基于前期雨量和降雨歷時的SCS-CN模型改進

吳艾璞，王曉燕,2，黃潔鈺，黃靜宇，王 俊，李澤琪

基于前期雨量和降雨歷時的SCS-CN模型改進

吳艾璞1，王曉燕1,2※，黃潔鈺1，黃靜宇1，王 俊1，李澤琪1

（1. 首都師范大學資源環境與旅游學院，北京 100048；2. 首都師范大學首都圈水環境研究中心，北京 100048）

徑流曲線法（Soil Conservation Service Curve Number，SCS-CN）對前期產流條件（Antecedent Moisture Condition，AMC）的概化，導致徑流預測出現相應的突然跳躍，同時還忽略了降雨歷時作為重要組成部分對地表徑流的影響，影響了模型徑流預測的精度。密云水庫是北京市地表飲用水的重要來源，對其上游流域進行降雨徑流預測有著重要的生態意義和經濟意義。該研究將SCS-CN模型與前期雨量和降雨歷時結合，采用API（Antecedent-Precipitation Index，前期降雨指數）模擬土壤前期水分條件，并且提出了一種考慮次降雨事件中土壤前期雨量和土壤入滲量的靜態滲透方程，對SCS-CN模型進行了改進。其中，潛在最大蓄水等于前期土壤水分和土壤潛在蓄水量的和，最大靜態滲透速度是流域土壤水分達到蓄滿時的靜態滲透速度，靜態滲透系數是與土壤結構、土地利用等相關的無量綱。利用2006—2010年及2014—2020年石匣流域徑流小區的200次降雨徑流事件監測結果，對該研究改進的模型與原SCS-CN模型以及兩種前人改進的SCS-CN模型進行了校準、驗證和性能比較。結果表明，4種徑流模型中，該研究改進的模型表現最好，納什效率系數為0.77，決定系數為0.79，均方根誤差為3.21 mm，相比于SCS-CN模型納什效率系數、決定系數分別提高了319%、97.5%，均方根誤差降低了107.5%。參數敏感性分析表明，潛在最大蓄水和靜態滲透系數是最敏感的兩個參數，最大靜態滲透速度的參數敏感性一般，初損率的參數敏感性最差。該研究改進模型在密云水庫上游潮白河流域降雨徑流模擬中具有一定的適用性，可為其他地區產流計算提供參考依據。

徑流；模型；降雨；SCS-CN模型；前期降雨指數；降雨歷時

0 引 言

地表徑流是水文循環的重要組成部分，是洪澇災害、水土流失及非點源污染發生的重要驅動力。地表徑流的估算已在水資源管理、防洪、水土保持、水利工程建設及流域評價等各個方面發揮著重要作用[1-4]。眾多學者們通過使用下滲模型來計算徑流，如Philip模型、Green-Ampt模型和Horton模型，但這些模型存在所需參數過多且難以獲取的問題[5]。基于降雨對流域進行地表徑流估算的降雨-徑流模型是另外一種重要方法[6-7]，美國農業部水文學家開發的SCS-CN徑流曲線模型因其結構簡單、參數獲取方便等特點而被大家所接受[1,5,8]。眾多實例表明，SCS-CN模型是一種方便、有效的徑流模擬方法[9-11]。SCS-CN徑流模型也已經被應用到許多水文和水質模型，如CREAMS模型、EPIC模型、SWAT模型、EFTC模型，以及AGNPS模型[12-14]。

初始土壤水分條件是影響地表徑流的重要因素，曲線數（Curve Number，CN）是SCS-CN模型中作為反映土壤潛在蓄水量的一個參數，SCS-CN模型計算的徑流深對參數CN敏感性極強[15]。現有的SCS-CN模型中，CN的變化存在不合理跳躍[16-18]，且并不能反映土壤中初始水分條件的實際變化，限制了SCS-CN模型徑流預測的準確性[19-21]。為解決這些問題，眾多學者結合不同地區土壤特征對SCS-CN模型的CN進行了修訂和優化。其中，Mishra等[22-23]提出了一個基于前5日降水和土壤濕度計算土壤潛在蓄水量的SCS-CN模型，改善了CN的變化存在不合理跳躍的問題；Michel等[24]指出了作為原SCS-CN模型基礎的土壤水分核算（Soil Moisture Accounting，SMA）結構中的幾個不合理之處，指出了SCS-CN模型應該用初始土壤水分作為特征值，并對SCS-CN模型進行了結構和參數的改進，提出了MSCS-CN模型，但其研究僅提出了初始土壤水分的概念，并未對初始土壤水分作公式說明；在分析了Michel等[24]研究的缺點之后，Singh等[25]基于徑流系數和飽和程度的概念提出了一種結構化更合理、穩定性更強的MMSCS-CN模型，并應用前幾日降水量估算初始土壤水分。但無論是原SCS-CN模型，還是改進的模型對土壤前期水分條件的考慮都基于前幾日降雨，并不能反映土壤中水分變化的真實情況。

降雨歷時是降雨-徑流過程的重要組成部分，對徑流量的模擬有很大影響[3,5,19,26-27]。但SCS-CN模型中只考慮降雨量作為地表徑流計算依據，未考慮降雨歷時的影響，這導致徑流預測的不確定性[5]。其主要原因是，降雨歷時與降雨下滲量在次降雨事件中的呈正相關關系，這造成了SCS-CN模型在徑流的模擬中對下滲部分水量計算的缺失。Wang等[5]發現初損率也隨降雨歷時的變化而變化，進而影響SCS-CN模型的徑流模擬。Jain等[28]提出了一種基于降雨歷時因子調整的降雨量輸入的方法；Sahu等[29]將降雨歷時結合下滲過程納入到SCS-CN模型，提高了模型的預測效率，并被后人所參考，提出了一些改進的模型[30]；Shi等[18]提出了一種基于降雨歷時的經驗方程用以修正系數CN，提高了模型準確度，而且沒有增加其他參數。雖然這些研究提高了徑流模型的準確性，但沒有考慮前期水分條件對于降雨下滲的影響。

密云水庫位于北京東北部，是北京市地表飲用水源地。在南水北調政策實施前，由于氣候變化和人類活動，該水庫的河流流量已大幅減少[31]。近年來，一些學者利用SCS-CN模型預測本區的地表徑流量[32-33]，也有一些學者將SCS-CN模型與其他模型結合起來用作非點源污染模擬的研究[8]，還有一些學者根據密云水庫上游潮白河流域的實際情況，對SCS-CN的模型應用進行了適用性改進。其中，焦劍等[34]采用最大30 min降雨量與次降雨量的比值反映次降雨在時間上集中程度，修正了CN；Pang等[14]考慮了坡度和降雨強度對潮白河流域CN的影響，建立了SWAT-CH模型并進行了測試。而現有研究在密云水庫上游潮白河流域的山區應用SCS-CN模型時，并未考慮前期雨量和降雨歷時對模型應用的影響。

本文為了改善原有的SCS-CN模型對初始水分條件及降雨歷時響應不足的問題，提出一種基于前期水分條件和降雨歷時改進的SCS-CN模型，并將本文改進的模型與SCS-CN模型、Singh的模型[25]及Shi的模型[18]作性能比較。本研究以北京市密云縣石匣小流域為例，利用小流域內徑流試驗小區2006—2010年及2014—2020年的長期坡面徑流觀測資料作為模型校準及驗證數據，研究結果可以為密云水庫上游潮白河流域地表徑流量的預測及區域水土流失監測評估中的應用提供參考。

1 數據來源與方法

1.1 研究區域及數據來源

研究區為位于北京市密云區密云水庫上游的潮白河流域的石匣小流域，地理坐標為117°01′～117°07′E、42°32′～42°38′N，總面積約33 km2。為土石質淺山丘陵區，北部地勢高，南部地勢低，海拔在141～385 m，相對高差244 m，大于20°的坡面面積僅占全流域的16.2%。石匣小流域內的土壤類型多為在洪沖積物上發育的淋溶褐土，土層較深厚，質地為沙質土壤，容易漏水漏肥。氣候上屬暖溫帶季風氣候，多年平均降雨量為661.8 mm，降雨多集中在夏季，其中6—8月份的降雨量占全年降雨量的76.5%。

石匣徑流試驗小區設在石匣小流域內，中心示范區面積為2 km2（圖1）。徑流小區位于石匣小流域的南部，坡度從3.5°～27°不等，土壤種類均為褐土，基巖種類基本為花崗巖，平均土層厚度為24 cm。各坡面小區土壤pH值平均6.272，裸地、耕地有機質平均為14.78 g/kg，草地、林地有機質平均為25.55 g/kg[34]。

在本研究中，數據采用石匣徑流試驗小區2006—2010年及2014—2020年的次降雨、氣象水文觀測數據，具體包括12年間連續觀測的逐日降雨量、流域內4個不同土地利用類型試驗坡面小區每場降雨的產流量及降雨歷時（各小區12年間的產流量樣本數見表1）。

表1 徑流小區基本情況

1.2 降雨-徑流特征分析

1.2.1 降雨特征

2006—2010年、2014—2020年間，石匣徑流小區共有520場記錄降雨，其中有117場降雨事件產生徑流。對117次產流降雨的次降雨特征值（降雨場次、降雨量、降雨歷時、平均雨強）進行分析（表2）。將117次降雨按照雨量大小進行分析（圖2a），降雨量主要分布在10～30mm；按照降雨歷時分布長短進行分析（圖2b），降雨歷時主要分布在1～12h。

1.2.2 降雨雨型劃分

通過對降雨因子進行篩選分析，本文選擇降雨量、降雨歷時和降雨強度3個降雨因子，利用SPSS軟件的聚類分析模塊，采用K-均值聚類對117次降雨進行了不同降雨雨型的劃分，并對每一種降雨雨型的特征值進行統計分析。

表2 降雨特征值統計表

通過聚類分析，將117次降雨事件分為3個降雨雨型分別以降雨雨型Ⅰ、降雨雨型Ⅱ、降雨雨型Ⅲ，各降雨雨型特征值如表3所示。降雨雨型Ⅰ為降雨歷時短，降雨量小，降雨強度高、低頻率的一類降雨事件；降雨雨型Ⅱ為降雨歷時中等，降雨量較小，降雨強度低、高頻率的一類降雨事件；而降雨雨型Ⅲ則是降雨歷時長，降雨量大，降雨強度中等、較低頻率的一類降雨事件。從所占的比例來看，本地區以降雨雨型Ⅱ即降雨歷時中等，降雨量小，小雨強的降雨類型為主要產流降雨。

表3 不同降雨類型的統計學特征

1.2.3 徑流深分組

為了探究不同徑流深對本文改進的模型模擬結果的影響，利用SPSS軟件的聚類分析模塊，采用K-均值聚類對200次徑流進行了不同徑流深的分組。其中高徑流深（29.65～37.34 mm）4例，中徑流深（9.94～18.08 mm）46例，低徑流深（0.49～9.04 mm）150例。從所占比例來看，本地區以低徑流深為主要產流。

1.2.4 前期土壤水分分組

為了探究不同土壤水分條件對本文改進的模型模擬結果的影響，利用SPSS軟件的聚類分析模塊，采用K-均值聚類對200次徑流產生前的土壤前期雨量進行了分組，土壤前期雨量根據API計算得出。其中濕潤（92.62～166.62 mm）35例，正常（50.37～88.03 mm）85例，干旱（6.55～49.38 mm）80例。從所占比例來看，本地區產流的土壤水分條件以正常和干旱為主。

1.2.5 產流的降雨因子篩選

徑流量與形成該徑流量的雨量及其他影響因子（如降雨強度、前期土壤水分條件等）之間存在著相關關系。利用統計分析方法中的偏相關分析法，通過控制其他降雨因子，來分析某一降雨因子和徑流的相關性，從而可以在排除其他因子影響的條件下，準確地判斷該因子對徑流的影響程度。

降雨量是影響地表徑流的直接輸入因子，降雨歷時和降雨強度直接影響地表產流方式的變化，降雨強度隨降雨時間而變化，不同降雨強度導致不同時間的產流方式。因此，在次降雨過程中，由于降雨量、降雨持續時間和降雨強度的不同，產生超滲流、蓄滿流等不同的產流方式，最終影響地表徑流量的大小。

對各降雨因子（降雨量、降雨歷時、平均雨強）與坡面徑流量進行偏相關分析（表4）。在控制其他變量條件下，徑流量和降雨量表現出了極其顯著的正相關關系；其次為降雨歷時，表現為極其顯著的負相關關系，與降雨強度相關性較差。由此可見降雨量和降雨歷時這兩個因子是影響坡面產流的重要因子。

表4 徑流量與影響因子的偏相關分析

Note：*0.01<<0.05；**0.001<<0.01；***<0.001.

1.3 現有模型及改進

1.3.1 SCS-CN方程

SCS-CN模型中反應降雨與徑流關系的SMA公式為

式中為徑流開始時的實際蓄水量（mm）；為土壤潛在蓄水量（mm）；為一次降雨實際產生的地表徑流量（mm），為總降雨量（mm）；初損量I是地表徑流開始前的降雨初損量（mm）。

實際蓄水量計算公式為

降雨初損量I為截流、填洼、滲透過程所損失的降雨量。與土壤潛在蓄水量之間存在一定的關系

式中為降雨初損率，美國水土保持局在經過對大量長期的試驗結果進行分析得出值為0.2。

將三式聯立得SCS-CN模型計算公式

式中一般由研究區域實地監測數據獲得；CN是為了計算引入一個參數——徑流曲線數，與CN的關系式為

式中CN是一個無量綱參數，綜合反映土地利用方式、土壤類型及前期產流條件（Antecedent Moisture Condition），范圍在1～100之間，其值越大表明其蓄水能力越小。

SCS-CN模型根據土地利用方式的不同，將下墊面分為水體、裸地、草地、林地、耕地、居民地等種類；將土壤按最小下滲率分為A、B、C、D四組；根據前5日降雨總量將前期土壤濕潤程度劃分為干旱（AMCⅠ）、正常（AMCⅡ）、濕潤（AMCⅢ）3個等級[34]。CN值可以通過美國國家工程手冊[35]中的CN值表根據土地利用方式、土壤類型及前期土壤濕潤程度進行查算。

1.3.2 Singh的模型

Singh等[25]在前人研究[24]的基礎上對之前原SCS-CN公式的基礎公式，SMA公式做出了改進，即公式（1）改進為下式

式中0為前期土壤水分（mm）。模擬徑流量的模型也由原SCS-CN模型的公式（4）改進為下式

式中S是開始土壤水分，等于(0+I)（mm）；S是絕對最大蓄水能能力，等于(+S)（mm）。S和0的值可以根據Mishra等[36]研究的方程計算

式中5為前5日降水量（mm）；和是相關系數（無量綱），可以用回歸分析來確定[28]。

1.3.3 Shi的模型

Mishra等[37]研究表明，累積滲透由靜態滲透F和動態滲透F組成，并提出了新的SMA方程

式中為靜態滲透速度（mm/h），可以用回歸分析來確定[28]；是觀測的降雨歷時（mm）。

模擬徑流量的模型也由原Singh等[25]所提出的模型的公式（4）改進為下式

1.3.4 基于前期雨量和降雨歷時對SCS-CN模型改進

Huang等[38]根據土壤頂部15 cm處實測土壤水分，建立了一個非線性方程，該方程能更好地預測徑流。Jennifer等[39]利用遙感獲得的土壤數據估測，徑流預測精度較原來有顯著提高。然而土壤含水量數據獲取較為困難，因此，本文通過前期雨量來表達研究區內土壤水分條件。

前期雨量是指某一降雨事件發生前降水的下滲量，前期雨量影響其徑流產量[40-41]。API是基于降雨量、徑流量、蒸發量、土壤水分再分配量等基本指標來構建簡單的數學模型，通過模型模擬的手段來定量評價土壤水分狀況。樊登星[42]用首都圈森林生態站實測的降雨和土壤水分資料，在前人研究基礎上[43-44]構建了北京山區適用的前期降雨指數API模型

式中0為第天的前期降雨指數；為土壤水分消退系數，在北京山區夏季多雨季節時取0.95[42]；(t-d)為第天的前天即前-天的前期降雨指數；(t-d)為前-天的降雨量；(t-d)為前-天的地表徑流量。一般取30。

在前人對SCS-CN模型的降雨歷時因子改進中，有些在對降雨量[28]或CN值[1]進行降雨歷時因子的修正，有些并未考慮土壤前期雨量及降雨的土壤入滲量對靜態滲透速度的影響[9,18]。這些改進不能反映出降雨歷時對徑流量的真實影響：相同降雨量的產流事件中，越長時間的降雨歷時將會導致更長的下滲時間，更多的由下滲導致的徑流損失量；而相同降雨歷時的產流事件中，土壤前期雨量和降雨的土壤入滲量越多會導致更快的靜態滲透速度越快，更多的由下滲導致的徑流損失量。

Suresh等[19]在前人的研究基礎上[28]，提出了潛在最大蓄水S（mm）等于(+0)，在特定流域時為固定值。

對于以上考慮，本文提出改進的SCS-CN模型

式中0=0，可以由式（14）計算得出；I可以由式（3）計算得出；S可以用回歸分析來確定[28]，F的值在考慮到次降雨事件中土壤前期雨量和降雨土壤入滲量后，可以根據以下方程計算

式中K代表飽和導水率（mm/min）；表示土壤中黏粒含量（%）；S是土壤中砂粒含量（%）；O是土壤中有機質含量（%）。其中的土壤粒級分類標準依照美國制。

1.4 參數的確定

為了應用上述4種模型，將坡面小區的可用數據集分成兩部分，其中一半用于校準，另一半用于驗證。其中校準組和驗證組的選擇不是隨機的，根據實測徑流值，對數據進行降序排序，以保持校準和驗證數據集中的水文均勻性，然后采取交替的降雨-徑流值進行校準和驗證[28]。采用Marquardt約束最小二乘算法確定各種模型的參數[46]（表5）。

1.5 模型有效性的評價和驗證方法

為了驗證模型徑流模擬精度，選用決定系數2、納什效率系數NSE[47]（Nash-Sutcliffe Efficiency coefficient）和均方根誤差（Root-Mean-Square Error，RMSE）作為評價指標，其計算公式為

表5 四種模型需要優化的參數

2 結果分析

在石匣中徑流小區收集的降雨徑流事件中，用于校準和驗證的降雨徑流事件數分別為100和100。表6列出了采用校準數據集經過Marquardt約束最小二乘算法確定的參數。表7比較了基于統計指標的所有測試模型的總體性能。4種產流模型應用校準數據集和驗證數據集計算的徑流深對比如圖3所示。應用完整數據集時，4種模型按不同實測徑流深分組的平均相對誤差（Mean Relative Error，MRE）如圖4所示。

表6 四種模型參數優化結果

圖3a～3d分別顯示了SCS-CN模型、Singh的模型、Shi的模型和本文改進的模型在校準數據集、驗證數據集和完整數據集中應用得到的徑流實測值和相對應的徑流模擬值的分布。在模型的回歸直線與1∶1線重合度上，Singh的模型和Shi的模型表現較好，SCS-CN模型表現較差，本文改進的模型的模擬值和實測值的回歸直線與1∶1線重合度極高，幾乎與1∶1線重合。根據圖4可知，SCS-CN模型較大程度地低估了低徑流深的產流，對中徑流深和高徑流深的產流模擬結果的低估程度較小。Singh的模型較大程度地低估了高徑流深的產流，對低徑流深和中徑流深的產流模擬的低估程度較小。Shi的模型較小程度地高估了高徑流深度的產流，較小程度地低估了低徑流深的產流，對待中徑流深的產流幾乎沒有趨向性。在應用完整數據集的本文改進的模型較小程度地高估了低徑流深度的產流，較小程度地低估了中徑流深的產流，對待高徑流深的產流幾乎沒有趨向性。與其他3種模型相比，本文改進的模型在全徑流深的模擬表現上具有更高的穩定性，不會因為徑流深而產生較大地趨向性誤差。

在應用完整的數據集時，SCS-CN模型、Singh的模型、Shi的模型分別低估了200個降雨徑流事件中的徑流深169個、147個和121個，低估占比分別為84.5%、73.5%和60.5%，MRE則分別為0.25%、12.48%和2.67%。本文改進的模型的低估次數和高估次數基本持平，模型的MRE為0.06%。根據4種模型在評價指標NSE、2和RMSE的表現，本文改進的模型在3種指標評價均表現最好，Shi的模型性能較好，Singh的模型性能一般，SCS-CN模型性能最差。說明本文改進的模型在模擬精度、擬合度和誤差上都優于其他3種模型。在應用完整數據集時，本文改進的模型的NSE、2相比于SCS-CN模型分別提高了319%、97.5%，而RMSE降低了107.5%。上述結果表明，在北京山區預測地表徑流量時，若不考慮降雨歷時和前期雨量的影響，會造成較大的預測誤差。本文改進的模型在密云水庫上游潮白河流域的降雨徑流模擬中，表現優于SCS-CN模型、Singh的模型和Shi的模型，具有一定的適用性。

3 討 論

總體而言，4種SCS徑流模型的模擬結果都會低估徑流，這與前人研究相符[49]，而本文改進的模型比原有模型的低估情況有較大改善。分析其原因，可能是根據前期降雨指數對土壤前期水分條件的模擬要好于另外3種SCS-CN徑流模型，另外3種SCS-CN徑流模型對發生更早的強降雨事件對土壤水分條件影響的響應不足，低估了土壤前期雨量。SCS-CN模型和Singh的模型對局地強對流的短時強降雨事件的靜態滲透響應不足，未考慮降雨歷時較短，靜態滲透總量較少，導致低估產流；而Shi的模型未考慮到雨季雨量爆發時長時間土壤水分大幅度增加的情況，這種條件下靜態滲透速度變快，靜態滲透總量變多，徑流的靜態滲透損失變多，此時模型高估了高徑流深的產流。

在一般情況下，應用校準數據集時模型的模擬結果應該好于應用驗證數據集時模型的模擬結果。但在此次研究中，應用驗證數據集的SCS-CN模型和Singh的模型模擬結果都明顯好于應用校準數據集的模型模擬結果。這可能是數據量較少或者是驗證數據集徑流量較小造成的，而SCS-CN模型和Singh的模型容易低估徑流深造成的。

3.1 改進后的SCS-CN模型影響因素分析

對影響本文改進的SCS-CN模型模擬效果的主要因素進行了分析。首先，分析了應用完整數據集的本文改進的模型對于不同土地利用類型條件下降雨徑流事件的模擬效果（圖5a）。本文改進的模型對于裸地的產流模擬結果最好，耕地、林地的模擬結果一般，草地的模擬結果最差。裸地條件下模型的NSE為0.82，2為0.84；耕地NSE為0.65，2為0.70；林地NSE為0.62，2為0.62；草地NSE為0.85，2為0.09。

其次，分析了本文改進的模型對于不同降雨類型的模擬結果（圖5b）。本文改進的模型對于降雨類型為雨型Ⅱ和雨型Ⅲ的模擬結果較好，雨型Ⅰ的結果模擬較差。降雨類型為雨型Ⅰ時，模型的NSE為0.11，2為0.84；降雨類型為雨型Ⅱ時，模型的NSE為0.56，2為0.77；降雨類型為Ⅲ時，模型的NSE為0.76，2為0.78。

最后，分析了本文改進的模型對于不同土壤水分條件的模擬效果（圖5c）。本文改進的模型對于土壤水分條件為濕潤的模擬結果較好。其中在土壤水分條件為濕潤時，本文改進的模型的NSE為0.82，2為0.81；正常時NSE為0.73，2為0.78；干旱時NSE為0.76，2為0.77。

土壤水分條件為正常的平均徑流深較小，為6.03 mm，而土壤水分條件為濕潤及干旱的徑平均流深分別為7.03和7.63 mm。降雨類型為Ⅰ的平均徑流深較小為3.79 mm，降雨類型為Ⅱ和Ⅲ的平均徑流深為5.03和12.45 mm。對所有實測-模擬的相對誤差的絕對值與實測徑流深進行相關性分析，實測-模擬的相對誤差的絕對值與實測徑流深呈-0.134的相關關系，=0.03。說明本文改進的SCS-CN模型的模擬效果與產流量呈正相關。產流較小，也是本文改進的模型對于土壤水分條件為正常、土地利用類型為草地和降雨類型為Ⅰ的降雨徑流事件的產流模擬結果較差的原因。草地坡面的產流次數較少，校準參數的校準集的數據較少，也是草地條件下模型模擬效果較差的原因之一。

3.2 敏感性分析

敏感性分析可以區分出對本文改進的模型應用更敏感的參數，并且可以探究本文改進的模型的魯棒性。因此，在本研究中，對校準的參數值進行變化，以觀察應用完整數據集時，參數值變化對徑流模擬NSE評價的影響。

圖6展示了所提出的模型參數的敏感性分析，其中模型效率隨參數而變化。可以看出，潛在最大蓄水和靜態滲透系數是最敏感的參數，最大靜態滲透速度的參數敏感性一般，初損率的參數敏感性最差。

在對本文改進的模型進行的敏感性分析中，可以發現本文改進的模型對參數敏感性極低，這與前人相關研究一致[18]，并且對以后的模型應用中參數的存在合理性提出了質疑。

4 結 論

本文基于前期雨量和降雨歷時改進了SCS徑流流模型。引入了前期降雨指數模擬前期雨量，并根據潛在最大蓄水與前期雨量的差值估計潛在蓄水量；考慮了土壤前期雨量和次降雨事件中土壤入滲量對靜態入滲的影響，修正了模型中的靜態入滲部分。本文改進的模型應用完整數據集時的納什效率系數為0.77，決定系數為0.79，均方根誤差為3.21 mm，相比于SCS-CN模型納什效率系數、決定系數分別提高了319%和97.5%，均方根誤差降低了107.5%。本文改進的模型的可靠性相比于SCS-CN模型、Singh的模型和Shi的模型更好，在密云水庫上游潮白河流域的降雨徑流模擬中具有一定的適用性，同時可為其他地區的產流計算提供參考依據。本文改進的模型在受產流前降雨、蒸散發或滲透影響比較明顯的地區使用更具優勢。

徑流深越高本文改進的模型性能表現越好，且未考慮雨強和坡度等因素對模型的影響，這在一定程度上會影響模型精度，導致在低徑流深的徑流模擬結果并不能讓人完全滿意。但在洪澇災害預警及水土保持防治的實際工作中，耕地與裸地在濕潤條件下且降雨歷時長，降雨量大，降雨強度中等的高徑流深的徑流模擬才是關注重點。

[1] Shi W H, Wang N. An improved SCS-CN method incorporating slope, soil moisture, and storm duration factors for runoff prediction[J]. Water, 2020, 12(5): 1335.

[2] Al-Ghobari H, Dewidar A, Alataway A. Estimation of surface water runoff for a semi-arid area using RS and GIS-based SCS-CN method[J]. Water (Basel), 2020, 12(7): 1924.

[3] Kang M S, Goo J H, Song I, et al. Estimating design floods based on the critical storm duration for small watersheds[J]. Journal of Hydro-environment Research, 2013, 7(3): 209-218.

[4] Sahoo B, Chatterjee C, Raghuwanshi N, et al. Flood estimation by Giuh-based clark and nash models[J]. Journal of Hydrologic Engineering, 2006, 11(6): 515-525.

[5] Wang X X, Bi H X. The effects of rainfall intensities and duration on SCS-CN model parameters under simulated rainfall[J]. Water (Basel), 2020, 12(6): 1595.

[6] Darji K, Indra P, Binh T P. Runoff estimation of machhu and watrak rivers basins of Gujarat India using SCS-CN method and GIS[J]. Indian Journal of Ecology, 2020, 47(3): 726-732.

[7] Rajashekhar S L. Estimation of runoff using SCS-CN method for Yelahanka Region[J]. International Journal of Applied Engineering Research, 2018, 13(7): 229-233.

[8] 劉潔，龐樹江，何楊洋，等. 基于小流域產流特征的磷流失關鍵源區識別[J]. 農業工程學報，2017，33(20)：241-249.

Liu Jie, Pang Shujiang, He Yangyang, et al. Critical area identification of phosphorus loss based on runoff characteristics in small watershed[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(20): 241-249. (in Chinese with English abstract)

[9] Shrestha P M. Application of SCS-CN model in runoff estimation[J]. International Journal for Research in Applied Science and Engineering Technology, 2018, 6(3): 2363-2369.

[10] Chatterjee C, Jha R, Lohani A K, et al. Runoff curve number estimation for a basin using remote sensing and GIS[J]. Asian-Pacific Remote Sensing and GIS Journal, 2001, 14: 1-8.

[11] Phetprayoon T, Sarapirome S, Navanugraha C, et al. Surface runoff estimation using grid-based curve number method in the upper lam phra phloeng watershed, thailand[C]. Beijing: The 30th Asian Conference Remote Sensing , 2009.

[12] Caletka M, ?ulc M M, Karásek P, et al. Improvement of SCS-CN initial abstraction coefficient in the czech republic: A study of five catchments[J]. Water (Basel), 2020, 12(7): 1964.

[13] Caletka M, ?ulc M M. Determination of SCS-CN initial abstraction ratio in a catchment prone to flash floods[J]. Pollack Periodica, 2020, 15(1): 112-123.

[14] Pang S J, Wang X Y, Melching Charles S, et al. Development and testing of a modified SWAT model based on slope condition and precipitation intensity[J]. Journal of Hydrology, 2020, 588: 125098.

[15] Hawkins R. Asymptotic determination of runoff curve numbers from data[J]. Journal of Irrigation and Drainage Engineering-ASCE, 1993, 119(2): 344-345.

[16] Saini M, Karn A, Mishra S, et al. Evaluation of SCS-CN inspired models and their comparison[J]. Journal of Indian Water Resources Society, 2016, 36(3): 19-27.

[17] Verma S, Singh P K, Mishra S K, et al. Activation soil moisture accounting (ASMA) for runoff estimation using soil conservation service curve number (SCS-CN) method[J]. Journal of Hydrology, 2020, 589: 125114.

[18] Shi W, Wang N. Improved SMA-based SCS-CN method incorporating storm duration for runoff prediction on the Loess Plateau, China[J]. Hydrology Research, 2020, 51(3): 443-445.

[19] Suresh B P, Mishra S K. Improved SCS-CN–inspired model[J]. Journal of Hydrologic Engineering, 2012, 17(11): 1164-1172.

[20] Jiao P J, Xu D, Wang S L, et al. Improved SCS-CN method based on storage and depletion of antecedent daily precipitation[J]. Water Resources Management, 2015, 29(13): 4753-4765.

[21] Walega A, Amatya D M, Caldwell P, et al. Assessment of storm direct runoff and peak flow rates using improved SCS-CN models for selected forested watersheds in the Southeastern United States[J]. Journal of Hydrology: Regional Studies, 2020, 27: 100645.

[22] Mishra S K, Singh V. SCS-CN method. Part I: Derivation of SCS-CN-based models[J]. Acta Geophysica Polonica, 2002, 50(3): 457-477.

[23] Mishra S K, Sahu R K, Eldho T I, et al. An improved Ia-S relation incorporating antecedent moisture in SCS-CN methodology[J]. Water Resources Management, 2006, 20(5): 643-660.

[24] Michel C, Andréassian V, Perrin C. Soil conservation service curve number method: How to mend a wrong soil moisture accounting procedure?[J]. Water Resources Research, 2005, 41(2): 199-207.

[25] Singh P K, Mishra S K, Berndtsson R, et al. Development of a modified SMA based MSCS-CN Model for runoff estimation[J]. Water Resources Management, 2015, 29(11): 4111-4127.

[26] Kao S, Govindaraju R S. Probabilistic structure of storm surface runoff considering the dependence between average intensity and storm duration of rainfall events[J]. Water Resources Research, 2007, 43(6): W6410.

[27] Herath D. The discourse of development: Has it reached maturity?[J]. Third World Quarterly, 2009, 30(8): 1449-1464.

[27] 谷康民，趙允格，高麗倩，等. 黃土高原生物結皮對SCS-CN模型初損率的影響[J/OL]. 應用生態學報，2021，1-11：[2021-12-07]. https: //doi. org/10. 13287/j. 1001-9332. 202112. 005.

Gu Kangmin, Zhao Yunge, Gao Liqian, et al. Effects of biological soil crusts on the initial abstraction ratio of SCS-CN model in the Loess Plateau region[J/OL]. Chinese Journal of Applied Ecology, 2021, 1-11: [2021-12-07]. https://doi. org/10. 13287/j. 1001-9332. 202112. 005. (in Chinese with English abstract)

[28] Jain M K, Mishra S K, Suresh B P, et al. Enhanced runoff curve number model incorporating storm duration and a nonlinear Ia?S relation[J]. Journal of Hydrologic Engineering, 2006, 11(6): 631-635.

[29] Sahu R K, Mishra S K, Eldho T I. Improved storm duration and antecedent moisture condition coupled SCS-CN concept-based model[J]. Journal of Hydrologic Engineering, 2012, 17(11): 1173-1179.

[30] Shi W H, Huang M B, Gongadze K, et al. A modified SCS-CN method incorporating storm duration and antecedent soil moisture estimation for runoff prediction[J]. Water Resources Management, 2017, 31(5): 1713-1727.

[31] 龐樹江，王曉燕. 密云水庫流域入庫徑流量變化特征及歸因研究[J]. 干旱區資源與環境，2016，30(9)：144-148.

Pang Shujiang, Wang Xiaoyan. The characteristics and attribution of runoff change in the Miyun reservoir watershed[J]. Journal of Arid Land Resources and Environment, 2016, 30(9): 144-148. (in Chinese with English abstract)

[32] 張美華，王曉燕，秦福來. SCS模型在密云石匣試驗小區降雨徑流量估算中的應用[J]. 首都師范大學學報：自然科學版，2004(S1)：155-158.

Zhang Meihua, Wang Xiaoyan, Qin Fulai. Application of SCS model to estimate the quantity of rainfall runoff of small watershed in Shixia, Miyun county[J]. Journal of Capital Normal University: Natural Science Edition, 2004(S1): 155-158. (in Chinese with English abstract)

[33] 何楊洋，王曉燕，段淑懷. 密云水庫上游流域徑流曲線模型的參數修訂[J]. 水土保持學報，2016，30(6)：134-138.

He Yangyang, Wang Xiaoyan, Duan Shuhuai. Revision of CN value and initial abstract ratio in the SCS-CN model in upper reaches of Miyun Reservoir[J]. Journal of Soil and Water Conservation, 2016, 30(6): 134-138. (in Chinese with English abstract)

[34] 焦劍，宋伯巖，王世雷，等. 基于改進徑流曲線數模型的北京密云坡地徑流估算[J]. 農業工程學報，2017，33(21)：194-199.

Jiao Jian, Song Boyan, Wang Shilei, et al. Runoff estimation for hillslope land in Miyun based on improved model of soil conservation service curve number[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(21): 194-199. (in Chinese with English abstract)

[35] Service E. Hydrology[M]. Washington: United States Department of Agriculture, 1972.

[36] Mishra S K, Tyagi J V, Singh V P, et al. SCS-CN-based modeling of sediment yield[J]. Journal of Hydrology (Amsterdam), 2006, 324(1-4): 301-322.

[37] Mishra S K, Singh V P. SCS-CN-Based Hydrologic Simulation Package[M]. Colorado: Water Resources Publications, 2002.

[38] Huang M B, Gallichand J, Dong C, et al. Use of soil moisture data and curve number method for estimating runoff in the Loess Plateau of China[J]. Hydrological Processes, 2007, 21: 1471-1481.

[39] Jennifer M J, David A M, Brent M W. Improved rainfall/runoff estimates using remotely sensed soil moisture[J]. Journal of the American Water Resources Association, 2003, 39: 313-324.

[40] Ali S, Ghosh N C, Singh R. Rainfall–runoff simulation using a normalized antecedent precipitation index[J]. Hydrological Sciences Journal, 2010, 55(2): 266-274.

[41] Jiao P j, Xu D, Wang S l, et al. Improved SCS-CN method based on storage and depletion of antecedent daily precipitation[J]. Water Resources Management, 2015, 29(13): 4753-4765.

[42] 樊登星. 北京山區坡面土壤侵蝕響應特征及模型模擬研究[D]. 北京：北京林業大學，2014.

Fan Dengxing. Study on Slope Soil Erosion Response and Model Simulationin Beijing Mountainous Area[D]. Beijing: Beijing Forestry University, 2014. (in Chinese with English abstract)

[43] 衛偉. 典型黃土丘陵區降雨和下墊面綜合作用下的水土流失效應[D]. 北京：中國科學院生態環境研究中心，2007.

Wei Wei. The Effect of Characteristics of Rainfall and Earth Surfaces on Runoff and Soil Erosion in the Typical Loess Hilly Area[D]. Beijing: Research Center for Eco-Environmental Sciences, 2007. (in Chinese with English abstract)

[44] 李琪. 黃土地區土壤含水量消退系數的變化規律與產流計算[J]. 人民黃河，1989，3(11)：18-23.

w Li Qi. Regularity of variation of recession coefficient of autecedent precipitation in soil and runoff yield estimating for loess regions[J]. Yellow River, 1989, 3(11): 18-23. (in Chinese with English abstract)

[45] 符素華，王紅葉，王向亮，等. 北京地區徑流曲線數模型中的徑流曲線數[J]. 地理研究，2013，32(5)：797-807.

Fu Suhua, Wang Hongye, Wang Xiangliang, et al. The runoff curve number of SCS-CN method in Beijing[J]. Geographical Research, 2013, 32(5): 797-807. (in Chinese with English abstract)

[46] Marquardt D W. An algorithm for Least-Squares estimation of nonlinear parameter[J]. Journal of the Society for Industrial and Applied Mathematics, 1963, 11(2): 431-441.

[47] Nash J E, Sutcliffe J V. River flow forecasting through conceptual models part I-A discussion of principles[J]. Journal of Hydrology, 1970, 10(3): 282-290.

[48] Nearing M A, Liu B Y, Risse L M, et al. Curve numbers and Green-Ampt effective hydraulic conductivities[J]. Journal of the American Water Resources Association, 1996, 32(1): 125-136.

[49] 卜慧，邵駿，歐陽碩，等. 改進SCS模型在老撾南烏河流域中的應用[J]. 人民長江，2018，49(22)：88-92.

Bu Hui, Shao Jun, Ou Yangshuo, et al. Application of modified SCS model in runoff calculation in Nam Ou Basin, Laos[J]. Yangtze River, 2018, 49(22): 88-92. (in Chinese with English abstract)

Improvement of SCS-CN model based on antecedent precipitation and rainfall duration

Wu Aipu1, Wang Xiaoyan1,2※, Huang Jieyu1, Huang Jingyu1, Wang Jun1, Li Zeqi1

(1.,,,100048,;2.,,100048,)

An accurate prediction of the runoff has been one of the important steps in the water supply in recent years. However, there is a sudden jump in the runoff prediction under the general configuration of Antecedent Moisture Condition (AMC) by Soil Conservation Service Curve Number (SCS-CN). At the same time, the rainfall duration cannot be considered as an important component of the surface runoff. Therefore, it is necessary to modify the prediction model of rainfall runoff for ecological and economic significance. Taking the Miyun reservoir in Beijing of China as the research object, this study aims to propose an improved SCS-CN model using antecedent precipitation and rainfall duration. A partial correlation analysis was first made between the rainfall factors (rainfall, rainfall duration, and average rainfall intensity) and slope runoff. The rainfall and rainfall duration were then selected as the important factors affecting the slope runoff in the study area. Subsequently, an updated SCS-CN model was established to combine with the early rainfall and rainfall duration. The Antecedent Prediction Index (API) was also used to simulate the soil’s early water conditions. A static infiltration equation was considered the soil early rainfall and infiltration in a rainfall event. Among them, the potential maximum water storage was equal to the sum of the previous soil moisture and the potential soil water storage. The maximum static infiltration rate was the static infiltration rate when the watershed soil moisture reached the full storage, and the static infiltration coefficient was dimensionless related to the soil structure and land use. The monitoring data was collected from the 200 rainfall runoff events in the runoff community of the Shixia basin from 2006 to 2010 and 2014 to 2020. The newly improved model was finally verified to compare with the original and two improved SCS-CN models. The results showed that the improved model performed best among the four runoff models, where the Nash efficiency coefficient was 0.77, the determination coefficient was 0.79, and the root mean square error was 3.21 mm. The Nash efficiency coefficient, the determination coefficient and increased by 319%, 97.5%, and root mean square error was reduced by 107.5% respectively, compared with the original SCS-CN model. Furthermore, the improved model was much better than the rest, where the four SCS runoff models had underestimated the runoff. It was found that the improved SCS-CN model was positively correlated with the yield. Nevertheless, the improved model was not suitable for the rainfall runoff events with the normal soil moisture, grassland land use type, and rainfall type I (short rainfall duration, small rainfall, high rainfall intensity, and low frequency). The parameter sensitivity analysis showed that the most sensitive parameters were the potential maximum water storage and static infiltration coefficient. Specifically, there was a general parameter sensitivity of the maximum static infiltration velocity, whereas, the initial loss rate was the worst. Consequently, the improved model presented strong applicability for the rainfall runoff of Chaobai River Basin in the upper reaches of Miyun reservoir. This finding can provide a strong reference basis for the calculation of runoff yield.

runoff; models; precipitation; SCS-CN model; antecedent-precipitation index; rainfall duration

吳艾璞，王曉燕，黃潔鈺，等. 基于前期雨量和降雨歷時的SCS-CN模型改進[J]. 農業工程學報，2021，37(22)：85-94.doi：10.11975/j.issn.1002-6819.2021.22.010 http://www.tcsae.org

Wu Aipu, Wang Xiaoyan, Huang Jieyu, et al. Improvement of SCS-CN model based on antecedent precipitation and rainfall duration[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(22): 85-94. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.22.010 http://www.tcsae.org

2021-08-26

2021-10-29

北京市自然科學基金委員會-北京市教育委員會聯合資助重點項目(KZ201810028047)；國家自然科學基金項目(21377168；41271495)

吳艾璞，研究方向為水文模型與非點源污染。Email：313031400@qq.com

王曉燕，博士，教授，研究方向為農業非點源污染及流域水質管理。Email：wangxy@cnu.edu.cn

10.11975/j.issn.1002-6819.2021.22.010

S157

A

1002-6819(2021)-22-0085-10