流域多尺度水文預報應用進展及適用性探討

楊文發　王樂　張俊

摘要：水文預報作為一項非工程措施，在水旱災害防御、水資源綜合利用，以及社會經濟建設等領域發揮著越來越重要的支撐和保障作用?；仡櫫私陙韲鴥韧庥嘘P流域水文預報技術應用進展，梳理了流域多尺度水文預報的概念，系統性地闡述了多尺度水文預報應用中的關鍵技術和方法、面臨的問題和不足以及未來的發展趨勢，并重點探討了流域水文預報中涉及的不確定性因素以及水文氣象耦合方面的不匹配性等問題。最后，基于對流域水文預報適用性的分析，強調了在拓展流域不同預見期水文預報新業務實踐中考慮水文預報適用性的重要性，提出了現狀條件下拓展多尺度流域水文預報業務的指導性原則及建議。

關鍵詞：多尺度水文預報; 水文氣象耦合; 不確定性; 預報適用性

中圖法分類號： P338

文獻標志碼： A

DOI：10.16232/j.cnki.1001-4179.2021.10.013

0引 言

水文預報作為一項非工程措施，可判斷水文要素未來情勢變化，為決策爭取有效時間，在水旱災害防御、水資源綜合利用，以及社會經濟建設等領域發揮著越來越重要的支撐和保障作用[1]。由于早期降雨預報精度低、定性多過定量，難以滿足與水文模型耦合預報的需求，傳統短期水文預報通常不考慮預見期的降雨信息，而以實際落地降雨作為輸入進行降雨產流預報，而中長期水文預報則采用統計方法外推徑流變化[2-3]。

隨著大氣科學的發展和高性能計算技術的進步，特別是數值預報技術的迅猛發展和廣泛應用，當前定量降雨預報技術得到長足進步，降水預報產品的時空分辨率顯著提高[4-7]，預見期大大延長[8]，已具備與水文模型耦合的可能性。GB/T 22482-2008《水文情報預報規范》也提出水情服務中可采用預報的降雨量驅動水文預報，以達到提高預報精度、延長預見期的目的[9]。目前，國內外已廣泛將水文氣象耦合技術應用到短中期水文預報試驗和實踐中，并取得了較好效果[10-15]。此外，關于大尺度流域水文模型與氣候模式的耦合應用研究也受到廣泛推崇，旨在結合氣候模式與水文模型二者的優勢，實現更長預見期的水文模擬或預測。但由于一方面氣候模式對降雨的預報能力要低于短中期數值模式，另一方面當前氣候模式與水文模型的耦合方式簡單，以至于氣候模式對不同下墊面下的蒸發、產匯流機制等水文過程考慮不足，使得實際長期徑流預測效果并不令人滿意[16-17]。目前，基于水文-氣候模式耦合的預測方法仍多停留在月、季、年等長期徑流預測試驗或氣候變化對水資源影響模擬研究方面[18-20]。眾多研究和實踐表明，水文氣象耦合預報技術已成為全球范圍內主流的發展方向，并已廣泛應用于不同預見期的流域水文預報研究和業務實踐當中[11-12，21-23]。

水文氣象耦合預報技術的應用，促進了水文預報領域的迅猛擴展，改變了原有水文預報的時間尺度觀念，但也相應帶來一些新的問題和技術挑戰[13-24]。如流域跨尺度水文模型的時空尺度匹配和區域適用性，不同流域開展跨尺度水文預報的可行性以及社會和公眾對水文預報精度和預見期要求不斷增長的需求與現有技術瓶頸之間的矛盾等問題。假如對一個河流流域，原已構建的水文預報模型可較好適用于預見期幾小時至數日的短期預報業務，但能否在原有模型和方案的基礎上，直接實現預見期一周、甚至一月以上的中長期預測業務呢？要回答此問題，就有必要搞清楚針對該流域不同尺度水文預報的適用性問題。理論上講，針對不同空間尺度流域對象，開展不同預見期水文預報時，采用的流域水文模型及相應的模型參數等應有差異和側重，若時、空尺度不匹配，則難以客觀揭示流域水文過程的“真實”發展變化規律。同時，不同時空尺度流域的定量降水預報精度和有效預見期是有差異的，也會顯著影響水文預報精度和預見期，這表明充分研究認識不同時空尺度下水文的可預報性問題是很有必要和具有實踐指導意義的。因此，本文調研當前國內外流域多尺度水文預報的應用進展，厘清水文預報所涉及的相關概念，在此基礎上進一步探討多尺度水文預報的不確定性和適用性等實際應用問題。

1流域多尺度水文預報概念

多尺度概念通常分為時間和空間的多尺度，在水文預報實踐中，按流域空間尺度來具體界定水文預報的較少[25-26]，一般較模糊地稱為流域大尺度水文預報、中小河流水文預報或山洪溝流域水文預報預警等。傳統的水文/徑流多尺度預報以流域匯流時間為界劃分時間尺度，這是因為應用落地雨推算產流的最大時效不超過匯流時間，凡預報的預見期小于或等于流域匯流時間稱為短期預報，否則稱為中長期水文預報，本文中的多尺度概念同樣以時間尺度為主。在現代水文氣象耦合預報方法下，水文徑流預報的預見期大大延長，傳統的多尺度水文預報概念也要隨之改變。一般對于大尺度流域而言，3 d內預見期的洪水預報精度基本可滿足業務要求，可稱之為短期水文預報;4～10 d預見期的水文預報能夠定量報出河段的漲水退水趨勢，但其預報精度尚難保證，稱之為中期水文預報;月及以上預見期的水文預報，目前的預測精度較低，以等級或范圍預測為主，一般稱為長期水文預測，這與GB/T 50095-2014《水文基本術語和符號標準》[27]中對多尺度水文預報預見期的定義也基本一致。

當然，對于不同空間尺度和氣候地形條件的流域，其短、中、長期水文預報的時間范圍和精度不能一概而論。需要指出的是，短中期水文預報的要素一般為某地未來某個時刻的水位、流量值或洪峰水位等，而長期水文/徑流預報的對象通常為旬、月、季或年的降水量和來水量的平均值，有時也稱之為長期水資源量預測。目前長江水利委員會（以下簡稱“長江委”）開展的多尺度水文預報業務如圖1所示，在傳統短中長期預報的基礎上，還增加了延伸期水文預報業務。目前，全球大多數國家均已開展多尺度水文預報業務，其預報對象的時間尺度從幾分鐘到季乃至年，預報內容不僅關注極端事件（洪水和干旱），還關注水文變化范圍;具體的預報產品和服務一般按照預見期和空間尺度進行劃分，從局地預見期數分鐘到數小時的暴洪預報，到河流流域尺度數小時到數天的河流水位和流量預報，再到跨多個河流流域的長期季節徑流和干旱預報。各國主要的水文過程特征以及使用的數據、模式和方法等不盡相同，具體實施預報業務的實踐路線也各有特點[28]。

2流域多尺度水文預報應用研究

2.1流域短中期水文預報

短中期水文預報的對象主要是洪水過程，追求的是高精度和更長預見期的定量化預報，這與定量降水預報和流域水文預報模型兩項關鍵技術緊密相關。

2.1.1定量降水預報技術及其應用

降水是洪水預報中最重要的輸入強迫因子，準確的定量降水預報（Quantitative Precipitation Forecast，QPF）是提高水文預報精度、延長預見期的關鍵所在?，F代定量降水預報技術流程主要包括以下3個部分：數值模式客觀預報、統計后處理技術、預報員經驗訂正[29]。數值模式是定量降水預報的基礎，它對大氣系統內部及邊界的各種物理過程進行物理概化，通過求解大氣運動方程組計算未來時段網格點內的定量降水，隨著高分辨率數值模式的發展、資料同化技術的改進、集合預報技術的應用以及人類對大氣物理過程認知的完善，數值模式降水預報技巧也在不斷提升，現已成為QPF業務發展的主導因素[29]。統計后處理技術包括客觀訂正集成和降尺度技術，前者利用數據挖掘的方法從海量數據中獲取最優的客觀預報，后者通過統計和動力方法、結合地形氣候等信息獲取更高分辨率的QPF產品[30-31]。預報員經驗訂正是在模式和客觀預報的基礎上發揮氣象專家的作用，依靠對天氣概念模型的構建、模式誤差分析等對模式降雨預報信息進行主觀經驗綜合訂正。

受初值誤差和模式誤差等因素的影響，數值模式預報結果存在很大的不確定性，而集合預報技術是一種定量估計大氣預報中不確定性的有效方法[32]。集合預報技術是提高QPF的重要途徑，由于現有條件下無法獲取完全真實的觀測場，也無法構建完全準確的數值模式，科學家們通過初值擾動、物理擾動、模式擾動及它們的組合生成大量集合成員預報結果，從而得到將來時刻大氣狀態的多種可能性，其中初值擾動是通過擾動給出一系列近似于真實場的擾動場，將其輸入確定性數值模式得到多組預報結果，模式和物理擾動是通過不同數值模式或者不同物理參數化方案得到多組預報結果[33-34]。目前業務中常用的集合預報產品主要有兩種形式：① 確定性預報，通過對集合成員進行平均處理、優選組合等方法來獲取;② 概率預報，根據集合成員的概率密度分布，推斷未來時刻發生各種天氣的概率，特別是一些極端天氣發生的概率。當前全球各大預報中心在業務中均已廣泛采用集合預報技術[34]，這是因為一方面確定性集合預報產品通過平均或優化等計算過程對一些隨機噪音進行了過濾，其精度通常比確定性單值數值模式預報的結果更加準確;另一方面概率集合預報產品包含集合預報系統所能提供的所有信息，最大程度地包含實際大氣可能發生的多種情況，還可為預報員開展極端天氣事件預報時提供參考信息[32]。

隨著數值模式技術的不斷進步，定量降雨預報產品質量顯著提高，定量降雨預報產品與水文模型的耦合應用技術獲得了極大的發展[35]。目前耦合方法主要分成單向和雙向耦合兩類。單向耦合相對比較簡單，首先將低分辨率的數值模式產品進行降尺度處理[36]，得到未來幾天的高分辨率小時氣象要素預報;其次建立流域上的分布式水文模型;再把數值模式預報各輸出點氣象要素的時間尺度轉化成水文模型計算的時間尺度，利用不同的插值方法得到分布式水文模型各計算單元的氣象強迫預報輸入值;最后進行耦合模型預報，將預報時刻以前的降水等仍采用實測值輸入，而預報時刻以后的輸入采用數值模式的降水預報值，根據已率定好的參數運行分布式水文模型，得到不同預見期下的流域出口流量過程[13]。目前，國內水文預報業務大多采用單向耦合技術路線，其中定量降水預報信息主要基于某一個或多個氣象模式進行解釋訂正或綜合集成來獲取，再作為流域水文模型的輸入，從而實現提高水文預報精度、延長預見期的目的。當前，應用廣泛的短中期氣象模式主要有歐洲中期天氣預報中心（ECMWF）、日本、德國、美國、中國等數值預報產品。多年的預報檢驗表明：ECMWF數值模式降水產品對我國降水的預報效果最好，基本能夠滿足當前短中期水文預報的需求，它每日發布4次未來240 h時效內的QPF，格點分辨率為0.125°×0.125°。中國國家氣象中心的定量降水預報業務產品包括每日2次發布的未來24 h時效內逐6 h累積QPF、未來168 h時效內逐24 h累積QPF，以及中期過程降水量預報等特色QPF產品，格點空間分辨率達到5 km，近年來其在預報精度上也得到了快速提升，有望未來與中國水文預報業務進一步耦合。

雙向耦合則是針對單向耦合中數值天氣模式與水文模式獨立運行的不足，將建立的水文模型嵌入到數值模式的陸面模塊，使數值天氣模式與水文模式共用同樣的陸面過程機制[21]。數值模式提供當前運行時段的氣象要素預報給水文模型，經過運行水文模型，將其計算的土壤濕度、徑流量等又反饋給數值預報模式，而數值模式根據反饋的信息不斷改進初始邊界條件，進而可以向水文模式提供下一時刻的氣象輸出。通過數值模式與水文模型的雙向耦合，可以進一步提高降水和洪水預報的精度[21，35]。但目前雙向耦合技術主要應用于科學研究當中，在生產實踐業務中的應用仍較少。

2.1.2流域短中期水文預報模型

流域水文模型的研究大約始于20世紀50年代，經過半個多世紀的發展，已日趨復雜化、多樣化和實用化，通?？蓪⑵浞譃榇_定性模型和隨機（統計）模型兩大類，實際應用中水文模型一般指確定性模型[37]。從反映水流運動物理規律的科學性和復雜程度而言，水文模型通常被分為系統模型（黑箱子模型）、概念性模型和物理模型3類[38];從反映水流運動空間變化能力而言，水文模型又可分為集總式模型和分布式模型兩類，其中集總式模型屬于概念性模型的范疇，分布式模型屬于物理模型的范疇[39]?；诖?，本節主要以集總和分布式水文模型為對象進行闡述。

（1） 集總式水文模型。

集總式水文模型自20世紀50年代中期至80年代中期進入蓬勃發展階段，其采用的數學方程通常不考慮流域下墊面特性、水文過程、模型參數等的空間變異性，模型認為流域面上各點的水力學特征是均勻分布的，對流域面上的任何一點的降雨，其下滲、滲漏等縱向水流運動都是相同和平行的。集總式水文模型具備一定的物理基礎，但是由于它不考慮水文單元之間的交換過程，其輸出結果通常只能反映整個流域的面平均狀況和流域出口的水文過程[37]，無法給出水文變量在流域內的分布，滿足不了規劃管理實踐中對流域內各個位置水情預報的需要，且模型參數變量通常取流域平均值，需要通過校準才能獲得。代表模型包括美國的Stanford模型和HEC-1模型、日本的Tank模型、瑞典的HBV模型、我國的新安江模型等[37-39]。

（2） 分布式水文模型。

20世紀80年代中期以來，隨著計算機、地理信息系統和遙感技術的發展，分布式水文模型逐步受到重視。按照子流域或子區域所采用的分析降雨徑流形成的理論和方法，分布式水文模型可分為概念性和具有物理基礎兩類[40]。若按照各子流域或子區域形成的徑流過程轉變為全流域徑流過程的方法，可分為松散型和耦合型兩類[41]。分布式概念水文模型多為松散結構，即假設流域各子流域或網格單元上的水文響應是相互獨立的，在每個單元上應用概念性集總模型來推求降雨產流計算，然后再進行匯流計算，最后推求出口斷面的流量，整個流域的水文響應是各個單元的水文響應疊加得到的[40]，代表性模型如SWAT模型。分布式物理水文模型既有松散的也有耦合的，其中以水動力學為基礎的幾乎都是耦合的，其充分考慮了水文過程、輸入變量、邊界條件和流域幾何特征的空間差異性，認為流域面上的各點水力學特征是非均勻分布的，計算時需要將流域按照DEM分布和水力學特性劃分為若干個單元，每個單元上用不同參數反映產匯流特性，同時考慮各單元之間的橫向交換過程，從而實現對流域面上各點水文過程的描述[41-46]。其理論上較為完善，但需要求解復雜的微分方程組，典型代表包括SHE、MIKE-SHE等。此外，還存在一種半分布式水文模型，其介于集總式水文模型和分布式水文模型之間，模型參數少、結構相對簡單，并未考慮降水、蒸發等因素的空間分布對流域產匯流的影響，典型代表如TOPMODEL、TOPIKAPI[40]。

與傳統的集總式模型相比，分布式水文模型從水循環的動力學機制出發描述流域水文問題，既考慮降雨和下墊面空間分布不均對流域產流造成的影響，同時也能滿足環境系統分析的需求，明顯優于傳統的集總式水文模型，為真實描述和科學模擬降雨徑流形成機理提供有效的工具，具有理論上的前沿性[40-46]。但是由于缺乏高質量觀測資料、水文物理機制不完善、計算耗時長等問題，現階段實際業務應用中集總式水文模型使用范圍更為廣泛，且其預測精度暫時通常高于分布式水文模型。

2.2長期水文預報

長期水文預報方法一般是根據河川徑流變化具有連續性、周期性、地區性和隨機性等特征有針對性地開展研究。近年來，長期水文預報在傳統數理統計方法的基礎上，又涌現出了一些結合現代智能應用的方法，如神經網絡、支持向量機等，以及上述多統計方法的綜合應用等[2-3]。此外，隨著水文、氣象模型和計算機技術的高速發展，基于氣候水文耦合模型的長期水文預報也逐漸成為現代水文研究的熱點方向之一[16-17]。下面主要從物理成因分析、傳統數理統計方法、人工智能應用，以及氣候水文耦合等長期預測方面簡要綜述研究進展。

2.2.1物理成因分析法

該類方法主要分為兩類：① 天氣學方法。徑流的變化主要取決于降水，而降水又是由大氣環流形勢決定的，因此天氣學方法主要根據前期大氣環流特征以及表示這些特征的各種高空氣象要素直接與后期的水文要素建立定性關系進行預報[2]。② 物理要素方法。地球系統是一個整體，水文過程與海溫變化狀況、太陽活動、極地冰雪等氣候因子均有一定聯系，分析這些因素的異常信號，并建立與水文要素特征值之間的相關關系，可以對后期水文要素可能發生的變化情況進行預測[47-48]。其中，海溫場的異常分布具有范圍廣、厚度深、持續時間長等特點，往往是大氣環流異常的先兆，能為長期水文預報提供重要信息。該類方法通過探尋大氣環流、海溫場及其它氣候背景異常信號特征，并與水文要素建立相關關系，實現定性的趨勢分析推測。該類方法的預測結果能在一定程度上反映外界因子對水文要素的影響，具有一定的可信度，但缺乏內在的物理成因機理認識。此外，不同流域預報對象的影響因子是各有差異的，即使對同一區域各因子的影響作用也有顯著的年際變化差異，如1998年在超強厄爾尼諾事件影響下長江流域出現流域性暴雨洪水[49]，但1999年在相反的拉尼娜事件影響下長江流域依然出現了嚴重的暴雨洪水事件[50]，因此該方法難以在各區域普遍適用。

2.2.2傳統數理統計方法

傳統數理統計法是應用數理統計理論和方法，從大量水文歷史資料中，尋找預報對象和預報因子之間的統計關系或水文要素自身的歷史變化規律進行預報。根據預報因子又分為兩類：單要素預報，即分析水文要素自身時序變化規律以進行預報，如歷史演變法、周期疊加、趨勢分析及隨機函數的典型分解等;多因子綜合預報，即分析水文要素與前期多個因子之間的統計相關關系，利用數學方法建立多因子統計模型來進行預報，如多元回歸分析、逐步回歸分析及多維時間序列等[3]。數理統計方法以其計算便捷、可操作性強，且充分利用歷史資料所含規律的特征，成為了長期水文預測中較常用的手段，但該類方法完全依據歷史資料自身變化特征，對于預測信息有時難以從物理機理角度予以合理解釋。

2.2.3人工智能應用

水文過程是一種復雜的高度非線性過程，采用傳統的數理方法進行預報有時與實際應用的要求差距還較大。因此，一些新的可以描述非線性信息的人工智能方法相應地被引入水文長期預報領域中，如深度學習、大數據挖掘分析等[18]。其中，深度學習是近幾年人工智能領域出現的一種機器學習方法，通過設置更多的隱藏層來提高神經網絡對復雜數據映射的求解能力，最終提高復雜非線性系統的預測精度。常見的深度學習方法如遞歸神經網絡（Recurrent Neural Networks，RNN）、卷積神經網絡（Convolutional Neural Networks，CNN）和長短期記憶網絡（Long Short-Term Memory networks，LSTM）等也相繼被水文學者引入到水文模擬和預測的研究之中[51-53]。同樣，為充分利用各模型在不同條件下的預報優勢，也可以將不同的人工智能模型相互結合，通過尋求多種模型的最優組合，以提高長期水文預報精度，如深度信念網絡模型等[53]。目前，人工智能方法被廣泛地應用于水文預報領域，因其處理非線性和不確定性的強大能力，已成為水文預報研究熱點方向之一。

盡管人工智能方法在水文預報領域有良好的應用前景，但同樣存在許多亟待解決的問題，主要有以下幾類：① 數據稀缺性的問題，機器學習方法通常需要大量的數據，而水文歷史數據存在序列短、缺失嚴重等問題，且現有基礎水文資料在很多地區難以獲取[54];② 原理可解釋性的問題，自然界的水文過程十分復雜，目前的機器學習方法主要基于數據黑箱模型構建，缺乏對具體物理機制的解釋，其應用存在精度模擬不夠以及難以讓人信服的問題[55];③ 參數選擇的問題，由于現階段對機器學習的原理認識還不足，其參數選擇只能依靠人員經驗和反復試驗得到，耗費大量的精力且存在局部最優解的問題[56]。因此，針對具體預報任務，如何建立機器學習，應用人工智能方法，實現適應變化環境下的智慧水文預報，仍是當前極具挑戰性的技術難題之一。

2.2.4基于耦合氣候模型的長期徑流預測

目前，國內外氣候數值模式可以做到輸出月尺度的逐日定量降水和氣溫預報，但由于預見期長、影響因素復雜、不確定性大等原因，導致其預報精度差，在業務應用中通常采用平均、累計等方法對其產品進行再處理。盡管目前氣候模式對定量降水預報的精度較低，但隨著氣候模式集合預報技術的發展，一定程度上減小了長期定量降水預報的誤差，并反映出預報不確定信息。因此利用氣候模式輸出的長期定量降水預測結果驅動水文模型，從而獲取中長期水文氣象耦合預測結果，成為當前國內外研究的熱點之一[57-59]。如，歐洲委員會和歐洲中期天氣預報中心于2018年發布了全球范圍的中長期水文氣象預報系統GloFAS Seasonal（https：∥www.globalfloods.eu），將ECMWF的季節性降水預報產品與水文模型結合，提供全球任意集水面積大于1 500 km2的河網且預見期長達16周的集合徑流預報產品[57]。國內相關研究起步較晚，尚處于探索階段，劉甜等[16]利用CFS模式輸出的未來9個月降水預報產品與SWAT水文模型進行耦合，建立了漢江流域長期水文水資源預測系統。陳柯兵等[17]檢驗了GloFAS季節徑流預報產品對長江上游長期徑流的預測效果，發現提前1個月的枯水期預測效果較好。

模式耦合方法的優點在于計算效率高、物理機制清晰、可輸出任意斷面預測結果[20]，但限于當前學科研究水平，該方法仍處在模擬試驗階段，投入業務應用較少?？梢灶A見，隨著氣候模式的不斷發展，今后氣候模式和分布式水文模型的耦合應用將是實現中長期水文徑流預測業務的重要發展方向。

2.3水文集合概率預報

集合預報和概率預報是當前刻畫洪水預報不確定性的兩種重要手段。一方面，隨著降雨集合預報技術的發展，水文預報用戶也開始嘗試利用集合方法對水文預報不確定性進行定量估計，通過不同降雨預報產品驅動水文模型計算，以考慮輸入不確定性對預報精度的影響，屬于集合前處理技術;另一方面，利用集合概率分析和總誤差分析等技術手段，通過定量估計水文預報的不確定性，以分析模型計算等誤差對水文預報精度的影響，屬于統計后處理技術。

（1） 集合前處理技術。其基本原理是計算出流域土壤的初始狀態并給定未來氣象強迫輸入集合（如降水、氣溫和潛在蒸發）以預測未來徑流過程，通過各類天氣氣候模型輸出的降水結果作為驅動水文模型的輸入進行組合預報，以達到提高預報精度，反映預報不確定信息的目的。研究表明，引用降水集合預報的水文集合預報的可靠度更高，且能顯著提高調度效益[60]，其優勢已經被國內外眾多水文氣象專家所肯定，并促使了大型國家水文氣象集合預報計劃-水文集合預報試驗（HEPEX）的形成[61-64]。

（2） 統計后處理技術。由于水文模型直接輸出的預報結果存在眾多不確定性，必須對其進行訂正后處理。統計后處理技術利用大量的歷史水文預報結果和觀測資料建立回歸統計模型，從而反映出歷史的水文預報誤差分布，并將此誤差分布函數代入當前的水文預報中，以實現對未來水文事件的最大可能估計并給出一個廣泛的預報區間，從概率上講就是求水文集合預報對應觀測值的條件概率密度函數，也就是概率預報的觀念，這個概率預報區間綜合了所有造成預報不確定性的因素。目前國內外在水文集合后處理方面進行了大量研究，并取得了較好的效果[65-67]。

現有的集合預報技術主要應用于短中期水文預報，有關長期水文集合預測的研究還處于起步階段，但考慮到長期水文預測的不確定性遠高于短中期預報，可以預見未來集合預報在長期水文預測中必將發揮重要的作用。水文預報的成果和價值最終需要體現在決策當中[68]，基于水文集合概率預報可以提供多種不確定信息的優勢，概率水文預報可與風險信息相互結合，決策者在面臨不同風險時根據自身情況進行不同概率的決策，如進行高風險決策時需要更多考慮低概率事件，而低風險決策時可以更多考慮高概率的事件，只有將概率水文預報真正引入洪水預警、水庫調度和水資源管理決策中，實現預報與風險決策過程的有機結合，才能更好地體現概率水文預報的價值和效益。

3水文預報適用性問題

隨著氣象科學的不斷發展，不同時間尺度的天氣氣候預報水平也取得明顯提升，如未來3～5 d氣象預報的可信度已被廣泛認可，更長預見期的預報也得到了長足進步;同樣，基于氣象輸入驅動流域水文模型，開展不同預見期水文預報的能力也相應得到提升。伴隨經濟社會的高速發展，人們對氣象、水文預報要求越來越高，決策者和社會公眾需要更準確和更長時效的水文預報。但限于現有預報水平，目前的水文預報技術還難以滿足上述需求，在實際應用中還存在諸多不確定性和水文氣象耦合不匹配現象，這些不確定性和不匹配問題是否影響水文預報的適用性還需要進一步認識和研究。

3.1水文預報的不確定性

3.1.1短中期預報的不確定性

由于水文系統是由各種不同等級子系統組成的復雜系統，且系統內不同層次和不同運行周期存在著明顯的時空尺度差異。在不同時空尺度范圍內，水文運動規律不盡相同，物理機制各有差異，其研究方法也各不相同，作為描述各種尺度水文特征的空間數據和模型自然也有所不同[69]。當前國內外暫時還未研究出可跨尺度通用的水文模型或方法來實現不同時空尺度的預報業務，構建好的氣象-水文耦合模式通常僅適用某指定流域對象，若更換研究區域對象則需要重新開展參數的率定與模型評估，重新認識耦合模型的區域適用性問題[70]。

雖然當前無縫隙（模式、數據、方法和信息產品的跨空間和時間）的理念受到國內外水文、氣象領域學者的廣泛認可，已成為水文以及天氣氣候系統一致開發目標，但因各自業務體系、數據產品、預報服務要求等有所差異，實際業務中仍各自發展，互有側重，尚難以實現較滿意的融合應用發展[28]。

3.2.2不斷增長的業務需求與現有水文預報技術之間不匹配

預測未來，追求預見期更長、精度更準，是人類永恒的追求之一。不論水文或氣象行業，一般隨著預見期延長，其預報精度相應隨之降低，兩者之間難以同等匹配，這是符合現有科學認知水平和技術條件的客觀規律。但在業務實踐中，隨著經濟社會的迅猛發展，更長預見期的水文預報業務需求日漸增長，特別是在編制流域水量分配和跨流域調水計劃、水電站汛末蓄水和月、季、年發電計劃等領域，公眾和社會則期望水文預見期越長的同時其預報精度仍能具有一定的保障水平。如在南水北調工程中，長江委在每年編制南水北調中線一期工程年度調水量計劃和月度供水計劃時，均要求開展漢江流域年度水文氣象預測，供編制年可調水量計劃時參考，其中編制年度計劃時需要在當年度11月前制作未來長達一年的丹江口水庫入庫流量逐月預測過程。表2給出了2019～2020年度南水北調中線工程水量調度計劃編制時參考的丹江口水庫入庫流量預測的檢驗結果。由表2可知，在長達12個月的預見期下，預測平均合格率僅在60%左右，這也表明隨著預見期更長，預測精度會隨之下降。因此，顯然上述公眾的需求在一定程度上是難以同時滿足的，目前業務實踐中只能采用短、中、長期預報嵌套滾動修正等手段予以彌補。由于大氣的混沌特性，一般認為逐日的降水預報時效不超過兩周[78]，這就使得中長期水文預報不能完全依靠不斷延長降雨預見期來驅動水文模型，還存在一些技術難題需要創新研究解決。如當前10～30 d的延伸期逐日降水預報是當前氣象預報的空窗期，尚無特別有效的預報方法，主要提供降雨過程準定性或趨勢性的預報信息[81-83]，這也是當前需要攻克或解決的技術難題之一。

另外，多年流域短中期水文預報實踐發現，相同強度量級的降雨預報若在時間、空間分布方面有細微的不同，都可能會直接造成流域水文過程模擬的明顯差異[11]，因此水文預報業務對預見期降水預報在“定點化、定時化和定量化”程度方面相比氣象行業業務要求更高;若對于中長期預報而言，則已大大超出了現有氣象行業長期降水預報的精度水平，這些是現狀條件下難以滿足公眾對水文預報日益增長的業務要求或需求主要技術瓶頸之一。

4結 語

（1） 本文基于對國內外流域水文預報技術研究進展的梳理，重點闡述了短中期和長期水文預報涉及的不確定性，以及水文氣象耦合方面的不匹配性等，并探討了流域水文預報的適用性問題。在擬開展流域不同時空尺度水文預報業務時，應基于當前學科認識水平和技術條件，分析流域對象的空間尺度與水文預報期望預見期之間的匹配性，深入了解可能存在的不確定性及影響因素，以及期望預見期的預報結果是否有益經濟社會發展等?；诖?，建議在開展流域多尺度水文預報業務前，重視加強流域多尺度水文預報的適用性分析和探討，并視國內外水文氣象技術發展水平，分階段組織實施，盡量規避一些不符合科學認知和超出現有技術條件下的徒勞工作。

（2） 對于空間尺度較大的大江大河流域而言，由于水文過程的傳播時間一般超過一日或數日，水文、氣象觀測資料較為齊全，且定量降水有效預見期相對較長，可采用適用的水文模型實現逐日短中期水文預報業務，從而滿足服務防汛抗旱、水工程建設及運行管理等需求。另外，在具備一定技術資料條件以及經濟社會發展有需求等前提下，可探尋適用的流域水文預報方法或技術，嘗試開展逐月、季或年時間尺度等長期水文預測業務。

（3） 針對中小河流或更小尺度的山洪溝等對象，則需要有針對性地分析了解該子流域的空間尺度與擬開展的水文預報預見期之間的匹配性。如對于中小河流流域，大多數洪水過程具有突發性強、匯流時間快、預見期短等特征，此時應充分調查研究分析流域產匯流特性，在認識水文時空尺度特征基礎上，選擇適合的水文模型，開展數小時至1 d左右預見期的短期水文預報預警業務。當然，針對更小區域的山洪溝，其產匯流機制復雜、山洪驟漲驟落、突發性更強，加之觀測資料難獲取，山洪預報難度更大，建議開展基于實況或1 h以內預報的山洪預警業務，超過日時間尺度及更長預見期的預報，從技術層面考慮是不建議開展的。

（4） 隨著現代計算機和人工智能技術的進步，水文集合概率預報以其包含不確定性信息預報的優勢，得到快速發展，特別是大數據應用、深度學習方法與集合預報方法的深入融合，使其有潛力成為多尺度流域水文預報未來應用發展的主流方向。集合預報直面揭示不確定性，定量（在概率意義上）估計每種可能的可信度，使單一值確定性預報向多值的概率分布轉變，同時，還提供由多初值、多隨機水文模式和多參數組合等產生的集合（或超級集合）預報和多值概率預報信息，通過智能深度學習等挖掘分析海量預報信息并生成滿足不同需求的預報產品。通過這些預報產品，用戶可以根據自身對水文信息的依賴程度進行自主決策選擇，根據所選擇的水文預報可信度，進一步厘清可能存在的預報風險和使用價值，以利于今后拓展水文預報應用實踐價值。

參考文獻：

[1]水利部水文局，長江水利委員會水文局.水文情報預報技術手冊[M].北京：中國水利水電出版社，2010.

[2]徐冬梅，趙曉慎.中長期水文預報方法研究綜述[J].水利科技與經濟，2010，16（1）：1-7.

[3]冼翠玲，張艷軍，鄒霞，等.中長期徑流預報的時間尺度[J].武漢大學學報（工學版），2015，48（6）：739-743.

[4]宗志平，代刊，蔣星.定量降水預報技術研究進展[J].氣象科技進展，2012，2（5）：29-35.

[5]金榮花，代刊，趙瑞霞，等.我國無縫隙精細化網格天氣預報技術進展與挑戰[J].氣象，2019，45（4）：445-457.

[6]杜鈞，錢維宏.天氣預報的三次躍進[J].氣象科技進展，2014，4（6）：13-26.

[7]彭新東，李興良.多尺度大氣數值預報的技術進展[J].應用氣象學報，2010，21（2）：129-138.

[8]金榮花，馬杰，任宏昌，等.我國10～30天延伸期預報技術進展與發展對策[J].地球科學進展，2019，34（8）：814-825.

[9]水利部.水文情報預報規范：GB/T22482-2008[S].北京：中國標準出版社，2009.

[10]張海榮.耦合天氣預報的流域短期水文預報方法研究[D].武漢：華中科技大學，2017.

[11]金君良，舒章康，陳敏，等.基于數值天氣預報產品的氣象水文耦合徑流預報[J].水科學進展，2019，30（3）：316-325.

[12]劉志雨，侯愛中，王秀慶.基于分布式水文模型的中小河流洪水預報技術[J].水文，2015，35（1）：1-6.

[13]包紅軍，王莉莉，沈學順，等.氣象水文耦合的洪水預報研究進展[J].氣象，2016，42（9）：1045-1057.

[14]郝瑩，王元，王皓，等.淮河流域不同時間尺度暴雨的多模式預報性能評估及洪水可預報性探討[J].氣象，2019，45（7）：989-1000.

[15]楊文發，周新春，段紅.三峽水庫中期水文氣象耦合預報應用試驗及探討[J].水文，2007（3）：39-42，62.

[16]劉甜，梁忠民，邱輝，等.基于CFS的漢江上游梯級水庫系統月入庫徑流預測[J].水電能源科學，2019，37（8）：14-17.

[17]陳柯兵，郭生練，王俊，等.長江上游 ECMWF降水和徑流預報產品評估 [J].人民長江，2020，51（3）：73-80.

[18]楊強.耦合CFS集合預報和深度學習的中長期徑流預測方法研究[D].大連：大連理工大學，2019.

[19]董磊華.考慮氣候模式影響的徑流模擬不確定性分析[D].武漢：武漢大學，2013.

[20]高冰.長江流域的陸氣耦合模擬及徑流變化分析[D].北京：清華大學，2012.

[21]占車生，寧理科，鄒靖，等.陸面水文—氣候耦合模擬研究進展[J].地理學報，2018，73（5）：893-905.

[22]崔講學，王俊，田剛，等.我國流域水文氣象業務進展回顧與展望[J].氣象科技進展，2018，8（4）：52-58.

[23]金興平，程海云，楊文發，等.長江流域水資源預測技術[J].人民長江，2005，36（12）：18-20，55.

[24]趙琳娜，包紅軍，田付友，等.水文氣象研究進展[J].氣象，2012，38（2）：147-154.

[25]周亮，徐建剛.大尺度流域水污染防治能力綜合評估及動力因子分析：以淮河流域為例[J].地理研究，2013，32（10）：1792-1801.

[26]王皓，傅旭東，孫其誠，等.大尺度流域水文并行計算的方法改進[J].應用基礎與工程科學學報，2009，17（增1）：1-9.

[27]水利部.水文基本術語和符號標準：GB/T 50095-2014[S].北京：中國計劃出版社，2014.

[28]克里斯塔·彼得斯-利達德，FAISAL H，RUBYLEUNGL，等.水文學100年進步[J].氣象科技進展，2019，9（增1）：370-381.

[29]畢寶貴，代刊，王毅，等.定量降水預報技術進展[J].應用氣象學報，2016，27（5）：534-549.

[30]HELLSTRM C，CHEN D.Statistical downscaling based on dynamically downscaled predictors：Application to monthly precipitation in Sweden [J].Advances in Atmospheric Sciences，2003（20）：951-958.

[31]殷志遠，賴安偉，公穎，等.氣象水文耦合中的降尺度方法研究進展[J].暴雨災害，2010，29（1）：89-95.

[32]杜鈞.集合預報的現狀和前景[J].應用氣象學報，2002（1）：16-28.

[33]杜鈞，李俊.集合預報方法在暴雨研究和預報中的應用[J].氣象科技進展，2014，4（5）：6-20.

[34]智協飛，季曉東，張璟等.基于TIGGE資料的地面氣溫和降水的多模式集成預報[J].大氣科學學報，2013，36（3）：257-266.

[35]楊傳國，林朝暉，郝振純，等.大氣水文模式耦合研究綜述[J].地球科學進展，2007（8）：810-817.

[36]王亞男，智協飛.多模式降水集合預報的統計降尺度研究[J].暴雨災害，2012，31（1）：1-7.

[37]袁作新.流域水文模型 [M ].北京：水利電力出版社，1990.

[38]石教智，陳曉宏.流域水文模型研究進展[J].水文，2006（1）：18-23.

[39]徐宗學.水文模型：回顧與展望[J].北京師范大學學報（自然科學版），2010，46（3）：278-289.

[40]閆紅飛，王船海，文鵬.分布式水文模型研究綜述[J].水電能源科學，2008，26（6）：1-4.

[41]芮孝芳，黃國如.分布式水文模型的現狀與未來[J].水利水電科技進展，2004（2）：55-58.

[42]吳險峰，劉昌明.流域水文模型研究的若干進展[J].地理科學進展，2002（4）：341-348.

[43]楊大文，徐宗學，李哲，等.水文學研究進展與展望[J].地理科學進展，2018，37（1）：36-45.

[44]熊立華，郭生練，田向榮.基于DEM的分布式流域水文模型及應用 [J].水科學進展，2004，15（4）：517-520.

[45]徐宗學，程磊.分布式水文模型研究與應用進展[J].水利學報，2010，41（9）：1009-1017.

[46]郭生練，熊立華，楊井，等.基于DEM的分布式流域水文物理模型 [J].武漢大學學報（工學版），2000，33（6）：1-5.

[47]王富強，霍風霖.中長期水文預報方法研究綜述[J].人民黃河，2010，32（3）：25-28.

[48]楊旭，欒繼虹，馮國章.中長期水文預報研究評述與展望[J].西北農林科技大學學報（自然科學版），2000（6）：203-207.

[49]沈滸英，姜彤，吳宜進.1998年長江流域暴雨洪水環流背景分析[J].自然災害學報，2000（1）：7-12.

[50]張培群，何敏，許力.1999年夏季長江及以南地區洪澇的大尺度環流成因初探[J].高原氣象，2002（3）：243-250.

[51]郭瑞麗，趙鳳遙，李亞楠.基于遞歸小波神經網絡的流域降雨-徑流過程動態模型[J].水力發電學報，2013，32（2）：54-59.

[52]姜淞川，陸建忠，陳曉玲，等.基于LSTM網絡鄱陽湖撫河流域徑流模擬研究[J].華中師范大學學報（自然科學版），2020，54（1）：128-139.

[53]ABRAHART R J，ANCTIL F，COULIBALY P，et al.Two decades of anarchy？ Emerging themes and outstanding challenges for neural network river forecasting[J].Progress in Physical Geography，2012，36（4）：480-513.

[54]孫娜.機器學習理論在徑流智能預報中的應用研究[D].武漢：華中科技大學，2019.

[55]紀守領，李進鋒，杜天宇，等.機器學習模型可解釋性方法、應用與安全研究綜述[J].計算機研究與發展，2019，56（10）：2071-2096.

[56]龔亮.深度學習法在水文中應用的現狀[J].河南水利與南水北調，2020，49（4）：33-34.

[57]ARNAL L，CLOKE H L，STEPHENS E，et al.Skilful seasonal forecasts of streamflow over Europe？[J].Hydrology and Earth System Sciences，2018，22（4）：2057-2072.

[58]BENNETT J C，WANG Q J，ROBERTSON D E，et al.Assessment of an ensemble seasonal streamflow forecasting system for Australia [J].Hydrology and Earth System Sciences，2017，21（12）：6007-6030.

[59]EMERTON R，ZSOTER E，ARNAL L，et al.Developing a global operational seasonal hydro-meteorological forecasting system：G1oFAS-Seasonal v1.0 [J].Geoscientific Model Development，2018，11（8）：3327-3346.

[60]雷曉輝，王浩，廖衛紅，等.變化環境下氣象水文預報研究進展[J].水利學報，2018，49（1）：9-18.

[61]JOHN C S，THOMAS M H，ROBERTO B.The hydrologic ensemble prediction experiment（HEPEX）[J].Bulletin of the American Meteorological Society，2006，3（5）：1541-1547.

[62]XU J W，ZHANG W C，ZHENG Z Y，et al.Early flood warning for Linyi Watershed by the GRAPES/XXT Model using TIGGE data[J].Journal of Meteorological Research，2012，26（1）：103-111.

[63]陸桂華，吳娟，吳志勇.水文集合預報試驗及其研究進展 [J].水科學進展，2012，23（5）：728-743.

[64]KRZYSZTOFOWICZ R.The case for probabilistic forecasting in hydrology [J].Journal of Hydrology，2001，249：2-9.

[65]ZHONG Y X，GUO S L，BA HH，et al.Evaluation of the BMA probabilistic inflow forecasts using TIGGE numeric precipitation predictions based on artificial neural network [J].Hydrology Research，2018，49（5）：1417-1433.

[66]MADADGAR S，MORADKHANI H.Improved Bayesianmultimodeling：integration of copulas and Bayesian model averaging [J].Water Resources Research，2014，50（12）：9586-9603.

[67]巴歡歡，郭生練，鐘逸軒，等.考慮降水預報的三峽入庫洪水集合概率預報方法比較 [J].水科學進展，2019，30（2）：186-197.

[68]劉章君，郭生練，許新發，等.貝葉斯概率水文預報研究進展與展望[J].水利學報，2019，50（12）：1467-1478.

[69]戚曉明，陸桂華，金君良.水文尺度與水文模擬關系研究[J].中國農村水利水電，2006（11）：28-31.

[70]魏林宏.時空尺度對洪水模擬的影響研究[D].南京：河海大學，2004.

[71]張洪剛，郭生練，何新林，等.水文預報不確定性的研究進展與展望[J].石河子大學學報（自然科學版），2006（1）：15-21.

[72]BENJAMIN R，DMITRI K，GEORGE K，et al.Understanding predictive uncertainty in hydrologicmodeling：the challenge of identifying input and structural errors[J].Water Resources Research，2010（46）：1-22.

[73]嚴登華，袁喆，王浩，等.水文學確定性和不確定性方法及其集合研究進展[J].水利學報，2013，44（1）：73-82.

[74]宋曉猛，占車生，孔凡哲，等.大尺度水循環模擬系統不確定性研究進展[J].地理學報，2011，66（3）：396-406.

[75]尹雄銳，夏軍，張翔，等.水文模擬與預測中的不確定性研究現狀與展望[J].水力發電，2006（10）：27-31.

[76]葉柏生，楊大慶，丁永建，等.中國降水觀測誤差分析及其修正[J].地理學報，2007（1）：3-13.

[77]胡和平，田富強.物理性流域水文模型研究新進展[J].水利學報，2007（5）：511-517.

[78]穆穆，陳博宇，周菲凡，等.氣象預報的方法與不確定性[J].氣象，2011，37（1）：1-13.

[79]李建平，丁瑞強.短期氣候可預報期限的時空分布[J].大氣科學，2008（4）：975-986.

[80]劉德強，馮杰，李建平，等.GRAPES_MESO中時間步長和空間分辨率對于預報效果的影響[J].大氣科學，2015，39（6）：1165-1178.

[81]丑紀范，鄭志海，孫樹鵬.10～30 d延伸期數值天氣預報的策略思考—直面混沌[J].氣象科學，2010（5）：569-573.

[82]丁一匯，梁萍.基于MJO的延伸預報[J].氣象，2010（7）：111-122.

[83]WHEELER M C，HENDON H H.An all-season real time multivariate MJO Index：development of an index for monitoring and prediction[J].Monthly Weather Review，2004，132：1917-1932.

（編輯：劉 媛）

Abstract：As a non-engineering measure，hydrological forecasting plays a more and more important role in flood and drought prevention，comprehensive utilization of water resources and national economic construction.This paper reviews the research progress of watershed hydrological forecasting in recent years，combs the concept of watershed multi-scale hydrological forecasting，summarizes the key technologies，problems，developments of multi-scale hydrological forecasting，and focuses on the uncertainty factors and the mismatch of hydro-meteorological coupling in hydrological forecasting.Finally，based on the analysis of the applicability of watershed hydrological forecasting，this paper emphasizes the importance of considering the applicability of hydrological forecasting in operational practice of different forecasting period，and puts forward the guiding principles and suggestions for expanding multi-scale hydrological forecasting under current conditions.

Key words：multi-scale hydrological forecasting;hydro-meteorological coupling;uncertainty;applicability of forecasting