基于多种模型的黄河源区径流模拟及预估研究

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

1.2 数据

1976—2018年黄河源区日尺度和月尺度气象数据（降水量、最高气温、最低气温、相对湿度、风速、短波辐射等）来源于中国科学院气候变化研究中心的CN05.1格点化观测数据集，分辨率为0.25°×0.25°；数字高程模型（Digital Elevation Model，DEM）数据获取自地理数据空间云平台，空间分辨率为90 m×90 m；土地利用数据来源于资源环境科学与数据中心，空间分辨率为1 km×1 km；土壤数据来源于世界粮农组织（Food and Agriculture Organization of the United Nations，FAO）世界土壤数据库（Harmonized World Soil Database，HWSD）中的中国土壤数据集（V1.2），空间分辨率为1 km×1 km；径流量资料采用唐乃亥水文站1976—2018年的月径流数据。

利用CMIP6的6种全球气候模式不同排放情景（SSP1-2.6、SSP2-4.5、SSP3-7.0、SSP5-8.5）的气象要素对黄河源区未来径流量进行预估，使用的气象要素主要包括降水量、最高气温、最低气温、相对湿度、风速、短波辐射等，表1列出CMIP6模式的基本信息（Li et al.，2022）。利用双线性插值法将空间分辨率调整为0.25°×0.25°（贾何佳等，2022；Li et al.，2022）。

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°

2 方法

2.1 SWAT模型

SWAT模型是一种基于物理机制、半分布式的流域水文过程模拟模型（Osei et al.，2019），该模型已广泛应用于全球不同地区水文过程研究（刘俊等，2017；刘兆晨等，2021；Li et al.，2021；贾何佳等，2022；Li et al.，2022）。SWAT模型模拟的具体公式如下：

（1）

S_{w t} = S_{w 0} + \sum_{i = 1}^{t} (R_{i} - Q_{i} - E T_{i} - P_{i} - Q R_{i})

式中： $S_{w t}$ 表示最终土壤含水量，单位：mm； $S_{w 0}$ 表示初始土壤持水量，单位：mm； $R_{i}$ 、 $Q_{i} 、 E T_{i} 、 P_{i} 、 Q R_{i}$ 分别代表第 $i$ （ $i$ =1，2，3，…，t）天的日降雨量、日地表径流量、日蒸散量、渗入深层地下水的水量和日地下水径流量，单位均为mm。

为更好地反映当前流域的实际状况，采用SWAT率定与不确定性分析程序（SWAT Calibration and Uncertainty Program，SWAT-CUP）中的序贯不确定性拟合（Sequential Uncertainty Fitting2，SUFI-2）算法对模型参数进行校准。

2.2 SWAT模型的模拟方案与参数率定

2.2.1 SWAT模型数据库的建立及流域划分

SWAT模型的输入数据包括土地利用类型与土壤数据。鉴于黄河源区土地利用多样且土壤类型丰富，因此对这两类数据进行了重新分类处理，分类结果见图2（a）和图2（b）。

图2

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

以唐乃亥站作为源区出水口，开展河网提取，最终流域被划分为421个水文响应单元和48个子流域[图2（c）]。

2.2.2 SWAT模型参数率定

根据黄河源区的流域特性，选定27个与径流相关的参数（荣易等，2021；贾何佳等，2022）。采用SWAT-CUP中的SUFI-2算法对参数进行自动优化率定，率定结果为各参数的变化率（Relative Change）或替换值（Absolute Value）（表2）。

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

2.3 机器学习模型设定

基于随机森林（Random Forest，RF）、反向传播（Back-Propagation，BP）神经网络、支持向量机（Support Vector Machine，SVM）和长短期记忆人工神经网络（Long Short-Term Memory，LSTM）模型模拟黄河源区的历史径流演变过程，模型的输入特征（自变量）包括月降水量、最高气温、最低气温、风速、相对湿度、辐射和训练期月径流量，预测目标（因变量）为验证期月径流量。

采用现有的机器学习工具包建立模型，大部分超参数的取值使用默认值，其余超参数的取值则依据相关文献（李伶杰等，2020；孟玉婧等，2021；高玮志等，2023；马明卫等，2023）的研究进行优化调整。RF模型设置决策树为100，最小叶子数为5；BP神经网络模型设置迭代次数为1 000，误差阈值为0.000 01，学习率为0.01；SVM模型设置惩罚系数为10，径向基函数参数为0.8；LSTM模型的迭代次数设置为1 000，隐含层神经元个数设置为10，学习率设置为0.01。

2.4 模拟径流评估方法

本文以1976年1月—1978年12月为SWAT模型的预热期、1979年1月—2000年12月为SWAT模型的率定期和机器学习算法模型的训练期、2001年1月—2018年12月为SWAT模型和机器学习算法模型的验证期。采用决定性系数（R²）、纳什系数（Nash-Sutcliffe Efficiency，NSE）和偏差（Bias）来评估水文模型模拟径流的效果（Moriasi et al.，2007）。

3 结果分析

3.1 径流模拟结果分析

RF和SWAT模型在验证期均能模拟出黄河源区唐乃亥站月径流量的演变趋势，但在不同时段的表现存在明显差异（图3），在验证期的汛期（6—9月），SWAT模型对径流量峰值的模拟精度更高，能够较好地模拟实测流量，相比之下，RF模型在验证期的峰值模拟仍存在系统性低估，对极端高径流量的模拟能力不足；而在验证期的冬季，RF模型表现更优，其对径流量低值的模拟更准确，SWAT模型则仍存在模拟延迟现象，反映出其对枯水期水文过程的模拟存在不足。综合来看，SWAT模型在验证期的汛期模拟稳定性较强，RF模型在验证期的冬季模拟精度更突出。

图3

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为不同模型模拟的唐乃亥站月径流量评价结果。SWAT模型在率定期和机器学习算法模型在训练期的模拟效果均较为理想，R²均在0.70以上，NSE在0.70左右，其中，RF模型的R²和NSE均超过0.83。所有模型的Bias均为负值，说明SWAT模型在率定期和机器学习算法模型在训练期的模拟值均低于实际值，SWAT模型的Bias最小，仅为-1.68%。从验证期的评价结果来看，SWAT模型和RF模型的模拟效果较好，其余模型的Bias均超过10.00%。综合率定期和验证期的评价结果，SWAT模型和随机森林模型更适用于唐乃亥水文站月径流量的模拟。

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

为更直观地反映不同模型对月径流量模拟的表现，进一步计算了不同模型月尺度模拟径流量的定量化评价指标（图4）。就R²而言，SWAT模型的模拟效果最好，7—12月的R²均在0.60以上，其次是RF模型。然而，NSE与R²的结果不同，SWAT模型在模拟期各月的NSE均为负；RF模型模拟的月尺度径流量效果较好，7—10月的NSE在0.50左右。就Bias而言，RF和SVM模型的Bias较小，各月的Bias均控制在30.00%以内，SWAT模型的Bias在1月、8月、9月和12月超过50.00%。根据R²、NSE和Bias的综合评价，RF模型在唐乃亥水文站的月径流量模拟效果较好，而SWAT模型适用于模拟长期年径流量，对于月径流量的模拟效果较差。

图4

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：％）

3.2 未来黄河源区气候变化

图5为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。可以看出，各模式的降水量模拟数据与观测数据的相关系数均在0.80左右。CanESM5和IPSL-CM6A-LR模式的模拟结果与观测值的标准化偏差比率小于1.00，说明这两种模式低估了唐乃亥站的降水量；CMCC-ESM2、GFDL-ESM4和MRI-ESM2-0模式的模拟结果与观测值的标准化偏差比率大于1.00，表明模式高估了唐乃亥站降水量。各模式模拟的最高气温、最低气温和短波辐射与实测值的相关系数均为0.80~0.95，标准化偏差比率为0.75~1.25。各模式模拟的相对湿度差异显著，其中CanESM5的模拟效果最好，标准化偏差比率最接近1.00且相关系数最高。各模式对风速的模拟整体表现较差，相关系数仅为0.4~0.7，CanESM5的模拟效果相对较好，但其标准化偏差比率高于1.00，表明模拟的风速结果变化幅度偏大。

图5

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

未来不同排放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（图6）。SSP1-2.6情景下的降水量上升速率仅为2.00 mm·（10 a）^-1，但其波动幅度较大；SSP2-4.5情景下的降水量稳步上升，上升速率为每年1.27 mm；SSP3-7.0情景下，21世纪50年代以前年降水量增长较为平缓，2050年之后上升速率加快，为每年1.34 mm；SSP5-8.5情景下的降水量以19.52 mm·（10 a）^-1的速率增长，在4种排放情景中增长速率最快。可以看出，黄河源区降水量随着辐射强迫程度的升高而上升速率加快。

图6

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

以1995—2014年作为基准期，该时段是IPCC第六次评估报告（AR6）采用的近期参考气候态（IPCC，2021），将2021—2100年每20 a划分为一个时期，共4个时期，分别为近期（2021—2040年）、中期（2041—2060年）、中后期（2061—2080年）以及末期（2081—2100年）。其中，近期在4种排放情景下的降水量较基准期的增长幅度均低于20%，呈增加趋势；SSP1-2.6和SSP2-4.5排放情景下，未来时期降水量都呈增长趋势，但在中期和中后期增长较为缓慢。综上所述，在21世纪中后期和末期，黄河源区年降水量的变化也随着辐射强迫水平的上升而增大，末期SSP5-8.5情景下的降水量较基准期变化最大。

表4列出黄河源区唐乃亥水文站近期、中期、中后期和末期在不同排放情景下的年平均最高气温、最低气温及其与基准期的差值。21世纪黄河源区唐乃亥站在不同排放情景下年平均最高和最低气温都表现为上升趋势。SSP5-8.5排放情景下的年平均最高气温和最低气温增长速率最快，且在21世纪60年代后气温增长速率较60年代之前更快，末期的年平均最高气温比基准期高5.29 ℃，年平均最低气温比基准期高6.79 ℃；SSP3-7.0排放情景下年平均最高气温和最低气温的增长速率较SSP5-8.5排放情景下有所减缓；SSP2-4.5排放情景下的年平均最高气温和最低气温呈现缓慢波动增长趋势，气候倾向率分别为0.24 ℃·（10 a）^-1和0.33 ℃·（10 a）^-1；低辐射强迫情景SSP1-2.6的变化最缓慢，平均最高和最低气温在4个时期的变化量均未超过2.00 ℃。可以看出，黄河源区年平均最高和最低气温的上升速率随着辐射强迫程度的升高而加快。

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）

注：括号中数字表示年平均最高气温或最低气温与基准期的差值。

3.3 未来气候变化下的径流变化

根据前文分析，得出RF模型和SWAT模型均能基本模拟出黄河源区唐乃亥水文站的月径流量。SWAT的建模过程比较复杂，在参数设定方面，SWAT需要大量的参数，且这些参数需通过详细的地面调查、资料收集以及模型校准来确定。相比之下，机器学习模型通常能自动学习这些参数，减少人工干预的需求，并可能减少因参数设置不当导致的不确定性。因此，对于2021—2100年黄河源区唐乃亥站径流量的预估研究，采用RF模型。

图7为不同排放情景下基于RF模型的2021—2100年黄河源区唐乃亥站径流量年际变化。可以看出，低排放情景（SSP1-2.6、SSP2-4.5）下，多年平均径流量分别为673.49、670.37 m³·s^-1，与历史时期（1976—2018年）相比分别增加3.37%、2.90%；高排放情景（SSP3-7.0、SSP5-8.5）下，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%和4.36%。图8为不同排放情景下21世纪不同年代黄河源区唐乃亥站径流量相对历史时期的变化率。未来各年代的径流量变化率范围为-8.77%~8.82%。低排放情景（SSP1-2.6、SSP2-4.5）下，在21世纪20—90年代的多数时段表现为径流量正增长，其中SSP1-2.6情景下，21世纪20、40、50年代等多个时段增幅达5.00%以上，SSP2-4.5情景下，21世纪70、80年代径流量也维持5.00%左右的正增长；高排放情景（SSP3-7.0、SSP5-8.5）下，径流量则以负增长为主，其中SSP3-7.0情景下，21世纪40、70、80年代负增长幅度达6.00%~8.00%，SSP5-8.5情景下，21世纪40、50、90年代负增长幅度约8.00%。这种差异直观反映了碳排放强度越高，黄河源区径流减少的变化率越大。从年代际演变看，各情景径流变化率均呈现波动特征，SSP3-7.0情景下径流量在21世纪40、70、80年代的负增长幅度远高于其他年代，而SSP1-2.6情景下径流量在多数年代保持相对稳定的正值。随着碳排放的增加，径流减少的速率逐步增大，因此，未来径流的变化趋势与人类活动息息相关。

图7

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

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

4 结论与讨论

本文利用黄河源区唐乃亥站1976—2018年月径流量、格点化观测数据集的气象要素数据，结合SWAT模型和4种机器学习算法模型，对唐乃亥站历史径流量进行模拟，最终筛选出RF模型最适用于黄河源区径流量的模拟。基于RF模型和CMIP6的6个模式气象数据对不同情景下未来黄河源区唐乃亥站径流量进行预估，得到以下主要结论。

1）与实测径流量相比，RF模型模拟的径流量在训练期的R²和NSE均高于0.83，SWAT模型在率定期和验证期的R²和NSE均高于0.70，且两个模型的Bias小于其他模型。SWAT模型在汛期对径流量的模拟较为准确，RF模型对冬季径流量的模拟表现更佳。

2）从不同模型对唐乃亥站各月径流量模拟的评价指标来看，SWAT模型在7—12月的R²高于0.60，其次是RF模型；SWAT模型在模拟期各月的NSE均为负值，而RF模型模拟月尺度径流量效果较好，7—10月的NSE为0.50左右；RF模型的相对偏差较小，各月均控制在30.00%以内。根据R²、NSE和Bias的综合评价，RF模型对唐乃亥水文站的月径流量模拟效果较好。

3）未来黄河源区年降水量在不同排放情景下呈现波动上升趋势。其中，SSP5-8.5情景下的降水量增长最快，速率为19.52 mm·（10 a）^-1。年平均最高和最低气温在不同排放情景下均呈上升趋势，SSP5-8.5情景下增长最快，21世纪末期分别比基准期高5.29、6.79 ℃。低辐射强迫情景SSP1-2.6的气温变化最缓慢，年平均最高和最低气温在4个时期的变化量均未超过2.00 ℃。

4）不同排放情景下，未来黄河源区唐乃亥站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）下，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%、2.90%；高排放情景（SSP3-7.0、SSP5-8.5）下，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%和4.36%。

尽管SWAT模型在率定期和验证期、机器学习算法模型在训练期和验证期的模拟评价指标较为理想，但在各月模拟指标中仍出现了不同程度的偏差。机器学习算法模型在夏季汛期的径流量模拟值低于实测值，一方面是因为输入的与径流相关联较高的有效数据较少，导致机器学习模型无法准确捕捉与径流量之间的联系；另一方面可能是机器学习模型的参数设定及内部结构对极大值的模拟能力有限。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[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.

[本文引用: 4]

[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 [本文引用: 1]

阿尼玛卿山位于青藏高原的东缘，是黄河源区冰川分布比较集中的区域。该区域的冰川物质平衡变化研究对于冰川水资源评估及冰川对气候变化响应研究具有重要借鉴意义。通过TerraSAR-X/TanDEM-X数据的干涉测量方法获得阿尼玛卿山区冰川的高分辨、高精度的数字高程模型（DEM），与SRTM DEM进行差分获得该区域冰川2000年至2013年间的表面高程变化。对比发现：近13 a来该区域典型大冰川表面高程整体均有所下降，唯格勒当雄冰川末端区域冰川表面高程平均下降（4.16±3.70）m，冰舌中部表面高程有所增加，冰川末端区域表碛覆盖范围有所增加；哈龙冰川表面高程从末端往上呈递减下降的趋势，平均下降（8.73±3.70）m；耶和龙冰川表面平均下降了（13.0±3.70）m，但从冰川末端往上1.6 km区段表面高程平均增加约25 m，冰舌中部表面高程下降明显，对比冰川编目数据、Landsat TM图像可知，该冰川在2000年至2009年间发生过跃动，冰川末端位置前进了约500 m。总体来说，即使存在个别冰川前进现象，该区域冰川在近13 a间仍处于退缩状态。

[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 [本文引用: 1]

以全球变暖为主的气候变化已成为当前世界最重要的环境问题之一。气候变化对水循环与水资源影响的研究越来越引起国内外学者的的高度关注和重视。简要回顾了国内外气候变化对水文水资源影响研究的发展历程,着重论述了目前气候变化对水文水资源影响的重点研究领域：水循环要素变化的检测与归因分析、气候变化与人类活动对水循环与水资源影响的定量评估、未来气候变化情景下水循环与水资源的演变趋势预估、气候变化对极端水文事件的影响研究和应对气候变化的水资源适应性管理策略;并介绍了气候变化对水文水资源影响研究中的气候变化情景、水文模拟及陆-气模型耦合等重要技术手段。最后,针对目前研究中存在的问题及薄弱环节,提出未来研究的发展趋势和亟需解决的关键问题。

[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 [本文引用: 2]

以黄河源区水文循环过程为主要研究对象，应用TRMM卫星和GPM卫星的日降水产品（TMPA 3B42和IMERG-Final）驱动流域分布式水文模型SWAT，将结果进行比较分析，评估了新型卫星降水在黄河源区的适用性及其模拟潜力。研究表明：（1）对于大尺度流域而言，同时对多个子流域进行参数的敏感性分析及率定的结果不适用于每一个站点。因此，本文采用对每个水文站点所对应的子流域依次进行敏感性分析与验证的方式进行订正，最终得到验证期内3个站点径流模拟结果的纳什效率系数均在0.50以上，决定系数都在0.60以上。（2）从模拟结果来看， IMERG-Final产品的模拟结果要优于TMPA 3B42产品。两种卫星降水产品均能模拟出黄河源区月径流变化的主要趋势，但均表现为对于径流峰值的模拟偏高。新型卫星产品（GPM）较前任TRMM卫星产品的精度确实有提高，且具备一定的模拟潜力，但对于高海拔地区的模拟能力有待提高，需要进一步订正。

[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.

[本文引用: 2]

[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 [本文引用: 2]

基于1982—2013年GIMMS NDVI 3g数据集及黄河源区26个国家气象观测站同期气温与降水观测资料，利用趋势分析和相关分析方法，对黄河源区植被覆盖的时空变化特征及其驱动因子进行分析。结果表明：（1）黄河源区植被覆盖呈现从东南向西北递减的空间特征。近32 a来，黄河源区气温呈显著升高、降水则呈微弱增加的趋势，气候由干冷逐渐向暖湿化转变；植被覆盖呈现整体缓慢升高、局部退化的趋势，且“先增后降”的年代际变化特征明显。（2）1982—2013年，黄河源区生长季（5—9月）植被受气温和降水共同影响，植被最大NDVI与气温和降水有显著正相关关系。与降水相比，NDVI与气温的相关性更强，气温是影响黄河源区植被变化的主要气候因子，且随着海拔高度的升高影响越大。

[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.

[本文引用: 2]

[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 [本文引用: 1]

Machine learning addresses the question of how to build computers that improve automatically through experience. It is one of today's most rapidly growing technical fields, lying at the intersection of computer science and statistics, and at the core of artificial intelligence and data science. Recent progress in machine learning has been driven both by the development of new learning algorithms and theory and by the ongoing explosion in the availability of online data and low-cost computation. The adoption of data-intensive machine-learning methods can be found throughout science, technology and commerce, leading to more evidence-based decision-making across many walks of life, including health care, manufacturing, education, financial modeling, policing, and marketing. Copyright © 2015, American Association for the Advancement of Science.

[21]

, WANG

, LI

, 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 [本文引用: 2]

It is the research hotspot in the field of hydrology to apply the climate model and its downscaling data into hydrological simulations, and it is very important to evaluate the accuracy of its data. In this study, the accuracy of Climate Forecast System Reanalysis (CFSR) was evaluated from two perspectives: statistical evaluation and hydrological evaluation. In the hydrological evaluation, the applicability of CFSR in the Soil and Water Assessment Tool (SWAT) model of the Yellow River source area was studied. The results show that CFSR temperature data at the source of the Yellow River is consistent with the measured temperature data, and CFSR precipitation data overestimates precipitation. In the Yellow River source runoff simulation, the SWAT model driven by CFSR can obtain satisfactory simulation results. It does not reduce the simulation accuracy at the total outlet of the basin under the multi-outlet calibration method. It also considers the spatial differences of hydrological characteristics of each sub-basin and improve the simulation accuracy of the sub-basin simulation.

[22]

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.

URL [本文引用: 4]

The source area of the Yellow River (SAYR) is one of the world´s largest wetlands containing the greatest diversity of high altitude marshlands. For this reason, its response to climate change is extremely significant. As revealed by different studies, the response of hydrological processes to global warming results in high uncertainties and complexities in the water cycle of the SAYR. Thus, understanding and projecting future runoff changes in this region has become increasingly important. In the present investigation, we used runoff and meteorological data of the SAYR from 1976 to 2014 (historical period). In addition, Digital Elevation Model (DEM), land-use, and soil data for the period 1976 to 2100 were used considering three future SSPs (Shared Socioeconomic Paths) scenarios of 8 models selected from the Coupled Model Intercomparison Project Phase 6 (CMIP6). The Soil and Water Assessment Tool (SWAT) was used to simulate, project, and analyze potential variations and future runoff of the main hydrological stations (Jimai, Maqu, and Tangnaihai) located in the SAYR. The results showed that: 1) The SWAT model displayed good applicability in historical runoff simulation in the SAYR. A small runoff simulation uncertainty was observed as the simulated value was close to the measured value. 2) Under three different 2021–2100 SSPs scenarios, the yearly discharge of the three hydrological stations located in the SAYR showed an increasing trend with respect to the historical period. Future runoff is mainly affected by precipitation. 3) We compared the 1976–2014 average annual runoff with projected values for the periods 2021–2060 and 2061–2100. With respect to 2021–2060, the lowest and highest increases occurred at Tangnaihai and Maqu Stations in the emission scenarios without (SSP585) and with mitigation (SSP126), respectively. However, the highest and lowest increments at Jimai Station were observed in the intermediate emission (SSP245) and SSP126 scenarios, respectively. Moreover, in 2061–2100, the Maqu and Tangnaihai Stations showed the lowest and highest increments in the SSP585 and SSP245 scenarios, correspondingly. In Jimai Station, the lowest increment occurred in SSP126. The yearly average discharge in the near future will be smaller than that in the far future. Overall, this study provides scientific understanding of future hydrological responses to climate changes in the alpine area. This information can also be of help in the selection of actions for macro-control, planning, and management of water resources, and the protection of wetlands in the SAYR.

[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.

URL [本文引用: 1]

[25]

ZEDNIK

2021.

Solving the black box problem: A normative framework for explainable artificial intelligence

[J]. Philosophy & Technology, 34(2): 265-288.