与天然径流资料的多年平均径流量及其百分比偏差。在对多年平均径流的各项统计特征模拟方面（图2a），经过偏差校正的CMIP6地球系统模式结果普遍较好；ISIMIP除了Miroc-integ-land模型呈现轻度高估外，其他全球水文模型均呈现不同程度的轻微低估，而多模型平均能够调和不同模型高估和低估的结果；GLDAS的VIC模型严重高估，CLSM和Noah轻度低估，而多模型平均结果与天然径流资料统计特征接近；GRUN低估了平均值、方差、95%置信区间范围，高估了中位数；CNRD略微高估了平均值，其他统计特征与天然径流资料保持较高的一致性。
图2 1961—2014年多源径流数据多年平均径流量及其百分比偏差

注：散点代表82个水文站，白色和红色横线表示平均值和中位数，箱型区域表示95%置信区间，竖线表示一倍标准差范围。

Fig. 2 Multi-year mean streamflow and its percent bias over 1961-2014

在多年平均径流的百分比偏差比较方面（图2b），CMIP6表现出普遍的高偏差，说明地球系统模式虽然能够模拟好82个流域径流的平均特征，但对单个流域的模拟效果不确定性较大；ISIMIP中的Classic、Cwatm高估明显，H08、Hydropy低估明显，Jules、Miroc-integ-land相对稳定，多模型平均和中位数均能显著降低模拟偏差；GLDAS的VIC模型严重高估，CLSM和Noah低估明显，多模型中位数可以降低模拟偏差；虽然GRUN的平均值和95%置信区间显示出最优的结果，但82个数据点的分布说明GRUN存在大量的低估和高估点，其真实的模拟结果较差；虽然CNRD的平均值和95%置信区间表现出一般的偏差结果，但其在零值区附近的数据点分布是最集中的，说明CNRD对大部分站点的模拟精度是很高的，只是部分站点的高偏差拉低了CNRD的总体表现。
图3展示了1961—2014年多年平均径流量及其百分比偏差的空间分布。由于图2说明了多模型平均能够提升模拟效果，所以图3b~图3d采用多模型平均值代表CMIP6、ISIMIP、GLDAS的结果。北方流域平均天然年径流量明显低于南方流域，松辽河、黄河、海河、淮河、西北诸河流域片大部分流域年径流小于50亿m3，长江、珠江、东南和西南诸河流域片大部分流域年径流大于100亿m3（图3a）。CMIP6、ISIMIP、GLDAS、GRUN等在大部分流域的平均径流百分比偏差大于30%或小于-30%，相比之下，CNRD表现较好，其在南方大部分流域的偏差介于-30%~30%。
图3 1961—2014年多年平均径流量及其百分比偏差的空间分布图

注：基于自然资源部地图技术审查中心标准地图服务网站的标准地图（审图号：GS(2019)1822号）绘制，底图边界无修改。

Fig. 3 Spatial distribution of multi-year mean streamflow and percent bias over 1961-2014

图4所示的泰勒图，从标准差、均方根误差、皮尔逊相关系数3个角度，对比了多源径流数据对82个流域径流的整体模拟效果。对于全部站点（图4a），松辽河流域（图4b），长江、珠江、东南诸河流域（图4d），西北、西南诸河流域（图4e），CNRD均表现最好，其标准差与天然径流资料最为接近，均方根误差最小，皮尔逊相关系数最大并保持在0.95以上。对于黄淮海流域（图4c），偏差校正后的CMIP6和GLDAS的多模型平均能够保证较高的精度。一般而言，CMIP6、ISIMIP、GLDAS的多模型平均和中位数结果，优于大部分单个模型的结果。
图4 1961—2014年不同区域天然径流和模拟径流多年平均值的泰勒图

Fig. 4 Taylor diagrams of naturalized and simulated multi-year average streamflow in different regions over 1961-2014

3.2 年径流趋势比较

多年平均径流比较反映的是径流量的模拟精度，除此之外，年径流趋势比较对理解径流演变和地表可更新水资源的变化至关重要。本文采用线性回归的方法计算多源径流数据的年变化趋势。
1961—2014年82个流域天然径流年趋势的统计特征为：中位数和方差分别是-756.1万m3/年和5148.8万m3/年，平均值及95%置信区间-1701.4±1115.3万m3/年，有28个流域趋势显著（P值<0.05）。图5表明，经过偏差校正的CMIP6地球系统模式模拟精度较差，各模式模拟的趋势及其百分比偏差差异较大，尽管多模式平均和中位数能够显著缩减趋势的范围，但仍低估严重。与CMIP6相比，ISIMIP不同模型结果的差异较小，表现出程度较轻的低估。GLDAS与天然径流趋势最为接近，但趋势显著（P值<0.05）的流域数量偏少。GRUN呈现出最小的百分比偏差范围，模拟精度略差于GLDAS的多模型平均结果。CNRD呈现出较大的百分比偏差范围，模拟结果同GLDAS中的VIC模型一致性较好。
图5 1961—2014年年径流量线性趋势及其百分比偏差

注：散点代表82个水文站，白色和红色横线表示平均值和中位数，红叉表示天然或模拟趋势显著(P值<0.05)的站点数量，红圈表示模拟趋势显著且与天然趋势方向一致的站点数量，红框表示天然和模拟趋势均显著且方向一致的站点数量，箱型区域表示95%置信区间，竖线表示一倍标准差范围。

Fig. 5 Linear trends of annual streamflow and corresponding percent bias over 1961-2014

1961—2014年径流线性趋势的空间分布表明，处于辽河、海河、黄河、淮河、长江和珠江等流域片过渡带的流域呈现出下降趋势，其中北方大部分流域下降趋势显著（P值<0.05）；西北诸河的大部分流域径流显著增加（图6a）。CMIP6、ISIMIP、GLDAS、GRUN、CNRD等径流数据分别在79个、60个、59个、65个、58个流域低估了径流趋势，其中CMIP6和GRUN低估严重，导致松花江、长江中下游、东江、西北诸河等流域片约10个流域模拟趋势与天然径流趋势相反。
图6 1961—2014年年径流线性趋势及其百分比偏差的空间分布图

注：基于自然资源部地图技术审查中心标准地图服务网站的标准地图（审图号：GS(2019)1822号）绘制，底图边界无修改。图a中斜线表示观测趋势显著的流域。

Fig. 6 Spatial distribution of annual streamflow trends and percent bias over 1961-2014

与多年平均径流量的泰勒图结果不同，由于部分站点的模拟趋势与天然径流趋势相反，导致两者存在负相关关系（图7）。对于全部站点（图7a），松辽河流域（图7b），黄淮海流域（图7c），长江、珠江、东南诸河流域（图7d），尽管CMIP6和ISIMIP多个模型的结果较好，但CNRD表现相对稳定，其标准差与天然径流资料接近，均方根误差较小，皮尔逊相关系数最大并保持在0.6以上。对于西北、西南诸河流域（图7），GLDAS表现出较高的模拟精度。
图7 1961—2014年不同区域天然径流和模拟径流年值趋势的泰勒图

Fig. 7 Taylor diagrams of naturalized and simulated annual streamflow trends in different regions over 1961-2014

4 讨论

4.1 多源径流数据模拟效果差异的潜在原因

综合标准差、均方根误差、皮尔逊相关系数3个评价角度的泰勒图分析结果表明，无论是多年平均径流还是年径流趋势，CNRD都展现出较好且稳定的模拟结果，但同样是基于陆面模型的GLDAS以及完整刻画陆地水循环过程的ISIMIP，其评价结果却相对一般且不同模型的表现结果差异较大。驱动数据质量和模型参数方案不同，是产生上述差异的主要原因。CNRD的驱动数据是中国2400多个气象观测站和地面气象要素驱动数据集，驱动数据经过了严格的筛选和质量控制，覆盖范围广、精度高[22,23]。GLDAS的驱动数据是普林斯顿大学的全球气象驱动数据集[24]，ISIMIP是全球GSWP3-W5E5气象要素数据集[25,26]，两者在中国区域的观测数量有限、数据质量相对较差。此外，CNRD采用200多个站点的天然径流资料，结合替代模型优化算法对敏感参数进行率定，并用参数区域化方法来估算无资料地区的参数[20]，因此与GLDAS和ISIMIP较低优化精度的参数相比，CNRD的参数更符合中国不同流域的实际情况。
由于CMIP6的驱动数据只有大气组分浓度和土地利用类型等数据，其输出结果只能够保证气候态或多年均值的准确性，但其对历史波动和趋势的模拟存在较大误差[10,18]。基于机器学习算法的径流数据质量，严重依赖于训练数据的数量和精度，GRUN采用的训练数据是全球径流数据及元数据集（GSIM）中的3万多个水文站观测，由于GSIM数据集在中国区域的训练样本偏少，导致GRUN的评价结果较差[7,8,13]。

4.2 径流数据亟需加强径流趋势和相对干旱区域的模拟精度

与多年平均径流量的模拟结果相比，多源径流数据的趋势模拟普遍较差，更有部分模型得到与天然径流资料相反的变化趋势（图4、图7）。径流趋势直接反应了河川径流的演变方向，是人类理解变化环境下水资源演变规律，预防和应对水安全危机的重要参考。大量中国径流归因研究表明，气候和下垫面变化是中国径流变化的主要原因[27,28]。因此，提升地球系统模式、陆面模型、全球水文模型、机器学习模型的气象驱动数据精度，精细量化下垫面的长期变化情况，确保气象和下垫面数据历史趋势的准确性，是提升未来数据产品对径流趋势模拟精度的主要手段。
与湿润区相比，多源径流数据在干旱区、半干旱区、半湿润区的偏差较大（图3、图6）。而这些相对干旱区域占中国面积的三分之一以上，河川径流是维持当地生态稳定、环境健康、农业安全和社会经济发展的重要水资源保障[29]。有研究表明，干旱区复杂的超渗产流机制、下垫面的巨大变化、植被-土壤-大气系统的高度敏感性等，是影响现有模拟径流精度的主要原因[14,30]。因此，提升现有模型干旱区水循环模拟机理，准确刻画干旱区下垫面变化，改进植被-土壤-大气相互作用模型的参数和结构，是未来径流数据发展亟需解决的重要问题。

4.3 研究的局限性

本研究从年径流的数量和趋势两个角度，比较了多源径流数据在中国不同流域的适用性。实际上，径流数据跨越小时、日、月、季节、年、年代际等多种时间尺度，涵盖数量、趋势、极值、波动性、周期性、敏感性等多个统计维度[9,31]，并且已有大量研究发现，不同气候区流域历史期径流变化存在明显差异[30]。因此，为加快中国径流数据产品的发展，划分不同气候区，从不同时间尺度和多个统计维度开展径流比较工作十分必要。此外，本研究为保证全国尺度不同流域径流的可比性，只收集了拥有1961—2014年连续观测的水文资料，后续开展区域尺度的径流比较工作可以引入测量时间长度各异的其余站点资料，以增加站点密度，提高比选精度。近年来，数据融合技术不断发展，将多源径流数据与融合技术耦合，是径流产品发展可以预见的一个重要方向。

5 结论

基于1961—2014年中国九大流域片82个水文站的连续天然径流资料，从多年平均径流量和年径流变化趋势两个方面，对比评估了CMIP6地球系统模式、ISIMIP全球水文模型、基于陆面模型的GLDAS和CNRD、基于机器学习算法的GRUN等四类33套径流数据产品在中国不同流域的模拟质量。研究发现：① 百分比偏差的评价结果表明，经过偏差校正的CMIP6、ISIMIP3a、GLDAS、GRUN、CNRD均能较好模拟大部分流域的平均径流；综合标准差、均方根误差、皮尔逊相关系数3个评价角度的泰勒图分析结果表明，CNRD在松辽河流域，长江、珠江、东南诸河流域，西北、西南诸河流域表现最优，偏差校正后的CMIP6和GLDAS的多模型平均在黄淮海流域表现最优。② 多源径流数据基本能够较好地模拟年径流量，但对径流变化趋势的模拟普遍较差，其中CMIP6和GRUN对趋势严重低估，松花江、长江中下游、东江、西北诸河等流域片约10个流域模拟的径流变化趋势与天然径流趋势相反。③ 多源径流数据在干旱区、半干旱区、半湿润区等相对干旱区域的偏差较大，干旱区水循环过程模拟的精度有待提升。通过数据融合技术开发更高精度的径流产品，从多种时间尺度和多个统计维度对比分析不同气候区径流数据模拟精度，是关系径流数据未来发展和应用的关键。本研究提供了分析中国地表水资源时空演变规律的数据筛选依据，探讨了现有数据在趋势和干旱区模拟方面的不足和可能改进方向，能够为客观、准确地使用径流数据产品，促进其更新与发展起到推动作用。

真诚感谢匿名评审专家在论文评审中所付出的时间和精力，专家对本文研究方法、结果分析、讨论与结论梳理方面的修改意见，使本文获益匪浅。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
张建云, 王国庆, 金君良, 等. 1956—2018年中国江河径流演变及其变化特征. 水科学进展, 2020, 31(2): 153-161.

[Zhang Jianyun, Wang Guoqing, Jin Junliang, et al. Evolution and variation characteristics of the recorded runoff for the major rivers in China during 1956-2018. Advances in Water Science, 2020, 31(2): 153-161.] DOI: 10.14042/j.cnki.32.1309.2020.02.001.

[2]
王浩, 王建华. 中国水资源与可持续发展. 中国科学院院刊, 2012, 27(3): 352-358, 331.

[Wang Hao, Wang Jianhua. Sustainable utilization of China's water resources. Bulletin of Chinese Academy of Sciences, 2012, 27(3): 352-358, 331.] DOI:10.3969/j.issn.1000-3045.2012.03.014.

[3]
李原园, 李云玲, 何君. 新发展阶段中国水资源安全保障战略对策. 水利学报, 2021, 52(11): 1340-1346, 1354.

[Li Yuanyuan, Li Yunling, He Jun. Strategic countermeasures for China's water resources security in the new development stage. Journal of Hydraulic Engineering, 2021, 52(11): 1340-1346, 1354.] DOI: 10.13243/j.cnki.slxb.20210704.

[4]
严登华, 任立良, 王国庆, 等. 关于陆地水循环演变及其在全球变化中的作用研究设想. 水科学进展, 2016, 27(6): 935-942.

[Yan Denghua, Ren Liliang, Wang Guoqing, et al. Initiatives on evolution of terrestrial water cycle and its role in global change. Advances in Water Science, 2016, 27(6): 935-942.] DOI: 10.14042/j.cnki.32.1309.2016.06.017.

[5]
王开存, 王灿, 李龙辉, 等. 全球变化驱动下陆表自然和人文要素相互作用及区域表现. 中国基础科学, 2017, 19(5): 23-28.

[Wang Kaicun, Wang Can, Li Longhui, et al. The interaction between natural and anthropogenic factors with their regional performance driven by global change. China Basic Science, 2017, 19(5): 23-28.] DOI: 10.3969/j.issn.1009-2412.2017.05.005.

[6]
杨大文, 徐宗学, 李哲, 等. 水文学研究进展与展望. 地理科学进展, 2018, 37(1): 36-45.

DOI

[Yang Dawen, Xu Zongxue, Li Zhe, et al. Progress and prospect of hydrological sciences. Progress in geography, 2018, 37(1): 36-45.] DOI: 10.18306/dlkxjz.2018.01.005.

[7]
Do H, Gudmundsson L, Leonard M, et al. The Global Streamflow Indices and Metadata Archive (GSIM) Part 1: The production of a daily streamflow archive and metadata. Earth System Science Data, 2018, 10(2): 765-785. DOI: 10.5194/essd-10-765-2018.

[8]
Gudmundsson L, Do H, Leonard M, et al. The Global Streamflow Indices and Metadata Archive (GSIM) Part 2: Quality control, time-series indices and homogeneity assessment. Earth System Science Data, 2018, 10(2): 787-804. DOI: 10.5194/essd-10-787-2018.

[9]
Hou Y, Guo H, Yang Y, et al. Global evaluation of runoff simulation from climate, hydrological and land surface models. Water Resources Research, 2023, 59(1), e2021WR031817. DOI: 10.1029/2021WR031817.

[10]
Clark M, Fan Y, Lawrence D, et al. Improving the representation of hydrologic processes in Earth System Models. Water Resources Research, 2015, 51(8): 5929-5956. DOI: 10.1002/2015WR017096.

[11]
Bierkens M. Global hydrology 2015: State, trends, and directions. Water Resources Research, 2015, 51(7): 4923-4947. DOI: 10.1002/2015WR017173.

[12]
Rodell M, Houser P, Jambor U, et al. The global land data assimilation system. Bulletin of the American Meteorological society, 2004, 85(3): 381-394. DOI: 10.1175/BAMS-85-3-381.

[13]
Ghiggi G, Humphrey V, Seneviratne SI, et al. GRUN: An observation-based global gridded runoff dataset from 1902 to 2014. Earth System Science Data, 2019, 11(4): 1655-1674. DOI: 10.5194/essd-11-1655-2019.

[14]
倪宁淇, 谢佳鑫, 刘小莽, 等. 基于径流对气候变化敏感性指标的多源数据质量评估. 地理学报, 2022, 77(9): 2280-2291.

DOI

[Ni Ningqi, Xie Jiaxin, Liu Xiaomang, et al. Multi-source data quality assessment based on the index of runoff sensitivity to climate change. Acta Geographica Sinica, 2022, 77(9): 2280-2291.] DOI: 10.11821/dlxb202209010.

[15]
Miao C, Gou J, Fu B, et al. High-quality reconstruction of China's natural streamflow. Science Bulletin, 2022, 67(5): 547-556. DOI: 10.1016/j.scib.2021.09.022.

PMID

[16]
于海鹏. 基于GLDAS的全球干燥度指数数据集(1948—2018). 国家青藏高原科学数据中心. https://doi.org/10.11888/Atmos.tpdc.271832.

[Yu Haipeng. GLDAS based global Arid Index data set (1948-2018). A Big Earth Data Platform for Three Poles.] DOI: 10.11888/Atmos.tpdc.271832,CSTR:18406.11.Atmos.tpdc.271832,2021

[17]
Xie Jiaxin, Liu Xiaomang, Bai Peng, et al. Rapid watershed delineation using an automatic outlet relocation algorithm. Water Resources Research, 2022, 58, e2021WR031129. DOI: 10.1029/2021WR031129.

[18]
Eyring V, Bony S, Meehl G, et al. Overview of the Coupled Model Intercomparison Project Phase 6 (CMIP6) experimental design and organization. Geoscientific Model Development, 2016, 9: 1937-1958. DOI: 10.5194/gmd-9-1937-2016.

[19]
Warszawski L, Frieler K, Huber V, et al. The inter-sectoral impact model intercomparison project (ISI-MIP): Project framework. Proceedings of the National Academy of Sciences, 2014, 111(9): 3228-3232. DOI: 10.1073/pnas.131233011.

[20]
Gou J, Miao C, Samaniego L, et al. CNRD v1.0: A high-quality natural runoff dataset for hydrological and climate studies in China. Bulletin of the American Meteorological Society, 2021, 102(5): E929-E947. DOI: 10.1175/BAMS-D-20-0094.1.

[21]
Zhang Y, Pan M, Sheffield J, et al. A Climate Data Record (CDR) for the global terrestrial water budget: 1984-2010. Hydrology and Earth System Sciences, 2018, 22(1): 241-263. DOI: 10.5194/hess-22-241-2018.

[22]
Gou J, Miao C, Duan Q, et al. Sensitivity analysis-based automatic parameter calibration of the variable infiltration capacity (VIC) model for streamflow simulations over China. Water Resources Research, 2020, 56, e2019WR025968. DOI: 10.1029/2019WR025968.

[23]
He J, Yang K, Tang W, et al. The first high-resolution meteorological forcing dataset for land process studies over China. Scientific Data, 2020, 7(1): 7-25. DOI: 10.1038/s41597-020-0369-y.

[24]
Sheffield J, Goteti G, Wood E. Development of a 50-year high-resolution global dataset of meteorological forcings for land surface modeling. Journal of Climate, 2006, 19(13): 3088-3111. DOI: 10.1175/JCLI3790.1.

[25]
Hyungjun Kim. Global Soil Wetness Project Phase 3 Atmospheric Boundary Conditions (Experiment 1) [Data set] Data Integration and Analysis System (DIAS), 2017. DOI: 10.20783/DIAS.501.

[26]
Cucchi M, Weedon G, Amici A, et al. WFDE5: Bias-adjusted ERA5 reanalysis data for impact studies. Earth System Science Data, 2020, 12: 2097-2120. DOI: 10.5194/essd-12-2097-2020.

[27]
杨大文, 张树磊, 徐翔宇. 基于水热耦合平衡方程的黄河流域径流变化归因分析. 中国科学: 技术科学, 2015, 45(10): 1024-1034.

[Yang Dawen, Zhang Shulei, Xu Xiangyu. Attribution analysis for runoff decline in Yellow River Basin during past fifty years based on Budyko hypothesis. Sci Sin Tech, 2015, 45(10): 1024-1034.] DOI: 10.1360/N092015-00013.

[28]
刘剑宇, 张强, 陈喜, 等. 气候变化和人类活动对中国地表水文过程影响定量研究. 地理学报, 2016, 71(11): 1875-1885.

DOI

[Liu Jianyu, Zhang Qiang, Chen Xi, et al. Quantitative evaluations of human- and climate-induced impacts on hydrological processes of China. Acta Geographica Sinica, 2016, 71(11): 1875-1885.] DOI: 10.11821/dlxb201611001.

[29]
Li C, Fu B, Wang S, et al. Drivers and impacts of changes in China's drylands. Nature Reviews Earth and Environment, 2021, 2(12): 858-873. DOI: 10.1038/s43017-021-00226-z.

[30]
Tian W, Liu X, Liu C, et al. Investigation and simulations of changes in the relationship of precipitation-runoff in drought years. Journal of Hydrology, 2018, 565: 95-105. DOI: 10.1016/j.jhydrol.2018.08.015.

[31]
Bai P, Liu X, Yang T, et al. Evaluation of streamflow simulation results of land surface models in GLDAS on the Tibetan plateau. Journal of Geophysical Research: Atmospheres, 2016, 121(20): 12-180. DOI: 10.1002/2016JD025501.

Options
文章导航

/

〈 〉