2026, Vol. 52 
2. 中国气象局武汉暴雨研究所全国暴雨研究中心，武汉 430205；
3. 中国气象局水文气象重点开放实验室，北京 100081；
4. 洪涝灾害风险预警与防控应急管理部重点实验室，南京 210098；
5. 河海大学水文水资源学院，南京 210098；
6. 南京信息工程大学水文水资源工程学院，南京 210044；
7. 江苏省水文水资源勘测局，南京 210029
2. Heavy Rainfall Research Center of China, Institute of Heavy Rain, CMA, Wuhan 430205;
3. CMA Hydro-Meteorology Key Laboratory, Beijing 100081;
4. Key Laboratory of Flood Disaster Risk Warning, Prevention and Mitigation, Ministry of Emergency Management, Nanjing 210098;
5. College of Hydrology and Water Resources, Hohai University, Nanjing 210098;
6. School of Hydrology and Water Resources, Nanjing University of Information Science and Technology, Nanjing 210044;
7. Hydrology and Water Resources Investigation Bureau of Jiangsu Province, Nanjing 210029
全球变暖使得地球气候系统不稳定性加大，极端天气气候事件更加频发、重发，我国是全球极端天气气候事件发生频次与强度较高的国家之一(唐红玉等，2025)。自20世纪60年代开始，我国极端降水发生频次和强度显著增加(中国气象局气候变化中心，2025；罗连升等，2025；王乙竹等，2025)。2011年以来，我国多雨带北扩，年降水量400~800 mm区域(半湿润区)面积明显增加(张元春等，2023；马强等，2024；李娟等，2025；陈瑾，2025)。北方地区汛期暴雨发生次数增多, 强度显著增强，近5年暴雨发生次数较20世纪90年代增加5成，暴雨过程综合强度较常年同期偏高5成。北方地区局地强降水致灾强度趋强，城市化建设与流域下垫面水文条件变化，对暴雨洪水灾害，特别是对大洪水灾害防控与应急管理提出了新的挑战(李致家等，2025)。
2025年7月23—29日，受强降水影响，海河流域潮白河、滦河、大清河等多条河流发生暴雨洪水，其中潮白河发生1959年以来最大洪水(刘伟和翟宝辉，2025)。洪水主要影响北京市密云、怀柔、延庆等区及其上游地区，洪水特点主要包括(北京市水务局，2025)：(1)洪峰流量超历史。支流琉璃河、白马关河、牤牛河、清水河、红门川河的洪峰流量分别达到2180、1280、925、3160、798 m3·s-1，分别为历史调查最大洪峰的1.2、1.3、1.2、2.6、1.2倍；入库主要河流白河洪峰流量为4380 m3·s-1，是自1951年建站以来最大洪水(1998年)的1.7倍；多河流汇流累加，导致密云水库入库洪峰流量最高达6550 m3· s-1，是建库以来最大入库流量(1994年)的1.8倍，也是多年平均入库流量(27.1 m3·s-1)的242倍。(2)洪水过程洪量大。密云水库最大7 d(7月26日至8月2日)入库水量达9.8亿m3，为历史最大7 d入库水量(1974年)的1.4倍；入库流量高于4000 m3· s-1的持续时间达10 h，其入库水量达到1.87亿m3。(3)洪水汇流速度快。白河洪水流量从7月26日23：30(北京时，下同)的594 m3·s-1涨至4380 m3· s-1，仅用3.5 h；密云水库入库流量6 h内从569 m3· s-1涨至6550 m3·s-1；3 h内从2400 m3·s-1涨至4550 m3·s-1。
潮白河流域内含有数量众多无资料或者缺资料的山洪沟溪小流域，且多处于上游山区。本次区域性大洪水中，上游山洪沟溪小流域洪水汇流叠加向下游演进，是造成洪水的主要因素之一，传统的洪水预报预警方法难以准确刻画上游众多山洪沟溪小流域洪水过程及其对整个流域洪水演进的影响，亟需借助精细化分布式水文模型对流域进行深度分析与研究，以提高对山洪叠加引发的河流洪水预报预警能力。
21世纪以来，分布式水文模型能够精细刻画流域降雨径流物理过程，更精准模拟出水文要素在流域空间上的时空动态变化，已经成为国内外解决无资料和缺资料河流洪水、山洪预报预警中的主要技术之一(Astagneau et al，2021; 2024；Dang and Anh, 2024；Huynh et al，2023；2024；Piazzi et al，2021；Akter and Sawon, 2025；Georgakakos and Barrett, 2025；Bao et al, 2011；刘志雨等，2010；2021；彭涛等，2014；叶金印等，2014；包红军等，2016a；2016b；2016c；2017；2020a；2020b；2021b)。面向洪水预报，结合概念性产流模型与具有物理机制汇流模型的分布式水文模型是提升河流洪水、山洪预报预警精度重要手段(包红军等，2016c)。国内外水文模型架构中产流模式主要包括两种，即蓄满和超渗。潮白河流域属于半湿润半干旱地区，由于流域水文气象件以及下垫面变化，两种产流模式常常交替混合出现(李致家等，2025)。Bao et al(2017)基于流域DEM(Digital Elevation Model)高程、植被和土壤类型等下垫面资料，发展了基于DEM栅格的蓄超混合产流模型，结合运动波汇流模型，构建了基于混合产流和运动波汇流的分布式水文模型(Grid-and-Mixed-runoff-generation-and- Kinematic-wave-based Hydrological Model，GMKHM)，并在嘉陵江支流与黄河沁河等流域洪水预报中获得良好结果(包红军等，2017；Bao et al，2017)。
本次研究拟面向潮白河流域水文特性，在GMKHM分布式水文模型中引入径流曲线数和地形指数来改进基于DEM栅格的蓄超产流计算精度，并在分水源计算中增加补给深层地下水计算模块。采用GMKHM分布式水文模型实现潮白河流域洪水模拟：分别选取白河张家坟水文断面、潮河下会水文断面、清水河葡萄园水文断面，建立基于GMKHM分布式水文模型的潮白河流域洪水模拟模型，重现潮白河流域洪水的过程特征，并评估模型的适用性与精度，为提高北方流域暴雨洪水防控与应急管理提供科学支撑。
1 潮白河流域与数据 1.1 研究流域潮白河是海河流域五大水系之一，位于蓟运河以西、北运河以东，上游主要有白河、潮河两支。潮河发源于河北省丰宁满族自治县槽碾沟南山，白河发源自河北省坝上高原沽源县丹花岭，均于北京市密云区境内注入密云水库，在水库下游河槽村处汇合后称潮白河。潮白河贯穿河北、北京、天津，至宁车沽闸入永定新河入海。全长467 km，流域总面积19 354 km2，其中山区面积占86.9%，丘陵平原占13.1%。主要支流包括安达木河、小汤河、红河、清水河、黑河以及天河等河流，和云州、密云、怀柔共三座大型水库。流域多年平均降水量为600 mm左右，集中在7—8月。
本次研究选取潮河下会以上流域(简称潮河流域)、白河张家坟以上流域(简称白河流域)、潮白河支流清水河葡萄园以上流域(简称清水河流域)为研究区域，控制断面分别为下会、张家坟、葡萄园，集水面积分别为5340、8506、541 km2。白河流域有云州、白河堡、汤泉等水库，潮河流域和清水河流域均无大中型水库。本次暴雨洪水过程暴雨中心均不在流域水库控制范围，水库调节对洪水过程特别是洪峰影响不大。三个流域水系分布如图 1所示。
|
图 1 三个流域水系分布示意图 (a)潮白河流域整体概貌及测站，(b)潮河流域地形，(c)白河流域地形，(d)清水河流域地形 Fig. 1 Schematic diagram of water system distribution in the three basins (a) overall overview of Chaobai River Basin and the distribution of observation stations, (b) topography of Chaohe River Basin, (c) topography of Baihe River Basin, (d) topography of Qingshui River Basin |
本次研究中使用的30″×30″分辨率的DEM数据来源于美国国家地质调查局(http://edc.usgs.gov/products/elevation/gtopo 30/gtopo30.html)，30″×30″分辨率的土地利用数据、土壤类型数据来源于世界土壤数据库(http://www.fao.org/geonetwork/srv/en/main.home)。三个流域土地利用、土壤类型分布如图 2、图 3所示。
|
图 2 三个流域土地利用分布示意图 (a)潮河流域，(b)白河流域，(c)清水河流域 Fig. 2 Schematic diagram of land use distribution in the three basins (a) Chaohe River Basin, (b) Baihe River Basin, (c) Qingshui River Basin |
|
图 3 三个流域土壤类型分布示意图 (a)潮河流域，(b)白河流域，(c)清水河流域 Fig. 3 Schematic diagram of soil type distribution in the three basins (a) Chaohe River Basin, (b) Baihe River Basin, (c) Qingshui River Basin |
流域水文气象资料来自于中国气象数据网(http://data.cma.cn/)与水利部全国水雨情信息网(http://xxfb.mwr.cn/)，收集了潮河、白河、清水河流域2025年逐日水文气象资料和典型洪水的小时水文气象资料。考虑到大洪水条件下易造成气象站点数据传输中断，导致卫星、雷达、地面自动站多源融合降水数据质量下降，本次研究降水资料采用恢复后的气象站点数据，并采用反距离权重法(芮孝芳，2004)将其插值为0.05°×0.05°空间分辨率网格点降水，作为GMKHM分布式水文模型的输入大气强迫，三个流域的降水与水文站信息如表 1所示。
|
表 1 三个流域的测站信息 Table 1 Numbers of rainfall stations and hydrological stations in the three basins |
本次潮白河流域致洪降水过程主要发生在2025年7月23日08时至28日14时。7月初，西北太平洋副热带高压北跳并稳定维持在30°N以北，20日之后一直维持在30°~38°N范围，外围强盛的暖湿气流长时间控制华北地区(雷蕾等，2026)，同时台风“范斯高”“竹节草”外围的东南气流向华北地区远距离输送水汽，整层可降水量达60~70 mm，潮白河流域暖湿气流充沛；强盛的低空急流以及冷暖空气交汇产生的低层切变线在华北地区稳定维持，有利于水汽辐合抬升及触发不稳定能量释放，中尺度对流系统也存在明显的后向传播和列车效应的特征(陈双等，2026)；再加上潮白河流域位于燕山山脉，主峰雾灵山(海拔2116 m)位于密云水库上游的潮白河源头区域，流域所属山脉的复杂地形对强降水落区和量级有明显的增幅作用，导致了潮白河流域强降水过程的发生(图 4)。
|
图 4 2025年7月23日08时至28日14时三个流域累计降水量 (a)潮河流域，(b)白河流域，(c)清水河流域 Fig. 4 The accumulated rainfall in the three basins from 08:00 BT 23 to 14:00 BT 28 July 2025 (a) Chaohe River Basin, (b) Baihe River Basin, (c) Qingshui River Basin |
潮河流域分析。7月23日08时至28日14时，流域面雨量为163.2 mm(图 5)；流域内19个站中有4个站累计降水量超过250 mm，最大为445.3 mm，降水中心位于流域下游。流域最强降水出现在26日16时至27日04时，流域面雨量为103.9 mm，达到特大暴雨级别。站点最大1、3、6、12、24 h降水量分别为59.4、133.6、153.8、178.2、201.8 mm。
|
图 5 2025年7月23日08时至28日14时潮河流域逐小时面雨量时间序列 Fig. 5 Hourly areal rainfall in Chaohe River Basin from 08:00 BT 23 to 14:00 BT 28 July 2025 |
白河流域分析。7月23日08时至28日14时，流域面雨量为104.5 mm(图 6)；流域内61个站中有29个站累计降水量超过100 mm，最大为304.5 mm，降水中心位于流域下游。流域最强降水出现在26日14时至27日02时，流域面雨量为36.8 mm，达到暴雨级别。站点最大1、3、6、12、24 h降水量分别为83.0、169.0、202.9、215.4、228.3 mm。
|
图 6 2025年7月23日08时至28日14时白河流域逐小时面雨量时间序列 Fig. 6 Hourly areal rainfall in Baihe River Basin from 08:00 BT 23 to 14:00 BT 28 July 2025 |
清水河流域分析。23日08时至28日14时，流域面雨量为428.7 mm(图 7)；流域内24个站中有17个站累计降水量超过400 mm，最大为603.5 mm，降水中心位于流域上游。流域最强降水出现在27日21时至28日09时，流域面雨量为237.4 mm，达到特大暴雨级别。站点最大1、3、6、12、24 h降水量分别为86.0、187.0、325.9、379.4、400.3 mm。
|
图 7 2025年7月23日08时至28日14时清水河流域逐小时面雨量时间序列 Fig. 7 Hourly areal rainfall in Qingshui River Basin from 08:00 BT 23 to 14:00 BT 28 July 2025 |
潮白河流域地处温带季风型大陆性气候带，属于半湿润半干旱流域，流域兼有蓄满产流与超渗产流两种产流机制。本次研究采用包红军等(2017；2021a)、Bao et al(2017)提出的GMKHM分布式水文模型构建潮白河流域水文模拟模型，可以很好地反映流域复杂的产流机制，具有较好的模型适用性。模型共有12个参数，包括：蒸散发折算系数、张力水容量、张力水容量曲线指数、不透水面积比例、自由水蓄水容量、自由水容量曲线系数、地下水出流系数、壤中流出流系数、地下水消退系数、壤中流消退系数、稳定下渗率、河道曼宁糙率系数。参数取值采用先验估计方法建立GMKHM分布式水文模型与潮河、白河和清水河等三个流域地貌、土壤与陆面覆盖信息之间定量关系，可直接获取(包红军等，2017)。
产流模型的改进。本次研究中，构建基于DEM栅格的时空动态组合蓄超混合产流模型。具体计算按以下步骤：(1)流域初始产流单元类别根据径流曲线数来初判。该产流单元的径流曲线数阈值如大于其实际的径流曲线数N，划归为蓄满产流单元；如小于等于N，则划归为超渗产流单元。(2)根据流域产流单元的地形指数值对(1)的结果进行修正。针对蓄满产流单元，当其地形指数阈值M高于实际地形指数值时，划归为超渗产流单元；针对超渗产流单元，当其地形指数阈值L低于实际地形指数值时，划归为蓄满产流单元。根据李致家等(2015)和刘玉环等(2020)的研究成果，本研究中N取60，M取7，L取25。模型逐时间步长运行计算产流时，根据实时计算出来的该时间步长的流域每个产流单元的雨强、下渗能力和土壤含水量要素值，实现时空动态识别流域产流单元属性。
增加基于DEM栅格的补给深层地下水模块。本次研究中，借鉴李致家等(2012)的方法，在GKMHM分布式水文模型的栅格分水源计算时，增加一个“虚拟水库”，即自由水首先要补给“虚拟水库”，蓄满后才能形成地下径流及壤中流。这样能够模拟出海河流域地下水超采形成的流域地下水漏斗对降雨产流的影响。
3.2 白河流域洪水模拟与分析图 8是GMKHM水文模型对2025年7月23日08时至28日14时白河流域洪水过程的逐小时流量模拟。表 4是本次洪水模拟的特征值表。由模拟结果可见，GMKHM分布式水文模型可以较好地模拟白河流域的这次洪水过程：径流深误差为13.7%，洪峰流量为4380 m3·s-1, 相对误差为-1.8%，洪峰出现时间误差为0 h。根据《水文情报预报规范》(中华人民共和国国家质量监督检验检疫总局和中国国家标准化管理委员会，2009)中的相关指标，确定性系数达到0.89，达到乙等预报精度(0.9＞确定性系数≥0.7)，接近甲等预报精度(确定性系数≥0.9，下同)。
|
图 8 2025年7月23日08时至28日14时白河流域逐小时流量模拟 Fig. 8 Hydrograph of hourly discharge simulation for Baihe River Basin from 08:00 BT 23 to 14:00 BT 28 July 2025 |
|
|
表 2 GMKHM分布式水文模型在白河流域模拟特征值表 Table 2 Flood simulation characteristics of GMKHM distributed hydrological model for Baihe River Basin |
图 9是GMKHM水文模型对7月23日08时至28日14时潮河流域洪水过程的逐小时流量模拟。表 4是本次洪水模拟的特征值表。本次洪水属于双峰型，由模拟结果可见，GMKHM分布式水文模型可以较好地模拟潮河流域的这次洪水过程：径流深误差为7.1%，最大洪峰为940 m3·s-1，流量相对误差为-4.0%、出现时间误差为0 h；第二个洪峰为850 m3·s-1，流量相对误差为-4.4%，洪峰出现时间误差为-1 h。确定性系数达到0.87，达到乙等预报精度，接近甲等预报精度。
|
图 9 2025年7月23日08时至28日14时潮河流域逐小时流量模拟 Fig. 9 Hydrograph of hourly discharge simulation for Chaohe River Basin from 08:00 BT 23 to 14:00 BT 28 July 2025 |
|
|
表 3 GMKHM分布式水文模型在潮河流域模拟特征值表 Table 3 Flood simulation characteristics of GMKHM distributed hydrological model for Chaohe River Basin |
图 10是GMKHM水文模型对7月23日08时至28日14时清水河流域洪水过程的逐小时流量模拟。表 4是本次洪水模拟的特征值表。由模拟结果可见，GMKHM分布式水文模型可以较好地模拟清水河流域的这次洪水过程：径流深误差为10.2%，洪峰流量相对误差为0.9%，洪峰出现时间误差为1 h。确定性系数达到0.92，达到甲等预报精度。
|
图 10 2025年7月23日08时至28日14时清水河流域逐小时流量模拟 Fig. 10 Hydrograph of hourly discharge simulation for Qingshui River Basin from 08:00 BT 23 to 14:00 BT 28 July 2025 |
|
|
表 4 GMKHM分布式水文模型在清水河流域模拟特征值表 Table 4 Flood simulation characteristics of GMKHM distributed hydrological model for Qingshui River Basin |
不确定性分析。洪峰出现时间出现1 h误差，主要是由于在葡萄园断面的上游约900 m处的佛山东路跨河桥(葡太路3#桥)处，7月28日05时起，右侧堤防发生漫溢，洪水漫过堤防穿过佛山东路跨河桥引桥后，向北和西北方向的村庄漫溢，分流了河道洪水。本次研究中，模型没有考虑到洪水漫溢情况，导致河道洪水向下游继续演进，洪峰偏大且滞后1 h。另外，由于本次研究中对清水河流域历史典型洪水的水文气象资料缺乏，导致模型参数与模拟结果存在一定的不确定性。
4 结论与讨论本次研究基于GMKHM分布式水文模型模拟复盘潮白河流域“25·7”区域大洪水，针对潮白河流域产汇流机制与洪水形成特点，采用中国气象局区域气象站逐小时降水观测产品作为模型降水输入，引入径流曲线数和地形指数发展基于流域DEM栅格产流单元的时空动态组合的蓄超产流模型，并在分水源计算中增加补给深层地下水模块，分别建立了潮河、白河和清水河流域洪水模拟的分布式水文模型。结果显示，模型改进与适配性验证成效显著，结合潮白河流域半湿润半干旱的水文特征，引入径流曲线数与地形指数构建时空动态组合蓄超产流模型，能够精准识别流域栅格尺度蓄满/超渗产流单元；新增深层地下水补给“虚拟水库”模块，有效刻画了海河流域地下水漏斗对降雨产流的影响机制。改进后的GMKHM模型对2025年7月23日08时至28日14时洪水过程模拟良好，成功复现了“25·7”洪水“峰高、量大、汇流快”的核心特征，在潮河和白河流域达到了乙等精度，清水河流域达到了甲等精度，对我国北方流域，特别是无资料/缺资料河流洪水预报预警与山洪灾害预警有一定的借鉴意义。
实时洪水预报预警业务中，需要引入降水预报强迫场，提升洪水预报的提前量与精准度，为洪水防控与应急救灾赢得更多有效的响应时间。我国已经建立自主可控的完整数值预报体系和0~60 d智能数字气象预报体系(金荣花等，2019)，但目前面向洪水预报预警的流域定量降水预报呈现“两头难”的情况，即短时临近和延伸期至气候预测尺度精度相对不高。针对洪水临灾预警，包红军等(2021a)发展了短时临近降水集合预报技术，有效提升了短时临近降水预警能力。然而，如何进一步融合气象人工智能短时临近模型(Zhang et al, 2023；盛杰等，2025)的先进算法，提升短时临近降水预报精准度与更新效率，已成为当前提高洪水预报预警精度的关键研究方向之一。
包红军, 曹勇, 曹爽, 等, 2021a. 基于短时临近降水集合预报的中小河流洪水预报研究[J]. 河海大学学报(自然科学版), 49(3): 197-203. Bao H J, Cao Y, Cao S, et al, 2021a. Flood forecasting of small and medium-sized rivers based on short-term nowcasting and ensemble precipitation forecasts[J]. J Hohai Univ (Nat Sci), 49(3): 197-203 (in Chinese).
|
包红军, 张恒德, 许凤雯, 等, 2021b. 国家级水文气象预报业务技术进展与挑战[J]. 气象, 47(6): 671-684. Bao H J, Zhang H D, Xu F W, et al, 2021b. Progress and challenge of national level operational technology for hydrometeorological forecasting[J]. Meteor Mon, 47(6): 671-684 (in Chinese).
|
包红军, 曹勇, 林建, 等, 2020a. 山洪灾害气象预警业务技术进展[J]. 中国防汛抗旱, 30(9-10): 40-47. Bao H J, Cao Y, Lin J, et al, 2020a. Operational technology advances in meteorological early warning for flash flood disasters[J]. China Flood Drought Manage, 30(9-10): 40-47 (in Chinese).
|
包红军, 林建, 曹爽, 等, 2020b. 基于流域地貌的中小河流致洪动态临界面雨量阈值研究[J]. 气象, 46(11): 1495-1507. Bao H J, Lin J, Cao S, et al, 2020b. Topography-based dynamic critical arearainfall threshold for small to middle-sized river flood warning[J]. Meteor Mon, 46(11): 1495-1507 (in Chinese).
|
包红军, 李致家, 王莉莉, 等, 2017. 基于分布式水文模型的小流域山洪预报方法与应用[J]. 暴雨灾害, 36(2): 156-163. Bao H J, Li Z J, Wang L L, et al, 2017. Flash flood forecasting method based on distributed hydrological models in a small basin and its application[J]. Torr Rain Dis, 36(2): 156-163 (in Chinese).
|
包红军, 王莉莉, 李致家, 等, 2016a. 基于Holtan产流的分布式水文模型[J]. 河海大学学报(自然科学版), 44(4): 340-346. Bao H J, Wang L L, Li Z J, et al, 2016a. A distributed hydrological model based on Holtan runoff generation theory[J]. J Hohai Univ (Nat Sci), 44(4): 340-346 (in Chinese).
|
包红军, 王莉莉, 李致家, 等, 2016b. 基于混合产流与二维运动波汇流分布式水文模型[J]. 水电能源科学, 34(11): 1-4, 21. Bao H J, Wang L L, Li Z J, et al, 2016b. Grid-based distributed hydrological model with mixed runoff model and two-dimensional kinematic wave flow model[J]. Water Resour Power, 34(11): 1-4, 21 (in Chinese).
|
包红军, 王莉莉, 沈学顺, 等, 2016c. 气象水文耦合的洪水预报研究进展[J]. 气象, 42(9): 1045-1057. Bao H J, Wang L L, Shen X S, et al, 2016c. A review: advances of flood forecasting of hydro-meteorological forecast technology[J]. Meteor Mon, 42(9): 1045-1057 (in Chinese).
|
北京市水务局, (2025-08-19). 水利部海河"25·7"洪水判定为区域性大洪水[OL]. 北京市水务局网站, https://swj.beijing.gov.cn/swdt/swyw/202508/t20250819_4176041.html.Beijing Water Authority, (2025-08-19). Ministry of Water Resources identifies the "25·7" flood in the Haihe River Basin as a regional major flood[OL]. Beijing Water Authority Website, https://swj.beijing.gov.cn/swdt/swyw/202508/t20250819_4176041.html(in Chinese).
|
陈瑾, 2025. 我国暴雨时空分布变化特征及防御[J]. 中国减灾, (14): 20-23. Chen J, 2025. The spatio-temporal distribution characteristics and defense of heavy rain in China[J]. Dis Reduct China, (14): 20-23 (in Chinese).
|
陈双, 符娇兰, 陈涛, 等, 2026. 华北"25·7"暖区极端暴雨对流演变特征差异及环境条件分析[J]. 气象, 52(6): 657-672. Chen S, Fu J L, Chen T, et al, 2026. Differences in convective evolution characteristics and environmental conditions of the July 2025 extreme warm-sector torrential rain in North China[J]. Meteor Mon, 52(6): 657-672 (in Chinese).
|
金荣花, 代刊, 赵瑞霞, 等, 2019. 我国无缝隙精细化网格天气预报技术进展与挑战[J]. 气象, 45(4): 445-457. Jin R H, Dai K, Zhao R X, et al, 2019. Progress and challenge of seamless fine gridded weather forecasting technology in China[J]. Meteor Mon, 45(4): 445-457 (in Chinese).
|
雷蕾, 邢楠, 李桑, 等, 2026. 北京"25·7"极端暴雨时空特征及形成机制分析[J]. 气象, 52(6): 641-656. Lei L, Xing N, Li S, et al, 2026. Spatio-temporal characteristics and formation mechanisms of the July 2025 extreme torrential rain in Beijing[J]. Meteor Mon, 52(6): 641-656 (in Chinese).
|
李娟, 王诚, 徐邦琪, 等, 2025. 中国东部夏季季节内降水异常的经向移动分类及可能机理[J]. 大气科学, 49(4): 1046-1065. Li J, Wang C, Xu B Q, et al, 2025. Classification of the subseasonal meridional march of summer precipitation anomalies over eastern China and possible mechanisms[J]. Chin J Atmos Sci, 49(4): 1046-1065 (in Chinese).
|
李致家, 黄鹏年, 张永平, 等, 2015. 半湿润流域蓄满超渗空间组合模型研究[J]. 人民黄河, 37(10): 1-6, 34. Li Z J, Huang P N, Zhang Y P, et al, 2015. Study on spatial combination model of infiltration-excess and saturation-excess runoff in semi-humid watersheds[J]. Yellow River, 37(10): 1-6, 34 (in Chinese).
|
李致家, 李安琪, 姚成, 等, 2025. 基于分布式模型的永定河流域"23·7"特大洪水模拟[J]. 河海大学学报(自然科学版), 53(5): 10-17, 57. Li Z J, Li A Q, Yao C, et al, 2025. Simulation of "23·7" catastrophic flood in the Yongding River Basin based on distribu- ted models[J]. J Hohai Univ (Nat Sci), 53(5): 10-17, 57 (in Chinese).
|
李致家, 于莎莎, 戴健男, 等, 2012. 利用水文模型研究下垫面变化对洪水的影响[J]. 人民黄河, 34(7): 17-19. Li Z J, Yu S S, Dai J N, et al, 2012. Research on influences of underlaying surface changes to the floods based on hydrological model[J]. Yellow River, 34(7): 17-19 (in Chinese).
|
刘伟, 翟宝辉, 2025. 天津市: 成功应对海河"25·7"区域性大洪水[J]. 中国防汛抗旱, 35(9): 90-91, 93. Liu W, Zhai B H, 2025. Tianjin City: successfully coping with the "25·7" regional flood in Haihe River[J]. China Flood Drought Manage, 35(9): 90-91, 93 (in Chinese).
|
刘玉环, 李致家, 刘志雨, 等, 2020. 半湿润半干旱流域空间组合模型研究[J]. 湖泊科学, 32(3): 826-839. Liu Y H, Li Z J, Liu Z Y, et al, 2020. Spatial combination model for semi humid and semi arid watersheds[J]. J Lake Sci, 32(3): 826-839 (in Chinese).
|
刘志雨, 孔祥意, 李致家, 2021. TOKASIDE模型及其在洪水预报中的应用[J]. 水文, 41(3): 49-56, 24. Liu Z Y, Kong X Y, Li Z J, 2021. TOKASIDE model and its application in flood forecasting[J]. J China Hydrol, 41(3): 49-56, 24 (in Chinese).
|
刘志雨, 杨大文, 胡健伟, 2010. 基于动态临界雨量的中小河流山洪预警方法及其应用[J]. 北京师范大学学报(自然科学版), 46(3): 317-321. Liu Z Y, Yang D W, Hu J W, 2010. Dynamic critical rainfall-based torrential flood early warning for medium-small rivers[J]. J Beijing Normal Univ (Nat Sci), 46(3): 317-321 (in Chinese).
|
罗连升, 汪栩加, 程智, 等, 2025. 厄尔尼诺开始早晚对中国夏季降水的影响[J]. 气象, 51(10): 1182-1192. Luo L S, Wang X J, Cheng Z, et al, 2025. Impact of early and late onset of El Ni o on summer precipitation in China[J]. Meteor Mon, 51(10): 1182-1192 (in Chinese).
|
马强, 赵治尚, 李郑淼, 等, 2024. 雨带北移影响下永定河泛区防洪情势[J]. 南水北调与水利科技(中英文), 22(5): 875-883. Ma Q, Zhao Z S, Li Z M, et al, 2024. Flood scenario in the Yongding River flood detention area with impacts of rain belt northward-moving[J]. South-to-North Water Transfers Water Sci Technol, 22(5): 875-883 (in Chinese).
|
彭涛, 殷志远, 李兰, 2014. 水文模型在计算中小流域致汛临界面雨量中的应用[J]. 气象, 40(11): 1354-1362. Peng T, Yin Z Y, Li L, 2014. Application of hydrological model to calculating flood critical area rainfall in small and medium river valleys[J]. Meteor Mon, 40(11): 1354-1362 (in Chinese).
|
芮孝芳, 2004. 水文学原理[M]. 北京: 中国水利水电出版社. Rui X F, 2004. Principles of Hydrology[M].
Beijing: China Water Conservancy and Hydropower Press (in Chinese).
|
盛杰, 金荣花, 张小雯, 等, 2025. 临近气象预报大模型"风雷"V1版本检验及个例评估[J]. 气象, 51(4): 389-399. Sheng J, Jin R H, Zhang X W, et al, 2025. Verification and case evaluation of the "Fenglei" V1 Meteorological Nowcasting Model[J]. Meteor Mon, 51(4): 389-399 (in Chinese).
|
唐红玉, 吴遥, 董新宁, 等, 2025. 华西秋雨期极端降水事件及其环流特征[J]. 气象, 51(6): 711-723. Tang H Y, Wu Y, Dong X N, et al, 2025. Extreme precipitation events and their circulation characteristics during the autumn rain period in West China[J]. Meteor Mon, 51(6): 711-723 (in Chinese).
|
王乙竹, 梁静舒, 曹云昌, 等, 2025. 近40年华南地区水汽收支变化特征及与降水的相关分析[J]. 气象, 51(7): 789-802. Wang Y Z, Liang J S, Cao Y C, et al, 2025. Variation characteristics of water vapor budget and its correlation with precipitation in South China during recent 40 years[J]. Meteor Mon, 51(7): 789-802 (in Chinese).
|
叶金印, 李致家, 常露, 2014. 基于动态临界雨量的山洪预警方法研究与应用[J]. 气象, 40(1): 101-107. Ye J Y, Li Z J, Chang L, 2014. Research and application of flash flood early warning method based on dynamic critical precipitation[J]. Meteor Mon, 40(1): 101-107 (in Chinese).
|
张元春, 孙建华, 傅慎明, 等, 2023. "21·7"河南特大暴雨的中尺度系统活动特征[J]. 大气科学, 47(4): 1196-1216. Zhang Y C, Sun J H, Fu S M, et al, 2023. Active characteristics of mesoscale systems during the heavy rainfall in Henan Province in July 2021[J]. Chin J Atmos Sci, 47(4): 1196-1216 (in Chinese).
|
中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委员会, 2009. 水文情报预报规范: GB/T 22482—2008[S]. 北京: 中国标准出版社: 1-11. General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China, Standardization Administration of the People's Republic of China, 2009. Standard for hydrological information and hydrological forecasting: GB/T 22482-2008[S]. Beijing: China Standard Press: 1-11(in Chinese).
|
中国气象局气候变化中心, 2025. 中国气候变化蓝皮书(2025)[M]. 北京: 科学出版社: 1-60. Climate Change Center of China Meteorological Administration, 2025. Bule Book on Climate Change in China 2025[M].
Beijing: Science Press: 1-60 (in Chinese).
|
Akter A, Sawon F S, 2025. Hydrological modeling of the selected flash flood-prone rivers[J]. Nat Hazards, 121(4): 3997-4021. DOI:10.1007/s11069-024-06928-z
|
Astagneau P C, Bourgin F, Andréassian V, et al, 2021. When does a parsimonious model fail to simulate floods? Learning from the seasonality of model bias[J]. Hydrol Sci J, 66(8): 1288-1305. DOI:10.1080/02626667.2021.1923720
|
Astagneau P C, Bourgin F, Andréassian V, et al, 2024. Lead-time-dependent calibration of a flood forecasting model[J]. J Hydrol, 644: 132119. DOI:10.1016/j.jhydrol.2024.132119
|
Bao H J, Wang L L, Zhang K, et al, 2017. Application of a developed distributed hydrological model based on the mixed runoff generation model and 2D kinematic wave flow routing model for better flood forecasting[J]. Atmos Sci Lett, 18(7): 284-293. DOI:10.1002/asl.754
|
Bao H J, Zhao L N, He Y, et al, 2011. Coupling ensemble weather predictions based on TIGGE database with Grid-Xinanjiang Model for flood forecast[J]. Adv Geosci, 29: 61-67. DOI:10.5194/adgeo-29-61-2011
|
Dang D D, Anh T N, 2024. Coupling duo-assimilation to hydrological model to enhance flood forecasting[J]. J Appl Water Eng Res, 12(1): 50-62. DOI:10.1080/23249676.2023.2201475
|
Georgakakos K P, Barrett C B, 2025. The Flash Flood Guidance System with Global Coverage[M]//Adams Ⅲ T E, Gangodagamage C, Pagano T C. Flood Forecasting. London: Academic Press: 351-359.
|
Huynh N N T, Garambois P A, Colleoni F, et al, 2023. Signatures-and-sensitivity-based multi-criteria variational calibration for distributed hydrological modeling applied to Mediterranean floods[J]. J Hydrol, 625: 129992. DOI:10.1016/j.jhydrol.2023.129992
|
Huynh N N T, Garambois P A, Colleoni F, et al, 2024. Learning regionalization using accurate spatial cost gradients within a differentiable high-resolution hydrological model: application to the French Mediterranean Region[J]. Water Resour Res, 60(11): e2024WR037544. DOI:10.1029/2024WR037544
|
Piazzi G, Thirel G, Perrin C, et al, 2021. Sequential data assimilation for streamflow forecasting: assessing the sensitivity to uncertainties and updated variables of a conceptual hydrological model at basin scale[J]. Water Resour Res, 57(4): e2020WR028390. DOI:10.1029/2020WR028390
|
Zhang Y C, Long M S, Chen K Y, et al, 2023. Skilful nowcasting of extreme precipitation with NowcastNet[J]. Nature, 619(7970): 526-532. DOI:10.1038/s41586-023-06184-4
|