不同精度土地利用数据对丘陵灌区HRU划分阈值及产流的影响

2022-10-13王文娟邹志科罗文兵李超超李亚龙黄绍哲

东北农业大学学报 2022年9期

王文娟，邹志科，罗文兵，李超超*，李亚龙，余蕾，黄绍哲

（1.宁夏大学土木与水利工程学院，银川 750021；2.长江水利委员会长江科学院农业水利研究所，武汉 430010；3.长江大学资源与环境学院，武汉 430100）

阐明水分循环及其转化规律对灌区水资源管理具有重要意义。在流域尺度上，模型模拟法是再现水循环内部过程最佳方法[1-2]。在众多水文模型中，SWAT（Soil and water assessment tool）模型因较强物理性，考虑人为因素和地理特征的综合影响，在灌区水循环方面已有诸多应用[3-5]。长江流域丘陵水稻灌区，地形特征明显，沟渠塘堰等水体数量多，水分交换频繁，具有典型长藤结瓜系统和多水源联合灌溉特征，SWAT模型充分考虑农业管理措施和稻田湿地特征，可模拟长江流域典型灌区水文过程。

在SWAT建模过程中，空间离散作为首要步骤，在最小计算单元划分中发挥重要作用[6]。空间离散主要根据DEM（数字高程模型，Digital Elevation Model）划分子流域，在此基础上根据土地利用-土壤类型-坡度阈值组合生成最小计算单元[7-8]。目前关于空间离散不确定性多数针对子流域层面，2002年郝芳华团队探讨SWAT模型子流域合理划分水平问题，认为模型模拟存在一定子流域划分水平[9]；随后陆志翔等、马永明等采用适度指数法确定合适的子流域划分[10-11]。目前针对HRU（水文响应单元，Hydrologic Research Unit）层面研究较少[12-13]，模型在流域上的HRU阈值划分一般为0～30%[14-16]，无统一规定。有研究表明，相对土壤和坡度，土地利用类型对径流影响更为显著[17-18]。因土地利用数据获取方式有限，高精度数据较难获取，一般小流域模型模拟均采用10 m或10 m以下精度土地利用数据，鲜有针对不同精度，尤其是高于10 m精度的土地利用下HRU阈值划分确定方法，及其对流域径流模拟的影响研究。

本文以湖北漳河灌区杨树垱流域为例，在相对合理子流域划分前提下，利用5和10 m精度土地利用类型，设置6种土地利用划分阈值，以模拟径流可靠性为约束，分析土地利用精度对HRU划分阈值及径流模拟结果影响，探求不同土地利用精度下HRU划分阈值，有利于提高模型运行精度和效率。

1 材料与方法

1.1 研究区域概况

漳河灌区位于北纬30°00′～31°42′、东经111°28′～111°53′，灌区地域辽阔，东到汉江，西至沮河，南濒长湖，北接宜城。地域跨荆门市、宜昌市和荆州市[19]。灌区地势西北高、东南低，自西北向东南倾斜。灌区气候类型属亚热带大陆性气候，灌区多年平均气温17℃，最高气温40.9℃，多年平均降雨量965 mm。本文选择漳河灌区内一个封闭小流域——杨树垱流域，面积约为40 km2，主要土地利用类型为稻田及林草地等，其中稻田面积占比约60%[20]，区内水田交错分布，为长藤结瓜灌溉系统。内部水体交换频繁复杂，除出口处杨树垱水库外，流域内还有一处小型水库——红鹤水库，外部被三条水渠包围，是典型小微灌区流域。杨树垱流域主要种植水稻、棉花和油菜等作物，其中水稻以中稻为主，采用间歇灌溉模式[21]，具体见图1。

图1 研究区及子流域划分Fig.1 Study area and sub-basin division

1.2 数据收集

SWAT模型输入数据包括两类，即属性数据和空间数据。属性数据包括气象数据（2000～2007年、2016～2017年逐日降水、最高温度、最低温度、相对湿度、平均风速），来自荆门市团林试验站内气象站；社会经济数据（各县市区人口、农业种植施肥量、畜禽养殖量、水产养殖产量等），来自漳河工程管理局；水文观测数据（2000～2007、2016～2017年流量监测数据，利用杨树垱水库出口处水位反推得到的径流数据用于参数率定验证），来自杨树垱水库管理处；空间数据包括数字高程（DEM）图（12.5 m分辨率）、土地利用图（5 m、10 m分辨率）、土壤类型图（14.25 m分辨率），其中5 m精度的土地利用图来自全国第三次普查，10 m精度的土地利用图来自Esri公司哨兵影像数据（https://livingatlas.arcgis.com/landcover/），使用深度学习方法制作得到。

1.3 原理与方法

SWAT模型产流模拟采用SCS径流曲线数法[22]。建模时，首先导入DEM，通过调试将子流域提取阈值设为2 km2，结合实际水系对划分的子流域进行修正，添加杨树垱水库出口为流域出口，共得到10个子流域（见图1）。当子流域中某一元素占比小于规定划分阈值时，该类型将与超过该阈值其他类型合并，HRU数量越多，水文计算越复杂[23]。每个HRU作为计算地表径流量最小单元，将同一子流域内同一类型HRU计算结果求和得到子流域径流过程。

1.4 评价指标

利用R（2式1）、NSE（式2）和RSR（式3）[24]评价径流模拟结果，分析不同HRU划分方案对径流模拟的影响。其中R2为决定系数，表示实测数据和模拟数据趋势的一致性。NSE为纳什系数，用于衡量实测数据和模拟数据拟合程度。RSR为均方根差与标准差比值，用于将均方根误差进行标准化，其在集成误差索引统计优点同时，还包括一个归一化因子，适用于评估多变量模拟效果。RSR绝对值越小，RMSE越小，模型模拟效果越好[25]。有观测值平均值；为所有模拟值平均值；n

式中，Qobs,i为观测值；Qsim,i为模拟值；为所为观测数据个数。通常情况下认为RSR小于0.7，R2和NSE分别大于0.6、0.5时模型模拟结果较为可靠[26]。

1.5 方案设计

为避免其他数据变化对模拟结果产生影响，除土地利用外，所有方案SWAT模型均采用相同数据输入、一致子流域划分，模型统一采用以土地利用阈值为0、坡度和土壤类型阈值均为10%方案为基准面进行率定得到的参数。

HRU划分中土地利用类型阈值变化范围为5%～30%，以5%为梯度设置方案（见表1），进行径流模拟，与实测值进行对比，计算R2、NSE和RSR3个指标。分析不同土地利用类型精度对HRU阈值划分以及模拟径流结果的影响，综合确定不同精度土地利用类型下研究区相对合理的HRU划分阈值。

表1 方案设计Table 1 Scheme design

2 结果与分析

2.1 SWAT模型的适应性评价

将2000～2004年作为模型预热阶段，以坡度和土壤类型阈值为10%，土地利用阈值为0情景为基准，使用5 m精度土地利用数据开展模型模拟并进行径流结果率定和验证。选择2005～2007年作为率定期，因2008～2015未实际观测，本文选用2016～2017年作为验证期，本文水文观测数据仅用于率定验证，不需连续长序列，所以无影响。率定参数取值见表2。

表2 SWAT模型率定参数及取值Table 2 Calibration parameters and their values for SWAT model

流域出口径流模拟值与实测值动态变化如图2、3所示。结果表明，径流率定期R2为0.81，NSE为0.80，RSR为0.45；验证期R2为0.72，NSE为0.70，RSR为0.55。可见，率定期和验证期R2和NSE值高于0.60，RSR小于0.70，其中率定期R2和NSE达到0.80、RSR小于0.50，说明构建的SWAT模型可较好模拟杨树垱流域径流过程，适用性良好，可用于该区域水文过程模拟。

图2 率定期径流过程模拟效果对比Fig.2 Comparison between simulated and observed of runoff process in calibration period

2.2 不同精度土地利用类型划分

5与10 m两种精度土地利用均以农田（包括水田和耕地）为主，分别占总面积63.83%和69.86%。由于精度较低，10 m精度土地利用数据在处理过程中无法较好区分特征相似土地利用类型，导致部分类型被其他类型合并。

由表3可知，5 m精度土地利用中林地、草地和荒地占比为12.24%，在10 m精度下上述3种土地类型几乎完全被合并，且耕地与水田被合并，两者之和比5 m精度下增加6.03%。此外，部分水库周围林地等被水面合并，导致水面增加3.71%；部分草地也被建筑用地合并，导致建筑用地增加2.47%。这些土地利用类型偏差是导致模拟结果变化主要原因。

表3 两种精度下土地利用类型划分对比Table 3 Comparison of land use types

图3 验证期径流过程模拟效果对比Fig.3 Comparison between simulated and observed of runoff process in validation period

2.3 阈值划分对土地利用分类的影响

在HRU划分中设定土地利用阈值，当某种土地利用类型面积小于设定阈值时，这类土地利用类型将被合并到超过该阈值的其他土地利用类型中。因耕地与水田上植被特征类似，故将二者皆视为农田，并仅对占主要成分的农田和水面作分析，以便于分析土地利用变化过程。由表1、4可知，A方案土地利用在阈值划分为5%时，土地利用类型与原始数据（未进行阈值划分的土地利用数据）相差较小。随阈值增加，荒地、林地、草地和城镇部分面积合并到农田和水面中；阈值划分达到20%时，建筑用地仅1.91 km2，其余均被合并为农田和水面，此时与原数据相比，农田和水面分别增加18.72%和0.67%；阈值增加至30%时，仅农田与水面两种类型，与原数据对比，分别增加19.50%和4.64%，此时土地利用划分发生明显变化，与实际相差较大。

B方案中，土地利用类型阈值为5%时，草地类型被合并，其余类型变化不大；阈值划分达到20%时，土地利用类型仅农田与水面两类，与5 m精度土地利用相比，农田和水面面积分别增加19.12%和1.05%；阈值划分为30%时，农田面积增加29.56%，水面面积减少5.41%，农田占比达到93.39%，与实际相差较大。

表4 不同阈值土地利用划分情况Table 4 Land use types division with different thresholds

通过上述分析可知，两种精度土地利用类型在进行HRU阈值划分时，在小于20%范围内，划分情况与使用土地利用类型相符，超过该范围，两者均出现失真情况。B组产生偏差大于A组，且随HRU划分阈值增加，两组方案农田占比变化差值由0.4%（阈值为20%）增至10.06%（阈值为30%），水面占比差值由0.38%增至10.05%，即变化差距随阈值增加而变大。

2.4 不同精度土地利用数据下HRU划分阈值对径流模拟的影响

采用SWAT模拟两种土地利用精度对应不同HRU划分方案下径流过程，其径流模拟精度评价指标变化如图4所示。

由图4可知，采用两种精度土地利用在不同划分方案下径流模拟结果的R2和NSE＞0.6，RSR值＜0.7，符合模型模拟可信度要求。不同土地利用类型精度对径流模拟均产生一定影响，其中使用A组方案模拟模型时，R2为0.81～0.77，NSE系数为0.80～0.72，RSR为0.46～0.53。土地利用划分阈值在5%～10%时，3种指标无明显变化，均保持较好精度；划分阈值为10%～20%时，随阈值升高，R2和NSE下降，RSR升高，径流模拟精度明显降低；当划分阈值达到25%时，R2和NSE降至最低，RSR最大；阈值超过25%后，三类指标不再变化，趋于稳定。

图4 两类土地利用不同HRU阈值情景评价统计Fig.4 Evaluation of simulation effect under two resolution of land use scenarios with different HRU thresholds

B组方案得出模拟结果变化特点与A组对应特点一致，但模拟精度普遍差于A组，其R2为0.79～0.72，NSE为0.79～0.65，RSR为0.47～0.60，具体方案结果见表5。当土地利用阈值在5%～10%时，NSE、R2和RSR无变化。当土地利用阈值达25%时，模拟结果出现NSE＜0.7情况，此时模拟效果较差。

表5 两类土地利用不同HRU阈值情景评价统计Table 5 Evaluation of simulation effect under two resolution of land use scenarios with different HRU thresholds

3 讨论

5与10 m精度土地利用数据差异在于10 m数据无法精细识别土地类型复杂交错之处，导致不同土地利用类型被混淆，如农田、建筑用地、林地交错的土地仅体现农田与建筑用地。其次，相似土地利用类型被合并为同一类，如耕地和水田被统一归为水田。这些被混淆或合并的情况影响后续HRU划分。在HRU划分时，随阈值增加，两类土地利用被合并面积增加，但A组增加速度低于B组，土地利用类型的变化率和变化量均小于B组，对应模拟精度变化幅度也同样小于B组，与徐苏等、邢贞相等得到的径流变化幅度与土地利用变化强度有关结论一致[27-28]。

从A、B两组方案模拟结果看，二者变化规律相似，5 m精度土地利用模拟结果均优于10 m，但相差较小，相同阈值下三类指标的差值随阈值增加而增加，相对误差最大为13.21%，不超过15%，均符合模型模拟可信度要求[29]。因而在实际模拟过程中，考虑数据收集工作量，不必过度追求输入数据精度。径流模拟性能总体上与土地利用阈值呈负相关关系，较小土地利用阈值（5%～10%）下模拟效果最好，阈值增大，模拟效果随之下降；土地利用阈值达到25%时，模拟效果降至最低后趋于稳定。在实际应用过程中，阈值选取与模拟精度有关，需考虑实际计算效率，在效果相同或差距较小情况下，优先选择较大阈值[30]。A组方案在土地利用阈值为5%和10%时效果最好，二者评价指标相同，R2为0.81，NSE为0.8，RSR为0.46；B组方案也在土地利用阈值为5%和10%时效果最好，R2为0.79，NSE为0.79，RSR为0.47。两组最佳方案对应的土地利用阈值皆为5%和10%，但阈值为10%时计算效率更高，因此杨树垱流域的土地利用最佳阈值设定为10%。

本研究认为土地利用对SWAT径流过程模拟的影响是多方面的，不仅受精度影响。首先，高精度土地利用数据可更明确区分流域内土地利用类型，影响HRU划分，影响模拟效果。同样阈值条件下使用两种土地利用模拟结果的评价指标相对误差未超过15%，结果差异不显著。其次，土地利用阈值设定也影响HRU划分，设定阈值越小，HRU数量越多，模拟效果越好，计算量也越大。实际应用时应综合考虑模拟效果、数据获取难易程度以及模型计算效率。因此，本研究认为在SWAT模型模拟时，不必过分追求高精度土地利用数据，应在HRU划分时设定合适的HRU划分阈值，保证模拟效果同时有效提高计算效率。