2000—2020年南京市土地覆盖变化对地表径流影响研究

许天宇，朱 伟，李志庆，李二珠

(1.江苏师范大学 地理测绘与城乡规划学院，江苏 徐州 221116；2.山东省国土测绘院，山东 济南 250102)

0 引 言

地表径流是指降水除去植物截留、渗入土壤后所剩余的部分[1]。复杂的气候变化和快速的城市化进程影响了地表径流的形成过程。特别是气候变暖导致水文循环进程加快，短时间的强降水、连续性降水是造成地表径流增加的主要原因；同时，土地覆盖类型的动态变化导致区域水文过程发生改变，造成地表下渗减缓，汇集积水无法快速排出，进而加剧了城市洪涝风险的发生[2]。近年，洪涝灾害的出现频次明显多于干旱、风暴等其他灾害，因其形成周期短、影响程度大，已经成为全球面临的最主要的灾害敏感问题之一[3]。因此，准确预测城市径流，定量评估城市化进程对地表径流的影响，对于城市规划、洪涝预警等具有重要意义[4]。

以往的研究主要通过水文模型模拟地表径流变化特征以预测洪涝积水、评估洪涝风险，如暴雨洪水管理模型(SWMM)、分布式水文模型(MIKE)、综合流域模型(InfoWorks ICM)[5]。叶陈雷等基于InfoWorks ICM模型使用城市管网、土地覆盖等数据模拟了福州市白马河片区地表径流，并对洪涝危险区进行量化分析[6]。班玉龙等综合地形、水文、排水单元数据通过SWMM模型模拟了四川巴中市地表径流变化信息[7]。然而，上述模型输入参数较多，全面准确的数据资料难以获取，因此限制了水文径流模型在不同城市的推广应用[8]。为了克服传统水文模型的不足，美国农业部水土保持局提出了径流曲线模型(SCS-CN)，该模型主要通过土地覆盖信息预测地表径流[9]。因其输入参数简单、容易使用及改进，目前已被广泛应用于城市径流模拟及洪涝评估[10]。Dang等基于QuickBird数据获取土地覆盖信息并结合SCS-CN模型预测了胡志明市降雨径流深度，进而绘制了洪涝分布地图[11]。Hu等根据SCS-CN模型预测结果分析了北京土地覆盖信息对地表径流分布的影响，指出土地覆盖类型是地表径流模拟的重要指标[12]。马丽君等根据土地分类标准，结合郑州市土地利用现状将土地覆盖类型分为17类，通过SCS-CN模型模拟了不同土地覆盖类型下的地表径流量，进一步证明了土地覆盖因素对地表径流的影响[13]。戴开璇等结合历史降雨数据和城市土地覆盖分布数据通过SCS-CN模型预测了拉萨市地表径流，并且分析了拉萨市各个县区的洪涝缓解能力，同时提出了城市扩张与加强绿地设施建设协同布局的建议[14]。鉴于SCS-CN模型在城市地表径流模拟中的有效性、适用性，并且能够指导城市洪涝灾害防治，因此本研究选择该模型对地表径流进行模拟。

然而，已有研究主要通过单一年份数据通过SCS-CN模型评估城市土地覆盖类型及其分布对地表径流的影响，对复杂降雨情景下，较长时间尺度的城市土地覆盖变化对地表径流特征的研究较少。因此，本研究通过设置多种降雨情景，利用多时期土地覆盖类型数据模拟地表径流，定量评估了较长时间尺度土地利用覆盖信息及其变化对地表径流的影响，以期为城市洪涝调节及洪灾预防提供参考。

1 研究区域与数据

1.1 研究区概况

研究区南京市位于北纬31°14′至32°37′、东经118°22′至119°14′之间，地处江苏省西南部，是长江三角洲城市群中心城市之一。南京市属于亚热带季风气候，雨量充沛，降水强度大，年均降雨量约1 100 mm，其中，夏季降雨量占全年的60%以上。过去30年，南京历经了快速的城市化进程，截止至2021年底，建成区面积为868 km2。近些年，南京每年都遭受不同程度的降雨侵袭，洪涝多发期集中于6～7月，严重影响了居民的正常生活[15]。2022年，南京市入选建设“海绵城市”发展模式的试点城市，旨在降低地表径流总量，提高城市雨洪调节能力。因此，以南京市为例进行城市地表径流量模拟和特征分析具有典型代表意义(图1)。

图1 研究区位置示意图

1.2 数据及处理

本研究数据主要包括土地覆盖数据、土壤类型数据、数字高程数据、降雨量数据。土地覆盖数据为全球30 m土地覆盖精细分类产品(GLC_FCS30)，该产品是利用1984-2020年Landsat数据生产的全球30 m精细土地覆盖动态监测产品，更新周期为5年，包含29个土地覆盖类型，最高总体精度为 82.5%，本研究选取了2000、2005、2010、2015和2020年研究区的分类产品作为土地覆盖信息数据源[16]。土壤类型数据采用全球水文土壤分组产品(Global Hydrologic Soil Groups，HYSOGs250m)，该数据集是为了支持区域及大尺度上降雨径流估算模型而改进的水文土壤分组(Hydrologic Soil Group，HSG)数据，分辨率为250 m，根据降雨径流潜力划分为A、B、C、D 4个标准等级的水文土壤类型(表1)[17]。数字高程数据(Digital Elevation Model，DEM)使用SRTM数据，分辨率为30 m，由谷歌地球引擎平台(Google Earth Engine，GEE)获取，主要用来提取研究区坡度因子。降雨数据采用全球降雨测量产品(Global Precipitation Measurement, GPM)，该产品提供每3 h一次的全球雨雪观测数据，空间分辨率为10 km。研究区降雨事件多发生于夏季，本研究通过GEE平台获取了2000、2005、2010、2015和2020年6～7月已校准的降雨数据。为了综合使用上述多源遥感数据集，对所有数据进行了统一的坐标转换及空间分辨率重采样。

表1 水文土壤分组

2 研究方法

为了更加全面、具体地描述由降雨因子产生的地表径流特征信息，并分析土地覆盖类型与地表径流之间的关系，采用SCS-CN模型对研究区地表径流量进行估算，具体计算公式为：

(1)

式中，Q为地表径流量(mm)，P是降雨量(mm)，S是最大可能滞留量(mm)。由于不同单元上的土地覆盖层存在差异，最大滞留量S因而也存在差异，其主要由土地覆盖类型和土壤类型决定，具体关系如下：

(2)

式中，CN为地表径流能力参数，其值越大，代表地表径流产生的可能性越大。研究表明，地形因子会影响SCS-CN模型的模拟效果，因此在CN值基础上考虑了坡度因子对地表径流的影响，本研究利用Huang等人提出的修正模型进行改进[18]，改进模型如下：

(3)

式中，SLP为坡度，CNS为坡度修正后的CN。此外，在实际应用中，前期土壤湿润程度也会影响地表径流，因此有必要引入土壤湿润情况对CN进行进一步的修正[19]。根据降雨发生前五日的降雨量，本研究将土壤湿润程度分为3类：干旱(Ⅰ)、正常(Ⅱ)、湿润(Ⅲ)。由正常程度计算其他CN值，具体公式如下：

(4)

(5)

式中，CNⅠ为干旱程度的CN值，CNⅡ为正常程度的CN值，CNⅢ为湿润程度的CN值。在研究范围内，土地覆盖类型共有14类。高强度降雨发生于夏季，落叶阔叶林处于生长期，因此本研究将其与常绿阔叶林合并为一类。土壤类型及土地覆盖类型的初始CN值通过查询美国国家工程手册获得[20]，具体数据如表2所示。

表2 土地覆盖类型及初始CN

为了研究降雨量与地表径流量之间的相关性，量化土地覆盖对降雨径流缓解能力，本文通过洪涝缓解系数(R)评价径流洪涝调节能力，其定义如下：

(6)

式中，R为缓解系数，值越大则洪涝缓解能力越差。

3 结果与分析

3.1 洪涝缓解能力评价

本研究通过模拟不同降雨情景，结合不同时期土地覆盖信息分析南京地表径流特征及其变化信息。考虑研究区域气候及降雨特征，根据降雨量划分为4种降雨情景：弱降雨、中等降雨、强降雨、暴雨。首先，基于GPM历史降雨数据，通过最大值合成法提取每一年雨季最大降雨量，对每一年最大降雨量计算均值，将结果作为暴雨情景下的模拟降雨量；然后，基于暴雨情景降雨量，将其数值的1/4、2/4和3/4分位分别作为弱降雨、中等降雨、强降雨情景下的模拟降雨量。最后，采用于SCS-CN模型，输入不同降雨量及其土地覆盖数据，计算2000、2005、2010、2015和2020年不同降雨场景下的地表径流量，进而获得研究区平均洪涝缓解系数。如图2所示，在弱降雨情景下，不同时期的洪涝缓解系数均超过0.9，表明当降雨量较小时，大部分降雨渗入地下，城市地表径流量较小，能够有效阻止城市洪涝产生；在中等降雨和强降雨情景下，洪涝缓解系数由0.7下降至0.5。随着降雨量增加，城市地表径流量增加，发生洪涝的潜力也增加。在暴雨情景下，洪涝缓解系数降低至0.3，大量降雨汇集于地表，降雨调节能力下降，因此容易产生城市内涝。此外，随着南京市城市化进程加速，洪涝缓解系数下降，如在暴雨情景下，五期系数分别为0.252 3、0.244 1、0.230 1、0.225 3、0.212，呈下降趋势，说明南京市城市洪涝风险在持续恶化。

图2 不同降雨情景下城市洪涝缓解系数

3.2 土地覆盖类型对地表径流特征分析

统计建成区内不同土地覆盖类型的面积占比、贡献率(各土地覆盖径流量与径流总量占比)、径流量均值。图3展示了2020年暴雨情景下的径流特征，为了便于统计，阔叶林、针叶林归为林地，水体不参与统计。可以发现，灌溉农田和不透水面的面积占比最大，分别为43%和38%。同时，对于土地覆盖类型面积和径流量的贡献率，两者的贡献率也最大，分别为40%和42%；对于不透水面，由于其阻碍了地表水下渗，因此该类型径流量均值较大，达到84 mm。其他土地覆盖类型所占比例及贡献率较小，均小于10%。其中，林地地表径流量均值最小，为58 mm，其原因为降雨一部分被树冠截留，另一部分渗入稀松多孔的林地土壤里，从而形成较少的地表径流。

图3 2020年不同土地覆盖类型径流特征

图4为2000至2020年弱降雨(A)和暴雨情景(B)下南京建成区地表径流分布。其中，城市扩张使得不透水面取代了以植被为主的自然地表景观。因此，在不透水面密集区域，地表径流增加，进而增加了城市洪涝风险。

图4 南京市建成区2000-2020年地表径流模拟结果

3.3 土地覆盖变化对地表径流变化的影响

为了探究土地覆盖变化与地表径流变化之间的关系，利用皮尔森相关系数(R)对2000年至2020年暴雨情景下的径流差值与土地覆盖面积变化的进行相关性分析。如表3所示，草地、林地转变为不透水面的过程与径流变化的相关性最高，说明了不透水面扩张是径流量增加的主要原因。除此之外，其他的土地覆盖变化，如林地到草地和农田的转变，也一定程度上造成了径流量的增加，但影响较弱。与之相反，不透水面转为林地、草地的变化与径流变化呈现中高度负相关，该变化过程有效降低了地表径流量。因此，不透水面变化是研究区较长时间地表径流变化的主要驱动因素。

表3 土地覆盖变化与径流变化相关分析

4 结 语

本研究基于多时期土地覆盖数据，通过SCS-CN模型模拟了多种降雨情景下的地表径流。以南京市为例进行地表径流模拟及特征分析，主要结论如下：① 2000-2020年，研究区域内地表径流总量逐年增大，洪涝缓解系数呈现下降趋势；② 对于不同土地覆盖类型，农田和不透水面在研究区域内的面积占比最大，并且对径流总量的贡献最高；③ 在城市化进程中土地覆盖发生变化，不透水面和林地的变化对径流变化的影响最为显著，其中，大面积的不透水面扩张是造成径流量增加，加剧城市洪涝风险的主要因素。

此外，本研究使用的土地覆盖和降雨数据分辨率较低，对于城市内部径流模拟及洪涝评估有所限制，在未来研究中，获取高分辨率遥感数据以更加精准模拟地表径流。