基于多源遙感數據的艾比湖流域鹽土SWAT模型參數修正

王瑾杰，丁建麗，張 喆，陳文倩

?

基于多源遙感數據的艾比湖流域鹽土SWAT模型參數修正

王瑾杰1,2,3,4，丁建麗1,2,4※，張 喆2,4，陳文倩2,4

（1. 新疆大學生態學科博士后科研流動站，烏魯木齊 830046；2. 新疆大學資源與環境科學學院智慧城市與環境建模自治區普通高校重點實驗室，烏魯木齊 830046；3. 新疆交通職業技術學院，烏魯木齊 831401； 4. 新疆大學綠洲生態教育部重點實驗室，烏魯木齊 830046）

在SWAT（soil and water assessment tool）模型模擬地表分量過程中，常默認土壤剖面電導率（electrical conductivity，EC）值為0或0.1，將其應用于土壤鹽漬化程度較高的流域時，不符合下墊面實際情況。為確保水文模擬逼近真實地表模擬過程，進一步提高模擬精度，該文利用GF-1號衛星16 m分辨率多光譜遙感影像結合分類回歸樹法反演艾比湖流域區域尺度0～100 cm土壤剖面電導率，模擬值與實測值均方根最大值誤差為4.81 dS/m，相對誤差最大值為15.17%。模擬值用于修正EC值，結果表明：EC值修正后的SWAT模型土壤水分模擬值，較修正前模擬值精度提高23.84個百分點。該方法在實現SWAT模型參數本地化的同時，有效提高了土壤水分模擬精度，可為土壤鹽漬化區域水文模擬提供參考。

土壤；電導率；遙感；鹽漬化; SWAT模型；GF-1

0 引 言

地表分量模擬是地學研究領域中重要的組成部分，減少其不確定性、提高模擬精度是模擬過程中亟待解決的關鍵科學問題。作為地表分量模擬模型之一[1]，SWAT（soil and water assessment tool）綜合考慮了氣候、土壤、地形、植被、人類活動等多種要素，是具有很強物理機制的長時段流域分布式水文模型[2]，已被廣泛應用。

SWAT模型的功能和參數設置以雨量豐富的濕潤地區為基礎[3]，故在其他地區應用時需根據地域特點對參數進行本地化修正。例如：Andersson等[4]為適應區域氣候變化，以非洲南部流域為例將時空動態的泰森多邊形法嵌入氣象數據以提高SWAT模型模擬精度；Kim等[5-10]根據當地徑流補給方式對融雪模塊進行改進以提高模擬精度；魏沖等[11]針對不同景觀格局，通過設置多套試驗參數，分析SWAT模型對不同景觀格局變化的敏感性，生成基于不同景觀格局的模擬結果；鄭捷等[12]對SWAT模型的農作物耗水量參數進行改進，在平原型灌溉區應用時取得較好的結果。國內外關于SWAT模型的改進研究還有很多[13-18]，但對下墊面土壤鹽堿化程度較高區域的土壤電導率參數修正方法鮮見報道。目前，SWAT模型土壤數據庫多采用與其土壤粒徑級配標準及土壤質地標準相同的世界土壤數據庫（Harmonized World Soil Database，HWSD）制作而成，HWSD數據庫中的土壤剖面電導率（T_ECE）屬性字段在中國區域應用時，因為沒有更好的相關數據予以訂正，所以全部默認為0或0.1。而土壤電導率（electrical conductivity，EC）直接影響土壤水分和徑流量的計算，采用HWSD默認值，可能不適用于土壤鹽堿化程度較高的地區的地表分量模擬。

本文以土壤鹽漬化程度較高的新疆艾比湖流域為研究區，基于GF-1衛星16 m分辨率多光譜遙感影像，計算植被指數、土壤指數、鹽分系數及飽和度，結合分類回歸樹，建立反演艾比湖流域0～100 cm土壤剖面電導率模型；再利用反演的土壤剖面電導率數據修正HWSD數據庫中的EC值并重新計算SWAT土壤數據庫參數進行土壤水分模擬；最后，將土壤電導率修正前后的SWAT模型土壤水分模擬結果與實測數據進行對比，探索SWAT模型在干旱區高鹽漬土區域應用時土壤電導率參數本地化方法，以期進一步提高SWAT模型模擬精度，為SWAT模型在高鹽漬土區域地表分量的模擬提供參考。

1 材料與方法

1.1 研究區概況

艾比湖流域位于新疆維吾爾自治區博爾塔拉蒙古自治州境內及周邊地區（圖1），流域三面環山，氣候變化劇烈，年降雨量稀少，日照時數充足，蒸發量大。流域內有新疆最大的鹽水湖——艾比湖。近10 a來，艾比湖及流域周邊生態環境急劇惡化，湖泊面積萎縮嚴重，導致干涸湖底面積不斷增加，湖濱荒漠化及周邊區域土壤鹽堿化程度不斷加劇。大面積裸露湖床及鹽殼受常年大風影響，已使艾比湖成為中國西部沙塵暴、鹽塵暴主要策源地之一，嚴重影響天山北坡綠洲內生態安全和可持續發展。模擬流域地表分量，可為解決流域相關地學問題提供數據基礎。

注：1~30子流域編號

1.2 數據來源

1.2.1 用于遙感反演土壤電導率的數據

本文利用多源遙感數據反演艾比湖流域土壤剖面電導率，涉及從中國衛星工程應用中心2014年6月4日采集的遙感圖像GF-1 16 m寬幅WFV多光譜遙感影像及野外實測土壤剖面電導率和土壤pH值數據；其中植被指數、土壤指數、鹽分系數及飽和度數據基于文獻[19-20]方法采用GF-1號衛星多波段組合計算生成。

植被指數：NDVI=(4–3)/(4+3) DVI=4–3

土壤指數：si1=(2·3)0.5

si2=(22+32+42)0.5

bi=(32+42)0.5

鹽分指數：sr=(3–4)/(2 +4)

飽和度： int=(2+3)/2

式中2、3、4分別GF-1衛星影像的綠光、紅光、近紅外波段；NDVI代表歸一化植被指數；DVI代表差分植被指數；si1代表通過紅、綠波段計算的土壤指數；si2代表通過紅、綠及近紅外波段計算的土壤指數；bi代表裸土指數；int代表飽和度；sr代表鹽分指數。

GF-1衛星反演艾比湖流域土壤剖面電導率精度采用2014年5月13日—5月21日38個野外實測數據與模擬結果進行對比分析，野外采樣點分布見圖1。艾比湖流域綠洲區域田間采樣，分層采集，每個測量單元內均勻布設3個點，采集后將3個土樣均勻混合，實驗室備制1∶5土水比浸提液，利用德國Cond 7310電導率測定儀測定土壤電導率、pH 值，測量儀器精度可達小數點后3位。

1.2.2 用于SWAT模擬土壤水分的數據來源

驅動SWAT模型需要3大數據庫，分別為氣象數據庫、土壤數據庫和土地利用數據庫。每項數據庫都涉及眾多參數。其中，ASTER 30 m分辨率DEM數據來源于地理空間數據云，用于SWAT模型的流域劃分，并參與水文單元的劃分及計算；2010年多時相Landsat TM/ETM遙感影像，通過人工目視解譯生成的土地利用/覆被數據(Lucc)來源于中科院數據云（http://www.csdb.cn/），用于制作SWAT模型土地利用數據庫；中國區域世界土壤數據庫（HWSD）來源于寒區旱區科學數據中心，用于制作SWAT模型土壤數據庫；CMADS大氣數據集來源于寒區旱區科學數據中心，包括2008—2014年溫、壓、濕、風、降水、太陽輻射日尺度數據，用于制作SWAT模型氣象數據庫。2008—2014年間日尺度土壤水分實測數據，野外采集38個0～10 cm表層土壤樣本，烘干測定土壤水分，單位換算為mm。

1.3 研究方法

1.3.1 土壤剖面電導率反演方法

土壤剖面電導率空間分異研究主要有傳統的土壤采樣方法、電磁感應技術及遙感評估方法[21-25]。丁建麗等[26-27]基于遙感特征空間理論，利用LandsatTM數據和長時間序列的野外實測數據構建了多種綠洲土壤鹽分遙感監測指數模型。Li等[28-29]利用EM38大地電導率儀和線性預測模型來獲取剖面土壤表觀電導率，并利用克里格法和分類回歸樹法模擬三維土體電導率的空間變化特征。劉廣明等[30]2015年以中原黃泛區河南省封丘縣為研究區，基于土壤電導率發生機理，利用地形、植被指數、土壤指數、鹽分系數、地下水位及礦化度等因素構建了土壤鹽分綜合評估模型，反演區域土壤鹽分均方根誤差為0.72～1.27 dS/m之間，取得良好效果。

基于上述研究，本文利用劉廣明等[30]基于土壤鹽漬化發生機理反演土壤電導率的方法，以GF-1衛星16 m高分辨率遙感影像的多波段組合計算的土壤指數、植被指數、鹽分系數及飽和度作為自變量，將野外采樣得到的各層土壤電導率作為因變量，按不同土層輸入分類回歸樹（classification and regression tree，CART）軟件建模，建立基于分類回歸統計規則的線性模型，具體通過Cubist2.08數據挖掘軟件實現。再將線性模型和自變量圖像輸入ENVI軟件進行計算，輸出各層土壤電導率空間分布圖，最終獲取0～100 cm艾比湖流域土壤剖面電導率空間數據，用以代替與HWSD土壤數據庫中0～100 cm剖面EC值，從而實現利用高分辨率遙感數據修正SWAT土壤數據庫參數的目的。

1.3.2 SWAT模型地表分量模擬

SWAT模型通過建模模擬流域內產水、產沙等物理過程的發生。建模需根據流域內足以影響水文過程的不同土地利用方式、土壤屬性間的區域性差異將流域劃分成若干子流域，在子流域劃分的基礎上，將包含唯一土地覆蓋、土壤和管理措施的區域再劃分成若干水文響應單元。水文響應單元則是流域進行模擬產水、產沙、營養物質循環等計算的最小單元。SWAT模型進行水文模擬可劃分為2個階段：1）控制子流域水流、泥沙等向主河道輸入的陸地階段；2）流域河網中水流、泥沙等向出水口運移的水文循環匯流階段。兩個階段模擬完成后即完成了地表分量的模擬。本文選用ARCSWAT2009結合ARCGIS9.3 Desktop計算空間數據；利用SPAW v6.02計算土壤參數。

1.4 精度驗證

利用相對誤差（relative error，RE）和均方根誤差（root mean square error，RMSE）檢驗電導率和土壤水分模擬精度。

SWAT模擬眾多地表分量，本文采用與模擬結果時間相匹配的野外實測土壤水分數據進行對比分析，利用實測數據與模擬值RE和RmSE對SWAT模擬土壤水分結果進行評價。

2 結果與分析

2.1 GF-1反演土壤剖面電導率

利用GF-1衛星影像數據結合分類回歸樹法分別建立艾比湖流域土壤剖面電導率反演模型，計算公式如下：

EC1=113.74+1939.31int+2159.39bi+45.11DVI+

632.27NDVI–366.37si1–2554.20si2+575.14sr （1）

EC2=2.12–310.46int–388.56DVI+198.54NDVI–

64.92si1+331.90si2+142.13sr （2）

EC3=3.328–355.49int–173.70DVI–12.15NDVI–

9.01si1+230.19si2–3.47sr （3）

EC4=–2.58–135.79int+18.65bi–50.94DVI–

23.18NDVI+14.41si1+58.23si2–21.97sr （4）

EC5=–186.17–856.71int–633.08bi–243.12DVI （5）

EC6=491.84+805.93int+767.60bi+137.16DVI–

248.68NDVI–1259.23si1–155.08si2+230.86sr （6）

式中EC1～EC6代表0～10、＞10～20、＞20～40、＞40～60、＞60～80和＞80～100 cm土壤電導率，dS/m。

為滿足HWSD數據庫的分層要求，將0～10、＞10～20、＞20～40 cm空間電導率數據加載入ARCGIS進行圖層疊加，通過柵格計算器取其平均值作為修正HWSD數據庫0～30 cm土壤電導率數據。再將＞40～60、＞60～80和＞80～100 cm空間數據進行疊加取平均值，作為修正HWSD數據庫＞30～100 cm土壤電導率數據。受野外實測數據限制，為滿足HWSD土壤數據庫分層標準，本文用最接近HWSD 數據庫分層標準的野外實測數據0～40、＞40～100 cm土壤電導率代替HWSD數據庫0～30、＞30～100 cm的土壤電導率數據進行修正。

GF-1衛星影像反演得到艾比湖流域土壤鹽漬化空間分布圖覆蓋研究區3/4以上區域，為獲取覆蓋整個艾比湖流域的土壤剖面電導率數據，均勻選取反演土壤剖面電導率圖層中500個樣點作為克里金空間插值的土壤樣本，得到完全覆蓋整個流域的土壤剖面電導率空間數據如圖2所示。

本文采用艾比湖流域2014年5月13日—21日38個野外實測土壤剖面鹽分數據對GF-1衛星結合分類回歸樹法建立的線性模型模擬值進行驗證，結果見表1。RMSE為1～5 dS/m，RE低于16%，以RE小于30%為標準[24]，模擬結果較好。＞40～100 cm模擬值較0～40 cm更接近實測值，主要是由于表層土壤鹽分分布空間差異較大。

統計艾比湖流域0～40、＞40～100 cm實測土壤剖面電導率值和pH值數據的最大值、最小值、平均值、中位數、標準差、變異系數、峰度等指標（表2）。結果顯示，土壤剖面EC變化范圍在0.173～118.49dS/m之間，且最大、最小值都在表層土壤，流域表層土壤鹽漬化程度在水平方向上存在較大空間分異。流域不同深度土壤電導率平均值為4.174～8.827 dS/m，且隨土壤深度的增加而減少，呈現鹽分向土壤表層聚集趨勢。流域土壤電導率變異系數隨土壤深度的增加而減少，且差異達50%以上，表層和底層變異系數分別為1.46和0.77，均呈中等變異強度。研究區0～40、＞40～100 cm土層峰度值分別為14.33和3.69，差異明顯，說明表層土壤鹽分含量較高，底部鹽分含量相對較低，鹽分有向表層聚集的特征。區域內土壤剖面pH值為7.394～9.597，0～40、 ＞40～100 cm土層pH值的平均值分別為8.241和8.235，其變化趨勢隨著土壤深度的增加而增大，但變化差異相對較小；峰度值依然表現為表層較高，底層較小，且上下層變化差異較大。土壤鹽漬化是由土壤底層或地下水中溶解的可溶性鹽分沿土壤毛管空隙上升至地表，水分蒸發而鹽分留存在地表累積，從而引起地表鹽分的聚集。艾比湖屬博爾塔拉河下游，河水長期注入湖中，導致湖濱及周邊地區地下水位上升，使地下水及土壤中鹽分帶入地表，導致艾比湖周邊土壤鹽漬化程度最高。由表1可知，0～40 cm土壤電導率模擬值與實測值RMSE較大，主要由研究區表層土壤電導率空間分布差異顯著導致；＞40～100 cm土壤電導率模擬值與實測值RMSE為1.149 dS/m；土壤電導率模擬值與實測值RE均低于20%，模擬結果與丁建麗等[24]在新疆渭-庫綠洲典型鹽漬土區域土壤電導率模擬結果類似。

圖2 基于Kriging插值的艾比湖流域不同土層EC分布 Fig.2 Kriging spatial interpolation map of soil EC at different layers in Ebinur Lake Watershed

表1 艾比湖流域土壤剖面電導率精度驗證

表2 不同土壤深度電導率和pH值數據統計

2.2 土壤電導率字段修正前后SWAT參數變化統計

利用GF-1衛星反演的0～100 cm土壤剖面電導率數據代替HWSD土壤數據庫中0～100 cm的T_ECE字段，重新計算SWAT土壤數據庫中0～30、＞30～100 cm土壤層有效持水量（SOL_AWC1、SOL_AWC2）參數，結果見表3。利用修正后T_ECE字段重新計算SWAT土壤數據庫各項參數時發現：1）土壤電導率數據雖然只影響土壤層有效持水量，其他各項參數不發生變化，但土壤層有效持水量直接影響SWAT模擬地表徑流和土壤水分的精度；2）流域表層土壤電導率數值較高，SOL_AWC隨EC值而變化；不同土壤質地SOL_AWC隨EC值變化特性不同。流域30～100 cm鹽分分布差異較小，變化范圍在1.27～4.51 dS/m之間。因此，下層土壤有效持水量SOL_AWC2變化幅度相對較小（0～0.033 mm）。

表3 艾比湖流域土壤剖面電導率修正前后 SWAT不同土層有效持水量參數計算結果

2.3 SWAT模型參數修正前后地表分量模擬結果對比

利用各項數據建立驅動SWAT模型的土壤、土地利用及氣象3大數據庫，利用GF-1反演土壤剖面電導率數據對土壤數據庫參數進行修正，修正前、后SWAT模擬土壤水分結果如圖3所示。EC值修正前、后土壤水分模擬值與實測值間的相對誤差及均方根誤差如表4所示。

圖3 土壤剖面電導率修正前后SWAT土壤水分模擬值與實測值的比較

采用2014年5月13日—21日38個野外實測土壤水分數據對土壤電導率修正前后的SWAT模擬土壤水分結果進行精度驗證（表4），修正后較修正前更接近實測值。修正前、后土壤水分模擬值與實測值間的RE分別為63.04%和39.20%，RMSE分別為1.79和1.34 mm。土壤電導率修正后SWAT模擬土壤水分精度還有待進一步提高，但在土壤鹽漬化程度較高的區域，通過高分辨率遙感影像反演艾比湖流域土壤電導率修正HWSD中T_ECE參數的方法，較T_ECE參數未修正前SWAT模擬土壤水分精度提高23.84個百分點，可見利用GF-1衛星反演的土壤剖面電導率數據修正EC值默認為0的SWAT土壤數據庫，可有效提高土壤含水量模擬精度。

表4 艾比湖流域SWAT模型EC值修正前后土壤水分精度驗證

3 結 論

模型參數修正作為一種典型的從源頭減少不確定性、提高模擬精度的方法，使地表水文模擬過程更接近研究區下墊面實際情況。本研究利用GF-1遙感影像結合其他多源遙感數據，運用分類回歸樹法對艾比湖流域土壤剖面電導率進行建模，反演得到艾比湖流域0～100 cm土壤電導率數值，并利用實測值對反演結果進行精度驗證，其相對誤差分別為15.17%和1.66%。利用遙感反演土壤電導率數據對SWAT模型的土壤持水量參數進行了修正，結果顯示，SWAT模型參數修正后土壤水分模擬值較未修正模擬值更接近實測值，模擬結果精度相對誤差減少了23.84個百分點，說明該方法對提高模擬精度具有較好效果。另外，除通過參數本地化修正外，還需深入研究SWAT模擬土壤水分的方法，從機理出發進行改進，進一步提高模擬精度將成為今后的研究重點。

[1] 王中根，劉昌明，黃友波. SWAT模型的原理、結構及應用研究[J]. 地理科學進展，2003，22(1)：79－86. Wang Zhonggen, Liu Changming, Huang Youbo. The theory of SWAT model and its application in Heihe basin[J]. Progress in Geography, 2003, 22(1): 79－86. (in Chinese with English abstract)

[2] 楊桂蓮，郝芳華，劉昌明，等. 基于SWAT模型的基流估算及評價：以洛河流域為例[J]. 地理科學進展，2003，22(5)：463－471. Yang Guilian, Hao Fanghua, Liu Changming, et al. The study on baseflow estimation and assessment in SWAT--Luohe basin as an example[J]. Progress in Geography, 2003, 22(5): 463－471. (in Chinese with English abstract)

[3] 李碩，賴正清，王橋，等. 基于SWAT模型的平原河網區水文過程分布式模擬[J]. 農業工程學報，2013，29(6)： 106－112. Li Shuo, Lai Zhengqing, Wang Qiao, et al. Distributed simulation for hydrological process in plain river network region using SWAT model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(6): 106－112. (in Chinese with English abstract)

[4] Andersson J C M, Zehnder A J B, Bernhard W, et al. Improved SWAT model performance with time-dynamic voronoi tessellation of climatic input data in southern Africa1[J]. Jawra Journal of the American Water Resources Association, 2012, 48(3): 480－493.

[5] Kim S B, Shin H J, Park M, et al. Assessment of future climate change impacts on snowmelt and stream water quality for a mountainous high-elevation watershed using SWAT[J]. Paddy and Water Environment, 2015, 13(4): 1－13.

[6] Ficklin D L, Barnhart B L. SWAT hydrologic model parameter uncertainty and its implications for hydroclimatic projections in snowmelt-dependent watersheds[J]. Journal of Hydrology, 2014, 519(2): 2081－2090.

[7] Grusson Y, Sun X, Gascoin S, et al. Assessing the capability of the SWAT model to simulate snow, snow melt and streamflow dynamics over an alpine watershed[J]. Journal of Hydrology, 2015, 531(3): 574－588.

[8] Wang X, Melesse A M. Evaluation of the SWAT model's snowmelt hydrology in a northwestern Minnesota watershed[J]. Transactions of the Asabe, 2005, 48(48): 1359-1376.

[9] Dewalle D R, Rango A. Snowmelt-Runoff Model (SRM) Principles of Snow Hydrology [M]. Cambridge: Cambridge University Press, 2008: 306－364.

[10] Fuka D R, Easton Z M, Brooks E S. A simple process-based snowmelt routine to model spatially distributed snow depth and snowmelt in the SWAT Model[J]. Journal of the American Water Resources Association, 2012, 48(6): 1151－1161.

[11] 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[J]. 生態學報，2014，34(2): 517－525. Wei Chong, Song Xuan, Chen Jie. Sensitivity analysis of swat model on changes of landscape pattern: A case study from Lao Guanhe Watershed in Danjiangkou Reservoir Area[J]. Acta Ecologica Sinica, 2014, 34(2): 517－525. (in Chinese with English abstract)

[12] 鄭捷，李光永，韓振中，等. 改進的SWAT模型在平原灌區的應用[J]. 水利學報，2011，42(1)：88－97. Zheng Jie, Li Guangyong, Han Zhengzhong, et al. Application of modified SWAT model in plain irrigation district[J]. Journal of Hydraulic Engineering, 2011, 42(1): 88－97. (in Chinese with English abstract)

[13] Ahl R S, Woods S W, Zuuring H R. Hydrologic calibration and validation of SWAT in a snow-dominated rocky mountain watershed, Montana, U.S.A. 1[J]. Jawra Journal of the American Water Resources Association, 2008, 44(6): 1411－1430.

[14] Krysanova V, Müller-Wohlfeil D I, Becker A. Development and test of a spatially distributed hydrological/water quality model for mesoscale watersheds[J]. Ecological Modelling, 1998, 106(2): 261－289.

[15] Sophocleous M. Two-way coupling of unsaturated-saturated flow by integrating the SWAT and MODFLOW models with application in an irrigation district in arid region of West China[J]. Journal of Arid Land, 2011, 3(3): 164－173.

[16] 李潤奎，朱阿興，秦承志，等. 土壤數據對分布式流域水文模型模擬效果的影響[J]. 水科學進展，2011，22(2)： 168－174. Li Runkui, Zhu Axing, Qin Chengzhi, et al. Effects of spatial detail of soil data on distributed hydrological modeling[J]. Advances in Water Science, 2011, 22(2): 168－174. (in Chinese with English abstract)

[17] 胡連伍，王學軍，羅定貴，蔣穎. 不同子流域劃分對流域徑流、泥沙、營養物模擬的影響-豐樂河流域個例研究[J]. 水科學進展，2007(2)：235－240. Hu Lianwu, Wang Xuejun, Luo DingGui, Jiang Yin. Effect of sub-watershed partitioning on flow, sediment and nutrient predictions: Case study in Fengle river watershed[J]. Advances in Water Science, 2007(2): 235－240. (in Chinese with English abstract)

[18] 黃清華，張萬昌．SWAT分布式水文模型在黑河干流山區流域的改進及應用[J]. 南京林業大學學報：自然科學版，2004，28(2)：22－26. Huang Qinhua, Zhang Wanchang. Improvement and application of GIS-based distributed SWAT hydrological modeling on high altitude, cold, semi-arid catchment of heihe river basin,China[J]. Journal of Nanjing Forestry University: Natural Sciences, 2004, 28(2): 22－26. (in Chinese with English abstract)

[19] Metternicht G I, Zinck J A. Remote sensing of soil salinity: Potentials and constraints[J]. Remote Sensing of Environment, 2003, 85(1): 1－20.

[20] Toomanian N, Jalalian A, Khademi H, et al. Pedodiversity and pedogenesis in Zayandeh-rud Valley, Central Iran[J]. Geomorphology, 2006, 81(3/4): 376－393.

[21] Cruz-Cárdenas G, López-Mata L, Ortiz-Solorio C A, et al. Interpolation of Mexican soil properties at a scale of 1:1,000,000[J]. Geoderma, 2014, 213(1): 29－35.

[22] Singh A. Estimating long-term regional groundwater recharge for the evaluation of potential solution alternatives to waterlogging and salinisation[J]. Journal of Hydrology, 2011, 406(3/4): 245－255.

[23] 張東，塔西甫拉提·特依拜，張飛，等. 分數階微分在鹽漬土高光譜數據預處理中的應用[J]. 農業工程學報，2014，30(24)：151－160

Zhang Dong, Taxipulati·Teyibai, Zhang Fei, et al. Application of fractional differential in preprocessing hyperspectral data of saline soil[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(24): 151－160. (in Chinese with English abstract)

[24] 丁建麗，瞿娟，孫永猛，等. 基于MSAVI-WI特征空間的新疆渭干河—庫車河流域綠洲土壤鹽漬化研究[J]. 地理研究，2013，32(2)：223－232. Ding Jianli, Qu Juan, Sun Yongmeng, et al. The retrieval model of soil salinization information in arid region based on MSAVI-WI feature space: A case study of the delta oasis in Weigan-Kuqa watershed[J]. Geographical Research, 2013, 32(2): 223－232. (in Chinese with English abstract)

[25] Allbed A, Kumar L, Aldakheel Y Y. Assessing soil salinity using soil salinity and vegetation indices derived from IKONOS high-spatial resolution imageries: Applications in a date palm dominated region[J]. Geoderma, 2014, 230/231 (7): 1－8.

[26] 丁建麗，姚遠，王飛. 干旱區土壤鹽漬化特征空間建模[J]. 生態學報，2014，34(16)：4620－4631. Ding Jianli,Yao Yuan, Wang Fei. Detecting soil salinization in arid regions using spectral feature space derived from remote sensing data[J]. Acta Ecologica Sinica, 2014, 34(16): 4620－4631. (in Chinese with English abstract)

[27] 王飛，丁建麗，伍漫春. 基于NDVI-SI特征空間的土壤鹽漬化遙感模型[J]. 農業工程學報，2010，26(8)：168－173. Wang Fei, Ding Jianli, Wu Manchun. Remote sensing monitoring models of soil salinization based on NDVI-SI feature space[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(8): 168－173. (in Chinese with English abstract)

[28] Li H Y, Shi Z, Webster R, et al. Mapping the three- dimensional variation of soil salinity in a rice-paddy soil[J]. Geoderma, 2013, 195/196(1): 31－41.

[29] 吳亞坤，劉廣明，楊勁松，等. 基于多源數據的中原黃泛區土壤鹽分空間變異分析[J]. 農業工程學報，2015，31(5)：115－120. Wu Yakun, Liu Guangming, Yang Jinsong, et al. Spatial variability of soil salinity based on multi-source data for typical zone of flood area of the Yellow river in central China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 115－120. (in Chinese with English abstract)

[30] 劉廣明，楊勁松. 土壤含鹽量與土壤電導率及水分含量關系的試驗研究[J]. 土壤通報，2001，32(z1)：85－87. Liu Guangming, Yang Jinsong. Study on the correlation of soil salt content with electric conductivity and soil water content[J]. Chinese Journal of Soil Science 2001, 32(z1): 85－87. (in Chinese with English abstract)

王瑾杰，丁建麗，張 喆，陳文倩. 基于多源遙感數據的艾比湖流域鹽土SWAT模型參數修正[J]. 農業工程學報，2017，33(23)：139－144. doi：10.11975/j.issn.1002-6819.2017.23.018 http://www.tcsae.org

Wang Jinjie, Ding Jianli, Zhang Zhe, Chen Wenqian. SWAT model parameters correction based on multi-source remote sensing data in saline soil in Ebinur Lake Watershed[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(23): 139－144. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.23.018 http://www.tcsae.org

SWAT model parameters correction based on multi-source remote sensing data in saline soil in Ebinur Lake Watershed

Wang Jinjie1,2,3,4, Ding Jianli1,2,4※, Zhang Zhe2,4, Chen Wenqian2,4

(1.830046,;2.830046,; 3.831401,; 4.830046,)

SWAT model is one of the most widely used hydrological models in the world. The electrical conductivity (EC) is defaulted as 0 or 0.1, which might be not suitable for the soils with high salinity. In this study, we tested the feasibility of SWAT model with default EC values in simulating soil moisture and proposed a method to modify model parameters. The study area was Ebinur Lake Watershed. The watershed was located in Xinjiang with little rainfall and full sunshine. The evaporation was high. In the recent 10 years, the environment around the watershed was deteriorated, threatening sustainable development. The soil EC inversion was obtained by GF-1 16 m WFV hyperspectral remote sensing images. Different bands were used for calculation of vegetation index, soil index, salinity index and saturation. Then, these were used to build EC inversion model by the classification and regression tree method. The inversion values were compared with measured values. Then, the EC values were used to replace those in the Harmonized World Soil Database. Then, the EC distribution in Ebinur Lake Watershed was obtained. Then, the SWAT model driven by soil database, land use database and meteorological database was used for soil moisture simulation. For soil moisture simulation, meteorological database, soil database and land use database were used. The Landsat TM/ETM remote sensing images were used for land use classification. CMADS including temperature, pressure, wind speed, precipitation and radiation was used for meteorological database establishment. Soil EC and moisture were determined in 38 field sampling points. The measurements were used for model accuracy verification. The results showed that the root mean square error was 4.81 and 1.15 dS/m for soil depths of 0-40 and 40-100 cm, respectively. The relative error was 15.2% and 1.66%, respectively. The results showed the EC simulation by the model based on the index such as vegetation index, soil index, salinity index and saturation and EC was well. The surface had higher error since the surface soil had the high variation with coefficient of variation of 1.46. The T_ECE was modified by recalculating parameters in SWAT soil database. Then, soil moisture was calculated. The relative error was 63.04% and 39.20% before and after modification, respectively. The root mean square error was 1.79 and 1.34 mm before and after modification, respectively. It indicated that the modification was effective in improving soil moisture simulation accuracy by the SWAT model. The method proposed here is helpful in SWAT model use in saline soils.

soils; electrical conductivity; remote sensing; salinization; SWAT model; GF-1

10.11975/j.issn.1002-6819.2017.23.018

S155.2+93; S127

A

1002-6819(2017)-23-0139-06

2017-04-29

2017-10-10

國家自然科學基金項目（41771470、U1303381、41261090）；自治區重點實驗室專項基金(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

王瑾杰，陜西人，講師，博士，主要從事干旱區水資源遙感。Email：skytian552@sohu.com

丁建麗，山東人，教授，博導，主要從事干旱區資源環境遙感。Email：watarid@xju.edu.cn