2. 吉林大学石油化工污染场地控制与修复技术国家地方联合工程实验室, 长春 130021
2. National Local Joint Engineering Laboratory of Petrochemical Pollution Site Control and Remediation Technology, Jilin University, Changchun 130021, China
0 引言
我国水资源空间分布不均,流域水资源分配问题日益严重,利用水文模型对流域水文过程进行模拟,从流域尺度探索水资源管理的新方法具有十分重要的意义[1-2]。分布式水文模型能够考虑流域下垫面和降水分布不均对流域水文过程的影响,同时也能模拟人类活动对水文过程的影响,较传统的集总式水文模型系统性更强,逐渐成为水文模型的发展趋势[3]。
SWAT(soil and water assessment tool)模型是由美国农业部(USDA) 农业研究中心于20世纪90年代开发的分布式流域水文模型[4]。该模型自提出以来,已被国内外学者广泛应用于径流、非点源污染、情景变化等方面的模拟研究中[5-13]。
SWAT模型的驱动数据质量决定了模拟结果的准确性,其中以降水数据的影响最为明显[14]。传统降水、气象数据在实际应用过程中存在资料缺失、获取难度大、数据不同步等问题,且同时包含降水、气象数据的传统数据库站点密度低、空间分布不均匀,这些问题降低了模型运行效率,制约了研究的发展[15]。随着模型的发展,逐渐产生了许多新的用于SWAT模型的气象数据集,极大地方便了模型的建立和应用。中国大气同化驱动数据集(China meteorological assimilation driving database for the SWAT model,CMADS)就是其中之一。CMADS具有数据来源广、多时间尺度和多分辨率的特点,可应用于不同分辨率下的模型。孟现勇等[16]首先整理得到了CMADS数据集并将其应用在我国西北干旱区黑河流域,取得了很好的应用效果;张利敏等[17]对浑河流域CMADS在SWAT模型中的表现进行了评价,结果表明CMADS具有很好的适用性;张春辉等[18]对比了CMADS气象数据与传统气象数据驱动下SWAT模型在苦水河流域的模拟效果,结果表明CMADS气象数据在西北干旱内陆流域模拟精度优于传统气象数据;Thom Thi Vu等[19]对比了不同降水输入数据在SWAT模型中的应用效果,结果显示CMADS数据集在朝鲜半岛汉江流域的应用效果更佳;Dong Ningpeng等[20]研究表明CMADS数据集在赣江上游流域同样具有较好的适用性。目前CMADS数据集已应用于我国东南、西北干旱地区和东亚地区,但在我国人类活动对径流影响较大的温带东亚季风气候区适用性研究尚不多见。水库堤坝、农业灌溉等人类活动影响了径流对降水的响应,改变了径流过程,以CMADS作为模型输入数据时需考虑这些因素。潮白河流域受人类开发较早,流域内修建大小水库40余座,总库容达46.69×108 m3,密云水库控制流域内河水全部被开发;东洋河流域建有友谊水库,汇入洋河后为洋河灌区提供灌溉水源,河流沿途灌区分布密集,多修建灌溉水渠,人类活动对潮白河流域、东洋河流域径流影响明显。
本文选取温带东亚季风气候区的潮白河流域(包括无水库控制的潮河水系及有水库控制的白河水系)和东洋河流域(有水库控制)作为研究区域,以SWAT模型作为水文过程模拟研究工具,在潮白河流域以水文年鉴实测降水资料作对比,探究了CMADS降水数据在潮河水系和白河水系的适用性;通过CMADS降水数据在白河水系和东洋河流域SWAT模型中的表现,以决定系数R2作为评价指标,对CMADS降水数据在温带东亚季风气候区水库控制流域的适用性进行评价。
1 研究区概况潮白河流域位于华北平原北部,是海河流域5大河之一,流经河北、北京及天津三省市。潮白河上游主要有潮河、白河两条支流,支流流出密云水库汇流为潮白河,汇流后潮白河全长458 km,流域面积1.95×104 km2;东洋河位于海河流域西北部,为洋河上游支流,流经山西、河北二省,在怀安、万全县交界处汇入洋河。潮白河、东洋河均属于海河流域,空间位置见图 1,研究区为温带东亚季风气候区,冬季寒冷少雪,夏季湿润高温,春夏两季蒸发量大,流域年平均气温为1.5~14.0 ℃,年平均相对湿度为50%~70%,年平均降水量为539 mm,属半湿润半干旱地带。
2 基础数据处理及数据库构建 2.1 数据来源90 m分辨率数字高程模型(DEM)来源于地理空间数据云;土壤数据及CMADS气象数据均由寒区旱区科学数据中心网站下载;1 km分辨率2010年土地利用栅格数据来源于中国科学院资源环境科学数据中心;实测降水、流量及水库出流数据整理自流域水文年鉴;真实河网数据整理自中国环境科学研究院提供的全国1~5级河网矢量图件。
2.2 土地利用数据处理原始土地利用数据为全国各省份土地利用类型栅格图,根据研究区实际空间分布对原始土地利用数据进行拼接、提取并按照SWAT模型输入要求进行土地利用类型重分类。重分类后潮白河流域、东洋河流域各土地利用类型及面积占比见表 1,潮白河流域、东洋河流域主要土地利用类型分别为林地、耕地。
原土地利用编码 | SWAT代码 | 土地类型 | 面积占比/% | |
潮白河流域 | 东洋河流域 | |||
1 | AGRL | 耕地 | 22.0 | 46.0 |
2 | FRST | 林地 | 48.0 | 12.0 |
3 | PAST | 草地 | 23.0 | 35.0 |
4 | WATR | 水域 | 4.0 | 3.0 |
5 | URBN | 城市 | 1.0 | 0.1 |
6 | URLD | 村落 | 1.9 | 2.8 |
7 | BARR | 未利用土地 | 0.1 | 1.1 |
将寒区旱区科学数据中心提供的基于世界土壤数据库(HWSD)的中国土壤数据集(v1.1)进行土壤数据库构建,空间分辨率1 km,使用时土壤粒径不需要进行转换,饱和导水率、有效含水量等参数使用SPAW(soil-plant-air-water field and pond hydrology)计算得到[21-22]。最终得到研究区土壤空间分布如图 2所示,潮白河流域(图 2a)共包括28种土壤类型,东洋河流域(图 2b)共包括12种土壤类型。
2.4 气象数据处理SWAT模型使用CMADS的温度、太阳辐射、相对湿度、风速数据作为气象输入。结合流域实际情况可知,水文年鉴雨量站及CMADS中的雨量、气象格点在潮白河流域范围的空间分布如图 3a所示,其中水文年鉴雨量站22座,CMADS雨量、气象格点共52个。东洋河流域CMADS雨量、气象格点空间分布如图 3b所示,选取位于研究区空间范围的格点共19个。
3 模型构建及结果分析 3.1 子流域划分及水文响应单元生成模型根据研究区DEM图自动划分子流域。加载土地利用、土壤、坡度及相关属性文件后,模型生成研究区水文响应单元(HRUs),HRUs是SWAT模型特有的部分,能够反映不同土地利用类型、土壤和其他水文条件的差异。本文在进行HRUs划分时,将土地利用、土壤及坡度阈值分别设置为20%、10%、20%[23]。潮白河流域被划分成36个子流域、375个HRUs,东洋河流域被划分为13个子流域、82个HRUs。潮白河流域、东洋河流域子流域划分及主要水库、水文站分布如图 4所示。选择潮白河流域下会水文站、张家坟水文站及东洋河流域柴沟堡东水文站的实测径流数据进行结果分析。
3.2 模拟结果及分析保持模型其他气象输入数据不变,分别以年鉴实测降水数据与CMADS降水数据作为模型降水输入对比SWAT模型模拟结果,以探究CMADS降水数据在潮白河流域有水库及无水库情景的适用性,再通过CMADS降水数据在白河水系和东洋河流域的模拟结果对其在水库控制流域的适用性进行评价。SWAT模型一般采用决定系数(R2)和纳什系数(Nash-Sutcliffe efficiency coefficient, ENS)评价模型模拟结果。R2表示的是实测值与模拟值的相关性,其值越接近于1,说明模拟效果越好;而纳什系数的变化范围为-∞~1,一般当ENS>0.5时模型的结果即可以接受[24]。表达式为:
式中:Qmi为模拟径流量,m3/s;Qoi为实测径流量,m3/s;Qo为实测径流量平均值,m3/s;Qm为模拟径流量平均值,m3/s。
根据需求将模型模拟时间步长设为月,2008年作为模型预热期。潮白河流域模型率定期为2009—2013年,验证期为2014—2016年;东洋河流域水文资料时间不连续,率定期为2009—2011年,验证期为2015—2016年。
3.2.1 无水库潮河水系不同降水数据模拟结果首先在潮河水系进行不同降水数据模拟结果对比研究。无水库控制流域河道径流对降水响应敏感,选择潮河下游下会水文站月值实测径流数据进行模拟结果对比,水文站2009—2016年降水径流趋势如图 5所示。由图 5可见,多年月均径流量3.13 m3/s,月降水量均小于300 mm;对比相同地区CMADS雨量格点与年鉴实测降水数据可以看出,二者总体差别不大,少数年份存在CMADS雨量格点汛期降水量低于年鉴实测降水量的情况。
然后分别以CMADS降水数据与水文年鉴实测降水数据作为模型输入,在率定期建立SWAT模型得到潮河水系径流模拟结果SIM1和SIM2,选取相同的敏感性参数,使用模型率定软件SWAT_CUP中的SUFI2方法对率定期模型进行参数率定,使用率定好的参数分别对两次模拟进行参数赋值。在整个模拟期运行赋值后的模型,得到整个模拟期内的模拟结果如图 6所示。
表 2为不同降水输入下的下会站径流模拟评价指标统计。由表 2可以看出:在无水库控制流域,使用年鉴实测降水数据支撑下的模型在整个模拟期内模拟评价指标R2均大于0.80,ENS均大于(等于)0.60,模拟效果好;使用CMADS降水数据支撑下的模型在整个模拟期内模拟评价指标R2均大于0.60,ENS均大于0.50,模拟效果较好。以上模拟结果能够达到SWAT模型模拟效果的评价标准,CMADS降水数据在潮白河流域无水库控制情景下具有适用性,但其模拟结果的准确度低于年鉴实测降水数据模拟,使用时需进一步优化。
水库对上游来水起到蓄水调控的作用,下游水量主要受水库水量调蓄操作的影响,水库对下游的水量补给不受季节、降水量的影响;因此水库控制流域内下游河道径流趋势与实测降水趋势同一般自然流域内下游河道径流趋势与实测降水趋势差别较大。在白河水系开展不同降水数据输入模拟对比研究,选择白河下游张家坟水文站月值实测径流数据进行模型模拟结果对比分析,张家坟水文站2009—2016年月实测径流如图 7所示。由图 7可见:径流对降水响应不明显,径流曲线不随降水变化而呈现出与降水曲线相同的变化趋势,水文站多年月均径流量6.31 m3/s,月降水量均小于300 mm;该地区CMADS雨量格点与实际雨量站降水数据表明,二者整体趋势较为一致,仅部分年份汛期降水量存在差异。水库控制流域同无水库流域在模型建立过程中的区别在于,需要在模型中添加水库的基础物理属性信息并选择水库出流操作,研究区水文资料中提供了详细的水库日均出流数据,因此选择日值出流操作。在流域中添加云州水库和白河堡水库的库容、面积及初始水量信息并写入整理好的水库日值出流数据dbf表,采用与无水库流域相同的模型建立、参数率定方法,得到使用CMADS降水数据建立的模型在整个模拟期的模拟结果SIM3(图 8a)和使用实测降水资料建立的模型在整个模拟期的模拟结果SIM4(图 8b)。
表 3为不同降水输入下的张家坟水文站径流模拟评价指标统计。从表 3可以看出:在月尺度上,率定期水库控制流域两种不同降水资料的径流模拟评价指标R2及ENS均在0.85以上,模拟效果均十分理想,使用CMADS降水数据的模拟结果评价指标略高于使用年鉴实测降水数据的模拟结果;验证期,两种不同降水资料径流模拟结果R2及ENS均在0.60以上,使用实测降水资料的模拟结果R2=0.67,使用CMADS数据集降水资料的模拟结果R2=0.61,造成验证期模拟结果R2明显降低的原因是2016-07实测值与模拟值差异过大。在验证期2014—2015年间,SIM3 R2=0.74、ENS =0.71,SIM4 R2=0.76、ENS =0.75,均大于0.70。通过对比可以看出,CMADS降水数据在整个模拟期内都具有很好的模拟效果,CMADS降水数据在潮白河水库控制流域具有适用性。
为进一步探究CMADS降水数据在水库控制流域的适用性,选取和潮白河流域同一纬度且气候条件相同的水库控制流域东洋河流域建立SWAT模型,选择柴沟堡东水文站作为模型出水口,使用SWAT_CUP对模拟结果进行率定,得到东洋河流域柴沟堡东水文站径流模拟结果(图 9)。率定期模型模拟结果评价指标R2=0.84、ENS =0.78,验证期模拟结果评价指标R2=0.87,ENS =0.85。在整个模拟过程中,评价系数R2均大于0.80,ENS均大于0.75,说明CMADS降水数据在东洋河水库控制流域同样具有很好的适用性。
4 结论及建议1) 在潮白河无水库控制支流潮河水系,CMADS降水数据支撑的模型率定期R2=0.64、ENS =0.64,验证期R2=0.61、ENS =0.58,模拟结果能够达到SWAT模型模拟效果的评价标准,CMADS降水数据在温带东亚季风气候区无水库控制流域情景下具有适用性。在潮白河水库控制支流白河水系,CMADS降水数据支撑下的模型在率定期R2=0.89、ENS =0.87,验证期模型R2=0.61、ENS =0.61。在东洋河水库控制流域,CMADS降水数据支撑的模型率定期R2=0.84、ENS =0.78,验证期R2=0.87、ENS =0.85。说明CMADS降水数据在温带东亚季风气候区水库控制流域具有很好的适用性,可以用于温带东亚季风气候区受人类活动影响流域水文模型的建立,作为后续开展人类活动、情景变化等分析的基础。
2) 本文仅从水量模拟角度探究了CMADS降水数据的适用性,未考虑面源污染模拟过程CMADS降水数据的适用性,研究基础性较强。建议后续进一步探究CMADS降水数据在SWAT模型非点源污染模拟方面的适用性,并综合考虑不同流域情景/管理措施等共同作用下的数据适用性,并对流域人类活动、土地利用情景变化或流域非点源污染情况等进行更加深入的研究。
[1] |
张爽, 曾献奎, 吴吉春. 提孜那甫河流域融雪径流模拟及不确定性分析[J]. 吉林大学学报(地球科学版), 2019, 49(5): 1415-1424. Zhang Shuang, Zeng Xiankui, Wu Jichun. Snowmelt Runoff Simulation and Uncertainty Analysisin Tizinafu River Basin[J]. Journal of Jilin University (Earth Science Edition), 2019, 49(5): 1415-1424. |
[2] |
邱淑伟, 吴亚敏, 柯昱琪, 等. 基于遍历搜索算法的水文地质参数优化求解[J]. 吉林大学学报(地球科学版), 2020, 50(6): 1854-1861. Qiu Shuwei, Wu Yamin, Ke Yuqi, et al. Optimization of Hydrogeological Parameters Based on Ergodic Search Algorithm[J]. Journal of Jilin University (Earth Science Edition), 2020, 50(6): 1854-1861. |
[3] |
闫红飞, 王船海, 文鹏. 分布式水文模型研究综述[J]. 水电能源科学, 2008, 26(6): 1-4. Yan Hongfei, Wang Chuanhai, Wen Peng. Overview of Studies on Distributed Hydrological Model[J]. Water Resources and Power, 2008, 26(6): 1-4. DOI:10.3969/j.issn.1000-7709.2008.06.001 |
[4] |
张银辉. SWAT模型及其应用研究进展[J]. 地理科学进展, 2005, 24(5): 123-132. Zhang Yinhui. Development of Study on Model-SWAT and Its Application[J]. Progress in Geography, 2005, 24(5): 123-132. |
[5] |
Manguerra H B, Engel B A. Hydrologic Parameterization of Watersheds for Runoff Prediction Using SWAT[J]. Jawra Journal of the American Water Resources Association, 1998, 34(5): 1149-1162. DOI:10.1111/j.1752-1688.1998.tb04161.x |
[6] |
Srinivasan R, Ramanarayanan T S, Arnold J G, et al. Large Area Hydrologic Modeling and Assessment: Part II: Model Application[J]. Journal of the American Water Resources Association, 1998, 34(1): 91-101. DOI:10.1111/j.1752-1688.1998.tb05962.x |
[7] |
Jones R N, Chiew F H S, Boughton W C, et al. Estimating the Sensitivity of Mean Annual Runoff to Climate Change Using Selected Hydrological Models[J]. Advances in Water Resources, 2006, 29(10): 1419-1429. DOI:10.1016/j.advwatres.2005.11.001 |
[8] |
Mohsen T N, Kendall G, Hadi B M, et al. SWAT Modeling of Non-Point Source Pollution in Depression-Dominated Basins Under Varying Hydroclimatic Conditions[J]. International Journal of Environmental Research and Public Health, 2018, 15(11): 2492. DOI:10.3390/ijerph15112492 |
[9] |
于磊, 邱殿明. 基于SWAT模型的漳卫南流域水量模拟[J]. 吉林大学学报(地球科学版), 2007, 37(5): 949-954. Yu Lei, Qiu Dianming. Water Quantity Simulation of the Zhangweinan Basin Based on SWAT Model[J]. Journal of Jilin University(Earth Science Edition), 2007, 37(5): 949-954. |
[10] |
王中根, 朱新军, 夏军, 等. 海河流域分布式SWAT模型的构建[J]. 地理科学进展, 2008, 27(4): 1-6. Wang Zhonggen, Zhu Xinjun, Xia Jun, et al. Study on Distributed Hydrological Model in Hai River Basin[J]. Progress in Geography, 2008, 27(4): 1-6. |
[11] |
刘博, 徐宗学. 基于SWAT模型的北京沙河水库流域非点源污染模拟[J]. 农业工程学报, 2011, 27(5): 52-61, 401. Liu Bo, Xu Zongxue. Simulation of Non-Point Source Pollution in the Shahe Reservoir Catchment in Beijing by Using SWAT Model[J]. Transactions of the Chinese Society of Agricultural Engineering, 2011, 27(5): 52-61, 401. DOI:10.3969/j.issn.1002-6819.2011.05.009 |
[12] |
汤洁, 杨巍, 李昭阳, 等. 辽河大伙房水库汇水区农业非点源污染入库模拟[J]. 吉林大学学报(地球科学版), 2012, 42(5): 1462-1468, 1476. Tang Jie, Yang Wei, Li Zhaoyang, et al. Simulation on the Inflow of Agricultural Non-Point Sources Pollution in Dahuofagn Reservoir Catchment of Liao River[J]. Journal of Jilin University(Earth Science Edition), 2012, 42(5): 1462-1468, 1476. |
[13] |
万浩, 董晓华, 彭涛, 等. 基于SWAT模型和SUFI-2算法的黄柏河东支流域径流模拟研究[J]. 中国农村水利水电, 2018, 434(12): 99-105. Wan Hao, Dong Xiaohua, Peng Tao, et al. Application of the SWAT Model into the Runoff Simulation Based on SUFI-2 Algorithm in the East Branch of Huangbai River Basin[J]. China Rural Water and Hydropower, 2018, 434(12): 99-105. |
[14] |
廖亚一, 吕海深, 李占玲. 气象数据不确定性对SWAT模型径流模拟影响[J]. 人民长江, 2014, 45(9): 34-38. Liao Yayi, Lü Haishen, Li Zhanling. Influence of Meteorological Data Uncertainty on Runoff Simulation by SWAT Model[J]. Yangtze River, 2014, 45(9): 34-38. DOI:10.3969/j.issn.1001-4179.2014.09.009 |
[15] |
胡胜, 曹明明, 邱海军, 等. CFSR气象数据在流域水文模拟中的适用性评价: 以灞河流域为例[J]. 地理学报, 2016, 71(9): 1571-1586. Hu Sheng, Cao Mingming, Qiu Haijun, et al. Applicability Evaluation of CFSR Climate Data for Hydrologic Simulation: A Case Study in the Bahe River Basin[J]. Acta Geographica Sinica, 2016, 71(9): 1571-1586. |
[16] |
孟现勇, 师春香, 刘时银, 等. CMADS数据集及其在流域水文模型中的驱动作用: 以黑河流域为例[J]. 人民珠江, 2016, 37(7): 1-19. Meng Xianyong, Shi Chunxiang, Liu Shiyin, et al. CMADS Datasets and Its Application in Watershed Hydrological Simulation: A Case Study of the Heihe River Basin[J]. Pearl River, 2016, 37(7): 1-19. DOI:10.3969/j.issn.1001-9235.2016.07.001 |
[17] |
张利敏, 王浩, 孟现勇. 基于CMADS驱动的SWAT模型在辽宁浑河流域的应用研究[J]. 华北水利水电大学学报(自然科学版), 2017, 38(5): 1-9. Zhang Limin, Wang Hao, Meng Xianyong. Application of SWAT Model Driven by CMADS in Hunhe River Basin in Liaoning Province[J]. Journal of North China University of Water Resources and Electric Power (Natural Science Edition), 2017, 38(5): 1-9. DOI:10.3969/j.issn.1002-5634.2017.05.001 |
[18] |
张春辉, 王炳亮. CMADS与传统气象站数据驱动下的SWAT模型模拟效果评价: 以苦水河流域为例[J]. 中国农村水利水电, 2018(6): 52-57. Zhang Chunhui, Wang Bingliang. Evaluation of Runoff Simulation Effects of the SWAT Model Driven by CMADS and Traditional Meteorological Station Data-Taking the Case Study in Kushui River Basin[J]. China Rural Water and Hydropower, 2018(6): 52-57. |
[19] |
Thom T V, Li L, Jun K S. Evaluation of Multi-Satellite Precipitation Products for Streamflow Simulations: A Case Study for the Han River Basin in the Korean Peninsula, East Asia[J]. Water, 2018, 10(5): 642. DOI:10.3390/w10050642 |
[20] |
Dong N P, Yang M X, Meng X Y, et al. CMADS-Driven Simulation and Analysis of Reservoir Impacts on the Streamflow with a Simple Statistical Approach[J]. Water, 2019, 11(1): 178. DOI:10.3390/w11010178 |
[21] |
魏怀斌, 张占庞, 杨金鹏. SWAT模型土壤数据库建立方法[J]. 水利水电技术, 2007, 38(6): 15-18. Wei Huaibin, Zhang Zhanpang, Yang Jinpeng. Establishing Method for Soil Database of SWAT Model[J]. Water Resources and Hydropower Engineering, 2007, 38(6): 15-18. |
[22] |
王蕾, 魏晓妹, 降亚楠, 等. 关中平原灌区SWAT模型基础数据库的构建[J]. 水电能源科学, 2017, 35(7): 13-17. Wang Lei, Wei Xiaomei, Jiang Yanan, et al. Construction of Basic Database for SWAT Model in Guanzhong Plain Irrigation District[J]. Water Resources and Power, 2017, 35(7): 13-17. |
[23] |
Winchell M. ArcSWAT 2009用户指南[M]. 郑州: 黄河水利出版社, 2012. Winchell M. ArcSWAT 2009 User's Guide[M]. Zhengzhou: The Yellow River Water Conservancy Press, 2012. |
[24] |
Schaefli B, Gupta H V. Do Nash Values Have Value?[J]. Hydrological Processes, 2007, 21(15): 2075-2080. DOI:10.1002/hyp.6825 |