基于多源蒸散发的参数率定对日径流模拟的影响

丁洁，朱仟，张昊，陈国庆

（东南大学土木工程学院，江苏南京 211189）

0 引言

在全球气候变化和人类活动愈发频繁的背景下，自然水文循环过程已悄然改变，各类极端水文事件尤其是洪水事件更为频繁地发生，严重危害了人类的生产生活［1］。水文模型已经被广泛应用于径流的模拟预测和流域水资源管理，但是其具有不确定性会显著影响水文模拟的结果。在大部分研究中由于径流观测方法相对简单，利用实际径流观测资料对水文模型进行参数率定已经成为提高水文模拟准确性最常规的手段。然而对于径流数据缺失的地区，这一方法显然不可行，因此也可考虑将其他水文变量作为水文模型参数率定的依据。其中，蒸散发是联系水循环、碳循环和能量循环的重要气候变量［2，3］，与降水密切相关，能够将全球陆地约60%的降水输入返回至大气中［4，5］。同时，蒸散发描述了植物和陆地表面的水分流失，能够反映植被生长以及土壤水分情况，进而影响水文模型中的径流的形成。因此，以蒸散发作为校准变量进行水文模型的参数率定，也是提高流域水文模拟准确性的有效方法。

蒸散发的常规测量主要通过侧渗仪、涡流相关仪、大口径闪烁仪等方法，但是由于成本限制，中国范围内可提供共享数据的蒸散发通量站点极为稀少，并且由于建立时间较晚，数据时间长度较短，通常难以满足研究要求。基于遥感以及陆面模式的各种蒸散发产品逐渐以其较高的成本效益、较广的覆盖范围以及相对可靠的精度成为热门的研究工具。目前已有多个机构发布了免费的大尺度蒸散发产品，如MODIS（Moderate Resolution Imaging Spectroradiometer）中分辨率成像光谱仪蒸散发产品（MOD16A2，以下简称MOD16）、GLEAM（Global Land Evaporation Amsterdam Model）、GLDAS（Global Land Assimilation Data System）等，这些具有较高精度的大尺度蒸散发产品的发布，也为利用蒸散发进行水文模型的参数率定提供了强大的数据支撑［6］。

目前，国内外已有多位学者针对蒸散发率定的可行性进行探究，如Parajuli 等人利用MOD16 对SWAT（Soil and Water Assessment Tool）模型进行校准，证明该方法适用于月尺度的径流模拟，并与基于实测径流率定具有相当的精度［7］。Jiang 等人使用遥感蒸散发在28 个自然流域对VIC（Variable Infiltration Capacity）模型进行参数率定，结果表明基于蒸散发率定的水文模型能够在其中29%的研究区内产生优于基于实测径流率定的径流模拟效果［8］。国内学者张清等人也在淮河流域利用MOD16 蒸散发数据对SWAT 模型进行参数率定，研究结果表明基于蒸散发的率定产生的月径流模拟精度相比基于实测径流率定的略有下降，但依然较为可靠［9］。

然而，过去的研究大多只在月尺度针对基于蒸散发率定对水文模型径流模拟效果进行了探究，也尚未考虑不同蒸散发产品可能导致的径流模拟差异。基于以上背景，本文基于SWAT模型，在衡阳站和双牌站以上控制流域分别利用实测径流和多源蒸散发（MOD16、GLEAM、GLDAS）进行参数率定，旨在分析不同流域基于蒸散发率定在日径流模拟方面的应用效果以及不同蒸散发产品率定对径流模拟的影响，以期为无资料地区水文模型的参数率定提供新的思路，从而有效减少洪涝灾害。

1 研究区域

本文的研究区域为湘江中上游地区，即湘江干流上衡阳水文站以上控制流域［图1（a）］，集水面积为53 085 km2，包含消水、春陵水等湘江重要支流。该研究区域作为我国重要的粮食基地以及工业原料供应地，具有极高的经济地位。研究区域整体处于亚热带季风气候带，四季分明，夏季炎热潮湿，冬季寒冷干燥，降水充沛，具有明显的空间异质性［10］，且主要集中在4-6月，这导致流域内径流量年内分配严重不均。研究区域内地势总体上呈现南高北低的趋势［图1（b）］，地形复杂多变，多以山地丘陵为主，且多面环山，较为明显的河流干支流坡度加速了雨水汇流的过程，导致洪水事件的极易发生。

图1 衡阳水文站、双牌水文站的空间分布和研究流域附近气象站及子流域空间分布图Fig.1 The spatial distribution of the Hengyang station，Shuangpai station；the weather stations and subbasins over the study area.

2 数据来源及研究方法

2.1 数据来源

本文选用的多源蒸散发数据包括MOD16、GLEAM 和GLDAS，三者的详细情况如表1所示。

表1 MOD16、GLEAM、GLDAS蒸散发产品的基本信息Tab.1 Basic information of MOD16，GLEAM and GLDAS

MOD16 是由NASA（National Aeronautics and Space Administration；美国国家航空航天局）发布的基于改进Penman-Monteith（PM）公式估算的每8 天的全球蒸散发产品，其空间分辨率可达500 m。该产品以中分辨率成像光谱仪（MODIS）的土地覆盖、反照率、叶面积指数（LAI）、增强型植被指数（EVI）和来自NASA 全球建模和同化办公室（GMAO）的每日气象数据作为输入［11，12］。该产品发布后已经通过了全球46个通量站点的验证，与通量塔实测值的平均相关性可达0.86［12］。本文利用另一在中国地区的干旱检测中有出色表现的全球大气在分析数据JRA-55（Japanese 55-year）［13，14］，将MOD16 时间降尺度至日尺度，具体降尺度方法如下：

式中：M和J分别为MOD16 和JRA-55 产品；ETT为8 d 总蒸散发；ETi为8 d中第i天的蒸散发。

GLEAM 产品利用卫星观测数据，以辐射、气温、降雨、雪水当量、植被光学厚度、表面土壤湿度和植被组分等变量作为驱动，并基于Priestley and Taylor（PT）公式进行每日蒸散量估算［15，16］。该产品自发布以来一直定期修正，并于2019年更新至GLEAM v3.3a 版本。受驱动数据的限制，GLEAM v3.3a 可获取的时间长度为1980-2018年，空间分辨率为0.25°。GLEAM v3.3a 蒸散发数据的准确性也通过了全球91 个涡度相关仪通量塔的验证，与通量塔观测值的平均相关性介于0.78 到0.81之间［16］。

GLDAS 产品是美国国家航空航天局戈达德航天飞行中心和美国国家海洋与大气管理局国家环境预测中心联合研究推出的，该数据集采用先进的陆面模式和数据同化技术，融合地面观测和卫星观测数据，以获得更准确的全球地表气候通量。本文中使用的GLDAS v2.2 同化了GRACE 数据，可提供空间分辨率为0.25°的每日蒸散发数据［17］。对于GLEAM 和GLDAS 产品，共有76个栅格覆盖湘江中上游范围并提供蒸散发数据。

建立SWAT 模型所需要的DEM（Digital Elevation Model；数字高程模型）来自地理空间数据云，分辨率为90 m；土壤数据来自HWSD 全球土壤数据库1∶100 万中国土壤数据集；土地利用数据来自Global Land Cover 2000，空间分辨率为1 km，并根据SWAT 数据库进行重分类（如图2）。驱动SWAT 模型所需要的气象数据（最高和最低温度、相对湿度、风速和太阳辐射）下载自中国国家气象信息中心（https：//data.cma.cn）。2009-2018 年间双牌站和衡阳站所提供的每日实测径流数据用以验证模型径流模拟效果。

2.2 SWAT模型构建

SWAT 模型是一个时间连续的半分布式水文模型，该模型具有比较全面的模型结构，能够模拟包括地表径流、地下径流、蒸散发等主要的水文过程。该模型采用SCS径流曲线法对流域地表径流量进行模拟，默认采用Penman-Monteith 公式计算潜蒸发。如图1 所示，本文首先根据研究区DEM 将研究区域划分为21 个子流域，并根据不同的坡度类型、土壤类型及土地利用类型（图2）将研究区划分成了448 个水文响应单元（HRUs），继而在此基础上基于每个HRU 在日尺度上进行水量平衡计算。本文将整个研究期分为3 个阶段：预热期（2009-2010），率定期（2011-2014）和验证期（2015-2018）。

图2 研究区域的土壤类型及土地利用类型分布图Fig.2 The spatial distribution of soil type and land use in the study area.

2.3 参数率定和验证方案

为了探究不同率定方案对SWAT 模型径流模拟的影响，本文共设置两种率定方案，分别为：①基于实测径流的参数率定；②基于蒸散发的参数率定。

与仅基于流域出口处的实测径流进行的参数率定相比，基于蒸散发的参数率定可能从空间上更好地约束水文模型，更好地表现水文模型中各水文过程变量的空间特征［18］。本研究采用SWAT-CUP（SWAT-Calibration and Uncertainty Program）中的SUFI-2（Sequential Uncertainty Ftting Algorithm）优化算法进行模型参数率定。本文中所选择参与率定的参数如表2所示。

表2 率定参数的含义及其参数范围Tab.2 The definition and range of calibrated parameters

以NSE（Nash-Sutcliffe Efficiency）作为率定变量的目标函数，比较上述两种率定方案所得到的日径流模拟结果，探究基于蒸散发率定在研究区域内的适用性。采用NSE、BIAS和KGE（Kling-Gupta Efficiency）指标对径流模拟效果进行评估，评估指标的具体计算公式如下：

3 结果和讨论

3.1 蒸散发产品的空间特征

MOD16、GLEAM、GLDAS 蒸散发产品基于不同的蒸散发估算方式，三者在研究区域的表现也不同。图3 表示3 种产品在2009-2018 年间的多年平均蒸散发的空间分布。MOD16 产品以其较高的空间精度更好地表现了研究区域内蒸散量的空间特征，总体上，三者在研究区域的空间趋势类似，都呈现西北向东南递增的趋势。但是在蒸散量的数值上，3种产品差异明显。GLDAS 在研究区域尤其是中东部地区相对其他两种产品存在明显高估，GLEAM 产品则在研究区域的西部地区相较其他两个产品有一定程度低估。

图3 2009-2018年间研究区域MOD16、GLEAM、GLDAS产品的多年平均蒸散发Fig.3 The mean annual ET of MOD16，GLEAM，GLDAS in the study area during 2009-2018

3.2 基于实测径流参数率定的径流模拟

首先基于实测径流对SWAT 模型进行率定，并选用NSE、BIAS和KGE对模拟性能进行评估，图4 显示了在两个水文站径流模拟值与观测值的结果。总体而言，基于实测径流的率定方案，在两个水文站都能够比较好地模拟径流。其中，在率定期衡阳站的径流模拟效果相对更好，NSE和KGE分别能够达到0.75 和0.87，BIAS也相对较低（0.40%），而双牌站的NSE和KGE则分别为0.58和0.70，BIAS为2.64%。但是在验证期，两个站点的径流模拟效果相差不大，衡阳站的NSE和KGE分别为0.60和0.70，双牌站的NSE和KGE相比率定期略有提高，分别为0.60和0.73，且从BIAS可看出，衡阳站的模拟径流存在较为明显的高估，BIAS=14.43%明显高于双牌站的-0.23%。总体而言，基于实测径流的率定方案能够在研究区域内比较好地捕捉两个水文站径流的动态变化，表明SWAT 模型以及此率定方案在该研究区域的适用性。但该模型对于洪峰峰值的准确模拟上仍有不足，并且在率定期双牌站径流模拟的NSE明显低于衡阳站，这可能是双牌水文站的径流受上游的双牌水库调蓄的直接影响较大，而本研究模拟忽略了水库作用，因而导致其相对较差的模拟效果。

图4 基于实测径流率定的日径流模拟值与观测值的对比图Fig.4 Comparison of daily simulated and observed streamflow based on streamflow calibration at Shuangpai station and Hengyang station

3.3 基于蒸散发参数率定的径流模拟

分别对双牌站和衡阳站以上的控制流域，基于蒸散发进行率定，在两个水文站上模型输出的径流结果分别如图5 和图6所示。由图5 可知，对双牌站以上控制流域进行基于蒸散发率定，模型输出的径流总体上与基于实测径流率定后的结果类似，且3 种蒸散发产品率定的结果差异也不明显。使用GLEAM、GLDAS和MOD16进行率定的模型，在率定期的NSE都为0.51，而KGE分别仅有0.50，0.54 和0.50，验证期的NSE分别提升到0.58，0.59 和0.58，KGE则分别提升到0.69，0.72 和0.69。对比基于实测径流率定的结果［图4（a）］可知，虽然在双牌站NSE的评估结果高度相似，但是基于蒸散发的率定会导致|BIAS|相对偏大，对径流的整体低估会更加明显。总的来说，基于蒸散发率定在径流模拟方面具有较大的潜力。

图5 基于GLEAM，GLDAS，MOD16率定的双牌站日径流模拟值与观测值的对比图Fig.5 Comparison of daily simulated and observed streamflow based on ET calibration at Shuangpai station：GLEAM，GLDAS and MOD16

在衡阳站的径流模拟结果如图6 所示，基于3 种蒸散发产品率定都能够在该研究区域内取得比较可靠的模拟效果。在率定期，基于GLEAM、GLDAS 和MOD16 的率定取得的NSE分别为0.71，0.72和0.72，而KGE分别为0.80，0.76和0.77。而验证期的NSE分别为0.60，0.72 和0.72，KGE分别为0.72，0.81 和0.80。总体而言，基于3 种蒸散发产品的率定能够较为准确地模拟衡阳站的径流，且基于GLDAS 和MOD16 的率定能够相对更加出色地捕捉衡阳站的径流峰值。

图6 基于蒸散发率定的衡阳站日径流模拟值与观测值的对比图Fig.6 Comparison of daily simulated and observed streamflow based on ET calibration at Hengyang station

基于不同蒸散发产品率定在双牌站和衡阳站得到的模拟径流的评估指标汇总如表3 所示。由表3 可知，整体而言，模型对于衡阳站的径流模拟效果相比双牌站相对更好，基于3 种蒸散发产品率定得到的各项评估指标在率定期和验证期都相对更佳，NSE和KGE相对更高且｜BIAS｜相对更低。除了上述提及的双牌站受水库调蓄的影响较大外，还有可能是受流域面积的影响，基于蒸散发的率定可能更适用于大的流域。双牌站以上控制流域面积相对较小，且多为山地，蒸散发数据相对会具有更高的不确定性［19］，会较大地影响蒸散发产品的准确性以及在水文模型率定中的应用效果。通过对比基于3种产品率定的结果可知，基于GLEAM 率定的模型在验证期的径流模拟的表现略有不足，在衡阳站的NSE和KGE仅有0.60 和0.72，明显低于GLDAS和MOD16。而基于GLDAS率定的模型则在验证期对衡阳站的径流模拟表现更为出色，体现在其｜BIAS｜相对更低，仅为-0.08%，但是由图6（b）可知其在日径流峰值准确模拟上仍存在不足。

表3 在双牌站和衡阳站基于GLEAM、GLDAS、MOD16率定得到的模拟径流率定期和验证期的评估指标Tab.3 Evaluation indices of the simulated streamflow produced by the SWAT model calibrated based on GLEAM，GLDAS and MOD16 in the calibration and validation period at Shuangpai and Hengyang station，respectively

4 结论

以湘江中上游地区采用GLEAM、GLDAS 和MOD16 作为SWAT 模型的蒸散发校准变量，分别对双牌站和衡阳站得到的模拟径流进行了评估分析，探究了基于多源蒸散发率定对径流模拟的影响。其研究结果表明：

（1）基于蒸散发的率定方案在湘江中上游区域具有比较好的适用性，其径流模拟效果与基于实测径流参数率定的径流模拟效果相当，双牌站模拟径流的率定期和验证期的NSE都能达到0.50 以上，在衡阳站率定期的NSE都能达到0.70，验证期的NSE也能达到0.60以上。

（2）基于蒸散发的率定方案在不同的流域的表现也会有较大差异。基于蒸散发的率定方案在双牌站所产生的径流在验证期的NSE最高为0.59，但是在衡阳站其NSE最高可达到0.72，且在衡阳站的｜BIAS｜相较双牌站的都更低。两个水文站之间的不同表现也证明了蒸散发在大流域的水文模型参数率定上可能具有更好的表现。

（3）3 种蒸散发产品率定的径流差异在衡阳站更为突出，其中基于GLEAM 参数率定模拟的径流在验证期的表现相对较差，NSE仅有0.60，明显低于基于GLDAS 和MOD16（0.72），且基于GLDAS 参数率定模拟的径流在验证期的BIAS上表现相对突出，仅为-0.08%。

研究结果表明利用可靠的蒸散发数据对SWAT模型进行参数率定能够比较好地模拟出湘江流域中上游的日径流。研究结果证明了多源蒸散发数据在水文模拟中的巨大潜力，为缺资料地区，尤其是无资料地区径流模拟提供了可行方案。此外，除本研究使用的蒸散发数据外，亟需进一步结合高精度卫星降水产品和其他再分析气温数据以探究该参数率定方法在真正无资料地区的应用价值［20］。