通过了解基流生成机制来提高美国干旱西南地区的径流预测精度

《Water Resources Research》：Improving Streamflow Predictions in the Arid Southwestern United States Through Understanding of Baseflow Generation Mechanisms

基流生成过程对干旱区西南部美国溪流流量预测的准确性至关重要。本研究通过改进Noah-MP模型，测试了土壤水力参数（Van-Genuchten与Brooks-Corey）、地表漫流阈值（50mm与0mm）及三种降水数据集（NLDAS-2、IMERG、AORC）对基流指数（BFI）和流量预测精度的影响。结果表明：1）Van-Genuchten模型有效减少Brooks-Corey模型高估BFI的问题；2）机器学习生成的土壤水力参数比优化后的NWM参数提高Kling-Gupta效率21%；3）设置50mm地表漫流阈值可增强渗透和基流补给；4）IMERG降水数据集最优，能准确捕捉低BFI区域。研究证实，物理更真实的模型配置（如混合型Richards方程、双渗透率模型）结合优化数据输入可显著提升干旱区流量预测能力。

　　在干旱的西南美国地区，准确预测河流流量对于水资源管理、农业规划以及应对干旱和洪水至关重要。由于该地区的降水稀少且变化较大，地表径流较少，而地下水补给则成为河流流量的主要来源。因此，研究地下水补给（即基流）的形成机制，对提高河流流量预测的准确性具有重要意义。本研究采用改进版的Noah-MP地表水文模型，并结合了Routing Application for Parallel computation of Discharge (RAPID)模型，以评估水文过程表示、土壤水力参数和降水数据集对基流形成和河流流量预测能力的影响。研究通过使用390个美国地质调查局（USGS）测站的长期观测数据，对模型进行验证，并分析不同模型配置下的基流指数（BFI）模拟结果。结果显示，土壤水力特性对基流的生成和河流流量预测能力具有显著影响，其中采用Van-Genuchten水力方案的模型能够有效降低由Brooks-Corey和Clapp-Hornberger方案导致的基流指数高估问题。此外，机器学习方法生成的Van-Genuchten参数在预测基流方面表现更优，其Kling-Gupta效率（KGE）比优化后的国家水文模型（NWM）提高了21%。最后，研究指出在地表水文模型中引入积水深度阈值，有助于提高地下水补给的模拟精度，尤其是在干旱地区。

### 模型研究的背景与挑战

在干旱地区，河流流量的预测是一项极具挑战性的任务。由于这些地区降水稀少、植被稀疏、土壤质地较粗且渗透性较低，地表径流难以持续，而地下水补给则成为维持河流流量的关键因素。因此，研究如何更准确地模拟地下水的补给过程，是提升干旱地区河流流量预测能力的核心。然而，目前的大型水文模型，如NWM，在干旱地区的预测能力仍然有限，常常表现出对低流量事件的低估以及误报。这种问题在其他地表水文模型（如VIC、ParFlow-CONUS和SAC-SMA）中也普遍存在，说明传统的水文过程模拟方法在干旱地区的适用性存在问题。

在本研究中，重点考察了模型在干旱地区预测基流的准确性。通过引入更先进的水文过程表示方式，包括使用混合形式的Richards方程模拟地表积水和优先流，以及采用机器学习方法优化土壤水力参数，研究旨在揭示这些因素对基流生成和河流流量预测的影响。此外，研究还对比了不同降水数据集（如NLDAS-2、IMERG和AORC）对模拟结果的影响。结果显示，选择合适的水文过程、土壤水力参数和降水数据集，能够显著提高模型在干旱地区的预测能力。

### 土壤水力参数对基流生成的影响

土壤水力参数是影响地下水补给和基流生成的关键因素。研究对比了两种常见的土壤水力模型：Van-Genuchten（VGM）和Brooks-Corey/Clapp-Hornberger（BC/CH）。结果显示，VGM在干旱地区表现更为准确，其模拟的基流指数（BFI）更接近观测值。相比之下，BC/CH模型在干旱地区容易高估基流，这可能是由于其在土壤干端对负压的估计不够精确。因此，采用VGM模型能够更有效地模拟干旱地区的基流，从而提高河流流量预测的准确性。

此外，研究还发现，土壤中优先流的模拟对于提高基流预测能力具有重要作用。通过引入双渗透模型（DPM），研究模拟了土壤中由于大孔隙结构而产生的优先流路径，这有助于提高地下水补给的模拟精度。DPM模型在模拟基流时，比单渗透模型（VGM）表现更优，尤其是在干旱地区。然而，由于DPM模型中大孔隙体积比例的设定主要依赖于土壤有机质（SOM）的模拟，而SOM的分布可能无法完全代表土壤的复杂结构，因此其在某些区域的表现仍然存在局限。

### 表面积水深度对基流生成的贡献

研究还探讨了表面积水深度对基流生成的影响。通过设置不同的积水深度阈值（如50毫米和0毫米），分析了模型对基流模拟的敏感性。结果表明，当模型考虑表面积水时，能够更准确地模拟地下水补给过程。例如，VGM模型在设置50毫米的积水深度阈值时，模拟的基流指数（BFI）比没有考虑积水的VGM0模型更高，说明积水对基流生成具有积极作用。然而，在某些区域，如果模型忽略表面积水，可能会低估基流，导致预测结果偏差较大。

因此，研究建议在干旱地区的地表水文模型中引入表面积水深度的模拟，以提高基流生成的准确性。此外，研究还指出，表面积水深度应根据区域的微地形特征进行动态调整，以更好地反映不同地区的土壤水分变化情况。这需要更精细的地形数据支持，以及对模型参数的进一步优化。

### 降水数据集对模型预测能力的影响

降水数据集的选择对河流流量预测的准确性具有重要影响。研究对比了三种常见的降水数据集：NLDAS-2、IMERG和AORC。结果显示，IMERG数据集在模拟干旱地区的基流时表现更为优越，其KGE值比NLDAS-2和AORC更高，说明IMERG数据集能够更准确地反映降水的时空变化特征。此外，IMERG数据集在干旱地区的基流预测中，能够减少传统数据集对基流的高估问题，从而提高模型的整体预测能力。

研究还发现，降水数据集的分辨率对基流预测具有显著影响。粗分辨率的数据集可能无法准确捕捉局部降水事件，从而影响地下水补给和基流的模拟精度。例如，日分辨率数据比年分辨率数据更能反映基流的变化，因为年数据可能平滑掉极端降水事件的影响。因此，使用高分辨率的降水数据集对于干旱地区的基流模拟至关重要。

### 模型的改进与未来研究方向

为了提高模型在干旱地区的预测能力，研究提出了几种改进方案。首先，采用更物理基础的水文过程表示，如混合形式的Richards方程，能够更准确地模拟地表积水和优先流。其次，使用机器学习方法优化土壤水力参数，能够提高模型在干旱地区的基流预测能力。此外，引入表面积水深度阈值，有助于提高地下水补给的模拟精度。

研究还指出，模型中对土壤大孔隙体积比例的设定需要进一步优化。目前的模型中，大孔隙体积比例主要基于土壤有机质（SOM）的模拟，而SOM的分布可能无法完全代表土壤的复杂结构。因此，未来的研究应考虑引入更多的土壤结构参数，如砾石含量、土壤颗粒组成等，以提高模型对优先流的模拟精度。

此外，研究建议在干旱地区的水文模型中，采用更动态的表面积水深度阈值，以反映不同地区的微地形特征。这种改进需要结合高分辨率的数字高程模型（DEM）数据，以及遥感数据（如卫星遥感数据）进行模型校准和优化。未来的研究可以进一步探索这些方法的可行性，并评估其对干旱地区基流模拟的潜在影响。

### 结论与意义

本研究的结果表明，土壤水力参数的选择、表面积水深度的模拟以及降水数据集的使用，对干旱地区基流的生成和河流流量预测能力具有显著影响。采用更物理基础的水文过程表示方式，如混合形式的Richards方程和双渗透模型，能够有效提高模型的预测精度。同时，使用机器学习方法优化土壤水力参数，比传统的查表法更准确，尤其是在干旱地区。此外，降水数据集的选择对模型预测能力具有重要影响，IMERG数据集在干旱地区的基流模拟中表现最佳。

这些发现对于未来的研究和模型开发具有重要的指导意义。在干旱地区的水文模型中，应优先考虑采用更物理基础的水文过程表示方式，以及使用高分辨率的降水数据集。此外，模型的参数设置应结合区域的土壤结构和微地形特征，以提高其在不同环境下的适用性。通过优化这些因素，可以显著提高大型水文模型在干旱地区的预测能力，从而为水资源管理和干旱应对提供更可靠的科学依据。