遥感订正作物种植结构数据对提高灌区SWAT模型精度的影响

王维刚，史海滨，李仙岳，郑 倩，张文聪，孙亚楠

遥感订正作物种植结构数据对提高灌区SWAT模型精度的影响

王维刚，史海滨※，李仙岳，郑 倩，张文聪，孙亚楠

（1. 内蒙古农业大学水利与土木建筑工程学院，呼和浩特 010018；2. 高效节水技术装备与水土环境效应内蒙古自治区工程研究中心，呼和浩特 010018）

为确保灌区水文过程与营养物流失过程模拟更接近于真实过程，进一步提高模拟精度，该研究综合考虑作物种植结构空间位置的准确性与作物种植结构数据的精度2个因素，利用GF-1 16 m遥感影像对耕地作物进行分类提取，并对土地利用类型图进行修正，从而分析比较作物种植结构空间位置的订正与作物种植结构数据精度的提高分别对SWAT（Soil and Water Assessment Tool）模型模拟精度的影响。结果表明：作物种植结构空间位置的订正或作物种植结构数据精度的提高均可提高径流和硝态氮模拟效率。经作物种植结构空间位置的订正和数据精度的提高可使得模型在径流模拟中，率定期和验证期决定系数2分别达到了0.76和0.82，效率系数分别达到了0.69和0.79，相对误差分别降低至3.50%和-0.30%；在硝态氮模拟中，率定期和验证期决定系数2分别达到了0.70和0.63，效率系数分别达到了0.55和0.53，相对误差分别降低至10.06%和6.42%。综合订正作物种植结构空间位置和提高作物种植结构数据精度可有效提高SWAT模型在灌区的模拟精度。

遥感；作物；SWAT模型；GF-1；种植结构；河套灌区；模拟精度

0 引 言

灌区水文要素与营养物流失模拟具有不同于自然流域特征的复杂性[1-3]，减少其不确定性，提高模拟精度是模拟过程中亟待解决的关键问题。作为对区域水文与营养物定量描述使用最多和最为有利的工具[4-5]，SWAT（Soil and Water Assessment Tool）分布式水文模型具有一定的物理基础，充分考虑地域空间异质性，是研究灌区水量平衡与养分流失及其转化关系行之有效的手段[6-8]。

模型构建所需空间数据（指数字高程模型、土地利用类型图数据和土壤类型图数据等）的准确性是影响SWAT模型模拟精度最直接的因素[9]。因此，追求空间数据更接近于区域实际情况是提高模型模拟精度的关键。以往学者们通过改变数字高程模型（Digital Elevation Model，DEM）[10-11]、子流域和水文响应单元（Hydrologic Response Unit，HRU）的划分[12]、土地利用类型图[10]与土壤类型图精度[13]等空间数据研究其对模型模拟精度的影响。但在西北干旱半干旱灌区，影响SWAT模型模拟精度的因素除空间数据精度外，还包括不同于自然流域特征的耕地作物空间位置的准确性因素。耕地土地利用作为西北大型灌区主要土地利用类型，其内的种植作物空间位置分布与作物空间数据精度、作物灌水参数、施肥参数的准确性均会影响模型对灌区水文与营养物流失的模拟精度。尽管很多学者已对灌区SWAT模型模拟做了大量研究，包括对模型的改进[14-15]、水文与非点源污染的模拟[16-18]等，但均未考虑作物种植结构空间位置的准确与否或作物种植结构数据的精度对模型模拟精度的影响。目前，学者们在构建灌区SWAT模型时，耕地类型中对作物的处理一般采用作物种植比例随机分布在耕地类型中的方法，忽略了灌区实际作物空间数据的空间变异性，间接影响了灌溉参数与施肥参数的空间差异性，违背了分布式模型的模拟原则，同时也不符合灌区复杂的作物空间异质性特征，这可能会对灌区SWAT模型在水文与营养物流失方面的模拟精度产生一定的影响。遥感技术以其宏观、动态、信息丰富等特点，已成为区域作物类型提取的重要手段[19-21]。

基于以上问题，本文以作物种植结构空间变异性复杂的河套灌区为研究区域，利用GF-1 16 m分辨率多光谱遥感影像对灌区作物进行分类提取，再将作物分类提取后的耕地降低分辨率为1 000 m。针对作物种植结构空间位置准确性与作物种植结构数据精度2个因素对土地利用类型图进行修正，对构建的SWAT模型分别进行径流与硝态氮模拟，比较各参数敏感程度与模型模拟精度的差异，研究SWAT模型在种植结构空间变异性复杂的灌区应用时作物种植结构空间位置的准确性与作物种植结构数据的精度对模型径流和水质模拟精度的影响，以期进一步提高灌区SWAT模型模拟精度。

1 材料与方法

1.1 研究区概况

河套灌区位于内蒙古西部黄河流域中间地带（图1），平均海拔为1 024 m，属于大陆性季风气候，年平均最低气温与最高气温分别为−10和23 ℃；年降水量平均仅为145～216 mm，其中80%发生在6－8月，年内潜在蒸发量达2 200～2 400 mm，是典型的干旱-半干旱地区。

图1 河套灌区流域分布图

灌区主要种植作物为玉米、葵花和小麦，插花种植结构在农田生态系统中普遍存在，作物分布较为破碎散乱。灌区由三盛公水利枢纽从黄河引水到总干渠，再由总干渠分支到各个干渠，最后经总排干及部分干沟排入乌梁素海再流向黄河，形成了完备的灌排体系，灌溉方式主要为地面灌溉及轮灌。灌水系统由总干渠和12条干渠组成，全长分别为228.9和755 km；排水系统由总排干和12条干沟组成，全长分别为227和523 km。灌区近20年平均引水量和平均排水量分别为45.49和3.44亿m3，“灌溉-入渗-蒸发-排水”成为河套灌区水文循环与养分流失进入水体造成污染的主要驱动力。

1.2 数据来源

1.2.1 用于遥感提取作物类型的数据

本文利用实测数据和多光谱遥感数据对河套灌区的种植作物进行分类提取，其中实测数据采样时间为2016年，采样时利用手持GPS对采样点定位，采集的作物种植类型为河套灌区主要的作物类型，包括玉米、葵花和小麦，共计630个，每种作物的分类样本和验证样本分别为120和90个。多光谱数据采用GF1-WFV遥感影像数据，影像获取时间为2016年6月8日，数据来源于中国资源卫星应用中心。其中归一化植被指数（Normalized Difference Vegetation Index，NDVI）所需波段数据基于文献[22]。NDVI采用下式计算：

NDVI=(NIR-RED)/(NIR+RED)（1）

式中NIR为近红外波段，m；RED为可见光红光波段，m。

1.2.2 用于SWAT模型构建的数据来源

SWAT模型2009版本需要输入的数据包括空间数据库和属性数据库（表1）。利用SPAW软件计算土壤属性数据[23]；实测土壤电导率数据用于修正土壤属性数据库电导率（Electrical Conductivity，EC）参数[24]；月实测排水数据和硝态氮排放数据用于SWAT模型的率定与验证。为获得灌区真实水系，利用Google地球软件描绘出灌区实际排水沟网，将排水渠系定义为自然河流并通过Burn-in添加至DEM中，在此基础上添加掩膜Mask用于划分流域总出水口。采用3种耕地作物处理方式得到的新土地利用基础数据分别构建SWAT模型，用原土地利用类型图提取的耕地范围裁剪GF-1 16 m遥感影像作为预处理的耕地数据。遥感法1（Remote Sensing 1，RS1）是将作物分类提取后的16 m分辨率耕地数据与原土地利用类型图融合为新的土地利用类型图；遥感法2（Remote Sensing 2，RS2）是将作物分类提取后的16 m分辨率耕地数据重采样（分辨率为1 000 m）与原土地利用类型图融合为新的土地利用类型图；面积比例法（Area Ratio，AR）是将未分类提取作物的16 m分辨率耕地数据与原土地利用类型图融合为新的土地利用类型图。AR与RS1的耕地精度均为16 m，作物空间位置不同，将二者进行比较以订正作物种植结构空间位置；RS1与RS2的作物空间位置相同，耕地精度不同，将二者进行比较以提高作物种植结构数据精度。3种方法除耕地外其他土地利用的位置与精度均相同。RS1、RS2和AR所划分子流域的数目均为35个（图1），HRU的数量分别为638、604和676个。

表1 模型构建所需数据类型及数据来源

1.2.3 主要作物灌溉施肥制度

本研究参照文献[25]并结合种植结构区划及野外实地调查设置SWAT模型灌溉施肥管理措施（表2）。根据河套灌区近年成果将灌溉水利用系数设定为0.418，灌水来源选择流域外黄河水。灌区每年的灌水时间可分为5次，分别为5月1日（一水）、5月20日（二水）、6月10日（三水）、7月5日（四水）、10月15日（秋浇）。

表2 作物灌溉施肥管理措施

1.2.4 径流与硝态氮月排放实测数据来源

依据河套灌区总出水口红圪卜扬水站2009－2016年月排水、月总氮与月铵态氮排放实测数据，采用模型率定与验证的径流数据计算如式（2）所示：

式中为出水口月径流量，m3/s；为出水口月出水量，104m3；为当月天数。

由于有机氮只有经过矿化作用转化成无机氮才能供作物吸收利用、挥发或淋失且难溶于水，因此河套灌区有机氮的排放量很少，本文结合文献[26]及灌区实际情况得到硝态氮计算公式：

1.3 研究方法

1.3.1 耕地作物类型分类提取方法

耕地作物类型提取研究中，高分辨率遥感影像的应用一般局限于尺度小、精度需求高的区域[27-28]；而中分辨率广泛应用于作物指数反演[29]、特征[30]、面积提取[31]以及耕地作物类型提取[19-21]。本研究运用NDVI阈值法与监督分类方法（支持向量机）相结合对河套灌区3种主要作物进行分类提取。具体分类提取方法按以下5步进行：1）提取3种作物对应分类样本的波段值，根据式（1）计算相应NDVI值，归纳分析得到作物的提取阈值；2）提取土地利用类型图耕地边界shp图层，裁剪出GF-1 WFV4遥感影像耕地部分；3）作物的提取阈值与GF-1 WFV4耕地部分遥感影像红黄绿色带逐一对应，确定不同作物色带区间；4）监督分类并作分类后处理，利用验证样本建立ROI混淆矩阵验证分类结果并作精度分析评价；5）与原土地利用类型图融合作为遥感法模型构建的基础数据。

1.3.2 SWAT模型参数敏感性分析方法

本文在参数敏感性分析及率定、验证时，按照针对遥感法与面积法分别进行的原则。模型率定过程中合理参数种类及数量的选择对模型可靠性起决定性作用，首先依照河套灌区已有研究[17-18]并结合河套灌区自身的地域特征与气候因素筛选出与径流、氮素流失有关的参数用于率定，其次利用SWAT-CUP软件中的SUFI-2算法对备选参数进行反复率定，在SWAT-CUP软件中执行全局敏感性分析模块[32]后可得到所有参数的敏感程度及排序情况。参数敏感性程度由2个指标决定，分别是-stat和-value，-stat值越大越敏感，-value值越接近0越显著。值得注意的是，每次率定后均会优化参数的取值范围及最适取值，因此，在率定过程中参数的敏感程度排序是不断变化的过程，但随着率定次数的增加敏感程度较高的参数波动较小，直到各个评价指标达到参数率定限度的最优值。

1.3.3 SWAT模型率定与验证精度评价方法

由于研究区为平原灌区，土壤盐分及含水率的初始值对模型模拟结果具有一定影响，模型以2008年1 a作为预热期，2009－2014年为率定期，2015－2016年为验证期。并采用相对误差（Relative Error，RE）、决定系数（2）及Nash-Sutcliffe效率系数（ns）[33]对模型在研究区的模拟性能进行评估，根据各标准取值的不同将模拟性能分为优、良、中、差4个等级[3]（表3）。

表3 模型评价标准

2 结果与分析

2.1 河套灌区作物分类提取及精度评价

通过实地调查发现，灌区内近几年没有精确的耕地面积及作物种植面积统计数字，多数数据仅通过用水户、用水协会、灌区管理局逐级上报获得，且存在“报渠灌舍井灌”的方式，数据对真实耕种作物面积的反映可信度不高。综上，本文以GF-1 16 m WFV4中分辨率遥感影像为基础，结合NDVI阈值法与监督分类的支持向量机法（Support Vector Machine，SVM）得到了作物种植空间分布图（图2a），建立ROI混淆矩阵进行总体精度评价。结果显示，河套灌区作物分类提取总体精度达到89.61%，制图精度与用户精度均达到88%以上，Kappa系数达0.86，表明分类结果与真实作物种植空间分布（利用手持GPS测定获得）具有很好的一致性[34]，说明利用GF-1 WFV遥感影像可较准确地分类提取河套灌区耕地作物类型。

如图2a所示，河套灌区耕地面积约为5 750 km2，3种作物种植面积由大到小排序为葵花、玉米、小麦，种植面积分别为3 920、1 490和340 km2，分别占耕地总面积的68.17%、25.91%和5.92%；空间分布上，葵花种植主要在义长灌域占有较高的比例，在永济灌域北部及义长灌域南部呈连片大面积种植；玉米种植主要在解放闸灌域占有较高的比例，并在各个灌域中部呈集中零星分布；小麦主要在解放闸灌域种植相对较多，其余灌域种植较少。利用GF-1 WFV遥感影像分类提取耕地作物种植结构对原土地利用类型中耕地部分进行替换，得到了基于RS1方法的土地利用类型图（图2b）。河套灌区土地利用类型图经重分类划分为7大类，其中耕地面积约占灌区总面积的54%，而经SWAT模型重分类后流域内的耕地却占流域总面积的72.5%。可见，耕地作为河套灌区最主要土地利用类型，其内的种植作物空间分布将对整个灌区水文及污染物产生重要影响。

图2 河套灌区作物种植结构空间分布及土地利用类型

2.2 基于3种方法的径流与硝态氮参数敏感性分析

本文最初挑选15个与径流有关和7个与硝态氮有关的参数，分别针对3种方法经过几次反复率定后按照-stat和-value的原则，剔除敏感性和显著性过小的参数，对3种方法分别最终保留8个径流参数和7个氮素参数，再次进行反复的率定，当各个评价指标达到参数率定限度的最优值后停止率定，并按照-stat和-value的原则得到参数敏感程度排序（表4）。最后针对3种方法分别将这8个径流参数和7个硝态氮参数及其各自的最适取值用于模型的验证。

如表4所示，3种处理耕地作物的方法针对径流率定参数，敏感性排名前4的参数都是相同的，说明对于河套灌区径流模拟来说，不论使用哪种方法，这4个参数都是极其敏感重要的。值得注意的是，对于3种方法来说，剔除敏感性和显著性过小的参数后，保留的8个径流参数是一样的，仅3个参数（河岸调蓄基流因子、第一层土层有效含水量、地下水径流系数）的敏感性排序不一样，表明河套灌区较敏感的参数是相对稳定的。针对硝态氮率定参数，3种方法对应的敏感性排名前3的参数都是相同的，说明对于河套灌区硝态氮模拟来说，不论使用哪种方法，这3个参数都是极其敏感重要的，其他的硝态氮参数在敏感性排序上也略有差异。另外，不论是径流参数还是硝态氮参数，使用这3种方法对应的参数在最终的取值范围与最适取值上都是不同的，但差异并不明显。总之，订正作物空间分布与提高耕地分辨率可影响参数的敏感性程度及参数的最适取值。考虑到文章篇幅，本文仅针对RS1的敏感性参数的最适取值及意义进行阐述。

表4 基于3种方法的径流与硝态氮的参数敏感性排序

注：SCS为水土保持服务。下同。

Note: SCS is Soil Conservation Service. The same as below.

2.2.1 径流敏感参数在河套灌区的取值意义

如表4所示，与地下水及土壤蒸发有关的参数敏感程度要大于与地表水有关的参数，这与河套灌区下垫面条件、地质构造特征、灌排条件等因素有关。河套灌区的径流基本都是来自于农田灌水，黄河水通过各级渠系最终到达畦田，除地面蒸发及作物蒸散消耗一部分水量，其余大部分水量主要是补给地下水并通过地下水的径流最终排泄到总排干沟中，成为径流的主要贡献者。在地下水率定的径流参数里，地下水延迟系数与基流因子均为表示地下水补给响应快慢的指标，两者的最终参数取值分别为37.53、0.32（表5），表明河套灌区地下水补给速度稍慢。一方面由于灌区地下水埋深浅，另一方面由于灌区为黄河冲积平原，土层内部存在黏滞夹层，结构较复杂，灌溉水通过包气带补给地下水会发生停滞延迟补给，故导致补给速度减缓；地下水蒸发系数的参数取值为0.14，这表明浅层含水层中的水分补给上覆非饱和带速率较快，分析可能由于河套灌区灌溉期地下水埋深较小（2 m左右），饱和带距离地面很近，而蒸发量巨大，下覆含水层中的水分通过蒸发与向上扩散作用穿过毛细管带对包气带水进行补给，从而加快了补给速率；初始SCS径流曲线数参数敏感性较弱，表明由地表径流流入河道的水量占比较少，这是因为河套灌区灌溉水到达畦田后，由于畦田边界地叶的人为措施导致灌溉剩余水无法通过地表径流排入河道，只能通过垂向的地面蒸发与地下渗漏进行排泄；河岸调蓄基流因子的取值靠近1.0，这说明降水产流退水速率较为平缓，可能与河套灌区地面坡度、土地利用模式等因素有关。

表5 径流参数率定范围与取值

2.2.2 硝态氮敏感参数在河套灌区的取值意义

如表6所示，可以侧面看出硝态氮的迁移转化受降雨、下渗、矿化、硝化及反硝化等过程的影响。硝态氮率定参数敏感性排名前3的为降雨中氮浓度、硝酸盐渗流系数和反硝化指数速率系数，降雨中氮浓度、硝酸盐渗流系数最终取值分别为14.89、0.77，表明河套灌区受降雨所产生的地表径流中硝酸盐浓度较高；参数反硝化指数速率系数取值约为 1.59，表明在土壤发生反硝化作用时硝酸氮的损失量偏高，分析可能由于生育期与秋浇期大范围的灌水导致土壤发生氧气胁迫，从而造成反硝化速率加快。另外，铵氮、亚硝酸氮及有机氮相关参数也与硝态氮的迁移转化有关，不管是在土壤中还是在河段中它们与硝酸氮均不同程度地发生相互转化。

表6 硝态氮参数校准范围与取值

2.3 河套灌区径流与硝态氮模拟性能评价

2.3.1 3种方法径流模拟效率对比分析

用RS1、RS2和AR这3种方法构建的SWAT模型分别对径流进行模拟并评价模拟精度与效率（图3a、表7）。2009－2016年RS1模型率定期和验证期的模拟径流和实测径流吻合度均较好，RS2略低于RS1，AR吻合度最差。从整个模拟评价效率来讲，RS1模拟精度最高，其次是RS2，最后是AR。经作物种植结构空间位置的订正和数据精度的提高可使得模型在径流模拟中，率定期2达到了0.76，ns达到了0.69，RE降低至3.50%，验证期2达到了0.82，ns达到了0.79，RE降低至-0.30%。

图3 3种方法的2009—2016年径流、硝态氮排放量模拟值与实测值对比

表7 3种方法的径流、硝态氮排放量模拟效率评价

2.3.2 3种方法硝态氮模拟效率对比分析

将RS1、RS2和AR这3种方法构建的SWAT模型分别对硝态氮进行模拟并评价模拟精度与效率（图3b、表7）。2009－2016年RS1模型率定期和验证期模拟硝态氮和实测硝态氮吻合度相对较好，RS2略低于RS1，AR吻合度相对较差。从整个模拟评价效率来讲，与径流模拟规律相似，RS1模拟精度最高，其次是RS2，最后是AR。经作物种植结构空间位置的订正和数据精度的提高可使得模型在硝态氮模拟中，率定期2达到了0.70，ns达到了0.55，RE降低至10.06%，验证期2达到了0.63，ns达到了0.53，RE降低至6.42%。

研究结果表明，利用GF-1 16 m WFV遥感影像分类提取作物用于SWAT模型作物种植结构空间数据的位置订正或精度提高均可在一定程度上提高径流模拟和硝态氮模拟的精度。但值得注意的是，订正作物种植结构空间位置所提高的模型精度要高于提高作物种植结构数据精度所提高的模型精度。这意味着，作物种植结构空间位置的准确性与否是影响灌区SWAT模型径流与硝态氮模拟精度的主要因素，但作物种植结构数据的精度因素也不可忽视。综合订正作物种植结构空间位置和提高作物种植结构数据精度可有效提高SWAT模型在灌区的模拟精度。此外，径流模拟中验证期的模拟精度高于率定期，分析一方面由于验证期的模型输入灌水量参数值更接近灌区实际调查数据，另一方面由于使用的土地利用数据为验证期数据，较率定期模拟更接近实际情况。

3 讨 论

3.1 基于遥感法对提高模型模拟精度的机制分析

SWAT模型在灌区应用影响因素诸多复杂，耕地作为灌区比例最高和受人为影响最大的土地类型，明确种植作物空间分布，将从源头减少不确定性、提高模拟精度。遥感法的核心是为订正耕地类型作物种植结构空间位置分布和提高作物种植结构数据的精度，使其更接近于灌区实际耕地下垫面条件，从而在划分水文响应单元时以及在添加作物灌水量、施肥量时，都可以更好地模拟灌区真实情况，进而提高模型在灌区水文与氮素流失的模拟精度。

由于灌区或流域的下垫面和气候因素具有时空变异性，通常SWAT模型将灌区或流域划分成若干个子流域，再将每个子流域划分成若干个HRU，从而可以计算单独HRU内的水文过程与营养物流失。耕地作为主要土地利用是HRU的重要组成部分（并不是每个HRU都有耕地），其内的作物覆盖是影响水循环的重要因素。河套灌区水循环系统实际上是一个人工-天然复合水循环系统，SWAT模型模拟河套灌区的水文过程包括水循环的陆面部分和水循环的水面部分。前者控制着每个子流域内向主河道对水和营养物的输入量；后者决定水和营养物从河网向流域出口的输移运动。因此，对于河套灌区相应HRU内的水文要素（如蒸发量、下渗量、地表径流或地下径流）都随着植被覆盖的不同而不同，因为不同的植被覆盖灌水量、需水量、耗水量存在一定的差异（如玉米、葵花和小麦之间的区别）。每个HRU单独计算径流量，然后经过各级排水沟演算得到灌区出口流量，在这个过程中若改变了植被在区域空间上的位置，则会造成原有HRU的变化（位置和数量均会发生改变）。HRU的变化导致各个汇流演算过程均会产生一定的差异，增加了模型模拟条件的不真实性，使得模拟精度降低。而要解决这一问题，就需要让灌区的植被种植在空间上与面积上都更接近于灌区实际情况，很大程度上减少不确定性因素，从而提高模型的模拟精度。

本研究中，RS1的HRU个数是638个，RS2的HRU个数是604个，AR的HRU个数是676个，表明HRU的数量并不是决定模拟精度的根本原因，这与叶许春等[13]的研究具有相似之处。卢文喜等[12]研究表明，子流域数量过多、划分过细时产生了较多过于狭长或过小的虚假子流域,导致不真实的水文模拟；而陈祥义等[9]也表明，子流域划分数量较少时,对流域描述不够充分导致模拟输出结果不稳定,难以达到理想的预测精度。本研究认为，在河套灌区SWAT模型模拟时，在作物种植结构空间位置分布一定的条件下，通过提高作物种植结构数据精度来提高模型模拟精度，可导致HRU数量的增多。但叶许春等[13]研究表明，土地利用图精度越高模型模拟精度越低，这与本研究结果不一致，可能是由于河套灌区作物插花种植与碎片化种植现象严重，不同于土地利用精度，耕地作物精度越高，更能准确地划分HRU。Zhang等[35]研究表明，通过遥感校准植被生长可有效提高SWAT模拟精度，这与本研究具有相似之处。本研究的独特之处在于除改变HRU数量与位置外，还考虑了HRU内的组成与输入关键参数（灌水参数、施肥参数）的变化，综合因素对径流与营养物流失模拟结果的影响。

3.2 遥感法提高模拟精度的不确定性分析

尽管遥感法较面积比例法在一定程度上可提高灌区模型模拟精度，但也存在一些不足之处，在今后的研究中有待加以改进。首先，对于不同作物交界处像元，因其具有相似的光谱特征和空间上的相邻，容易形成混合像元，而河套灌区不同作物交叉种植严重，这会对作物分类精度产生不确定性影响，需进行区域作物的边界混合像元分类，该问题有待进一步研究。其次，由于2015年的土地利用/覆被变化（Land Use/Land Cover Change，LUCC）数据与2016年的遥感数据年份与分辨率精度不同，导致2015年的LUCC数据中耕地范围和2016年实际分类作物结构图之间存在差异，两者在数据融合时会存在遮蔽，这也增加了分类精度的不确定性，在今后的研究中应尽量选择高精度、相同年份的LUCC与遥感数据作为模型基础数据。最后，由于模型本身功能因素，本文研究中划分模拟时段内仅1 a的作物种植结构空间分布，默认在模拟时段内作物种植结构变化不大，这与实际情况存在偏差；另外，通过遥感图像仅分类出3种主要种植作物，近年来，河套灌区除玉米、葵花和小麦外，越来越多的种植瓜菜类作物，这将使得其他作物被误划分到这3种主要作物内，从而产生偏差，如若涉及更多作物（如瓜菜、番茄等），可能会进一步提高模型模拟精度。除此之外，还有一些影响模型整体模拟精度的不确定性因素，在今后的研究中也需加以改进。如土壤数据库电导率参数采用102个实际采样点插值计算，因为灌区EC是空间与时间的变量，变化很为复杂，首先对河套灌区5个灌域进行分区，对不同分区进行典型采样，插值采样点在一定程度上满足了克里金插值的规则，样本分布也基本满足正态分布，基本可代表灌区某一特征时期的EC特征。但由于干旱、半干旱区的盐渍化问题具有很强的随机性，采样点数量过少不足以体现灌区实际盐渍化程度，这对模型模拟结果仍具有一定的不确定性影响。今后可参照王瑾杰等[24]研究结合遥感反演土壤电导率的方法修正土壤数据库参数，估值精度还会有所提高。

灌区水文与污染物循环转化过程较自然流域要复杂得多，其模型模拟效率影响因素也难以明确。因此，除通过订正耕地作物种植结构空间位置和提高作物种植结构数据精度外，还可探索如多年土地利用变化等因素是否会对模型模拟精度产生影响。也可从机理出发，结合灌区自身复杂因素，进一步提高模拟精度将成为今后研究的重点。

4 结 论

1）利用GF-1 WFV4遥感影像对河套灌区耕地作物进行分类提取，其分类总体精度达到89.61%，制图精度与用户精度均达到88%以上，Kappa系数达0.86，分类结果与真实作物种植空间分布具有很好的一致性。

2）河套灌区针对径流和硝态氮模拟敏感程度较高的参数是相对稳定的。其中，对径流模拟极其敏感的参数有地下水延迟系数、地下水蒸发系数、基流因子和土壤蒸发补偿因子；对硝态氮模拟极其敏感的参数有降雨中氮浓度、硝酸盐渗流系数和反硝化指数速率系数。

3）对径流和硝态氮模拟精度来讲，订正作物种植结构空间位置或提高作物种植结构数据精度均可提高模型模拟效率。经作物种植结构空间位置的订正和数据精度的提高可使得模型在径流模拟中，率定期和验证期决定系数2分别达到了0.76和0.82，效率系数分别达到了0.69和0.79，相对误差分别降低至3.50%和-0.30%；在硝态氮模拟中，率定期和验证期决定系数2分别达到了0.70和0.63，效率系数分别达到了0.55和0.53，相对误差分别降低至10.06%和6.42%。综合订正作物种植结构空间位置和提高作物种植结构数据精度可有效提高SWAT模型在灌区的模拟精度。

[1]Lohani V K, Refsgaard J C, Chausen T, et al. Application of the SHE for irrigation command area studies in India[J].Journal of Irrigation and Drainage Engineering, 1993, 119(1): 34-49.

[2]裴源生，张金萍．平原区复合水循环转化机理研究[J]．灌溉排水学报，2006，25(6)：23-26.

Pei Yuansheng, Zhang Jinping. Study on transformation mechanism of compound water cycle in plain[J]. Journal of Irrigation and Drainage, 2006, 25(6): 23-26. (in Chinese with English abstract)

[3]王建鹏，崔远来. 水稻灌区水量转化模型及其模拟效率分析[J]. 农业工程学报，2011，27(1)：22-28.

Wang Jianpeng, Cui Yuanlai. Modified SWAT for rice-based irrigation system and its assessment[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(1): 22-28. (in Chinese with English abstract)

[4]王中根，刘昌明，黄友波. SWAT模型的原理、结构及应用研究[J]. 地理科学进展，2003，22(1)：79-86.

Wang Zhonggen, Liu Changming, Huang Youbo. The theory of SWAT model and its application in Heihe Basin[J]. Progress in Geography, 2003, 22(1): 79-86. (in Chinese with English abstract)

[5]Krysanova V, arnold J G. Advances in ecohydrological modelling with SWAT-areview[J]. Hydrological Sciences Journal, 2008, 53(5): 939-947.

[6]代俊峰，崔远来. 基于SWAT的灌区分布式水文模型—Ⅰ：模型构建的原理与方法[J]. 水利学报，2009，40(2)：145-152.

Dai Junfeng, Cui Yuanlai. Distributed hydrological model for irrigation area based on SWAT—I: Principle and method [J]. Journal of Hydraulic Engineering, 2009, 40(2): 145-152. (in Chinese with English abstract)

[7]郑捷，李光永，韩振中，等. 改进的SWAT模型在平原灌区的应用[J]. 水利学报，2011，42(1)：88-97.

Zheng Jie, Li Guangyong, Han Zhenzhong, et al. Application of modified SWAT model in plain irrigation district[J]. Journal of Hydraulic Engineering, 2011, 42(1): 88-97. (in Chinese with English abstract)

[8]胡文慧，李光永，孟国霞，等. 基于SWAT模型的汾河灌区非点源污染负荷评估[J]. 水利学报，2013，44(11)：1309-1316.

Hu Wenhui, Li Guangyong, Meng Guoxia, et al. Evaluation of non-point source pollution load in Fenhe Irrigation District based on SWAT model[J]. Journal of Hydraulic Engineering, 2013, 44(11): 1309-1316. (in Chinese with English abstract)

[9]陈祥义，肖文发，黄志霖，等. 空间数据对分布式水文模型SWAT流域水文模拟精度的影响[J]. 中国水土保持科学，2016，14(1)：138-143.

Chen Xiangyi, Xiao Wenfa, Huang Zhilin, et al. Impact of spatial data on the accuracy of watershed hydrological simulation of SWAT model[J]. Science of Soil and Water Conservation, 2016, 14(1): 138-143. (in Chinese with English abstract)

[10]Cotter A S, Chaubey I, Costello T A, et al. Water quality model output uncertainty as affected by spatial resolution of input data[J]. Journal of the American Water Resources Association, 2003, 39(4): 977-986.

[11]Shen Z Y, Chen L, Liao Q, et al. A comprehensive study of the effect of GIS data on hydrology and non-point source pollution modeling[J]. Agricultural Water Management, 2013, 118: 93-102.

[12]卢文喜，伊燕平，张蕾，等. 不同亚流域划分数量对SWAT模型模拟结果的影响[J]. 水电能源科学，2010，28(10)：23-25.

Lu Wenxi, Yi Yanping, Zhang Lei, et al. Influence of different watershed subdivision numbers on simulation results of SWAT model[J]. Water Resources and Power, 2010, 28(10): 23-25. (in Chinese with English abstract)

[13]叶许春，张奇，刘健，等. 土壤数据空间分辨率对水文过程模拟的影响[J]. 地理科学进展，2009，28(4)：575-583.

Ye Xuchun, Zhang Qi, Liu Jian, et al. Effects of spatial resolution of soil data on hydrological processes modeling[J]. Progress in Geography, 2009, 28(4): 575-583. (in Chinese with English abstract)

[14]Wu Di, Cui Yuanlai, Wang Yitong, et al. Reuse of return flows and its scale effect in irrigation systems based on modified SWAT model[J]. Agricultural Water Management, 2019, 213: 280-288.

[15]Bhumika Uniyal, Jörg Dietrich. Modifying automatic irrigation in SWAT for plant water stress scheduling[J]. Agricultural Water Management, 2019, 223: 105714.

[16]李颖，王康，周祖昊. 基于SWAT模型的东北水稻灌区水文及面源污染过程模拟[J]. 农业工程学报，2014，30(7)：42-53.

Li Ying, Wang Kang, Zhou Zuhao. Simulation of drainage and agricultural non-point source pollutions transport processes in paddy irrigation district in North-East China using SWAT[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(7): 42-53. (in Chinese with English abstract)

[17]吴用. 内蒙古河套地区流域非点源污染模拟及区域污染物总量控制研究[D]. 呼和浩特：内蒙古农业大学，2017.

Wu Yong. Modeling of Non-point Sources Pollution and Total Amount Control of Pollutants in Hetao Irrigation District of the Inner Mongolia[D]. Hohhot: Inner Mongolia Agricultural University, 2017. (in Chinese with English abstract)

[18]栾晓波. 基于水文过程的作物生产水足迹量化方法研究[D]. 北京：中国科学院大学，2018.

Luan Xiaobo. Research on Quantitative Method of Crop Production Water Footprint based on Hydrological Process Take Hetao Irrigation District as an example[D]. Beijing: University of Chinese Academy of Sciences, 2018. (in Chinese with English abstract)

[19]牛鲁燕，张晓艳，郑继业，等. 基于 Landsat8 OLI数据的山东省耕地信息提取研究[J]. 中国农学通报，2014，30(34)：264-269.

Niu Luyan, Zhang Xiaoyan, Zheng Jiye, et al. Extraction of cultivated land information in shandong province based on Landsat8 OLI data[J]. Chinese Agricultural Science Bulletin, 2014, 30(34): 264-269. (in Chinese with English abstract)

[20]常布辉，王军涛，罗玉丽，等. 河套灌区沈乌灌域GF-1/WFV遥感耕地提取[J]. 农业工程学报，2017，33(23)：188-195.

Chang Buhui, Wang Juntao, Luo Yuli, et al. Cultivated land extraction based on GF-1/WFV remote sensing in Shenwu irrigation area of Hetao Irrigation District[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2017, 33(23): 188-195. (in Chinese with English abstract)

[21]杨闫君，占玉林，田庆久，等. 基于GF-1/WFV NDVI时间序列数据的作物分类[J]. 农业工程学报，2015，31(24)：155-161.

Yang Yanjun, Zhan Yulin, Tian Qingjiu, et al. Crop classification based on GF-1/WFV NDVI time series[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(24): 155-161. (in Chinese with English abstract)

[22]Metternicht G I, Zinck J A. Remote sensing of soil salinity: Potentials and constraints[J]. Remote Sensing of Environment, 2003, 85(1): 1-20.

[23]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(6)：15-18.

Wei Huaibin, Zhang Zhanpang, Yang Jinpeng. Establishing method for soil database of SWAT model[J]. Water Resources and Hydropower Engineering, 2007(6): 15-18. (in Chinese with English abstract)

[24]王瑾杰，丁建丽，张喆，等. 基于多源遥感数据的艾比湖流域盐土SWAT模型参数修正[J] . 农业工程学报，2017，33(23)：139-144.

Wang Jinjie, Ding Jianli, Zhang Zhe, et al. SWAT model parameters correction based on multi-source remote sensing data in saline soil in Ebinur Lake Watershed[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(23): 139-144. (in Chinese with English abstract)

[25]王康. 灌区水均衡演算与农田面源污染模拟[M]. 北京：科学出版社，2012：27-29.

[26]常菲，郜翻身，红梅，等. 施肥措施对河套灌区氮素淋溶和玉米产量的影响[J]. 生态学杂志，2018，37(10)：2951-2958.

Chang Fei, Gao Fanshen, Hong Mei, et al. Effects of fertilization regimes on nitrogen leaching and maize yield in Hetao Irrigation Area[J]. Chinese Journal of Ecology, 2018, 37(10): 2951-2958. (in Chinese with English abstract)

[27]严枫，刘登忠，汪友明. 基于QuickBird影像目视解译在土地利用类型调查中的应用：以遂宁市船山区新桥镇为例[J]. 新疆环境保护，2008，30(1)：6-10.

Yan Feng, Liu Dengzhong, Wang Youming. Visual interpretation’s applying on land-ues types investigation based on QuickBird image: A case study in Xinqiao town of Chuanshan District in Suining city[J]. Environmental Protection of Xinjiang, 2008, 30(1): 6-10. (in Chinese with English abstract)

[28]张冬梅，袁清，王加亭. 一种辅助草原遥感影像目视解译方法的探讨：影像与基础图件半透明叠加法[J]. 遥感技术与应用，2006，21(6)：560-564.

Zhang Dongmei, Yuan Qing, Wang Jiating. Discuss a method of assistant remotely sensed imagery visual interpretation on grassland: Remotely sensed image and thematic map semitransparent overlap[J]. Remote Sensing Technology and Application, 2006, 21(6): 560-564. (in Chinese with English abstract)

[29]王立辉，杜军，黄进良，等. 基于GF-1 号卫星WFV 数据反演玉米叶面积指数[J]. 华中师范大学学报，2016，50(1)：120-127.

Wang Lihui, Du Jun, Huang Jinliang, et al. Retrieving leaf area index of maize based on GF-1 multispectral remote sensing data[J]. Journal of Central China Normal University, 2016, 50(1): 120-127. (in Chinese with English abstract)

[30]Yang Y J, Huang Y, Tian Q J, et al. The extraction model of paddy rice information based on GF-1 satellite WFV images[J]. Spectroscopy and Spectral Analysis, 2015, 35(11): 3255-3261.

[31]黄振国，杨君. 高分一号卫星影像监测水稻种植面积研究综述[J]. 湖南农业科学，2014(13)：76-78.

Huang Zhenguo, Yang Jun. Review of high-1 satellite image monitoring rice planting area[J]. Hunan Agricultural Sciences, 2014(13): 76-78. (in Chinese with English abstract)

[32]Morris M D. Factorial sampling plans for preliminary computational experiments[J]. Technometrics, 1991, 33(2): 161-174.

[33]Saleh A, Arnold J G, Gassman P W, et al. Application of SWAT for the upper north bosque river watershed[J]. Transactions of the ASAE, 2000, 43(5): 1077-1087.

[34]王敏，高新华，陈思宇，等. 基于Landsat 8遥感影像的土地利用分类研究：以四川省红原县安曲示范区为例[J]. 草业科学，2015，32(5)：694-701.

Wang Min, Gao Xinhua, Chen Siyu, et al. The land use classification based on Landsat 8 remote sensing image: A case study of Anqu demonstration community in Hongyuan County of Sichuan Province[J]. Pratacultural Science, 2015, 32(5): 694-701. (in Chinese with English abstract)

[35]Zhang Hong, Wang Bin, Liu De Li, et al. Using an improved SWAT model to simulate hydrological responses to land use change: A case study of a catchment in tropical Australia[J]. Journal of Hydrology, 2020, 585: 124822.

Effects of correcting crop planting structure data to improve simulation accuracy of SWAT model in irrigation district based on remote sensing

Wang Weigang, Shi Haibin※, Li Xianyue, Zheng Qian, Zhang Wencong, Sun Yanan

(1.010018,; 2.010018,)

This study synthetically considered the spatial position accuracy and data precision for crop planting structure in order to ensure that the hydrological and nutrient loss processes were more veritably simulated and the simulation accuracy was further improved. The classification and extraction of field crops were conducted and the land use map was modified using Normalized Difference Vegetation Index (NDVI) threshold method and Support Vector Machine (SVM) method based on GF-1 16 m WFV4 medium resolution remote sensing images in Hetao Irrigation District. The effect of the corrected spatial position and the improved accuracy of crop planting structure on the simulation accuracy of SWAT (Soil and Water Assessment Tool) model were evaluated using the modified land use map. The results showed that the classification of crops based on GF-1 16 m WFV4 remote sensing images agreed with the actual spatial distribution of crops in Hetao Irrigation District, with an overall accuracy of 89.61%, a mapping accuracy of over 88%, a user accuracy of over 88% and a Kappa coefficient of 0.86. The parameters with high level of sensitivity to the simulation of runoff and nitrate nitrogen were quite stable in the irrigation district. The simulation accuracy in terms of runoff was significantly affected by groundwater delay coefficient (GW_DELAY), groundwater evaporation coefficient (GW_REVAP), base flow alpha factor (ALPHA_BF), and soil evaporation compensation factor (ESCO). In addition, the simulation accuracy of nitrate nitrogen was markedly affected by nitrogen concentration in rainfall (RCN), the nitrate percolation coefficient (NPERCO), and the denitrification exponential rate coefficient (CDN). The corrected spatial position accuracy and data precision of crop planting structure effectively improved the accuracy of simulated values for runoff and nitrate nitrogen. In the calibration period (2009-2014), the2for simulated runoff and nitrate nitrogen were improved to 0.76 and 0.70 from 0.63 and 0.62, respectively by correcting crop pattern locations. The efficiency coefficients were improved to 0.69 and 0.55 from 0.53 and 0.50, respectively, while the relative errors were decreased by 6.00% and 4.94%, respectively. In the validation period (2015-2016),2was improved to 0.82 and 0.63 from 0.71 and 0.58, respectively. The efficiency coefficients were improved to 0.82 and 0.63 from 0.71 and 0.58, respectively, while the relative errors were decreased. Additionally, the2of simulated runoff and nitrate nitrogen were improved to 0.76 and 0.70 from 0.68 and 0.66 by improving the accuracy of crop pattern data, respectively, in the calibration period. The efficiency coefficients were improved to 0.69 and 0.55 from 0.60 and 0.53, respectively, while the relative errors were decreased. However, in the validation period,2was improved to 0.82 and 0.63 from 0.77 and 0.60, respectively, and efficiency coefficients were improved to 0.79 and 0.53 from 0.76 and 0.50, respectively. The simulation results of runoff and nitrate nitrogen based on SWAT model was easily affected by corrected spatial of crop pattern compared with data accuracy. Comprehensively correcting the spatial position and improving the data accuracy of crop planting structure effectively improved the simulation accuracy of the SWAT model in the irrigation district.

remote sensing; crops; SWAT model; GF-1; planting structure; Hetao Irrigation District; simulation accuracy

王维刚，史海滨，李仙岳，等. 遥感订正作物种植结构数据对提高灌区SWAT模型精度的影响[J]. 农业工程学报，2020，36(17)：158-166.doi：10.11975/j.issn.1002-6819.2020.17.019 http://www.tcsae.org

Wang Weigang, Shi Haibin, Li Xianyue, et al. Effects of correcting crop planting structure data to improve simulation accuracy of SWAT model in irrigation district based on remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(17): 158-166. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.17.019 http://www.tcsae.org

2020-04-02

2020-07-10

国家自然科学基金项目（51539005、51769024）；内蒙古水利科技重大专项（213-03-99-303002-NSK2017-M1）

王维刚，博士生，主要从事灌区污染物运移模拟研究。Email：937505954@qq.com

史海滨，教授，博士生导师，主要从事节水灌溉原理及应用研究。Email：shi_haibin@sohu.com

10.11975/j.issn.1002-6819.2020.17.019

X53；S127

A

1002-6819(2020)-17-0158-09