奎屯河流域春季融雪期SCS-CN模型參數取值方法

王瑾杰, 丁建麗, 張 喆,鄧 凱,陳文倩, 張 成

1 新疆大學生態學博士后流動站， 烏魯木齊 8300462 新疆交通職業技術學院，烏魯木齊 8314013 新疆大學資源與環境科學學院，烏魯木齊 8300464 新疆大學綠洲生態教育部重點實驗室，烏魯木齊 830046

奎屯河流域春季融雪期SCS-CN模型參數取值方法

王瑾杰1,2,3,4, 丁建麗1,3,4,*, 張 喆3,4,鄧 凱3,4,陳文倩3,4, 張 成2

1 新疆大學生態學博士后流動站， 烏魯木齊 8300462 新疆交通職業技術學院，烏魯木齊 8314013 新疆大學資源與環境科學學院，烏魯木齊 8300464 新疆大學綠洲生態教育部重點實驗室，烏魯木齊 830046

水資源是保障我國西北干旱半干旱地區生態環境安全的關鍵因素。以新疆奎屯河流域為例,通過修正SCS模型土壤持水量及初損率參數計算方法,尋找適用于干旱半干旱地區山區典型流域春季融雪期徑流模擬模型,為流域掌握水資源量及生態用水提供決策依據。與以往研究不同之處在于：首先,引入度-日模型修正降水量參數,以滿足流域降雨-融雪混合補給徑流特征。其次,利用多期MODIS數據驅動的TS/VI特征空間理論結合土壤水分吸收平衡原理計算土壤持水量參數(S)；再運用聚類分析法對初損率(λ)取值方法進行改進。通過參數算法改進后的SCS模型,參數率定期和驗證期納什效率系數和相對誤差系數分別為0.92和0.64,0.7%和-1.5%。結果表明：1)參數算法改進后SCS模型能實現奎屯河流域春季融雪期日徑流模擬。2)利用遙感大尺度地表信息參數化技術反演SCS模型參數,實現了遙感數據為SCS模型提供大尺度空間數據的同時,間接實現了模型參數由點狀數據向面狀數據轉化的可能；3)初損率(λ)多組取值法可有效提高干旱半干旱地區大尺度流域徑流模擬精度。

奎屯河流域；融雪期；SCS-CN模型；參數算法改進；遙感

中國西北部干旱半干旱地區河流主要發源于山區,地表徑流主要由高山帶冰(川)雪融水、中山森林帶降水和低山帶基巖裂隙水等組成。長期依靠自然界獨特的水循環過程維持著脆弱的平衡關系[1]。在全球氣候變暖影響下,干旱區內陸河流域水資源的不確定性不斷加劇,直接影響流域生態安全。尤其在山區及其周邊流域,每年4—5月融雪期,徑流時空分布差異顯著,頻繁發生的融雪型洪水,使流域大面積植被遭到破壞,水土流失嚴重,生態環境十分脆弱,給當地農業生產和人民生活帶來巨大安全隱患。因此,定量研究山區流域地表徑流,對認識流域水資源季節性變化規律,開展生態環境保護和防洪減災工作具有重要意義。

在流域地表徑流模擬過程中,SCS-CN模型(Soil Conservation Service Curve Number,簡稱SCS模型),是目前全球應用最為廣泛的降雨-徑流模型之一。由原美國農業部水土保持局(USDA-SCS)根據境內不同地區流域降雨-徑流資料的搜集、整理、分析、研究得出的經驗模型。具有結構簡單、物理概念明確、所需參數少等特點,因被SWAT、Mike Hyro Basin等分布式水分模型應用于地表徑流模擬而在世界范圍內得到廣泛應用。該模型主要研究集中于濕潤地區,且深入研究者甚多[2- 5]。干旱半干旱地區也有應用,例如周淑梅、張秀英及李舟等人通過對模型的改進,分別在陜西、甘肅和西北高寒山區小流域模擬都取得了良好的效果[6- 9]。地域廣闊的干旱區,流域尺度大,具有降雨、冰雪融水混合補給徑流等特征,其地表徑流模擬區別于單純以降雨驅動的濕潤地區小流域徑流模擬；加之山區可達性差,人為觀測極為困難,利用遙感大尺度信息觀測優勢結合水文模型,尋找適合于干旱半干旱區地表徑流模擬方法,對當地生態環境、農業生產及人類生活具有重要現實意義。基于此,本文預借助遙感技術對SCS模型參數計算方法進行改進以提高徑流模擬精度,具體改進方法如下：1)借助遙感大尺度地表空間信息參數化特性,結合MODIS衛星數據驅動的特征空間理論反演流域空間土壤含水量,再利用土壤水分吸收平衡原理,間接實現模型土壤持水量(S)空間數據的估算；2)針對流域降雨、融雪混合補給徑流特征,引入度-日模型,將降水量參數修正為降雨與積雪消融水當量之和；3)采用聚類分析法將參數率定期初損率(λ)進行聚類,選擇多組λ值進行模擬,以提高模擬精度。小流域SCS模型應用時匯流時間較短可忽略匯流項,大尺度流域SCS模型應用要確保匯流時間小于24 h。

1 數據與方法

1.1 研究區概況

圖1 奎屯河流域示意圖Fig.1 Watershed location of Kuitun river basin

本文以新疆天山支脈依連哈比爾尕山北麓奎屯河流域為研究區(圖1),流域面積1945km2,位于83°30′—85°08′′E,43°30′—45°00′′N之間,是天山北坡中段僅次于瑪納斯河流域的第二大流域。集水區面積較大,年平均氣溫9℃,海拔為1121—4909m,其中海拔3700m以上為冰川及永久性積雪覆蓋,致使流域徑流補給多樣,既有高山冰川和永久性積雪融水補給,又有中低山區降雨和季節性冰雪融水補給。每年4—5月為流域春季典型融雪期,徑流補給以積雪融水為主,降雨為輔。,當氣溫驟然上升時會引發季節性融雪洪水。基于以上特征,本文選取流域出山口將軍廟水文站2005—2007年日觀測數據,模擬奎屯河出山口4—5月地表徑流量,為周邊灌區及城市的防洪減災和水資源分配提供參考依據。

1.2 數據資料

奎屯河流域水文模擬需要的基礎地理數據包括：氣象、水文、衛星遙感影像等多源數據類型。其描述和來源見表1。其中,為獲取研究區參數率定期地表溫度及植被指數月均值數據,需下載空間分辨率為1 km的MODIS陸地3級標準數據產品MOD13A3和MOD11A2,并對數據進行預處理,包括對數據進行投影轉換、幾何校正和矢量邊界裁剪等,得到覆蓋全區的柵格數據。已有大量研究證實MODIS衛星產品精度能有效反映區域地表溫度及植被指數情況[9- 10]。

表1 奎屯河流域基礎地理數據

2 研究方法

2.1 SCS模型原理

SCS模型是基于水量平衡方程(1)存在的[11]：

P=Ia+F+Q

(1)

式中，P為總降雨量(mm)；Ia為地表徑流生成前降雨量初損值,包括地面填洼、截留、表層蓄水和下滲的初損量(mm)；F為地表徑流生成后的后損(mm),即實際累積下滲量(不包括Ia)；Q為地表徑流量(mm)。

與此同時,Mockus等人通過大量實測數據分析建立了降雨-徑流關系式：

(2)

式中,S為土壤當時最大可能持水量,是后損的上限(mm)。 由于式中Ia數據不易獲取,通常引入參數初損率(λ),建立Ia與S的線性關系式：

Ia=λS

(3)

式中,λ為初損率,具有區域化特征。將方程(2)、(3)帶入(1)中得SCS徑流模擬核心方程為：

(4)

式中,Q為地表徑流深(mm)；P為總降水量(mm)；S為當時最大可能持水量 (mm)。λ為初損率。其中S值通常由CN計算而得,計算方法如方程(5)所示：

(5)

式中,CN值為徑流曲線數,通常由土地利用方式、土壤質地和降雨事件前期土壤濕潤情況(antecedent moisture condition,AMC)等數據來確定。其詳細分類標準可參考美國《國家工程手冊》[12]。

初損率(λ)通常取標準值0.2進行計算；但由于不同流域具有一定的時空差異,λ值取標準值不能滿足不同流域的需求,本文利用實測降雨、徑流數據和計算S值結合公式(6)對初損率(λ)進行參數率定,具體方法如下：

(6)

式中,P1、Q1分別為模型參數率定期流域實測日降水量(mm)和日徑流量(mm)。

2.2 SCS模型參數計算方法的改進

2.2.1 降水量計算方法的改進

由于原有SCS模型對降雨量具有一定條件限制,即模型認為當降雨量(P)大于λS時,產生地表徑流,否則地表徑流量為零。該條件使SCS模型無法應用于降雨量稀少的干旱半干旱地區。本文根據研究區4—5月降雨和積雪融水混合補給徑流的特點,將SCS模型降水量修正為流域降雨量與積雪消融水當量之和,如方程(7)所示。

P=Pr+Ps

(7)

式中,P為SCS模型徑流方程輸入的總降水量(mm)。Pr為實測日降雨量(mm)；Ps為日積雪消融水當量(mm),引入度日模型進行計算。

度-日模型是基于冰雪表面溫度建立的冰雪融水當量計算模型。廣泛應用于北歐、阿爾卑斯山、青藏高原等地區的冰雪消融研究中。優點在于模型計算簡單、參數容易獲取且計算精度較高。因此,本文引入度-日模型計算研究區4—5月積雪消融水當量,具體計算方法如下：

Ps=DDF×PDD

(8)

式中,Ps為日積雪消融的水當量(mm)；DDF為冰川或雪的度日因子(mm d-1℃-1),利用張勇[13]等人根據海拔對中國西北地區冰、雪度日因子計算結果,采用克里格空間插值法計算而得；PDD為某一時段內的正積溫,PDD可通過下式計算：

(9)

式中,Tt為某時段的平均氣溫(℃)；Ht為邏輯變量,當Tt≥0℃時,Ht=1.0；當Tt≤0℃時,Ht=0.0。

2.2.2 土壤持水量(S)計算方法的改進

原有SCS模型S值是通過CN值進行計算的,存在涉及參數多,數據難以獲取且計算過程復雜等問題。與傳統方法相比,本文改進之處在于,首次利用遙感及Ts-VI特征空間理論反演土壤含水量參數結合土壤水分吸收平衡原理計算S值[14],計算方法如下：,

S=Wmax-Wsoil

(10)

式中，S值為當時最大可能持水量；Wmax為土壤飽和含水量,通過測定野外土壤樣品的土壤孔隙度和土壤容重計算而得,由于數據缺乏,本文取最大值 100%[19];Wsoil為平均土壤含水量；本文Wsoil為研究區參數率定期2005—2006年4—5月土壤含水量月平均值,是利用MODIS衛星數據產品地表溫度(Ts)和歸一化植被指數(NDVI)構建的溫度-植被干旱指數(Ts-VI)特征空間理論進行估算的。為使SCS模型中參數單位統一為mm,需用水層厚度將土壤含水率轉換為土壤含水量,mm,進行計算。

Moran[15]等人在地表溫度(Ts)、植被指數(VI)與土壤濕度(water content of soil, SRWC)之間關系研究中發現,土壤濕度與二者變化具有極為密切的關系,若將區域內每個像元的VI值作為x軸,Ts作為y軸,可構建出呈現階梯狀的特征空間二維散點圖,散點圖的兩條邊界線分別代表區域土壤濕潤程度的干邊和濕邊,再通過干、濕邊方程系數結合NDVI計算得到溫度植被干旱指數TVDI值,該值可直接反映地表土壤水分情況,計算得到任一點的TVDI值介于0和1之間。TVDI值越大,代表土壤含水量越低,反之土壤含水量則越高。

為了使計算結果更接近實測值,將TVDI值與實測土壤水分值進行擬合修正,最終得出區域土壤水分(SRWC)值。其中,TVDI計算公式如下：

(11)

式中，Tsmax和Tsmin分別表示區域相同植被指數條件下所對應的最高溫度和最低溫度,計算公式如下：

Tsmax=aVI+b;Tsmin=cVI+d;

(12)

式中,a、b、c、d分別為干、濕邊擬合方程系數。

最后,根據公式(13)(14)求算出研究區土壤含水量(SRWC)[16]

SRWC=SRWCW-TVDI(SRWCW-SRWCD)

(13)

式中,SRWCw為濕邊上對應的最大值,取水體濕度100%。SRWCD為干邊上對應的最小值,計算公式為：

SRWCD=(100-(100-Yi)/Xi)/100

(14)

式中,Xi為對應該點植被全覆蓋像元TVDI值,Yi為對應該點的實測SRWC值。

2.2.3 初損率(λ)計算方法的改進

目前,已有的λ值算法有3種方法。即標準值法(λ=0.2)、事件分析法和反算法,反算法應用較多,即：每一組降水、徑流數據結合S值可計算出與之一一對應的λ值,再通過計算λ的中值、眾數、平均值等數學方法選取模擬精度最高的,作為最終唯一的λ取值。

本文改進之處在于,利用聚類分析法將降水、徑流事件結合公式(6)計算所得的若干λ值進行聚類分析,得到30組不同的聚類中心值,并將這30組聚類中心值作為流域的λ取值庫,再根據迭代次數計算的初始中心最小距離將所有λ值及其對應的降水、徑流事件分別歸類到這30組數據中,使每組降水、徑流數據都有與之對應的聚類中心λ值,該方法與傳統λ取唯一值相比,模擬結果更接近實際值。

3 參數算法改進后模型參數率定

3.1 降水量參數的確定

奎屯河流域降水量為降雨量和積雪消融水當量之和,結合流域2005—2007年4、5月實測降雨量和溫度數據,計算出該時段的修正降水量見圖2,圖中繪制了183d的降水量修正值,其中降水量為0值代表該日氣溫在0℃以下且無降雨。此外,由于積雪融水當量的主要決定因素是溫度,而研究流域的日平均氣溫從4月到5月是呈現逐步上升趨勢的,因此所有年份修正降水量的分布都表現為4月小于5月。

圖2 奎屯河流域2005—2007年4、5月降水量修正值Fig.2 Modified precipitation of Kuitun River Basin in April and May from 2005 to 2007

3.2 S值的確定

采用2005—2006年4、5月122d日數據作為SCS模型的參數率定期計算當時最大可能持水量(S)值。

3.2.1 流域邊界的確定

利用研究區30m分辨率DEM數據,借助Mike Hyro Basin軟件,生成流域邊界(圖3)。

3.2.2 地表溫度及植被指數計算

按流域邊界提取奎屯河流域2005—2006年4月—5月共32期地表溫度和歸一化植被指數,生成流域2005—2006年4—5月平均地表溫度空間分布圖和歸一化植被指數空間分布圖(圖4，圖5)。

3.2.3 TVDI計算

(1)計算干、濕邊方程

利用TS-VI特征空間理論,結合生成的2005—2006年4—5月平均地表溫度和平均歸一化植被指數空間分布圖生成二維散點圖和擬合方程,并結合公式(11)計算出研究區2005—2006年4—5月平均TVDI空間分布圖(圖6)。

(2)土壤含水量計算

由于流域可達性較差,使野外采樣點布設受限,現有野外實測數據為2005、2006年4、5月研究流域將軍廟水文站周邊13個土壤剖面0—10cm實測土壤含水量(SRWC)值,樣點布設為每隔1km進行一次采樣,每個采樣點采取3次重復采樣的方法,將重復采樣土壤樣本研磨均勻混合裝鋁盒后稱重,帶回實驗室采用烘干法測定樣本土壤含水率。然后根據方程(13)計算出流域2005—2006年4—5月平均土壤含水量空間分布圖(圖7)。

圖4 奎屯河流域2005—2006年4—5月平均地表溫度空間分布Fig.4 Spatial distribution of average land surface temperature in April and May from 2005 to 2006 in kuitun river basin

圖5 奎屯河流域2005—2006年4—5月平均歸一化植被指數空間分布Fig.5 Spatial distribution of average NDVI in April and May from 2005 to 2006 in kuitun river basin

圖6 奎屯河流域2005—2006年4—5月平均TVDI值空間分布Fig.6 Spatial distribution of TVDI in April and May from 2005 to 2006 in Kuitun River Basin

圖7 流域土壤含水量SRWC值空間分布Fig.7 Soil moisture spatial distribution of study area

圖8 土壤含水率實測值與模擬值相關分析 Fig.8 Correlation analysis of soil moisture between measured and simulated value

關于遙感反演土壤含水量精度是否可靠,采用計算值與實測值對比的方法進行驗證。即用野外實測采樣點坐標提取SRWC空間分布圖中對應的值,并與實測土壤含水量進行相關分析(圖8),得相關系數r為0.7406,相對誤差系數RE為-1.3%,該結果表明,遙感反演土壤含水量精度可靠。

利用計算所得流域平均土壤含水量值結合公式(10),初步確定奎屯河流域4—5月SCS模型參數當時最大可能持水量(S)值為80.5mm。

3.3 初損率(λ)的確定

根據計算所得S值和流域參數率定期及驗證期183d修正降水量和觀測徑流量數據結合公式(6)計算出183組初損率(λ)值,以模型次降水量大于下滲量(λS)產生地表徑流為邊界條件,篩選出參數率定期112組、驗證期58組符合模型條件的降水事件。再利用聚類分析法將參數率定期112組λ值進行聚類,計算出30組聚類中心λ值及與之對應的聚類成員,將這30組數據作為流域初損率(λ)取值庫,參數率定期徑流模擬時,將分類好的30組聚類成員分別帶入對應的聚類中心λ值進行模擬即可；驗證期徑流模擬時,在取值庫中選擇與其計算λ值最為接近的聚類中心λ值進行模擬即可。對干旱區大尺度流域而言,λ取值庫的建立較傳統單一取值法模擬精度更高。

4 模擬結果檢驗與分析

本文利用改進后SCS模型對奎屯河流域參數率定期(2005—2006年4、5月)112場降水事件和驗證期(2007年4、5月)58場降水事件進行徑流模擬,模擬與實測徑流結果如圖9所示。

圖9 奎屯河流域參數率定期改進模型模擬值與實測值及同期降水量分布Fig.9 Compared of observed and simulated runoff by calibration periods

圖10 奎屯河流域驗證期改進模型模擬值與實測值及同期降水量分布Fig.10 Compared of observed and simulated runoff by validation periods

圖9、圖10分別繪制了模型參數率定期和驗證期模擬值與實測值結果。從模擬結果來看,兩個時期模型參數算法改進后的模擬值與實測值總體變化趨勢一致,且與流域降水量分布呈正相關。關于模擬結果的精度檢驗,本文選取了Nash-Sutcliffe效率系數和相對誤差系數RE來反映模型模擬值和實測值的擬合程度及誤差率(表2)。Nash-Sutcliffe效率系數經常被用來作為水文模型的效率評價指標,其變化范圍為-∞到1。1值對應于實測值和模擬值的完美匹配；效率為0表明該模型模擬結果等同于實測值的均值系列,當NSE大于0.75時可認為模型模擬結果好[17],對比分析模型參數率定期和驗證期NSE值發現,參數率定期模擬值與實測值匹配程度較高,模擬結果效果很好；驗證期NSE值略低,說明驗證期模擬精度還有待進一步提高。相對誤差系數(RE)是最能反映模擬值可信度的,值越接近于0,則說明模擬值越接近實測值。模型參數率定期和驗證期相對誤差系數RE分別為0.7%和-1.3%,以RE低于±30%為標準[18],檢驗模擬結果誤差范圍在可利用范圍。

分析誤差產生的來源主要包括以下幾個方面：

(1)計算S值產生的誤差。模型S值的決定性變量是土壤含水量和土壤飽和含水量。土壤飽和含水量取最大值1,會導致S值偏大引起模擬值偏小的誤差。因此,增加土壤含水量和土壤飽和含水量野外實測數據量可有效提高S值的精度。但是由于研究流域可達性差,探討如何提高遙感大尺度觀測數據精度將會成為干旱區大流域徑流模擬的關鍵技術。

表2 參數算法改進后模型模擬值效率系數NSE、相關系數r和相對誤差系數RE

Table 2 NSE(Nash-Sutcliffe efficiency coefficient)、r(correlation coefficient) and RE(relative error coefficient)for simulation performance assessments

評價指標Assessmentindexes參數率定期Calibrationperiods驗證期Validationperiods納什效率系數Nash-Sutcliffeefficiency0.920.64相對誤差Relativeerror/%0.7-1.3

(2)計算降水量造成的誤差。基于流域特殊徑流補給方式,改進模型中的降水量參數被修正為積雪消融水當量和實測降雨量之和。其中,積雪消融水當量的決定性變量是溫度,而流域內唯一的觀測站氣溫數據不足以代表流域平均氣溫,而積雪消融水當量對氣溫變化較為敏感,流域溫度每變化±1℃,積雪消融水當量變化±3.1 mm,如何獲取準確且具有代表性的流域氣溫數據也是提高模擬精度的關鍵。增加實測觀測站點的布設,受到地理位置和經費等問題的限制；就目前已有技術而言,可利用MODIS日數據產品提取流域溫度圖,獲取流域平均溫度,從而實現大尺度流域氣溫空間數據的獲取。

(3)流域地處山區,海拔高,山區面積大,分布有冰川,流域基礎地理數據和野外實測數據獲取十分困難。因此,長時間序列野外數據的缺乏也是造成模擬誤差的重要方面。

因此,在今后的研究中,探索衛星數據和遙感技術在水文模型中的應用,增加野外實測數據量等都是提高徑流模擬精度的有效保障。

5 結論

(1)為了使SCS模型適用于奎屯河流域徑流補給特征,引入度-日模型修正降水量參數,有效解決了因降雨量稀少導致模型在干旱半干旱地區大尺度流域無法應用的瓶頸。

(2)通過MODIS衛星數據結合Ts-VI特征空間理論反演流域土壤含水量的方法,集成了遙感信息空間數據的時空分布特性,間接實現了SCS模型參數由點狀數據向面狀數據的轉換。

(3)原始SCS模型計算土壤持水量(S)參數涉及土地利用方式等5個參數及CN值對照表,利用遙感數據計算S值,具有涉及參數少且參數易獲取的優勢,可有效解決無資料地區模型應用數據缺乏的難題。

(4)初損率(λ)作為SCS模型重要的輸入變量,具有時空變化特性,采用聚類分析法建立流域λ取值庫的方法,使模型在描述流域水循環過程時更接近實際,其模擬結果較取唯一值的傳統方法模擬精度有較大幅提高,使模擬過程也更加合理。

(5)參數算法改進后SCS模型參數率定期、驗證期NES(nash-sutcliffe efficiency)和RE (relative error)分別為0.92,0.64和0.7%,-1.3%。參數改進算法拓展了SCS模型的適用范圍,可為其他干旱半干旱地區下墊面條件相似流域的徑流模擬提供參考。

[1] 陳亞寧, 李稚, 范煜婷, 王懷軍, 方功煥. 西北干旱區氣候變化對水文水資源影響研究進展. 地理學報, 2014, 69(9): 1295- 1304.

[2] Ponce V M, Hawkins R H. Runoff curve number: has it reached maturity?. Journal of Hydrologic Engineering, 1996, 1(1): 11- 19.

[3] Mishra S K, Singh V P, Sansalone J J, Aravamuthan V. A modified SCS-CN method: characterization and testing. Water Resources Management, 2003, 17(1): 37- 68.

[4] 林凱榮, 何艷虎, 陳曉宏. 氣候變化及人類活動對東江流域徑流影響的貢獻分解研究. 水利學報, 2012, 43(11): 1312- 1321.

[5] 史培軍, 袁藝, 陳晉. 深圳市土地利用變化對流域徑流的影響. 生態學報, 2001, 21(7): 1041- 1049.

[6] 周淑梅, 雷廷武. 黃土丘陵溝壑區典型小流域SCS-CN方法初損率取值研究. 中國農業科學, 2011, 44(20): 4240- 4247.

[7] 張秀英, 孟飛, 丁寧. SCS模型在干旱半干旱區小流域徑流估算中的應用. 水土保持研究, 2003, 10(4): 172- 174, 249- 249.

[8] 李舟, 董增川. 基于網格坡向要素影響的分布式水文模型研究應用. 水利學報, 2007, (S1): 500- 503.

[9] 袁敏, 肖鵬峰, 馮學智, 朱榴駿. 應用MODIS地表溫度產品估計新疆典型區氣溫. 遙感信息, 2015, 30(1): 81- 89.

[10] 廖清飛, 張鑫, 馬全, 姚瑤, 于東平. 青海省東部農業區植被覆蓋時空演變遙感監測與分析. 生態學報, 2014, 34(20): 5936- 5943.

[11] 李潤奎, 朱阿興, 陳臘嬌, 劉軍志, 宋現鋒, 林耀明. SCS-CN模型中土壤參數的作用機制研究. 自然資源學報, 2013, 28(10): 1778- 1787.

[12] 王瑾杰, 丁建麗, 張成, 張喆. 基于SCS模型的新疆博爾塔拉河流域徑流模擬. 農業工程學報, 2016, 32(7): 129- 135.

[13] 張勇, 劉時銀. 度日模型在冰川與積雪研究中的應用進展. 冰川凍土, 2006, 28(1): 101- 107.

[14] 王建, 丁永建, 劉時銀. 高寒草地春季積雪融水和雨水混合補給徑流模擬. 干旱區地理, 2005, 28(4): 460- 464.

[15] Moran M S, Clarke T R, Inoue Y, Vidal A. Estimating crop water deficit using the relation between surface-air temperature and spectral vegetation index. Remote Sensing of Environment, 1994, 49(3): 246- 263.

[16] Gillies R R, Kustas W P, Humes K S. A verification of the ‘triangle’ method for obtaining surface soil water content and energy fluxes from remote measurements of the Normalized Difference Vegetation Index (NDVI) and surface e. International Journal of Remote Sensing, 1997, 18(15): 3145- 3166.

[17] 魏沖, 宋軒, 陳杰. SWAT模型對景觀格局變化的敏感性分析——以丹江口庫區老灌河流域為例. 生態學報, 2014, 34(2): 517- 525.

[18] 符素華, 王向亮, 王紅葉, 魏欣, 袁愛萍. SCS-CN徑流模型中CN值確定方法研究. 干旱區地理, 2012, 35(3): 415- 421.

Calibration of SCS model parameters regarding snowmelt season in Xinjiang Kuitun River basin

WANG Jinjie1,2,3,4, DING Jianli1,3,4,*,ZHANG Zhe3,4, DENG Kai3,4, CHEN Wenqian3,4, ZHANG Chen2

1 Ecological postdoctoral research station, Xinjiang University, Urumqi 830046, China2 Xinjiang Vocational and Technical College of Communications, Urumqi 831401, China3 College of Resources and Environment Science, Xinjiang University, Urumqi 830046, China4 Key Laboratory of Oasis Ecology of Ministry of Education, Xinjiang University, Urumqi 830046, China

Water resources are key factors of ecological environmental security in northwest arid region of China. They are also the most important factors for socio-economic development against the background of global warmer, especially in arid regions. It is necessary for arid regions to calculate total water resources because it can provide a reference for the government with which to formulate strategies. Water resources may have a large area and be supplied by runoff from mountain snowmelt and precipitation. The goal of this paper was to determine the suitable method to simulate runoff in arid areas. The Soil Conservation Service Curve Number (SCS-CN) developed by the U.S. Department of Agriculture National Resources Conversion Service (NRCS) is the most popular and widely applied model for direct runoff estimation. This method was modied by accounting for the static portion of inltration and the antecedent moisture. This model has stimulated a great deal of discussion among scientists and hydrologists. The model is based on the water balance equation and curve number CN, which is derived from the tables given in the National Engineering Handbook for catchment characteristics, such as soil texture, land use, hydrologic condition, and initial soil moisture condition. Based on the spatiotemporal differences among watersheds, international and domestic academics have developed different methods to improve the SCS-CN model. One option is to improve its mechanism and another is to improve the parameter calculation methods. Because there is considerable scope to improve the SCS-CN model, we discuss a parameter algorithm to improve the method for snowmelt and precipitation mix and large-scale basins in arid regions as a solution to a major problem. This study focused on the Kuitun River Valley. We explored the adoption of an SCS model runoff simulation in arid and semi-arid regions with snow-melt and rainfall in spring by modifying the calculation method of SCS model parameters. To satisfy the characteristic of mix supplied runoff, precipitation was revised to represent the sum of rainfall and snowmelt. The snowmelt was calculated by the degree-day model. This was the first time MODIS satellite products with approximately 1km resolution were used to invert the Land Surface Temperature and Normalized Difference Vegetation Index. Then, we used the surface temperature/vegetation index (TS/VI) constructed in a 2D scatter plot. The combined soil moisture absorption balance principle was used to calculate the moisture-holding capacity of soil. We used cluster analysis to modify the initial abstraction computing methods. The calibration and validation periods of Nash-Sutcliffe efficiency were 0.92 and 0.64, respectively. Relative errors were 0.7% and -1.3%, respectively. This indicated that the improved model was effective in simulating spring runoff in the Kuitun River Valley. Using remote sensing parameter information technology to improve the SCS model can indirectly implement data conversion from point to plane. Establishing a database of the initial abstraction can improve the precision in effectively simulating runoff in large-scale basins in arid and semi-arid regions. To circumvent the bottleneck caused by lack of data, reference to simulated runoff can be used under similar basin conditions in data-lacking regions.

Kuitun River basin; snowmelt period; SCS-CN model; improved algorithm of parameters; remote sensing

國家自然科學基(U1303381,41261090)；自治區重點實驗室專項基(2016D03001)；自治區科技支疆項目(201591101)；教育部促進與美大地區科研合作與高層次人才培養項目

2016- 03- 15; 網絡出版日期:2017- 02- 23

10.5846/stxb201603150464

*通訊作者Corresponding author.E-mail: watarid@xju.edu.cn

王瑾杰,丁建麗,張喆,鄧凱,陳文倩, 張成.奎屯河流域春季融雪期SCS-CN模型參數取值方法.生態學報,2017,37(13):4456- 4465.

Wang J J, Ding J L, Zhang Z, Deng K, Chen W Q, Zhang C.Calibration of SCS model parameters regarding snowmelt season in Xinjiang Kuitun River basin.Acta Ecologica Sinica,2017,37(13):4456- 4465.