李景，馬天嘯，陸妍如，宋現(xiàn)鋒,2,3?，李潤奎,2，劉軍志，段崢

(1 中國科學院大學資源與環(huán)境學院，北京 100049；2 中國科學院地理科學與資源研究所 資源與環(huán)境信息系統(tǒng)國家重點實驗室，北京 100101；3 中國科學院空天信息創(chuàng)新研究院 中國科學院定量遙感信息技術(shù)重點實驗室，北京 100094；4 南京師范大學虛擬地理環(huán)境教育部重點實驗室，南京 210023；5 隆德大學自然地理與生態(tài)系統(tǒng)科學學院, 隆德 22362，瑞典) ( 2019年12月16日收稿； 2020年3月19日收修改稿)

水資源對于維持生態(tài)平衡與社會經(jīng)濟發(fā)展起著不可替代的作用。為加強水資源的綜合管理，研究各尺度流域的水文循環(huán)過程成為一項基礎(chǔ)工作[1]。如今，SWAT(soil and water assessment tool)模型被廣泛應用于不同流域的水文模擬中，應用范圍涉及諸多方面，如徑流模擬[2]、非點源污染[3]、模型輸入?yún)?shù)和氣候變化的水文效應[4]以及模型的參數(shù)率定與不確定性分析等[5]。其中，模型參數(shù)的不確定性導致模型結(jié)果的準確性受到質(zhì)疑，因而如何提高水文模型的預測精度與準確性成為水文領(lǐng)域關(guān)注的一大問題[6]。利用實測數(shù)據(jù)率定模型參數(shù)、降低模型不確定性，是水文模型建模的主要手段。同時，選擇的目標變量及參數(shù)組合對水文模型率定影響也很大[7-8]，尤其參數(shù)組合極易受模型“異參同效”現(xiàn)象的干擾[9]。所謂異參同效，是指模型率定過程中不同參數(shù)組合得到相近的模擬效果[10]。因此，如何科學減弱異參同效影響，降低模型不確定性，已經(jīng)成為提高SWAT模型率定質(zhì)量的關(guān)鍵問題。

目前，主要存在2類率定方法降低異參同效的影響：多站點率定和多目標率定。當前多項研究表明利用多個水文站點率定模型，可有效減小模型不確定性、提高徑流模擬結(jié)果[11-14]，但該方法極易受水文站數(shù)量限制和空間分布的影響[15-16]。此外，多站點率定對提高水文變量的模擬精度、降低水文過程相關(guān)參數(shù)不確定性的作用不明顯。因此，利用多站點觀測數(shù)據(jù)的傳統(tǒng)率定方式，依然會導致流域水文參數(shù)無法得到充分率定[17-18]。

另一類降低異參同效影響的方法是利用多個模型變量的多目標參數(shù)率定。由于SWAT模型將流域劃分為若干水文響應單元(hydrological response unit, HRU)進行模擬，系統(tǒng)內(nèi)部物理、水文生態(tài)過程緊密聯(lián)系、互相制約,參數(shù)之間存在相互補償作用[19]，這也是異參同效產(chǎn)生的根源。而多目標率定通過控制系統(tǒng)內(nèi)部各個子過程模型的精度來降低參數(shù)間的互補作用。已有研究驗證在徑流模擬中加入實測或估算的土壤濕度[20]、雪水當量[21-22]、蒸發(fā)量[23]等水文相關(guān)變量進行多目標率定，可大幅提高模擬精度、減弱異參同效影響。綜上所述，多目標率定與多站點率定相比，考慮多個子模塊，實現(xiàn)了對模型中多項變量的質(zhì)量控制，而多站點率定則將大流域分割為若干個子流域，在更小尺度范圍上實現(xiàn)水文過程建模。

由于野外實測數(shù)據(jù)受樣點布設(shè)數(shù)量、連續(xù)觀測時間長度以及同模型其他數(shù)據(jù)時間匹配性的限制，本文擬考慮植被葉面積指數(shù)(leaf area index, LAI)、作物產(chǎn)量等高可得性的開放數(shù)據(jù)對SWAT模型開展多目標率定研究。一方面，這類數(shù)據(jù)產(chǎn)品的采集時間連續(xù)、空間全覆蓋、質(zhì)量穩(wěn)定，且可以免費下載，這顯著提升了SWAT模型的實用價值；另一方面，植被是生態(tài)水文過程中溝通土壤、大氣和水分的重要一環(huán)[24-25]。SWAT植被模塊通過影響水文過程中間變量，如土壤含水量、入滲量等，對模型最終結(jié)果產(chǎn)生較大影響。因此，相比現(xiàn)有多目標率定研究中選擇的土壤濕度、蒸發(fā)量等變量，本文選擇影響這些變量的植被變量能從更深層次校準模型，對于提高整個水文過程的模擬準確度具有不可比擬的作用。

本文選擇植被模塊中的作物產(chǎn)量及LAI作為模型目標變量，采用MODIS LAI產(chǎn)品、作物產(chǎn)量年鑒數(shù)據(jù)和水文站點徑流觀測數(shù)據(jù)，開展SWAT多目標率定。通過比較模型的多目標與徑流單目標率定結(jié)果，分析多目標率定方法對降低模型異參同效影響的效果，探究植被模塊變量數(shù)據(jù)在提高水文模擬精度中的重要作用。

1 研究區(qū)與數(shù)據(jù)源

1.1 研究區(qū)概況

本文以江西省梅川江流域為研究區(qū)(圖1所示)，該流域位于贛江上游，經(jīng)緯度范圍為26°～27°8′N ，115°36′～116°38′E，集水面積6 366 km2，流域內(nèi)包含3個水文站(寧都、石城、汾坑)，是鄱陽湖的主要源頭之一。該地區(qū)為典型的山地丘陵地貌，土地利用類型以林地和耕地為主，土壤類型主要為紅壤，局部有黃壤、山地黃棕壤。地處亞熱帶濕潤氣候區(qū)，四季較為分明，降水豐沛，年平均溫度17 ℃，年降雨量1 706 mm，農(nóng)作物主要為稻米、一年兩熟。

圖1 梅川江流域示意圖Fig.1 Overview of Meichuan River basin

1.2 數(shù)據(jù)來源

本研究采用的數(shù)據(jù)包括：基礎(chǔ)地理數(shù)據(jù)、氣象數(shù)據(jù)、徑流數(shù)據(jù)、遙感影像數(shù)據(jù)和作物產(chǎn)量統(tǒng)計數(shù)據(jù)(見表1)。其中,基礎(chǔ)地理數(shù)據(jù)包括數(shù)字高程模型(digital elevation model，DEM)、土地利用、土壤類型、水文站點和行政邊界數(shù)據(jù)；徑流數(shù)據(jù)源自寧都站、石城站和汾坑站3個水文站。

表1 SWAT模型構(gòu)建及研究使用數(shù)據(jù)Table 1 Data used for SWAT model construction and research

2 研究方法

2.1 多目標率定

1)模型目標變量選擇

本文選擇SWAT模型植被模塊中的作物產(chǎn)量、LAI以及水文模塊中的徑流開展多目標模型參數(shù)率定。選擇原因如下：首先，SWAT模型利用單一的植物生長模型模擬所有類型的植被覆蓋，模型中LAI基于平均的植物密度進行估算，難以表達亞熱帶濕潤地區(qū)空間變化密度、多林種混交的森林植被狀態(tài)[26]。比較之下，遙感獲取的LAI更能表征流域植被的真實狀態(tài)。另外，SWAT模型主要基于歐美國家粗放型的農(nóng)耕方式[27]，而本研究區(qū)農(nóng)業(yè)以水稻種植為主，水稻種植一年兩季，因此加入作物產(chǎn)量統(tǒng)計數(shù)據(jù)對模型中AGRL(agricultural land-generic)植被類型的模擬產(chǎn)量進行校正十分必要。

2)模型參數(shù)選擇

本文采用SWAT-CUP(SWAT-calibration and uncertainty programs)的Sufi-2算法對率定參數(shù)進行敏感性分析。首先，采用SWAT-CUP的Sufi-2算法對模型參數(shù)進行敏感性分析；然后，在模型預設(shè)的參數(shù)范圍內(nèi)利用拉丁超立方采樣獲取模型參數(shù)集；最后，根據(jù)目標變量模擬值和觀測值的評價指標值，計算出目標變量累計分布的2.5%和97.5%的分位點(95% prediction uncertainty，95PPU)。

Sufi-2選用P-factor和R-factor量化模型的不確定性[28]。其中，P-factor為預測值95%置信區(qū)間內(nèi)監(jiān)測數(shù)據(jù)占總體樣本的比率，R-factor是95PPU上下限的平均距離與實測值的標準差的比值。根據(jù)Abbaspour等[29]推薦，徑流的P-factor大于0.7且R-factor小于1.5時模型參數(shù)值是比較合理的。本文中多目標率定每輪迭代200次，通過多輪迭代，多目標率定結(jié)果P-factor為0.91，R-factor為0.69，模擬參數(shù)處于理想的不確定性范圍內(nèi)。

3)多目標率定的評價指標

為衡量SWAT模型目標變量的預測精度，本文選擇納什效率系數(shù)(Nash-Sutcliffe efficiency coefficient，NSE)來評價模擬值和觀測值之間的差異程度。具體計算公式如下

(1)

為評價遙感LAI、作物產(chǎn)量、以及徑流數(shù)據(jù)在模型率定中起到的作用，本文對模型多目標評價函數(shù)做了調(diào)整，加權(quán)各單目標評價指標值，構(gòu)成多目標率定的綜合評價指標NSE′[30]，公式如下

(2)

其中:n和W是單目標評價指標的數(shù)量及其對應權(quán)重值；f、l、y分別代表徑流、LAI和作物產(chǎn)量；i、j、m分別表示水文站點、參與率定的LAI和作物產(chǎn)量所對應HRU的數(shù)量。因此，針對觀察值和模擬值計算出的NSE匯總為NSE′，并取其最大值以獲最優(yōu)結(jié)果。權(quán)重的分配是主觀的，它可能會影響SUFI-2進行優(yōu)化的結(jié)果。本文的權(quán)重設(shè)置為Wf+Wl+Wy=1，其中Wfi=Wf/nf(研究區(qū)水文站數(shù)量為3，即nf=3)，Wlj=Wl/nl，Wym=Wy/ny。經(jīng)多輪迭代測試，取NSE′為最大值的權(quán)重比例作為最佳權(quán)重配比。具體迭代實驗過程及最佳權(quán)重比值結(jié)果在文章后續(xù)討論中詳細闡述。

2.2 目標變量數(shù)據(jù)的尺度下推處理

1)葉面積指數(shù)

MODIS LAI產(chǎn)品數(shù)據(jù)的時空分辨率為8 d/500 m，空間分辨率過低，不適合監(jiān)測空間植被類型的詳細變化，且無法與HRU的分辨率(30 m)相匹配。因此，本文采用ESTARFM方法[31]，依土地覆被類別，對MODIS LAI數(shù)據(jù)進行空間降尺度，獲得更高分辨率的高質(zhì)量數(shù)據(jù)。ESTARFM方法認為通過利用權(quán)重考慮相鄰像素之間的光譜、時間和空間差異的情況下，不同的2個數(shù)據(jù)集之間的地物反射率是相同的。本文通過假設(shè)MODIS數(shù)據(jù)和Landsat數(shù)據(jù)的反射率相同，建立MODIS與Landsat反射率之間的線性回歸關(guān)系。關(guān)鍵步驟如下：

①土地覆蓋的無監(jiān)督分類。基于ISODATA方法，從Landsat圖像獲得土地覆蓋圖。

②建立MODIS-Landsat線性回歸模型。將MODIS反射率(MOD02)和LAI(MCD15)產(chǎn)品(500 m)重新采樣為30 m，建立不同土地覆被類型的MODIS與Landsat反射率之間的回歸模型。僅使用不受云影響的高質(zhì)量的MODIS像素建模。

③MODIS-Landsat線性回歸模型和ESTARFM算法相結(jié)合的LAI降尺度實現(xiàn)。假設(shè)不同分辨率上的LAI值之間亦遵循著MODIS-Landsat反射率之間的線性回歸關(guān)系，考慮像元同其鄰近像元空間相似性與光譜相似性等信息，基于同時期Landsat圖像將MODIS LAI產(chǎn)品重新生成30 m空間分辨率的LAI圖像[32]。

2)作物產(chǎn)量

作物產(chǎn)量統(tǒng)計年鑒是基于行政區(qū)單元的，為滿足SWAT模型HRU尺度的要求，本文利用作物產(chǎn)量與歸一化植被指數(shù)(normalized differential vegetation index, NDVI)的相關(guān)性，實現(xiàn)作物產(chǎn)量降尺度處理。即，將以行政區(qū)統(tǒng)計的產(chǎn)量按照作物產(chǎn)量與NDVI的線性回歸模型，分配到小尺度柵格上，再經(jīng)分區(qū)統(tǒng)計到各HRU上[33]?？紤]到各階段作物長勢對產(chǎn)量的影響，本研究采用生長期間(4月15日—11月15日)的MODIS NDVI數(shù)據(jù)，對作物產(chǎn)量進行尺度下推。作物產(chǎn)量降尺度關(guān)鍵步驟如下[34-35]：

①圖像預處理。首先，考慮到MODIS遙感影像受云層的影響因素，過濾去除云覆蓋導致的低NDVI值像素；然后，逐像素比較生長期內(nèi)的各NDVI影像，提取最大像元值并生成MVC(maximum value composition)圖像。②建立MVC-產(chǎn)量回歸函數(shù)。將MVC影像像素值聚合到縣級行政區(qū)單元，構(gòu)建作物產(chǎn)量與MVC數(shù)據(jù)的回歸模型，選擇通過顯著性檢驗且R2值最大的回歸函數(shù)。③利用上述回歸函數(shù)，根據(jù)每個像元的MVC值估算出各縣域像元產(chǎn)量值?？h級柵格估算產(chǎn)量和實際產(chǎn)量存在偏差，將此殘差按照各像元MVC值大小進行比例分配，實現(xiàn)縣域內(nèi)各像元值的平衡。④最后，將作物產(chǎn)量柵格數(shù)據(jù)和HRU數(shù)據(jù)做分區(qū)統(tǒng)計，獲得各HRU內(nèi)作物產(chǎn)量(crop yield，CYLD)。

2.3 模型構(gòu)建與驗證

根據(jù)DEM、土地利用和土壤類型，利用ArcSWAT將梅川江流域劃分為17個子流域，453個HRU。其中，將3個水文站點分別置于子流域出水口處，以方便統(tǒng)計產(chǎn)水量等水文過程變量。SWAT模型的參數(shù)率定主要分為2種情景模式，1)以徑流為評價變量的單目標率定，2)以徑流、作物產(chǎn)量及LAI為評價變量的多目標率定。根據(jù)收集的資料時段，選擇2001—2002年為模型預熱期，2003—2010年為率定期，2011—2014年為驗證期。

3 結(jié)果與討論

3.1 結(jié)果

基于上述預處理獲得的SWAT建模數(shù)據(jù)，對模型做敏感性分析，模型利用t-stat或p-value表示敏感性值的大小，t-stat的絕對值越大/p-value值越小，敏感性程度越高[28]。本文根據(jù)t-stat值選出8個敏感性較高的參數(shù)。采用SWAT-CUP對模型進行參數(shù)率定，結(jié)合文獻[36-39]的參數(shù)推薦值，縮小參數(shù)取值范圍，確定表2所示的取值區(qū)間，以及單目標和多目標率定的參數(shù)最優(yōu)取值。

表2 率定敏感性分析及率定調(diào)整結(jié)果Table 2 Sensitive analysis and adjustment in calibration

3.1.1 模型評價

針對實驗設(shè)計的2種情景模擬方式，采用SWAT-CUP進行率定，分別迭代200次，取其最優(yōu)結(jié)果比較分析(圖2)。結(jié)果表明：多目標率定較之單目標率定在率定期、驗證期上，其月徑流模擬都更加接近實測徑流曲線，尤其在峰值點處。

圖2 2種情景的徑流最優(yōu)模擬結(jié)果對比圖Fig.2 Comparison of optimal streamflow simulation results under the two scenarios

統(tǒng)計2種模擬情景下的徑流評價指標結(jié)果(表3)，多目標率定中各變量的評價指標相比單目標率定結(jié)果均有所提高，綜合評價指標也相應提高，率定期的NSE′從0.81提高至0.86。統(tǒng)計2種情景在3個水文站點上的徑流評價指標(表4)，各水文站多目標率定的徑流模擬結(jié)果比單目標徑流模擬結(jié)果亦均有所提高。其中，汾坑站作為整個流域總出水口，其模擬結(jié)果提高最為明顯，NSE從0.87提高至0.94。表3、表4中驗證期評價指標相比率定期均有所降低，原因是SWAT分布式模型中大量數(shù)據(jù)和參數(shù)導致模型的泛化能力下降[40]，使得驗證期的模擬效果低于率定期，但其整體趨勢與率定期一致。

表3 2種情景下各變量及綜合評價結(jié)果Table 3 Single variable and comprehensiveevaluations under the two scenarios

表4 2種情景下各水文站的徑流評價結(jié)果Table 4 Streamflow evaluation result at variousgauging stations under the two scenarios

3.1.2 模型參數(shù)及變量的空間差異性

在3個水文站點上，多目標模型模擬情景較之單目標模型，其徑流模擬值和觀測值的相似程度更佳。進一步對2種模擬情景所輸出的蒸發(fā)量(evapotranspiration，ET)、產(chǎn)水量(water yield, WYLD)等時序數(shù)據(jù)做累積分析(圖3)，檢驗2種情景在水文相關(guān)變量上的表現(xiàn)。結(jié)果顯示，多目標比單目標模型的累計蒸發(fā)量減少、累計產(chǎn)水量增加。說明單目標模型相比多目標模型高估了研究區(qū)的蒸發(fā)量，低估了流域地表產(chǎn)流量。

圖3 2種情景下蒸發(fā)量和產(chǎn)水量月累計值(率定期)Fig.3 Monthly cumulative value of ET and WYLDunder the two scenarios (calibration period)

為評估2種模擬情景在模型率定參數(shù)、模型變量之間的空間差異程度，本文選擇模型參數(shù)(CN2)和模型變量(ET、WYLD)。CN2在敏感性測試中最為敏感，也是率定參數(shù)中與植被相關(guān)的參數(shù)之一，它主要受土地利用、土壤類型、土壤前期濕度、管理措施等因素的綜合影響[41-42]。另外，蒸發(fā)量占陸地降雨量的60%～70%，使得該模型變量對產(chǎn)水量產(chǎn)生至關(guān)重要的影響。

以農(nóng)田和森林為例，在HRU水平上，以情景2中多目標率定結(jié)果參數(shù)值、模型變量值減去情景1中單目標率定結(jié)果對應的相應參數(shù)或變量值，獲得上述參數(shù)與變量的空間差異圖。如圖4所示，多目標模型CN2參數(shù)值在各HRU單元上比單目標模型均明顯增大，同時模型變量的模擬結(jié)果亦有較大的變化，即：ET降低、WYLD增大，尤其是農(nóng)田區(qū)域更加顯著。多目標模型率定過程中加入的植被LAI、作物產(chǎn)量模型校正數(shù)據(jù)對SWAT模型產(chǎn)生了積極作用。多目標率定較之單目標率定影響到SCS徑流曲線系數(shù)CN2值，提高的CN2值表示較低的植被覆蓋度，對應的ET值會系統(tǒng)性降低、WYLD則隨之提高。這也充分說明了植被生長過程對于水文模擬的重要作用。

圖4 2種土地利用類別下不同模型情景模擬結(jié)果的空間差異性(多目標-單目標)Fig.4 Spatial simulation differences for the two scenarios under two land uses

3.2 討論

3.2.1 降低異參同效影響

理論上，SWAT模型在一個特定流域中，其參數(shù)集在每個HRU上都具有唯一的參數(shù)組合數(shù)值解。實際上，模型參數(shù)之間的補償作用使得模型存在異參同效現(xiàn)象，即用同一組觀測數(shù)據(jù)對SWAT做多次模型率定，建模結(jié)果在水文站點上的徑流納什系數(shù)值接近，表明二者在整個流域的輸出值亦彼此接近。但是，此時檢驗同一HRU上同一組參數(shù)在不同率定結(jié)果之間參數(shù)值的差異，或者檢驗同一組模型變量(如ET、WYLD)在同一HRU上的數(shù)值差異，這些參數(shù)值變化差異很大。統(tǒng)計這些差異值，可以反映該模型受異參同效影響的嚴重程度。

采用SWAT-CUP對情景1和情景2分別進行2次模擬實驗，再從每種情景中挑出2個率定結(jié)果，2種情景共4個結(jié)果。挑選標準是4個結(jié)果的徑流納什系數(shù)相同或接近(這里取值0.86，為單目標率定時最高值)。分別對情景1和情景2的2次率定結(jié)果在HRU水平上同一參數(shù)的數(shù)值差(絕對值)做均值、方差等數(shù)值統(tǒng)計(表5)，并對同一模型變量(WYLD、CYLD與LAI)的輸出數(shù)值差做統(tǒng)計直方圖(圖5)。對比發(fā)現(xiàn)，相對變化方式的率定參數(shù)數(shù)值存在空間差異，且多目標率定實驗中的統(tǒng)計數(shù)值差都低于單目標率定實驗結(jié)果的對應值，方差規(guī)律尤其明顯。

圖5 2種模擬情景下同樣評價指標的模型變量變化分布Fig.5 Histogram of the changes on model variables under two scenarios by the same evaluation index

表5 2種模擬情景下率定參數(shù)差異Table 5 Calibrated parameter differencesunder the two scenarios

此外，模型變量的差值結(jié)果表明，單目標率定實驗的直方圖呈扁平形狀、值差分布范圍大，而多目標率定實驗的直方圖呈細高形狀，值差分布范圍窄。這說明雖然在整個流域統(tǒng)計水平上，2種情景下WYLD、CYLD與LAI的預測精度都很高且彼此接近，但是在空間分布細節(jié)上，由于采用了LAI和CYLD等HRU水平上的率定數(shù)據(jù)，多目標率定方式使得SWAT模型參數(shù)和變量的數(shù)值在率定結(jié)果中比較穩(wěn)定，大幅降低了異參同效現(xiàn)象，提高了建模精度。

3.2.2 多目標率定中的權(quán)重影響

綜合評價指標NSE′中SWAT模型的各目標變量評價指標的權(quán)重值直接影響著建模效果。為了探討本文建模用的水文相關(guān)變量徑流及植被模塊目標變量即LAI、CYLD所起到的作用，以情景2為基礎(chǔ)，設(shè)計如下迭代測試實驗。首先將植被模塊中LAI權(quán)重(Wl)和作物產(chǎn)量權(quán)重(Wy)合并為植被權(quán)重(Wv)，并保證植被權(quán)重(Wv)和徑流權(quán)重(Wq)之和為1；然后，以0.025作為權(quán)重值變化的步長，逐步調(diào)整徑流權(quán)重(Wq)和植被權(quán)重(Wv)的比例變化，并調(diào)試相應的SWAT-CUP模型獲得最佳率定結(jié)果及綜合評價指標值，分別計算在該結(jié)果下徑流、植被的評價指標值(圖6)。

參考公式(2)，徑流與植被的權(quán)重關(guān)系具體如下

(3)

(4)

式中:Wq和Wv分別表示徑流和植被的權(quán)重，Wq+Wv=1；Wl和Wy分別表示植被模塊中LAI和作物產(chǎn)量的權(quán)重，Wl+Wy=1。

此時徑流評價指標(NSEq)、植被評價指標(NSEv)及綜合評價指標(NSE′)計算公式分別為

(5)

(6)

NSE′=Wq×NSEq+Wv×NSEv.

(7)

圖6顯示在情景模式2中，徑流和植被分別取不同權(quán)重時得出的最優(yōu)率定結(jié)果的綜合評價指標與其中徑流、植被的評價指標變化趨勢。結(jié)果表明，當植被權(quán)重位于0.4～0.65之間時，徑流、植被及綜合評價指標顯示的精度結(jié)果均比較穩(wěn)定；當Wq=0.45、Wv=0.55時，獲得的徑流納什系數(shù)和植被納什系數(shù)均達到最高值，因此在本地區(qū)采用Wq=0.45、Wv=0.55作為用于多目標模型的綜合評價系數(shù)的推薦權(quán)重組合；Wq=0、Wv=1和Wq=1、Wv=0為2種特殊情景，分別代表僅采用徑流數(shù)據(jù)或植被數(shù)據(jù)的率定結(jié)果。結(jié)果表明，僅使用植被LAI等數(shù)據(jù)率定模型，模型徑流的模擬值和實測值亦非常接近，其徑流納什系數(shù)可達0.86。說明采用高可得性的免費數(shù)據(jù)源可以顯著提高SWAT模型的建模精度，尤其可以提高SWAT模型在水文站點稀疏區(qū)域的適用性。

圖6 不同徑流、植被權(quán)重下綜合納什系數(shù)與徑流、植被納什系數(shù)的變化Fig.6 Changes of comprehensive NSE, streamflow and vegetation NSEs with various weights

4 結(jié)論

本文利用MODIS LAI時間序列產(chǎn)品、農(nóng)作物產(chǎn)量統(tǒng)計年鑒等植被數(shù)據(jù)實現(xiàn)對SWAT模型的多目標率定，同僅采用水文站點徑流數(shù)據(jù)的率定方法相比，不僅實現(xiàn)了對SWAT模型植被模塊及其相關(guān)聯(lián)模塊變量的質(zhì)量控制，而且在反映空間細節(jié)的HRU水平上對模型變量實現(xiàn)了控制。在江西省梅川江流域的實驗中，主要發(fā)現(xiàn)與結(jié)論如下：1)多目標率定模型的徑流模擬精度比單目標有明顯提高，其中，以流域出水口汾坑站最為顯著，徑流納什系數(shù)NSE從0.87提高至0.94；2)采用MODIS LAI時間序列數(shù)據(jù)和作物產(chǎn)量數(shù)據(jù)的多目標模型率定方式使得模型參數(shù)賦值更加合理，提高了蒸發(fā)量、產(chǎn)水量的估算質(zhì)量，較之單目標率定的參數(shù)值，大幅度降低了異參同效的影響；3)實驗表明，僅采用MODIS LAI等遙感數(shù)據(jù)集的情況下，SWAT模型亦能獲得較好的徑流模擬結(jié)果。

本研究得到中國科學院懷柔生態(tài)環(huán)境綜合觀測研究站的大力支持。此外，中國國家圖書館提供了贛州、吉安、撫州的作物產(chǎn)量統(tǒng)計年鑒數(shù)據(jù)。在此表示感謝。