2026, Vol. 56
2. 中国海洋大学山东省海洋工程重点实验室，山东 青岛 266100;
3. 东营市水文中心，山东 东营 257100;
4. 东营市黄河三角洲水文生态重点实验室，山东 东营 257100;
5. 中国海洋大学环境科学与工程学院，山东 青岛 266100;
6. 中国海洋大学海洋环境与生态教育部重点实验室，山东 青岛 266100
气候变化、人口增长和经济发展共同导致全球用水需求的持续上升，滨海湿地的退化及水安全问题已成为全球性的挑战。黄河入海口滨海湿地作为新生湿地生态系统，湿地资源丰富，具有年轻、脆弱和不稳定等特点[1-3]。黄河入海口地区在气候变化和人类活动的双重胁迫下，水文过程演变剧烈，具体表现为年均径流量波动幅度持续扩大、极端洪水事件频率增加，滨海湿地面临整体性生态退化问题和风险。其中气候变化会改变滨海湿地的生态水文过程，增加湿地干湿交替频率[4]。因此深入研究滨海湿地径流演变响应机制与极端水文效应对湿地保护极为重要。
国内、外研究表明，气候变化是影响流域水文生态环境变化的主要因素之一[5]，主要体现在降水和气温改变了陆地水文循环过程，进而影响径流过程。侯玥等[6]在水体遭受营养盐污染严重的淮河流域，通过多气候情境模拟，揭示了流域内非点源污染总氮负荷和年均氨氮浓度变化情况，为气候变化条件下水文水质管理提供了科学的技术支持。张徐杰[7]采用全球气候模式、降尺度方法和水文模型等工具，评估了中国东部兰江流域气候变化对极端径流的影响，指出较小重现期下，设计洪水有增大的趋势。Valliammai[8]结合气候变化的影响，分析了Amaravathi流域近年来土壤含水量、地下水补给量、蒸散发量和河道径流量的最大值和最小值变化之间的联系。Jha等[9]结合全球气候模型和密西西比河流域模型，评估了气候变化对该流域水文过程的影响。尽管国内、外学者已运用多种方法对不同区域气候变化下的地表水循环过程开展了广泛研究，但针对作为中国暖温带典型湿地生态系统和河口脆弱区的黄河入海口地区，其正面临气候变化引发的湿地退化、土壤盐渍化加剧、极端水文事件频发等严峻挑战，相关研究仍较为匮乏。
水文模拟作为解析流域水循环演变的有效工具，其核心优势在于具备对水文过程的动态重构能力。其中，分布式水文模型因其较强的物理机理基础和广泛的适用性，在大、中、小流域的连续水文过程模拟中得到广泛应用。土壤和水评估工具(Soil and water assessment tool，SWAT)模型是当前最具代表性的分布式水文模型之一，具备完善的水文过程模拟能力，并可与ArcGIS平台相结合，利用遥感和地理信息技术精准模拟复杂的流域水文过程。Srinivasan等[10]早在1994年就介绍了SWAT模型和地理信息系统(Geographic information system，GIS)在ArcGIS中的链接方式，并将其应用于美国德克萨斯州Seco Creek流域，分析了不同土地利用方式和农业管理措施对流域水质的影响。2008年，AHLRS等[11]运用改进后的SWAT模型，研究蒙大拿州中部一个地势较高的小流域的极端水文情况问题，模型模拟结果与实际情况相符，表明了SWAT模型较强的适应性。国内对SWAT模型的应用起步较晚，最早始于2000年。但是经过二十多年的发展，其在国内一些大、中江河流域已得到广泛应用，如黑河流域[12]、汉江流域[13-14]、黄河流域[15]、泾河流域[16-17]等，取得了诸多进展和研究成果。
本文基于SWAT分布式水文模型，结合数字高程模型(Digital elevation model，DEM)、土地利用类型、土壤类型及气象数据，构建了黄河入海口地区的地表水模拟系统。通过参数率定和验证，提高模型的可靠性，并模拟不同气候变化情景下流域的水文响应过程。在此基础上，探讨未来气候变化条件下，不同降水、气温变化情境及极端降水事件对水文循环的影响。研究成果可为湿地水资源的合理配置提供数据支撑与理论依据，并为在洪涝灾害威胁下的湿地生态保护与可持续管理提供科学指导。
1 研究区域与多源数据 1.1 研究区域概况本研究区域主要位于东营市垦利区黄河入海口地区，研究区内主要河流为黄河，涵盖黄河流域最后一个水文站利津站至黄河入海口处的河段区域(118°10′E—119°20′E、37°55′N—37°58′N)，是典型的冲积平原地貌。黄河入海口由黄河携带的大量泥沙长期淤积而成，地势极为平坦开阔，海拔较低，地形起伏微小。此地区属于暖温带半湿润大陆性季风气候区，冬季寒冷干燥，夏季高温多雨，降水集中且充沛。黄河作为该流域的核心水系，是流域内最重要的水资源供给源头。黄河水量丰富，但其径流量季节变化显著，夏季汛期水量大增，河水携带大量泥沙奔腾入海；冬季枯水期，水量则大幅减少。具体位置如图 1所示。
|
( (a)东营市行政边界Administrative boundary of Dongying City；(b)研究区域Study area。) 图 1 研究区域概况 Fig. 1 Overview of the study area |
为进行水文模拟，需要将数字高程数据(DEM)、土地利用数据、土壤类型数据、气象数据和径流数据等空间分布数据[18]导入SWAT模型，本文所使用的主要数据类型、数据精度和来源如表 1所示。
|
表 1 主要数据类型和来源 Table 1 Main data types and sources |
本文使用的中国区域1∶100万土壤数据，由中科院南京土壤研究基于世界土壤数据库(Harmonized world soil database，HWSD) V 1.1整理得到。在此基础上，使用ArcGIS平台的按掩膜提取功能，按照研究区域边界剖分得到土壤类型分类图(见图 2(a))，再使用SPAW软件计算土壤类型各项参数并写入到SWAT模型的土壤数据库中。研究区域的主要土壤类型包括石灰性冲积土、饱和冲积土、盐化冲积土、简育岩土、人为堆积土, 其中面积占比最大的简育岩土，占研究区域的42.25%(见图 2(b))。
|
图 2 研究区域土壤类型的分布图(a)和占比图(b) Fig. 2 Distribution map of soil types (a) and proportion map (b) of soil types in the study area |
在SWAT模型中，土地利用数据库是非常重要的组成部分，它为模型提供了模拟流域水文、土壤、水质和生态过程所需的土地利用信息，使模型能够更准确地反映不同土地利用方式对流域系统的综合影响，为流域综合管理和规划提供了有力支持[19]。研究区域的主要土地利用类型如图 3(a)所示，包括耕地、建设用地、水体、裸地、草地、林地和湿地，其中耕地的分布最广泛，面积约为1 371.13 km2，约占总面积的65.98%(见图 3(b))。
|
图 3 研究区域土地利用类型的分布图(a)和占比图(b) Fig. 3 Distribution map of soil types (a) and proportion map (b) of land use types in the study area |
本文所用到的实测气象数据来源于研究区域及附近的8个气象观测站，包括东营、垦利两个国家基本气象站，时间跨度为2018年1月1日—2022年12月31日，观测变量包括逐日降雨、相对湿度、风速、最高最低气温和日照时数等，上述数据均由东营市水文中心提供。
2 模型的建立与验证 2.1 SWAT模型原理根据前述所建研究区域的基础数据库，运用SWAT模型提取DEM高程数据中的地形信息来进行河网和子流域的划分。由于研究区域地处平原，地形起伏较小，导致河网和子流域的划分存在偏差，从而影响模拟精度[20]。为此，本文在SWAT模型自动识别划分河网和子流域的基础上，通过ArcGIS平台的编辑功能手动导入地图，并根据图中实际水系分布进行手动调整以符合实际情况，从而提高模拟模型的准确性和可靠性[21]。在此基础上，叠加土地利用、土壤类型和坡度分级数据，然后将子流域内满足同一分类标准的区域划分为同一个水文响应单元。为减少水文响应单元的划分，提高计算效率，本文将土地、土壤和坡度阈值设为5%，即忽略面积占比低于5%的类型。最后，给定上游来水数据并导入气象数据，完成SWAT模型构建并运行模型。
2.2 模型理论方法SWAT模型实现研究区域径流模拟的主要依据是基本水量平衡方程，其运算公式如下：
| $ \begin{gathered} C_{W, t}= \\ C_{W, 0}+\sum\limits_{i=1}^t\left(R_{\mathrm{day}, i}-Q_{\mathrm{surf}, i}-E-W_{\mathrm{seep}, i}-Q_{\mathrm{gw}, i}\right)。\end{gathered} $ | (1) |
式中：CW, t为t时间的土壤含水量(mm)；CW, 0为土壤初始含水量(mm)；Rday, i为第i天的降水量(mm)；Qsurf, i为第i天的地表汇水量(mm)；E为第i天的蒸发蒸腾量(mm)；Wseep, i为第i天的土壤剖面流向渗流带的水量(mm)；Qgw, i为第i天的回归流量(mm)；t为时间(d)。
2.3 模型精准度评估模型参数率定后需要对模拟准确性进行评估，本文选用纳什效率系数(Ens)、偏差百分比(Re)、决定系数(R2)三个指标来评价模型在流域内的适用性，具体计算公式如下：
| $ E_{\mathrm{ns}}=1-\left[\sum\limits_{i=1}^n\left(Q_{\mathrm{z}}-Q_{\mathrm{s}}\right)^2 / \sum\limits_{i=1}^n\left(Q_{\mathrm{z}}-\bar{Q}_{\mathrm{z}}\right)^2\right], $ | (2) |
| $ \begin{gathered} R^2=\left\{\sum\limits_{i=1}^n\left[\left(Q_{\mathrm{z}}-\bar{Q}_{\mathrm{z}}\right)\left(Q_{\mathrm{s}}-\bar{Q}_{\mathrm{s}}\right)\right]\right\}^2 / \\ {\left[\sum\limits_{i=1}^n\left(Q_{\mathrm{z}}-\bar{Q}_{\mathrm{z}}\right)^2 \sum\limits_{i=1}^n\left(Q_{\mathrm{s}}-\bar{Q}_{\mathrm{s}}\right)^2\right], } \end{gathered} $ | (3) |
| $ R_{\mathrm{e}}=\sum\limits_{i=1}^n\left(Q_{\mathrm{s}}-Q_{\mathrm{z}}\right) / \sum\limits_{i=1}^n Q_{\mathrm{z}} \times 100 \% \text { 。} $ | (4) |
式中：Qz和Qs分别表示实测值和模拟值；
SWAT模型在模拟地表水文循环过程中，首先基于DEM高程数据进行河网识别，进而进行子流域的划分。然而，在平原地区，由于地势平缓，地形起伏较小，难以较好地展现流域内的水文分布情况，从而在一定程度上影响了模拟的准确性[22-24]。为解决这一问题，本文在SWAT模型自动识别划分河网和子流域的基础上，通过ArcGIS平台的编辑功能，手动导入地图并修改了河网和子流域的划分。经对比发现，手动修改后的河网分布与实际情况更加接近，有效提高了模型模拟的准确性和可靠性。
河网和子流域的划分和集水面积阈值成正比，即集水面积阈值越大，河网和子流域划分越粗糙，数量也越少；反之，集水面积阈值越小，河网和子流域的划分越精细，数量也越多。根据相关研究，河网和子流域划分数量的多少对模拟结果的影响较小[25-26]，本文在模型分析高程数据所得出推荐阈值的基础上反复试验，最终将研究区域阈值定为31 km2，共划分出21个子流域(见图 4)。因为研究区域为黄河下游入海口流域，因此需要在研究区域入口处设立汇入点，输入上游来水以提高模拟精确度。根据黄河入海口地区的水系分布和实际情况，本文以黄河利津站2018—2023年的逐日径流数据作为上游来水的输入数据，汇入SWAT模型划分的15号子流域，该子流域与黄河利津站的位置相对应(具体位置如图 4所示)，且在水系连通性上与实际情况相符。
|
图 4 子流域划分 Fig. 4 The division of the sub-basin |
流域内不同区域在土壤类型、土地利用方式和地形地貌等方面特征各异，这些因素共同影响水体的流动、存储和转化等水文过程。为更精确地模拟和研究整个流域的水文情况，把流域划分成一个个水文响应单元，使每个水文响应单元内的土壤、土地利用、地形等条件相对一致，这样水在每个单元内的流动规律也比较相似，最终将流域划分为248个水文响应单元。
2.5 参数率定参数率定和敏感性分析采用SUFI-2算法，基于贝叶斯统计理论和马尔可夫链蒙特卡洛(Markov chain Monte Carlo, MCMC)方法的原理[27]，通过迭代更新参数值来寻找全局最优参数组合，使得模型模拟结果更加贴合观测数据。同时，该算法考虑参数不确定性和观测数据误差，能够提供模型参数的概率分布和模拟结果的不确定性范围。在评估参数敏感性时，主要依据t统计量和p值这两个关键指标[28-29]，当p值越小或者t统计量绝对值越大时，参数敏感程度越高。参数敏感程度排序如表 2所列。
|
|
表 2 参数敏感性分析结果 Table 2 Parameter sensitivity analysis results |
本研究初步选取22个与径流相关的参数进行敏感性分析，最终确定了16个与研究区域敏感程度较高的参数，16个参数敏感性分析结果如表 2[30-32]所列。按照SWAT校准参考值初步给定参数范围，经过500次的计算后得到参数全新取值范围，然后回代到模型中进行迭代计算，直至稳定，最终确定参数取值，如表 2所列。
2.6 模型径流验证与分析本文以流域入口黄河利津站径流量(见图 5(a))作为上游来水的径流量的参照数据，进而验证流域内黄河支流处东兴水文站的实测径流量。模拟时间跨度为2018年1月1日—2022年12月31日，其中2018—2020年为模型预热期，2021年为模型率定期，2022年为流域验证期，时间尺度为月尺度。对东兴站月径流量的模拟值与实测值进行分析比较(见图 5(b))，得出率定期纳什效率系数(Ens)和决定系数(R2)分别为0.97和0.96，偏差百分比(Re)为-12.9%；验证期Ens和R2分别为0.96和0.95，Re为4.26%，表明模型整体模拟效果较好，且模型输出结果可靠。
|
图 5 利津站径流时间序列(a)和东兴站月径流量(b)动态拟合曲线 Fig. 5 Dynamic fitting curves of runoff time series at Lijin station (a) and monthly runoff of Dongxing station(b) |
图 6展示了黄河入海口地区东兴水文站月径流量模拟值随垦利国家气象站月降水量的变化关系。从初步分析月径流量和月降雨量变化情况来看，河道径流量的大小与降雨量在趋势上正相关，局部时段径流量变化略晚于降雨量变化。通常情况下，降雨量较大的月份，径流量也相对较大；降雨量较小的月份，径流量也较小。在6—8月，月降雨量较高，对应的月径流量实测值和模拟值曲线也出现明显上升(见图 6)，表明在这些时段，降雨对河道径流量进行了补充，降雨量的增加直接导致径流量的增加。相反，其余月份降雨不足，径流补给减少，河道径流量相应减少，甚至河道断流，上述结果表明，降雨量与河道径流量之间存在密切联系。
|
图 6 东兴站月径流随月降雨量的变化 Fig. 6 Variation of monthly runoff with monthly rainfall at Dongxing station |
气温变化会改变土壤水环境，如气温升高会加速蒸发与蒸腾，导致土壤水分减少，下渗减弱，从而导致径流补给量减少；同时，高山积雪与冰川融化加速，短期内可显著提升河川径流基流量。降水是径流形成的直接动力，其时空分布变化会对径流产生影响。某些地区暴雨频次增加，短时间内大量降水使径流峰值增大、过程变陡；而降水减少地区，径流总量下降，枯水期延长[33]。IPCC第六次评估报告(Sixth assessment report，AR6)对中国未来气候变化趋势做出了系统性预测，并揭示其存在气温升高、极端事件频发、降水格局重构及区域差异显著等核心特征。报告指出，近百年来中国平均气温上升1.2 ℃，北方地区暖湿化加速，温度升幅度远超全国平均值，且黄河流域降水量预计增加10%~15%[34-36]。因此，本研究采用情景分析法，基于IPCC评估报告，设计研究区域未来气候情景，主要探讨分析气温和降雨量两种气候因子对流域内径流变化的影响。为对比不同气候变化情境下径流变化情况，在设置气温增加1和2 ℃及降雨量增加10%和20%的变化情景基础上，增设气温下降1和2 ℃及降雨量减少10%和20%的气候变化情景，本文共设置25种组合下的未来气候情景，具体设置如表 3所示。
|
|
表 3 不同气候变化下的情景设置 Table 3 Scenario Settings under different climate changes |
在先前完成率定工作的模型基础上，以流域入口处黄河利津水文站2018—2022年逐日径流时间序列(见图 5(a))作为上游来水的输入数据，维持其径流量时间序列保持不变，将涵盖气温与降雨量变化的25种未来气候情景，逐一输入到模型气象数据库中，通过全年逐日气象输入数据的改变来模拟研究区未来气候变化情景，从而得到东兴水文站所在子流域河道多年平均径流量变化结果，如图 7和表 4所示。
|
( (a)温度固定变幅下年径流量随降雨量变化图；(b)降雨量固定变幅下年径流量随温度变化图。(a) The variation diagram of annual runoff with rainfall under the fixed amplitude of temperature change; (b) The annual runoff variation with temperature under the fixed amplitude of rainfall. ) 图 7 不同情景下东兴水文站年径流量变化图 Fig. 7 The annual runoff change diagram of Dongxing hydrological station under different scenarios |
|
|
表 4 不同气候变化情境下东兴水文站径流模拟预测结果 Table 4 Runoff simulation prediction results of Dongxing hydrological station under different climate change scenarios |
由图 7和表 4可知，当保持气温不变(情景为A31、A32、A34、A35)时，径流量随着降雨量的增加而增加，当降雨量增加20%时，年平均径流量比基准情形增加了5.39 m3/s，增幅约为39.49%；当降雨量减少20%时，径流量减少了4.66 m3/s，降幅为34.14%。若降雨量保持不变(情景为A13、A23、A43、A53)时，年平均径流量随着温度的升高而增加，当温度升高2 ℃时，年平均径流量比基准情形增加了0.32 m3/s，增幅约达2.34%；当温度下降2 ℃时，径流量减少了0.25 m3/s，降幅约为1.83%。对比发现，降雨量对径流量的影响远大于气温的影响，这是由于降水是河道径流补给的主要来源，径流量随着降雨量的变化而变化；当降雨量保持不变时，温度的升高会增强地表湖泊、河流和湿地等的蒸发作用，加快地表水文循环过程，同时，温度上升会使海洋表面蒸发作用加强，大量水汽输送到陆地上空形成降水，为河道提供更多的水源补给，从而使径流量增加。值得注意的是，当降雨量保持20%增幅不变时，径流量随着温度的升高呈现先增大后略微减小的趋势，初步分析原因如下：在降雨量保持增加且下垫面条件稳定的前提下，随着气候变暖，降水-蒸发-产流过程的动态平衡被打破，由气温变化影响下初期降雨增幅大于蒸发增幅，径流量增加转变为后期蒸发增幅大于降雨增幅，径流量减小，形成初期降雨增量占优，后期蒸发消耗占优的非线性响应关系。此结果与前人针对黄河流域及其他流域的研究结论保持一致[37-38]。
在本文设置的25种组合气候情景变化中，多年平均径流量最大的情景是A25(降水量增加20%、气温上升1 ℃)，年平均径流量为19.38 m3/s，比基准情景增加了5.73 m3/s，增幅约41.98%；径流量最小的情景是A51(降水量减少20%、气温下降2 ℃)，年平均径流量为8.72 m3/s，比基准情形减少了4.93 m3/s，降幅约为36.12%。分别对比A13和A53、A23和A43可知，在相同温度变化幅度下，径流量变化对温度升高更敏感；分别对比A31和A35、A32和A34可知，在相同降雨量变化幅度下，径流量变化对降雨量增加更加敏感；对比A31和A53可知，气温保持不变、降水量降低20%的径流变化率远大于降水量保持不变、气温降低2 ℃的径流变化率；同时，观察A32和A43两种情况可知，气温不变、降水量降低10%的径流变化量也远大于降水量不变、气温降低1 ℃的径流变化量。因此，在黄河入海口地区，降雨量是影响未来径流变化的主要因素，气温影响则较小。
3.2 极端降水情景下的径流变化规律根据IPCC第六次评估报告(AR6)解读分析，全球变暖趋势下，水汽循环加剧，极端降水事件频发[39]，全国连续5日最大降水量将增加10%~20%，其中西北东部及黄淮流域增幅超过15%。因此，本文采用情景分析法，以黄河入海口地区为研究对象，保持流域入口处上游来水量不变，以最大日降水量作为极端降水指标，对垦利国家气象站1967—2023年的最大日降水量进行气候极值再现。为此，对黄河干道上的代表性子流域设置了3种重现期情景：20年一遇极端降水、50年一遇极端降水和100年一遇极端降水(具体情景设置见表 5)。以2022年为基准年，根据最不利持续极端降雨指数，将该年7月1—5日设为持续极端降雨期，保持年内其余日期降雨量不变，分别对该年7—9月的日、月、年三种尺度的径流量变化规律进行分析讨论。
|
|
表 5 不同重现期降雨极值设置 Table 5 Settings of the rainfall extremes in different recurrence periods |
在极端降水条件下，日均、月均、年均尺度径流量模拟结果和变化情况如表 6和图 8所示，日均径流量情景一、二、三分别比基准年增加了84.14、102.19、115.66 m3/s，变化率分别为6.06%、6.93%、7.75%，增幅相差不大。月均径流量情景一比基准年增加了83.23 m3/s，增幅为6.07%；情景二和情景三分别比情景一增加了18.04和31.07 m3/s，与基准年相比增幅分别为6.96%和7.76%。年均径流量变化幅度较小，分别为2.49%、3.03%和3.43%。
|
|
表 6 不同重现极端将雨条件下径流量模拟结果 Table 6 Runoff simulation results under extreme rainfall conditions with different return periods |
|
图 8 不同情境条件下的径流变化量与变化率 Fig. 8 The amount and rate of runoff change under different conditions |
2022年流域不同极端降水情景下的逐日径流变化趋势如图 9所示。通过比较可以看出，3种不同极端降水情景下日均径流量均显著提升，而且在7月10日时达到峰值，随着极端降雨期结束，日径流量逐渐下降，直至8月中旬回归基准年径流水平。观察发现，在日径流量下降期间(7月26日前后)，随着降雨量的增加，三种极端降雨情景和基准年日径流量回升，出现了第二峰值，由于降雨量相同，三种极端降水情景上升幅度与基准年保持一致。黄河入海口滨海湿地是典型的新生河口湿地，由黄河泥沙淤积形成，发育大量芦苇沼泽、潮间带滩涂。极端降水发生时，湿地土壤孔隙和植被根系快速截留雨水，形成短期地表径流峰值，日均和月均径流变化量变化较为显著；但从年均尺度看，湿地通过缓慢下渗、蒸腾、潮沟排泄等过程，将短期激增的水量分散到全年(如枯水期释放蓄水)，使年均径流趋于平稳。
|
图 9 2022年不同情景下径流量变化趋势 Fig. 9 Trends of runoff under different scenarios in 2022 |
本文以黄河入海口附近区域为研究对象，基于SWAT分布式地表水文模型，模拟了未来气候变化情景下研究区内的径流演变，探究了流域与气象因子间的响应关系和极端降水情况下径流的水文效应，得到如下主要结论。
(1) 通过全局敏感性分析，得出影响径流过程的参数敏感性由高到低排序依次是基流α系数、SCS径流曲线数、植被最大存水容量、曼宁系数n值、土壤可用水量、地下水蒸发再生系数和浅层含水层回归流的水深阈值，其余参数影响相对较小。
(2) 黄河入海口地区内径流变化主要受降水量的驱动，径流量与降水量显著正相关。在降水量不变或减少的情况下，径流量随气温上升而增大；当降水量增加时，径流量则随着气温上升呈现先增大后略微减小的趋势，表明温度变化对流域水文过程的影响存在一定的非线性效应。
(3) 在极端降水条件下，不同重现期的极端降雨对流域径流水文效应的影响显著，日均和月均径流变化率较高，峰值变化剧烈且持续时间较长。短时间尺度(日、月)内的径流剧烈波动受湿地系统的调节作用，被平滑转化为年尺度的相对稳定过程。因此，尽管短期内径流波动较大，但年均径流的整体影响相对较小。这一现象在全球新生河口湿地中具有典型性，也是黄河入海口“生态脆弱却径流稳定”的核心机制。值得关注的是，未来气候变化可能加剧湿地退化(如植被破坏)，进而削弱湿地的水文调节功能。为维持湿地的“天然调蓄器”作用，应加大生态修复力度，以提高其应对极端气候事件的韧性。
| [1] |
李吉祥. 山东黄河三角洲国家级自然保护区[J]. 生物学通报, 1997, 32(5): 20-21. (  0) |
| [2] |
Li J X. Shandong Yellow River Delta National Nature Reserve[J]. Bulletin of Biology, 1997, 32(5): 20-21. ( 0) |
| [3] |
Yu J, Fu Y, Li Y, Han G, et al. Effects of water discharge and sediment load on evolution of modern Yellow River Delta, China, over the period from 1976 to 2009[J]. Biogeosciences, 2011, 8(9): 2427-2435. DOI:10.5194/bg-8-2427-2011 ( 0) |
| [4] |
Yuan L R, Xin P, Kong J, et al. A coupled model for simulating surface water and groundwater interactions in coastal wetlands[J]. Hydrological Processes, 2011, 25(23): 3533-3546. DOI:10.1002/hyp.8079 ( 0) |
| [5] |
Anand J, Gosain A K, Khosa R. Prediction of land use changes based on land change modeler and attribution of changes in the water balance of Ganga basin to land use change using the SWAT model[J]. Science of the Total Environment, 2018, 644: 503-519. DOI:10.1016/j.scitotenv.2018.07.017 ( 0) |
| [6] |
侯玥, 徐成东, 刘伟, 等. 气候变化情景下淮河上游流域氮排放预测研究[J]. 地球信息科学学报, 2022, 24(8): 1558-1574. Hou Y, Xu C D, Liu W, et al. Prediction of nitrogen emission in the upper reaches of the Huai River basin under climate change scenarios[J]. Journal of Geo-Information Science, 2022, 24(8): 1558-1574. ( 0) |
| [7] |
张徐杰. 气候变化下基于SWAT模型的钱塘江流域水文过程研究[D]. 杭州: 浙江大学, 2015. Zhang X J. Research on Hydrological Processes in the Qiantang River Basin Based on the SWAT Model Under Climate Change[D]. Hangzhou: Zhejiang University, 2015. ( 0) |
| [8] |
Valliammai A. Assessment of climate change impact on watershed hydrology[J]. Journal of Pharmacognosy and Phytochemistry, 2019, 8: 263-269. ( 0) |
| [9] |
Jha M, Arnold J G, Gassman P W, et al. Climate chhange sensitivity assessment on upper Mississippi River Basin streamflows using SWAT1[J]. JAWRA Journal of the American Water Resources Association, 2006, 42: 997-1015. ( 0) |
| [10] |
Srinivasan R, Arnold J G. Integration of a basin-scale water quality model with GIS[J]. Jawra Journal of the American Water Resources Association, 1994, 30(3): 453-462. DOI:10.1111/j.1752-1688.1994.tb03304.x ( 0) |
| [11] |
Ahl R S, Woods S W, Zuuring H R. Hydrologic Calibration and validation of SWAT in a snow-dominated rocky mountain watershed, Montana, USA[J]. Journal of the American Water Resources Association, 2008, 44: 1411-1430. DOI:10.1111/j.1752-1688.2008.00233.x ( 0) |
| [12] |
韩子言, 蒙吉军, 邹易. 基于SWAT模型的黑河中游蓝绿水安全时空变化分析[J]. 生态学报, 2024, 44(15): 6473-6486. Han Z Y, Meng J J, Zou Y. Spatio-temporal variation analysis of blue and green water security in the middle reaches of the Heihe River based on the SWAT Model[J]. Acta Ecologica Sinica, 2024, 44(15): 6473-6486. ( 0) |
| [13] |
岳紫莹, 邓玉, 倪福全, 等. 未来气候情景下汉江流域中上游径流量变化[J]. 中国农业气象, 2024, 45(7): 715-728. Yue Z Y, Deng Y, Ni F Q, et al. Runoff variation in the middle and upper reaches of the Hanjiang River Basin under future climate scenarios[J]. Chinese Journal of Agrometeorology, 2024, 45(7): 715-728. ( 0) |
| [14] |
田晶, 郭生练, 刘德地, 等. 气候与土地利用变化对汉江流域径流的影响[J]. 地理学报, 2020, 75(11): 2307-2318. Tian J, Guo S L, Liu D D, et al. Influence of climate and land use changes on runoff in the Hanjiang River Basin[J]. Acta Geographica Sinica, 2020, 75(11): 2307-2318. ( 0) |
| [15] |
资添添, 刘静, 宣柯炀. 基于SWAT模型的黄河流域作物水足迹及虚拟水流动研究[J]. 灌溉排水学报, 2025, 44(2): 19-26. Zi T T, Liu J, Xuan K Y. Study on crop water footprint and virtual water flow in the Yellow River basin based on SWAT model[J]. Journal of Irrigation and Drainage, 2025, 44(2): 19-26. ( 0) |
| [16] |
降亚楠, 王蕾, 魏晓妹, 等. 基于SWAT模型的气候变化对泾河径流量的影响[J]. 农业机械学报, 2017, 48(2): 262-270. Jiang Y N, Wang L, Wei X S, et al. Impact of Climate change on runoff of the Jinghe River based on the SWAT model[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(2): 262-270. ( 0) |
| [17] |
张嘉琪, 刘招, 韩忠青, 等. 气候变化下泾河流域蓝绿水变化趋势及预测[J]. 干旱区研究, 2024, 41(12): 2045-2055. Zhang J Q, Liu Z, Han Z Q, et al. Variation trends and projections of blue and green water in the Jinghe River Basin under climate change[J]. Arid Zone Research, 2024, 41(12): 2045-2055. ( 0) |
| [18] |
刘徽, 唐仲华. 基于SWAT模型的岩溶地区地下水资源评价[J]. 安徽农业科学, 2013, 41(10): 4559-4561. Liu H, Tang Z H. Assessment of groundwater resources in Karst areas based on the SWAT model[J]. Journal of Anhui Agricultural Sciences, 2013, 41(10): 4559-4561. ( 0) |
| [19] |
郑莉萍, 胡煜佳, 张森林, 等. 基于SWAT模型的璧南河流域径流模拟分析[J]. 重庆师范大学学报(自然科学版), 2023, 40(3): 31-47. Zheng L P, Hu Y J, Zhang S L, et al. Runoff simulation and analysis of the Binan River Basin based on the SWAT Model[J]. Journal of Chongqing Normal University (Natural Science Edition), 2023, 40(3): 31-47. ( 0) |
| [20] |
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(4): 1-6. Wang Z G, Zhu X J, Xia J, et al. Construction of the distributed SWAT model in the Haihe River Basin[J]. Progress in Geography, 2008(4): 1-6. ( 0) |
| [21] |
李曼曼, 韩会玲, 刘晓英, 等. SWAT模型最佳子流域划分方案研究——以云南洱海流域为例[J]. 中国农业气象, 2012, 33(2): 185-189. Li M M, Han H L, Liu X Y, et al. Study on the optimal sub-basin partitioning scheme of the SWAT Model: A case study of the Erhai Lake Basin in Yunnan Province[J]. Chinese Journal of Agrometeorology, 2012, 33(2): 185-189. ( 0) |
| [22] |
Donmez C, Sari O, Berberoglu S, et al. Improving the applicability of the SWAT model to simulate flow and nitrate dynamics in a flat data-scarce agricultural region in the Mediterranean[J]. Water, 2020, 12: 3479. DOI:10.3390/w12123479 ( 0) |
| [23] |
Tobin K J, Bennett M E. Improving SWAT model calibration using soil MERGE (SMERGE)[J]. Water, 2020, 12: 2039. DOI:10.3390/w12072039 ( 0) |
| [24] |
Shao G, Zhang D, Guan Y, et al. Application of SWAT model with a modified groundwater module to the semi-arid Hailiutu River catchment, Northwest China[J]. Sustainability, 2019, 11: 2031. DOI:10.3390/su11072031 ( 0) |
| [25] |
郝芳华, 张雪松, 程红光, 等. 分布式水文模型亚流域合理划分水平刍议[J]. 水土保持学报, 2003, 17(4): 75-78. Hao F H, Zhang X S, Cheng H G, et al. Discussion on the reasonable partitioning level of sub-basins in distributed hydrological models[J]. Journal of Soil and Water Conservation, 2003, 17(4): 75-78. ( 0) |
| [26] |
李睿智, 吴磊, 杜佰林, 等. DEM和土地利用分辨率对SWAT水沙模拟效果的影响——以泾河流域为例[J]. 水资源与水工程学报, 2023, 34(5): 70-79. Li R Z, Wu L, Du B L, et al. Effects of DEM and land use resolution on SWAT water and sediment simulation: A case study of the Jinghe River Basin[J]. Journal of Water Resources and Water Engineering, 2023, 34(5): 70-79. ( 0) |
| [27] |
Khalid K, Ali M F, Rahman N F A, et al. Sensitivity analysis in watershed model using SUFI-2 algorithm[J]. Procedia Engineering, 2016, 162: 441-447. DOI:10.1016/j.proeng.2016.11.086 ( 0) |
| [28] |
Uniyal B, Jha M K, Verma A K, et al. Identification of critical areas and evaluation of best management practices using SWAT for sustainable watershed management[J]. Science of the Total Environment, 2020, 744: 140737. DOI:10.1016/j.scitotenv.2020.140737 ( 0) |
| [29] |
姚美初, 陈莹, 李鸿雁, 等. 基于智能聚类识别的SWAT模型参数优化方法——以石头口门水库流域为例[J]. 南水北调与水利科技, 2023, 21(3): 457-469. Yao M C, Chen Y, Li H Y, et al. An optimal method for SWAT model parameters based on intelligent clustering recognition: A case study of the Shitoukoumen Reservoir Basin[J]. South-to-North Water Transfers and Water Science & Technology, 2023, 21(3): 457-469. ( 0) |
| [30] |
李景, 马天啸, 陆妍如, 等. SWAT模型多目标率定与评价——以梅川江流域为例[J]. 中国科学院大学学报, 2021, 38(5): 590-600. Li J, Ma T X, Lu Y R, et al. Multi-objective calibration and evaluation of the SWAT model: A case study of the Meichuan River Basin[J]. Journal of University of Chinese Academy of Sciences, 2021, 38(5): 590-600. ( 0) |
| [31] |
刘林, 李金峰, 李泽利, 等. 汾河上游流域SWAT模型构建及适用性评价[J]. 人民黄河, 2020, 42(11): 58-62+96. Liu L, Li J F, Li Z L, et al. Construction and applicability evaluation of the SWAT model in the upper reaches of the Fenhe River Basin[J]. Yellow River, 2020, 42(11): 58-62+96. ( 0) |
| [32] |
崔兴齐, 滕建标, 姚晓磊, 等. 流量数据量对分布式水文模型参数率定结果的影响分析——以黑河流域上游为例[J]. 北京师范大学学报(自然科学版), 2014, 50(5): 570-575. Cui X Q, Teng J B, Yao X L, et al. Analysis of the influence of flow data volume on the parameter calibration results of distributed hydrological models: A case study of the upper reaches of the Heihe River Basin[J]. Journal of Beijing Normal University (Natural Science Edition), 2014, 50(5): 570-575. ( 0) |
| [33] |
Hong Wang, et al. Anthropogenic climate change has influenced global river flow seasonality[J]. Science, 2024, 383: 1009-1014. DOI:10.1126/science.adi9501 ( 0) |
| [34] |
高启慧, 秦圆圆, 梁媚聪, 等. IPCC第六次评估报告综合报告解读及对我国的建议[J]. 环境保护, 2023, 51(Z2): 82-84. Gao Q H, Qin Y Y, Liang M C, et al. Interpretation of the synthesis report of the sixth assessment report of the Intergovernmental Panel on Climate Change (IPCC) and suggestions for China[J]. Environmental Protection, 2023, 51(Z2): 82-84. ( 0) |
| [35] |
Intergovernmental Panel on Climate Change. AR6 Synthesis Report: Climate Change 2023[R/OL]. (2023-03-20)[2025-03-27]. https://www.ipcc.ch/report/ar6/syr/.
( 0) |
| [36] |
赵树云, 袁畅, 张华, 等. 基于多源证据估算气候敏感度最新研究进展: IPCC AR6解读[J]. 大气科学学报, 2023, 46(6): 848-863. Zhao S Y, Yuan C, Zhang H, et al. Recent research advances in estimating climate sensitivity based on multiple lines of evidence: Interpretation of IPCC AR6[J]. Journal of Atmospheric Sciences, 2023, 46(6): 848-863. ( 0) |
| [37] |
Chen L, Chang J X, Wang Y M, et al. Assessing runoff sensitivities to precipitation and temperature changes under global climate-change scenarios[J]. Hydrology Research, 2019, 50(1): 24-42. DOI:10.2166/nh.2018.192 ( 0) |
| [38] |
Chen Z, Wang W, Cescatti A, et al. Climate-driven vegetation greening further reduces water availability in drylands[J]. Global Change Biology, 2023, 29(6): 1628-1647. DOI:10.1111/gcb.16561 ( 0) |
| [39] |
Zhang W X, Zhou T J, Wu P L. Anthropogenic amplification of precipitation variability over the past century[J]. Science, 2024, 385: 427-432. DOI:10.1126/science.adp0212 ( 0) |
2. Key Laboratory of Ocean Engineering of Shandong Province, Ocean University of China, Qingdao 266100, China;
3. Dongying Hydrology Center, Dongying 257100, China;
4. Dongying Municipal Key Laboratory of Hydrology and Ecology in the Yellow River Delta, Dongying 257100, China;
5. College of Environmental Science and Engineering, Ocean University of China, Qingdao 266100, China;
6. Key Laboratory of Marine Environment and Ecology, Ministry of Education, Ocean University of China, Qingdao 266100, China