考慮融雪量的多變量綜合幹旱指數的建構與評估

摘 要：

【目的】為解決大多數幹旱評估中雪因素常被忽略的問題，需要開發适用于高寒融雪流域的幹旱指數。【方法】根據潛在蒸散量、融雪量、降雨量計算水分增益/損失，然後利用Copula函數計算水分增加/損失與土壤水分的聯合分布機率，進而建構了一個基于降雨、融雪量、潛在蒸散量和土壤水分新的标準化融雪綜合幹旱指數(SSCDI),并比較和評估了3月和6月時間尺度的SSCDI在黃河源區的幹旱監測性能。【結果】結果表明，Fischer-Hinzmann Copula是建構SSCDI的最佳連接配接函數；新建構的SSCDI與SPEI和MSDI相比，同SSI的拟合程度更好(R2高于0.7);SSCDI比SPEI和MSDI更符合觀測到的幹旱變化。【結論】特别是在高寒流域，對雪因素的考慮提高了SSCDI的幹旱監測能力，并且SSCDI能夠同時監測出SPEI和MSDI所監測到的幹旱情況，總體而言，SSCDI可用于識别和監測高寒區不同時間尺度的氣象和農業綜合幹旱。

關鍵詞：

幹旱指數;融雪量;Copula函數;黃河源區;

作者簡介：

胡瑩瑩(1990—),女，博士研究所學生，主要從事生态水文研究。

*周毓彥(1991—),男，進階工程師，博士，主要從事水文水資源研究。

基金：

2022年度科技智庫青年人才計劃(20220615ZZ07110156);

青海省中央引導地方科技發展資金項目(2022ZY020);

第二次青藏高原綜合科學考察研究(2019QZKK0207-02);

國家自然青年科學基金項目(51909275);

中國水利水電科學研究院基大學研業務費專項項目(WR110145B0052021);

流域水循環模拟與調控國家重點實驗室開放研究基金項目(IWHR-SKL-KF202204);

引用：

胡瑩瑩, 周毓彥, 魯帆, 等. 考慮融雪量的多變量綜合幹旱指數的建構與評估[J]. 水利水電技術(中英文), 2023, 54(8): 79- 90.

HU Yingying, ZHOU Yuyan, LU Fan , et al. Development and evaluation of a multivariate composite drought index accounting for snow [J]. Water Resources and Hydropower Engineering, 2023, 54(8): 79- 90.

0 引 言

幹旱是常見的自然災害之一，由于其持續時間長、影響範圍廣，往往造成巨大的經濟損失。随着全球平均氣溫升高，極端天氣事件發生頻率增加，導緻氣候系統的穩定性下降，全球大部分地區幹旱化趨勢日益顯著，随之而來的幹旱災害增加，嚴重威脅到農業和生态安全。2021年政府間氣候變化專門委員會 (IPCC)第六次評估報告(AR6)指出，氣候變化預測表明許多地區将經曆更頻繁和更嚴重的幹旱。是以，有效的幹旱監測、預測和早期預警對于決策和減輕負面影響的緩解措施至關重要。溫度和大氣蒸發需求是幹旱變化的重要驅動因素，它們的增加預計會減少未來的降雪量,降水将更有可能以雨而不是雪的形式落下，這将對以融雪為主的流域水文産生重大影響。由雪變化引起的長期地表水失衡和水分虧缺可能導緻更頻繁的水文和農業幹旱，進一步威脅水安全。特别是對于中高海拔地區，未來降雪量的減少可能會導緻更嚴重的幹旱。考慮到雪在幹旱演變中的重要性和複雜性，有必要将雪因素納入幹旱監測。

因為幹旱的定義複雜，許多幹旱指數被逐漸發展出來表征幹旱。幹旱指數是研究幹旱的基礎和關鍵，隻有合理的幹旱指數才能準确監測和量化幹旱，反映出幹旱規律和趨勢的變化。然而，仍然很難建立一個能夠監測和識别各種幹旱的通用幹旱指數。AR6 将幹旱分為氣象幹旱、農業幹旱、水文幹旱和生态幹旱。幹旱類型的劃分是相對的，不同類型之間的幹旱在一定條件下可以互相轉化。為了量化不同類型的幹旱，過去已做出一些努力來開發各種幹旱名額，依靠這些幹旱名額，幹旱評估已經有了長足的進步：标準化徑流指數(SRI)、歸一化植被指數(NDVI)、植被狀況指數(VCI)、标準化土壤濕度指數(SSMI)、标準化降水指數(SPI)、帕爾默幹旱指數(PDSI)、标準降水蒸散指數(SPEI)已經在世界範圍内廣泛使用。SPI和SPEI通常用于表征氣象幹旱，SRI用于表征水文幹旱，NDVI和VCI用于表征生态幹旱，SSMI用于量化農業幹旱，PDSI用于評估基于降水、蒸散量和徑流的綜合幹旱。然而，他們通常忽略了雪對幹旱變異性的影響。這些方法忽略了雪因素可能會降低它們監測和識别幹旱的能力。是以，幹旱指數需要考慮積雪和/或融雪。雖然STAUDINGER等人提出了标準化融雪和雨水指數，該指數考慮了影響幹旱的雨水和融雪赤字，但它隻評估了水文幹旱，而且是利用溫度和降水來模拟雪，并不是直接采用雪資料；ZHANG最近建立了結合雪動力學的标準化水分異常指數(SZIsnow),但它具有計算複雜和困難等局限性。

HAO和AGHAKOUCHAK等提出了一種多變量多名額幹旱模拟方法—多變量标準化幹旱指數(MSDI),該方法利用降水和土壤水分的聯合分布函數來綜合這兩個變量的幹旱資訊。Javed等比較了SPI、标準土壤水分指數(SSI)和 MSDI,以确定最适合中國的農業幹旱指數，結果表明MSDI在監測中國大陸農業幹旱方面表現更好。然而，由于MSDI沒有考慮蒸散量和雪因素，是以其在幹旱監測中存在一定的缺陷。VICENTE SERRANO等人在SPI的基礎上開發了SPEI,由于它實體意義和簡單的計算方法、多标量和多類别特征，SPEI已經廣泛應用于表征氣候變化下幹旱監測。SPEI考慮了供水和需求，并利用降水和潛在蒸散量之間的差異來評估水分虧缺或盈餘。然而，潛在蒸散量并不是影響需水量和幹旱條件的唯一因素，因為土壤水分在估算需水量方面也起着重要作用。

黃河源區位于青藏高原和黃土高原的過渡地帶，是典型的旱地高寒草地生态系統，對氣候變化響應最為敏感，也對生态環境變化最為脆弱。近年來全球變暖的趨勢對黃河源區生态環境産生了重要影響。是以，本研究以黃河源區為研究對象，綜合考慮了MSDI和SPEI的局限性，主要目标是： (1) 将融雪量納入幹旱評估，利用Copula函數建立一種新的幹旱名額SSCDI,它基于MSDI 的聯合機率方法，同時具有MSDI和SPEI的優點，并且可用于多時間尺度幹旱評估；(2)評價新建構的幹旱指數SSCDI在黃河源區幹旱監測中的性能。

1 研究區概況

黃河源區是指為以唐乃亥水文站為流域出口的彙水區域。如圖1所示，黃河源區位于東經95°50′—103°30′,北緯32°10′ —36°15′,面積為1.22×105 km2,海拔2 569～6 072 m。黃河源區流域年均徑流量為 2.05×1011 m3,占全流域的35%,是黃河流域重要的水源産流區。草地是黃河源區最重要的土地覆被，占整個源區的80%,主要類型為高寒草甸、高寒沼澤草甸和高寒草原。黃河源區屬典型的高原大陸性氣候，兼具高寒氣候和幹旱氣候的特點。黃河源區長期年平均降水量為 502.72 mm, 時空變化極不均勻,其中西北部較為幹燥，年降水量不足350 mm, 而東南部氣候較為濕潤，年降水量約750 mm。氣候變暖對黃河源區産生了重大的生态水文影響。特别是黃河源區的平均氣溫自1980年代以來以0.48 ℃/10 a 的速度升高。近40年來，黃河源區降雪量以2.43 mm/10 a的速率增加，降雪率(降雪量占降水量的比例)多年平均約為26%,黃河源區積雪期集中在11月到次年4月,融雪期主要為每年的4—6月和9—10月。

圖1 研究區位置

2 研究方法和資料

2.1 SPEI、SSI 和 MSDI 的計算

SPEI是一種廣泛使用的氣象幹旱指數，用于說明大氣濕度與平均狀态的偏差。SPEI計算的基本步驟為：(1)計算降水量與潛在蒸散量之差；(2)通過拟合一定時間尺度下差異的累積值來求出機率分布；(3)歸一化累積機率密度函數以獲得 SPEI 值，本研究采用Python計算gamma分布的SPEI。SSI通過充分考慮土壤水分作為輸入來描述幹旱狀況,SSI 是根據正常降水百分比和 Palmer Z指數的概念以及SPI的統計結構開發的。MSDI是HAO等開發的基于SPI的指數的擴充，進一步将SPI擴充為基于降水和土壤水分的雙變量模型。MSDI可以根據降水和土壤水分的聯合機率計算得出。

2.2 SSCDI的建構

2.2.1 SSCDI的建構架構

開發和評估SSCDI的架構如圖2所示。首先對NASA Global Land Data Assimilation System (GLDAS)資料進行預處理，以提取降水、降雨、潛在蒸散量、融雪和土壤水分。其次，根據潛在蒸散量、融雪量和降雨計算水分增減，然後用Copula函數計算水分增減與土壤水分之間的聯合分布機率。在此基礎上，本文選擇了5個Copula函數來建構聯合分布函數，通過赤池資訊準則(AIC)、貝葉斯資訊準則(BIC)、均方根誤差 (RMSE) 和納什-薩特克利夫效率 (NSE)對每個候選Copula函數的性能進行評估，以選擇最佳拟合的分布函數。最後，通過對聯合分布機率的歸一化得到SSCDI。同時計算了SPEI、MSDI、SSI幹旱指數，并将其用于SSCDI的可靠性評估。此外，根據從黃河源區實際幹旱統計資料中選取的典型幹旱年份，對SPEI、MSDI和SSCDI監測的幹旱結果進行比較，驗證SSCDI在幹旱監測中的适用性。

圖2 SSCDI的建構流程

2.2.2 SSCDI的建構方法

本研究首先根據潛在蒸散量、融雪量、降雨量、土壤水分計算水分增益/損失，然後采用Copula函數計算水分增加/損失與土壤水分的聯合分布機率，Copula函數可以導出兩個或多個變量的聯合分布函數而不管它們的原始邊際分布如何。計算公式為

式中，C 是 Copula函數；F(Di)和G(Si)分别是随機變量Di和Si的邊際累積分布函數；p表示兩個變量的聯合分布機率；d和s表示需要滿足的特定值；Di為水分增益/損失；Si是土壤水分；Mi是融雪量；Ri是降雨量；PETi是潛在蒸散量；i代表月。

式中，φ為标準正态分布函數。通過将聯合機率标準化，可以将其與不同的幹旱指數進行交叉對比，與MSDI相似，它可以用于監測不同的時間尺度(1個月、2個月、3個月、6個月、9個月等),不同的時間尺度可以反映不同的幹旱類型，3月的尺度更能準确監測到黃河源區的季節性幹旱事件，6月的時間尺度能較好地反映出黃河源地區幹季和雨季的變化。是以，在本研究中使用3月和6月尺度的SSCDI表征黃河源區的幹旱狀況。如表1所列，SSCDI負值代表幹旱，而正值表示潮濕。

2.2.3 Copula模型

Copula近年來大量應用于水文研究中。利用邊緣分布和相關架構，Copula函數模型可以建構多元聯合分布。Copula函數能夠将多個随機變量與任何給定的依賴結構耦合，并構造一個包含獨立指數的所有關鍵特征的因變量，Copula 定義為

式中，F1(x1),…,Fn(xn)是指F(x1,…,xn)的單變量邊際分布；C(u1,…,un)是Copula的密度函數。

Copula函數種類較多，一般來說可分為四種類型，包括阿基米德型(Archimedean)、橢圓型(Elliptical)、極值型(Extreme value)和其他類型。Copula用于描述随機變量之間的依賴結構。所有的Copula都可以捕捉到幾種依賴結構，如正、負的對稱性、不對稱性和尾部依賴性。然而單參數Copula隻能捕捉一種類型的依賴關系, 而雙變量，如BB1(Clayton-Gumbel),BB8(Joe-Frank)可以捕獲随機變量之間的一個以上的依賴類型。本文選取5種Copula函數來構造聯合分布函數，并采用最佳拟合表示的Copula 進行最終評估。5個不同 Copula 函數和參數範圍如表2所列。

2.2.4 拟合度優選方法

我們使用了由SADEGH等人開發的MATLAB工具箱—多元Copula分析工具箱(MvCAT)來模組化二進制機率分布。MvCAT包括各種不同複雜度的Copula族，并使用基于殘差的高斯似然函數的貝葉斯架構來推斷Copula參數。MvCAT的主要優點是引入了一種混合進化馬爾可夫鍊蒙特卡羅方法，用于耦合參數的後驗分布的數值估計，并相對不确定性進行評估。在本研究中，使用AIC、BIC、RMSE)和NSE來評估不同Copula函數的性能。

2.3 相關分析

在構造多變量的聯合機率分布之前，首先需要對變量間的相關性結構進行探究，本文采用Pearson、Kendall、Spearman三種相關系數來度量變量間的相關性。Pearson相關系數描述變量間的線性關系，Kendall秩相關系數和Spearman秩相關系數描述變量間的非線性關系。設(xi, yi)為取自随機變量(X,Y)的樣本，三種相關系數的計算公式為

(1)Pearson相關系數 ρp

式中，x¯,y¯分别為樣本xi和yi的均值。

(2)Kendall 秩相關系數 τ

式中，n代表資料系列的總長度。

(3)Spearman′s 相關系數 ρs

式中，Ri和Qi分别是樣本值； xi, yi在序列中取值等級的順序；R,Q分别是是樣本Ri和Qi的平均等級。

2.4 GLDAS陸地表面資料集

GLDAS-2是通過使用全球氣象強迫資料集作為輸入，驅動Noah陸面過程模型(LSM)來模拟全球陸面過程而獲得各地表資料。GLDAS-2能夠較好地捕捉到土壤水分的時間變化，與觀測土壤水分的相關系數在0.5以上,同時，GLDAS-2中的融雪量資料也是根據Noah陸面模式的算法計算出來的，該資料為推進與雪相關的水文效應研究提供了獨特的機會，因為該資料集提供了高品質、長期、全球覆寫和多變量的地表和地表條件估計,它準确再現雪過程的能力是我們幹旱指數發展的重要基石。本研究中采用1948年1月至2014年12月 的GLDAS-2.0 Noah LSM 月度資料和2000年1月至2021年12月的GLDAS-2.1 Noah LSM月度資料，它們的分辨率均為0.25度。GLDAS-2.0和GLDAS-2.1資料集都可以通過戈達德地球科學資料和資訊服務中心獲得 (http: //disc.sci.gsfc.nasa.gov/hydrology/data-holdings)。分析中使用的各種參數包括降水量、降雨量、潛在蒸散量、融雪量和土壤水分， 對其進行距離權重平均重映射進行插值，插值精度為0.05°,該插值方法是對所有輸入字段的四個最近的鄰居值進行距離權重平均重映射。GLDAS提供四個土層的水分資料，分别為0～10 cm、10～40 cm、40～100 cm和100～200 cm, 在本研究中我們采用頂層(即0～10 cm)的土壤水分資料。

2.5 氣象災害統計資料

青海省曆年幹旱災害情況資料來源于《1945—1995中國災情報告》《中國氣象災害統計年鑒》《氣象幹旱年鑒》和《中國氣象災害大典·青海卷》。這些資料用于反映現實世界幹旱的發生情況，是以用于驗證本研究中提出的SSCDI 在黃河源區幹旱監測中的性能。《中國氣象災害大典-青海卷》資料時間範圍為1950—2000年，下載下傳自國家青藏高原科學資料中心(https: //data.tpdc.ac.cn/zh-hans/data/197ce7c7-31c4-445a-b3b1-953d91b7c54a)。其餘三種資料均下載下傳自中國知網，其中《中國氣象災害年鑒》時間範圍為2004—2020年，《氣象幹旱年鑒》時間範圍為2011—2017年。

3 研究結果與分析

3.1 最佳拟合Copula優選結果

驗證變量之間的相依性結構是正确進行Copula分析的關鍵，如表3所列，3月和6月尺度的Di 和 Si的Pearson, Kendall和Spearman的相關系數值高達0.79,0.63和0.83,這表明Di 和 Si具有較強的相關關系，同時可以看出，3月尺度的三個相關系數均大于6月尺度的相關系數。

5種Copula函數用于推導Di 和 Si的聯合機率分布的拟合優度檢驗結果如表4所列。從表中可以看出，5種候選Copula函數的3月和6月尺度RMSE,NSE,AIC,BIC檢驗結果非常接近，各時間尺度的平均值分别為0.22,0.99,-6713,-6704,表明所選Copula函數對變量的拟合效果都較好，具體來看，Fischer-Hinzmann Copula 在各時間尺度上的RMSE值、BIC值和AIC值最小，且NSE值最大，是以Fischer-Hinzmann Copula 被選為最佳拟合分布，故而本研究建構SSCDI時使用Fischer-Hinzmann Copula作為連接配接函數。

3.2 SSCDI與其他幹旱指數的對比驗證

為了解SSCDI在量化幹旱事件方面的表現，我們将其與文獻中其他已經建立的幹旱指數進行比較。采用了SSI來初步評估SSCDI,過去雖然已經開發了多種能夠衡量農業幹旱的指數，例如PALMER開發的作物濕度指數(CMI),CAMMALLERI等人開發的土壤水分幹旱嚴重程度指數(DSI)等等，然而這些指數隻能采用固定時間尺度進行分析，而SSI可以在多時間尺度上衡量農業幹旱，是以可以在不同尺度上與SSCDI進行對比。基于Copula函數的優選結果，以3月和6月尺度為例，計算了黃河源區SPEI、SSI、MSDI和SSCDI的名額值，并記為SPEI-3、SSI-3、MSDI-3和SSCDI-3,以及 SPEI-6、SSI-6、MSDI-6和SSCDI-6。計算一定時間尺度下幹旱指數之間的線性回歸拟合程度的目的是評價在相同條件下，哪種幹旱指數在幹旱識别方面表現最好，不同時間尺度的SSI與SPEI、MSDI和SSCDI的散點關系圖如圖3所示，其中3-月SSI-SSCDI的R2值為0.711,高于SSI-SPEI(0.525)和SSI-MSDI(0.630),6月尺度SSI-SSCDI的R2值為0.732,同樣高于SSI-SPEI(0.694)和SSI-MSDI(0.571),并且兩種時間尺度上SSI-SSCDI的RMSE值都最小。是以，SSCDI在各時間尺度上和空間位置上的誤差是最低的，表明SSCDI具有更好的幹旱監測性能。

圖3 SPEI、MSDI、SSCDI與SSI在3月和6月時間尺度上的散點圖

貴南縣和瑪多縣SPEI、MSDI和SSCDI在3月尺度的時間序列如圖4和圖5所示。其中，瑪多縣平均海拔4 300 m, 多年平均融雪量15.83 mm, 而貴南縣平均海拔3 100 m, 多年平均融雪量3.16 mm, 遠遠低于瑪多縣，是以本文稱瑪多縣為融雪區域，貴南縣為非融雪區域，将兩者進行對比分析。如圖4所示，非融雪區域的各幹旱指數走勢和變化規律具有一緻性，SSCDI-3折線與大多數MSDI-3折線重疊，SPEI-3、MSDI-3和SSCDI-3的幹旱開始和結束時間相似，這意味着SPEI-3、MSDI-3和SSCDI-3的幹旱監測性能相似，原因在于非融雪區域雪對幹旱表征的影響較小。融雪區域中三種幹旱指數顯示的幹濕狀況并不完全一緻(見圖5),根據《氣象幹旱年鑒》中2016年中國各省幹旱事件統計表可知，2016年8月下旬至9月上旬青海省發生了特級幹旱，如圖5(b)所示，SSCDI指數值小于-2,監測出了該特幹旱事件，而SPEI和MSDI僅監測出了中等幹旱。說明融雪量的加入對幹旱的評估具有一定的改善作用。

圖4 貴南縣1948—2021年 SPEI-3、 MSDI-3和 SSCDI-3時間序列幹旱指數比較

圖5 瑪多縣1948—2021年 SPEI-3、 MSDI-3和 SSCDI-3時間序列幹旱指數的比較

3.3 典型幹旱年份的比較分析

為了進一步測試 SSCDI 的幹旱監測性能，選擇了典型的幹旱年份作為案例研究。據《中國氣象災害大典-青海卷》和《中國氣象災害年鑒》記載，青海省1960—1961年全省發生持續幹旱。2013年3—4月，青海省遭遇嚴重幹旱，全省重旱、特旱面積居全國之首。是以，本研究中，以1960年和2013年為案例，評估SPEI、MSDI和SSCDI在3月和6月時間尺度上的幹旱監測性能，因為研究區域在這些年份具有典型的幹旱狀态。

1960年7月和2013年4月SPEI、MSDI和SSCDI在3月和6月時間尺度上的幹旱監測結果如圖6和圖7所示。總體而言，與氣象幹旱相比，農業幹旱影響的區域更大。SSCDI成功監測出了氣象幹旱和農業幹旱，此外，SSCDI的幹旱空間格局與MSDI相似。圖中藍色的幹旱等級為D1,表示正常或偏濕潤，顔色越深代表幹旱等級越高。從圖6中紫色圓圈标記的區域可以看出，1960年對于MSDI-3未能監測出幹旱而SPEI-3監測出D3幹旱的區域，SSCDI-3同樣監測出了D3幹旱，2013年對于MSDI-3未能監測到幹旱而SPEI-3監測出D2幹旱的區域，SSCDI-3同樣監測出了D2幹旱。從圖7中紫色圓圈标記的區域可以看出，1960年對于SPEI-6未能監測出幹旱，而MSDI-6監測出幹旱的區域，SSCDI-6同樣監測出了幹旱情況，2013年對于MSDI-6未能監測出幹旱，而SPEI-6監測出D2幹旱的區域，SSCDI-6監測出了D3幹旱。

圖6 1960年7月和2013年4月SPEI、MSDI 和SSCDI 在3個月時間尺度上的空間格局

圖7 1960年7月和2013年4月SPEI、MSDI 和SSCDI 在6個月時間尺度上的空間格局

是以可以得出，SSCDI能夠同時監測出SPEI或MSDI監測到的幹旱，且SSCDI量化的幹旱等級大于或等于MSDI,可能原因在于MSDI沒有考慮蒸散發因素。由此我們可以得出結論，SSCDI在黃河源區幹旱監測中表現良好。

4 結 論

基于Copula理論，本文将融雪量納入幹旱評估體系，提出了一種新的綜合幹旱指數SSCDI。雖然本研究是基于GLDAS資料分析的，但SSCDI同樣适用于站點資料，它是多變量的，可以在多個時間尺度上進行計算，并且計算過程簡單清晰。該指數綜合考慮了降雨、融雪量、潛在蒸散量和土壤水分，為幹旱量化(特别是高緯度地區的幹旱量化)帶來了更廣泛的視角。

(1)SSCDI是在SPEI和MSDI的基礎上制定的，并且對5種Copula函數進行拟合度優選，得出了建構SSCDI時使用Fischer-Hinzmann Copula作為連接配接函數。

(2)通過與SSI進行線性回歸及誤差分析，結果顯示在3月和6月時間尺度上SSCDI與SSI拟合度更高(R2分别達到了0.711和0.732)。SSCDI在融雪較多的區域表現更佳，而在非融雪區域與SPEI和MSDI具有較高的一緻性，是以，一個流域受雪的影響越多，就越值得用SSCDI來評價其幹旱情況。

(3)在黃河源區将這三者的結果與實際統計資料的幹旱情況進行了對比，驗證了SSCDI在幹旱監測中的适用性。以1960年7月和2013年4月為例，分析了SSCDI、SPEI、MSDI在3月和6月尺度上的幹旱監測性能，結果表明，SSCDI能夠同時監測出SPEI和MSDI監測到的幹旱，納入融雪量使SSCDI在高寒區能夠産生更可靠的幹旱監測結果。

綜上所述，建構的幹旱指數SSCDI在高寒地區的幹旱量化方面具有良好的監測效果，适用于氣象和農業幹旱的綜合評估。然而，盡管建構的幹旱指數很新穎，但仍存在一些局限性，本文僅使用GLDAS資料對SSCDI進行了驗證和分析，未來還需要利用多種遙感資料和實測資料進行研究，進一步驗證SSCDI的可靠性。

水利水電技術（中英文）

水利部《水利水電技術（中英文）》雜志是中國水利水電行業的綜合性技術期刊（月刊），為全國中文核心期刊，面向國内外公開發行。本刊以介紹大陸水資源的開發、利用、治理、配置、節約和保護，以及水利水電工程的勘測、設計、施工、運作管理和科學研究等方面的技術經驗為主，同時也報道國外的先進技術。期刊主要欄目有:水文水資源、水工建築、工程施工、工程基礎、水力學、機電技術、泥沙研究、水環境與水生态、運作管理、試驗研究、工程地質、金屬結構、水利經濟、水利規劃、防汛抗旱、建設管理、新能源、城市水利、農村水利、水土保持、水庫移民、水利現代化、國際水利等。