【文献分享】-洪水研究相关文献整理一
1.基于全球地形和水文的洪水易发指数，用于地表水的降尺度、分析和数据融合
题目：A global topography- and hydrography-based floodability index for the downscaling, analysis, and data-fusion of surface water
期刊：Journal of Hydrology
文章原文：https://www.sciencedirect.com/science/article/pii/S0022169423003487
1.1 摘要
首先，采用神经网络方法，根据 MERIT 数据库提供的基于地形的信息构建了分辨率为 3 弧秒的新的全球可淹性指数。地形和永久水以一致的方式定义，确保了所得的可淹性指数和永久水之间的一致性，这在以前的版本中是前所未有的。可淹性指数的评估是利用地表水和土地覆盖的独立观测数据集进行的，在地表水受地形条件自然驱动的地区以及受人类影响的地区和一些特定环境（如泥炭地）的限制下显示出良好的性能。其次，介绍了可淹性指数可以服务的一些应用，包括低分辨率数据的降尺度、不同分辨率下数据集的分析和比较以及数据融合。
1.2 背景
迄今为止还无法通过卫星观测获得高分辨率洪水指数。这一问题有望通过即将于 2022 年发射的 SWOT 卫星得到解决。
洪水状态部分由地形条件驱动，例如坡度和海拔。洪水也取决于其它因素，如土地覆盖、人类灌溉活动等，但目前本研究只考虑地形因素，暂时忽略其它因素。本研究的可淹没性指数虽然基于地形信息，但在处理过程中仍然添加了一些地表水数据集，由多个HR水数据集的数据融合产生的HR永久水信息将被集成到可淹没性指数中。
本研究旨在实现两个目标：（1）改进可淹没性指数；（2）展示可淹没性指数的潜在应用。
1.3 数据集
MERIT DEM：提供3弧秒空间分辨率（赤道约90m）的全球地形高程。使用该DEM的一大优点是它约观测到的永久水的一致性，HydroSHEDS DEM并不能保证这种一致性。
2.极端温度诊断中的误区
题目：Pitfalls in diagnosing temperature extremes
期刊：Nature Communications
文章原文：https://www.nature.com/articles/s41467-024-46349-x
2.1 摘要
极端气温的恶化是人类引起的气候变化最严重的影响之一。这些极端事件通常被定义为在日最高气温分布中超过特定百分位数阈值的罕见事件。基于百分位数的方法遵循区域和季节温度变化，因此极端事件可能在全球和所有季节都会发生，并且经常使用运行季节窗口来增加阈值计算的样本量。在这里，我们表明，近年来许多研究中使用的运行季节窗会带来一种因时间、地区和数据集而异的偏差，从而导致对预期极端频率的惊人低估。我们揭示了这种偏差产生的原因是人为地将平均季节周期混入了极端阈值，并提出了一个简单的解决方案，基本上消除了这种偏差。然后，我们使用修正后的极端频率作为参考，表明这种偏差还导致某些地区对未来热浪变化的高估高达 30%。基于这些结果，我们强调，在估算极端天气及其影响时，不应不加校正地使用季节性运行窗口。
3.通过变形测试评估机器学习模型在水文预测中的可靠性
题目：Reliability Assessment of Machine Learning Models in Hydrological Predictions Through Metamorphic Testing
期刊：Water Resources Research
文章原文：https://onlinelibrary.wiley.com/doi/abs/10.1029/2020WR029471
3.1 摘要
机器学习模型对给定输入的预测是否可靠，可以通过与实际输出进行比较来评估。然而，在水文研究中，机器学习模型通常用于预测未来或未知事件，而实际输出结果是不可用的。模型的预测准确度衡量的是其在观测数据集中的平均表现，可能与特定输入不相关。本研究提出了一种基于软件工程中的变形测试（MT）的方法，用于评估实际输出未知情况下的预测可靠性。在这种方法中，只有当输入和输出遵循从建模系统的属性中推导出的某些关系时，对一组相关输入的预测才被认为是一致的。例如，在降雨-径流模型中，随着输入的降雨量增加，预测的径流量也应增加。在这项研究中，基于 MT 的方法被用于评估各种机器学习模型的预测结果，这些模型都是为预测德国洪水事件的规模而训练的。令人惊讶的是，模型的预测准确性与其提供一致预测的能力并不相关。本研究进一步调查了影响给定输入评估结果的因素，如输入与观测数据的相似性。总之，这项研究表明，MT 是检测模型预测不一致的一种有效而简单的方法，建议在新条件下使用模型进行预测时使用。
4.基于景观格局的非点源污染控制生态缓冲带评价： 中国汉江流域案例研究
题目：Evaluation of ecological buffer zone based on landscape pattern for non-point source pollution control: A case study in Hanjiang River basin, China
期刊：Journal of Hydrology
文章原文：https://www.sciencedirect.com/science/article/pii/S0022169423012830
4.1 摘要
非点源污染（NPS）导致生态环境恶化，严重威胁人类健康和社会经济发展。有效识别关键污染源区域并为流域选择适当的最佳管理实践（BMP）是控制非点源污染的关键。本文以中国南水北调中线重要水源地汉江流域为例，介绍了一种根据下垫面和污染负荷的空间分布特征，结合核动力源风险指数（NPPRI）、最小累积阻力（MCR）模型和水土评估工具（SWAT），准确识别关键源区的方法。本研究在关键源区设置了 10 个单一情景和 3 个组合情景，包括 3 个非工程管理措施、2 个工程管理措施和 5 个生态缓冲区。最后，利用景观模式理论和信息熵法评估了 BMP 对非点源污染的影响。此外，还分析了五个生态缓冲区对流域景观特征的影响以及景观格局与非点源污染之间的响应关系。结果表明：（1）关键源区主要分布在研究区的中南部和东南部，占流域总面积的 35.9%，分别产生了流域总氮（TN）和总磷（TP）负荷的 54.2%和 60.7%。 (3) 五个生态缓冲带的布设对 “汇 ”景观的互补并置指数（IJI）有显著影响，增强了 “汇 ”景观的连通性，降低了 “源 ”景观的多样性，提高了 “汇 ”景观的拦截能力；(4) 信息熵的计算结果显示，生态缓冲带中实践属性值最高的是缓冲带 200 m。总之，研究结果为该流域的核动力源控制和水环境管理提供了参考，并增强了在该流域实施 BMPs 的可行性。
5.利用基于树的机器学习模型在全球生物圈保护区进行洪水易感性预测
题目：Flood susceptibility prediction using tree-based machine learning models in the GBA
期刊：Sustainable Cities and Society
文章原文：https://www.sciencedirect.com/science/article/pii/S2210670723003554
5.1 摘要
粤港澳大湾区（GBA）经常遭受台风带来的洪涝灾害。本研究利用基于树的机器学习（ML）和地理信息系统技术开发了一个评估粤港澳大湾区洪水易感性的框架。在洪水清单的基础上，使用基于树的模型，即随机森林、梯度提升决策树、极端梯度提升和将地形、暴露度和脆弱性作为影响因素的分类提升，来训练和测试 ML 模型，然后使用训练好的模型来预测洪水易感性。所有基于树的 ML 模型都取得了良好的性能，准确率均大于 0.79。在预测洪水易感性方面，分类增强模型的表现优于其他模型。洪水易发性地图显示，全球生物圈保护区超过 16% 的区域被归类为洪水易发性高的区域，近 70% 的历史洪水位于洪水易发性高的区域。沙普利加法解释值摘要的模型解释表明，海拔高度、人口密度和台风强度等影响因素对洪水易感性有很大影响。所获得的空间洪水易感性为减轻全球生物圈保护区的洪水灾害提供了建议。
6.加利福尼亚州的极端降水-温度比例： 大气河流的作用
题目：Extreme Precipitation-Temperature Scaling in California: The Role of Atmospheric Rivers
期刊：Geophysical Research Letters
文章原文：https://onlinelibrary.wiley.com/doi/abs/10.1029/2023GL104606
6.1 摘要
大气河（AR）引起的降水对气候变化的敏感性主要是由于变暖导致大气水蒸气增加所致。然而，基于 AR 的降水随着变暖而加剧的速率以及该速率是否与非 AR 事件不同仍然不确定。这项工作使用多个统计模型来估计加利福尼亚州 AR 和非 AR 事件的区域极端降水-温度缩放率。缩放率是使用冷季每日和每小时降水量以及多个温度变量来确定的，以评估结果的稳健性。我们发现 AR 的区域缩放率始终大于非 AR，特别是对于每小时事件最大值（AR 和非 AR 的后中位缩放率分别为每 °C 5.7％ 和 2.4％）。与非 AR 相比，AR 保持接近饱和状态（即相对湿度较高），并且随着变暖，高空比湿度表现出更大的升力和更强的增加，这有助于解释降水-温度缩放率的差异。
7.CMIP5 和 CMIP6 下的水文预测：不确定性的来源和程度
题目：Hydrological Projections under CMIP5 and CMIP6: Sources and Magnitudes of Uncertainty
期刊：Bulletin of the American Meteorological Society
文章原文：https://journals.ametsoc.org/view/journals/bams/105/1/BAMS-D-23-0104.1.xml
7.1 摘要
对未来水文条件的预测很大程度上依赖于全球气候模型，但模型的性能差异很大。在本研究中，我们根据耦合模型比对项目第五和第六阶段（CMIP5 和 CMIP6）研究了径流 (R)、降水 (P)、蒸散量 (ET) 和土壤湿度 (SM) 的预计变化，并进行了量化他们预测的年度和季节性变化的不确定性。结果表明，所有四个水文变量在全球大部分土地上都呈现增加：CMIP6 的年度预测 R、P、ET 和 SM 将在全球陆地面积的 72%、81%、82% 和 66% 中增加分别是在 2080-99 年相对于 1970-99 年的高排放情景下。我们以年度规模估计了来自不同来源的 CMIP6 的不确定性，发现模型不确定性在二十一世纪的总预测不确定性中占主导地位 [76% (R)、73% (P)、89% (ET) 和 95 % (SM) in the 2090s]，并且内部变异的贡献随着时间的推移而减少。低纬度地区水文预测的不确定性最大。在 CMIP6 中，P 预测变化的不确定性对 R 预测变化的不确定性贡献最大，在年尺度上的贡献达到 93%，其次是 ET 和 SM。总体而言，CMIP5 和 CMIP6 模型在水文变化及其不确定性构成方面的表现相似。本研究为全球气候模型中水文成分的进一步完善和发展提供了理论参考。
8.更高的排放情景会导致美国发生更极端的洪灾
题目：Higher emissions scenarios lead to more extreme flooding in the United States
期刊：Nature Communications
文章原文：https://www.nature.com/articles/s41467-023-44415-4
8.1 摘要
了解美国本土 (CONUS) 洪水的预计变化有助于提高我们适应和减轻这一灾害的能力。在这里，我们使用 28 个全球气候模型的输出和耦合模型比对项目第六阶段的四种情景来评估美国本土洪水的未来变化。我们发现，预计美国大陆的洪水将总体增加，特别是在排放量较高的情况下；存在次区域差异，东北部和东南部（北部和西南大平原）由于季节尺度洪水过程的变化，呈现出洪水增加（减少）趋势较高的趋势。此外，即使在历史时期可能无法检测到思想趋势，这些预测的未来趋势也凸显了当前将气候变化纳入未来基础设施设计和水资源管理的需求。
10.长江流域年际和年内极端径流量的时空变化
题目：Spatiotemporal variations of inter- and intra-annual extreme streamflow in the Yangtze River Basin
期刊：Journal of Hydrology
文章原文：https://www.sciencedirect.com/science/article/pii/S0022169424000283
10.1 摘要
气候变化导致全球河流系统的极端溪流出现异常波动，而人类活动（如筑坝）的叠加加剧了极端溪流的变化，影响了洪水和河流生态系统。然而，人们对极端溪流的多时尺度变化和主要驱动因素了解有限。在本研究中，我们考察了长江流域从 1940 年代到 2020 年年际和年内极端（最大 1 天、连续 3 天和 7 天）径流量（包括量级和时间）的变化规律。此外，还确定了全流域厄尔尼诺/南方涛动事件和大坝对年际和年内极端径流量时空异常的影响。我们发现，在长河源流域和中下游流域，年极端溪流有所增加，但在上游流域则有所减少。春秋两季的极端径流量在源头呈上升趋势，而在其他河段呈下降趋势。中上游河段冬季极端径流出现时间明显推迟。源区和长江上游河段的年际极端径流与厄尔尼诺/南方涛动呈负相关，而中下游河段则呈正相关。年极端径流量的主要异常现象（>50%）一般发生在厄尔尼诺/南方涛动（1+2）年，而降水则对极端径流量的季节分布有影响。在长江河段下游，降水量与年极端径流量和夏季极端径流量之间有很好的相关性，但在长江河段上游，这种关系在 2003 年后完全改变了。此外，大坝的修建严重影响了极端溪流，导致年溪流和夏秋溪流逐步下降，而春冬季溪流则突然上升。这项研究有助于预测极端溪流并制定可持续的流域管理策略。
11.改进结构的 WRF/WRF-Hydro 耦合系统，用于混合径流生成机制的降雨-径流模拟
题目：A WRF/WRF-Hydro coupling system with an improved structure for rainfall-runoff simulation with mixed runoff generation mechanism
期刊：Journal of Hydrology
文章原文：https://www.sciencedirect.com/science/article/pii/S0022169422006242
11.1 摘要
大气-水文耦合系统有助于更深入地了解大气过程与陆地表面过程之间的相互作用，提高水文预报的时空精度，延长预报提前期。WRF-Hydro 是目前广泛使用的水文模块，它与中尺度数值天气模式 WRF 相耦合，用于大气-水文研究和应用。本研究对 WRF-Hydro 的结构进行了改进和扩展，以更好地适应混合径流生成区复杂的降雨-径流转换机制。考虑到地表土壤水分变化对入渗能力的影响，将入渗参数化改为入渗方程，并根据地形指数的概念实现了入渗能力分布曲线的空间离散化。为了收敛径流，在计算马斯金库姆-昆格（MC）河川流量时引入了河道渗漏损失，并在时间上采用可变参数。此外，还努力减少 WRF-Hydro 中的参数校准误差。通过使用带外部漂移的克里格法（KED）插值工具合并天气雷达和雨量计观测数据，提高了 WRF 降水强迫的精度。然后，利用改进的降雨强迫和合并观测数据对 WRF-Hydro 的关键参数进行校准。在单向和与 WRF 模型完全耦合的模式下，对改进的 WRF-Hydro 结构的性能进行了探讨。案例研究选取了华北半湿润和半干旱流域的典型暴雨事件。结果表明，改进后的 WRFHydro 在模拟高峰和陡涨陡落的洪水时更加有效，但也出现了低峰洪水消退更快的问题。改进后的模型结构改变了混合径流的生成比例。从长期来看，入渗径流量增加，饱和径流量减少。单向和完全耦合的 WRF/WRF-Hydro 系统都表明，改进后的结构适用于以入渗-溢出径流生成为主的降雨-径流过程。
12.利用机器学习技术识别绘制洪水易发区地图的基本洪水条件因子
题目：Identifying the essential flood conditioning factors for flood prone area mapping using machine learning techniques
期刊：CATENA
文章原文：https://www.sciencedirect.com/science/article/pii/S0341816218305472
12.1 摘要
河流洪水是一种破坏性极大的自然灾害。人们已经使用了许多方法来研究这一现象；然而，由于对洪水调节因素的了解不足，防控措施仍然受阻。本研究探讨的假设是，在河流洪水模型中使用的数据集中添加更多的调节因子，可提高最终易受影响程度绘图结果的准确性。此外，本研究还评估了单个调节因子对洪水易感性绘图的影响，以及它们在构建潜在洪水区域精确绘图中的重要性。利用决策树（DT）和支持向量机（SVM）这两种稳健的机器学习方法来评估洪水影响因素之间的空间相关性，并评定它们在绘制洪水易发区地图时的重要程度。为此使用了两个数据集：数据集 1 (DS1)： 数据集 1（DS1）：光探测与测距（LiDAR）得出的海拔高度、坡度、坡向、曲率、溪流动力指数（SPI）、地形湿润指数（TWI）、地形粗糙度指数（TRI）和沉积物迁移指数（STI）等因子；数据集 2（DS2）：LiDAR 得出的因子与地质、土壤、土地利用/覆盖（LULC）、与道路的距离和与河流的距离等参数的组合。2011 年在澳大利亚布里斯班发生的特大洪水事件被用作案例研究，其中使用了 DT 和 SVM 技术，并同时使用了两个数据集。此外，多重共线性、方差膨胀因子 (VIF)、皮尔逊相关系数和科恩卡帕分析提供了有关因子间相互关系的有用信息，以及各因子对最终地图精度的影响。精度评估采用了曲线下面积（AUC）法。使用 DS1（激光雷达数据集），SVM 和 DT 的预测准确率最高，分别为 85.52% 和 88.47%。研究发现，海拔高度、SPI 和 TRI 对结果的精确度有显著影响。结论是，在建模中加入其他因素并不一定能保证获得更高的精度。但是，建模方法可以显著改变结果。
13.利用物理编码深度学习的分布式水文建模： 通用框架及其在亚马逊流域的应用
题目：Distributed Hydrological Modeling With Physics-Encoded Deep Learning: A General Framework and Its Application in the Amazon
期刊：Water Resources Research
文章原文：https://onlinelibrary.wiley.com/doi/abs/10.1029/2023WR036170
13.1 摘要
与传统的分布式水文模型（DHMs）相比，深度学习（DL）模型显示出更高的模拟精度，但其主要局限性在于不透明性和缺乏基本物理机制。追求 DL 与 DHM 之间的协同效应是一个引人入胜的研究领域，但明确的路线图仍遥遥无期。在本研究中，开发了一个新颖的框架，该框架无缝集成了以神经网络（NN）编码的基于过程的水文模型、用于从流域属性映射空间分布和物理意义参数的附加 NN，以及代表不充分理解的过程的基于 NN 的替代模型。多源观测数据被用作训练数据，该框架是完全可微分的，可通过反向传播快速调整参数。基于该框架建立了亚马逊流域（6×106 平方公里）的混合 DL 模型，并将全球尺度 DHM HydroPy 作为其物理骨干进行编码。通过同时使用流场观测数据和重力恢复与气候实验卫星数据进行训练，混合模型在动态和分布式模拟流场和总蓄水量时的纳什-萨特克利夫效率中值分别为 0.83 和 0.77，比原始 HydroPy 模型分别高出 41% 和 35%。用替代 NN 取代 HydroPy 中的原始 Penman-Monteith 公式，可得出更合理的潜在蒸散量（PET）估算值，并揭示出这一巨大盆地中潜在蒸散量的空间模式。对用于参数化的 NN 进行了解释，以确定控制关键参数空间变化的因素。总之，这项研究为大数据时代的分布式水文建模提供了可行的技术路线图。
14.基于影响的高分辨率河流洪水预警系统
题目：High-resolution impact-based early warning system for riverine flooding
期刊：Nature Communications
文章原文：https://www.nature.com/articles/s41467-024-48065-y
14.1 摘要
尽管近几十年来洪水预报取得了可观的进展，但最先进的实用洪水预警系统（FEWS）仍需要配备近实时的洪水淹没和影响预报及其相关的不确定性。高分辨率、基于影响的洪水预报可为做出更明智的决策和有针对性的应急行动提供有见地的信息。通过利用高分辨率的前置时间图以及对建筑物和基础设施的潜在影响，现在可以向地方当局提供有价值的信息，以便做出基于风险的决策。在此，我们展示了 2021 年欧洲夏季洪水的综合洪泛区淹没后报，说明了这些可能性，以更好地做好备灾工作，为采取明智的行动提供 17 小时的准备时间。
15.来自正在运行的全球洪水意识系统的每日整体河流流量重新预测和实时预报
题目：Daily ensemble river discharge reforecasts and real-time forecasts from the operational Global Flood Awareness System
期刊：Hydrology and Earth System Sciences
文章原文：https://hess.copernicus.org/articles/27/1/2023/
15.1 摘要
实用的全球规模水文预报系统用于帮助管理洪水和干旱等水文极端事件。迄今为止，支撑预测系统的大量原始数据以及生成预测技能信息的能力尚未公开。作为全球洪水意识系统（GloFAS；https://www.globalfloods.eu/，最后访问：2022 年 12 月 3 日）服务发展的一部分，本文中的每日集合河流流量重新预测和实时预测数据集是免费和可通过哥白尼气候变化服务 (C3S) 气候数据存储 (CDS) 公开获取。其中包括自 2020 年 1 月 1 日开始每天更新的实时预测数据以及一组 20 年的重新预测和相关元数据。本文描述了用于生成实时河流流量预测和重新预测的模型组件和配置。还使用连续排序概率技能得分（CRPSS）对全球河流点进行了集合预报技能评估。结果表明，根据持久性基准预测，GloFAS 在短期（1 至 3 天）和中期（5 至 15 天）内的超过 93% 的流域中表现出色，在扩展范围（16至 30 d) 与气候基准预测相比。然而，不同地点的技能强度差异很大，在热带非洲、南美洲西海岸的广阔水文气候地区以及北高纬度地区以冰雪为主的集水区，GloFAS 被发现在较长的交付时间内没有技能或负技能。预测技能被概括为新的标题技能分数，可作为 GloFAS 预测 Web 地图查看器上的新层来帮助用户解释和理解预测质量。