奥德拉河流域(ORB)位于波罗的海地区(分别位于波兰(89%)、德国(4.9%)和捷克共和国(6.1%),年平均河流流量154mm(567m3/s),常年平均降水量约650mm。ORB流域大部分横跨中欧平原,只有最南部是山区(图1)。其上游是一条狭窄的多山河流,在其下游(瓦尔塔河出口)流域较为平坦,坡度在0.05m/km和0.001m/km之间变化。研究地区和中欧在2015年夏季经历了严重干旱。
使用的气象数据为区域网格天气数据集(波兰领土与维斯图拉和奥德拉盆地联合的网格每日2公里气候数据集,G2DC-PL+:https://opendap.4tu.nl/thredds/catalog/data2/uuid/e939aec0-bdd1-440f-bd1e-c49ff10d0a07/catalog.html)2000-2019年的日降水量以及日最高和最低温度,使用的河流流量数据来自气象和水管理研究所(IMGW-PIB:https://danepubliczne.imgw.pl/)。依据年河道流量选择了四个河流排放站,这些河流排放站可以被认为是主要的河流排放站。河流年平均排水量在61m3/s(米多尼亚-拉西布尔兹排放站)和472m3/s(戈兹多伊斯排放站)之间变化。
图1 中欧奥德拉河流域的位置、选定的排放站和流域及其河网。
SPI作为短期和长期气象干旱的指标,可以增加模拟河流流量和水文干旱的数据驱动模型的可靠性。本研究选择SPI-1到SPI-12作为影响数据驱动模型模拟水文干旱的输入参数,并同时考虑降水和温度的影响,以评估SRI-3(短期干旱)、SRI-6(中期干旱)、SRI-9(中期干旱)和SRI-12(长期干旱)。对于未来水文干旱指标,首先利用历史时间序列拟合伽马分布(SPI和SRI的参考期分别为1990-2019年和2000-2019年),然后采用拟合分布进行预测。其次,采用Run理论评估水文干旱特性,包括干旱严重程度、持续时间和频率。
人工神经网络设计(ANN)作为有监督的机器学习模型,被广泛应用于地球过程模拟和预测,其中前馈传播神经网络(FFBPNN)为一种用于输入和输出之间分类、回归和模式编码的稳健算法。在本研究中,我们使用月最低和最高气温、月降水量、SPI-1到SPI-12作为径流(间接方法)和SRI(直接方法)的预测因子。在直接方法中,SRI是由上述预测因子直接模拟和预测的;在间接方法中,利用ANN输出的河流流量计算得到SRI。
基于LARS-WG6.0软件中建立的GCM模型,本研究选取4个GCM模型(基于CMIP5),提取高排放情景(RCP8.5)下2021-2060年(2021-2040年为近期,NF;2041-2060年为远期,FF)的降水和温度变化,同时以1990-2019年为基准期,对数据进行了降尺度处理。在选择GCM和确定未来气候情景的过程中,本研究对每个GCM的温度和降水的年平均变化进行了评估,最后根据最大温度增量和最大降水减少量,选择了暖干情景下的GCM。
本研究使用KGE(Kling-Gupta效率)、RMSE(均方根误差)、PBIAS(偏差百分比)和R2(决定系数)评估模拟数据集的精度。这些绩效指标的选择没有指导原则,可以根据用户的体验和模拟数据的类型来选择。该研究的工作流程如图2所示。
图2 实现方法的图形示意图(从上往下四个蓝色虚线框分别代表:所用数据和干旱指标类型和尺度、直接模拟过程、间接模拟过程以及不同气候模式下不同情景下的直接和间接模拟过程)。