Сопоставление компонентов стока, водного баланса и параметров концептуальных моделей HBV и GR4J на примере рек бассейна Верхней Уссури (юг Приморского края)

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Выполнен анализ эффективности моделирования стока, значений параметров, динамики расчетных компонентов стока в двух гидрологических концептуальных моделях GR4J и HBV для 17-ти водосборов рек бассейна верхней Уссури (Приморский край, Россия) площадью от 138 до 24 400 км2. Обе модели демонстрируют увеличение оценок эффективности моделирования NSE с увеличением площади водосборов до 1–2 тыс. км2, далее происходит их стабилизация в интервале 0.75–0.85 за период калибровки и 0.70–0.80 за период верификации. При этом оценки, полученные для модели HBV, на 5–10% выше, чем для модели GR4J. На основе анализа измеренных и рассчитанных годовых максимумов стока за теплый период можно сделать вывод, что модель GR4J в среднем на 5–6% эффективнее рассчитывает максимальные значения расходов дождевых паводков, чем HBV. При этом полученные значения относительной ошибки BIAS свидетельствует о более точном воспроизведении среднегодового стока моделью HBV. Основные отличия, определяющие эффективность моделирования в районе исследования, следующие: схема задания градиента осадков при разбивке водосборов на высотные пояса, особенности расчета модельного испарения, метод расчета оттока из концептуальных стокоформирующих емкостей в моделях GR4J и HBV.

Об авторах

С. Ю. Лупаков

Тихоокеанский институт географии ДВО РАН

Email: rbir@mail.ru
Россия, 690041, Владивосток

А. Н. Бугаец

Тихоокеанский институт географии ДВО РАН

Email: andreybugaets@yandex.ru
Россия, 690041, Владивосток

Л. В. Гончуков

Дальневосточный региональный научно-исследовательский гидрометеорологический институт; Институт водных проблем РАН

Email: rbir@mail.ru
Россия, 690091, Владивосток; Россия, 117971, Москва

О. В. Соколов

Дальневосточный региональный научно-исследовательский гидрометеорологический институт

Email: rbir@mail.ru
Россия, 690091, Владивосток

Н. Д. Бугаец

Тихоокеанский институт географии ДВО РАН

Автор, ответственный за переписку.
Email: rbir@mail.ru
Россия, 690041, Владивосток

Список литературы

  1. Бугаец А.Н., Гарцман Б.И., Краснопеев С.М., Бугаец Н.Д. Опыт обработки информации модернизированной гидрологической сети с использованием системы управления данными CUAHSI HIS ODM // Метеорология и гидрология. 2013. № 5. С. 91–101.
  2. Бугаец А.Н., Пшеничникова Н.Ф., Терешкина А.А., Краснопеев С.М., Гарцман Б.И. Анализ пространственной дифференциации почвенного покрова юга Приморья на примере бассейна р. Комаровка // Почвоведение. 2015. № 3. С. 268–276. https://doi.org/10.7868/S0032180X15030028
  3. Виноградов Ю.Б. Математическое моделирование процессов формирования стока. Л.: Гидрометеоиздат, 1988. 312 с.
  4. Лупаков С.Ю., Бугаец А.Н. Использование концептуальной модели речного стока HBV для анализа паводков на малых водосборах // Метеорология и гидрология. 2022. № 1. С. 84–94. https://doi.org/10.52002/0130-2906-2022-1-84-94
  5. Лупаков С.Ю., Бугаец А.Н., Шамов В.В. Применение различных структур модели HBV для исследования процессов формирования стока на примере экспериментальных водосборов // Вод. ресурсы. 2021. Т. 48. С. 417–426. https://doi.org/10.31857/S032105962104012X
  6. Мотовилов Ю.Г., Гельфан А.Н. Модели формирования стока в задачах гидрологии речных бассейнов. М.: РАН, 2018. 300 с. https://doi.org/10.31857/S9785907036222000001
  7. Симонов Ю.А., Семенова Н.К., Христофоров А.В. Методика краткосрочных прогнозов расходов воды на реках бассейна Камы на основе использования модели HBV // Метеорология и гидрология. 2021. № 6. С. 55–65. https://doi.org/10.52002/0130-2906-2021-6-55-65
  8. Ayzel G. Runoff predictions in ungauged Arctic basins using conceptual models forced by reanalysis data // Water Resour. 2018. V. 45 (S2). P. S1–S7. https://doi.org/10.1134/S0097807818060180
  9. Ayzel G., Abramov D. OPENFORECAST: an assessment of the operational run in 2020–2021 // Geosci. (Switzerland). 2022. V. 12 (2). P. 67. https://doi.org/10.3390/geosciences12020067
  10. Bergstrom S. Development and application of a conceptual runoff model for Scandinavian catchments. Norrkoping, Sweden: Univ. Lund. Bull., 1976. 134 p.
  11. Beven K. Rainfall-runoff modelling. The Primer. Chichester: Ltd. John Wiley & Sons, 2001. 356 p. https://doi.org/10.1002/9781119951001
  12. Bugaets A.N., Gartsman B.I., Gonchukov L.V., Lupakov S.Y., Shamov V.V., Pshenichnikova N.F., Tereshkina A.A. Modeling the hydrological regime of small testbed catchments based on field observations: a case study of the Pravaya Sokolovka River, the Upper Ussuri River basin // Water Resour. 2019. V. 42 (S2). P. S8–S16. https://doi.org/10.1134/S0097807819080037
  13. Bugaets A.N., Gonchukov L.V., Sokolov O.V., Gartsman B.I., Krasnopeev S.M. Information system to support regional hydrological monitoring and forecasting // Water Resour. 2018. V. 45 (S1). P. S59–S66. https://doi.org/10.1134/S0097807818050329
  14. Clark M.P., Kavetski D., Fenicia F. Pursuing the method of multiple working hypotheses for hydrological modeling // Wat. Res. Res. 2011. V. 47. W09301. https://doi.org/10.1029/2010wr009827
  15. Gassman P.W., Reyes M.R., Green C.H., Arnold J.G. The soil and water assessment tool: historical development, applications, and future research and directions // Am. Soc. Agricultural Biol. Engineers. 2007. V. 50. № 4. P. 1211–1250. https://doi.org/10.13031/2013.23637
  16. Haddeland I., Clark D.B., Franssen et al. Multimodel Estimate of the Global Terrestrial Water Balance: Setup and First Results // Hydrometeorol. 2011. V. 12. P. 869– 884. https://doi.org/10.1175/2011JHM1324.1
  17. Klemes V. Operational testing of hydrologic simulation models // Hydrolog. Sci. J. 1986. V. 31. P. 13–24. https://doi.org/10.1080/02626668609491024
  18. Moriasi D.N., Arnold J.G., Van Liew M.W., Bingner R.L., Harmel R.D., Veith T.L. Model evaluation guidelines for systematic quantification of accuracy in watershed simulations // Trans. ASABE. 2007. V. 50. P. 885–900. https://doi.org/10.13031/2013.23153
  19. Mroczkowski M., Raper G.P., Kuczera G. The quest for more powerful validation of conceptual catchment models // Water Resour. Res. 1997. V. 26. P. 2275–2286. https://doi.org/10.1029/97WR01922
  20. Oudin L., Hervieu F., Michel C., Perrin C., Andreassian V., Anctil F., Loumagne C. Which potential evapotranspiration input for a lumped rainfall–runoff model? Pt 2. Towards a simple and efficient potential evapotranspiration model for rainfall–runoff modelling // J. Hydrol. 2005. V. 303. P. 290–306. https://doi.org/10.1016/j.jhydrol.2004.08.026
  21. Perrin C., Michel C., Andreassian V. Improvement of a Parsimonious Model for Streamflow Simulation // J. Hydrol. 2003. V. 279. P. 275–289. https://doi.org/10.1016/S0022-1694(03)00225-7
  22. Rango A., Martinec J. Revisiting the degree-day method for snowmelt computations // Water Resour. Bull. 1995. V. 31. P. 657–669. https://doi.org/10.1111/j.1752-1688.1995.tb03392.x
  23. Seibert J., Bergstrom S. A retrospective on hydrological catchment modelling based on half a century with the HBV model // Hydrol. Earth Syst. Sci. 2022. V. 26. P. 1371–1388. https://doi.org/10.5194/hess-26-1371-2022
  24. Seibert J., Vis M. Teaching hydrological modelling with a user-friendly catchment-runoff-model software package // Hydrol. Earth Syst. Sci. 2012. V. 16. P. 3315–3325. https://doi.org/10.5194/hess-16-3315-2012
  25. Uhlenbrook S., Seibert J., Leibundgut C., Rodhe A. Prediction uncertainty of conceptual rainfall-runoff models caused by problems in identifying model parameters and structure // Hydrol. Sci. J. 1999. V. 44. № 5. P. 779–797. https://doi.org/10.1080/02626669909492273
  26. Valery A. Modélisation précipitations-débit sous influence nivale, élaboration d’un module neige et évaluation sur 380 bassins versants. Paris: Cemagref, 2010. 405 p.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2.

3.

Скачать (506KB)
4.

Скачать (159KB)

© С.Ю. Лупаков, А.Н. Бугаец, Л.В. Гончуков, О.В. Соколов, Н.Д. Бугаец, 2023

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».