WRF-Hydro这个模型怎么样?

WRF-Hydro做得非常好。

能够完成大尺度(全美国900万平方公里)实时的洪水预报,这个就已经超出所有分布式水文模型的能力了。而且他们在推广上面作了非常好的工作,数据的预处理后处理都有完整的解决办法,还免费开班授课推广WRF-Hydro。

page8image3846560.png

下图用WRF-Hydro做出来的全美国河流流量图。这个图可以实时预测每条河流的流量,非常强大。

page8image3846560.png

它最重要的突破应该是在耦合上面,给WRF的模拟一个更精细的边界层模拟,WRF和NOAH LSM的一层耦合,NOAH与Hydro又一层耦合,这个在时间和空间分辨率上的复杂耦合关系它都处理得非常得当。 也许它最初的名字应该叫WRF-NOAH-Hydro模型,而不是WRF-Hydro。WRF-Hydro模型耦合上做得非常非常好的案例。

Pasted Graphic 1.tiffimgScreenshot 2019-06-10 11.48.12.png

我们组上周(2019.06)的在北卡罗来纳Ashevill的项目总结会也是讨论模型耦合,耦合流域、湖泊、农业和社会经济,叫Coupled-Human-Nature System,是NSF的资助,几个大学合作做了3年,有很多进步但还算不上“耦合”,只能到数据单向连接的程度,用于科学研究尚可,不能做应用预报。 美国DARPA还有一个叫MINT的项目,基本思路也是耦合,也还没有到达“耦合”的程度,将来做预报和决策。项目里面做技术的是南加州大学做人工智能方向的人,但是他们不懂也不愿意懂模型,搞不清楚各种模型的数据意义和时空错位问题。所以我挺担心将来他们暴力链接数据,弄出搞笑结果来。 当然了,这种把自然和人类社会耦合模拟,的确比多种自然过程的耦合模拟更难。未来前景未知。

不过WRF-Hydro在水文层面上的处理相当简单了,我觉得像是从大气-陆面-水的设计思路,也很像VIC-Routing的解决方式。 蒸发、下渗、产流、地下水补给都是由NOAH在较粗的分辨率上完成,Hydro部分计算时空分辨率更高,要实现Overland Routing, River Routing,Groundwater baseflow和湖泊。Routing都是一维、单向流动,地下水的处理是不具有物理意义的Bucket Model。湖泊也是个Bucket Model。 Noah和Hydro的交互是通过前时间步长的水量做权重分配。

下面两张图是WRF-Hydro的水文过程的思路和计算办法(左)和VIC Routing(右)的办法。

Pasted Graphic 3.tiff

img

WRF-Hydro的思路能很好的模拟大气、水、能量在时空上的变化,但是在水文学家来看,水的模拟有很多改进空间(当然是根据具体的需求)。 WRF-Hydro更重视大尺度的洪水问题,主要就是关心河道洪水,所以它的处理办法速度快、计算稳定、模型预热快、参数也容易调。通过计算出来河道的流量、对比测量的河道Rating Curve,可以推算洪水发生的位置和可能性,做出预报。

WRF-Hydro的限制就是除了河道、积雪、土壤水量之外的水文变量——地下水、Baseflow、Percolation等等都不够可靠,更进一步也限制了它与其他水资源、环境、水质、地貌、生态、BioBGC的耦合。所以它关心的终极目标可以说是河道中水的流量; 它可以预报洪水流量,但是对于淹没区等等的信息就不够可靠了。 如果使用isotope和Water Age等数据来挑战它的计算,很可能出现大的偏差。 当然了,能解决上述这些限制的水文模型,必然是求解速度很慢的模型了。

再讲讲水文模型。

对水文模型而言,**物理性(1)、准确性(2)、求解速度(3)**应该是个不可能三角。统计模型和数据挖掘在2/3上做得不错,1就很差了。PIHM,PAWS,tRIBs, ModFlow, ParFlow,GSflow等等在1/2都不错,但是3非常差。1/2/3都比较平衡的也有,简单的如Topmodel,新安江模型,复杂的如PRMS和SWAT。

以上速度慢的都使用了有限体积(FV), 有限元(FE)、有限差分(FD)等等数值求解办法,FV/FE/FD方法利用非常广泛,但是那些最经典应用都得益于其问题设计,求解域内存量和流量在时间、空间上的变化具有稳定性或者惯性,于是理论求解矩阵比较规矩(稀疏矩阵、对称矩阵、条形矩阵等等柔性矩阵),例如工程上的热传递和单纯的河道水动力学问题。

相比之下,水文中将地表、地下和河道的计算同时包含的矩阵就非常刚性(Stiff Matrix),求解非常困难。这一困难主要是由水文问题的空间特征决定的,空间的不同计算单元的形状,参数的差异性太大了。 即便是Modflow, M3D这种专门针对地下水的简单模型(问题求解使用同一公式),应对空间异质性都有很高的挑战。

水文使用FE/FD另外一个挑战是变量时间上的变化速度,计算都要满足CFL Condition才能保证收敛性;CFL与变化速度相关,但是河道、地面、地下水等等的流速都有数量级上的巨大差异,于是在求解的时间步长上的要求非常高。当地下水流动可以在小时甚至天间隔上收敛的同时,河道需要在分钟甚至秒的步长上保证收敛,于是同时求解的步长就需要在分钟和秒的级别计算。所以现阶段的最常见提速办法都是分别计算域,然后同步——也就是相当于依次计算多个域,然后不同域在特定时间步长上交换变量,成为各自的边界条件。PAWS和WRF-Hydro的是这样处理时间步长的。 用FE/FD方法水文建模的人,与其说是水文学家,不如说是水文-计算-软件学家。

回到WRF-Hydro, 如果关心实时洪水和大气耦合,WRF-Hydro是非常棒的。

给WRF-Hydro做个广告,想上课的朋友搜“WRF-Hydro Training”,春秋两季都开课,研究生和博士后都可以申请到500美元的Travel Funding。

Screenshot 2019-06-10 11.43.25.png

img

Pasted Graphic 5.tiff

page1image3820128.png

副研究员, SHUD模型作者

中国科学院西北生态环境资源研究院副研究员,SHUD模型作者; 主要研究方向:数值方法流域水文模型、地学数据机器学习、气候/人类活动对水循环的影响和集成模型耦合研究

相关