王文娟，鄒志科，羅文兵，李超超*，李亞龍，余 蕾，黃紹哲

（1.寧夏大學土木與水利工程學院，銀川 750021；2.長江水利委員會長江科學院農(nóng)業(yè)水利研究所，武漢 430010；3.長江大學資源與環(huán)境學院，武漢 430100）

闡明水分循環(huán)及其轉(zhuǎn)化規(guī)律對灌區(qū)水資源管理具有重要意義。在流域尺度上，模型模擬法是再現(xiàn)水循環(huán)內(nèi)部過程最佳方法[1-2]。在眾多水文模型中，SWAT（Soil and water assessment tool）模型因較強物理性，考慮人為因素和地理特征的綜合影響，在灌區(qū)水循環(huán)方面已有諸多應用[3-5]。長江流域丘陵水稻灌區(qū)，地形特征明顯，溝渠塘堰等水體數(shù)量多，水分交換頻繁，具有典型長藤結(jié)瓜系統(tǒng)和多水源聯(lián)合灌溉特征，SWAT模型充分考慮農(nóng)業(yè)管理措施和稻田濕地特征，可模擬長江流域典型灌區(qū)水文過程。

在SWAT建模過程中，空間離散作為首要步驟，在最小計算單元劃分中發(fā)揮重要作用[6]?？臻g離散主要根據(jù)DEM（數(shù)字高程模型，Digital Elevation Model）劃分子流域，在此基礎(chǔ)上根據(jù)土地利用-土壤類型-坡度閾值組合生成最小計算單元[7-8]。目前關(guān)于空間離散不確定性多數(shù)針對子流域?qū)用妫?002年郝芳華團隊探討SWAT模型子流域合理劃分水平問題，認為模型模擬存在一定子流域劃分水平[9]；隨后陸志翔等、馬永明等采用適度指數(shù)法確定合適的子流域劃分[10-11]。目前針對HRU（水文響應單元，Hydrologic Research Unit）層面研究較少[12-13]，模型在流域上的HRU閾值劃分一般為0～30%[14-16]，無統(tǒng)一規(guī)定。有研究表明，相對土壤和坡度，土地利用類型對徑流影響更為顯著[17-18]。因土地利用數(shù)據(jù)獲取方式有限，高精度數(shù)據(jù)較難獲取，一般小流域模型模擬均采用10 m或10 m以下精度土地利用數(shù)據(jù)，鮮有針對不同精度，尤其是高于10 m精度的土地利用下HRU閾值劃分確定方法，及其對流域徑流模擬的影響研究。

本文以湖北漳河灌區(qū)楊樹垱流域為例，在相對合理子流域劃分前提下，利用5和10 m精度土地利用類型，設(shè)置6種土地利用劃分閾值，以模擬徑流可靠性為約束，分析土地利用精度對HRU劃分閾值及徑流模擬結(jié)果影響，探求不同土地利用精度下HRU劃分閾值，有利于提高模型運行精度和效率。

1 材料與方法

1.1 研究區(qū)域概況

漳河灌區(qū)位于北緯30°00′～31°42′、東經(jīng)111°28′～111°53′，灌區(qū)地域遼闊，東到漢江，西至沮河，南瀕長湖，北接宜城。地域跨荊門市、宜昌市和荊州市[19]。灌區(qū)地勢西北高、東南低，自西北向東南傾斜。灌區(qū)氣候類型屬亞熱帶大陸性氣候，灌區(qū)多年平均氣溫17℃，最高氣溫40.9℃，多年平均降雨量965 mm。本文選擇漳河灌區(qū)內(nèi)一個封閉小流域——楊樹垱流域，面積約為40 km2，主要土地利用類型為稻田及林草地等，其中稻田面積占比約60%[20]，區(qū)內(nèi)水田交錯分布，為長藤結(jié)瓜灌溉系統(tǒng)。內(nèi)部水體交換頻繁復雜，除出口處楊樹垱水庫外，流域內(nèi)還有一處小型水庫——紅鶴水庫，外部被三條水渠包圍，是典型小微灌區(qū)流域。楊樹垱流域主要種植水稻、棉花和油菜等作物，其中水稻以中稻為主，采用間歇灌溉模式[21]，具體見圖1。

圖1 研究區(qū)及子流域劃分Fig.1 Study area and sub-basin division

1.2 數(shù)據(jù)收集

SWAT模型輸入數(shù)據(jù)包括兩類，即屬性數(shù)據(jù)和空間數(shù)據(jù)。屬性數(shù)據(jù)包括氣象數(shù)據(jù)（2000～2007年、2016～2017年逐日降水、最高溫度、最低溫度、相對濕度、平均風速），來自荊門市團林試驗站內(nèi)氣象站；社會經(jīng)濟數(shù)據(jù)（各縣市區(qū)人口、農(nóng)業(yè)種植施肥量、畜禽養(yǎng)殖量、水產(chǎn)養(yǎng)殖產(chǎn)量等），來自漳河工程管理局；水文觀測數(shù)據(jù)（2000～2007、2016～2017年流量監(jiān)測數(shù)據(jù)，利用楊樹垱水庫出口處水位反推得到的徑流數(shù)據(jù)用于參數(shù)率定驗證），來自楊樹垱水庫管理處；空間數(shù)據(jù)包括數(shù)字高程（DEM）圖（12.5 m分辨率）、土地利用圖（5 m、10 m分辨率）、土壤類型圖（14.25 m分辨率），其中5 m精度的土地利用圖來自全國第三次普查，10 m精度的土地利用圖來自Esri公司哨兵影像數(shù)據(jù)（https://livingatlas.arcgis.com/landcover/），使用深度學習方法制作得到。

1.3 原理與方法

SWAT模型產(chǎn)流模擬采用SCS徑流曲線數(shù)法[22]。建模時，首先導入DEM，通過調(diào)試將子流域提取閾值設(shè)為2 km2，結(jié)合實際水系對劃分的子流域進行修正，添加楊樹垱水庫出口為流域出口，共得到10個子流域（見圖1）。當子流域中某一元素占比小于規(guī)定劃分閾值時，該類型將與超過該閾值其他類型合并，HRU數(shù)量越多，水文計算越復雜[23]。每個HRU作為計算地表徑流量最小單元，將同一子流域內(nèi)同一類型HRU計算結(jié)果求和得到子流域徑流過程。

1.4 評價指標

利用R（2式1）、NSE（式2）和RSR（式3）[24]評價徑流模擬結(jié)果，分析不同HRU劃分方案對徑流模擬的影響。其中R2為決定系數(shù)，表示實測數(shù)據(jù)和模擬數(shù)據(jù)趨勢的一致性。NSE為納什系數(shù)，用于衡量實測數(shù)據(jù)和模擬數(shù)據(jù)擬合程度。RSR為均方根差與標準差比值，用于將均方根誤差進行標準化，其在集成誤差索引統(tǒng)計優(yōu)點同時，還包括一個歸一化因子，適用于評估多變量模擬效果。RSR絕對值越小，RMSE越小，模型模擬效果越好[25]。有觀測值平均值；為所有模擬值平均值；n

式中，Qobs,i為觀測值；Qsim,i為模擬值；為所為觀測數(shù)據(jù)個數(shù)。通常情況下認為RSR小于0.7，R2和NSE分別大于0.6、0.5時模型模擬結(jié)果較為可靠[26]。

1.5 方案設(shè)計

為避免其他數(shù)據(jù)變化對模擬結(jié)果產(chǎn)生影響，除土地利用外，所有方案SWAT模型均采用相同數(shù)據(jù)輸入、一致子流域劃分，模型統(tǒng)一采用以土地利用閾值為0、坡度和土壤類型閾值均為10%方案為基準面進行率定得到的參數(shù)。

HRU劃分中土地利用類型閾值變化范圍為5%～30%，以5%為梯度設(shè)置方案（見表1），進行徑流模擬，與實測值進行對比，計算R2、NSE和RSR3個指標。分析不同土地利用類型精度對HRU閾值劃分以及模擬徑流結(jié)果的影響，綜合確定不同精度土地利用類型下研究區(qū)相對合理的HRU劃分閾值。

表1 方案設(shè)計Table 1 Scheme design

2 結(jié)果與分析

2.1 SWAT模型的適應性評價

將2000～2004年作為模型預熱階段，以坡度和土壤類型閾值為10%，土地利用閾值為0情景為基準，使用5 m精度土地利用數(shù)據(jù)開展模型模擬并進行徑流結(jié)果率定和驗證。選擇2005～2007年作為率定期，因2008～2015未實際觀測，本文選用2016～2017年作為驗證期，本文水文觀測數(shù)據(jù)僅用于率定驗證，不需連續(xù)長序列，所以無影響。率定參數(shù)取值見表2。

表2 SWAT模型率定參數(shù)及取值Table 2 Calibration parameters and their values for SWAT model

流域出口徑流模擬值與實測值動態(tài)變化如圖2、3所示。結(jié)果表明，徑流率定期R2為0.81，NSE為0.80，RSR為0.45；驗證 期R2為0.72，NSE為0.70，RSR為0.55。可見，率定期和驗證期R2和NSE值高于0.60，RSR小于0.70，其中率定期R2和NSE達到0.80、RSR小于0.50，說明構(gòu)建的SWAT模型可較好模擬楊樹垱流域徑流過程，適用性良好，可用于該區(qū)域水文過程模擬。

圖2 率定期徑流過程模擬效果對比Fig.2 Comparison between simulated and observed of runoff process in calibration period

2.2 不同精度土地利用類型劃分

5與10 m兩種精度土地利用均以農(nóng)田（包括水田和耕地）為主，分別占總面積63.83%和69.86%。由于精度較低，10 m精度土地利用數(shù)據(jù)在處理過程中無法較好區(qū)分特征相似土地利用類型，導致部分類型被其他類型合并。

由表3可知，5 m精度土地利用中林地、草地和荒地占比為12.24%，在10 m精度下上述3種土地類型幾乎完全被合并，且耕地與水田被合并，兩者之和比5 m精度下增加6.03%。此外，部分水庫周圍林地等被水面合并，導致水面增加3.71%；部分草地也被建筑用地合并，導致建筑用地增加2.47%。這些土地利用類型偏差是導致模擬結(jié)果變化主要原因。

表3 兩種精度下土地利用類型劃分對比Table 3 Comparison of land use types

圖3 驗證期徑流過程模擬效果對比Fig.3 Comparison between simulated and observed of runoff process in validation period

2.3 閾值劃分對土地利用分類的影響

在HRU劃分中設(shè)定土地利用閾值，當某種土地利用類型面積小于設(shè)定閾值時，這類土地利用類型將被合并到超過該閾值的其他土地利用類型中。因耕地與水田上植被特征類似，故將二者皆視為農(nóng)田，并僅對占主要成分的農(nóng)田和水面作分析，以便于分析土地利用變化過程。由表1、4可知，A方案土地利用在閾值劃分為5%時，土地利用類型與原始數(shù)據(jù)（未進行閾值劃分的土地利用數(shù)據(jù)）相差較小。隨閾值增加，荒地、林地、草地和城鎮(zhèn)部分面積合并到農(nóng)田和水面中；閾值劃分達到20%時，建筑用地僅1.91 km2，其余均被合并為農(nóng)田和水面，此時與原數(shù)據(jù)相比，農(nóng)田和水面分別增加18.72%和0.67%；閾值增加至30%時，僅農(nóng)田與水面兩種類型，與原數(shù)據(jù)對比，分別增加19.50%和4.64%，此時土地利用劃分發(fā)生明顯變化，與實際相差較大。

B方案中，土地利用類型閾值為5%時，草地類型被合并，其余類型變化不大；閾值劃分達到20%時，土地利用類型僅農(nóng)田與水面兩類，與5 m精度土地利用相比，農(nóng)田和水面面積分別增加19.12%和1.05%；閾值劃分為30%時，農(nóng)田面積增加29.56%，水面面積減少5.41%，農(nóng)田占比達到93.39%，與實際相差較大。

表4 不同閾值土地利用劃分情況Table 4 Land use types division with different thresholds

通過上述分析可知，兩種精度土地利用類型在進行HRU閾值劃分時，在小于20%范圍內(nèi)，劃分情況與使用土地利用類型相符，超過該范圍，兩者均出現(xiàn)失真情況。B組產(chǎn)生偏差大于A組，且隨HRU劃分閾值增加，兩組方案農(nóng)田占比變化差值由0.4%（閾值為20%）增至10.06%（閾值為30%），水面占比差值由0.38%增至10.05%，即變化差距隨閾值增加而變大。

2.4 不同精度土地利用數(shù)據(jù)下HRU劃分閾值對徑流模擬的影響

采用SWAT模擬兩種土地利用精度對應不同HRU劃分方案下徑流過程，其徑流模擬精度評價指標變化如圖4所示。

由圖4可知，采用兩種精度土地利用在不同劃分方案下徑流模擬結(jié)果的R2和NSE＞0.6，RSR值＜0.7，符合模型模擬可信度要求。不同土地利用類型精度對徑流模擬均產(chǎn)生一定影響，其中使用A組方案模擬模型時，R2為0.81～0.77，NSE系數(shù)為0.80～0.72，RSR為0.46～0.53。土地利用劃分閾值在5%～10%時，3種指標無明顯變化，均保持較好精度；劃分閾值為10%～20%時，隨閾值升高，R2和NSE下降，RSR升高，徑流模擬精度明顯降低；當劃分閾值達到25%時，R2和NSE降至最低，RSR最大；閾值超過25%后，三類指標不再變化，趨于穩(wěn)定。

圖4 兩類土地利用不同HRU閾值情景評價統(tǒng)計Fig.4 Evaluation of simulation effect under two resolution of land use scenarios with different HRU thresholds

B組方案得出模擬結(jié)果變化特點與A組對應特點一致，但模擬精度普遍差于A組，其R2為0.79～0.72，NSE為0.79～0.65，RSR為0.47～0.60，具體方案結(jié)果見表5。當土地利用閾值在5%～10%時，NSE、R2和RSR無變化。當土地利用閾值達25%時，模擬結(jié)果出現(xiàn)NSE＜0.7情況，此時模擬效果較差。

表5 兩類土地利用不同HRU閾值情景評價統(tǒng)計Table 5 Evaluation of simulation effect under two resolution of land use scenarios with different HRU thresholds

3 討 論

5與10 m精度土地利用數(shù)據(jù)差異在于10 m數(shù)據(jù)無法精細識別土地類型復雜交錯之處，導致不同土地利用類型被混淆，如農(nóng)田、建筑用地、林地交錯的土地僅體現(xiàn)農(nóng)田與建筑用地。其次，相似土地利用類型被合并為同一類，如耕地和水田被統(tǒng)一歸為水田。這些被混淆或合并的情況影響后續(xù)HRU劃分。在HRU劃分時，隨閾值增加，兩類土地利用被合并面積增加，但A組增加速度低于B組，土地利用類型的變化率和變化量均小于B組，對應模擬精度變化幅度也同樣小于B組，與徐蘇等、邢貞相等得到的徑流變化幅度與土地利用變化強度有關(guān)結(jié)論一致[27-28]。

從A、B兩組方案模擬結(jié)果看，二者變化規(guī)律相似，5 m精度土地利用模擬結(jié)果均優(yōu)于10 m，但相差較小，相同閾值下三類指標的差值隨閾值增加而增加，相對誤差最大為13.21%，不超過15%，均符合模型模擬可信度要求[29]。因而在實際模擬過程中，考慮數(shù)據(jù)收集工作量，不必過度追求輸入數(shù)據(jù)精度。徑流模擬性能總體上與土地利用閾值呈負相關(guān)關(guān)系，較小土地利用閾值（5%～10%）下模擬效果最好，閾值增大，模擬效果隨之下降；土地利用閾值達到25%時，模擬效果降至最低后趨于穩(wěn)定。在實際應用過程中，閾值選取與模擬精度有關(guān)，需考慮實際計算效率，在效果相同或差距較小情況下，優(yōu)先選擇較大閾值[30]。A組方案在土地利用閾值為5%和10%時效果最好，二者評價指標相同，R2為0.81，NSE為0.8，RSR為0.46；B組方案也在土地利用閾值為5%和10%時效果最好，R2為0.79，NSE為0.79，RSR為0.47。兩組最佳方案對應的土地利用閾值皆為5%和10%，但閾值為10%時計算效率更高，因此楊樹垱流域的土地利用最佳閾值設(shè)定為10%。

本研究認為土地利用對SWAT徑流過程模擬的影響是多方面的，不僅受精度影響。首先，高精度土地利用數(shù)據(jù)可更明確區(qū)分流域內(nèi)土地利用類型，影響HRU劃分，影響模擬效果。同樣閾值條件下使用兩種土地利用模擬結(jié)果的評價指標相對誤差未超過15%，結(jié)果差異不顯著。其次，土地利用閾值設(shè)定也影響HRU劃分，設(shè)定閾值越小，HRU數(shù)量越多，模擬效果越好，計算量也越大。實際應用時應綜合考慮模擬效果、數(shù)據(jù)獲取難易程度以及模型計算效率。因此，本研究認為在SWAT模型模擬時，不必過分追求高精度土地利用數(shù)據(jù)，應在HRU劃分時設(shè)定合適的HRU劃分閾值，保證模擬效果同時有效提高計算效率。

4 結(jié)論與展望

4.1 結(jié)論

本研究以楊樹垱流域為例，通過構(gòu)建SWAT模型，采用5和10 m兩種精度土地利用數(shù)據(jù)，針對每種土地利用數(shù)據(jù)設(shè)置6個方案，模擬分析土地利用數(shù)據(jù)精度以及HRU不同土地利用劃分閾值對徑流的影響，主要結(jié)論如下：

①分別利用2005～2007年和2016～2017年楊樹垱流域出口流量反推得到徑流量進行SWAT模型率定和驗證，率定和驗證期R2和NSE＞0.6，RSR＜0.7，表明SWAT模型能較好模擬楊樹垱流域徑流變化過程。

②在水文響應單元劃分過程中，土地利用類型被合并比例隨閾值增加而增加，在低精度的土地利用數(shù)據(jù)時這種情況更明顯，導致水文響應單元劃分不準確，降低模擬結(jié)果有效性。

③相同閾值不同精度土地利用數(shù)據(jù)下的模擬結(jié)果相差不大，在12種劃分方案中，5 m精度土地利用數(shù)據(jù)劃分閾值設(shè)定為10%的方案下，模型模擬精度最高。在SWAT模型實際應用中，若無法獲取更高精度土地利用數(shù)據(jù)，使用10 m土地利用數(shù)據(jù)也可以滿足模型模擬需求，閾值選擇10%。

4.2 展望

①本文僅針對土地利用一種下墊面數(shù)據(jù)進行分析，忽略土壤及坡度對HRU劃分和模擬結(jié)果的影響，不同HRU劃分閾值是否對模型模擬造成其他影響，需進一步探討。

②SWAT模型可以對水質(zhì)泥沙等多個指標進行描述，但本次研究僅限于對徑流過程的模擬，未考慮土地利用精度和HRU劃分閾值對水質(zhì)的影響，后續(xù)可考慮增加水質(zhì)模擬效果，綜合水質(zhì)水量進行評價，選擇合適土地利用數(shù)據(jù)以及HRU劃分閾值。