遙感蒸散發數據應用對SWAT模型徑流和蒸散發模擬精度的影響

張 清，岳青華，董曉華，楊百銀，魏 沖，喻 丹，張 特

(1.三峽大學 水利與環境學院，湖北 宜昌 443002；2.水資源安全保障湖北省協同創新中心，湖北 武漢 430072；3.中國電建集團華東勘測設計研究院有限公司，浙江 杭州，310014；4.水電水利規劃設計總院，北京 100120)

1 研究背景

蒸散發是水文循環中一個重要的過程，大約占降雨量的60%～70%，在干旱地區甚至能達到年平均降雨量的90%[1]，在區域乃至全球尺度的氣候、水文和能量過程上都是主要的調控要素[2]。蒸散發也是流域水分散失的主要途徑[3]，控制著地表和地氣交互作用中可利用的水資源量[4]，影響著農業用水效率、區域生態功能及其干濕狀態[5]。降雨量與蒸散發量之間的差額是可以供人們利用和管理的水資源量，因此準確地估算蒸散發量，對于氣候及土地利用變化對水資源的影響研究至關重要[6]。

同降雨、徑流等相比，通過測量得到實際蒸散發數據的過程是非常困難的[7]。目前，農田尺度的蒸散發測量方法主要有基于能量平衡原理的波文比能量平衡法[8]及渦度協方差法[9]等；區域尺度主要分為地面觀測和遙感觀測兩種，地面觀測應用最為廣泛的為激光閃爍儀及蒸發皿測量，但由于成本較高不能做到大面積推廣，只能通過數量較少的站點觀測甚至無觀測數據。以此取得的數據缺乏空間代表性，不能有效地考慮到氣候、土壤、土地利用以及坡度等因子的時空差異性對蒸散發的影響，因此需要在區域尺度上建立相應的蒸散發估算方法與模型。遙感技術的發展豐富了水文模型的數據源，可以實現在水文模型中利用氣象、土壤、土地利用等數據與徑流數據建立多目標率定以模擬所需的水文過程，并且已有較大程度的改進[10]。

近年來有較多的學者利用SWAT模型中幾種潛在蒸散發估算方法(Penman-Monteith、Hargreaves、Priestley-Taylor等公式)以及增加不同的水文變量進行流域的蒸散發模擬[11]，也有對不同區域尺度蒸散發估算方法差異的對比研究[12]。研究者在考慮其他過程時，可以采用多變量、多站點率定的方式，以此增加模型模擬的多樣性及可靠性[11]。Bai等[13]通過GRACE(gravity recovery and climate experiment)反演陸地水儲量變化與觀測徑流多目標率定模型，提高了干旱地區水儲量變化與蒸散發的模擬精度。Parajka等[14]在SWAT模型中利用MODIS(moderate-resolution imaging spectroradiometer)降雪數據與觀測徑流數據建立多目標率定，與僅使用徑流率定參數的情景相比，徑流模擬精度略有降低，但降雪的模擬精度得到了較大提高。Rajib等[15]采用遙感蒸散發數據與觀測徑流數據建立多目標參數率定情景，徑流模擬精度無較大變化，蒸散發的模擬精度有較大的提升。在密西西比河流域，通過遙感數據進行徑流以及蒸散發的多目標率定，得到NS系數分別在0.8左右和0.4左右，整體趨勢模擬地較好，證明遙感數據能改善模型對缺乏資料地區水文過程的模擬[16]。而蒸散發是一個歷時較長的循環過程，需要在陸面進行長期的監測，故而連續一致的時間序列數據是蒸散發研究的基礎和前提，作為時空分辨率較高數據的典型代表，MOD16A2數據為較多研究者所采用。其算法在生成全球ET數據產品方面具有良好的性能，可在充分考慮植被生長變化下，提供有關全球陸地水和能源循環以及環境變化的關鍵信息。賀添等[17]在站點尺度以及流域尺度驗證了MOD16A2數據的精度，該數據對我國森林、農田生態系統類型以及遼河、海河、黃河和淮河流域的蒸散發模擬精度較高。楊秀芹等[18]通過收集2001-2010年實測徑流和降水統計數據，基于水量平衡方程，得出MOD16蒸散發產品在淮河流域有較好的適用性與一致性的結論。

本研究在SWAT模型中利用徑流觀測數據與遙感蒸散發數據建立不同參數率定情景，填補SWAT模型僅采用徑流為變量率定參數從而模擬區域內水文過程的缺陷，模擬蒸散發和徑流等水文過程，并對各情景模擬結果在時間與空間尺度上進行分析。本研究所用方法可推廣到其他水文模型和具有不同下墊面特征的地區。

2 研究區域概況

淮河流域地處我國東部，介于長江與黃河之間，位于東經115°55′～121°25′，北緯30°55′～36°36′。本研究區為淮河流域上游息縣以上控制流域，位于我國河南省南部，面積約為10 200 km2，西部、西南部及東北部分布著山區和丘陵，約占總面積的30%，其他區域大多為平原，耕地為本研究區主要的土地利用方式。研究區域概況見圖1。

圖1 研究區流域概況

該流域多年年平均降雨量為920 mm，根據楊秀芹等[18]利用彭曼公式估算研究區2000-2014年潛在蒸散發量，得出該時段的平均實際蒸散發量約為623.4 mm，空間上由東部、西南向西北遞增，但逐年平均值呈下降趨勢。本研究區屬于半干旱氣候與濕潤氣候的過渡帶，冬春季節干旱少雨，夏秋季節悶熱多雨，冷暖旱澇轉變急劇。

3 數據來源與研究方法

3.1 數據來源

本研究的主要數據有DEM、土地利用、土壤、水文氣象以及2000-2010年MODIS數據集中的遙感蒸散發MOD16A2逐月數據(https://terra.nasa.gov/data/modis-data)。其中，DEM為于中國科學院計算機網絡信息中心地理空間數據云平臺(http://www.gscloud.cn/)下載的GRID數據，分辨率為90 m；土地利用數據為于中科院資源環境數據云平臺(http://www.resdc.cn/)下載的GRID數據，分辨率為1 km；土壤數據采用FAO組織構建的Harmonized World Soil Database(http://external-world-soil-database/)下載的GRID數據；驅動因子為來自中國科學院資源科學數據中心(http://www.resdc.cn/)的GRID數據；氣象數據為下載自SWAT官網(https://swat.tamu.edu/software/arcswat/)的1980-2015年日降水量、氣溫、太陽輻射、風速和相對濕度等DBF格式氣象數據；由淮河水利委員會提供的2000-2013年徑流數據以及2000-2010年蒸散發站點(息縣、南灣、石山口)蒸發皿實測水面蒸發數據；本研究利用MRT工具對MOD16A2遙感蒸發數據進行投影轉換，對數據圖像進行裁剪，并統計分析蒸散發數據。

3.2 研究方法

SWAT(soil and water assessment tool)模型是一個被廣泛使用且最具代表性的分布式水文模型[19-20]，20世紀90年代由美國農業部農業研究中心研發。SWAT模型主要基于SWRRB模型，并吸收了CREAMS、GLEAMS、EPIC、ROTO等模型的優點，通過進一步整合，形成區域尺度乃至子流域尺度的流域水文模型，可用于預測不同土壤類型、土地利用方式、農業管理措施對流域內水文、泥沙、水質運移過程的影響。該模型的核心思想在于合理地表征流域的空間變異性，通過將流域內具有相同土地利用、土壤以及坡度等性質的網格離散為不同的水文相應單元(hydrological response units，HRUs)，使其能夠模擬氣候因素和下墊面因素的時空變化以及農業耕作措施對流域水文循環過程的影響[21]。目前有較多使用SWAT模型的研究主要通過徑流率定模型參數，探究不同未來氣候變化情景下的水文響應[22]，模擬調整農田灌溉量以期維持可持續生產與水資源的保護[23]，模擬重金屬、營養物質、泥沙的運移過程以評估減輕水資源污染的措施。

本研究應用SWAT模型對研究區數字高程模型(digital elevation model，DEM)圖像劃分子流域(見圖1)，并提取各子流域遙感蒸散發數據MOD16A2，對比研究區內3個蒸散發觀測站點(南灣、石山口、息縣)的實測蒸散發值與遙感蒸散發值，驗證遙感蒸散發數據在本研究區的適用性。然后建立不同的情景探究多目標率定對SWAT模型徑流與蒸散發時空尺度模擬精度的影響。設置情景方式如下：

(1)情景1(S1)：僅使用實測徑流數據率定模型參數；

(2)情景2(S2)：僅使用遙感蒸散發月數據率定模型參數；

(3)情景3(S3)：使用徑流與遙感蒸散發月數據同時率定模型參數。

基于各情景輸出的模擬結果，對研究區多年徑流、面平均蒸散發與子流域尺度上的蒸散發過程進行模擬精度的判斷，定性及定量分析多目標率定對水文過程模擬的影響。

3.3 模型參數選擇

在SWAT模型中，使用到DEM以及息縣的經緯度位置來提取研究區流域以及研究區河網，并使用淮河水利委員會提供的河網shp圖進行校正。導入研究區內雨量站點的坐標，設定合適的面積閾值(約360 km2)，劃分得到39個子流域(見圖1，研究中未涉及子流域編號，故不加以敘述表明)、542個水文響應單元(HRUs)。在建立研究區的SWAT模型后，選擇的研究時段為2000-2010年，其中2000年為預熱期，2001-2005年作為率定期，2006-2010年作為驗證期，S3在S1、S2用觀測徑流數據率定模型的基礎上，增加多年的遙感蒸散發數據作為額外變量。

各情景中均采用徑流曲線數(CN2)、基流系數(ALPHA_BF)等水文模型徑流率定參數并加上最大潛在葉面積指數(BLAI)、輻射利用效率(BIO_E)等生物物理相關參數[15]。其中徑流情景(S1)僅率定徑流；蒸發情景(S2)僅率定蒸散發；徑流-蒸發情景(S3)同時率定徑流與蒸散發。保持模型其他設定不變，各情景對相同時間段進行水文過程的模擬。對3種情景率定與驗證期的模擬結果采用納什效率系數(NS)、確定性系數(R2)以及標準化均方根誤差(RSR)等目標方程進行精度的判斷。本研究中，各情景的初始參數范圍一致，率定方法為SWAT-CUP所提供SUFI-2算法[24]，對SWAT-CUP中的參數采用LH-OAT法進行敏感性分析，以降低模型的異參同效性。

4 結果與分析

4.1 MOD16A2數據的驗證

研究區內僅有3個蒸發站點(見圖1)，分布于研究區的中部(南灣)，所在子流域多為水域與森林、中部偏下(石山口)，所在子流域多為水域與耕地、東部出口區域(息縣)，所在子流域多為耕地。圖2為2001-2010年3個蒸發站的實測蒸散發數據與相應站點所在子流域的遙感MOD16A2蒸散發數據的對比。此時蒸發站觀測實際蒸散發折算系數取自《淮河流域淮河水系實用水文預報方案》[25]中息縣斷面以上控制流域部分的K值，4、5、10月為0.93，6-9月為0.85，其中未給出的11-3月的K值因冬季蒸散發能力較小取為0.80。

圖2 2001-2010年各蒸散發站點實測蒸散發量與MOD16A2蒸散發的對比

經計算，息縣多年月平均ET值為58.41 mm，較MOD16A2值偏高14%；南灣多年月平均ET值為58.48 mm，相應偏高3.36%；石山口多年月平均ET值為49.08 mm，相應偏低13.1%。3個站點實測值與遙感MOD16A2蒸散發值線性擬合R2均在0.83以上，說明遙感蒸散發值與蒸發皿實測值顯著相關，驗證了MOD16A2數據在本研究區的適用性。

由圖2可知，2001年的測量值偏高，可能是由于2001年全國氣象表現出大面積降水偏少，四季均出現了不同程度的干旱，土壤濕度降低而蒸發皿卻為充分供水條件，且根據實測降水量數據顯示，該年降水量僅為461 mm，較多年平均降水量減少近50%。其他年份的實測蒸散發數據與MOD16A2數據的趨勢一致，圖3為蒸散發站實測數據與遙感蒸散發數據之間的相對誤差。

圖3 2001-2010年各蒸散發站實測數據與遙感蒸散發數據的相對誤差

由圖3可知, 蒸散發站實測數據與遙感蒸散發數據的相對誤差范圍基本在-50%～150%，個別點出現了異常偏高的情況，如息縣的2001年2月、石山口的2006年1月、息縣的2008年1月，實際觀測值均遠小于MOD16觀測值。南灣的相對誤差較其他兩個站點小，多表現為實測蒸散發值較遙感值偏大，這與類似研究結果一致[26]。息縣與石山口兩個站點的相對誤差較大，可能與該站點土地利用類型多為水域(水庫)相關。整體來說，MOD16A2數據與蒸散發站點實測數據存在著較好的相關性，可以用于在空間上彌補研究區內的蒸散發數據。

4.2 敏感性分析

對設定的不同情景，分別采用息縣水文站2000-2010年的月徑流數據以及對應年份的MOD16A2遙感蒸散發數據對SWAT模型進行率定和驗證。采用SWAT模型全局敏感性分析LH-OAT法[27]，選擇對模型較為敏感的參數并增加遙感蒸散發數據參與率定[28]。

在大部分研究中，生物物理參數會采用默認的參數范圍參與模型水文過程的模擬，這些參數能反映能量平衡機制、地氣交換以及生物生長等過程，也在很大程度上影響著植被對土壤水分的作用[29]。SWAT模型率定過程中進行全局參數敏感性分析，表1為模型參數敏感性排序。

表1 模型參數敏感性排序

由表1可知，徑流參數如CN2等依舊為模型最敏感的參數，SOL_Z、ALPHA_BNK、CANMX、DLAI、BIO_E等土壤及植物冠層、葉面積類相關參數較為敏感，相較徑流模擬情景而言，在蒸散發的模擬過程中的貢獻尤為突出，證明在模型水文過程的模擬中，植被等生物物理參數是不可忽視的。較為突出的葉面積指數類的參數主要與植物的生長狀態有關，如植物的氣孔開閉狀態、葉面積大小以及根系水分等[30]。其次，在參數的敏感性分析過程中，氣溫、降雨降雪等相關參數也表現得較為突出，這與Yan等[31]在淮河流域針對大網格季尺度蒸散發影響因素的研究一致。

4.3 模擬結果與分析

本研究區中，水文站觀測多年月平均徑流量為118.05 m3/s。在設定的不同情景下，對水文站實測徑流量與模型模擬值使用納什效率系數(NS)、確定性系數(R2)與標準化均方根誤差(RSR)指標判斷模型對徑流量的模擬精度，結果見表2。

由表2可知，S1情景模擬多年月平均徑流量為123.08 m3/s，略高于觀測值6.99%。S2、S3情景較前兩個情景對徑流的模擬略差，分別比觀測值高13.60%與11.10%；各模擬情景在月尺度模擬徑流時，各情景率定期NS系數達到了0.71～0.86，RSR達到了0.38～0.54，驗證期NS系數達到了0.70～0.80，RSR達到了0.29～0.52。可見S1的模擬精度要高于其他兩個情景，且有徑流參與率定的情景精度高于僅用蒸散發率定的情景(S2)。

表2 各情景模型率定和驗證期徑流量精度

根據指標綜合判斷，模型在模擬徑流時，僅使用蒸散發對徑流過程進行率定(S2)的效果不佳，但蒸散發與徑流共同率定(S3)的結果雖較僅率定徑流(S1)較差，但較S2略有提升，率定期NS系數從0.71上升到0.80，驗證從0.70上升到0.73。根據NS、RSR等指標判斷，模型均達到了良好的模擬狀態，證明了SWAT模型在本研究區的適用性。3種情景的徑流過程的模擬結果如圖4所示，在徑流過程的模擬上，S2模擬的徑流峰值較S1、S3都有所增加，但也在某些時段存在著較大的偏差，如2004、2005年夏季峰值模擬偏差較大，但經過徑流數據的補充后，峰值模擬較好；2006、2009年夏季徑流峰值較低，可能的原因是該年份較2001-2010年10年平均降水量分別降低17%、14%。

圖4 各情景月徑流量觀測值與模擬值

在本次研究中選擇了分幅號為h27v05的MOD16A2數據資料，采用ArcGIS工具箱從SWAT模型劃分的子流域中提取逐月蒸散發值，作為蒸散發觀測數據參與SWAT模型參數率定，與各情景模型模擬值對比。圖5為研究區MOD16A2與模型模擬的逐月面平均蒸散發值對比，從圖5中可以看出，在各情景下，模型模擬值與遙感觀測值都是較符合的。在研究區總流域尺度上，將SWAT模型各情景月蒸散發模擬結果與MOD16A2蒸散發數據進行線性擬合，結果如圖6所示，3個情景模型模擬蒸散發值與遙感觀測值的相關系數逐漸升高，從0.86增加至0.90；在增加了遙感蒸散發數據率定模型參數后，率定期對峰值的修正效果較為明顯，如2002、2003年夏季，但在部分年份仍出現了峰值模擬較差的情況，如2001、2009年夏季，可能為該年份降水減少，故而蒸散發量降低，但遙感觀測值則始終偏高。

圖5 各情景月蒸散發量遙感觀測值與模擬值對比(面平均)

圖6 各情景月蒸散發模擬值與遙感觀測值擬合

就子流域而言，增加蒸散發變量率定參數后，S2與S1情景對比，在研究區的北部和東部的NS系數有明顯的提高，圖7為各情景在子流域尺度上蒸散發的模擬精度(NS系數)對比。

圖7 各情景子流域蒸散發模擬精度NS系數對比

由圖7可知，S3與S2情景對比，蒸散發與徑流共同率定模型參數的情況下，研究區的東部與中部的模擬精度明顯上升，NS系數上升的子流域個數占總個數的46%，證明增加蒸散發率定參數對模型在空間上模擬蒸散發過程有明顯的改善作用。S3與S1情景對比，NS系數上升的子流域個數占總個數的64%，表明與僅用徑流單目標率定模型參數的情景相比，利用徑流與蒸散發多目標率定模型參數能有效地改善模型對徑流與子流域尺度上蒸散發的模擬精度。

5 結 論

本研究通過設置3種不同的情景并對其模擬的徑流與蒸散發對比，證明在模型模擬水文過程中，植被等生物物理參數是不可忽視的，增加蒸散發變量也能有效提高SWAT模型對蒸散發過程的模擬精度，具體結論如下。

(1)通過與研究區內3個蒸散發站點觀測數據的驗證，MOD16A2遙感蒸散發數據能有效補充本研究區缺乏的蒸散發資料，且能反演到子流域尺度上，對于研究蒸散發在空間上的變化有較大的幫助。

(2)通過SWAT模型敏感性分析，徑流參數如CN2等為最敏感的參數，SOL_Z、ALPHA_BNK、CANMX、DLAI、BIO_E等土壤及植物冠層、葉面積類相關參數也較為敏感，相較徑流模擬情景而言，在蒸散發模擬過程中的貢獻尤為突出。

(3)根據徑流與蒸散發變量設置3種參數率定情景，與徑流率定參數相比，蒸散發率定模型參數模擬徑流的精度雖有所下降，但大部分子流域蒸散發的模擬精度均呈上升趨勢；同時采用徑流與蒸散發率定參數，模擬徑流的NS系數有明顯上升，空間尺度蒸散發模擬精度有進一步提高。