水穩定同位素示蹤的冰川流域水文模擬及不確定性研究
——以烏魯木齊河源1號冰川為例

何天豪，高紅凱，2，李向應，韓添丁，賀志華，張志才，段崢，劉敏，2，丁永建，9

（1.華東師范大學地理科學學院，上海200241；2.華東師范大學地理信息科學教育部重點實驗室，上海200241；3.西北大學陜西省地表系統與環境承載力重點實驗室，陜西西安710127；4.西北大學城市與環境學院，陜西西安710127；5.中國科學院西北生態環境資源研究院冰凍圈科學國家重點實驗室，甘肅蘭州730000；6.Centre for Hydrology，University of Saskatchewan，Saskatoon SK S7N 5C9，Saskatchewan，Canada；7.河海大學水文水資源學院，江蘇南京210098；8.Department of Physical Geography and Ecosystem Science，Lund University，Lund 7222，Sweden；9.China-Pakistan Joint Research Center on Earth Sciences，CAS-HEC，Islamabad 45320，Pakistan）

0 引言

冰川作為固體水庫，顯著減少了徑流變差系數，對穩定寒旱區水資源起到了重要作用［1］。冰川也具有遠高于非冰川區的徑流系數，為我國西北干旱區工農業生產和生活用水，以及生態環境保護提供了重要水源［2-3］。因此，冰川水文效應的研究不僅是重要的科學問題［4-7］，還關系到干旱區水資源管理相關政策的制定［4，8］。模型研究是科學認識寒區水文過程機理的重要手段［9-10］。水文模擬也是量化各個徑流組分的有效方法，還是科學預估未來變化的重要工具［11-12］。目前，水文模型已成功應用于研究不同地區高寒流域各水源的空間變化和時間演變，以及融雪融冰和降雨徑流對總徑流量貢獻的模擬等研究［13-14］。然而，冰川地區由于特殊的地理條件和復雜的水文過程，傳統水文學方法在該區域并不適用［15-17］。另外，眾多模型研究采用單一指標（流量）進行模型參數率定，容易造成異參同效［18］，導致徑流模擬和各徑流成分的量化仍然存在很大不確定性［19］。

水穩定同位素作為徑流數據之外的重要信息，為限制模型不確定性提供了新的約束。穩定氫氧同位素（2H和18O）具有“保守”特征，并且穩定氫氧同位素比率在流域尺度各水體中差異明顯［20-22］，具有進一步限制徑流組分互相妥協的潛力［15，23］。也有研究證實了同位素示蹤數據具有減少參數不確定性的能力，從而有助于改善模型結構［24-25］。然而，現有的研究主要是定性研究和以端元法為主的半定量研究［26-28］，缺乏對小流域穩定氫氧同位素時空尺度效應的整體性和系統性認識，限制了其作為重要信息源的作用。穩定氫氧同位素示蹤水文模型則能提供更有效的研究手段。穩定氫氧同位素示蹤水文模型在非寒區降雨徑流模擬中已有較多研究［23，29-30］，但是寒區同位素示蹤水文模型卻不多見［25，31］。冰川流域的同位素水文模擬研究在國際上也處于剛起步階段［15，18］。因此，本文將分布式冰川流域水文模型（FLEXG）和同位素分餾混合過程進行了耦合，構建穩定氫氧同位素示蹤的冰川流域水文模型（FLEXG-iso），于烏魯木齊河源1號冰川流域進行了模擬檢驗和徑流分割，以期加深對寒區水文過程更全面的認識。

1 數據與方法

1.1 研究區概況

研究區位于中國西北新疆維吾爾自治區的烏魯木齊河源頭（43°50′N、86°49′E），處于中國天山山脈天格爾山北坡，深居歐亞內陸，具有大陸性氣候和中國西部和亞洲中部干旱區高寒環境，對氣候變化反應敏感。該地區山勢險峻，海拔范圍為3 712～4 457 m。烏魯木齊河源區年平均氣溫-5.2℃，最熱月份一般為7月，平均氣溫約5℃，最冷月份一般為1月，平均氣溫約-15℃。一年中溫度低于0℃的時段長達7～8個月。年均降水量約441 mm，一般集中在消融季（5月至10月），消融季降水量占年降水量的90%［32］。自觀測以來，年均溫和年降水呈持續升高趨勢，河源區大西溝氣象站數據顯示，1959—1996年的年平均溫度-5.3℃，較1997—2010年的-4.3℃增加了1℃，并且各個季節溫度都比以往顯著升高。1986—2010年平均降水量約為493 mm，較1959—1985年的426 mm增加了約15.7%［33］。烏魯木齊河源1號冰川（圖1）是朝東北的山谷冰川，為該流域面積最大的冰川。在氣候變暖背景下，1號冰川自20世紀90年代以來表現為加速退縮趨勢，冰川面積、長度、物質平衡和平衡線高度都發生了顯著變化［34］。冰川的總面積正逐年減小，冰川面積由1962年的1.95 km2退縮為2017年的1.54 km2［35］。平衡線高度由1959—1996年的年均4 042 m上升至1997—2008年的年均4 106 m［36］。由于冰川末端不斷消融退縮，于1993年分離為2條獨立的東西方分支山谷冰川，海拔范圍東支在3 752～4 225 m之間，西支在3 848～4 445m之間，總面積為1.59 km2，平均厚度為44.5 m，最大長度為2.1 km，總儲量為8 334.1×104m3［37］。氣溫升高也導致了1號冰川表面雪層特征及成冰帶的變化，大量滲入的冰川融水導致粒雪再凍結，導致冷滲浸帶逐漸被凍結粒雪和滲浸冰取代［38-39］。變得更為單一的冰內、冰下排水道減弱了對融水的阻滯和貯存作用，加快了匯流過程的速度［40］。在1號冰川東支頂部源頭區發現小型冰面湖的存在［34］。烏源1號冰川流域冰川融水徑流比例高，已有研究表明，水文站觀測的總徑流中有70%是來自于冰川區徑流，其中44%來自冰川區由降水產生的徑流，26%來自冰川自身消融產生的徑流［14］。非冰川地區的土地覆蓋主要是裸露的土壤/巖石和稀疏的草甸，季節性積雪覆蓋［17］。

圖1 烏魯木齊河源1號冰川的位置（左上），流域詳細海拔、冰川覆蓋區域等高線以及徑流觀測站（右）Fig.1 Location of Glacier No.1 in headwater of Urumqi River（top left），detailed altitude of the Glacier No.1 basin，contour lines in the ice-covered area，and runoff gauging station in the basin（right）

1.2 數據來源

本次研究所用的冰川物質平衡和水文氣象數據來自2013—2016年的天山冰川觀測試驗站年報數據［41-42］。冰川物質平衡觀測從1號冰川冰舌開始自下而上，西支布設A～J橫剖面，海拔約3 850～4 150 m，東支布設有A～K橫剖面，海拔約3 800～4 150 m。并于每個剖面等距離布設測桿，一般為3根。對于積累區的觀測，采用挖取雪坑的方法。觀測始于每年的4月，每月底或月初觀測一次，至8月底為完整的年度觀測［43］。2013—2016年逐日的水文氣象數據（徑流、降水和溫度）來自于烏魯木齊河源區1號冰川水文站。1號冰川水文站設在離1號冰川末端300 m的河道上，斷面海拔3 695 m。穩定同位素數據（δ18O）由中國科學院冰凍圈科學國家重點實驗室提供［44-46］。2013—2016年的消融季，在1號冰川斷面采集了融水徑流，并于氣象觀測站采集了降水。冰面樣品于2016年消融季采集。地下水、快響應徑流（主要來自冰川融水和非冰川區的地表徑流）和慢響應徑流（主要來自非冰川區的地下水補給）的δ18O來自于Sun等［9］研究的實測值。地形數據和冰川輪廓［47］來源于全球數字高程模型（STRMDEM，http：//srtm.csi.cgiar.org，V4，分辨率90 m）和第二次冰川編目數據（http：//westdc.westgis.ac.cn）。

1.3 研究方法

1.3.1 基于穩定同位素的分布式寒區水文模型

（FLEXG-iso）的構建

（1）水文模塊

模型的寒區水文部分模擬基于Gao等［17］提出的分布式的FLEXG模型，該模型優勢在于充分考慮了流域降水、產匯流等異質性，使模型更符合實際。FLEXG將流域劃分為不同高程帶和坡向，以及冰川區和非冰川區兩種水文響應單元。

根據FLEXG模型獲得的流域降水、徑流和蒸發數據，根據水量平衡原理計算冰川物質平衡。

式中：GMB為冰川物質平衡；P為冰川區降水；Q為冰川區徑流；E為冰川區融雪徑流和降雨徑流的蒸發。本研究未考慮升華、雪崩和風吹雪的影響。

（2）同位素模塊

流域水文和同位素過程極為復雜，模型是對流域異質性過程的概化描述，因此模型假設和簡化在所難免。同位素水文主要伴隨著分餾和混合這兩個主要過程。本研究假定降雪和降雨的δ18O相同，且不考慮降水δ18O隨高程的變化。將新降雪和現有積雪的δ18O進行混合來更新現有積雪的δ18O（δ18OSW）。通過式（2）中給出的瑞利分餾方法模擬融雪的δ18O（δ18OSM）［48］。然后通過融雪融化的δ18O更新剩余的積雪［δ18OSR，式（3）］。采用分餾的校正因子（CFs）來改善融雪δ18O的模擬［18］。瑞利分餾因子（α）被假定為溫度的函數［式（4）］［49］。采用另一個校正因子（CFe），考慮了由地表蒸發引起的δ18O瑞利分餾過程（公式和融雪一樣）。

式中：SM為融雪量；SW為雪水當量；SR為融雪后剩余的雪水當量；f為積雪中剩余的雪水當量與原雪水當量的比值［式（5）］；T為當地的大氣溫度（K）。

FLEXG為分布式的冰川水文過程模型，將冰川、積雪、降雨徑流等水文過程基于概化的物理過程概念進行描述，比如線性水庫和不同景觀的響應單元等［17，50］。流入各水庫的δ18O與現有水庫的δ18O混合，更新各個水庫的δ18O。直接徑流的δ18O來源于冰川區和非冰川區徑流的δ18O。假設進入各水庫的水量與水庫原本水量快速完全混合。考慮了Ss和Sf的額外儲量，該額外蓄量可以理解為非飽和區中的蓄水容量或參與降雨混合過程中僅在重力作用下無法自由排出的其他水量，由參數Us（mm）和Uf（mm）表示［30］。假設儲量固定，僅參與混合過程。由于野外實地觀測發現了冰川區表面存在小型冰面湖［34］，并且冰川區至觀測站之間有部分非冰川區域。由此將這樣的情況概化為在冰川區Sf，g額外儲量（Uf，g），儲量相比土壤較小。Uf，g的先驗范圍假定為0到Uf最小值的1/4。最終得到的模型FLEXGiso。本研究未考慮δ18O隨高程變化。

1.3.2 徑流成分的定量化

Weiler等［51］列出了三種徑流成分來源的定義：①來自源區的貢獻，即來自每類土地覆蓋的貢獻；②來自產流過程的貢獻（如地表徑流，壤中流和地下水徑流）；③輸入的貢獻（融冰，融雪和降雨）。根據定義2進行基于產流過程［式（6）～（14），FLEXGiso水文模塊）對總徑流的貢獻估算。總徑流包括地表徑流、壤中流和地下水徑流。本研究中，Qf為融雪和降雨混合后的貢獻量，是非冰川區的地表徑流和壤中流的總和；Qs為地下水的貢獻量；Qg為融冰和降雨混合后的貢獻量，是冰川區的地表徑流。因此，本研究將徑流成分定義為融雪、融冰、降雨和地下水，以更加詳細地定量評估水文斷面年季尺度徑流成分。假設水進入水箱快速完全混合，使原來水箱的組分比例改變，從而可以得到從水箱流出水的組分比例（等于水箱的組分比例）。各貢獻量均為當日產流的部分，有一部分輸入水量會留在各水箱中，參與下一時間的混合以及產流、蒸發等水文過程。于是，得以追蹤整個過程的各組分變化。

式中：Qin為總輸入；Ms為融雪；Mg為融冰；Pl為降雨；Ps為降雪；Rrf為從積雪內部液態水（Swl）到積雪（Sw）的再凍結水；Pe為土壤或冰表面產生的徑流；Su為非冰川區土壤非線性儲層；Ea為實際蒸發；Ru為Su的過剩水量；Sf和Ss為快響應水庫和慢響應水庫；Rf和Rs為Sf和Ss的補給；Qf為非冰川區快速響應徑流；Qs為非冰川區慢響應徑流；Qg為冰川區徑流；Q為總徑流。

1.3.3 模型的率定和檢驗

選擇2013年和2014年作為率定期，2015年和2016年作為檢驗期。采用MOSCEM-UA算法來進行參數優化［52］，模型參數個數為17（表1），迭代次數20 000。

采用三個目標函數：①Kling-Gupta效率系數［簡稱KGE，式（15）］檢驗徑流深的模擬［53］，KGE越接近1表示二者之間的一致性越高，為符合求最小值的優化算法，與1相減作為徑流深模擬的目標函數L1［式（16）］；②計算δ18O的均方誤差（L2），檢驗δ18O的模擬［式（17）］；③各高程帶冰川物質平衡的體積偏差效率（L3）［18］，檢驗冰川物質平衡的模擬［式（18）］。均方誤差和體積偏差效率越接近0表示模擬和實測之間的偏離程度越小。為了從產生的帕累托前沿識別出有效參數集，定義可接受閾值的性能指標。L1可接受閾值定義為0.20。L2和L3的可接受閾值分別定義為0.56和0.30。只有低于定義閾值的參數集才會被判別為有效參數集。

式中：γ為模擬和實際徑流深線性相關系數；α為模擬和實際徑流深標準差比值；β為模擬和實際徑流深均值比值；Sobs（k）和Ssim（k）分別為流域在第k天實測和模擬的δ18O；m為數據總數；Mlobs（t）和Mlsim（t）分別為冰川在t年海拔帶l觀測和模擬的冰川物質平衡；NB為海拔帶總數；N為總年數。

為探討不同率定數據對徑流深、同位素、冰川物質平衡等過程模擬檢驗的影響，設計了4種方案（表2）。所有方案關于同位素過程的參數，固定為方案2有效參數集的一組解。

表2 實驗方案設計Table 2 Experimental scheme design

2 結果與分析

2.1 模型率定檢驗及不確定性分析

如表3所示，在率定期，方案1徑流深模擬最好（KGE中位數為0.893），而對冰川物質平衡和δ18O的模擬表現較差。方案2對δ18O的模擬最好（均方誤差中位數為0.545‰），在徑流深和冰川物質平衡的模擬中略差于方案1。方案3在冰川物質平衡的模擬最好（體積偏差效率中位數為0.235），徑流深模擬效果下降，δ18O的模擬最差（均方誤差中位數為0.545‰）。方案4除了在徑流深模擬方面（KGE中位數為0.821）不如其他方案，冰川物質平衡（體積偏差效率中位數為0.265）和δ18O（均方誤差中位數為0.555‰）的模擬上均有不錯的表現。在檢驗期，模擬效果往往隨著率定數據的增加而提高。方案1在徑流深和δ18O的模擬上表現較差，但冰川物質平衡的模擬效果最好（體積偏差效率中位數為0.324）。方案2在δ18O和冰川物質平衡的模擬中表現較好，而在徑流深的模擬上（KGE中位數為0.654）最差。方案3徑流深的模擬效果最好（KGE中位數為0.818），而δ18O和冰川物質平衡的模擬均不如其他方案。方案4在各方面的模擬效果均較好（KGE中位數0.813；均方誤差中位數為0.608‰；體積偏差效率中位數為0.369）。對于4種方案有效參數集產生的模擬范圍（圖2和圖3），在率定期，方案1在三個方面產生的不確定性范圍較大，而方案2和方案3在各個方面模擬的不確定性范圍均減小方案4相比于方案3產生更小的不確定性范圍，說明了多種數據集的率定具有減少不確定性的優勢，以及額外加入水同位素數據對限制不確定性有重要作用。在檢驗期，結果與率定期一致。

圖2 在率定期4種方案有效參數集模擬的日徑流深、徑流δ18O、各海拔高度帶冰川年物質平衡的不確定性范圍Fig.2 Uncertainty envelopes of daily runoff depth，runoff δ18O，and annual glacier mass balance in different elevation bands，produced by the valid parameter sets of the four schemes in calibration period

圖3 在檢驗期4種方案有效參數集模擬的日徑流深、徑流δ18O、各海拔高度帶冰川年物質平衡的不確定性范圍Fig.3 Uncertainty envelopes of daily runoff depth，runoff δ18O，and annual glacier mass balance in different elevation bands，produced by the valid parameter sets of the four schemes in evaluation period

表3 由4種方案有效參數集生成的徑流深、δ18O和冰川物質平衡的評價指標Table 3 The evaluation index of discharge，δ18O and glacier material balance generated by the valid parameter set of the four schemes

對比4種方案，發現將水穩定同位素用于模型的率定可以提升模擬效果。方案1和方案2的比較表明，將徑流δ18O用于模型率定，徑流和冰川物質平衡的整體模擬性能均有提高，不確定性范圍均有所減小，顯著提高了真實性和穩定性。這表明在沒有地面測量的冰川物質平衡數據的冰川流域水文模擬中，水同位素數據能提高徑流模擬效果和減小不確定性。方案3的模擬結果也表明冰川物質平衡數據也有助于提高徑流δ18O的模擬。這進一步表明，在消融季，徑流水同位素組成能夠代表冰雪消融過程。方案3與方案4對比，方案4在多源數據率定中額外加入徑流δ18O能進一步減少模擬不確定性，徑流、冰川物質平衡和徑流δ18O都得到了最好的整體模擬效果。這突出了水穩定同位素能提供徑流過程內部信息，使模擬更加接近真實。

綜上所述，同位素信息的加入提供了一個新的驗證指標，提升了內部變量的模擬效果，有助于得到正確的模擬結果，能為模擬提供有價值的信息。這與德國科學家在中亞吉爾吉斯斯坦得到的結果一致［18］。

2.2 參數不確定性與辨識能力

圖4 比較了4種方案得到的有效參數集的不確定性范圍。方案1產生了4種方案中參數最大的不確定性范圍，說明數據參數約束不足。方案2相較于方案1，參數產生了更小的不確定性范圍（除了Ks、Ca），說明了水同位素數據約束模型參數的能力。方案2相較于方案3，大部分參數（β、Ce、D、Tt、Fdd、Cg、Frr、Kf，g）產生了更小的不確定性范圍，說明了水同位素數據相比冰川物質平衡數據約束參數的能力更強。方案4相比方案3，產生了更小的參數不確定性范圍（除了Wm、Ks、Ca、Cwh、Frr），說明了水同位素和物質平衡數據結合能進一步約束參數。

圖4 4種方案產生的有效參數集的不確定性范圍Fig.4 Uncertainty ranges of the valid parameter sets produced by the four schemes

圖5 展示了水文模塊各參數對δ18O模擬效果敏感性測試的結果。在每個子圖中，每一個參數先驗范圍內展示對δ18O的模擬效果，同時其他參數固定，橫坐標為歸一化的參數先驗范圍。由圖5可知，對δ18O的模擬顯示出對Tt有很強的敏感性，其次為Fdd、Cwh和Kf，g。徑流δ18O的模擬對冰川地區產流過程的參數（Tt、Kf，g）和雪產流過程融化（Tt、Fdd和Cwh）的參數顯示出顯著的敏感性，說明了δ18O變化受融雪和融冰的主導。數據表明，δ18O數據對模型參數的有效范圍具有不同程度的約束能力，對Tt、Fdd、Cwh和Kf，g等與冰雪消融相關的參數識別能力最強。

圖5 徑流δ18O模擬對各參數值的敏感性測試Fig.5 Runoff δ18O simulation sensitivity test to each parameter value

2.3 徑流成分的定量分割

2013—2016年1號冰川斷面各組分對徑流的貢獻率如下（圖6，模擬范圍來自方案4）：年均32%～34%來自融雪，48%～51%來自融冰，0%～7%來自地下水，12%～15%來自降雨徑流。季節尺度下（5月至10月為消融季，11月至次年4月為非消融季），融雪在5月至7月占主導（41%～47%），在8月至10月貢獻為23%～27%，在非消融季占主導（50%～51%）。融冰在5月至7月（38%～41%）占比較大，在8月至10月（57%～63%）占主導。降雨徑流的在消融季貢獻為10%～18%，在非消融季貢獻小于5%。地下水貢獻在消融季小于8%，而在非消融季占主導（49%～50%）。在消融季，融冰是第一大徑流成分，而融雪是第二大徑流成分，降雨徑流次之，最后是地下水。在非消融季，融雪和地下水為主導，融冰和降雨徑流貢獻低。

由圖6也可知，4種不同方案之間不確定性范圍有明顯差異。方案1產生了最大的不確定性區間，以及更高的融冰貢獻和更小的地下水和融雪貢獻。例如，與方案4相比，在非消融期地下水相差最大可達45%，融雪消融期相差最大可達13%。很明顯，低約束模型（方案1）試圖通過更高的融冰貢獻，來彌補其他偏低貢獻。另外三種方案均傾向于產生較低融冰貢獻。方案2傾向于得到更高地下水貢獻比例（1%～15%），方案3傾向于得到更高的融雪貢獻比例（30%～38%）。方案4得到了最低融冰貢獻比例、最高的融雪貢獻比例和最小的不確定范圍。

圖6 4種方案年季節尺度下徑流組分的貢獻率Fig.6 Contributions of runoff components quantified by four schemes at annual and seasonal scales

對比4種方案，發現將穩定同位素用于模型的率定會使徑流組分的妥協情況減少，得到更為準確的徑流分割。方案1和方案2之間的比較表明，將水同位素數據用于模型校準，融雪和地下水的貢獻比例均有所提升，降水占比變化不大，融冰比例占比下降約7%，這表明同位素信息可顯著減少冰雪相關過程不確定性。對比方案3和方案4，在多源數據多目標率定的基礎上，額外考慮同位素信息后，對徑流內部妥協進一步限制。融雪和地下水的貢獻比例有所上升（約2%和4%），降雨和融冰的貢獻有所下降。這表明同位素信息也可以增強控制地下水產生相關的參數（主要為參數D）的識別能力，從而改善對徑流分割模擬的準確性。由上述兩組方案對比也可知，在水文模型校準過程中加入水同位素數據還能進一步減小徑流成分貢獻率的不確定性范圍。

綜上所述，缺乏內部變量驗證的模擬結果（方案1），雖然率定期得到了最佳的徑流模擬效果，但是在檢驗期模擬不理想，這說明徑流各組分間存在較大互相妥協，造成異參同效，影響了模擬真實性。本研究中，低約束模型試圖調整參數得到更高的融冰貢獻比例，來提升率定期的模擬。同位素信息的加入通過提高對過程和參數的辨識能力，使徑流成分之間的互相妥協明顯降低。這表明水同位素組成具有提供有關徑流成分內部分配信息的能力。這與Birkel等［54］和Capell等［24］在溫帶濕潤區得到的結果一致。

3 討論

寒區示蹤水文模型FLEXG-iso基于寒區水文過程模型FLEXG作為框架，以基于不同水源的氫氧穩定同位素特征差異為前提，不僅要考慮不同端元混合過程，還要考慮積雪消融升華、土壤蒸發等同位素分餾效應。考慮了水同位素分餾過程，包括土壤水蒸發和融雪過程伴隨的分餾［18］。對混合過程也進行了詳細的考慮。有研究發現在地下水水庫中設定更大的混合體積可以獲得更好的同位素模擬效果，這說明參與混合的地下水庫蓄量遠比單純考慮徑流過程設置的蓄量要大［24，30］，這與本研究結論一致。另外，考慮到冰川區表面存在小型冰面湖［34］，并且冰川區至觀測站之間有部分非冰川區域，本研究在冰川區也添加了額外儲量。在該研究流域中，由于冬季植被覆蓋率低，植被冠層對雪的攔截很小。因此，沒有考慮升華對雪同位素的影響。本研究結果表明，所提出的耦合模型能夠重現該流域徑流中同位素時間序列。本研究的另一個出發點在于探討依靠有限的采樣數據是否能得到較好的同位素和水文模擬效果。結果表明，在冰川流域開展水穩定同位素的示蹤輔助水文模擬是可行的，這為后續在類似流域收集更詳細觀測數據，開展更準確水文模擬工作提供了基礎。

本研究也存在一定局限性。首先是同位素數據的代表性。由于數據限制，本研究未考慮同位素組成的高度效應，采用站點的測量值代表整個流域，同位素分布的異質性可能會帶來不確定性。未來研究需加密觀測網絡，基于實測得到同位素海拔梯度變化以估算高海拔地區同位素組成的空間異質性，進一步改善模擬效果［18，55］。本研究假定降雪和降雨的δ18O相同，并且基于閾值溫度來劃分降雪和降雨，未考慮大氣中的分餾過程和缺乏降雨和降雪的驗證，分量取值可能存在偏差。地下水的同位素數據由于變化幅度小，采樣的時間分辨率較粗，可能會遺漏一些短期的變化波動信息。另外，模擬本身存在一定的不確定性。徑流同位素組成的變化取決于多方面因素的影響，例如春季融雪的速率和持續時間等［56］，在日尺度模擬中很難充分考慮這些細節。完全混合和瞬時混合的假設也值得商榷，更復雜的內在機制仍需進一步探討［24，51］。例如，夏季冰雪表面的融水與雪坑中冬季形成的細粒雪和中粒雪之間進行了大量的物質交換［57］，瞬時完全混合還不能充分模擬出這些細節。

模型對冰川物質平衡損失的模擬存在低估，可能由于未考慮該區域的粉塵等導致冰川反射率下降或者冰川覆蓋地區風吹雪造成的積雪重新分配［58-59］。而且，在該模型中未將雪冰川相關參數的時間變化考慮在內，這會導致模擬的偏差［60］。另外，雖然FLEXG-iso在徑流、冰川物質平衡和徑流同位素的模型上均得到了較好的結果，也與Gao等［3］的結果一致，但融冰貢獻比例仍需進一步嚴格驗證。例如，賈玉峰等［14］、Jia等［61］根據水量平衡模型計算的26%融冰貢獻比例；Thiel等［11］的研究中2013—2016年冰川融水貢獻率具有較大的年際變化（20%～60%）。耦合遙感等多源數據在率定水文模型中的價值也值得進一步探討［62］。

4 結論

（1）本研究構建了水同位素示蹤的冰川流域水文模型FLEXG-iso，并成功應用于2013—2016年烏魯木齊河源1號冰川流域徑流過程模擬，并重現了徑流水穩定同位素和冰川物質平衡。將水穩定同位素數據用于模型率定檢驗，在率定期和檢驗期內提升了模擬結果的可靠性，降低了不確定性。

（2）利用水穩定同位素有效約束了模型的參數范圍，證明利用短期的水同位素數據能有效約束控制關于雪和冰川產流過程的參數（Tt、Fdd、Cwh和Kf，g），從而提高對模型參數的識別能力，減少因參數識別誤差而導致的不確定性。

（3）徑流分割的結果表明，2013—2016年烏源1號冰川斷面徑流約32%～34%來自融雪，48%～51%來自融冰，0%～7%來自地下水，12%～15%來自降雨徑流。穩定同位素作為輔助信息減少了過多補償融冰貢獻帶來的不確定性。徑流組分之間相互妥協的情況減少，融冰所占比重相比原模型下降約7%。

通過構建穩定氫氧同位素示蹤的冰川流域水文模型（FLEXG-iso），為實驗和模型科學家的溝通建立橋梁，將推動寒區水文學理論和方法的發展。在此基礎上也將為未來寒區水資源預估、水資源優化配置、水災害治理，寒區生態環境保護等提供科學依據。