引言

2017年6月18日14时(北京时，下同)左右，北京门头沟斋堂地区突降暴雨，与上游暴雨结合，致使门头沟区石羊沟流域暴发山洪，造成5人死亡，1人失踪。突发大暴雨是诱发此次山洪的主要原因。此流域较小，常规站点观测网络没能捕捉到这次暴雨事件，因此未能发布灾害预警信息，造成了较大的影响。

山洪会对生命安全和国家经济造成较大影响(文明章等，2013)，据《中国水旱灾害公报》，2000—2017年我国平均每年因山洪及其诱发的滑坡、泥石流等造成的死亡人数高达870人，占洪涝造成死亡人数的72.62%(国家防汛抗旱总指挥部和中华人民共和国水利部，2006—2017)。降水作为一种重要的气象要素，其时空分布直接影响山洪等灾害的发生与否。降水是水文模型最重要的气象强迫(Gourley and Vieux, 2005；包红军等，2016；Zhang et al，2019)，降水数据质量的好坏直接影响了水文模型模拟预报的准确性，降水数据质量越高，模型模拟预报的结果越好，对于山洪等灾害的模拟预报也就更加准确。

获得降水数据的方法一般有三种：气象站点观测、雷达反演和卫星遥感测量，这三种方法有各自的优缺点(Li et al，2013)。气象站点观测(包括国家级气象站和自动站)是对降水的直接测量，准确度较高，但站点分布较为稀疏且不均(宇婧婧等，2015)，在中国西部和山区站点较少，不能很好地代表西部和山区降水的实际空间分布。然而，大多数山洪发生在山区且发生范围非常小，因此气象站点观测降水可能无法满足对山洪的预测预警需求(Kidd and Huffman, 2011；Borga et al，2014)。雷达反演降水的时空分辨率和精度较高，可以较为准确地展现降水的时空分布，可以用于监测和预测降水的移动路径(Doviak et al，2006；郭佳等，2020)；但是雷达会受到复杂地形等因素的影响(Maddox et al，2002；De Coning，2013；张奡祺和傅云飞，2018)，而且雷达系统的价格较高且难以维护，因此，我国雷达的有效覆盖面积还不够广，尤其是在西部山区。

在气象站点稀疏和无雷达的区域，卫星数据是研究山洪的重要资料来源(滑申冰等，2018)。通过反演卫星的红外、微波等信息可以获得覆盖全球的实时的高时空分辨率降水，可以弥补观测数据的局限性(燕亚菲等，2019)。目前，比较主流的高时空分辨率的卫星降水数据有CMORPH(CPC MORPHing technique；Joyce et al，2004)、GPM(Global Precipitation Measurement；Sorooshian et al，2011)、PERSIANN(Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks-Cloud Classification System；Hong et al，2004)和TRMM(Tropical Rainfall Measuring Mission；Huffman et al，2007)等。卫星降水在中国不同区域、不同海拔、不同时间尺度和不同季节的表现不同(Zhou et al，2008；Shen et al，2010；Sharifi et al，2016；金晓龙等，2018；张天宇等，2020)。Zeng et al(2018)从日、月、季节和年等时间尺度评估了六种流行的卫星降水在中国的应用效果，发现对于不同时间尺度和区域，卫星降水的精度不同；李麒崙等(2018)从日、月尺度评估了TRMM和GPM卫星降水在中国的准确性，发现GPM的精度优于TRMM；许时光等(2014)分析了逐小时的CMORPH卫星降水在中国的应用效果，发现CMORPH对小雨的空报率较高；Shen et al(2010)评估了CMORPH、TRMM和PERSIANN卫星数据在中国的适用性，结果发现这些卫星资料均可以较好地描述降水的空间分布和时间演变，CMORPH在展现降水的空间分布和时间演变上的效果最好；Li et al(2012)研究了多时间尺度的TRMM、CMORPH和PERSIANN在长江流域的应用性，结果发现在日尺度上，CMORPH效果最好；Wang et al(2016)比较了CMORPH、TRMM和PERSIANN卫星降水在舟曲泥石流事件的准确性，结果发现CMORPH和TRMM的效果较好，PERSIANN的误差较大。目前，对于卫星降水的研究主要集中于较大时间尺度(日尺度到年尺度)和较大空间尺度，其在水文中的应用也集中于较长时间较大流域的径流模拟，使用卫星降水和雷达降水来研究小尺度山洪在国内还比较少。

为了探讨上述各类降水数据在山洪监测中的应用效果，本文首先拟对比分析在2017年6月18日北京石羊沟流域山洪事件中实际降水与气象观测站降水、雷达降水和全球高分辨率卫星降水等不同降水数据的时空分布差异和特性，然后使用不同的降水资料来驱动WRF-Hydro分布式水文模型运行，分析对比不同降水资料对此次山洪事件的模拟效能，以期为不同的降水资料在山洪预警系统的应用提供一定的参考。

1 数据与方法

本研究的研究区域为石羊沟流域，其范围是40°~40.2°N、115.5°~115.7°E。使用的数据主要为各种类型的降水数据和数字高程模型。

1.1 研究区域与试验

图 1a是北京附近的地形和国家级气象观测站点、自动气象站的分布。从站点的分布上可以看出：国家级气象站较少，自动气象站比较多；站点在东部平原地区较密集，在西部海拔较高的地区较稀疏。图 1b是石羊沟流域，此流域是永定河的子流域，其上游位于河北省境内，下游位于北京市，横穿河北省与北京市。该流域最高海拔高度为906 m，最低为632 m，流域内海拔高度差可达174 m，该流域东西向大约为15 km，南北向大约为7.5 km，面积约为43.7 km²(何爽爽等，2018)。在该流域内没有国家级气象站，也没有自动气象站，距流域最近的国家级气象站位于流域东南方12 km处，最近的自动站位于流域西南方3 km处。

1.2 降水数据

研究共用了10种不同的降水数据，表 1给出了降水数据的时间空间分辨率和探测手段。北京融合降水(以下简称BJ_REAL)是基于北京及其附近的雷达和气象观测站(包括自动站)降水数据融合而成的，空间分辨率为1 km左右，是一套在北京区域具有高分辨率高精度的数据集，因为在石羊沟流域没有直接观测数据，因此在本研究中以此套数据集为基准当作真实降水数据集。国家级气象站(简称STN)和气象自动站(简称AWS)在石羊沟流域没有站点，因此通过对这些站点降水进行距离反比插值得到石羊沟流域的降水。雷达降水(简称RADAR)是基于雷达的基本反射率数据，根据公式Z=200R^1.6计算得到的(Reynolds and Smith, 1979)。中国气象局陆面同化系统实时产品数据集(CMA land data assimilation，CLDAS)是一套分辨率比较高的数据集，这套数据融合了CMORPH卫星降水和中国区域4万多个气象站点的逐小时降水，并拼接了东亚多卫星集成降水产品，该数据同时具有卫星和站点数据的优点，降水的时空分布较为合理(徐宾等，2015；孙帅，2018)。气象观测站点与CMORPH卫星融合数据集(CMORPH_CHINA)融合了CMORPH卫星降水和气象观测站点数据，该数据有效地利用了卫星降水和观测降水的优势，而且降水的时空分布和降水量值较为合理(沈艳等，2013；张伊然，2018)。

GPM是TRMM卫星退役后的新一代的卫星降水数据，覆盖了全球60°N~60°S的区域，其空间和时间分辨率与TRMM降水数据相比有了一定的提升。本研究使用基于微波红外的GPM IMERGE产品(Sorooshian et al, 2011)。PERSIANN是由UCI(University of California, Irvine)的水文气象遥感中心(CHRS)开发的，是根据神经网络程序结合红外亮温图上的云高和范围计算而来的(Hong et al，2004)。CMORPH卫星数据是美国气候预测中心(CPC)发布的，是根据每半小时的红外图像计算降水运动矢量并外推出微波估算的降水，覆盖范围是60°N~60°S，有原始卫星数据(CMORPH_RAW)和经过站点数据校正降水数据(CMORPHP_ADJ)两个版本(Joyce et al，2004)。

1.3 数字高程模型

数字高程模型(DEM)是由Miller和Laflamme在1958年提出的，它是对地表形态高程属性的数字化表达(宋晓猛等，2013)。本研究使用了HydroSHEDS(hydrological data and maps based on shuttle elevation derivatives at multiple scales，https://hydrosheds.cr.usgs.gov/dataavail.php)的高分辨DEM数据。该数据是世界自然基金会(WWF)赞助，由美国地质调查局(USGS)通过处理高分辨率卫星遥感地形数据(shuttle radar topography mission，SRTM)得到的。这套数据的空间分辨率有三种，分别是3″(大约90 m)，15″(大约500 m)和30″(大约1 km)。因为此次研究的区域(石羊沟流域)范围较小，因此选择分辨率最高的3″DEM。

1.4 模式介绍

本研究用了WRF和WRF-Hydro两个模式。WRF模式用于提供WRF-Hydro模式的初始边界条件，WRF-Hydro用来模拟石羊沟流域径流的时空演变过程。

1.4.1 WRF

WRF模式是由美国环境预测中心(NCEP)和美国国家大气研究中心(NCAR)等美国科研机构联合开发的一种中尺度气象模式(Skamarock et al, 2008)。模式有ARW(advanced research WRF)和NMM(non-hydrostatic mesoscale model)两种动力核，分别用于研究和业务。本文选择ARW动力核。用ERA-Interim驱动WRF，得到WRF-Hydro的初始边界场数据和除降水外其他的气象强迫数据。WRF采用了三层嵌套，第三层的分辨率是1 km。

1.4.2 WRF-Hydro水文模式

WRF-Hydro分布式水文模式由NCAR研究应用实验室开发和发展，于2013年作为WRF子模块发布。其基于NOAH陆面过程模型开发，陆面和水文的动力学和热力学过程比较齐备(Gochis et al, 2018)；是对传统的NOAH陆面模型的扩展，具有地表径流模块、饱和地下径流模块、河网演算模块和基流模块等多个模块。它可以与WRF模式耦合运行，也可以单独离线运行，本文选择了离线运行。目前，WRF-Hydro已被应用于洪水预报、区域水文气候研究、陆气耦合研究和季节性预测等领域(Senatore et al，2015；Yucel et al，2015；Arnault et al，2016；Silver et al，2017)，就其应用效果来看，它的适用性较强、准确性较高，比较适用于水文模拟和预测工作。

WRF可以提供WRF-Hydro用的初始场数据，DEM结合ArcGIS可以提供WRF-Hydro需要的流域内部地理信息数据。模型预热了一年，其中水文模块的水平分辨率为100 m。因为石羊沟流域没有水文观测站点，因此选择其附近流域暴雨期的径流率定参数，作为本次研究的率定参数。Liu et al(2021)的研究区域离石羊沟流域较近且是关于较短历时径流的模拟，因此根据其研究结果选择了一套参数组合。

1.5 统计方法

本文选择了相关系数(CC)、相对偏差(Bias)、均方根误差(RMSE)和纳什效率系数(Nash-Sutcliffe coefficient efficiency，NSCE)四个统计参数对降水数据和模拟径流进行定量评估。CC、Bias、RMSE和NSCE的公式如下：

$ {CC = \frac{{\sum\limits_{i = 1}^n {\left({{x_i} - \bar x} \right)} \left({{y_i} - \bar y} \right)}}{{\sqrt {\sum\limits_{i = 1}^n {{{\left({{x_i} - \bar x} \right)}^2}} \sum\limits_{i = 1}^n {{{\left({{y_i} - \bar y} \right)}^2}} } }}} $

$ {Bias{\rm{ }} = \frac{{\sum\limits_{i = 1}^n {{y_i}} - \sum\limits_{i = 1}^n {{x_i}} }}{{\sum\limits_{i = 1}^n {{x_i}} }} \times 100\% } $

$ {RMSE = \sqrt {\frac{{\sum\limits_{i = 1}^n {{{\left({{x_i} - {y_i}} \right)}^2}} }}{n}} } $

$ {NSCE = 1 - \frac{{\sum\limits_{i = 1}^n {{{\left({{Q_{i, o}} - {Q_{i, s}}} \right)}^2}} }}{{\sum\limits_{i = 1}^n {{{\left({{Q_{i, o}} - \overline {{Q_o}} } \right)}^2}} }}} $

式中：x代表实测数据的时间平均值，x_i代表第i个时刻的实测数据值；y代表被评估数据的时间平均值，y_i代表第i个时刻的被评估值；Q_{i, o}指第i个时刻的观测值，Q_{i, s}指第i个时刻的模拟值，${\overline {{Q_o}} }$表示观测平均值。

NSCE可用来检验水文模型模拟的好坏。它的取值范围是-∞~1，越接近于1，模型效果越好，可信程度越高；接近于0，则表示模拟水平接近观测的平均水平，即总体结果是可以信的，但对过程模拟误差较大；若其值远远小于0，则模型是没有可信度的。

2 结果与分析

本文首先评估了各种降水在该流域的准确性，然后将其应用在山洪模拟中，看各种降水在山洪模拟中的实用性。

2.1 降水评估

从24 h累积降水的空间分布情况和降水的时间演变情况这两个方面来对降水数据进行评估。

2.1.1 24 h累积降水评估

图 2是石羊沟流域24 h累积降水的空间分布，从图中可以看出在石羊沟流域大多数降水数据呈上游降水较多、下游降水较少的分布特征，但是在降水量级上有较大的差异。图 2a是BJ_REAL降水的空间分布，从图中可以看出，石羊沟流域位于降水大值区，流域平均降水高达150 mm。由于石羊沟流域内没有观测站点，站点插值降水不能作为该流域的准确降水。BJ_REAL在分辨率和精度上均较好，因此可以将此套降水数据当作准确的降水数据作为参照依据。

从BJ_REAL空间分布中可以看出，石羊沟流域位于暴雨地带，在该流域有45%区域的降水在100 mm以上，90%以上区域在70 mm以上。RADAR与实际降水的空间分布较为一致，但在流域上游RADAR偏小，在下游偏大。流域降水均在50 mm以上，其中50%以上区域降水大于100 mm。STN在该流域内部没有站点，离该流域最近的站点在12 km处，该站点降水仅为3.8 mm，因此插值后降水量偏小，看不出暴雨中心；AWS站点相对较多但没有站点在该流域内，最近站点距流域3 km降水为20.9 mm，插值之后可以展现降水大值区的位置，但是降水量较低。因为AWS在流域周围的站点较多，因此插值之后在流域内不同区域可以有不同的值。总体而言，AWS比STN准确度高、捕捉暴雨能力强。CLDAS和CMORPH_CHINA降水偏少，大多数区域的降水为12.5~15 mm。卫星降水降水量均偏小，其中，GPM数据降水量低估最为严重，在该流域其降水均小于5 mm。

为了消除不同数据量级上的差异，对数据进行了中心化处理，之后对各种降水的24 h累积降水进行评估，从泰勒图上看(图 3)，不同降水数据的性能差异较大。总体而言，RADAR与实际最为接近，相对偏差在5%左右，空间相关系数为0.75，方差之比为0.75。STN和AWS有较大差异，AWS的空间相关系数比STN的大，且相对误差也比STN小很多，说明AWS准确度比STN的要高。CMORPH_CHINA的空间相关系数比CLDAS的高，但是其相对偏差相差不大。各类卫星数据中，GPM的空间相关系数最高，但存在较大的负偏差；其他三种卫星累积降水的空间相关系数均在0.4左右，其中，CMORPH_RAW的相对偏差较小，说明其降水量与真实降水量接近。

总体而言，RADAR降水空间分布与实际的最为接近，误差也最小；AWS降水空间分布比STN降水空间分布准；CLDAS和CMORH_CHINA分布相似，存在一定程度的低估；卫星数据中，GPM的空间相关性最高，CMORPH_RAW的相对偏差最低。

2.1.2 降水的时间序列评估

图 4是流域平均降水的时间演变，从图中可以看出各种降水数据的降水开始时间和峰值出现的时间是不同的，而且在降水量上有较大的差异，但是，降水时间均集中在12—17时。

BJ_REAL降水(实际降水)在12—13时出现，13—14时大幅增加，在14—15时降水达到峰值，17时暴雨事件结束。RADAR暴雨出现和结束时间与实际一致，降水峰值偏低，其他时间会出现对降水的高估。AWS降水出现和峰值出现时间比实际晚1 h，峰值降水与实际降水相差达40 mm。STN在14—15时出现降水且达到峰值，但峰值降水低于2.5 mm。CLDAS和CMORPH_CHINA降水出现时间晚了1 h，CMORPH_CHINA峰值出现时间早了1 h，CLDAS峰值出现时间晚了1 h，两种资料的峰值降水均只有5 mm左右，偏小40.4 mm以上。GPM降水出现的时间较晚，13—14时出现降水，14时左右达到峰值，峰值降水较小，仅为0.84 mm；PERSIANN降水出现时间和峰值达到时间与实际一致，但是降水量值最大仅为4 mm；CMORPH_RAW和CMORPH_ADJ降水出现和达到峰值时间与实际一致，但是峰值降水相差较大。

将各种降水数据插值到相同分辨率的网格后，计算每个格点上的各类降水与实际降水时间相关系数、相对偏差和均方根误差。图 5a是相关系数空间分布的箱线图，在黑点之上，说明相关系数通过了0.01的显著性水平检验。从这张图上可以看到，RADAR、AWS、CLDAS和CMORPH_CHINA在这个流域内各个格点的相关系数都很高，全部通过了0.01的显著性水平检验，说明这四种资料可以很好地反映流域内降水的时间变化情况。STN有3/4以上的格点通过了显著性水平检验，说明在大多数区域降水的时间变化情况与实际一致。对于卫星资料，GPM的相关性较差，流域内通过显著性水平检验的面积很少；PERSIANN几乎所有格点都通过了0.01的显著性水平检验；CMORPH_RAW和CMORPH_ADJ均有3/4区域通过了显著性水平检验，其中流域上游全部通过了显著性水平检验，下游有部分区域没有通过检验(图略)。

从各种降水RMSE的箱线图(图 5b)上看，RADAR的RMSE比其他降水的RMSE都要小且空间差异变化不大，有1/2区域的RMSE在4~7 mm，说明RADAR降水的量值与实际最为接近。其他降水的RMSE较大，说明其他降水数据在降水量级上与实际降水有较大差别，其中，AWS的RMSE比STN的小，CMORPH_RAW是卫星数据中RMSE最小的。

从各种降水Bias的箱线图(图 5c)上看，除了RADAR降水会产生正偏差，其余降水数据均是负偏差，而且下游的负偏差比上游的负偏差小(图略)，说明其在上游的低估更为明显。RADAR降水的相对偏差在空间分布不均，有的区域有较大的正偏差，有的区域有负偏差。STN、AWS、CLDAS、CMORPH_CHINA和卫星降水的Bias都相差不大，平均在-90%，流域内部偏差变化较小。

通过分析各类降水数据的时间和空间分布情况，可以看出，RADAR降水在空间分布、时间演变和暴雨量值上与实际的最为接近；STN和AWS两类站点观测数据，在空间分布、时间演变和降水量值上有较大的差异，主要是因为AWS站点较多，插值后的效果比STN的效果要好；CLDAS和CMORPH_CHINA两类数据的降水时空分布结果都在可接受范围内；GPM不能捕捉到这次暴雨事件，PERSIANN、CMORPH_RAW和CMORPH_ADJ的降水量小，但其降水的时间变化与实际相似。

研究了各类降水在该区域的准确度，那这些降水数据在实际山洪中的应用如何？接下来将这些降水数据作为气象强迫来驱动水文模式，看其在本次山洪中的应用效果。

2.2 径流评估

图 6是模拟径流的空间分布，从图中可以看出径流的时空变化情况。流域上游径流先开始增加，之后流域下游的径流开始增加，下游径流达到最大值比上游达到最大值的时间要晚。山洪消退也是从上游开始。大多数降水对应的径流变化都有增加和减少的过程，但是STN和GPM降水对应的径流没有明显的增加下降趋势。STN和GPM的应用效果不好跟降水数据本身偏小有关，这两种数据不适用于本次事件。

图 7是使用不同降水数据驱动WRF-Hydro得到石羊沟流域下游河道的径流变化。不同的降水强迫，得到的径流演变曲线是不同的。这与各类降水数据在流域内降水量值、时间演变和空间分布不同有关。

据新华网报道，石羊沟流域山洪最大为190 m³·s^-1。从BJ_REAL对应的径流上来看，其与实际山洪发生时间大致一致。模拟径流在16时左右达到了峰值，其峰值径流为196.82 m³·s^-1，与实际峰值径流相似。在该流域没有实测的径流站点，且用BJ_REAL模拟的径流与实际径流在发生时间和峰值上大致吻合，因此选择以BJ_REAL为强迫得到的径流作为这次事件的实际径流。

降水对径流有较大的影响，不同降水强迫得到的结果有较大的差别，表 2是不同降水模拟径流结果的统计参数值。RADAR降水对应的径流变化，与实际径流变化一致，但是其会高估洪峰，其洪峰高达266.89 m³·s^-1，这可能跟RADAR在暴雨峰值前降水偏多有关。因为其降水的空间分布和时间演变与实际降水相似，因此模拟径流也与实际的较为接近。相关系数为0.98，纳什效率系数为0.93，相对误差为6.57%，说明模拟径流的效果较好。AWS模拟径流到达径流峰值的时间与实际一致，相关系数为0.46, 可以较为准确地模拟径流的时间变化，其在径流峰值的模拟上有较大的低估。STN的降水量偏少，不能捕捉这个流域的暴雨，因此没有模拟出本次山洪。CLDAS模拟径流的峰值时间比实际出现时间晚1 h，这主要是由于其降水峰值晚1 h。CMORPH_CHINA模拟径流从14时开始就呈现增加趋势，径流一直增加但没有出现径流峰值，且低估了径流量值。GPM降水偏少，没能捕捉到这次暴雨事件，因此模拟径流没有明显变化且径流量偏低。PERSIANN模拟径流从14时起呈增加趋势，没有模拟出这次山洪，相关系数为-0.08。CMORPH_RAW模拟径流与实际径流较为相似，相关系数达到了0.75，低估了峰值径流。CMORPH_ADJ模拟径流与CMORPH_RAW相似，对径流低估。

总的来说，RADAR模拟径流与实际径流在时间演变和径流峰值上最为相似；AWS模拟径流偏小，时间演变较为一致；STN模拟径流没有明显的上升下降变化，模拟径流的效果不佳；CLDAS和CMORPH_CHINA模拟径流偏小；GPM模拟径流不能体现径流的时间演变过程，效果较差；PERSIANN模拟径流的峰值出现时间较晚，径流较小；CMORPH_RAW和CMORPH_ADJ模拟径流与实际径流的时间演变较一致，但低估了径流量。

通过分析发现，径流模拟与降水有较大的联系，降水量值和时空演变对径流有较大的影响。在已有的高分辨率资料中，RADAR降水与实际降水在时间演变和量值上最为接近；AWS和STN在山区观测站点较为稀疏，在石羊沟流域没有站点，插值后的降水量较低；CLDAS和CMORPH_CHINA降水偏低；卫星降水会低估暴雨且降雨面积过大。因为降水资料之间的区别，其对应的径流也有较大的区别。RADAR模拟径流与实际相似，模拟效果最好；AWS模拟径流的峰值出现时间一致，径流偏低；STN模拟径流，没有明显的趋势变化，效果不好；CLADS和CMORPH_CHINA低估了径流；GPM模拟径流效果不好，没有体现径流的变化；PERSIANN模拟径流的径流量偏低，峰值出现较晚；CMORPH_RAW和CMORPH_ADJ模拟径流可以体现径流变化，径流偏低。虽然CMORPH_RAW模拟的径流及其峰值相比实际径流仍然有较大偏差，但相比观测站(包括自动站)仍有较大提升，这显示了卫星数据相比观测数据在空间覆盖上的优势。在本次事件中，CMORPH_RAW是卫星数据中效果最好的。

3 结论与讨论 3.1 结论

本文以2017年6月18日石羊沟流域山洪为例，研究了气象观测站点降水、雷达降水、融合降水和卫星降水在短时山洪中的应用性。主要结论如下：

(1) 在该次事件中，雷达降水抓住了暴雨的位置，而且在降水的空间分布和时间演变有较好的效果。在流域内没有站点观测数据，通过插值的站点数据在空间分布上存在较大误差，不能准确地给出暴雨中心的强度。站点的密集程度会对结果产生较大影响，自动站的效果比国家级气象站的效果好一些。基于站点和卫星的融合数据和纯卫星数据降水量均偏低。

(2) 小流域山洪对于降水很敏感，降水量和降水的空间分布对于山洪的发生位置和时间有很大的影响。雷达降水较准确，因此用雷达数据可以模拟出此次山洪。站点数据、卫星融合数据和卫星数据降水量严重偏小，因此其只能模拟出径流增加的过程，但不能准确模拟洪峰流量。

3.2 讨论

(1) 山洪发生在山区而且具有局地性，目前，即使是在观测站点相对密集的北京及其周边地区，不管是常规气象站还是自动站都还远不能满足对小流域山洪监测、预警和研究的需求，因此需要尽可能建立更多的观测站点，尤其是在山区。在气象观测站点不能满足实际要求的情况下，需要其他的数据作为补充。

(2) 雷达可以作为气象观测站不足时的有效补充。雷达的有效覆盖面积较广、精度较高，与站点观测降水相比误差较小。目前，我国西部地区雷达会受到地形等的影响，在地形复杂地段不能进行全面的覆盖。大多数的山洪、泥石流、滑坡等发生在西部山区的小流域，因此在可能的情况下雷达的覆盖需要进一步加大。

(3) 卫星数据也可以作为气象观测站点不足时的补充。卫星数据的时空分辨率较高，覆盖面积广，可以比地基雷达覆盖更广的区域。但是，对于小区域短时暴雨的捕捉能力还不是很好。卫星算法还需要改善，降水的精度还需要进一步的提高。此外，根据中国本地降水的特点，改进降水反演算法，同时，不断改进气象卫星的微波传感器，创建更加适用于中国的卫星降水，也需要未来加大投入研发。

(4) 山洪发生较快，从暴雨的发生到山洪的触发时间往往非常短，这对从监测到暴雨之后到山洪预警信息的发布流程提出了非常高的要求和挑战。另外，加强临近预报技术和短期预报的研发，可以有效延长灾害预警时间，为防灾减灾提供足够的缓冲时间，从而减小山洪灾害带来的损失。

(5) 降水的质量直接影响到对山洪的模拟和预警效果，而上述的降水数据均有各自的缺点，无法满足对全国的小尺度突发山洪等灾害的实时预报预警需求，也无法满足目前对小尺度山洪灾害的研究需求，因此可以参考美国融合了站点、雷达、卫星等多种降水的覆盖全国的Stage IV高质量高时空分辨率降水数据(Nelson et al, 2016)的方法，建立一套适用于我国的高时空分辨率、高精度、准实时降水数据集，以作为覆盖全国的高精度标准降水数据，这对暴雨、洪涝、山洪、滑坡泥石流等小尺度突发性灾害的研究和预报有重要意义。