不同气候条件的抚河流域SWAT径流模拟与验证

崔肖林，陆建忠，陈晓玲，2，陶 灿

(1.武汉大学测绘遥感信息工程国家重点实验室，武汉 430079;2.江西师范大学鄱阳湖湿地与流域研究教育部重点实验室，南昌 330022)

1 研究背景

SWAT(Soil and Water Assessment Tool)模型是由20世纪90年代美国农业部农业研究中心(USDAARS)开发的流域尺度分布式水文模型。该模型可以在水文响应单元的空间尺度上进行地表径流、非点源污染、农业面源污染、总氮负荷的模拟和地下水资源评价等研究，而径流模拟是SWAT模型最基本、最重要的的功能，是进行农业面源污染，非点源污染等各种应用研究的基础。

目前，国内外学者应用SWAT模型在模拟流域径流方面进行了大量的研究，但是研究的焦点多集中于对模型进行率定与校准，再根据评价系数决定模型是否具有适用性，并没有对模型在不同气候条件下的稳定性进行验证，而是直接用于后续理论和应用等的研究。例如，利用构建的SWAT模型验证土地利用变化或农作物管理措施对径流量、营养物载荷的影响［1］;应用构建的某一流域的SWAT模型对该流域的径流过程进行模拟［2－4］;应用 SWAT分布式水文模型，研究不同的模型参数的输入对地表径流、泥沙产量等的影响［5－7］;利用建立好的SWAT模型，在充分考虑岩溶区特殊的地质背景和降雨不均匀的情况下，模拟连江流域的径流过程来评价地下水的资源量［8］;通过构建的甘肃梨园河流域的SWAT模型，在证明模型适应于该流域的模拟之后，通过回归模型和时域法的结合预测气象数据，用来模拟 2009—2018 年的地表径流［9］;利用构建的SWAT模型，评价不同的气候场景对流域水文过程的影响［10］或者通过设置未来的气候场景模拟气候变化对水文过程的影响［11－13］。由于无法对未来极端气候条件下的模型进行验证，但是模型的适用性与稳定性对于模拟结果的可信性以及可用性是非常重要的，所以对未来预测的结果难以让人信服。本文从这种思路出发，选择了历史年份下的极端气候条件对模型进行验证，证明所建模型的适应性与稳定性。

本文选取江西抚河流域为研究区域，在构建适合于该流域的SWAT模型的基础上，根据丰水年和枯水年、高温年和低温年的选取原则，选取连续的丰水年和枯水年、连续的高温年和低温年对模型的稳定性进行验证，为以后研究抚河流域在不同气候期的径流量变化等奠定重要的基础。

2 研究区概况

抚河流域位于江西省东南部，是鄱阳湖水系5大河流的第二大河流，地跨东经 115°36'～117°10'，北纬26°30'～28°20'，流域面积15 811 km2(李家渡水文站以上)。抚河流域属于中亚热带湿润季风气候区，气候温和，雨量充沛。流域内多年平均气温为16.9～18.2℃;多年平均降雨量为1 500～2 000 mm，年内降雨量分配不均匀，丰水期(4—6月)平均降雨量为835 mm，占降水量的50.7%左右。洪水一般发生在6—7月份，各水文站的洪峰流量和最大流量出现时间大多集中在6月份。靠近研究区域有4个气象站，分别是樟树、贵溪、广昌和南城，其中，广昌和南城在流域内，贵溪和樟树在流域外(图1)。本文选择李家渡水文站作为控制点，研究该区域的径流过程。

图1 抚河流域及其地形、水文站、气象站分布Fig.1 Map of Fuhe river watershed with DEM，hydrological and meteorological stations

3 研究方法

3.1 抚河流域SWAT模型的构建

SWAT模型的建立包括模型的输入数据、子流域的划分和水文响应单元(HRU)的确定、参数敏感性分析以及参数率定。模型的输入数据包括研究区域的空间数据库和属性数据库，其中，空间数据库包括数字高程模型(DEM)、土地利用/覆盖图、土壤类型图;属性数据库包括土壤属性数据库、气象数据库等。

(1)SWAT模型的输入数据。DEM数据是描述区域地貌形态空间分布的重要数据，它在SWAT模型建模的过程中，对于流域边界的勾画、子流域的划分、河网水系的生成、各水文参数的提取、HRU的划分起着基础作用。研究区域的DEM数据是由ASTER GDEM 30m分辨率得到的。将原始的DEM数据进行拼接处理后，再利用ARCGIS工具进行投影变换，最后将研究区域根据流域边界切割出来。

土地利用/覆盖类型影响着降水在陆面的成流过程，对模拟的结果具有重要影响。SWAT模型需要的土地利用/覆盖数据包括土地利用/覆盖分布图以及土地利用/覆盖类型索引表。土地利用/覆盖分布图是由1990年的30 m分辨率的Landsat TM遥感影像［14］，通过非监督分类得到，其中主要的土地利用类型是林地、水田、农田。

土壤数据包括土壤类型分布图、土壤类型索引表以及土壤数据库的参数(土壤物理属性)，是SWAT模型主要的输入参数。土壤物理属性主要包括有机碳含量(SOL_CBN)、土壤的饱和水力传导度(SOL_K)、土层可利用的有效水量(SOL_AWC)、土壤湿密度(SOL_BD)等，是建模前期数据处理的关键，这些参数可利用土壤水特性软件SPAW计算得到。土壤类型数据是根据南京土壤所制作的1∶1 000 000的Harmonized World Soil Database(HWSD)世界土壤数据库得到的。对该土壤数据利用ARCGIS进行投影变换、切割后得到了32种土壤类型。其中，最主要的土壤类型是典型强淋溶土。

在SWAT模型模拟的整个过程中，气象数据的重要性是不言而喻的。在建立SWAT模型的过程中，天气发生器、降水数据、气温数据这3个数据是模型所必需的，前者可以弥补气象数据的缺测。本文利用樟树、广昌、南城、贵溪 4个气象站点的1961—1998年连续38 a的逐日气象数据制作了天气发生器，其中降水、温度、相对湿度、风速数据、太阳辐射数据均选取了1961—1998年的数据。以上气象数据均来源于中国气象数据服务共享网。

(2)流域划分及HRU的确定。模型根据DEM数据，利用SWAT模型自带的地形与河网分析工具，将抚河流域划分为31个子流域，再结合土地利用/覆盖类型和土壤类型，将流域划分为511个水文响应单元(HRU)。本文选取李家渡作为控制点，利用流域出口处的地表径流数据对模型进行评价。

(3)参数敏感性分析。敏感性分析的目的就是对输入参数值对模拟结果的影响程度进行分析判断，然后将确定的影响程度最大的参数作为参考，从输入参数中选择重要的参数因子进行调整。对参数进行敏感性分析，不仅能够减少调整参数的时间，而且在一定程度上能够提高模型的效率。

对模型进行敏感性分析之后，得到影响流域模拟结果精度的5个重要参数分别是土壤蒸发补偿系数(ESCO)、径流曲线数(CN2)、浅层蓄水层补偿深度(GWQMN)、土壤蒸发补偿系数(ESCO)和植物吸收补偿因子(EPCO)。

(4)模型参数率定。对模型参数进行敏感性分析之后，就需要对参数进行率定。参数率定的目的是提高模型的效率，而模型的效率反映了模型在研究区域的适应性，一般由3个指标来判断:相对误差Re、决定系数R2、Nash-Sutcliffe效率系数 ENS。参数率定时采用手动校准与SWAT-CUP相结合的方法。本文选取了1981—1988年的李家渡径流量数据进行率定，1991—1998年的径流量数据进行验证。

3.2 不同气候时期的选取

为了能将该模型应用于变化环境下未来水文条件的预测模拟，本研究进一步验证模型在不同气候条件下的稳定性，选取历史时期内的极端气候条件，对流域径流进行模拟与验证。其中极端气候年份主要选取了丰水年和枯水年、高温年和低温年。在选取丰水年和枯水年时，考虑到李家渡水文站接收上游部分的全部径流量，所以本文以李家渡水文站的径流量数据为依据选取丰水年和枯水年。由于广昌、南城、樟树、贵溪这4个气象站能够比较全面地覆盖整个抚河流域，所以我们利用这4个气象站的年平均气温选取高温年和低温年。

丰水年与枯水年的选取原则:①从1961—1978年的时间范围内选取丰水年和枯水年，不与率定期与校准期的时间重合;②求得李家渡水文站1961—1978年实测流量数据的年平均值，从中选择流量数据较高或者较低的连续几年。根据上面的选取原则，丰水年选取的年份为1975—1977年，枯水年选取的年份为1963—1965年。

高温年与低温年的选取原则:①从1961—1978年的时间范围内选取丰水年和枯水年，不与率定期与校准期的时间重合;②由广昌、贵溪、南城、樟树的月平均气温分别求得它们的年平均气温，选取这4个气象站温度都较高或者都较低的连续几年。根据上面的选取原则，最后选取的高温年为1963—1965年，低温年为1969—1971年。其中，高温年和枯水年选在了同一时期。

4 结果与讨论

4.1 模拟结果分析

作为抚河流域的出口，李家渡水文站接收了上游部分的所有径流量。为了减少误差，提高模拟精度，因此将李家渡作为模拟的监测站点，利用李家渡水文站1981—1988年和1991—1998年的径流数据对模型进行率定与验证。率定期与验证期的径流实测值与模拟值对比见图2。

图2 径流模拟值与实测值对比Fig.2 Comparison of simulated and measured runoff

从模拟的结果来看，率定期的1981－04，1982－06和验证期的1998－07这3个月的流量峰值有较大的偏差，其中以1998－07偏差最大，为26%，其他2处的偏差分别为12%和21%。出现这种较大偏大的原因可能是7月份容易爆发洪水，造成地表径流迅速增加，导致了实测值和模拟值在一定程度上的偏差。除此之外，率定期与验证期模拟的流量过程与实测的总体趋势非常吻合(图2)。SWAT模型在率定期的相关系数R2为0.92，效率系数ENS为0.91，相对误差Re为－8%;在校准期的R2为0.92，ENS为0.92，Re为－6%。说明构建的模型适用于抚河流域的径流模拟。

4.2 极端年份对模型的验证

为了验证模型的稳定性，选取了连续丰水年和枯水年、连续高温年和低温年对模型再次进行验证。理论上，验证模型的数据集应该包括平均年份和极端年份，而实际中由于数据的缺乏或者数据质量问题，一般都会选择对模拟效果有利的数据［10］。为了便于实验，在没有发生较大气候事件的情况下，将一般年份均假设为平均年，因此在实验中将率定期(1981—1988年)考虑为平均年。本文选取同一时期(1991—1998年)作为验证期，首先利用了平均年份对模型进行验证，然后再利用选择的极端年份对模型进行验证。通过选取不同的气候条件对模型进行验证，就能够证明模型在各种气候条件下的适应性。利用选取的极端气候年份，通过对径流量的实测数据和模拟值进行比较进而对模型的适应性进行评价，模拟结果如图3至图5所示。

由图3可知，利用连续丰水年对模型的稳定性进行评价，在率定期1975－05，1976－07，1977－06这3个峰值处的偏差都在15%以内，而较大的偏差发生在1977－08，其模拟数据高于实测数据，出现这种现象的原因可能由于是对蒸发量的低估。除此之外，丰水年在率定期的径流模拟结果和实测数据的总体趋势是非常吻合，由他们的决定系数R2、效率系数ENS(均大于0.90)和相对误差Re(2%)也可以看出。在验证期，由图3(b)可看出，在总体趋势上模拟值要高于实测数据，尤其是在1994－06和1996－06，模拟值均高于实测数据。但是，从总的径流过程分析，模型在验证期的的决定系数和效率系数均在0.8以上，相对误差为19%。由上述分析可知，利用丰水年验证模型的稳定性，模拟效果是令人满意的，说明构建的模型在丰水年具有一定的稳定性。

图3 利用连续丰水年对模型的稳定性进行评价Fig.3 Evaluating the stability of the model with continuous wet years

图4 利用连续枯水年对模型的稳定性进行评价Fig.4 Evaluating the stability of the model with continuous drought years

图5 利用连续低温年对模型的稳定性进行评价Fig.5 Evaluating the stability of the model with continuous low temperature years

利用连续枯水年对模型的适应性进行验证，由模拟结果(图4)分析:在率定期，总的模拟径流和实测径流是非常吻合的，没有出现较大的峰值偏差。在验证期，由图上可直观地看出除了在1998－06出现了一个较大的峰值偏差(22%)，总的模拟过程是非常令人满意的。对率定期和验证期的R2和效率系数ENS计算，结果均大于0.90，相对误差Re的绝对值均小于5%。从而证明模型在枯水年具有一定的稳定性，可用于对枯水年的模拟。

由于高温年和枯水年处于同一个时期，所以，只要利用低温年对模型的稳定性进行验证即可。在率定期，模拟值与实测值之间的较大偏差出现在1969－07(67%)。出现这种现象的主要原因可能是7月是洪水暴发的时候，径流量在短期内增加很快，会使得实测径流量与模拟结果出现很大的偏差。在验证期，模拟径流变化趋势同枯水年变化趋势是相同的，除了在1998－06出现了一个较大的峰值偏差(23%)，总的模拟过程和实测过程是非常吻合的。利用连续低温年对模型进行验证，计算的模型决定系数R2和效率系数ENS在率定期和验证期均大于0.85，相对误差Re分别为－15%和－4%。说明模型在低温年也具有一定的稳定性。

5 结语

本文通过建立空间数据库与属性数据库，构建了抚河流域的SWAT模型，并利用该模型对李家渡水文站的径流数据进行了模拟。结果表明，李家渡水文站率定期(1981—1988年)与验证期(1991－1998年)的决定系数R2和ENS效率系数均在0.90以上，相对误差Re的绝对值均小于10%，说明建立的模型适用于抚河流域的径流模拟。

为了更好适应变化环境下水文预测模拟，在模型率定期与验证期之外，选取历史年份下的极端气候，即丰水年和枯水年、高温年和低温年，对模型的稳定性再次进行验证。从模拟结果可以看出，SWAT模型在洪峰处模拟效果不是特别好，尤其是径流量较多的6，7月份，实测数据和模拟数据的偏差较大，而在秋冬季节，径流量较少时，模拟的效果相对来说比较好。产生这种较大偏差的原因主要是受到洪水的影响以及对蒸散发量的低估。但是从总的模拟过程来看，各项评价指标均达到精度要求，说明SWAT模型在极端气候年份具有一定的稳定性，为研究抚河流域在未来不同气候期的径流量变化奠定了理论基础。

［1］PISINARASV，PETALASC，GIKASGD，et al.Hydrological and Water Quality Modeling in a Medium-sized Basin Using the Soil and Water Assessment Tool(SWAT)［J］.Desalination，2010，250(1):274－286.

［2］卢晓宁，韩建宁，熊东江，等.基于SWAT模型的忠县虾子岭流域地表径流特征浅析［J］.长江科学院院报，2010，27(11):15－20.(LU Xiao-ning，HAN Jian-ning，XIONG Dong-jiang，et al.Brief Analysis of Earth’s Surface Runoff Characteristic of Xiaziling Watershed in Zhongxian County Based on SWAT Model［J］.Journal of Yangtze River Scientific Research Institute，2010，27(11):15－20.(in Chinese))

［3］董国强，杨志勇，史晓亮，等.基于SWAT模型的滦河流域径流模拟［J］.人民黄河，2013，35(6):46－52.(DONG Guo-qiang，YANG Zhi-yong，SHI Xiao-liang，et al.Runoff Simulation of Luanhe River Basin Based on SWAT Model［J］.Yellow River，2013，35(6):46－52.(in Chinese))

［4］张利平，陈小风，张晓琳，等.SWAT模型在白莲河流域径流模拟中的应用研究［J］.长江科学院院报，2009，26(6):4－8.(ZHANG Li-ping，CHEN Xiaofeng，ZHANG Xiao-lin，et al.Application of SWAT Model in Bailian River Valley Runoff Simulation［J］.Journal of Yangtze River Scientific Research Institute，2009，26(6):4－8.(in Chinese))

［5］吴 军，张万昌.SWAT径流模拟及其对流域内地形参数变化的响应研究［J］.水土保持通报，2007，27(3):52－58.(WU Jun，ZHANG Wan-chang.Responses of Runoff Simulations to the Change in Topographic Parameters Based on SWAT Model［J］.Bulletin of Soil and Water Conservation，2007，27(3):52－58.(in Chinese))

［6］CHAPLOT V.Impact of DEM Mesh Size and Soil Map Scale on SWAT Runoff，Sediment，and NO3-N Loads Predictions［J］.Journal of Hydrology，2005，312(1－ 4):207－222.

［7］ROMANOWICZ A A，VANCLOOSTER M，ROUNSEVELL M，et al.Sensitivity of the SWAT Model to the Soil and Land Use Data Parametrisation:A Case Study in the Thyle Catchment，Belgium［J］.Ecological Modeling，2005，187(1):27－39.

［8］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):4559－1561.(LIU Hui，TANG Zhong-hua.Study on Groundwater Resources in Karst Region in SWAT Model［J］.Journal of Anhui Agricultural Science，2013，41(10):4559－1561.(in Chinese))

［9］薛天柱，马 灿，魏国孝，等.甘肃梨园河流域SWAT径流模拟与预报［J］.水资源与水工程学报，2011，22(4):61－ 65.(XUE Tian-zhu，MA Can，WEI Guo-xiao，et al.SWAT Runoff Simulation and Predictions in Liyuan River Basin of Gansu Province［J］.Journal of Water Resources＆Water Engineering，2011，22(4):61－ 65.(in Chinese))

［10］WU K S，JOHNSTON C A.Hydrologic Response to Climatic Variability in a Great Lakes Watershed:A Case Study with the SWAT Model［J］.Journal of Hydrology，2007，337(1－2):187－199.

［11］FICKLIN D L，LUO Y Z，LUEDELING E，et al.Cli-mate Change Sensitivity Assessment of a Highly Agricultural Watershed Using SWAT［J］.Journal of Hydrology，2009，374(1－2):16－29.

［12］王兆礼，沈 艳，宋立荣.基于SWAT模型的北江流域气候变化的水文响应［J］.安徽农业科学，2012，40(34):16761－ 16764.(WANG Zhao-li，SHEN Yan，SONG Li-rong.Hydrologic Response of the Climatic Change Based on SWATModel in Beijiang River Basin［J］.Journal of Anhui Agricultural Science，2012，40(34):16761－16764.(in Chinese))

［13］SONG L R，ZHANG J Y.Hydrological Response to Climate Change in Beijiang River Basin Based on the SWAT Model［J］.Procedia Engineering，2012，28:241－245.

［14］CHEN X L，BAO S，LI H ，et al.LUCC Impact on Sediment Loads in Subtropical Rainy Areas［J］.Photogrammetric Engineering ＆ Remote Sensing， 2007，73(3):319－327.