将SWAT+与基于机器学习的ECMWF季节性预报相结合,用于预测恩特雷佩尼亚斯和布恩迪亚水库的来水情况
《Environmental Modelling & Software》:Coupling SWAT+ with Machine Learning-Enhanced ECMWF Seasonal Forecasts for Predicting Inflows to Entrepe?as and Buendía Reservoirs
【字体:
大
中
小
】
时间:2026年06月27日
来源:Environmental Modelling & Software 5.2
编辑推荐:
帕特里夏·希梅诺-萨埃斯|萨拉·阿萨迪|内雷亚·比尔巴奥-巴伦内特谢亚|赫拉尔多·卡斯特利亚诺斯-奥索里奥|阿德里安·洛佩斯-巴列斯特罗斯|哈维尔·塞南特-阿帕里西奥
西班牙穆尔西亚省瓜达卢佩市30107,洛斯赫罗尼莫斯校区,圣安东尼奥天主教大学土木工程系
**摘要**
帕特里夏·希梅诺-萨埃斯|萨拉·阿萨迪|内雷亚·比尔巴奥-巴伦内特谢亚|赫拉尔多·卡斯特利亚诺斯-奥索里奥|阿德里安·洛佩斯-巴列斯特罗斯|哈维尔·塞南特-阿帕里西奥
西班牙穆尔西亚省瓜达卢佩市30107,洛斯赫罗尼莫斯校区,圣安东尼奥天主教大学土木工程系
**摘要**
西班牙东南部的塞古拉河流域依赖塔霍河与塞古拉河之间的水资源调配来满足农业需求。为了有效管理来自上塔霍河流域水库(恩特雷佩尼亚斯和布恩迪亚)的水资源输送,具备可靠的一至三个月及季节性水库入库量预测至关重要。本研究利用欧洲中期天气预报中心的SEAS5集合气候预测模型,构建了季节性水文预测框架。通过机器学习进行偏差校正后,可生成未来七天的降水量和气温预测值,进而驱动经过校准的SWAT+模型来模拟水库入库量。2000年至2009年的模型校准及2010年至2019年的验证结果显示,该模型的性能十分优异(NSE值大于0.7,PBIAS值小于14%)。经过偏差校正后的预测能够实现高精度的入库量预报,在1至3个月的时间尺度上以及季节性尺度上都具有很高的可靠性(NSE值在0.91至0.73之间)。虽然7个月时的预测性能有所下降(NSE值为0.58),但CRPSS值依然保持正值,其表现优于基于历史数据的传统估算方法。这充分体现了将季节性气候预测纳入干旱易发流域的水资源管理决策中的重要价值。
**引言**
对河流流域内的水文响应进行预测,对于有效的水资源管理以及预测未来的干旱状况而言至关重要(Alizadeh等人,2017年)。对于那些由大坝调控的流域来说,预测未来的水库入库量尤为重要。上塔霍河流域便是如此,该流域内未来几个月的水库入库量预测直接决定了可调配至塞古拉河流域的水量。尽管塔霍河是伊比利亚半岛最长的河流,为西班牙约15%的人口以及葡萄牙30%的人口提供水源(Lobanova等人,2017年),但由于人口密度较低、农业活动有限以及工业用水量少,上塔霍河流域自身的用水量仅占其可用水资源的很小一部分(Pellicer-Martínez和Martínez-Paz,2018年)。
自1979年起开始运行的塔霍河与塞古拉河之间的水资源调配项目,对于满足西班牙东南部地区的用水需求具有至关重要的意义。塞古拉河流域属于地中海地区水资源最为紧张的区域之一,其年度总用水量约为1800百万吨,其中86%用于农业灌溉(Senent-Aparicio等人,2016年)。而该流域的可用水资源仅为约1398百万吨,其中包括大约800百万吨的天然来水(CHS,2013年)。这种供需失衡导致了每年超过400百万吨的结构性缺水问题(Rupérez-Moreno等人,2017年)。随着灌溉面积的扩大、非法抽取地下水、能源成本上升以及水资源使用权管理不善,这一状况正变得越来越难以持续。气候变化以及该半干旱地区的频繁干旱进一步加剧了水资源短缺的问题。
尽管面临诸多挑战,该地区的经济仍然严重依赖于灌溉型园艺作物和水果种植,其中超过70%的农产品出口到欧盟国家,因此该地区被誉为“欧洲的果园”(Martin-Gorriz等人,2021年)。塔霍河与塞古拉河之间的水资源调配项目为该地区的社会经济发展提供了重要支持,创造了超过30亿欧元的经济效益,约占该地区GDP的4.6%,同时还在阿利坎特省和穆尔西亚省创造了超过10万个直接就业岗位(普华永道,2020年)。
该水资源调配项目的运行规则规定了四个等级,用以确定每月的水资源调配量,这些数值会在每月初进行计算。调配量取决于恩特雷佩尼亚斯和布恩迪亚两座水库的蓄水量以及过去12个月的系统来水情况,全年的最大调配量为650百万吨(Valerio等人,2023年)。第一级和第二级分别允许每月调配60百万吨和27百万吨的水量,而第四级则禁止任何形式的水资源调配。第三级是该项目最常采用的运行状态,允许每月调配0至20百万吨的水量,但需获得生态转型部的批准。因此,准确预测这些水库未来的入库量对于在第三级运行状态下确定合适的调配量至关重要,这样才能在满足地区用水需求的同时,确保水库的长期可持续性。
虽然日常管理依赖于短期预测,但亚季节性和季节性预测(时间跨度为一至六个月)对于年度规划而言不可或缺。传统上,这类长期预测依赖于历史流量预测方法和扩展流量预测方法。历史流量预测方法是一种较为简单的方法,它利用过去观测到的或模拟得到的流量数据,根据历史规律得出多种可能的情景。扩展流量预测方法则是在20世纪70年代提出的,它通过将历史气象数据视为同样可能出现的未来情景,从而提升了预测的准确性(Arnal等人,2017年;Day,1985年)。扩展流量预测方法借助经过校准的水文模型,结合当前的流域状态,如土壤含水量和积雪量等,来调整对未来几个月的预测结果。
然而,由于气候变化导致降水和融雪模式发生改变,历史流量预测方法和扩展流量预测方法所依据的静态假设越来越难以适用。气候预测表明,水文循环将会发生显著变化,比如冬季流量增加,夏季干旱持续时间延长。例如,瑞典中部的研究显示平均积雪量正在减少(Xu,2000年),而魁北克则预计气温会升高,降水量会增加(Ouranos,2015年)。因此,历史记录作为未来状况的预测指标正逐渐失去可靠性。这一趋势推动了季节性气象预测方法的发展,这类方法能够提供更具预测性且非静态的信息。这些现代工具使得水资源管理者能够超越传统的气候学研究,制定出更具前瞻性且适应性更强的水资源管理策略(Bazile等人,2017年)。
对于季节性气象预测而言,一种有效的方法是利用气候模型生成的集合预测数据来创建动态流量预测模型。这类集合预测是通过多次运行动态气候模型,并设置略有不同的初始条件而产生的(Candogan Yossef等人,2017年)。这些复杂的计算机模拟能够呈现地球的大气状况,通常还会纳入海洋与大气之间的相互作用,这对于捕捉长期的大气影响极为重要。
尽管亚季节性到季节性的预测精度一直在不断提升,但这些预测往往存在系统性偏差。即便如此,由于它们能更好地反映当前和未来的气候变化趋势,因此越来越受到青睐,相比依赖历史数据的方法更具优势。为了解决这些偏差,人们采用了多种后期处理技术。诸如线性缩放之类的简单方法已被证明能够有效改善水文预测结果,并提升连续排名概率得分(CRPS)对应的预测性能(Crochemore等人,2016年;Matheson和Winkler,1976年)。更为复杂的方法则包括使用深度神经网络,例如卷积神经网络,以此降低计算成本并校准概率密度函数(Gr?nquist等人,2021年)。此外, Sugeno模糊逻辑系统也被成功应用于使预测值与观测值的累积分布函数保持一致,从而显著提升了半干旱流域的预测精度(Pulido-Velazquez和Macian-Sorribes,2022年)。
要对河流流域内的水文响应进行预测,就需要将季节性气候预测与能够模拟这些响应的影响模型相结合。然而,对于相关利益方和水科学界而言,实现这种结合颇具挑战性,其主要原因在于预测结果具有概率性质。Alizadeh等人(2017年)提出了一种创新方法,通过结合小波变换和人工神经网络来预测降雨量和径流量。这种方法将观测数据与预测数据一起纳入输入模型中。他们的研究结果表明,引入预测数据能够大幅提高多时间步长下的降雨量和径流量预测精度。Arnal等人(2017年)也采用了类似的方法,即利用欧洲中期天气预报中心的SEAS5季节性预测系统产生的气象数据,驱动“水文中的空间过程”模型,来预测上塔霍河流域各水库的月度入库量。最近,De León Pérez等人(2025年)证明,基于人工智能的后期处理技术能够显著提升集合季节性流量预测的可靠性及概率预测能力。
在本文中,我们采用了土壤与水评估工具(SWAT+)模型。我们将季节性气候预测与SWAT+水文模型相结合,从而对该研究流域内水库的季度入库量进行预测。已有不少研究者证明了SWAT模型在径流模拟方面的出色性能(Gassman等人,2007年;Jimeno-Sáez等人,2018年;Senent-Aparicio等人,2024年)。近期的研究还利用SWAT+水文模型来计算降雨径流(Asadi等人,2025年;Asadi、Jimeno-Sáez等人,2024年),以及估算上塔霍河流域的环境流量(Castellanos-Osorio等人,2023年)。这些研究都表明,SWAT+水文模型在该流域的应用效果十分良好。
在本研究中,我们利用SWAT+模型来预测上塔霍河流域各水库的月度河流来水量。分析工作基于以下两个方面的数据:一是气候学数据,二是通过集合天气预测并经过偏差校正后得到的水文预测数据。我们首先利用塔霍河流域恩特雷佩尼亚斯和布恩迪亚两座水库的三个监测站点的实测流量数据对模型进行了校准。本研究中所使用的季节性预测数据是由欧洲中期天气预报中心的SEAS5模型生成的。偏差校正则是通过结合全球气候模型与机器学习算法来实现的,这样就可以在流域尺度上生成未来七天的日降水量和气温的预测值。之后,我们利用经过偏差校正的气象数据,通过SWAT+模型来模拟河流流量。为了评估该季节性预测系统预测特定事件的能力,我们使用了SEAS5模型的回溯数据以及参考观测数据集来对模型的历史预测性能进行评估。将水文模型与季节性气候预测相结合,能够更准确地估算未来的水库入库量。这一方法为决策者提供了有力的工具,帮助他们根据恩特雷佩尼亚斯和布恩迪亚两座水库的预期蓄水量,确定最优的水资源调配量。
**研究区域**
我们的研究区域为上塔霍河流域,该流域位于伊比利亚半岛中部,面积为7,418平方公里。该地区属于地中海大陆性气候,冬季寒冷,夏季温暖。年平均降水量为640毫米(Asadi、Jimeno-Sáez等人,2024年),年平均气温为11摄氏度,最冷的月份气温会降至零度以下(Pellicer-Martínez和Martínez-Paz,2018年)。由于年内流量变化较大,该地区的流量波动较为明显。
**观测数据**
1981年至2019年的观测气候数据,包括最高温度、最低温度以及降水量等信息,均来源于西班牙国家气象局。这些数据的空间分辨率为5公里×5公里,且每天都会进行数据记录(Senent-Aparicio、Jimeno-Sáez等人,2021年)。恩特雷佩尼亚斯和布恩迪亚两座水库的实测入库量数据,则来自西班牙政府公共工程研究与实验中心网站,数据覆盖时间为2000年至2019年。
**季节性预测**
我们使用了每日……
**季节性预测的偏差特征与校正**
图3展示了各个季节、不同变量以及不同预测提前期下,原始预测值与实测数据之间的偏差情况。为便于理解,将各月份分为以下几类:1月至3月为冬季,4月至6月为春季,7月至9月为夏季,10月至12月为秋季。就降水量这一变量而言(见图3.a–d),在所有分析过的季节和子流域中,都存在明显的低估现象。这种负偏差在15至30号流域中尤为突出。
**结论**
本研究旨在通过将欧洲中期天气预报中心的SEAS5季节性预测数据与基于机器学习的偏差校正方法以及SWAT+物理建模方法相结合,从而提升上塔霍河流域水库入库量的季节性水文预测精度。我们的研究结果表明,虽然原始的SEAS5(C3SV.5.1)预测结果存在固有偏差,但通过机器学习进行偏差校正后,气象预测的精度得到了显著提升。这一提升在CRPSS值上得到了明显体现,该数值表明……
**同意参与**
所有作者均已明确同意参与本论文的撰写工作。
**利益冲突声明**
各位作者均没有需要披露的任何财务或非财务利益关系。
**作者贡献说明**
内雷亚·比尔巴奥-巴伦内特谢亚:负责原文撰写——初稿编写、数据可视化、模型验证、方法设计、定量分析。
赫拉尔多·卡斯特利亚诺斯-奥索里奥:负责原文撰写——初稿编写、数据可视化、模型验证、软件应用、方法设计、定量分析。
阿德里安·洛佩斯-巴列斯特罗斯:负责模型验证、项目监督、软件应用、方法设计、定量分析以及概念构思工作。
哈维尔·塞南特-阿帕里西奥:负责原文修订与编辑、项目监督、资源协调、项目管理工作以及资金筹措。
帕特里夏·希梅诺-萨埃斯:负责原文撰写工作。
**同意发表**
所有作者均已明确同意发表本论文。
**软件与数据获取方式**
编程语言:Python
可用数据:欧洲中期天气预报中心的SEAS5(C3SV.5.1)预测数据可在https://cds.climate.copernicus.eu/datasets/seasonal-original-single-levels?tab=overview网站上获取;用于SWAT模型的西班牙气象数据则可在https://swat.tamu.edu/data/spain/网站上获取。
相关文档:这些脚本的详细使用文档可在https://github.com/pjimeno-ops/Bias-Correction-Seasonal-Hydrological-Forecasting网站上找到。
**伦理审批**
作者声明,本研究符合该期刊关于伦理问题的相关要求。
**数据获取**
如有需要,相关数据可向通讯作者索取。
**资金支持**
本研究得到了西班牙科学与创新部的资助,资助项目编号为PID2021-128126OA-I00。
**利益冲突声明**
? 作者声明,他们不存在任何可能影响本文研究结果的已知财务利益或个人关系。
**致谢**
作者感谢Scribbr公司的文本校对服务。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号