EN中文

干旱区研究 >

2025 , Vol. 42 >Issue 11: 2018 - 2030

DOI: https://doi.org/10.13866/j.azr.2025.11.06

水土资源

基于疏勒河数字孪生流域平台的洪水预测模型及应用

  • 安建民 , 1 ,
  • 张鹏举 , 2 ,
  • 张建新 2 ,
  • 史永杰 2
展开
  • 1.甘肃省引大入秦水资源利用中心，甘肃 兰州 730300
  • 2.甘肃省疏勒河流域水资源利用中心，甘肃 玉门 735211
张鹏举. E-mail:

安建民（1974-），男，正高级工程师，主要从事水资源和水利工程管理工作. E-mail:

收稿日期: 2025-04-08

  修回日期: 2025-08-11

  网络出版日期: 2026-03-12

基金资助

甘肃省水利科学实验研究与技术推广项目(25GSLK077)

国家自然科学基金重点项目(42330512)

收起

Development and application of a flood forecasting model based on the Shule River digital-twin basin platform

  • AN Jianmin , 1 ,
  • ZHANG Pengju , 2 ,
  • ZHANG Jianxin 2 ,
  • SHI Yongjie 2
Expand
  • 1. Gansu Water Resources Utilization Center for Diversion from Datong River to Qinwangchuan, Lanzhou 730300, Gansu, China
  • 2. Gansu Water Resources Utilization Center for Shule River Basin, Yumen 735211, Gansu, China

Received date: 2025-04-08

  Revised date: 2025-08-11

  Online published: 2026-03-12

Fold

摘要

气候剧烈变化使得极端降水事件频发，流域防洪减灾能力面临前所未有的挑战。疏勒河流域气象、地形、水文和植被等要素的组合极易形成洪水，流域现有的防洪模型预测水平较低。为了解决疏勒河流域防洪需求，开发疏勒河流域数字孪生平台并提高平台的精细化预测与模拟水平，构建了以改进SCS产汇流模型和SRM融雪模型为核心，并以马斯京根河道演进模型耦合的洪水预测模型；在缺资料区采用SCS-CN扣损法计算净雨量，并以三角形概化单位线实现高效汇流；针对高寒融雪洪水，引入SRM并将日尺度细化为时段计算。将疏勒河上游划分为121个小流域单元，建立“数据底板-模型平台-知识平台”的数字孪生架构，实现模型注册、参数率定、实时驱动与滚动预报。以2023年“0711”洪水进行参数率定，洪峰流量误差6.8%，峰现时差2 h；2024年7月15日洪水实测应用中，平台提前72 h发布预警，预报洪峰438 m3·s-1、峰现时间7月15日12:00，实测分别为491 m3·s-1与14:00，误差满足《水文情报预报规范》SL250-2000要求。系统及时支撑水库预泄与下游避险，有效削减洪灾损失。研究提升了洪水预测精度，为智慧水利和韧性建设提供智能化解决方案。

关键词： 洪水预报模型; 产汇流模型; 融雪径流模型; 数字孪生平台; 疏勒河

本文引用格式

安建民 , 张鹏举 , 张建新 , 史永杰 . 基于疏勒河数字孪生流域平台的洪水预测模型及应用[J]. 干旱区研究, 2025 , 42(11) : 2018 -2030 . DOI: 10.13866/j.azr.2025.11.06

Abstract

Intensifying climate change has led to a surge in extreme precipitation events, posing unprecedented challenges to basin-wide flood prevention and mitigation. The unique combination of meteorological, topographical, hydrological and vegetation factors in the Shule River Basin makes it highly prone to flooding, yet existing forecasting models in the region exhibit low predictive skill. To address the flood control needs of the Shule River Basin，a digital twin platform was developed, and its precision in prediction and simulation was enhanced，this study establishes a coupled flood-prediction framework that centers on an improved SCS rainfall-runoff model and a Snowmelt Runoff Model (SRM), integrated with the Muskingum channel-routing scheme. In data-scarce areas, the SCS-CN loss method is employed to compute net rainfall, and a triangular unit hydrograph is adopted for efficient flow concentration. For alpine snowmelt-driven floods, the SRM is introduced and refined from a daily to a sub-daily time step. The upper Shule River is discretized into 121 sub-basins, and a digital-twin architecture comprising a “data foundation-model platform-knowledge platform” is built, enabling model registration, parameter calibration, real-time forcing and rolling forecasts. Model parameters were calibrated against the July 11, 2023 flood event; the simulated peak discharge showed an error of 6.8% and a timing lag of 2 h relative to observations. During the operational forecast for the July 15, 2024 flood, the platform issued an alert 72 h in advance, predicting a peak discharge of 438 m³·s-1 arriving at 12:00 on July 15, while the observed values were 491 m3·s-1 and 14:00, respectively. All errors meet the tolerance criteria specified in the Chinese national standard SL250-2000 for hydrological forecasting. The system provided timely support for reservoir pre-release and downstream evacuation, effectively reducing flood losses. The study advances flood-forecast accuracy and offers an intelligent solution for smart water management and resilient basin development.

Key words： flood forecasting model; rainfall-runoff model; snowmelt runoff model; digital-twin platform; Shule River Basin

气候变暖加剧了全球水循环，改变了降水模式，导致洪涝等极端水文事件发生频率和强度呈非线性快速增加的趋势，气候变化的水文影响日益显著[1-3]。1961—2023年中国极端降水事件呈较显著增加趋势，平均每10 a增加0.4次[4]。世界银行的数据显示，过去50 a里与水有关的灾害成为最常见的灾害类型，在自然灾害导致的所有死亡人数中占比高达70%[5]。气候日益变暖增加了洪水的风险，IPCC预测到21世纪绝大多数地区强降水事件的发生频率很可能增加，进而引发更多降雨型与汛期型洪水[6]，对人类生活和经济稳定构成重大威胁[7-8]，对现有防灾减灾体系提出了严峻挑战[9]。
洪水预报模型是随着计算机技术应用和发展而产生的一种对流域上发生的水文过程进行模拟的技术，是通过一系列数学方程来模拟水文自然过程[10]，是重要的防洪减灾非工程措施。洪水灾害的有效防控需要依托先进的模拟技术，经过数十年的发展，洪水模拟已从早期的经验统计方法发展为基于物理机理的模拟[11]。在模拟技术方面，从集总式概念性模型发展到分布式物理机理模型，再到融合机器学习的混合模型，技术路线日趋多元化，主要体现在：（1） 对洪水物理过程与数值模拟的深化[12]。包括水文模型的改进，如通过引入更精细的下垫面参数和气象数据，对传统的水文模型（新安江模型、TOPMODEL等）不断改进和优化，以便更好地匹配复杂流域的产流和汇流过程，提高模型对洪水演进过程的模拟精度；水动力模型在模拟洪水演进和淹没范围方面取得了进展，如二维和三维水动力模型的耦合应用也逐渐增多，可以更准确地模拟洪水在复杂地形中的流动。（2） 数据驱动模型的引入和使用。主要包括机器学习与深度学习的应用，如Husain等[13]提供了一种高分辨率、基于影响的洪水早期预警系统（FEWS），能够提供近实时的淹没和影响预测及其不确定性信息，为当地当局提供风险基础的决策支持；徐源浩等[14]将长短时记忆网络（LSTM）用于洪水预报，通过学习历史数据中的时间序列特征，提高预报精度。（3） 多模型融合。结合物理模型及数据驱动模型的混合模型成为研究的热点。例如，GRGM-LSTM混合模型通过耦合网格产流计算模型和LSTM神经网络，实现了对流域-城市复合系统洪水的协同预报[15]。（4） 数字孪生流域防洪模型的提出、构建与发展。数字孪生流域防洪模型通过集成多源数据和多模型，实现对流域洪水过程的动态模拟和实时监控，是目前的研究和应用热点。然而，洪水模拟方面，对山区复杂地形条件下的产汇流机理认识不足，不同时空尺度水文过程耦合机制有待深入研究，模型参数率定和不确定性分析仍是技术难点，预报精度与预见期之间的矛盾依然突出，多源信息融合程度有限，智能化预警技术的应用深度不够。因此，如何有效融合物理机理与数据驱动方法，构建既具备物理可解释性又具有强大学习能力的新一代洪水模拟模型[16]，已成为当前研究的热点和难点。
数字孪生技术是对物理实体进行数字化映射，构建全息、动态的虚拟模型，通过虚拟模型进行数据的模拟、仿真、分析来实现监控、预测、控制实体的属性、行为等[8]，可预测未来环境变化，提前探索最佳干预措施[17]。数字孪生流域模型广泛采用数值模拟、遥感技术以及地理信息系统等多种先进技术，模拟流域内地形地貌、土地利用格局以及水系网络结构[18-20]，实时监测并预测流域内的降水量、水位变化以及地下水位等关键水文数据，通过多源数据融合、智能算法运用、机器学习、深度学习以及知识图谱等前沿技术，对洪水预测模型进行系统集成与优化，形成一个智能化的洪水预警系统，提升模型的预测精度与效能[21-23]。中华人民共和国水利部印发了《数字孪生流域建设技术大纲（试行）》[24]《数字孪生水利工程建设技术导则》[25]等4个行业指导文件，明确了数字孪生流域建设的内容与技术要求。黄河水利委员会基于“数字黄河”建设的已有成果和经验，也提出了数字孪生黄河规划[26-27]。珠江水利委员会打造了珠江“防汛四预”平台，采用多模型时空耦合、多模型集成、自动组网技术、模型服务管理等技术，实现了多源模型的交互预报功能[28]。基于GPU集群的分布式并行计算架构，有效解决了水文水动力学强耦合模型的高性能计算难题的淮河流域智慧防汛系统，实现了淮河流域洪水演进全过程动态模拟仿真，为数字孪生流域智慧防洪业务应用体系建设提供参考案例及框架思路[29]。赵杏英等[30]构建了钱塘江流域多尺度空间地理信息模型，研发了洪水动态演进三维虚拟仿真引擎。而在干旱的西北内陆河流域，洪水管理系统尚不完善，公众的防洪意识欠缺，构建数字孪生平台的防洪系统必不可少。
疏勒河流域气象、地形、水文、植被等要素的组合极易形成局地暴雨和洪水。疏勒河流域地处季风气候区的末端，降水季节分配不均，夏季降水集中且强度大，暖湿气流带来的水汽遇到高大山脉的阻挡时，容易形成强烈对流，进而引发暴雨。疏勒河流域上游地区山谷狭窄且坡度较大，更是加快了降水的汇集和水流速度，形成的洪水破坏力更强。流域内广泛分布的第三系黏土和壤土的透水性较差，暴雨时水分难以下渗，容易形成地表径流，引发洪水。另外，疏勒河流域植被覆盖度低，暴雨地表径流增加迅速，洪水更容易形成。2022年疏勒河流域入选首批“数字孪生流域建设先行先试”建设试点，通过构建“感知-网络-算力”三位一体的信息化基础设施，打造了疏勒河数字孪生平台，该平台创新开发“2+N”智慧水利业务应用体系（两大核心业务模块、N项定制化功能组件），构建了集流域智慧防洪、水资源调度于一体的数字化决策系统，为西北干旱区数字孪生流域建设提供了可以借鉴的样本[31]。但试运行中发现防洪模型的预测精度需要进一步提高。基于此，本研究利用多源数据融合和算法对洪水预测模型进行改进，并嵌入了疏勒河流域数字孪生平台。研究旨在提升对流域水文过程的认知，提高洪水预测精度与调度效率，为疏勒河流域防灾减灾能力的提高和洪水的资源化利用提供参考，为西北干旱区流域防洪提供技术范本。

1 洪水预测模型

1.1 模型计算基础

1.1.1 降雨数据融合

基于雷达-雨量站数据融合算法提高面雨量监测精度，融合地面分钟级雨量站监测数据对区域降水量进行校准，构建基于最优插值法的降雨融合模型，其计算流程见图1。
图1 降雨融合模型流程

Fig. 1 Framework diagram of precipitation data fusion model

最优插值法是国内外常用的雷达-雨量计联合的校准方法之一，也是客观分析的一种方法。选用最优插值法将雷达测雨资料与雨量站测雨数据进行融合。通过空间内每个格点的初估值与订正值之和得到该格点的分析值，而订正值是由格点周围n个雨量计观测值与初估值的偏差加权估计得到。每个格点的分析值可由下式表示：
R i a = R i r + ∑ k = 1 n P k R k g - R k r
式中：i为网格点序数； R i为降水强度；a、r、g分别为分析值、QPE初估值和雨量计观测值；k为雨量计测站序数；n为雷达探测区内雨量计个数； R k为权重因子。
公式中采用的权重函数值是通过建立矩阵方程组寻找使分析场方差达到最小值而得到的权重因子 R k。假设观测误差之间以及它和偏差场之间误差无关，并假定相关函数是各项均匀同性，则最优的权重因子可由下式求得：
∑ j N P j μ i j + η i P j = μ k i   ( i = 1,2 , ⋯ , N )
式中： μ i j为i、j两点之间的相关函数； η i为第i个测站观测值的相对均方差，在实际计算值取为零。上式可以简化为：
∑ j N P j μ i j = μ k i   ( i = 1,2 , ⋯ , N )
其中，要素场的相关函数通常取以下两种形式：
μ r i j = e x p - r i j / a
μ r i j = e x p - r i j 2 / a
式中： r i j为i、j两点之间的距离；μ为i、j两点之间的相关函数。相关函数趋于零的距离（最大影响半径）由a值决定，a值的大小要根据实际的测站分布情况确定。研究表明，测站稀疏时，即使格点与测站的距离较远但仍具有一定的相关性，此时公式（4）更适用；公式（5）则更适用于测站密集时使用。根据上述理论分析，本项目建立自适应相关函数模型来计算最优权重因子：给定起始半径5 km，在该范围内搜索雨量测站且确保测站个数不少于2个，若符合条件则直接采用公式（5）计算相关函数；否则以5 km的增量逐步扩大搜索范围，直到满足条件，若此时搜索半径小于临界值（30 km）采用公式（5）计算相关函数，其余情况均采用公式（4）计算相关函数。
主要计算步骤如下：
（1） 对接输入数据
对接雷达反演降雨数据、雨量站降雨数据，处理为同一时间步长。
（2） 计算最优权重因子
建立自适应相关函数模型确定要素场的相关函数表达式，根据测站分布情况确定参数a的取值，确定相关函数趋于零的距离（最大影响半径），建立矩阵方程组寻找使分析场方差达到最小值而得到的权重因子 P k。
（3） 输出雷达-雨量站融合数据
由格点周围n个雨量计观测值与初估值的偏差加权估计得到订正值，利用空间内每个格点的初估值加上订正值求得该格点的分析值，输出降雨融合数据，计算流程见图2。
图2 降雨数据融合计算流程

Fig. 2 Computational framework diagram of precipitation data fusion

1.1.2 产流

径流曲线模型适用于有少量雨洪资料或者无资料地区的洪水模拟，产流算法综合流域下垫面植被类型、土地利用类型和坡度，净雨过程按照扣损法计算。借鉴美国农业部水土保持局（Soil Conservation Services，SCS）的改进SCS模型[32]。SCS模型的降雨-径流基本关系式如下所示：
R = F ( P - I a ) S
式中：R为净雨量（mm）；F为后损量（mm）；S为流域当时的最大可能滞留量（mm），是后损量的上限；P为降水量（mm）； I a为初损量，主要包括蒸发、植被截留、地表填洼蓄水，径流开始前下渗量（mm）。
SCS模型流域产流计算流程图见图3[32-34]。
图3 SCS模型产流计算流程

注：图中CN2为标准条件下的径流曲线数，转化为Ⅰ类和Ⅱ类对应的CN，公式均来源于文献[32]；S为最大可能滞留量，计算公式来源于文献[33]；R为时段净雨量，计算公式来源于文献[34]。

Fig. 3 Flowchart for runoff calculation in the SCS model

图3中时段净雨量与时段来水量计算转化公式[35]如下：
W = 0.1 R F
式中：R为时段净雨量（mm）；F为流域面积（km2）；W为时段来水量（104 m3）。

1.1.3 汇流

在流域汇流计算研究中，SCS模型的无量纲单位线揭示了典型水文响应特征（图4）。通过解析其形态学参数可知：单位线时间底宽与洪峰出现时间呈5倍比例关系，其中，总径流量的3/8集中产生于洪峰前段；退水段反曲点特征时间节点位于峰现时间的1.7倍处。当采用三角形概化方法时，在保持径流总量守恒的前提下，可将底边长度优化为峰现时间的8/3倍，同时完整保留峰值流量、径流分配比例等核心特征参数，这一几何简化方法显著提升了水文模型的计算效率与工程适用性[17]。
图4 SCS模型的无因次单位曲线

注：图中t、tp、tr、tb和tc分别为洪水过程时间（h）、峰现时间（h）、洪峰消退时间（h）、单位线底宽时间（h）和汇流时间（h）；L为流域特征长度（m）；D为净雨时段（mm）；q和qp分别为流量（m3·s-1）和洪峰流量（m3·s-1）。

Fig. 4 Non-dimensional units curve of the SCS model

利用产流模块计算得到的逐时段净雨量与单位线相乘，可得到出流过程，其计算程序见图5。
图5 SCS模型汇流计算程序流程[32]

注：图中l为主河槽水流长度（m）；y为流域平均坡度（%）；S为流域最大可能滞留量（mm）；L为洪峰滞时（h）；tp和tc分别为汇流时间（h）和峰现时间（h）；qp为洪峰流量（m3·s-1）；D为净雨时段（h）。

Fig. 5 Flowchart for concentration calculation in the SCS model[32]

1.1.4 融雪径流模型（SRM）

融雪径流模型（Snowmelt Runoff Model, SRM）作为国际气象组织（WMO）推荐的高山积雪流域径流模拟的工具[33]，是山区河流径流模拟与融雪径流预报研究的水文模型。SRM的核心算法是计算每日消融和降水各自产生的流量，与前一日计算出的退水流量相加，得到每日的日流量。为了适用于次洪预报的径流模拟，需对日融雪模型进行改进，增加了降雨融雪度时系数，即计算了降雨时的融雪量，同时将日模型细化为时段计算模型。具体计算公式[32]如下：
Q n + 1 = C s a T n + Δ T S n + C r P T n - T 0 ×                         A × 10000 / 86400 × 1 - k n + 1 + Q n k n + 1
a = 1.1 × ρ / ρ w
T n = T m a x + T m i n / 2
Δ T = γ h s t - h p / 100
式中：n为流量观测期内天数的序号；Qn为第n天的日平均径流量（m3·s-1）；Cs为融雪径流系数；a为度日因子；Tn为当天流域代表性气温（℃）；ΔT为根据流域高程差异对气温进行的校正值（℃）；Sn为第n天的积雪覆盖率，即积雪面积与总面积的比值；Cr为融雪降雨径流系数；P为降雨量（mm）；T0为经验修正量（℃）；A为流域或高度带的面积（km2）；10000/86400为径流深到径流量的转换系数；k为流量衰减系数，指没有融雪或降水的情况下的径流衰减量；ρ和ρw分别为积雪密度和水的密度；Tmax和Tmin分别为逐时最高温度和最低温度（℃）；γ为流域的温度直减率，取值0.65 ℃·(100m)-1；hst为流域选取作为参考的气象站的海拔（m）；hp为每层高程带的平均海拔（m）。融雪流量按马斯京根演进至水库与降雨产生的流量过程叠加，即为包含融雪径流的水库入库洪水过程。
与传统的SRM模型相比，本研究将SRM由日尺度改为1 h时段，并引入降雨融雪度系数Cr，使雨-雪叠加过程显式化。交叉验证表明，融雪洪水段Nash-Sutcliffe 效率系数由0.66提高到0.82。在100 m高程带内实时插值气温，并用0.65 ℃·(100m)-1 温度直减率修正，解决了稀疏气象站无法刻画高山冷岛效应的问题，降低了融雪洪峰误差。

1.2 模型运行准备

1.2.1 计算单元划分

疏勒河流域年平均气温7~9 ℃，年降雨量50~70 mm，蒸发量2577~3039 mm，是典型的内陆干旱性气候。流域内多为戈壁沙漠地貌，植被稀少，涵水能力较差。下垫面包气带结构厚，由于非饱和带持水容量较大且蓄满阈值较高，不易蓄满。在汛期，极易发生短时强降雨，产流机制以超渗产流为主，易形成短历时高峰洪水，陡涨陡落。在凌汛期，洪水以融雪洪水为主。昌马水库所在的位置处于疏勒河上游，是控制洪水的关键节点。将疏勒河上游划分为121个小流域单元（图6）。
图6 疏勒河上游小流域单元划分示意图

Fig. 6 Division of sub-watershed units in the upper reaches of the Shule River Basin

1.2.2 模型预报

针对疏勒河流域的地形、水文条件和数据资料情况，采用SCS[32]和SRM[36]来预测流域降水、融雪洪水过程，河道洪水演进模型采用传统的马斯京根法（MSK）[36]，将各个流域出口的流量演进叠加到昌马水库入库断面。
按照河流水力联系，建立小流域及河段拓扑关系、雨量站与小流域的关系，整理小流域坡度、糙率等特征参数。确定预报节点，设置基本条件（预见期、预热期、时段长），配置各小流域产汇流模型、河道演进模型参数，根据划分的计算单元以及选择的单元产汇流计算方法生成预报节点（入库）流量预报结构图。测试运行计算任务，判断已配置预报节点流域产汇流预报计算任务是否运行正常，新配置的预报方案是否合理。
模型预报计算过程见图7。
图7 模型预报计算结构

Fig. 7 Structure diagram of model prediction and calculation

1.2.3 分布式水文计算

（1） 整个系统由多个水文元素组成，每个水文元素作为一个计算节点，节点之间通过RabbitMQ进行消息传递（即水流传递）。
（2） 每个节点接收上游节点的出流消息（作为入流），经过本节点的计算，将出流消息发送到下游节点。
（3） 水文元素类型：
小流域：没有入流（但接收降雨输入），只有一个出流。计算产流和汇流，得到总径流过程，然后发送给下游。
河段：有一个或多个入流（来自上游小流域或其他河段），一个出流。将多个入流叠加，然后进行河道演进计算，得到出流发送给下游。
水库：有一个或多个入流（来自上游），一个出流（根据水库调度规则计算）。入流叠加后，进行水库调洪演算，得到出流。
河道水文站：一个或多个入流（来自上游），一个出流，将多个入流叠加后作为出流。
（4） 消息队列使用RabbitMQ，每个节点作为一个消费者，同时也是一个生产者。节点从自己的队列中获取入流消息，计算后发送到下游节点的队列。

1.3 模型数据

模型所需数据包括基础数据和实时数据，前者即为模型参数，需要根据实测洪水进行率定验证，后者取自实时库和数字孪生平台界面。该模型构建需要的基础数据见表1。
表1 模型所需基础数据

Tab. 1 Basic data required for the model

模型类型 模型参数名称 初始值 单位
河道演进
模型		 马斯京根法河道
分段数		 1 个
马斯京根法计算
初始流量		 0.5 m3·s-1
河道汇流马斯京
根法系数		 0.4 -
稳定河道洪水传
播历时		 3 h
径流曲线
模型		 CN值 75 个
初损系数 0.2 -
土壤蓄水能力SW
 13 mm
无因次单位线 1 -
长度 62.477 m
坡度 0.023 %
流域当时的最大
可能滞留量		 0 m3·s-1
融雪径流
模型		 融雪径流系数 1 -
气温日融雪率 2 mm·(℃·d)-1
流域温度直减率
 1 ℃·(100m)-1
降雨融雪度系数 1 -
融雪临界温度 1 ℃
流量衰减系数 1 -

1.4 模型率定验证

前期的土壤湿度、降水量、降水历时和降水强度，是影响超渗产流机制下洪水洪量、洪峰和峰现时间变化的主要因素[35]。根据前期土壤湿度和降水量，将历年来的洪水进行分类，针对每一类别分别调参。以20230711次洪水为例对昌马水库进行参数率定，其结果见表2和图8。预报显示，昌马水库入库洪峰流量为291 m3·s-1 ，预报峰现时间为7月12日13:00。依据后续实测结果，实际入库洪峰流量为271.2 m3·s-1，峰现时间是7月12日11:00。计算可得洪峰相对误差为6.8%，峰现时差为2 h，较实测峰现时间晚，精度符合要求。
表2 昌马水库率定记录

Tab. 2 Calibration record of Changma Reservoir

洪号 实测 洪峰流量检验 模拟峰现时间
起涨时间 起涨流量
/( m3·s-1 )		 洪峰流量
/(m3·s-1)		 峰现时间 模拟洪峰
/(m3·s-1)		 许可误差/% 合格否 模拟时间 许可
误差		 合格否
20230711 2023-07-12
06:00		 12.7 271.2 2023-07-12
11:00		 291 6.8 √ 2023-07-12 13:00 2 h √
图8 洪号20230711昌马水库洪水

Fig. 8 No. 20230711 flood in Changma Reservoir

2 洪水预报模型的嵌入和应用

2.1 基于流域数字孪生平台的洪水预报模型应用总体架构

以《数字孪生水利工程建设技术导则》[25]《数字孪生流域建设技术大纲》[24]等标准为指标依据，在疏勒河流域数字孪生平台[31]的基础上，构建了基于数字孪生平台的洪水预报模型应用总体架构（图9）。
图9 疏勒河数字孪生流域的洪水模型应用总体架构

Fig. 9 Overall architecture diagram of the flood prediction model in the Shule River digital twin basin

该架构主要包括：
（1） 数据底板。作为全域数据集成中枢，汇聚水利信息网络的多源异构数据资源，包括基础地理数据、空间信息、实时监测数据及业务管理数据。该平台通过数据分类清洗、质量校验和标准化处理，构建结构化数据仓库，提供统一的API接口服务，支撑模型平台与知识平台的高效数据调用。
（2） 模型平台。集成水文、水动力等专业模型框架，结合通用算法库与模块化建模工具，实现水利模型的开发、调度与管理。平台支持模型实例的全生命周期管理（注册、部署、封装、发布），通过服务化接口驱动多元模型的协同计算，服务于流域防洪预警、水资源优化配置及工程调度等核心业务场景。
（3） 知识平台。基于流域水库、闸站等控制性工程的调度方案，构建结构化调度规则知识库。通过解析工程启用条件、来水边界、控制需求等要素间的逻辑关系，将分散的调度方案转化为规则化、关联化的智能调度条款库，为数字孪生系统提供可执行的调度决策依据。通过一系列科学的处理手段，将原本分散的调度方案进行逻辑化梳理、关联化整合以及服务化改造，最终形成完备的调度模型规则库。

2.2 洪水预报模型接口

模型主要包括河道演进模型、径流曲线模型和融雪径流模型。各模型输入及输出接口设计见表3。
表3 洪水预报接口设计

Tab. 3 Interface design for flood prediction models

模型类型 输入 输出
河道演进模型 开始时间 开始时间
结束时间
流域出口断面流量
过程
结束时间
第一断面第一时刻
初始流量
第一断面第二时刻
初始流量
第二断面第一时刻
初始流量
河道汇流马斯京根
法系数
稳定河道洪水传播
历时
径流曲线模型 开始时间 开始时间
结束时间
流域出口断面流量
过程
结束时间
流域面平均雨量
CN值
初损系数
土壤湿润等级
无因次单位线
流域概化长度
流域坡度
流域当时的最大可
能滞留量
融雪径流模型 开始时间 开始时间
结束时间
流域出口断面流量
过程
结束时间
融雪径流系数
气温日融雪率
流域温度直减率
降雨融雪度系数
融雪临界温度
流量衰减系数
高度带
面降雨量

2.3 应用实例

疏勒河智慧防洪平台成功预测了2024年7月15日昌马水库来洪峰值。
（1） 降水预测
2024年7月13日，通过流域上游雨量站在防洪预报系统监测到未来72 h，疏勒河流域南部（昌马水库上游区域）大面积地区有10~25 mm降雨（图10）。
图10 疏勒河流域2024年7月13日降雨预报

Fig. 10 Rainfall forecast for Shule River Basin on July 13, 2024

（2） 洪水量预测
结合流域产汇流模型及降水量等信息，洪水预报系统以2024年7月14日为节点，洪水预报模块预报了昌马水库将在2024年7月15日12:00迎来入库洪峰值438.03 m3·s-1（图11）。
图11 昌马水库2024年7月14日入库洪水预报

Fig. 11 Flood inflow forecast for Changma Reservoir on July 14, 2024

（3） 实测与预测来洪量对比
洪峰水头到达昌马水库大坝安全监测系统记录为2024年7月15日14:00。7月水位、流量实际监测数据见图12。
图12 昌马水库实时流量监测数据

Fig. 12 Real-time flow monitoring data of Changma Reservoir

由表4可知，疏勒河数字孪生平台基于流域产汇流模型和流域降水量预测能够成功地预测水库来洪。并在水利部颁发的《水文情报预报规范》SL250-2000标准规定的洪峰值、洪峰出现时间、径流深及过程预报许可误差范围之内。
表4 昌马水库2024年7月15日洪峰预测值-实际值误差率

Tab. 4 Error rate of predicted-actual peak flood values of Changma Reservoir on July 15, 2024

洪峰流量/（m3·s-1） 洪峰到达时间 径流深/m
预测 438.03 7月15日12:00 13.01
实际 491 7月15日14:00 13.33
误差率/% 10.80 8.33 1.61
规范许可误差率/% 20 30 20

2.4 智慧防洪平台搭建

针对疏勒河流域特有的水文和地质等自然条件、数据支撑资料与流域防洪需求，围绕实时防洪监测、预报预警等主题，充分发挥数字孪生疏勒河流域数据底板、多模型平台和知识平台的支撑能力，通过洪水预报模型接口，搭建了数字孪生疏勒河流域防洪模型联合调度场景，形成了智慧防洪平台。

3 结论

数字孪生疏勒河洪水预报模型平台以空间地理和水利数据为基础，从流域洪水预报模型构建入手，通过耦合水文模型，为疏勒河流域防洪及洪水联合调度数字化虚拟场景提供了算法依据。改进的SCS-SRM耦合模型在干旱区产汇流与融雪混合型洪水中具有良好的适应性与精度。数字孪生架构通过标准化接口实现了多模型协同、实时数据驱动与知识规则嵌入，满足“监测-模拟-预警-调度”闭环需求。两次典型洪水验证及实战应用表明，系统可在预见期72 h内提供误差小于20%的洪峰流量与峰现时间预报，为水库控泄和人员转移赢得关键时间，显著降低洪灾风险，对提升流域水利决策与管理水平具有重要的支撑作用。
尽管本文提出的改进SCS-SRM耦合模型在疏勒河流域表现出良好适用性，但仍受限于高海拔区稀疏观测资料、模型物理假设简化以及样本洪水类型单一等问题，未来需通过加密观测、引入高阶物理模型和扩充样本进一步降低不确定性。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Zhang Wenxia, Clark Robin, Zhou Tianjun, et al. 2023: Weather and climate extremes hitting the globe with emerging features[J]. Advances in Atmospheric Sciences, 2024, 41(6): 1001-1016.

DOI

[2]
杨斐, 张文韬, 张飞民, 等. 1961—2022年祁连山气候特征及其变化[J]. 干旱区研究, 2024, 41(10): 1627-1638.

DOI

[ Yang Fei, Zhang Wentao, Zhang Feimin, et al. Climatic characteristics and changes in the Qilian Mountains from 1961 to 2022[J]. Arid Zone Research, 2024, 41(10): 1627-1638. ]

[3]
慕全鹏, 鲁克新, 杨光, 等. 沮河流域径流变化特征及归因分析[J]. 水力发电学报, 2022, 41(12): 80-89.

[ Mu Quanpeng, Lu Kexin, Yang Guang, et al. Characteristics of runoff changes in Ju River basin and attribution analysis[J]. Journal of Hydroelectric Engineering, 2022, 41(12): 80-89. ]

[4]
张存杰, 张思齐, 宁惠芳. 近60 a中国极端天气气候事件变化趋势及2023年特征分析[J]. 干旱气象, 2024, 42(4):536-552.

DOI

[ Zhang Cunjie, Zhang Siqi, Ning Huifang. Trends of extreme weather and climate events in China in recent 60 years and their characteristics in 2023[J]. Journal of Arid Meteorology, 2024, 42(4): 536-552. ]

[5]
World Bank. Floods and Droughts: An EPIC Response to These Hazards in the Era of Climate Change[EB/OL]. (2021-06-17) [2025-07-22]. https://www.worldbank.org/en/news/feature/2021/06/17/floods-and-droughts-an-epic-response-to-these-hazards-in-the-era-of-climate-change.

[6]
Soomro Shan-e-hyder, Hu Caihong, Boota Muhammad Waseem, et al. Assessment of the climatic variability of the Kunhar River Basin, Pakistan[J]. Water, 2021, 13(13): 1740.

DOI

[7]
Guo Xiaona, Cheng Jie, Yin Chenglong, et al. The extraordinary Zhengzhou flood of 7/20, 2021: How extreme weather and human response compounding to the disaster[J]. Cities, 2023, 134: 104168.

DOI

[8]
Hirabayashi Yukiko, Mahendran Roobavannan, Koirala Sujan, et al. Global flood risk under climate change[J]. Nature climate change, 2013, 3: 816-821.

DOI

[9]
刘荣华, 王雪梅, 刘晓婉, 等. 暴雨山洪模拟与预警模型研究进展与展望[J]. 中国防汛抗旱, 2025, 35(6): 1-10.

[ Liu Ronghua, Wang Xuemei, Liu Xiaowan, et al. Research progress and prospects of flash flood simulation and warning models[J]. China Flood & Drought Management, 2025, 35(6): 1-10. ]

[10]
刘永强, 刘志辉. 基于Web的融雪洪水预警模型库系统研究与实现[J]. 干旱区研究, 2008, 25(1): 47-52.

[ Liu Yongqiang, Liu Zhihui. Study and application of the web-based model base system for snow melt flood precaution[J]. Arid Zone Research, 2008, 25(1): 47-52. ]

DOI

[11]
Wang X M, Zhai X Y, Zhang Y Y, et al. Evaluating flash flood simulation capability with respect to rainfall temporal variability in a small mountainous catchment[J]. Journal of Geographical Sciences, 2023, 33(12): 2530-2548.

DOI

[12]
张梅洁, 吕海深, 刘娣, 等. 耦合融雪的新安江模型在干旱区径流模拟研究[J]. 干旱区研究, 2022, 39(2): 379-387.

DOI

[ Zhang Meijie, Lyu Haishen, Liu Di, et al. Runoff simulation in an arid area using the Xinanjiang model coupled with snowmelt[J]. Arid Zone Research, 2022, 39(2): 379-387.]

DOI

[13]
Husain Najafi, Pallav Kumar Shrestha, Oldrich Rakovec, et al. High-resolution impact-based early warning system for riverine flooding[J]. Nature Communications, 2024, 15(1): 3726.

DOI PMID

[14]
徐源浩, 邬强, 李常青, 等. 基于长短时记忆(LSTM)神经网络的黄河中游洪水过程模拟及预报[J]. 北京师范大学学报(自然科学版), 2020, 56(3): 387-393.

[ Xu Yuanhao, Wu Qiang, Li Changqing, et al. Simulation of the flood process in the middle reaches of the Yellow River by a long-short term memory (LSTM) neuro network[J]. Journal of Beijing Normal University (Natural Science), 2020, 56(3): 387-393. ]

[15]
刘成帅, 孙悦, 胡彩虹, 等. 考虑产流模式空间分布的流域-城市复合系统洪水预报模型[J]. 水科学进展, 2023, 34(4): 530-540.

[ Liu Chengshuai, Sun Yue, Hu Caihong, et al. Study on flood forecasting model of watershed-urban complex system considering the spatial distribution of runoff generation pattern[J]. Advances in Water Science, 2023, 34(4): 530-540. ]

[16]
Xu T F, Liang F. Machine learning for hydrologic sciences: An introductory overview[J]. Wiley Interdisciplinary Reviews: Water, 2021, 8(5): e1533.

DOI

[17]
Qi Qinglin, Tao Fei, Hu Tianliang, et al. Enabling technologies and tools for digital twin[J]. Journal of Manufacturing Systems, 2021, 58: 3-21.

DOI

[18]
Xia Haishan, Liu Zishuo, Efremochkina Maria, et al. Study on city digital twin technologies for sustainable smart city design: A review and bibliometric analysis of geographic information system and building information modeling integration[J]. Sustainable Cities and Society, 2022, 84: 104009.

DOI

[19]
黄艳, 喻杉, 罗斌, 等. 面向流域水工程防灾联合智能调度的数字孪生长江探索[J]. 水利学报, 2022, 53(3): 253-269.

[ Huang Yan, Yu Shan, Luo Bin, et al. Development of the digital twin Changjiang River with the pilot system of joint and intelligent regulation of water projects for flood management[J]. Journal of Hydraulic Engineering, 2022, 53(3): 253-269. ]

[20]
冶运涛, 蒋云钟, 梁犁丽, 等. 数字孪生流域: 未来流域治理管理的新基建新范式[J]. 水科学进展, 2022, 33(5): 683-704.

[ Ye Yuntao, Jiang Yunzhong, Liang Lili, et al. Digital twin watershed: New infrastructure and new paradigm of future watershed governance and management[J]. Advances in Water Science, 2022, 33(5): 683-704. ]

[21]
贾玲, 张百祖, 牛最荣, 等. 疏勒河上游径流变化与预测分析[J]. 干旱区研究, 2022, 39(5): 1588-1597.

DOI

[ Jia Ling, Zhang Baizu, Niu Zuirong, et al. Analysis of runoff variation and prediction in the upper reaches of the Shule River[J]. Arid Zone Research, 2022, 39(5): 1588-1597. ]

DOI

[22]
季宗虎, 孙栋元, 牛最荣, 等. 疏勒河流域降水变化特征研究[J]. 干旱区研究, 2023, 40(10): 1583-1594.

DOI

[ Ji Zonghu, Sun Dongyuan, Niu Zuirong, et al. Study on precipitation variation characteristics in Shule River Basin[J]. Arid Zone Research, 2023, 40(10): 1583-1594. ]

DOI

[23]
李毅, 黄诗峰, 臧文斌, 等. 基于虚拟地理环境的数字孪生流域防洪应用技术探讨[J]. 遥感学报, 2024, 28(5): 1330-1339.

[ Li Yi, Huang Shifeng, Zang Wenbin, et al. Discussion on flood control application technology of digital twin basin based on virtual geographic environment[J]. National Remote Sensing Bulletin, 2024, 28(5): 1330-1339. ]

DOI

[24]
中华人民共和国水利部. 数字孪生水利工程建设技术导则[R]. 北京: 中华人民共和国水利部, 2022.

[ Ministry of Water Resources of the People’s Republic of China. Technical Guidelines for the Construction of Digital Twin Water Conservancy Projects[R]. Beijing: Ministry of Water Resources of the People’s Republic of China, 2022. ]

[25]
中华人民共和国水利部. 数字孪生流域建设技术大纲[R]. 北京: 中华人民共和国水利部, 2022.

[ Ministry of Water Resources of the People’s Republic of China. Technical Outline for the Construction of Digital Twin River Basins[R]. Beijing: Ministry of Water Resources of the People’s Republic of China, 2022. ]

[26]
周文慧, 钞小静. 黄河流域数字基础设施、经济发展韧性与生态环境保护的耦合协调发展分析: 基于三元系统耦合协调模型[J]. 干旱区资源与环境, 2023, 37(9): 1-9.

[ Zhou Wenhui, Chao Xiaojing. Coupling coordinated development of digital infrastructure, economic resilience and environmental protection in the Yellow River Basin: An approach of ternary system coupling coordination model[J]. Journal of Arid Land Resources and Environment, 2023, 37(9): 1-9. ]

[27]
Li Wenxue, Kou Huaizhong. Thoughts on the construction of digitaltwin Yellow River in the new stage[J]. China Flood & Drought Management, 2022, 32(2): 27-31.

[28]
王井腾, 孙祥鹏, 张文明, 等. 珠江防汛“四预”平台建设及应用[J]. 中国水利, 2022(22): 39-42.

[ Wang Jingteng, Sun Xiangpeng, Zhang Wenming, et al. Construction and application of “four pre” platform for the Pearl River flood control[J]. China Water Resources, 2022(22): 39-42. ]

[29]
刘昌军, 吕娟, 任明磊, 等. 数字孪生淮河流域智慧防洪体系研究与实践[J]. 中国防汛抗旱, 2022, 32(1): 47-53.

[ Liu Changjun, Lyu Juan, Ren Minglei, et al. Research and application of digital twin intelligent flood prevention system in Huaihe River Basin[J]. China Flood and Drought Management, 2022, 32(1): 47-53. ]

[30]
赵杏英, 毛肖钰, 徐红权, 等. 数字流域多尺度空间地理信息模型构建及应用——以钱塘江流域为例[J]. 人民长江, 2021, 52(Suppl. 2): 293-297.

[ Zhao Xingying, Mao Xiaoyu, Xu Hongquan, et al. Establishment and application of multi-scale geography information model for digital river basin: Case of Qiantangjiang River basin[J]. Yangtze River, 2021, 52(Suppl. 2): 293-297. ]

[31]
张建新. 数字孪生技术在疏勒河流域的应用和探讨[J]. 中国水利, 2023(23): 58-62.

[ Zhang Jianxin. Application and discussion of digital twin technology in the Shule River Basin[J]. China Water Resources, 2023(23): 58-62. ]

[32]
张永明, 蒲秉华, 王鹏全, 等. 兰州新区SCS径流模型改进与应用研究[J]. 人民黄河, 2021, 43(3): 24-28.

[ Zhang Yongming, Pu Binghua, Wang Pengquan, et al. Improvement and application of SCS runoff model in Lanzhou new district[J]. Yellow River, 2021, 43(3): 24-28. ]

[33]
U.S. Department of Agriculture, Soil Conservation Service. National Engineering Handbook, Section 4: Hydrology[M]. Rev. ed. Washington, D.C.: USDA-SCS, 1972.

[34]
Younos T. Curve number hydrology: State of the practice[J]. Journal of the American Water Resources Association, 2009, 45(4): 1063-1063.

DOI

[35]
夏军. 中国水文计算手册(第二版)[M]. 北京: 水利电力出版社, 2006.

[ Xia Jun. Hydrological Computation Manual of China[M]. 2nd ed. Beijing: Water Resources & Electric Power Press, 2006. ]

[36]
杨飞, 刘博伦, 江恩慧, 等. 基于马斯京根法的多沙河流输沙演算[J]. 人民黄河, 2023, 45(11): 39-42.

[ Yang Fei, Liu Bolun, Jiang Enhui, et al. Muskingum method based sediment calculations in sediment aden rivers[J]. Yellow River, 2023, 45(11): 39-42. ]

Options
文章导航

/

〈 〉