引言

近年来，具有次季节尺度特征的极端气候和水文事件，如热带气旋、高温热浪以及强降水和流域洪涝等的强度和影响范围日益扩大(任宏利等，2015；李晓岚，2020)。由于缺乏足够早的预警信息，导致应对极端事件的准备和采取措施不充分，全球每年都会因此造成重大人员和财产损失(周佰铨和翟盘茂，2023)。例如，2008年1月我国南方地区历史罕见的低温雨雪低温冰冻过程，2019年8月台风利奇马，2021年山西罕见秋汛等均造成了巨大的社会经济损失(丁一汇等，2008；李健等，2021)；2003年欧洲高温热浪造成3.5万人死亡(Mitton，2008)，2015年巴基斯坦高温热浪一周内造成200多人死亡(Nasim et al, 2018)。对于许多管理决策层来说，次季节预测是主动减灾的一个关键，可为有效防灾减灾、科学风险管理决策提供重要信息，具有潜在的社会和经济价值(齐艳军和容新尧，2014；Vitart et al，2017)。2013年世界气象组织(WMO)制定的次季节到季节(sub-seasonal to seasonal，S2S)气候预测计划(Robertson et al, 2015)有效促进了次季节气候预测的发展，也为S2S水文预测的发展提供了契机。

次季节尺度河川径流可预测性主要来源于气候异常的可预测性和预测开始时刻的陆地水分条件(Mahanama et al, 2008)，将气候模式预测的气候异常和土壤湿度信息带入流域水文模型有助于提高次季节尺度的径流预测能力(Ying et al, 2016)，但两者对径流预测技巧的贡献具有时变特征(Wood and Lettenmaier, 2008; Yuan et al, 2016; Liu et al, 2019；2021)。已有研究表明，基于国家气候中心第二代气候预测模式与水文模型耦合的延伸期、季节尺度的流域径流预测具有一定预测技巧，且干旱半干旱区的黄河流域预测技巧高于南方湿润区的长江、珠江(Liu et al, 2019；2021)。目前，涵盖次季节、季节和年际气候预测的国家气候中心气候预测模式系统(China Meteorological Administration-Climate Prediction System version 3, CMA-CPS v3, 原BCC-CPS v3)已投入业务试运行阶段。与第二代相比，模式的物理过程参数化方案、动力框架等多个方面得以改进优化，水平和垂直分辨率进一步提高(Li et al, 2019; Wu et al, 2019；2020; Lu et al, 2020)。本文将探讨CMA-CPS v3的S2S模式与水文模型耦合的黄河流域未来40 d内的径流及枯水期干旱预测能力，并尝试分析S2S降水预测能力对径流预测精度的影响。

1 数据与方法 1.1 基础数据

观测气候数据为2004年以来降水和气温逐日序列，该套数据来源于国家气象信息中心整编的2000多个国家级一般气象站和基准气候站逐日气候观测数据集。

国家气候中心研发的CMA-CPS v3气候模式预测业务系统基于高分辨率气候模式BCC-CSM2-HR(大气水平分辨率：约45 km，海洋水平分辨率：0.25°)，发展了耦合同化和集合预测方法，包含S2S、季节、年际气候预测。其中，S2S预测子系统提供未来60 d的次季节尺度气候预测，季节预测子系统提供未来7个月的季节-年际尺度气候预测。受计算资源限制，S2S历史回报只开展了2006—2020年部分起报日的气候回报，每次模拟包含4个成员。从2021年起的实时预测则每天运行，于当天北京时间18：10定时启动4个并行作业，构成4个集合成员。本研究所用的气候模式数据来自S2S气候预测子系统2006年以来的回报和实时预测数据集中的降水、气温数据，取离预测月第一天最近的前一个月最后6 d的逐日降水量和日平均气温。表 1列出了每月1日径流回报所使用的气候驱动数据的起报日期及对应预测时段起止日期。

1.2 水文模型与径流回报

HBV最初由瑞典国家水文气象局开发，之后不断改进，已经在几十个国家得到广泛应用(徐宗学，2009)，包括在中国不同气候、不同地质地貌地区的应用(赵彦增等，2007；董立凡等，2016；米玛次仁等，2019)。本研究采用针对大尺度流域水文模拟开发的HBV-D模型(Krysanova et al, 1999)模拟黄河流域花园口站的逐日径流，模拟过程中不考虑水库调度和人类取用水问题。前期研究表明该模型能够较好地模拟花园口站的月天然径流过程，率定期(1961—1980年)和验证期(1981—1998年)的纳什效率系数分别为0.76和0.73，径流量模拟偏差均为3.7%，相关系数分别为0.88和0.86(Liu et al, 2021)。在此基础上，进一步分析了该模型对1961—1998年枯水段11—3月的月径流模拟能力，逐月模拟径流与观测径流的相关系数分别为0.91、0.71、0.70、0.64、0.76，表明能较好地模拟枯水期月径流过程。因此用2006—2020年每月1日起1~40 d的S2S模拟气候和提前2年的观测气候驱动该水文模型开展径流回报，然后提取预测时段内的逐日径流建立径流回报数据集和径流异常预测模型，并开展检验评估。

从表 1可以看出，径流集合回报成员对应的大气初值日期相差很大。考虑到预测时效和成员个数对集合预测技巧均有影响，按照预测时效由短到长、预测成员由少到多的顺序设计了不同的径流集合预测方案，对应的成员个数分别为4、8、12、16、20、24个，用以分析预测时效和集合成员个数对集合预测技巧的影响。图 1给出了以7月1日为起报日的径流回报集合成员的构成方式。

1.3 径流预测模型

径流异常包括时段平均的确定性预测、集合概率预测，以及时段内干旱发生概率预测。确定性预测是指预测时段内集合平均值与历史同期多年平均值的距平百分率。时段平均的集合概率预测为三分类预测，指预测时段内累计径流量落在同期第33.3%分位阈值以内、第33.3%~第66.7%分位阈值和超过第66.7%分位阈值的成员个数百分比。多年平均值为2006—2020年平均的预测时段平均径流量，三分位阈值为2006—2020年预测时段内所有集合成员时段平均径流量样本序列的第33.3%、第66.7%分位阈值。

考虑到11月至次年3月黄河流域径流偏枯，用该时段历史回报的逐日径流序列定义干旱阈值。首先对所有集合成员2006—2020年11月至次年3月每个月1日起报的1~40 d的逐日径流进行10 d滑动平均，然后对滑动平均值按从小到大排序，计算第15%、第10%分位数值，分别对应1级干旱阈值、2级干旱阈值。在此基础上，基于实时预测的1~40 d逐日径流计算10 d滑动平均值，通过式(1)计算1、2级干旱发生概率。

$ \begin{gathered} p_{\text {drought }}=\frac{\sum\limits_{i=1}^N \sum\limits_j^M f\left(R_{i j}\right)}{N \times M} \\ f\left(R_{i j}\right)= \begin{cases}1 & R_{i j} \ll \text { Threshld }_{\text {drought }} \\ 0 & R_{i j}>\text { Threshld }_{\text {drought }}\end{cases} \end{gathered} $

(1)

式中：p为极端径流发生概率；Threshld_drought为干旱阈值；N为预测时段内的10 d滑动平均值个数，40 d的预测共得到30个滑动平均值；M为集合预测成员个数，这里用6 d初始场、每天4个样本，共构成24个集合成员。

1.4 径流预测能力评估及其变化原因分析

用平均方差技巧评分(mean square skill score，MSSS)、距平相关系数(anomaly correlation coefficient，ACC)评估径流确定性预测技巧，相对操作特征曲线面积(area under the relative operating characteristic curve，AUC)评估三分类概率预测技巧。MSSS越接近1预测技巧越高，小于0表示预测技巧低于多年平均值预测; ACC正值表明预测偏差与观测偏差正相关，越接近1表示相关程度越高; AUC在[-1, 1]，值越接近1预测技巧越高，0.5表明无技巧。用这3个指标检验评估每个月1~40 d逐日径流, 1~30 d、11~40 d时段平均径流的预测技巧。在此基础上，用12个月1~40 d逐日径流预测技巧评分的算术平均值直观反映预测技巧随预测时效的变化。

用布赖尔技巧评分(Brier score，BSS)评估干旱预测技巧。BSS在[-1, 1]，值越大预测技巧越高，大于0表示预测技巧高于多年平均值预测。为了保证较多的极端事件样本，只评估由24个成员构成的集合预测性能，不评估2、4、8、12、20个成员的集合预测性能。考虑到干旱的时间持续性，用10 d滑动平均流量计算干旱概率。

在径流预测技巧评估基础上，通过对比观测降水和观测径流相关性、S2S降水预测技巧和径流预测技巧的同期变化，进一步分析S2S模式降水预测能力对径流预测技巧的影响。

2 结果分析 2.1 径流回报能力评估

图 2展示了黄河流域每月1日起报的MSSS、ACC、AUC随预测时效的逐日变化。由图可见，12月1日和1月1日起报的未来40 d内的预测技巧随时间变化不明显，所有值接近1.0；7、8、9月25 d之后的MSSS、ACC预测技巧出现较多负值，AUC低于0.5；4、6、9、11月时段内波动较大；其他月份下降趋势明显，但MSSS、ACC基本为正值，AUC高于0.5。总体呈现出预测技巧随预测时效延长逐渐降低的变化特征，1~30 d预测技巧高于11~40 d。冬季3个月(12、1、2月)的预测技巧相对高，7、8、9月的预测技巧相对低，其他月份处于中间(图 3)。对于三分类概率预测，1~30 d的所有月份正异常级、负异常级、正常级的AUC平均值分别为0.94、0.85、0.77，11~40 d内的值分别为0.89、0.81、0.66，表明异常级预测技巧通常高于正常级，正异常级预测技巧高于负异常级(图 3)。

图 4展示了4、8、12、16、20个成员与24个成员的径流集合预测技巧之差。可以看出，9月16个成员的ACC值最高，10月8个成员的集合预测MSSS和ACC值最高，其余多数月份MSSS和ACC值通常随集合成员增多而增高，即24个成员时集合预测技巧最高，4个成员时集合预测技巧最低。

对于干旱概率预测，表 2列出了11月至次年3月干旱概率预测的BSS评分。其中，11月至次年2月的预测技巧在0.774~0.998，明显高于3月的预测技巧，且发生频率较高的1级干旱预测技巧通常高于较少发生的2级干旱预测。

2.2 2021年月径流异常预测检验 2.2.1 2021年流域水资源异常实况

2021年黄河经历了中上游的严重夏旱和中游的严重秋汛。5月下旬至8月中旬，中等程度的气象干旱从甘肃南部局地逐步扩展到甘肃南部、宁夏、陕西中北部等地，部分地区出现了重旱甚至极旱，至9月底气象干旱基本解除(图 5)。持续干旱给当地的农业和水资源等带来了较大影响。上游的唐乃亥水文站在7月、8月连续2个月出现流量偏枯，分别较1956—2015年同期均值偏少14.4%和11.3%。9月和10月受多次降水过程影响，黄河流域平均降水达264.6 mm，较常年同期偏多1.6倍，为1961年以来历史同期最多，中下游出现严重秋汛，支流渭河、伊洛河、沁河发生有实测资料以来同期最大洪水。

2.2.2 2021年地表水资源异常预测及与实况对比

图 6给出了2021年5—10月黄河流域花园口以上集水区观测降水、预测降水、观测降水驱动的模拟径流、预测降水驱动的预测径流的逐月异常变化。图中显示，2021年5—10月花园口以上集水区实况降水(实况模拟径流)在5月、7月、8月分别偏少14.5%(13.7%)、26.7%(59.4%)、14.3%(52.5%)，6月、9月、10月依次偏多2.2%(34.7%)、89.5%(29.3%)、172.4%(145.8%)，二者均基本反映了5—8月气象干旱以及9月和10月水资源丰富、秋汛严重的情况。气候模式预测出了5月、7月和10月的降水异常方向，但与6月、8月、9月实况降水异常方向相反。

5—10月花园口站预测径流异常百分率分别为-0.2%、-7.0%、-9.2%、-16.5%、-20.3%、9.5%，成功预测出了除6月、9月外的其他4个月的径流异常方向，但异常程度存在差异。也就是说，气候模式和水文模型都没能成功预测6月和9月的降水和径流异常，但是尽管气候模式没能预测出8月降水异常方向，水文模型却提供了正确的径流异常预测方向。表明除了降水，径流预测技巧还受其他因素的影响(Yuan et al, 2016；Liu et al, 2021)。

2.3 径流预测技巧变化原因分析

图 7展示了2006—2020年每月1日起未来40 d的观测径流量和观测降水量的相关系数(以下简称降水径流系数)，以及24个集合成员的径流回报预测技巧逐月变化，可以看出枯水期的径流预测技巧高于丰水期，径流预测技巧年内变化与降水-径流相关系数变化互为反位相，即径流预测技巧低时降水-径流相关程度高，反之相关程度低。表明当降水对径流影响大时，S2S模式预测降水偏差易导致径流预测技巧降低；而降水影响小时，预测技巧相对要高。

图 8展示了2006—2020年24个集合成员的每月1日起未来40 d的径流量和降水量逐日预测技巧，可以看出径流量和降水量的预测技巧均随预测时效延长而下降，但降水量的三分类概率预测技巧在2个星期后几乎没有趋势性的变化。与降水相比，径流的预测技巧评分更高，其三分类预测技巧向下变化趋势更明显。表 3给出了逐月回报的1~30 d的径流和降水回报预测技巧之差(11~40 d图略)，可以看出径流预测技巧明显高于降水预测技巧。这些均表明，还有降水之外的其他因素在影响径流预测技巧。

郝立生等(2020)和彭阳等(2021)认为水文初值和大气驱动是影响径流预测的主要因素，水文初始状态在枯水期对径流影响的持续时间比丰水期长，基于流量的干旱预测技巧可长达1个月。另外，预测时间为冬季且起报时MJO为强信号的情况下，多数S2S模式的MJO具有高预测技巧，而MJO可影响东亚副热带和中纬度地区的降水。结合这几方面的分析，在水文模型能够较好地模拟径流过程从而得到较好的水文初值的情况下，有理由认为S2S降水预测精度是影响丰水期径流预测水平的一个重要因素。

3 结论与讨论

基于CMA-CPS v3 S2S气候模式和HBV水文模型，尝试开展了黄河流域花园口站1~40 d的径流确定性预测、概率预测以及极端干旱概率预测，应用WMO推荐的几个指标定量评估了所建模型的预测技巧，得到如下结论：

(1) 模型能够以较高的技巧提供未来40 d的时段平均的黄河流域径流预测信息。预测技巧总体上呈现随预测时效延长而下降的趋势，1~30 d的预测技巧高于11~40 d预测，但逐日预测技巧不确定性高。

(2) 集合成员个数对径流集合预测技巧有一定影响。在几个设计方案中，4个成员的集合预测方案技巧低，24个成员的集合预测方案技巧高。

(3) 冬季预测技巧高于夏季预测技巧，异常级预测技巧高于正常级，正异常级预测技巧高于负异常级预测。S2S降水模拟精度是影响丰水期径流预测准确性的一个重要因素。

(4) 秋末和冬季各月干旱概率预测有一定预测技巧，出现频率高的1级干旱预测技巧高于出现频率较低的2级干旱预测。

本研究尝试分析了40 d内降水和径流日预测技巧的变化以及模式降水对径流预测能力的影响，丰富了S2S尺度上水文初值、大气驱动对径流预测影响的相关研究内容。预测技巧的逐日变化反映了当前S2S气候模式的预测水平，2周特别是3周之后的逐日气候预测不确定性高，但时段平均的气候异常预测具有一定技巧。虽然BSS对于小样本和罕见极端事件的检验评估具有一定局限性，但在预测用户能够根据预测干旱意见采取预防措施的情景下，集合预测的经济价值可达60% (Fundel et al, 2013)。筛选更为合适的指标开展干旱预测和检验评估，以及改进气候预测模式，都有望提高径流异常预测的可靠性。