王 斌 朱士江 黃金柏 丁星臣 宮興龍 王貴作

(1.東北農(nóng)業(yè)大學水利與土木工程學院， 哈爾濱 150030； 2.農(nóng)業(yè)部農(nóng)業(yè)水資源高效利用重點實驗室， 哈爾濱 150030；3.三峽大學水利與環(huán)境學院， 宜昌 443002； 4.揚州大學水利與能源動力工程學院， 揚州 225009；5.水利部發(fā)展研究中心， 北京 100038)

0 引言

水文模型是研究水循環(huán)和水文過程的重要手段，也是解決水文預報、水文分析與計算、水資源規(guī)劃與管理等問題的有效工具。在應用水文模型時，一般需要事先獲取一定數(shù)量的水文資料來率定模型，其中最常被采用的水文資料是流量數(shù)據(jù)。然而，在很多國家和地區(qū)，由于水文站網(wǎng)的分布密度較低，或受各種自然條件與人為因素限制，水文數(shù)據(jù)缺失嚴重，甚至無法取得一些基礎性的水文資料，給水文模型的率定造成了很大困難[1]。自國際水文科學協(xié)會啟動無資料流域預報(PUB)計劃以來，“區(qū)域化”已成為識別缺資料流域水文模型參數(shù)的常用方法，主要包括空間相近法、屬性相似法和回歸法等，其中：空間相近法和屬性相似法統(tǒng)稱為參數(shù)移植法，是指尋找與缺資料流域(目標流域)距離相近或?qū)傩韵嗨频囊粋€或多個有資料流域(參考流域)，并將在參考流域率定的模型參數(shù)移植到目標流域；回歸法先在參考流域建立模型參數(shù)與流域?qū)傩蚤g的回歸關系，從而利用目標流域的屬性推求其模型參數(shù)[2-4]。盡管區(qū)域化方法取得了一系列重要成果，但在實際應用中也存在一些問題，如：在應用參數(shù)移植法時，即使流域間的氣候、下墊面、土壤等特征相似，但其降雨徑流關系往往差別較大；回歸法常見的問題是模型參數(shù)之間往往具有很強的相關性，但模型參數(shù)與流域?qū)傩灾g卻不存在很強的相關關系[5]。不僅如此，應用區(qū)域化方法的邏輯前提是參考流域具備流量數(shù)據(jù)，但對于一個大范圍內(nèi)缺資料的地區(qū)而言，所關注的目標流域(如某水利水電樞紐工程壩址斷面以上集水區(qū))內(nèi)部及周邊均可能處于缺資料區(qū)域，存在難于選出參考流域的問題?？梢?，研究利用流量之外的數(shù)據(jù)率定水文模型是PUB計劃的有益補充。

國內(nèi)外的一些學者在利用蒸散量率定水文模型方面進行了有益探索，其中較典型的研究是利用遙感蒸散量率定分布式水文模型SWAT(Soil and water assessment tool)[6-9]。這些研究均以SWAT模型為對象，采用的短系列蒸散量為遙感影像解譯數(shù)據(jù)，考察的是SWAT模型在子流域尺度的模擬值對遙感蒸散量的擬合情況，同時還需借助其他資料(如：參考蒸散量[6]、冬小麥和夏玉米的多種作物參數(shù)等[7-9])，研究目的并非為了解決缺資料地區(qū)的水文模型率定問題。對于一個固定的研究流域，獲取遙感蒸散量一般要單獨開展遙感影像解譯工作，不僅工作量較大，還需要一定數(shù)量的地形、氣象、植被等數(shù)據(jù)支撐；雖然SWAT模型機理性較好，但其結構復雜、參數(shù)眾多，當采用遙感蒸散量率定SWAT模型時，為了解決輸入的遙感蒸散量與SWAT模型模擬的蒸散量在時間步長、子流域等方面的時空匹配關系，需要編譯、調(diào)試模型程序源代碼，或開展模型二次開發(fā)工作，不易被一般的工程技術人員掌握。劉昌明等[5]的研究已表明，選擇合適的水文模型對缺資料流域的水文過程模擬有著重要影響，模型的復雜性和表現(xiàn)性似乎沒有很強的聯(lián)系，參數(shù)的增多不僅會加大模型的率定難度，還會降低模型的穩(wěn)定性。

綜上，本文以基于網(wǎng)格的薩克拉門托模型(Grid-based Sacramento model，GSAC)為研究對象，研究利用全球陸面數(shù)據(jù)同化系統(tǒng)(Global land data assimilation system，GLDAS)提供的蒸散量率定GSAC模型的方法，以期豐富PUB計劃研究內(nèi)容。

1 GSAC模型模擬蒸散量原理

王斌等[10]將薩克拉門托(Sacramento，SAC)模型在透水面積上的產(chǎn)流概念引入到網(wǎng)格，簡化了該模型的5種蒸散量計算方法，同時增加了植被截留蒸發(fā)和積雪蒸發(fā)等計算模式，構建了GSAC模型，該模型能夠很好地與各種網(wǎng)格數(shù)據(jù)融合，可以較好描述徑流、蒸散發(fā)、土壤水分等逐日變化過程，模型具體計算和應用詳見文獻[10-12]，這里重點介紹該模型中與本研究相關的蒸散量模擬原理。GSAC模型的實際蒸散量包括冠層截留蒸發(fā)量、積雪蒸發(fā)量、植被散發(fā)量、土壤蒸發(fā)量等，植被散發(fā)和土壤蒸發(fā)消耗的水量由土壤張力水提供。如果植被冠層截留了降水，則首先蒸發(fā)冠層截留的降水量；如果存在積雪，則發(fā)生積雪蒸發(fā)現(xiàn)象；在蒸發(fā)了冠層截留和積雪后，蒸發(fā)上、下兩土層的張力水；如果沒有冠層截留或積雪，則只蒸發(fā)土壤水。

1.1 冠層截留蒸發(fā)

假設降水量先降落至植被冠層，如果降水量被冠層截留后仍有剩余，則剩余的降水量會穿過冠層降落至地表成為凈降水量，繼而再被劃分為降雨量和降雪量。冠層截留蒸發(fā)量為

(1)

其中

Imax=CintLAI

(2)

式中ETint——冠層截留蒸發(fā)量，mm/d

Imax——冠層截留容量，mm

PET——潛在蒸散量，mm/d

I——冠層截留量，mm

P——降水量，mm/d

Cint——截留系數(shù)，mm

LAI——葉面積指數(shù)

1.2 積雪蒸發(fā)

如果地面存在積雪，則會發(fā)生積雪蒸發(fā)現(xiàn)象，其蒸發(fā)量為

(3)

其中

SPWC=SPWC0+Ps-ETsno-SMLT

(4)

SMLT=Mf(T-Tb)

(5)

式中ETsno——積雪蒸發(fā)量，mm/d

SPWC——計算時段末積雪水當量，mm/d

SPWC0——計算時段初積雪水當量，mm/d

Ps——降雪量，mm/d

SMLT——融雪水當量，mm/d

Mf——度日因子，mm/(K·d)

T——平均氣溫，℃

Tb——基礎溫度，℃

1.3 土壤水蒸發(fā)

采用上、下2層蒸發(fā)模型描述張力水蒸發(fā)量。上層張力水蒸發(fā)量為

(6)

式中ETup——上層張力水蒸發(fā)量，mm/d

UZTWC——上層張力水蓄量，mm

下層張力水蒸發(fā)量為

(7)

式中ETlow——下層張力水蒸發(fā)量，mm/d

LZTWC——下層張力水蓄量，mm

LZTWM——下層張力水容量，mm

在網(wǎng)格尺度，上、下層張力水蒸發(fā)消耗各自的張力水蓄量，當滿足水分交換條件時，張力水和自由水進行交換與調(diào)整。各網(wǎng)格的蒸散量為冠層截留蒸發(fā)量、積雪蒸發(fā)量、土壤水蒸發(fā)量之和，潛在蒸散量可視氣象數(shù)據(jù)條件，采用Hargreaves公式[13]、Shuttleworth-Wallace公式[14]等計算。

2 GLDAS蒸散量在GSAC模型率定中的應用

2.1 GLDAS蒸散量數(shù)據(jù)簡介

GLDAS是美國國家航空航天局戈達德航天飛行中心和美國國家海洋與大氣管理局國家環(huán)境預測中心聯(lián)合發(fā)展的、融合了地面和衛(wèi)星觀測數(shù)據(jù)的全球陸面數(shù)據(jù)模擬系統(tǒng)，提供了多種優(yōu)化的、近實時的地表狀態(tài)變量數(shù)據(jù)[15]。目前，GLDAS驅(qū)動Noah等4種陸面模式，包括 GLDAS-1和 GLDAS-2 2個版本，空間分辨率為0.25°×0.25°、1.0°×1.0°，時間分辨率為3 h和月份。GLDAS-2又可細分為GLDAS-2.0和GLDAS-2.1，前者采用普林斯頓大學的全球氣象數(shù)據(jù)作為強迫場，利用Noah 陸面模式模擬了一套從 1948 年到2010年的長序列陸面資料；后者基于強迫的數(shù)據(jù)集，聯(lián)合應用模型和觀測值，模擬了從2000 年至當前的陸面數(shù)據(jù)。與文獻[6-9]通過遙感方法獲取的蒸散量不同，GLDAS-2提供的蒸散量為Noah 陸面模式的模擬結果，不僅系列長，產(chǎn)品也很豐富，包括了蒸散量、潛在蒸散量、冠層水蒸發(fā)量、散發(fā)量、裸土直接蒸發(fā)量等。考慮到GLDAS-2的時空分辨率和數(shù)據(jù)量以及單機計算水平，文中采用GLDAS-2.0版本0.25°×0.25°分辨率的月份蒸散量數(shù)據(jù)。

2.2 基于蒸散量的GSAC模型率定指標

以網(wǎng)格為計算單元的GSAC模型能夠模擬較高時空分辨率的蒸散量，且可以通過程序?qū)⑵淠M的蒸散量轉(zhuǎn)換為其他時空分辨率數(shù)據(jù)，便于與GLDAS蒸散量的時空分辨率相對應，為利用GLDAS蒸散量率定GSAC模型提供了很多便利。由于采用的GLDAS蒸散量在時間方面較離散(僅為月值)，但在空間分布方面數(shù)據(jù)量較大，因此，本文采取“空間換時間”的方法，即根據(jù)各網(wǎng)格的地理坐標，將GSAC模型模擬的小網(wǎng)格逐日蒸散量轉(zhuǎn)換為0.25°網(wǎng)格的月份值，并參照納什效率系數(shù)(NS)的定義，構建了一個關于蒸散量的模型率定指標NSET，以評價GSAC模型模擬的蒸散量對GLDAS 蒸散量的擬合效果，為

(8)

式中NSET——評價蒸散量模擬效果的納什效率系數(shù)

m——流域?qū)?.25°網(wǎng)格數(shù)目

n——0.25°網(wǎng)格蒸散量系列長度(月份數(shù))

ETGLDAS——GLDAS的0.25°網(wǎng)格月份蒸散量系列，mm

ETGSAC——GSAC模型模擬的0.25°網(wǎng)格月份蒸散量系列，mm

GSAC模型參數(shù)主要包括：12個產(chǎn)流參數(shù)校正系數(shù)[16]、截留系數(shù)Cint、劃分雨雪的溫度閾值Tsr、度日因子Mf、基礎溫度Tb、馬斯京根法蓄量常數(shù)Kmus、馬斯京根法流量比重因子Xmus等，這些參數(shù)均可以通過率定模型的方法識別，同時部分參數(shù)也可以依據(jù)文獻取值(如：Cint=0.2 mm[17]、Tb=0℃[18])，或通過試驗測定(如：Tsr、Mf)，或依據(jù)河道水力學特性推求(如：Kmus、Xmus)。本文中Cint和Tb取文獻值，其他參數(shù)利用GLDAS蒸散量率定GSAC模型識別。自由搜索是一種源于動物群體遷移行為的智能優(yōu)化算法[19]，在率定SAC模型時取得了良好效果[20]，因此，以式(8)為優(yōu)化目標函數(shù)，引入自由搜索算法率定GSAC模型，模擬精度為

(9)

式中NSQ——評價流量模擬效果的納什效率系數(shù)

L——日流量系列長度(日數(shù))

Qobs——實測日流量系列，m3/s

Qsim——模擬日流量系列，m3/s

3 實例應用

對于地處缺資料地區(qū)的流域而言，除缺失流量數(shù)據(jù)外，當前覆蓋全球或地區(qū)的各種數(shù)據(jù)集能為這些流域提供較充足的氣象、地形、土壤、土地覆被等基礎資料。當具備降水、氣溫、地形、土壤、土地覆被、歸一化植被指數(shù)(NDVI)、GLDAS等數(shù)據(jù)時，無論流域是否具備流量數(shù)據(jù)，采用前文所述方法即可利用GLDAS蒸散量率定GSAC模型，進而模擬流域出口斷面的流量過程。然而，為驗證本文方法的可行性以及利用GLDAS蒸散量率定的GSAC模型對流量的模擬效果，則需選擇一個具備流量資料的實證流域。因此，選取呼蘭河蘭西站以上的集水區(qū)作為研究流域(以下簡稱呼蘭河流域)，該流域概況見文獻[16]。

3.1 數(shù)據(jù)來源

日降水量和日流量數(shù)據(jù)來自中國水文年鑒，降水量插值采用泰森多邊形法，日流量資料僅作為模擬流量的檢驗數(shù)據(jù)；日氣象數(shù)據(jù)包括水汽壓、日照時數(shù)、最高氣溫、最低氣溫、平均氣溫及風速等，主要用于計算潛在蒸散量和劃分雨雪過程，來自鐵力、綏化、海倫、明水4個氣象站，數(shù)據(jù)下載于中國氣象數(shù)據(jù)網(wǎng)(http:∥data.cma.cn)，采用泰森多邊形法將氣象站數(shù)據(jù)插值到流域內(nèi)各網(wǎng)格，應用Shuttleworth-Wallace公式計算潛在蒸散量；DEM采用美國地質(zhì)調(diào)查局的30″分辨率數(shù)據(jù)；土地覆被采用國際地圈生物圈計劃的30″分辨率數(shù)據(jù)，主要用于識別各網(wǎng)格的土地覆被類型；NDVI采用NOAA-AVHRR的8km分辨率數(shù)據(jù)，用于計算各種覆被的葉面積指數(shù)；土壤屬性數(shù)據(jù)采用世界和諧土壤數(shù)據(jù)庫，來自寒區(qū)旱區(qū)科學數(shù)據(jù)中心(http:∥westdc.westgis.ac.cn)，空間分辨率為30″，用于估計不同土層的土壤水分常數(shù)；GLDAS蒸散量下載自http:∥hydro1.gesdisc.eosdis.nasa.gov/data/GLDAS/。

為提高運算速度，將GSAC模型計算網(wǎng)格設為60″×60″，即在空間范圍上，1個0.25°網(wǎng)格對應225個(15行×15列)60″網(wǎng)格。當需要將GSAC模型模擬的60″網(wǎng)格蒸散量轉(zhuǎn)換為0.25°網(wǎng)格數(shù)值時：對于流域周邊的0.25°網(wǎng)格，如果其對應的流域內(nèi)60″網(wǎng)格數(shù)目不足225個，則轉(zhuǎn)換后的0.25°網(wǎng)格蒸散量為其內(nèi)部實際60″網(wǎng)格數(shù)據(jù)的平均值；對于流域內(nèi)部的0.25°網(wǎng)格，轉(zhuǎn)換后的0.25°網(wǎng)格蒸散量為225個60″網(wǎng)格數(shù)據(jù)的平均值。經(jīng)過提取后，呼蘭河流域包含11 968個60″網(wǎng)格，對應55個0.25°網(wǎng)格，如圖1所示。

圖1 呼蘭河流域地理位置及其與不同分辨率網(wǎng)格的對應情況Fig.1 Position of Hulan River Basin and its different resolution grids

3.2 GLDAS蒸散量適用性評價

由于很難獲取流域尺度的多點長期實測蒸散量資料，為評價GLDAS 蒸散量在呼蘭河流域的適用性，首先采用文獻[16]中利用流量率定的參數(shù)驅(qū)動GSAC模型，模擬了該流域1982—2000年的60″網(wǎng)格逐日蒸散量。經(jīng)統(tǒng)計，在1982—2000年間，呼蘭河流域?qū)崪y降水量、流量與GSAC模型模擬的蒸散量多年平均值分別為588.5、124.4、470.7 mm，三者基本遵循流域尺度的多年平均水量平衡方程，其差值為土壤蓄水量的變化量。因此，可以認為GSAC模型模擬的蒸散量能夠代表呼蘭河流域蒸散量的實際變化過程。

將GSAC模型模擬的1982—2000年蒸散量轉(zhuǎn)化為全流域平均的逐月系列后，與同期的GLDAS 蒸散量(全流域0.25°網(wǎng)格的數(shù)據(jù)平均值)系列對比情況如圖2所示。

圖2 GSAC模型模擬的月蒸散量與GLDAS月蒸散量對比Fig.2 Comparison of month ET of GLDAS and simulation results from GSAC model

由圖2可見，GLDAS 蒸散量與GSAC模型模擬蒸散量的總體符合情況較好，經(jīng)計算二者相關系數(shù)達0.962 2，可見，在呼蘭河流域，采用GLDAS蒸散量代替實際蒸散量是可行的。由于GLDAS提供的蒸散量與呼蘭河流域的蒸散量變化過程較一致，因此，本文直接將GLDAS蒸散量作為模型輸入數(shù)據(jù)，利用其與GSAC模型模擬蒸散量的對應關系率定GSAC模型。需要說明的是，當需評價GLDAS在缺資料地區(qū)的適用性時，可在該地區(qū)之外的資料相對豐富地區(qū)對GLDAS進行檢驗和修正，再將檢驗和修正后的GLDAS制成覆蓋缺資料地區(qū)的數(shù)據(jù)集，從而將GLDAS應用到缺資料地區(qū)。

3.3 參數(shù)敏感性分析與率定結果

為便于與文獻[16]中利用流量率定模型的研究結果相比較，以1991—2000年的10 a為研究時段，前5年為率定期，后5年為檢驗期，以式(8)為優(yōu)化目標函數(shù)，通過尋求NSET的最大值率定GSAC模型。設定自由搜索算法群體數(shù)量為10、探查步數(shù)為4、迭代100次，記錄算法迭代過程中所有動物每步探查的位置(GSAC模型參數(shù))及適應值(NSET)作為分析參數(shù)敏感性的樣本數(shù)據(jù)，并取算法的最好尋優(yōu)結果作為參數(shù)取值，結果如表1所示。

由表1可見，在呼蘭河流域，當利用GLDAS蒸散量率定GSAC模型時，各參數(shù)的敏感性與文獻[16]相似，較敏感參數(shù)仍是校正上層厚度的3個地區(qū)經(jīng)驗系數(shù)和上層張力水容量校正系數(shù)；不同的是下層自由水容量校正系數(shù)也較敏感，不很敏感的是上層自由水出流系數(shù)、下層張力水容量校正系數(shù)，最不敏感的是下滲曲線指數(shù)校正系數(shù)。綜合分析文獻[16]和本文結果可見，上層厚度校正系數(shù)的敏感性較大表明不同流域間不宜直接移用這3個經(jīng)驗系數(shù)，而改變下滲曲線指數(shù)值則對下滲曲線形狀的影響不大。

表1 利用GLDAS蒸散量率定的GSAC模型參數(shù)及其敏感性Tab.1 Sensitivity and optimal values of parameters for GSAC model calibrated by ET from GLDAS

圖3 GSAC模型模擬的各種蒸散量逐日變化過程Fig.3 Evapotranspiration simulated by GSAC model calibrated wih ET from GLDAS

3.4 利用蒸散量率定的GSAC模型模擬效果分析

采用表1參數(shù)驅(qū)動的GSAC模型模擬的呼蘭河流域蒸散量與蘭西站流量如圖3～6所示，其中：圖3是對冠層截留蒸發(fā)量、積雪蒸發(fā)量、上層張力水蒸發(fā)量、下層張力水蒸發(fā)量及總蒸散量的模擬結果，每種蒸散量的逐日數(shù)據(jù)為全流域60″分辨率網(wǎng)格數(shù)據(jù)的平均值；圖4為將GSAC模型模擬的1991—2000年逐日60″分辨率蒸散量轉(zhuǎn)換為0.25°分辨率逐月值后，與GLDAS 蒸散量系列的對比情況；圖5為以1996年8月為例，模擬的60″與0.25°分辨率蒸散量(后者由前者轉(zhuǎn)換而成)以及提取的GLDAS蒸散量；圖6為模擬與實測的逐日流量對比情況，模擬精度如表2所示。

由圖3可見，利用GLDAS蒸散量率定的GSAC模型能夠模擬各網(wǎng)格的多種蒸散量逐日變化過程。經(jīng)統(tǒng)計，在1991—2000年期間，上層張力水蒸發(fā)量、截留蒸發(fā)量、積雪蒸發(fā)量、下層張力水蒸發(fā)量分別占總蒸散量的86.69%、6.11%、4.65%、2.55%；截留蒸發(fā)量、積雪蒸發(fā)量與下層張力水蒸發(fā)量的數(shù)量相當且數(shù)值較??；上層張力水蒸發(fā)量為總蒸散量的主體，二者變化趨勢十分接近；積雪蒸發(fā)量和下層張力水蒸發(fā)量均存在不連續(xù)現(xiàn)象，且積雪蒸發(fā)量具有季節(jié)性變化規(guī)律，與呼蘭河流域的降雪、融雪期相一致。

圖4 GSAC模型模擬的月蒸散量與GLDAS月蒸散量對比圖Fig.4 Comparison of month ET of GLDAS and simulation results from GSAC model calibrated wih ET from GLDAS

圖5 GSAC模型模擬的蒸散量與GLDAS蒸散量的空間分布對比圖Fig.5 Spatial distribution comparisons of month ET of GLDAS and simulation results from GSAC model calibrated wih ET from GLDAS

圖6 利用GLDAS蒸散量率定的GSAC模型模擬的蘭西站日流量過程Fig.6 Runoff simulation results of GSAC model at Lanxi station calibrated wih ET from GLDAS

參數(shù)1991年1992年1993年1994年1995年1996年1997年1998年1999年2000年NSET49.8449.2350.1050.0548.4148.6949.3148.8947.3544.70NSQ0.880.780.800.840.750.650.850.880.750.73NSQ[16]0.880.780.820.900.670.810.910.900.750.76

圖4表明，利用GLDAS蒸散量率定的GSAC模型模擬的蒸散量系列總體上與GLDAS蒸散量系列符合較好，經(jīng)計算二者相關系數(shù)在率定期為0.967 7，檢驗期為0.954 6，平均為0.961 2，高于文獻[6-9]中的各種模擬指標與實測(或遙感)指標間的相關系數(shù)。經(jīng)統(tǒng)計，在1991—2000年間，實測的多年平均降水量和徑流量分別為578.2、114.4 mm，GSAC模型模擬多年平均蒸散量為472.0 mm，GLDAS蒸散量多年平均值為480.2 mm，可見，GSAC模型模擬蒸散量、GLDAS蒸散量均與實測降水量與徑流量之差463.8 mm接近。

由圖5a可以看出，利用GLDAS蒸散量率定的GSAC模型模擬的蒸散量在空間分布更加細膩，當合并為0.25°分辨率的較大網(wǎng)格數(shù)值后，與GLDAS蒸散量空間分布規(guī)律相近，上游山區(qū)數(shù)值偏小，下游平原區(qū)數(shù)值較大；在數(shù)值大小和空間分布兩方面，模擬的各網(wǎng)格蒸散量與提取的各網(wǎng)格GLDAS蒸散量較接近，這是本文利用GLDAS蒸散量能夠較好率定GSAC模型的主要原因，即在率定模型過程中，參數(shù)的取值力圖使得率定期的各月份中，每個0.25°網(wǎng)格內(nèi)的兩種蒸散量盡量接近。

結合式(8)和表2可以看出，利用GLDAS蒸散量率定的GSAC模型模擬的蒸散量與GLDAS蒸散量擬合良好，經(jīng)統(tǒng)計，在55個0.25°的網(wǎng)格尺度內(nèi)，單個網(wǎng)格的NSET在率定期平均為0.88～0.91，驗證期平均為0.81～0.90。結合圖6和表2還可以看出，GSAC模型模擬的流量與實測流量符合情況較好，能再現(xiàn)呼蘭河流域的實測日流量過程，在率定期與驗證期的NSQ平均值分別為0.81和 0.77；除1996年模擬精度稍低外，其他年份均達到了乙精度等級，且1991年、1997年、1998年均達到了甲精度等級。文獻[16]利用流量率定模型時，率定期與驗證期的NSQ平均值分別為0.81和0.83，驗證期的NSQ高于本文，但本文的流量模擬結果是在利用蒸散量率定模型后取得的，對流量的模擬精度稍低也是可以接受的。與文獻[6-9]相比，GSAC模型模擬的蒸散量與GLDAS蒸散量之間，以及GSAC模型模擬流量與實測流量間的NS均更高。 綜上可見，本文與文獻[16]的模擬結果相近，進一步表明了利用GLDAS蒸散量率定 GSAC模型的可行性。

4 結論

(1)以網(wǎng)格為計算單元的GSAC模型能夠很好地與降水、地形、土地覆被、NDVI、土壤屬性等各種網(wǎng)格數(shù)據(jù)集融合，模型模擬的蒸散量可以通過程序轉(zhuǎn)換為0.25°分辨率的月份值，從而與GLDAS提供的蒸散量在時空分辨率方面相對應，給利用GLDAS蒸散量率定水文模型帶來了很多便利，為缺流量資料流域的水文過程模擬提供了一個結構簡單、參數(shù)較少、利用多源數(shù)據(jù)集即可驅(qū)動和率定的模型工具。

(2)呼蘭河流域應用結果表明，利用GLDAS蒸散量率定GSAC模型的方法是可行的，所模擬的蒸散量在數(shù)值大小和空間分布方面均與GLDAS蒸散量接近；在率定期與驗證期的流量系列模擬中，納什效率系數(shù)分別為0.81和0.77，與利用流量數(shù)據(jù)率定的GSAC模型模擬結果接近，為缺流量資料流域的水文模型率定提供了一種可行方法。

(3)在缺流量資料情況下，GLDAS蒸散量是率定GSAC模型的一種有效數(shù)據(jù)，除蒸散量數(shù)據(jù)外，GLDAS還提供了徑流、土壤水分等近30種網(wǎng)格化的指標數(shù)據(jù)，在經(jīng)過檢驗修正后，部分指標數(shù)據(jù)均可作為率定水文模型(或其部分模塊)參數(shù)的基礎數(shù)據(jù)。

1 談戈, 夏軍, 李新. 無資料地區(qū)水文預報研究的方法與出路[J]. 冰川凍土, 2004, 26(2): 192-196.

TAN Ge, XIA Jun, LI Xin. Hydrological prediction in ungauged basins[J]. Journal of Glaciology and Geocryology, 2004, 26(2): 192-196. (in Chinese)

2 劉蘇峽, 夏軍, 莫興國. 無資料流域水文預報(PUB計劃)研究進展[J]. 水利水電技術, 2005, 36(2): 9-12.

LIU Suxia, XIA Jun, MO Xingguo.Advances in predictions in ungauged basins [J]. Water Resources and Hydropower Engineering, 2005, 36(2): 9-12. (in Chinese)

3 李紅霞. 無徑流資料流域的水文預報研究[D]. 大連: 大連理工大學, 2009.

4 伊璇, 周豐, 周璟, 等. 區(qū)劃方法在無資料地區(qū)水文預報中的應用研究[J]. 水文, 2014, 34(4): 21-27.

YI Xuan, ZHOU Feng, ZHOU Jing, et al. Application of regionalization in hydrological forecasting for ungauged basins [J]. Journal of China Hydrology, 2014, 34(4): 21-27 . (in Chinese)

5 劉昌明, 白鵬, 王中根, 等. 稀缺資料流域水文計算若干研究：以青藏高原為例[J]. 水利學報, 2016, 47(3): 272-282.

LIU Changming, BAI Peng, WANG Zhonggen,et al. Study on prediction of ungaged basins: a case study on the Tibetan Plateau[J]. Journal of Hydraulic Engineering, 2016, 47(3): 272-282. (in Chinese)

6 IMMERZEEL W W, DROOGERS P. Calibration of a distributed hydrological model based on satellite evapotranspiration[J]. Journal of Hydrology, 2008, 349(3): 411-424.

7 潘登, 任理, 王英男. 漳衛(wèi)河平原農(nóng)業(yè)水資源高效利用的模擬研究Ⅰ. 參數(shù)率定和模擬驗證[J]. 中國農(nóng)業(yè)大學學報, 2011, 16(5): 13-19.

PAN Deng, REN Li, WANG Yingnan. Study on utilization of agricultural water resources with high efficiency in Zhangwei River plain I. parameter calibration and validation[J]. Journal of China Agricultural University, 2011, 16(5): 13-19. (in Chinese)

8 潘登, 任理. 分布式水文模型在徒駭馬頰河流域灌溉管理中的應用Ⅰ. 參數(shù)率定和模擬驗證[J]. 中國農(nóng)業(yè)科學, 2012, 45(3): 471-479.

PAN Deng, REN Li. Application of distributed hydrological model in irrigation management of Tuhai-Majia River basin I. parameter calibration and validation[J]. Scientia Agricultura Sinica, 2012, 45(3): 471-479. (in Chinese)

9 潘登, 任理, 劉鈺. 應用分布式水文模型優(yōu)化黑龍港及運東平原農(nóng)田灌溉制度Ⅰ: 模型參數(shù)的率定驗證[J]. 水利學報, 2012, 43(6): 717-725.

PAN Deng, REN Li, LIU Yu. Application of distributed hydrological model for optimizing irrigation regime in Heilong-gang and Yundong plainⅠ. model calibration and validation[J]. Journal of Hydraulic Engineering, 2012, 43(6): 717-725. (in Chinese)

10 王斌, 王貴作, 黃金柏, 等. 柵格分布式水文模型在高寒區(qū)日流量模擬中的應用[J]. 水力發(fā)電學報, 2013, 32(6): 36-42.

WANG Bin, WANG Guizuo, HUANG Jinbai, et al. Distributed hydrological model based on grid and its application to daily runoff simulation for high-cold region[J]. Journal of Hydroelectric Engineering, 2013, 32(6): 36-42. (in Chinese)

11 戚穎. 三江平原典型流域土地覆被變化對水資源的影響研究[D]. 哈爾濱: 東北林業(yè)大學, 2015.

QI Ying.Research on the effects of land cover change of typical basin in Sanjiang plain[D]. Harbin: Northeast Forestry University, 2015. (in Chinese)

12 白雪峰, 王斌, 戚穎. 土地覆被變化對徑流量影響的GSAC模型分析[J/OL]. 農(nóng)業(yè)機械學報, 2017, 48(7): 257-264. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx? flag=1&file_no=20170732&journal_id=jcsam. DOI:10.6041/j.issn.1000-1298.2017.07.032.

BAI Xuefeng, WANG Bin,QI Ying. Impacts of land cover change on runoff based on grid-based Sacramento model[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(7): 257-264. (in Chinese)

13 HARGREAVES G H, SAMANI Z A. Reference crop evapotranspiration from temperature[J]. Applied Engineering in Agriculture, 1985, 1(2): 96-99.

14 ZHOU M, ISHIDAIRA H, HAPUARACHCHI H P, et al. Estimating potential evapotranspiration using Shuttleworth-Wallace model and NOAA-AVHRR NDVI data to feed a distributed hydrological model over the Mekong River basin[J]. Journal of Hydrology, 2006, 327: 151-173.

15 RODELL M, HOUSER P R, JAMBOR U E A, et al. The global land data assimilation system[J]. Bulletin of the American Meteorological Society, 2004, 85(3): 381-394.

16 王斌, 丁星臣, 黃金柏, 等. 基于HWSD的GSAC模型網(wǎng)格化產(chǎn)流參數(shù)估計與校正[J/OL]. 農(nóng)業(yè)機械學報, 2017, 48(9): 250-256, 249.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170931&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2017.09.031.

WANG Bin, DING Xingchen, HUANG Jinbai, et al. Grid runoff parameters estimation and adjustment of GSAC model based on HWSD[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(9): 250-256, 249. (in Chinese)

17 MO Xingguo, LIU Suxia, LIN Zhonghui, et al. Simulating temporal and spatial variation of evapotranspiration over the Lushi basin[J]. Journal of Hydrology, 2004，285:125-142.

18 BORMANN K J, EVANS J P, MCCABE M F. Constraining snowmelt in a temperature-index model using simulated snow densities[J]. Journal of Hydrology, 2014，517:652-667.

19 PENEV K, LITTLEFAIR G. Free search—a comparative analysis[J]. Information Sciences, 2005, 172(1-2): 173-193.

20 王斌, 黃金柏, 宮興龍, 等. Free Search算法率定的Sacramento模型在東北寒旱區(qū)的應用[J/OL]. 農(nóng)業(yè)機械學報, 2016, 47(6): 171-177. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160622&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2016.06.022.

WANG Bin, HUANG Jinbai, GONG Xinglong, et al. Application of Sacramento model calibrated by Free Search algorithm in cold and arid region of Northeast China [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(6): 171-177. (in Chinese)