CMADS與傳統氣象站數據驅動下的SWAT模型模擬效果評價
----以苦水河流域為例

張春輝，王炳亮 ,2

(1.寧夏大學土木與水利工程學院，銀川 750021；2.教育部旱區現代農業水資源高效利用工程研究中心，銀川 750021)

水文模型依據數學原理和氣象水文資料以及水利工程等人類實際需求對自然水文現象進行模擬，是水文科學必備的重要方法之一。分布式流域水文模型考慮了下墊面和降雨分布不均對流域水文過程的影響，同時也能模擬人類活動下流域水文情勢的發展方向，比傳統的集總式水文模型更為系統，為科學模擬降雨徑流形成過程及其發展機理提供了可靠的工具，成為水文模型發展的趨勢[1]。

SWAT(Soil and Water Assessment Tool)模型是由美國農業部于20世紀90年代開發的半分布式水文模型[2]，該模型主要用于模擬和評價各種管理措施和氣候條件變化下的流域水文情勢、水質變化情況。目前，國內外針對模型已進行了大量的研究，主要有徑流模擬、氣候/土地利用變化的水文效應研究、泥沙運動模擬、面源污染研究[3-7]，其中，徑流模擬由于長時段徑流實測資料易于獲取成為模型模擬的主流方向[8]。目前構建SWAT模型時所需的氣象數據庫參數大多是根據流域內的氣象站數據推求所得。有研究表明，驅動SWAT模型的氣象數據的不確定性對模擬結果影響較大，其中以降水最為顯著[9]。

西北內陸干旱區氣象站點分布稀疏，致使模型的可靠性降低，是制約水文模型廣泛應用的主要因素之一。為解決地面氣象站點及氣象數據缺乏的問題，國內外學者將各種氣候模式輸出數據及其降尺度數據用于大尺度水文模擬中，并取得了較好的效果[10,11]。但由于氣候模式及再分析數據自身的缺陷，氣候模式產品和再分析數據與區域氣候差異較大，應用這些數據進行水文響應研究時會出現差異較大的結論，究其原因是氣候模式產品模擬區域氣候時出現的較大偏差所導致的[12,13]。因此，研究不同大氣再分析數據及氣候模式產品在SWAT模型中的應用效果及敏感性對于水文響應研究具有重要意義。中國大氣同化驅動數據集(China Meteorological Assimilation Driving Database for the SWAT model, CMADS) 以中國氣象局大氣同化系統(CLDAS)為基礎，應用數據模式要素重算、質量控制、循環嵌套、重采樣及雙線性插值等多種技術手段建立，具有數據來源廣、多時間尺度和多分辨率的特點，可應用于不同分辨率下的模型[14]。目前該數據的應用還處于探索階段，孟現勇等國內學者以地處西北干旱區的黑河流域為研究對象，通過比較由CMADS、CFSR、傳統氣象數據驅動的SWAT模型模擬效果，發現CMADS結合SWAT模式的模擬效果優于基于CFSR和傳統氣象站的模擬效果[15]。張利敏等對由CMADS驅動的渾河流域SWAT模型的適用性進行了評價，結果表明，模型徑流模擬效果理想，且CMADS 數據集能很好地反映位于高寒山區且缺乏氣象資料的渾河流域下墊面氣候特征[16]。本文以寧夏回族自治區境內的苦水河流域為研究區，分別構建由傳統氣象數據和CMADS數據驅動的SWAT模型，并進行參數率定與驗證，以探究不同氣象數據源對SWAT模型模擬效果的影響。

1 基礎數據處理

1.1 研究區概況

苦水河源于甘肅省環縣沙坡子溝，是黃河一級支流，流經寧夏回族自治區鹽池縣、同心縣、吳忠市境內，最終于靈武市新華橋匯入黃河，其支流主要有甜水河、小河、沙溝。流域位于北緯37°02′～38°03′，東經106°01′～107°14′之間，南北長約224 km，東西最寬為200 km，流域總面積為5 218 km2，年平均徑流量為1 550 萬m3；境內屬于溫帶大陸性氣候，年平均氣溫15.8 ℃，年平均降水量248 mm；境內地形南高北低，地貌多以山地丘陵為主，分布有黑壚土(Calcic Chernozems)、黃綿土(Calcaric Cambisols)、淡灰鈣土(Calcaric Arenosols)、灰鈣土(Calcaric Fluvisols)、灰褐土(Rendzic Leptosols)、鹽堿土(Mollic Solonchaks)、石灰性粗骨土(Calcaric Regosols)等土壤類型；郭家橋水文站是流域內唯一的水文站。

1.2 DEM處理

研究區DEM空間分辨率為30 m，參考坐標系為GCS_WGS_1984(圖1)。在ArcSWAT中需將地理坐標系轉化為投影坐標系，根據高斯克呂格3度帶投影方式，轉換后的DEM投影坐標系為Beijing_1954_3_Degree_GK_Zone_35，中央經線為東經105°。

圖1 苦水河流域DEMFig.1 The DEM of kushui river basin

1.3 土地利用數據處理

研究區土地利用類型數據由寧夏回族自治區水文水資源局提供，其分辨率為30 m，在此以2010年土地利用數據為建模基礎數據，其土地利用類型主要有水田、旱地、有林地、灌木林、高覆蓋度草地、中覆蓋度草地、低覆蓋度草地、灘地、城鎮用地、農村居民地、工交建設用地、沙地、鹽堿地、裸土地、裸巖16種。由于SWAT 模型內嵌美國國家地質調查局(USGS)設計的土地利用分類系統，所以需對土地利用數據進行重分類，并以SWAT 模型要求的字母代碼對土地利用類型命名(命名結果見表1) ，重分類土地利用現狀圖見圖2。

表1 土地利用重分類結果Tab.1 Land use reclassification results

圖2 土地利用重分類圖Fig.2 Land use reclassification map

1.4 土壤數據處理

本文采用世界和諧土壤數據庫(Harmonized World Soil Database, HWSD)提供的土壤數據土壤分布圖見圖3。HWSD 采用的FAO 制與SWAT模型采用的土壤粒徑級配標準(USDA)差別不大，所以不用對土壤粒徑進行轉化[17]。模型數據庫要求的一些參數，如土壤名稱、沙土含量、壤土含量、黏土含量、礫石含量、分層數、土壤剖面最大根系深度、土壤層結構、土壤層深度、有機碳含量、電導率可直接從HWSD屬性數據庫中查詢獲得。土壤數據庫參數中田間持水量(SOL-AWC)、飽和導水率(SOL-K)、土壤濕密度(SOL-BD)可由SPAW軟件進行計算。

圖3 基于HWSD的土壤類型分布圖Fig.3 Soil distribution map based on HWSD

1.5 氣象數據處理

利用傳統氣象數據驅動SWAT 模型時需計算天氣發生器參數。天氣發生器通過統計流域內外站點多年氣象觀測值計算出氣候態以模擬站點歷史缺測值及預測值[18]。天氣發生器的各項參數主要有月平均最高/低氣溫、月最高/低氣溫標準偏差、月平均降雨天數、月平均降雨量、月降雨量標準偏差、降雨量偏度系數、所有計算年月內降水日與非降水日比率、所有計算年月內非降水日與降水日比率、按月統計日均露點溫度、按月統計日均太陽輻射量、按月統計日均風速平均風速[19]。本研究中傳統氣象站點有鹽池縣、同心縣、中寧縣氣象站(圖4)，其氣象要素時間為2008-2016年。

本文使用的CMADS V1.0數據覆蓋整個東亞(0°～65°N，60°～160°E)，空間分辨率為0.25°，氣象要素時間為2008-2016年，其中，位于研究區的CMADS站點共有16個(圖4)。該氣象數據集中，氣溫、氣壓、比濕、風速驅動數據利用NCEP /GFS 為背景場，融合中國2421個國家級氣象局自動站的觀測數據；降水數據利用CMORPH融合了我國近40000個區域自動臺站。

圖4 傳統氣象站點與CMADS站點空間分布圖Fig.4 Traditional meteorological stations and CMADS stations Distribution

2 結果分析及討論

基于流域DEM，利用ArcSWAT2012提取的流域面積為5 218 km2，其中子流域劃分為16個。在子流域基礎上需劃分水文響應單元(Hydrologic Response Unit,HRU)，水文響應單元是流域內最小的水文計算單元，每一個HRU中土地利用/覆被類型、土壤類型、坡度分布無差異，通過計算HRU的匯流量，可計算出子流域徑流量，最終推算整個流域徑流量。加載完土地利用圖和土壤圖以及完成坡度分級后，進行 HRU 的劃分。為保證HRU劃分的準確性與水文要素計算效率，模型推薦一個子流域內的水文響應單元一般為3～4個。本文考慮各子流域內土壤類型和土地利用類型以及各坡度等級的面積比例，確定出流域內優勢土壤類型和土地利用類型及坡度等級面積閾值，低于該閾值的類型將劃分到優勢類型當中。最終確定土地利用、土壤及坡度的面積閾值分別為 8%、10%、16%。并將苦水河流域劃分為237個HRU。在輸入氣象水文數據后，2005-2007年為模型的預熱期，以2008-2012年為模型參數率定期，2013-2016年為模型驗證期，采用SCS徑流曲線方法計算地表徑流[20]。

在模型初次運行后，需進行參數敏感性分析，以確定對模型輸出貢獻較大的參數及不同參數組合對模擬效果的影響[21]。本文依托SWAT-CUP(SWAT Calibration Uncertainty Procedures) 進行參數敏感性分析、率定及驗證，其內置的SUFI-2算法基于綜合優化和梯度搜索方法，同時率定多個參數，分析模型參數及模型結構的不確定性[22]，該算法通過確定目標函數，進行多次迭代計算，完成參數初始范圍的確定，之后進行Latin Hypercube采樣得到多種參數組合并再次運行模型，完成參數的不確定性分析及參數率定[23]。對模型參數進行敏感性分析，參數相對顯著性由t-Stat 檢驗值確定，t-Stat 檢驗值的絕對值越大，參數敏感性越高；P-Value是t檢驗值表對應的P概率值，其值越接近于0，參數敏感性越高。分別對兩種模式氣象站下的模型輸出結果進行500 次迭代運算，確定敏感性高的參數并以流域出口郭家橋水文站的月徑流資料為準進行參數率定。由表2可知，有8個對兩種模型敏感度都較高的參數，其中CN2表示SCS 徑流曲線數，GW_DELAY 表示地下水延遲時間，CH_K2表示河道有效滲透系數，ESCO 表示土壤蒸發補償系數，ALPHA_BNK 表示河岸調蓄基流系數，SOL_AWC 表示土壤有效含水率，SOL_K 表示土壤飽和滲透系數，ALPHA_BF 表示基流α因子，且SCS徑流曲線數、地下水延遲時間、土壤蒸發補償系數在兩種模型中敏感性等級相同，說明這3個參數對模型結構及模擬結果影響最大。

表2 參數敏感性分析及調參結果統計Tab.2 Parameter sensitivity analysis and parameter adjusting statistics

模型模擬效果的評價指標采用Nash-Sutcliff 效率系數(NSE) 和決定系數(R2)，具體表達式為：

(1)

(2)

NSE變化范圍為-∞至1，當NSE計算結果為1時，觀測值與模擬值完全相同；在0.5～1之間，表示模式結果可接受，當NSE小于0時，認為模擬效果可靠性差，R2表征模擬值與實測值的相關性，其值越接近1，表明模擬效果越好[24]。

2008-2012年為率定期，2013-2016年為模型驗證期，以郭家橋水文站實測月徑流流量為準，先后得到率定期與驗證期徑流模擬結果。從圖5和表3可以看出：在月尺度上，兩種SWAT模型在率定期及驗證期徑流模擬效果理想，降雨量變化趨勢與徑流變化趨勢一致，且NSE、R2都大于0.6，模擬值與實測值相關性良好；CMADS驅動的SWAT模型NSE值與R2均大于基于傳統氣象站數據模型的對應值，且在徑流流量出現突變的月份，CMADS驅動的模型徑流峰值變化幅度小于傳統氣象站下的模型徑流變化，更接近實測值，其原因可歸結為：由于SCS徑流曲線數、地下水延遲時間、土壤蒸發補償系數是對模型敏感度最高的3個參數，而降雨量又是影響這3個參數值變化的主要因素，本研究中，由于傳統氣象站點分布稀疏，且大多位于流域外圍，導致模型在進行降水空間插值時出現偏差，使得徑流模擬效果欠佳；而CMADS的運用則彌補了這一偏差，使模擬結果更為精確。總體來看，兩種SWAT模型的徑流模擬結果都表明，2008-2016年流域年徑流總量呈現減少的趨勢，河道最大流量出現在每年的7-9月，最小流量位于每年的11月到次年4月，這與流域常年氣象水文情勢相符，即苦水河流域地處旱區，降水主要集中在7-9月；而從11月至次年2月，流域內降水稀少，土壤結凍，降水多以降雪的形式出現，導致匯入河流的地表水量減少；2-4月，河流流水主要來自地下水，隨著氣溫回升，日照時間增多，導致土壤解凍后地表蒸發逐漸旺盛，植物根系吸水能力增強，使得補給河流基流的地下水水量急劇減少。

圖5 模擬徑流流量與實測徑流流量對比圖Fig.5 The comparison between simulation runoff and the measured in calibration stage

時間站點站點所在子流域號傳統氣象站NSER2CMADSNSER2率定期(2008-2012年)郭家橋水文站10.6420.5970.8460.741驗證期(2013-2016年)郭家橋水文站10.6190.6280.8160.752

3 結 語

由于研究流域地處西北干旱內陸區，流域內氣象站點稀少，所以本文在苦水河流域地形、土壤、土地利用等數據的基礎上不僅建立了傳統氣象站數據支撐的SWAT模型，還引入了能夠彌補氣象站點缺失的CMADS氣象數據，并構建了基于此數據集的SWAT模型，最終完成了兩種模型的參數率定及驗證。將兩種模型的徑流模擬效果進行了比較，發現均適用于此干旱流域，能體現出流域的徑流變化特征，且基于CMADS的SWAT模型模擬精度高于傳統氣象站數據支配的模型，說明CMADS可用于氣象資料稀缺地區SWAT模型的構建。

CMADS大氣同化數據集是近年開發的大氣數據再分析產品，其氣象要素時間范圍較小(2008-2016年)，導致模型率定期、驗證期較短，這會對參數敏感性分析、參數率定及驗證效果造成一定的影響。由于流域內只有一個出口水文站，所以用此水文站徑流數據進行模型參數率定及驗證將不能完全確定影響子流域產流相關參數的變化情況，增大了模型調參的隨機性，在今后的研究中應注重應用其他實測氣象水文數據進行模型校正與驗證，例如利用遙感ET進行模型校正，可以從子流域的角度出發完成模型參數敏感性分析、率定及驗證，從而提高模型運行的可靠性。此外，本研究僅考慮了基于SWAT模型的流域自然水文循環，并未考慮模型對流域內退耕還林、揚水工程等人為活動的響應，將在后續的研究中繼續深入上述問題的研究。

□

參考文獻：

[1] 閆紅飛,王船海,文 鵬. 分布式水文模型研究綜述[J]. 水電能源科學,2008,26(6):1-4.

[2] 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.

[3] Dessu S B, Melesse A M. Modelling the rainfall-runoff process of the Mara River basin using the Soil and Water Assessment Tool [J]. Hydrological Processes, 2012,26(26):4 038-4 049.

[4] 孫 瑞,張雪芹. 基于SWAT模型的流域徑流模擬研究進展[J]. 水文,2010,30(3):28-32.

[5] 林桂英,曾宏達,謝錦升. SWAT模型在流域LUCC水文效應研究中的應用[J]. 水資源與水工程學報,2009,20(6):145-148,151.

[6] Gessese A, Yonas M. Prediction of inflow to legedadi reservoir using SWAT watershed and CCHELD sediment transport models[J]. Nile Basin Water Engineering Scientific Magazine,2008,(1):65-74.

[7] 陳曼雨,崔遠來,鄭世宗,等. 基于SWAT模型的農業面源污染尺度效應研究[J]. 中國農村水利水電,2016,(9):187-191,196.

[8] 王 林,陳興偉. SWAT模型流域徑流模擬研究進展[J]. 華僑大學學報(自然科學版),2008,(1):6-10.

[9] 廖亞一,呂海深,李占玲. 氣象數據不確定性對SWAT模型徑流模擬影響[J]. 人民長江, 2014,(9):34-38.

[10] Smith R A, C D Kummerow. A comparison of in situ, reanalysis, and satellite water budgets over the Upper Colorado River Basin[J]. Journal of Hydrometeorology，2013,(14):888-905.

[11] Lavers D A, G Villarini, R P Allan, et al. The detection of atmospheric rivers in atmospheric reanalyses and their links to british winter floods and the large-scale climatic circulation[J]. Journal of Geophysical Research Atmospheres，2012，117(D20):1-13.

[12] 陸桂華,吳志勇,張建云. 陸氣耦合模型在實時暴雨洪水預報中的應用[J]. 水科學進展,2007,16(6):847-852.

[13] 王 超. 祁連山區出山徑流對氣候變化的響應研究----以黑河上游為例[D]. 蘭州:蘭州大學,2010.

[14] 孟現勇. SWAT 模型中國大氣同化驅動數據集(CMADS V1.1)[Z]. 蘭州:寒區旱區科學數據中心,2016.

[15] 孟現勇,師春香,劉時銀,等. CMADS數據集及其在流域水文模型中的驅動作用----以黑河流域為例[J]. 人民珠江,2016,37(7):1-19.

[16] 張利敏,王 浩,孟現勇. 基于CMADS驅動的SWAT模型在遼寧渾河流域的應用研究[J]. 華北水利水電大學學報(自然科學版),2017,38(5):1-8.

[17] 寧吉才,劉高煥,劉慶生. 水文響應單元空間離散化及SWAT模型改進[J]. 水科學進展,2012,23(1):14-20.

[18] Neitsch S L, J G Arnold，J R Kiniry, et al. Soil and Water Assessment Tool Theoretical Documentation[Z]. Version 2005. Grassland Soil and Water Research Laboratory, Agricultural Research Service, Blackland Research Center, Texas Agricultural Experiment Station, Temple, Texas, 2012.

[19] 李 威. 基于GIS和SWAT模型的嘉陵江降雨徑流模擬研究[D]. 重慶：重慶師范大學,2015.

[20] 王 英,黃明斌. 徑流曲線法模型參數在黃土地區的優化研究[J]. 水土保持通報,2008,(1):54-58.

[21] 宋曉猛,張建云,占車生,等. 水文模型參數敏感性分析方法評述[J]. 水利水電科技進展,2015,35(6):105-112.

[22] Richard M W, Sam M, Juan A，et al. Effect of drought and the presence of the 1BL /1RS translocation on grain vitreosity, hardness and protein content in winter wheat[J]. Journal of Cereal Science,2008,47(3):457-468.

[23] 劉睿翀,霍艾迪,CHEN X H,等. 基于SUFI-2 算法的SWAT 模型在陜西黑河流域徑流模擬中的應用[J]. 干旱地區農業研究,2014,32(5):213-217,222.

[24] 劉 俊,劉時銀,上官冬輝,等. CMADS、ITPCAS和TRMM 3B42 3套降水數據集在玉龍喀什河流域的適用性評價[J]. 華北水利水電大學學報(自然科學版),2017,38(5):28-37.