SWAT模型在大尺度流域徑流模擬影響因素分析
——以巴拉那河上游流域為例

劉 琨,李夢杰,牟海磊,呂振豫,劉 攀,殷兆凱,劉志武,梁犁麗

(1.中國長江三峽集團有限公司科學技術研究院,北京 101199;2.中國三峽國際股份有限公司,北京 101100; 3.中國長江三峽集團有限公司,湖北 武漢 430010)

極端天氣對流域徑流產生較大影響,水文模型是徑流模擬預測的有效工具,其中SWAT(Soil and Water Assessment Tool)模型可方便處理空間信息,已廣泛應用于國內外流域的水文過程[1-4]和水庫控制流域的徑流分析[5-7]。然而,在實際研究中,通常遇到數據不足的問題,如偏遠地區的實測點稀少,缺乏高時空分辨率的輸入數據直接影響模型的模擬精度,阻礙了SWAT模型在大尺度流域的應用。利用遙感反演、雷達測雨以及計算模擬等技術得到氣象數據,為水文模型構建提供了更多的數據支撐。如Chawanda等(2020)提出了一種區域化方法,使用水量水質平衡校準和全球數據集表示水庫和灌溉,并將其應用于構建非洲南部SWAT模型[8]。全球再分析資料在相關研究中應用廣泛,如美國國家環境預報中心的CFSR再分析數據、歐洲中期數值預報中的ERA5再分析數據[9-10]。Dile等[11]在研究非洲青尼羅河流域水文預報時,將CFSR再分析資料與傳統氣象數據輸入SWAT模型中并進行模擬精度的評價,發現CFSR氣象數據月尺度模擬精度較好。胡勝等[12]評估了CFSR再分析數據在灞河流域的適用性,并提出了CFSR氣象數據訂正的方法。Fernandez-Palomino等[13]提出了一種估計降水模式的新方法,將其應用于秘魯和厄瓜多爾流域模擬,徑流模擬表現優于使用ERA5數據的結果。于宴民等[14]的研究表明CFSR再分析降水數據受到地形地貌、站點數量和均勻程度、模型結構物理化參數過程等因素的影響,會造成降水估計偏大,進而導致洪峰模擬流量偏大,需評價CFSR再分析數據在不同區域的適用性。

分布式水文模型子流域劃分也會影響徑流模擬精度。Wang等[15]提出了多種方法來評估流域細分級別對非點源優先管理區識別的影響,結果表明適當增加子流域的數量可以提高優先管理區識別的準確性。Lin等[16]探索流域劃分對山坡和河道沉積物的影響,增加子流域減少了河道沉積的空間變化,河道泥沙演進的變化主要是由于河道尺寸對流域劃分數量敏感。Chiang等[17]以美國伊利諾伊州卡斯卡斯基亞河流域為利,研究了子流域和水文響應單元劃分對流量、總懸浮沉積物和總氮損失模擬的影響,結果表明,準確的子流域劃分比更精細的水文響應單元劃分對模擬結果的影響更大,子流域劃分過程中對主河道捕捉的尤其重要。高怡婷等[18]通過設置11種子流域劃分方案定量分析了子流域劃分引起的土壤離散化對東江源產流產沙過程的影響,子流域劃分引起的土壤離散化主要通過土壤侵蝕因子K值變化引起輸沙量變化,導致洪水過程輸沙量峰值顯著減少。Gong等[19]將大寧河上游流域劃分為不同數量的子流域,結果表明流域集水面積閾值為50 km2時模擬精度最高。流域劃分數量與水文響應單元呈現倍數關系,子流域集水面積閾值越小,水文響應單元破碎化越嚴重,會導致模型效率下降。此外,子流域劃分數量還需考慮其他輸入數據的空間分辨率,目前還沒有明確的子流域劃分數量標準。

調整SWAT模型敏感性參數對模擬精度提高具有較大幫助。Tang等[20]構建了中國西南部瀾滄江流域的SWAT模型,并使用四種優化算法量化模型的參數敏感性和預測不確定性,表明河岸儲存的基流系數(ALPHA_BNK)和河道有效導水率(CH_K2)參數最敏感。Gao等[21]以美國西海岸的Barrett流域為例,分析了干濕年份的參數敏感性,結果表明,干濕年水文條件的差異主要表現為六個最敏感參數值的變化,包括基流阿爾法系數(ALPHA_BF)、河道有效導水率(CH_K2)、SCS徑流曲線數(CN2)、土壤蒸發補償系數(ESCO)、淺層含水層流量(GWQMN)和土壤有效儲水量(SOL_AWC)。Patil和Ramsankaran[22]模擬了印度Munneru河流域的徑流,率定了最敏感參數SCS徑流曲線數(CN2)、地下水延遲系數(GW_DELAY)、淺層含水層流量(GWQMN)和地表徑流滯后時間(SURLAG),并通過基于EnKF的SMOS土壤水分反演同化方法,改進了大型流域SWAT模型的徑流模擬和預測精度。

本文以巴西巴拉那河上游流域為研究區,通過構建的大尺度流域SWAT模型,定量評價CFSR降水再分析數據在研究區的適用性、分析子流域劃分數量對模擬結果的影響,并比較確定模型敏感性參數,以期為大尺度流域SWAT模型構建和應用提供借鑒。

1 材料與方法

1.1 研究區概況

巴拉那河是南美洲僅次于亞馬遜河的第二大河,發源于巴西高原東南緣的曼蒂凱拉山北坡,主源格蘭德河,與巴拉那伊巴河匯合后,始稱巴拉那河。本文研究區域位于巴拉那河上游河段,西經43°35′—55°56′,南緯15°27′—25°39′,總面積約78.3萬km2。巴西境內巴拉那河上游流域主要支流包括格蘭德河、鐵特河以及巴拉那帕內馬河,研究區在巴西的位置及河流水系見圖1。

研究區高程在210 m～2 715 m之間。巴拉那河上游多丘陵、山地,海拔超過1 000 m;自東北向西南地勢逐漸平坦,巴拉那伊巴河下游地區海拔僅400 m左右;至福茲杜伊瓜蘇/斯特羅埃斯納總統港一帶,海拔僅約200 m。研究區DEM見圖1。研究區屬亞熱帶濕潤氣候,降水量時空分布不均,四季皆有降水,春、夏季(12月—5月)多雨,冬季(7月—11月)較干旱,流域年均降水量約為1 462 mm。

1.2 SWAT模型

流域建模采用QGIS接口的SWAT模型。SWAT是由美國農業部開發的半分布式水文模型,可以用于流域的物理過程相關分析,以日或月時間步長進行連續模擬。SWAT已被廣泛用于水量、水質評估以及氣候和土地利用變化情景的影響研究[23]。基于地形數據,模型將流域離散為子流域,各子流域由河網連接。為了評估流域內土地覆被和土壤的空間異質性,根據土地利用、土壤類型和坡度的組合,將每個子流域進一步離散為水文響應單元。

對于每個水文響應單元,分別模擬水文過程,包括地表徑流和蒸散量等,然后通過河網匯流到流域出口。模型原理、結構等不再贅述。

1.3 數據及其處理

SWAT模型需要輸入數據包括氣象、水文和物理變量。氣象數據包含最高、最低氣溫,平均風速、平均相對濕度、平均太陽輻射量等,由于未能收集到相關實測數據,使用CFSR再分析數據的每日氣象數據,空間分辨率約為38 km×38 km。實測降水數據來源于巴西國家水務局,選用1995—2014年具有20年以上連續資料的922個站點(見圖2(a))。由于數據系列中存在短時間的缺失數據,采用模型自帶的天氣發生器生成。徑流觀測數據來源于巴西國家水務局,選取17個具有20年以上連續日流量觀測數據的站點作為流量校正站(見圖1),徑流與實測降雨數據具有相同的時間序列。

圖2 研究區雨量站、土地利用和土壤類型分布[25]

研究區土地利用數據來源于歐空局(European Space Agency,ESA)的GlobCover2009數據,空間分辨率為300 m×300 m。SWAT模型中的土地利用類型由美國地質調查局(USGS)定義,因此將ESA的GlobCover2009數據按照USGS標準重新分類,參考Rafee等將土地利用類型重分類為6種SWAT中對應的類型[24](見圖2(b))。

土壤類型數據來源于聯合國糧農組織與維也納國際應用系統研究所聯合建立的標準化世界土壤數據庫(HWSD),空間分辨率為1 km×1 km,研究區內共13種土壤類型(見圖2(c))。土壤參數是SWAT模型最基本的參數,直接影響模擬精度。土壤有效含水量(mm)、土壤濕容重(g/cm3)、飽和水力傳導系數(mm/hr)和土層結構參數通過SPAW軟件計算,并使用SWATeditor工具將計算好的土壤特性參數輸入SWAT土壤數據庫中。

1.4 模型構建

考慮子流域劃分數量對模擬結果的影響,將子流域集水面積閾值分別設置為10 000 km2、500 km2和100 km2。根據研究區實際情況,人工添加27個子流域出口。根據土地利用、土壤類型和坡度在子流域占比閾值定義水文響應單元。土地利用、土壤和坡度對應的閾值分別設置為20%、10%和20%。流域內水電站大多為徑流式電站,且由于各水電站的相關調度信息缺乏,在建模過程中沒有考慮水電站調度對徑流的影響。

1.5 模型敏感性分析方法

采用SWATCUP2019軟件中的LHS-OAT(Latin hypercube sampling-one at a time)方法進行參數敏感性分析,該方法通過拉丁超立方體抽樣生成的參數與目標函數值對比進行回歸,對參數逐個進行分析。選取與流量相關的20個參數進行分析,包括SCS徑流曲線數(CN2)、土壤有效儲水量(SOL_AWC)、飽和導水率(SOL_K)、土壤蒸發補償系數(ESCO)和地表徑流曼寧系數(OV_N)、淺層含水層回流水的閾值深度(GWQMIN)、地下水延遲系數(GW_DELAY)、淺層含水層再蒸發的水深閾值(REVAPMN)、深層含水層滲透率(RCHRG_DP)、地下水再蒸發系數(GW_REVAP)、基流阿爾法系數(ALPHA_BF)和河岸儲存的基流系數(ALPHA_BNK)、河道有效導水率(CH_K2)和主河道曼寧系數(CH_N2)、植物吸水補償系數(EPCO)和冠層最大儲水量(CANMX)。子流域參數包括:地表徑流滯后時間(SURLAG)、平均坡長(SLSUBBSN)、側流行程時間(LAT_TTIME)和平均坡度(HRU_SLP)。采用t值和P值檢驗參數的敏感度。其中,t值的絕對值越大說明該參數對模型敏感性越強;P值取值范圍為0～1,越接近于0,參數敏感性越強。

1.6 模擬效果評估方法

由于僅評價影響因素對大尺度流域徑流模擬的影響,未對模型參數做最終的率定驗證工作,選用確定性系數R2作為徑流模擬精度的評價指標,其計算公式如下:

(1)

2 結果與討論

2.1 降水數據影響分析

雨量站主要分布在流域東南部,西部和北部雨量站密度較小,如圖2(a)所示。本文構建的SWAT除了使用實測降水數據外,本文分析了CFSR再分析降水數據在研究區的適用性。圖3比較了汛、旱季典型月份再分析和實測數據的多年平均月降水量分布。

由圖3可以看出,在汛期流域東北部降水量多,由東北向西南逐漸減少;在旱季流域北部降水量少,由北向南增加。與實測數據相比,汛期降水量再分析數據在流域東北部的估值偏大,西南部降水量估值偏小;旱季降水量再分析數據在流域北部的估值偏小。概括而言,流域中降水量較大區域的再分析數據估值偏大,降水量較小區域的再分析數據估值偏小。圖4給出了再分析和實測數據多年平均年降水量分布。可以看出,再分析數據降水量分布空間變異性較大,進一步證明再分析數據在降水量較大區域的估計偏值大,降水量較小區域的估計值偏小。

圖4 再分析數據和實測數據多年平均年降水量分布

為探究降水驅動數據對徑流模擬結果的影響,兩種數據條件下模型參數率定過程只進行了1次迭代,并不是最終的參數率定結果。17個流量校正站在不同降水數據條件下的徑流過程模擬確定性系數R2值見表1。

表1 不同條件下徑流過程模擬確定性系數R2值

由表1可知,除站點NOVO PORTO TAQUARA和EMBORCA?O站點外,與使用再分析數據相比,實測降水數據條件下的徑流模擬值的R2值明顯提高。另外分析了在再分析降水數據條件下各站1980年—2015年的徑流變化趨勢:EMBORCA?O、CANOAS I、PONTE JOAQUIM JUSTINO、CANOAS II、SALTO GRANDE、CHAVANTES、FAZENDA BURITI和JURUMIRIM站點模擬徑流出現先增大后減小的趨勢,其余站點則表現出明顯的上升趨勢。而同系列實測徑流并沒有表現出明顯的年際變化趨勢。對流域出口站SALTO DEL GUAIRA徑流進行了Mann-Kendall趨勢檢驗,P值為0.139,大于顯著性水平(α=0.05),表明1980年—2015年徑流沒有明顯的變化趨勢。以上表明CFSR降水再分析數據在該流域的適用性較差。因此,應采用實測降水數據作為SWAT模型的降水驅動數據分析子流域劃分影響和敏感性參數。

2.2 子流域劃分影響

三種子流域劃分條件下的子流域數量分別為66個、781個和4 111個。三種子流域劃分條件下共獲得123個、3 160個和13 535個水文響應單元。在分析子流域劃分數量對徑流模擬結果的影響時,并沒有進行參數率定,三種不同子流域劃分數量下的參數均設置為模型的默認值。圖5給出了8個典型徑流校正站在不同子流域劃分數量時的徑流模擬結果。

圖5 不同子流域劃分數量時的徑流模擬結果

由圖5可以看出,當子流域劃分數量為66時,徑流模擬值的年際變化與實測值差異較大,僅NOVO PORTO TAQUARA站的R2值大于0.5,其余站點的R2值均小于0.5;增加子流域劃分數量時,R2值顯著提高;但當子流域劃分數量為4 111時,與劃分數量為781時相比,17個站點中有12個站的R2值有所下降(見表1)。子流域劃分數量為781個時,模擬值可以有效地描述流域汛期和枯季的徑流變化,模擬效果最好。因此,在參數敏感性分析中,子流域集水面積設置為500 km2,劃分為781個子流域,降水采用實測數據。

2.3 模型敏感性參數分析

利用LHS-OAT對涉及徑流模擬的部分SWAT模型參數進行敏感性分析。在分析的20個參數中,土壤蒸發補償系數(ESCO)和SCS徑流曲線數(CN2)是影響模擬的最敏感參數,t值絕對值分別為17.9和40.1,P值為0。除平均坡度(HRU_SLP)、淺層含水層再蒸發的水深閾值(REVAPMN)、主河道曼寧系數(CH_N2)和地下水再蒸發系數(GW_REVAP)四個參數外,其余參數也較為敏感,t值絕對值均大于0.7,P值小于0.5[25]。

對土壤蒸發補償系數(ESCO)和CN2而言,增加ESCO值,模擬徑流減少,增加CN2的值,模擬徑流增加;調整兩個最敏感的參數對提高徑流模擬效果具有較大幫助,限于篇幅不再贅述調整敏感性參數過程中的徑流模擬效果對比。

3 結 論

本文利用構建的大尺度流域——巴拉那河上游流域的SWAT模型,分析了降水數據、子流域劃分數量和模型敏感性參數對流域徑流模擬結果的影響。結果表明:

(1) 大尺度流域的降水空間分布差異性較大,子流域面雨量的計算精度決定徑流的模擬精度。CFSR再分析數據對流域降水的空間分布估計偏差較大,導致徑流模擬誤差較大。

(2) 流域降水分布空間異質性需要通過子流域劃分數量來有效表征,但子流域劃分數量應有一定的合理區間。

(3) 對于研究區而言,平均坡度(HRU_SLP)、淺層含水層再蒸發的水深閾值(REVAPMN)、主河道曼寧系數(CH_N2)和地下水再蒸發系數(GW_REVAP)參數對模擬影響小,其它參數的敏感性均較大。

基于本文研究結果,后續將進一步研究實測站點密度較小流域基于融合降水驅動數據的徑流模擬效果,以及研究區子流域數量劃分最合適的閾值區間。