Improving flood-modeling accuracy with refined NRCS Curve Number and Lag Time estimation via remote sensing-based land cover classification correction

方法

多时相遥感、PCA分类、NDVI退化评估与HEC-HMS建模及α纠偏。

发现

α纠偏使CN降低3.8–19%、滞时提高26.3–210.2%，洪峰与径流误差仍存。

机会点

可探索数据稀缺流域的动态参数化与遥感分类误差传播对洪水预报不确定性的影响。

土地利用/覆被变化（LULC）是水文情势改变和洪水风险的主要驱动因素，然而在数据稀缺地区，曲线数（Curve Number, CN）和滞后时间（Lag Time, T lag）的可靠估算仍然具有挑战性，因为传统经验公式往往无法反映当地流域条件。本研究构建了一个集成框架，通过遥感、水文建模和参数误差校正相结合的方式改进自然资源保护局（NRCS）的经验公式。该框架应用多时相卫星影像、主成分分析（PCA）驱动的分类、基于归一化植被指数（NDVI）的土地退化评估以及高径流区的地理空间人工勾绘来刻画LULC变化及其相关的水文地貌后果。采用水文工程中心—水文建模系统（HEC-HMS）模型模拟降雨—径流过程，并利用一场重大洪水事件的洪水过程线进行校准。随后利用一次极端洪水事件的观测资料对参数进行细化。结果表明，研究期内城市化与森林砍伐与水文响应的变化以及流域径流特征、估算CN和T lag参数的可测变化相关。所提出的α校正框架使CN估算值相对于传统NRCS值降低3.8%–19%，并使T lag估算值增加26.3%–210.2%，反映了对当地流域条件更准确的表征。对于2019年校准事件，峰值流量和径流总量的残差分别为14.8%和22.22%。本研究结果强调了水文模型中动态参数化的必要性，因为静态框架无法反映人为强迫对流域韧性的影响。本研究突出了地理空间分析与自适应建模的集成对于可持续洪水风险缓解和土地利用规划的意义。