基于多种模型的黄河源区径流模拟及预估研究

doi:10.11755/j.issn.1006-7639-2026-01-0084

干旱气象 ›› 2026, Vol. 44 ›› Issue (1): 84-94.DOI: 10.11755/j.issn.1006-7639-2026-01-0084

基于多种模型的黄河源区径流模拟及预估研究

李晓玥¹^,²^,³(), 文军³(), 陈怡璇³, 王卓元³, 钟学敏³

1.中国气象局旱区特色农业气象灾害监测预警与风险管理重点实验室，宁夏银川 750002
2.银川市气象局，宁夏银川 750002
3.成都信息工程大学大气科学学院，高原大气与环境四川省重点实验室，四川省成都市 610225

收稿日期:2025-05-11 修回日期:2025-10-19 出版日期:2026-02-28 发布日期:2026-03-25
通讯作者: 文军（1964—），男，甘肃临洮人，教授，主要从事陆面过程与气候变化研究。E-mail： jwen@cuit.edu.cn。
作者简介:李晓玥（1999—），女，宁夏中卫人，硕士，主要从事陆面过程与气候变化研究。E-mail： lixiaoyue_1999@163.com。
基金资助:
国家自然科学基金项目(42375032);国家自然科学基金项目(42575081);成都信息工程大学科研项目(KYTZ201821)

Runoff simulation and projection in the source region of the Yellow River based on multiple models

LI Xiaoyue¹^,²^,³(), WEN Jun³(), CHEN Yixuan³, WANG Zhuoyuan³, ZHONG Xuemin³

1. Key Laboratory for Meteorological Disaster Monitoring and Early Warning and Risk Management of Characteristic Agriculture in Arid Regions，China Meteorological Administration，Yinchuan 750002，China
2. Yinchuan Meteorological Bureau，Yinchuan 750002，China
3. Plateau Atmosphere and Environment Key Laboratory of Sichuan Province，School of Atmospheric Sciences，Chengdu University of Information Technology，Chengdu 610225，China

Received:2025-05-11 Revised:2025-10-19 Online:2026-02-28 Published:2026-03-25

摘要/Abstract

摘要：

黄河源区位于青藏高原东北部，是黄河流域最大的产流区，探讨黄河源区未来径流变化特性，对于黄河流域水资源的合理配置与高效利用至关重要。本文利用黄河源区唐乃亥站1976—2018年实测月径流量、格点化观测数据集的气象要素数据、土壤水文评估工具（Soil and Water Assessment Tool，SWAT）模型和4种机器学习算法模型，对黄河源区唐乃亥站历史径流量进行模拟和分析，通过对模拟结果的评价和不同模型模拟能力的分析，优选出随机森林（Random Forest，RF）模型最适合黄河源区径流预估。基于RF模型和第六次国际耦合模式比较计划（Coupled Model Intercomparison Project Phase 6，CMIP6）6个模式不同排放情景（SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5）的气象数据，对未来黄河源区唐乃亥站径流量进行预估和分析。结果表明：SWAT模型和RF模型模拟的黄河源区唐乃亥站径流量与实测值比较吻合，RF模型在训练期的决定系数（R²）和纳什系数（Nash-Sutcliffe Efficiency，NSE）均在0.83以上，SWAT模型在率定期和验证期的R²和NSE均在0.70以上，并且两个模型的偏差（Bias）与其他模型相比较小。未来不同情景下黄河源区年降水量在时间尺度上呈现平缓的波动上升趋势。SSP1-2.6情景下的降水量变化趋势较小，上升速率为2.00 mm·（10 a）^-1；SSP5-8.5情景下的降水量以19.52 mm·（10 a）^-1的速率增长，在4种排放情景下增长速率最快。不同排放情景下，未来径流量呈现出明显的波动变化特征，低排放情景（SSP1-2.6、SSP2-4.5）的多年平均径流量分别为673.49、670.37 m³·s^-1，与历史时期相比分别增加3.37%和2.90%；高排放情景（SSP3-7.0、SSP5-8.5）的多年平均径流量分别为646.68、623.08 m³·s^-1，与历史时期相比分别减少0.74%、4.36%。

关键词: 黄河源区, 机器学习模型, 径流预估

Abstract:

The source region of the Yellow River, located in the northeastern part of the Tibetan Plateau, is the largest runoff-producing area in the Yellow River Basin. Studying the future runoff variation characteristics in this region is of great significance for the rational allocation and efficient utilization of water resources in the Yellow River Basin. This study utilized observed monthly runoff data from the Tangnaihai Station during 1976-2018, gridded meteorological observation datasets, the Soil and Water Assessment Tool (SWAT) model, and four machine learning algorithm models to simulate and analyze historical runoff at Tangnaihai Station in the source region of the Yellow River. Through the evaluation of simulation results and comparison of the performance of different models, the Random Forest (RF) model was identified as the most suitable for runoff prediction in this region. Based on the RF model and meteorological data from six models of the Coupled Model Intercomparison Project Phase 6 (CMIP6) under different emission scenarios (SSP1-2.6, SSP2-4.5, SSP3-7.0, and SSP5-8.5), future runoff at Tangnaihai Station was projected and analyzed. The results show that the runoff at Tangnaihai Station in the source region of the Yellow River simulated by the SWAT model and RF model was in good agreement with the observations. The RF model achieved a coefficient of determination (R2) and Nash-Sutcliffe Efficiency (NSE) both above 0.83 during the training period, while the SWAT model achieved R2 and NSE values above 0.70 during both the calibration and validation periods. Moreover, the bias of these two models is relatively small compared with other models. Under future climate scenarios, annual precipitation in the source region of the Yellow River shows a gently fluctuating upward trend. The precipitation trend under the SSP1-2.6 scenario is relatively small, with an increase rate of 2.00 mm per decade, while under the SSP5-8.5 scenario, precipitation increases at a rate of 19.52 mm per decade, the fastest among the four emission scenarios. Under different emission scenarios, future runoff displays significant fluctuating variations. The multi-year average runoff under low emission scenarios (SSP1-2.6 and SSP2-4.5) is 673.49 m3·s^-1 and 670.37 m3·s^-1, representing increases of 3.37% and 2.90%, respectively, relative to the historical period. In contrast, under high emission scenarios (SSP3-7.0 and SSP5-8.5), the multi-year average runoff is 646.68 m3·s^-1 and 623.08 m3·s^-1, representing decreases of 0.74% and 4.36%, respectively, compared with the historical period.

Key words: source region of the Yellow River, machine learning algorithm models, runoff projection

中图分类号:

P468.1

李晓玥, 文军, 陈怡璇, 王卓元, 钟学敏. 基于多种模型的黄河源区径流模拟及预估研究[J]. 干旱气象, 2026, 44(1): 84-94.

LI Xiaoyue, WEN Jun, CHEN Yixuan, WANG Zhuoyuan, ZHONG Xuemin. Runoff simulation and projection in the source region of the Yellow River based on multiple models[J]. Journal of Arid Meteorology, 2026, 44(1): 84-94.

图/表 12

图1 黄河源区地理位置、地形地貌及水文站分布

Fig.1 Geographic location，topography and distribution of hydrological stations in the source area of the Yellow River

表1 CMIP6模式的基本信息

Tab.1 Basic information on the CMIP6 model

序号	模式名称	国家	水平分辨率
1	CanESM5	加拿大	2.8°×2.8°
2	CMCC-ESM2	意大利	1.25°×0.9375°
3	GFDL-ESM4	美国	1.25°×1°
4	IPSL-CM6A-LR	法国	2.5°×1.26°
5	MIROC6	日本	1.41°×1.41°
6	MRI-ESM2-0	日本	1.125°×1.125°

图2 黄河源区土地利用类型（a）、土壤类型（b）及其子流域划分（c）

Fig.2 Land use types (a), soil types (b) and subbasins delineation (c) in the source area of the Yellow River

表2 SWAT模型参数率定

Tab.2 SWAT model parameterization

参数名称	参数含义	率定结果
参数名称	参数含义	最大值	最小值	率定结果
CN2	SCS径流曲线数	0.04	-0.05	-0.01
ESCO	土壤蒸发补偿系数	0.64	0.47	0.48
GW_DELAY	地下水滞后系数	204.07	26.49	70.35
ALPHA_BF	基流ALPHA因子	1.12	0.73	0.97
SMFMX	最大融雪系数（发生在夏至）	15.40	11.16	12.96
SOL_AWC	土壤层有效水容量	0.77	0.51	0.66
EPCO	植物吸收补偿因子	1.36	1.05	1.33
GW_REVAP	地下水再蒸发系数	0.05	0.02	0.04
CH_N2	主河道河床有效水力传导度	0.23	0.14	0.22
SOL_BD	土壤饱和容重	2.22	1.94	1.95
SOL_K	土壤饱和水传导度	653.54	248.40	375.21
CH_K2	主河道河床有效水力传导度	243.21	139.63	185.72
SURLAG	地表径流滞后系数	31.76	25.60	28.13
SMFMN	最小融雪系数（发生在冬至）	7.86	3.83	6.14
SLSUBBSN	平均坡长	12.87	-18.97	-1.81
GWQMN	浅层含水层产生基流的阈值深度	1.22	0.97	1.18
SOL_ALB	湿润土壤反照率	0.39	0.29	0.31
SFTMP	降雪温度	2.74	-1.28	-0.64
REVAPMN	渗透到深层防水层的阈值深度	241.32	107.47	167.57
TIMP	积雪温度滞后系数	0.03	-0.17	-0.01
RCHRG_DP	深含水层渗透比	0.80	0.33	0.59
CANMX	最大冠层截流量	24.53	11.12	11.33
BIOMIX	生物混合效率	0.49	0.41	0.42
SMTMP	融雪基温	-10.47	-20.21	-12.35
PLAPS	降水递减率	-1 110.13	-1 789.44	-1 110.81
TLAPS	气温垂直减率	-4.97	-13.61	-6.55
HRU_SLP	平均坡度	0.17	-0.18	-0.14

图3 1979—2018年黄河源区唐乃亥站实测月径流量与RF模型（a）、SWAT模型（b）的模拟结果对比

Fig.3 Comparison between observed monthly runoff at Tangnaihai Station in the source area of the Yellow River and simulation results from RF (a) and SWAT (b) models during 1979-2018

表3 不同模型模拟的黄河源区唐乃亥站月径流量的评价结果

Tab.3 Evaluation results of monthly runoff at Tangnaihai Station in the source area of the Yellow River simulated by different models

模型名称	率定期（训练期）			验证期
模型名称	R²	NSE	Bias/%	R²	NSE	Bias/%
SWAT	0.78	0.76	-1.68	0.70	0.72	8.78
RF	0.85	0.84	-2.31	0.65	0.62	8.39
BP	0.71	0.70	-5.22	0.55	0.48	12.21
SVM	0.77	0.74	-10.44	0.65	0.60	11.09
LSTM	0.77	0.77	-3.39	0.63	0.53	17.96

图4 1979—2018年不同模型模拟的黄河源区唐乃亥站各月径流量评价结果（a）R2，（b）NSE，（c）Bias（单位：％）

Fig.4 Assessment results of monthly runoff at Tangnaihai Station in the source area of the Yellow River simulated by different models during 1979-2018 （a） R2，（b） NSE，（c） Bias （Unit：％）

图5 1976—2014年黄河源区观测和6个气候模式模拟的不同气象要素泰勒图（a）降水量，（b）最高气温，（c）最低气温，（d）相对湿度，（e）风速，（f）地表向下短波辐射

Fig.5 Taylor diagrams of various meteorological elements between observations and simulations from six climate models in the source area of the Yellow River during 1976-2014 (a) precipitation, (b) maximum temperature, (c) minimum temperature, (d) relative humidity, (e) wind speed, (f) surface downward shortwave radiation

图6 黄河源区唐乃亥站1995—2014年观测降水量及2015—2100年CMIP6多模式不同排放情景下预估降水量的年际变化

Fig.6 The interannual variation of observed precipitation from 1995 to 2014 and projected precipitation under different emission scenarios by the CMIP6 multi-model from 2015 to 2100 at Tangnaihai Station in the source area of the Yellow River

表4 不同排放情景下不同时期黄河源区唐乃亥站年平均最高气温、最低气温及其与基准期的差值单位：℃

Tab.4 Annual mean maximum and minimum temperatures at Tangnaihai Station in the source area of the Yellow River for different periods under different emission scenarios，and their differences relative to the baseline period

时期	最高气温				最低气温
时期	SSP1-2.6	SSP2-4.5	SSP3-7.0	SSP5-8.5	SSP1-2.6	SSP2-4.5	SSP3-7.0	SSP5-8.5
2021—2040	11.08（1.10）	11.05（1.07）	11.05（1.07）	11.21（1.23）	-3.85（1.36）	-3.85（1.36）	-3.83（1.38）	-3.69（1.52）
2041—2060	11.43（1.45）	11.74（1.76）	11.86（1.88）	12.35（2.37）	-3.37（1.84）	-3.00（2.21）	-2.76（2.45）	-2.26（2.95）
2061—2080	11.66（1.68）	12.23（2.25）	12.98（3.00）	13.59（3.61）	-3.23（1.98）	-2.27（2.94）	-1.30（3.91）	-0.51（4.70）
2081—2100	11.62（1.64）	12.53（2.55）	13.98（4.00）	15.27（5.29）	-3.33（1.88）	-1.85（3.36）	0.04（5.25）	1.58（6.79）

图7 不同排放情景下基于RF模型的2021—2100年黄河源区唐乃亥站年平均径流量的年际变化

Fig.7 Interannual variation of annual mean runoff at Tangnaihai Station in the source area of the Yellow River during 2021-2100 based on the RF model under different emission scenarios

图8 不同排放情景下21世纪不同年代黄河源区唐乃亥站径流量相对历史时期（1976—2018年）的变化率

Fig.8 Change rates of runoff at Tangnaihai Station in the source area of the Yellow River relative to the historical period （1976-2018） for different decades of the 21st century under different emission scenarios

参考文献 26

[1]	陈怡璇, 文军, 刘蓉, 等, 2021. 黄河源区陆面蒸散量的时空分布特征研究[J]. 高原山地气象研究, 41(4): 35-42.
[2]	高玮志, 高华勇, 王兆礼, 等, 2023. 基于机器学习的太湖流域多层次防洪调度方案综合评价[J]. 水资源保护, 39(3): 118-125.
[3]	贾何佳, 李谢辉, 文军, 等, 2022. 黄河源区径流变化模拟及未来趋势预估[J]. 资源科学, 44(6):1 292-1 304.
[4]	蒋宗立, 刘时银, 郭万钦, 等, 2018. 黄河源区阿尼玛卿山典型冰川表面高程近期变化[J]. 冰川冻土, 40(2): 231-237. DOI
[5]	鞠琴, 吴金雨, 王兴平, 等, 2024. 机器学习算法在降水和气温多模式集成中的应用[J]. 水资源保护, 40(3): 106-115.
[6]	李峰平, 章光新, 董李勤, 2013. 气候变化对水循环与水资源的影响研究综述[J]. 地理科学, 33(4): 457-464. DOI
[7]	李伶杰, 王银堂, 胡庆芳, 等, 2020. 基于随机森林与支持向量机的水库长期径流预报[J]. 水利水运工程学报(4): 33-40.
[8]	刘俊, 刘时银, 上官冬辉, 等, 2017. CMADS、ITPCAS和TRMM 3B42 3套降水数据集在玉龙喀什河流域的适用性评价[J]. 华北水利水电大学学报:自然科学版, 38(5): 28-37.
[9]	刘兆晨, 杨梅学, 万国宁, 等, 2021. 新型卫星降水产品在黄河源区的适用性分析:以SWAT模型为例[J]. 高原气象, 40(2): 403-410. DOI
[10]	马明卫, 王召航, 臧红飞, 等, 2023. 基于SSP情景的黄河源区未来径流模拟预估[J]. 华北水利水电大学学报:自然科学版, 44(5): 31-40.
[11]	马守存, 保广裕, 郭广, 等, 2018. 1982—2013年黄河源区植被变化趋势及其对气候变化的响应[J]. 干旱气象, 36(2): 226-233. DOI
[12]	孟宪红, 陈昊, 李照国, 等, 2020. 三江源区气候变化及其环境影响研究综述[J]. 高原气象, 39(6):1 133-1 143.
[13]	孟玉婧, 李喜仓, 白美兰, 等, 2021. RCP情景下内蒙古黄河流域径流预估及其对水资源的影响[J]. 气象科技, 49(1): 124-130.
[14]	荣易, 秦成新, 杜鹏飞, 等, 2021. 基于模型研究质量评价的SWAT模型参数取值特征分析[J]. 环境科学, 42(6):2 769-2 777.
[15]	唐芳芳, 徐宗学, 左德鹏, 2012. 黄河上游流域气候变化对径流的影响[J]. 资源科学, 34(6):1 079-1 088.
[16]	王道席, 田世民, 蒋思奇, 等, 2020. 黄河源区径流演变研究进展[J]. 人民黄河, 42(9): 90-95.
[17]	王建群, 刘松平, 郝阳玲, 等, 2014. A1B情景下黄河源区径流变化趋势[J]. 河海大学学报: 自然科学版, 42(2): 95-100.
[18]	王莺, 李耀辉, 孙旭映, 2013. 黄河源区域生态环境演变与对策建议[J]. 干旱气象, 31(3): 550-557.
[19]	IPCC, 2021. Climate Change 2021: The Physical Science Basis[R]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA, 2391. DOI:10.1017/9781009157896.007.
[20]	JORDAN M I, MITCHELL T M, 2015. Machine learning: Trends, perspectives, and prospects[J]. Science, 349(6245): 255-260. DOI PMID
[21]	LI K, WANG Y, LI X, et al, 2021. Simulation effect evaluation of single-outlet and multi-outlet calibration of soil and water assessment tool model driven by Climate Forecast System Reanalysis data and ground-based meteorological station data-a case study in a Yellow River source[J]. Water Supply, 21(3):1 061-1 071. DOI URL
[22]	LI X H, JIA H J, CHEN Y L, et al, 2022. Runoff simulation and projection in the source area of the Yellow River using the SWAT model and SSPs scenarios[J]. Frontiers in Environmental Science, 10: 1012838. DOI:10.3389/fenvs.2022.1012838.
[23]	MORIASI D N, ARNOLD J G, VAN LIEW M W, et al, 2007. Model evaluation guidelines for systematic quantification of accuracy in watershed simulations[J]. Transactions of the ASABE (American Society of Agricultural and Biological Engineers), 50(3): 885-900.
[24]	OSEI M A, AMEKUDZI L K, WEMEGAH D D, et al, 2019. The impact of climate and land-use changes on the hydrological processes of Owabi catchment from SWAT analysis[J]. Journal of Hydrology:Regional Studies, 25: 100620. DOI:10.1016/j.ejrh.2019.100620.
[25]	ZEDNIK C, 2021. Solving the black box problem: A normative framework for explainable artificial intelligence[J]. Philosophy & Technology, 34(2): 265-288.
[26]	ZUO G G, LUO J G, WANG N, et al, 2020. Decomposition ensemble model based on variational mode decomposition and long short-term memory for streamflow forecasting[J]. Journal of Hydrology, 585: 124776. DOI:10.1016/j.jhydrol.2020.124776.

基于多种模型的黄河源区径流模拟及预估研究

Runoff simulation and projection in the source region of the Yellow River based on multiple models

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 26

相关文章 1

编辑推荐

Metrics