土地利用和气候变化对流溪河水库流域径流的影响

2023-10-23余扬波唐国平牛香豫

水土保持研究 2023年6期

余扬波, 唐国平, 牛香豫, 黎毅

(中山大学地理科学与规划学院, 广州 510275)

土地利用与土地覆被变化(LUCC)以及气候变化是影响水资源变化的两大主要因素[1]。土地利用变化通过改变下垫面条件,如截留量、下渗率、土壤含水量、蒸散发量等,来影响产汇流机制,改变流域的水资源状况[2]。气候变化会影响流域的降水模式,进而流域径流的形成,反映在年径流量、径流系数、洪峰径流量上的改变[3]。径流量的变化会引发洪涝灾害或缺水问题,对区域的水资源开发利用和社会经济发展造成显著影响。因此,土地利用和气候变化对径流的影响成为了当前水文学的热点问题。

模型模拟是分析流域径流对土地利用和气候变化响应的主要方法,其中分布式水文模型得到了广泛应用。例如,窦小东等[4]利用SWAT模型研究了澜沧江流域土地利用和气候变化对径流的影响,并对流域未来径流变化进行了预估。林娴等[5]采用HIMS模型,定量分析了武江流域气候变化与人类活动对流域年最大日流量和径流变化的贡献率及影响。然而,在评估未来径流变化方面,大多数研究都是基于历史观测的土地利用数据,仅考虑了气候变化对径流的影响,忽视了未来土地利用变化对径流的影响。此外,相关研究多集中在我国中部地区[6-8]、西北地区[9-10]、西南地区[4],而对于华南地区尤其是小流域的关注较少。杨宏伟[11]、袁宇志[12]、黄锋华[13]等分别对华南地区东江流域、流溪河流域、北江流域径流对土地利用和气候变化的响应进行了定量分析,但均未在未来径流预测方面展开相关研究。

流溪河水库流域位于广州市从化区东北部,是广州市的重要水源地,流域径流量关乎整个广州市的用水安全[14]。流域内多山地丘陵,地形地貌情况复杂,极端降水易引起山洪的发生。近年来流域内暴雨频繁,洪水多发,这对当地的生态系统及人们用水安全造成了严重的影响。为此,本文基于CHESS模型,结合历史土地利用数据和气象数据,通过设置不同情景,分析土地利用和气候变化对流域径流的影响,并利用CA-Markov模型预测未来土地利用变化的情景,再结合未来气候预估数据对流域未来径流变化进行模拟预测。研究结果可为流溪河水库流域未来水资源的合理利用和社会经济的可持续发展提供依据。

1 研究区域与数据

1.1 研究区概况

流溪河水库流域(113°44′—144°04′E,23°40′—23°60′N)位于广东省广州市从化区东北部,流域面积约为539 km2,海拔为170～1 139 m。气候类型属南亚热带湿润季风气候,年平均气温约为20.3℃(图1)。流溪河发源于广州市从化区吕田镇桂峰山,流经从化区、花都区、白云区,最终在南岗口与白泥河汇入珠江西航道[14]。气候上,流域空气湿度大,雨水资源充足,但降雨量在不同年份、不同月份差异较大,4—9月为雨季,年平均降水量为1 770 mm,年平均蒸发量为1 100 mm。土壤以沙壤土为主,其次是壤土,粉砂壤土最少[15]。

图1 流溪河水库流域示意图Fig. 1 Map of Liuxi River Reservoir Basin

1.2 基础数据

本文所使用的数据包括栅格数据和气象数据。其中数字高程模型数据采用SRTM(http:∥srtm.csi.cgiar.org/)提供的数据,分辨率为90 m。河网数据基于ArcGIS中的水文模块获得。土壤数据采用世界土壤数据库(HWSD)数据,分辨率为1 km,并结合流域土壤的性质以及研究需要,将研究区内的土壤分为壤土、沙壤土和粉砂壤土。土地覆被类型数据来自于国家基础地理信息中心全球地表覆盖数据产品服务网站(http:∥www.globallandcover.org/),年份为2000年、2010年、2020年,分辨率为30 m。根据土地覆被类型及研究区的实际情况,将流域内的土地覆被类型划分为5类:耕地、林地、草地、水体和建筑用地。

逐日最高气温、最低气温、平均气温数据取自距离研究流域最近且气候、土壤、植被等条件与研究区相似的新丰站(114°8′E,24°N)。日尺度降雨数据取自流域内的流溪河水库站和吕田站。以上气象数据均由国家气象科学数据中心(http:∥data.cma.cn)提供。径流数据通过《广东省水文年鉴》中流溪河水库逐日出库流量、逐日水位表以及逐日入库流量数据推导而来[16]。二氧化碳年平均值数据来自NOAA/美国海洋及大气管理局(https:∥www.noaa.gov/)。

2 研究方法

2.1 CHESS模型

本文选取分布式耦合生态水文模型CHESS(coupled hydrology and ecology simulation System)来量化土地利用和气候变化对径流的影响。CHESS是一个基于过程的物理模型,旨在模拟植被生长并量化流域尺度陆地生态系统中的碳、水和养分动态[17-19]。CHESS模型能够动态地模拟植被生长,植物拦截降水和水在土壤—植被—大气连续流动情况[17]。因此,它能够量化气候变化和相关的植被动态对水量平衡的调节,方程式如下:

P=SF+AET+ΔS+ΔCanS+ΔGW

(1)

AET=Tr+Es+Eca

(2)

式中:P为降水;SF为径流;AET为实际蒸散发量;ΔS为土壤含水量的变化;ΔCanS为冠层存储降水的变化;ΔGW为地下水含量的变化;Tr为植物散发量;Es是为土壤蒸发量;Eca为林冠截留的蒸发量。

本文选取流溪河水库流域1976—1988年的数据对模型进行率定和验证,其中前5 a为植被累计循环期,使植被生长在这5 a中达到平衡状态。1981—1984年为率定期,1985—1988年为验证期。模型可信度的评估主要采用决定系数R2和纳什效率系数NS[20-21]。

纳什效率系数(Nash-sutcliffe efficiency coefficient,NS),能够反映水文模型的模拟结果与实际观测值之间的拟合程度,常用来评价水文模型模拟结果的优良。其计算公式如下:

(3)

(4)

2.2 CA-Markov模型

CA-Markov模型结合了CA模型和Markov模型的优势,填补了Markov模型对空间属性不敏感的特点[22],具有模拟多类别土地利用变化的能力[23],在模拟土地利用变化领域得到了广泛的使用[24-25]。

本文利用IDRISI 17.0软件中的CA-Markov模型对流溪河水库流域未来的土地利用格局进行模拟。首先,将2000年土地利用数据和2010年土地利用数据导入IDRISI17.0软件,使用Markov模块获得转移概率矩阵和转移面积矩阵。然后通过导入高程、坡度等栅格文件对不同的土地类型添加约束条件,得到适宜性图集。最终,使用CA-Markov模块生成2020年土地利用模拟数据。使用ArcGIS中的相交功能,比较2020年土地利用的模拟数据和实测数据,并通过计算Kappa系数来验证模型的适用性。Kappa系数能够评估图像的模拟数据与实际数据之间的拟合程度,常用于土地利用变化模拟精度检验[6]。其计算公式如下:

(5)

式中:P0为总体模拟精度;Pc为理论模拟精度;1代表理想状况下模拟的栅格比例。初步模拟结果显示,Kappa数为0.71,模拟精度较高(0.60～0.80),表明CA-Markov模型模拟的未来的土地利用格局具有适用性[26]。

2.3 情景设置

2.3.1 土地利用变化情景为了确定不同土地利用类型对径流的影响程度,本文设置以下4种极端土地利用类型情景。情景1:采用2020年土地利用数据和2010—2020年的气象数据,作为基准情景;情景2:采用2010—2020年的气象数据,并将流域内的林地、草地转化为耕地;情景3:采用2010—2020年的气象数据,并将耕地转化为林地;情景4:采用2010—2020年的气象数据,并将耕地转化为草地。

2.3.2 气候变化情景以情景1为基础,通过改变气温和降水量来构建气候变化情景。情景5:其他条件不变,气温升高2℃;情景6:其他条件不变,气温降低2℃;情景7:其他条件不变,降水量增加10%;情景8:其他条件不变,降水量减少10%。

2.3.3 综合情景设置4种情景,分析土地利用和气候变化对流溪河水库流域径流的综合影响。情景9:采用2000年土地利用数据和1990—2000年的气象数据,作为此部分的背景情景;情景10:采用2000年土地利用数据和2010—2020年的气象数据驱动模型,分析气候变化对径流的影响;情景11:采用2020年土地利用数据和1990—2000年的气象数据驱动模型,分析土地利用变化对径流的影响;再通过与情景1进行比较,分析土地利用和气候变化对径流的综合影响。

2.3.4 未来径流变化预估情景为了预测未来土地利用变化情况,以2020年流溪河水库流域土地利用数据为基础,采用CA-Markov模型模拟得到2030年和2050年流域土地利用的预测数据,以此设置未来土地利用变化情景。情景12:在其他条件不变的情况下,将情景1中的土地利用数据替换为2030年土地利用预测数据;情景13:在其他条件不变的情况下,将情景1中的土地利用数据替换为2050年土地利用预测数据。

预估未来气候变化有两种常见的方法,IPCC法[4,6,21]和趋势变化法[9,27]。由于IPCC法预测的结果存在不确定性以及受分辨率的限制[9],本文采用基于历史变化趋势设置未来气候情景的方法。有研究表明,未来华南地区的极端降水事件将持续增多,降水强度变化倾向率为0.34 mm/(d·10 a)[28];气温也呈上升趋势,平均增速达到0.2℃/10 a[29]。本文以2010—2020年气象数据为基础,将降水日(日降水量≥1 mm)的降水量增大1.02 mm,将气温升高0.6℃,得到2040—2050年气象预测数据(表1),再设置未来气候变化情景。情景14:在其他条件不变的情况下,将情景1中的气象数据替换为2040—2050年气象预测数据。

表1 2040-2050年气象预测数据Table 1 Meteorological forecast data from 2040 to 2050

最后,对2040—2050年径流进行预估。情景15:采用2050年土地利用预测数据和2040—2050年气象预测数据驱动模型。

3 结果与分析

3.1 参数率定与验证结果

率定结果显示,对流溪河水库流域径流形成最敏感的参数依次为渗透系数垂直递减率、土壤表层孔隙率、地下水补给率、渗透系数、孔径指数,这表明流域径流的形成对地表水和地下水的交换、土壤的渗透能力较为敏感。模拟结果如图2—3所示。径流的模拟值总体上略大于实测值,率定期的NS为0.82,R2为0.91,验证期的NS为0.74,R2为0.86。模拟径流除部分峰值略低于实测径流值外,大部分径流量都能与实测值匹配,表明模型模拟的精度高,在流溪河水库流域有着良好的适用性。

图2 流溪河水库流域率定期和验证期径流模拟结果Fig. 2 Runoff simulation results of Liuxi River Reservoir Basin in regular and verification periods

图3 流溪河水库流域率定期和验证期径流模拟散点图Fig. 3 Scatter diagram of runoff simulation in regular and verification periods of Liuxi River Reservoir Basin

3.2 情景模拟分析

3.2.1 土地利用变化情景分析由表2可知,以情景1为基准期,对比情景2可知,将流域内的林地和草地全部转化为耕地后,年均径流量增大了2.36 m3/s;对比情景3和情景4可知,将流域内的耕地分别转化为林地和草地后,年均径流量分别减少了0.19,0.1 m3/s。结果表明,耕地面积的增大有利于径流的形成,而林地和草地面积的增大会使得径流量减少。通过对比情景3和情景4可知,将耕地转化为林地后径流量为18.23 m3/s,将耕地转化为草地后径流量为18.32 m3/s,林地对径流形成的贡献度小于草地。因此,耕地、林地、草地对径流形成的贡献率为耕地>草地>林地。

表2 土地利用变化情景年均径流量Table 2 Annual average runoff under land use change scenarios

3.2.2 气候变化情景分析从表3可以看出,保持其他条件不变,温度升高或降低2℃,所对应的径流量变化分别是-0.21,0.22 m3/s,径流变化率分别是-1.13%,1.19%,表明年均径流量和温度之间存在着反比关系。保持其他条件不变,降水量增加或减少10%,所对应的径流量变化分别是2.5,-2.52 m3/s,径流变化率分别是13.59%,-13.67%,表明年均径流量和降水量的变化是正相关的。

表3 气候变化情景年均径流量Table 3 Annual average runoff under climate change scenarios

3.2.3 综合情景分析模拟结果见表4,4种情景的年均径流量分别为17.74,18.63,17.55,18.42 m3/s。通过对比情景11和情景12可知,在只改变气候数据的情况下,年均径流量增大了0.89 m3/s;对比情景11和情景13可知,在只改变土地利用数据的情况下,年均径流量减少了0.19 m3/s;再通过对比情景11和情景1可知,径流的变化量为0.68 m3/s,这是由气候变化和土地利用变化共同影响所致,气候变化对径流形成的贡献为0.89 m3/s,土地利用变化对径流形成的贡献为-0.19 m3/s。结果表明,2000—2020年,流域年均径流量逐渐增大,气候变化促进了径流的形成,土地利用变化抑制了径流的形成,且气候变化的影响大于土地利用变化。

表4 综合情景年均径流量Table 4 Annual average runoff under comprehensive scenarios

3.2.4 未来径流变化预估情景图4展示了CA-Markov模型生成的2030年和2050年土地利用情景。通过观察各地类的变化可以看出,2030年和2050年的建筑用地面积相较于2020年有所增多,其他地类并未发生明显的变化。表5列出了详细的土地利用类型面积比例。2000—2050年,变化最大的地类是建筑用地,增大了3.15%;林地和草地面积比例分别减少了2.82%,0.89%;耕地和水体则没有太大的变化。模拟结果显示(表6),两个未来土地利用变化情景的年均径流量相较于2020年分别增加了0.62,1.08 m3/s;未来气候变化情景的年均径流量为20.05 m3/s,相较于2020年增多了1.63 m3/s。表明未来土地利用和气候的变化对径流的形成有促进作用,且气候变化的贡献大于土地利用变化。2040—2050年的年均径流量为21.2 m3/s,与情景1相比,径流变化量为2.78 m3/s,径流变化率为15.07%,表明未来流域径流变化趋势为增加趋势。

表5 2000-2050年土地利用类型面积比例Table 5 Land use type area ratio from 2000 to 2050 %

表6 未来径流变化预估情景年均径流量Table 6 Estimated annual runoff under future scenarios

图4 流溪河水库流域实测和模拟土地利用数据Fig. 4 Measured and simulated land use data of Liuxi River Reservoir Basin

4 讨论

本文通过设置3个极端土地利用变化情景,定量分析了土地利用变化对径流的影响。结果表明,耕地、林地、草地对径流形成的贡献率大小为耕地>草地>林地,该结论与许多学者所得结论相似[8, 21]。耕地面积增大对径流形成有促进作用,其原因体现在以下几点:首先,耕作会降低土壤的降水入渗率。有研究表明[30],耕作会破坏土壤的结构,表层土壤容易发生结皮,土壤入渗速率变慢,径流量增大。还有学者研究发现[31],由于耕地植被覆盖较低,在降雨过程中易发生泥浆的飞溅而导致土壤孔隙堵塞,使得水分下渗减弱。而随着植被覆盖度的增大,土壤的孔隙结构便能得到改善,土壤的入渗能力也随之增大,并且植被覆盖度的增大能有效减少土壤水分的蒸发量[32],因此林地有着更好的保水能力。另一方面,相较于耕地和草地,林地有着更大的冠层面积和更多的地表覆盖物,冠层和枯枝落叶层都能对降水进行截留。除此之外,发达的根系可以使林地土壤更加疏松,增大土壤孔隙度,还可以吸持水源,减少径流的产出。因此,林地的产流能力要弱于耕地和草地。

气候变化是流域水文过程主要的影响因素之一,其影响主要体现在气温和降水的变化上[4]。本文通过设置4个气候变化情景,定量分析气温和降水变化对流溪河水库流域径流的影响。结果显示,年均径流量与降水量成正比,与温度成反比。气温影响着流域的蒸散发,气温升高会导致蒸散发量的增多,故径流量减少。相比于气温变化的间接影响,降水量对径流产生的影响则更为直接。一部分降水会直接汇入河流,另一部分降水降落至地表,通过下渗补充地下水,再通过地下水补给河流,两者都会使得径流量增大,因此,降水量变化对径流量的影响更为显著。

为了能更好地了解流溪河水库流域未来土地利用格局变化以及对径流的影响,本文通过CA-Markov模型模拟了2030年、2050年土地利用情景。模拟结果显示,2030年和2050年的建筑用地面积呈增大趋势,而林地和草地面积在不断减少,且年均径流量在不断增大,这与许多学者的模拟结果相似[6]。除了林地、草地减少对径流的影响之外,建筑用地的增多同样会加快径流的形成。建筑用地的增大意味着不透水层的面积增大,降水无法下渗至地下,增大径流量的同时也缩短了汇流的时间。截至2020年底,吕田镇人口约为3.24万人,相比于2010年底的2.18万人增长了1.06万人,建筑用地不断增大仍是未来的趋势。作为流溪河流域的上游区域,在扩大建筑用地的同时,应当适当实施退耕还林、还草,降低下游地区遭遇洪水的风险。

为了对流域未来径流变化进行预测,本文用2050年土地利用预测数据和2040—2050年气候预测数据驱动模型,模拟表明未来年均径流量将会持续增多,这与流域历史径流量变化趋势一致。同时,模拟结果也与未来我国西南地区[4]、中部地区[6]、北方地区[10]的径流量变化趋势相似,呈增加趋势。这表明流溪河水库在未来有更多的水资源可以得到利用,维持为广州地区供水、灌溉、发电等功能。同时,未来降水强度和径流量的增大也意味着流域会面临更大的洪水风险。为了减少洪涝灾害的发生,应当加强对降水的预报,发挥水库调度防洪的功能,合理地开发和管理河川径流。

此外,本文在使用CA-Markov模型进行预测时,Kappa系数并未达到最优的标准,原因可能在于对建筑用地的模拟方面。CA-Markov模型是基于城市化区域均匀增长的假设进行预测的,它无法识别新的发展方向[23],而流域内许多建筑用地建于2010—2020年,因此通过2000—2010年土地利用数据预测2020年情景具有挑战性。在将来的研究中需要结合城市未来发展规划来开展更准确的模拟工作。此外,在分析单个气候变量对径流的影响和预估未来气象条件时,本文只考虑了降水和气温两个变量,没有考虑温室气体浓度变化对径流造成的影响。因此,在未来的研究中还需要考虑温室气体等因素。