解析水文模型

葛维亚

       水文模型有三种分类方法，即可以用尺度，模拟目标，或数学方法分类。

       水文数学模型则是遵循数学表达式相似的原理来描述水文现象物理过程的模型，却不考虑原型的物理本质，如汇流，是用一个物理本质与其不同却具有相同数学表达式的方程式表示汇流，从而描述出实际汇流的物理过程。

       物理模型的研究是数学模型的基础，而数学模型则是物理模型的有力表达方式。水文模型在水文理论研究和实践中具有重要意义。

       尺度的分类方式应该最为清晰明了。时间尺度的话，典型应用就是流域电源或面源污染物总量控制或者洪水模拟。污染物总量控制一般是分析季节性，或是年均，这种情况下水平衡模型，以日或月或更长时间尺度的模型即可满足要求，如SWAT模型模拟流域水平衡和污染物迁移平衡。而洪水模拟则要求模型的时间尺度精确到秒或小时，这时候如果只需要计算水量，在水平衡过程中加入洪水在河道中迁移的水力过程计算即可比如HEC-HMS；如果要计算洪水淹没面积及高度的话，需要数值模拟基础的模型，考虑shallow water equation计算河道水力过程, diffusive wave计算overland flow，并且需要考虑2D模型。

       空间尺度模拟区域，比如研究一种农药的施用对农田各种水文过程的影响，考虑的过程只会涉及垂直方向的水和污染物迁移，将农田简化为点，可以模拟各层土壤的水和污染物变化。农田尺度可能就会更加细分涉及2D过程，如水和污染物的迁移方向。而流域尺度的模拟目的不是获得每一块农田的的污染物排放量，或城市哪条街会涨水，而是子流域的总体排放，流域的整体评估，如哪一个子流域农田多化肥用量大，导致支流用水多污染多。涉及城市的模拟就要考虑城市管网对水平衡的影响，城市的DEM，以此来判断城市每块区域涨水风险等级。而地球尺度的模型，global circulation model (GCM)运算量巨大，考虑全球水，能量等过程，常用来模拟气候变化。小尺度的气候变化影响评估常常提取GCM模型再降尺度至研究区域。

       竖向尺度主要指的就是模拟地表水还是地下水。地下水涉及的过程就是水或物质在多孔介质中迁移了。地下水模拟涉及地质信息还需要有测量井，一般无或很难获取。矿区规划里地下水模拟很重要，但如果只是做科研的话，轻易不要入坑地下水。

       模拟不同的尺度，就对应不同的精确程度，需要不同的数学方法。

       机器学习近几年在水文模拟方向也是越来越热。比如说用random forest或是神经网络来模拟某个流域的流量。但是顾名思义，能学习才能出结果。机器学习模拟回归问题时，需要大量的数据来训练模型。比如模拟流量，需要影响流域水文过程的各种变量及流量的大量长时间高精度数据，然后筛选对流量影响最大的变量作为输入变量，以测量的流量作为基准训练模型。虽然机器学习，尤其是神经网络，几乎能够对上述过程做到100%拟合。但是由于数据量大，应用很难，而且越能100%拟合，越容易出现over-fitting的问题，训练的拟合度高，但实际预测偏差大。机器学习更多应用在水文数据获取阶段，比如气候模型降尺度，从遥感数据提取土地利用等。

 模拟目标可以作为最初判断用哪种类型的模型的依据，是只考虑水平衡或物质总量还是涉及动力学。例如前两类的举例。只涉及总量的话，水平衡或物质平衡已经足够，一般都是大尺度问题，用数值模型也可以获得总量，但运算量太大，也没有必要。但是如果涉及动力学模拟，只考虑水平衡的模型无能为力。比如说SWAT，模型的机理就是每一个HRU上计算一个每日的水平衡；空间上，每一个HRU也只是看成一个计算单位而已，并无空间各异的划分。而Parflow模型，作为一个3D数值模型，可以从地下水模拟到植被，包括水和能量平衡，可以获得水在各个方向的运动。它正在开发化学物质的迁移模块，如扩散和弥散等。