理论教育 分布式流域水文模型的发展

分布式流域水文模型的发展

时间:2023-08-23 理论教育 版权反馈
【摘要】:流域水文模型按空间尺度划分,可分为集总式流域水文模型和分布式流域水文模型。分布式流域水文模型则充分考虑水文过程、输入变量、边界条件和流域几何特征的空间变异性,通常属于物理性模型范畴。按对基本计算单元划分的不同,分布式流域水文模型又分为三类,即子流域单元型、网格单元型和地貌单元型。由于各子流域相对独立,相互之间的水量交换仅通过河道汇流来考虑,通常又称松散耦合型分布式水文模型。

分布式流域水文模型的发展

流域水文模型按空间尺度划分,可分为集总式流域水文模型和分布式流域水文模型。集总式流域水文模型通常不考虑水文过程、输入变量边界条件和流域几何特征的空间变异性,模型中一些水文过程由简化的水力学公式描述,而另一些由经验性代数方程表示。因此集总式模型通常属于概念性或经验性模型范畴。分布式流域水文模型则充分考虑水文过程、输入变量、边界条件和流域几何特征的空间变异性,通常属于物理性模型范畴。但在大多数实际情况下,由于受资料数据限制,输入数据、边界条件和流域特征是集总式考虑的,而一些水文过程和输出结果是分布式计算的,这时可称为半分布式流域水文模型。

20世纪80年代中期以来,随着计算机技术、地理信息系统和遥感技术的发展,考虑水文变量空间变异性的分布式流域水文模型的研究受到重视,Freeze and Harlan的分布式水文模型“蓝本”得到了实现,世界各地的水文学家开发了许多分布式或半分布式流域水文模型。Singh & Woolhiser(2002)曾列举出88个模型,在美国及加拿大常用的有HSPF模型(Bicknell等,1993)、SWAT模型(Arnold,1994)、HEC—HMS模型(U.S.Army Corps of Engineers,2000)、SWMM模型(Huber & Dicknson,1988)、USGS—MMS模型(Leavesley等,2002)和UBC模型(Quick,1995)等,在欧洲国家比较知名的有SHE/MIKESHE模型(Abbott等,1986;Refsgaard & Storm,1995)、TOPMODEL模型(Beven等,1995)、HBV模型(Bergstrom,1995)和IHDM模型(Beven等,1987)等。立川(2002)曾列举出在日本有广泛影响的模型,如小尻模型(小尻利治等,1988)、OHyMoS模型(高槕琢马等,1995)、IISDHM模型(Herath等,1997)、WEP模型(Jia等,2001)等。在国内,除了国外模型如SWAT、TOPMODEL等的应用,近年来涌现出的代表性模型有分布式时变增益模型(夏军等,2003)、GBHM模型(杨大文等)、WEP—L模型(贾仰文等,2005)、ArcTOP模型(刘志雨,2005)、分布式新安江模型(李致家等,2007)等。

按对基本计算单元划分的不同,分布式流域水文模型又分为三类,即子流域单元型、网格单元型和地貌单元型。子流域单元型分布式水文模型通常是分布式概念模型,是将流域分割成各子流域,每个子流域为一计算单元,应用概念集总式模型直接推求出口断面流量,或者先推求每个子流域的净雨,然后将子流域内的汇流坡面概化为分布于河道两侧的两个矩形斜面进行坡面汇流与河道演算,最后求得出口断面流量。由于各子流域相对独立,相互之间的水量交换仅通过河道汇流来考虑,通常又称松散耦合型分布式水文模型。大多数分布式水文模型属于此类,如分布式新安江模型、分布式TANK模型等。这类模型的优点是结构简单、可以使用较长的时间步长如日以上,且计算效率高,缺点是简化处理了计算单元内的水的移动及各计算单元之间的相互作用,且各计算单元的参数都需要率定。网格单元型分布式水文模型通常是分布式物理模型,是将流域分割成空间网格,根据水移动的偏微分方程、边界条件及初始条件应用数值分析来建立相邻网格单元之间的时空关系,通常又称为基于物理机制的分布式水文模型或紧密耦合型分布式水文模型,如SHE模型等。这类模型的优点是能直接考虑各水文要素的相互作用及其时空变异规律,缺点是需要数据量大、计算负担重。地貌单元型分布式水文模型通常也是分布式物理模型,是将流域按山坡斜面或由等高线与地表流线构成的区间等地貌单元来分割,如IHDM模型等。这类模型的优点是易于精确表示地形特征,缺点是计算单元划分工作量大且不便于自动处理,计算量也比较大。(www.daowen.com)

在降雨产流测报与实时水资源评价中,由于管理单位和决策部门通常要求快速、及时,在很短的时间内给出测报和评价结果,因此在应用分布式流域水文模型时,既要考虑实时可获取水文气象数据的情况,还要考虑模型的计算速度。就我国目前的水情监测条件来看,开展降雨产流测报与实时水资源评价工作时,数据需求少的简单模型具有优势,而数据需求量大、过于复杂的模型的应用尚存在一定困难。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈