刘 薇,王海军,陈翠英
(山东省水文中心,济南 250002)
青藏高原地区由于海拔过高气候寒冷,被称为地球第三级。由于独特的气候环境,水文循环条件复杂,冰川积雪融水广泛参与到水文循环中[1-3]。对于高原山区的水文模拟,冰雪融水是难以回避的问题,一些主流的含有融雪模块的水文模型包括:HBV模型,SRM模型,VIC模型,SWAT模型[4-7]。其中VIC模型和SWAT模型分布式水文模型,基于物理基础,适用范围广。
SWAT 模型由于其适应能力强,且能对流域水文过程进行分区处理,对水文规律的研究更为深入,而得到广泛的应用。窦小东等基于SWAT模型研究了气候变化对大盈江流域径流的影响[8]。郑思远等利用SWAT 模型在东苕溪上游区域研究了氮磷对环境的影响[9]。王磊等通过SWAT 模型研究了土地利用变化情景下对清水河径流的影响[10]。王富强等使用SWAT 模型对贾鲁河流域区域农业干旱程度评价进行了研究[11]。SWAT模型由于耦合了众多模块,对流域各方面的模拟研究都有很强的适应性[12,13]。且代码开源,模型得到不断的改进升级,使得模型更加适合全球用户的个性需求。
SAWT 模型在全球得到广泛的利用,但需要输入较多的气象数据来驱动模型,特别是在一些受地形和经济条件影响的区域,缺乏模型所需要输入的气象数据时,使得模型难以在该地区开展研究。由孟先勇,王浩等牵头,中国水利水电科学研究院,中国气象局国家气象信息中心等单位合作开发的SWAT 模型中国大气同化驱动数据集(CMADS)弥补了一些偏远地区数据不足的缺陷,使SWAT 模型可以对中国一些偏远地区的进行水文模拟[14-17]。该数据集基于世界各类再分析场及中国气象局大气同化系统(CLDAS)技术,利用数据循环嵌套、重采样,模式推算及双线性插值等多种技术手段而建立。且符合SWAT模型的输入格式,使用方便。本文通过提取长江源区CMADS 数据,及利用传统的气象站数据利用SWAT模型在长江源区进行水文模拟,分析CMADS 数据在高寒山区的适用性。
长江源区地处青海省东南部,是青藏高原的中心地区,面积达137 800 km2,平均海拔高程达4 500 m 左右,属于典型的高海拔地区[18]。流域呈西高东低的地形结构,其主源西支的沱沱河和南支的当曲,其源头位于唐古拉山北麓,源头以冰雪融水为主。长江源区主要以裸地和高原草地等地貌特征为主,其下游河谷地带覆盖有少量森林植被,也是人类的主要聚集地。2000年设立三江源国家级自然保护区后,源区内的游牧得到有效控制,源区自然生态环境朝健康方向发展。长江源区多年平均降水只有450 mm 左右,且从下游向上游逐渐递减,气温受地形影响,下游气温明显要高于上游地区,多年平均气温在-1.7~5.5 °C 波动[19]。7、8月份流域气温最高,12-2月是气温最低的时期,流域上游覆盖有常年无消融的冻土,流域无明显的无霜期。流域内气象站分布虽然只有四个,但在上中下游都有分布,较能反映流域不同区域的气候特征,在流域出口有记录着整个源区出口流量的直门达水文,该站记录的流量也是本次研究的对比数据[20]。流域地形及气象水文站点分布如图1所示。
图1 长江源区地形及气象水文站点分布Fig.1 Terrain,meteorological and hydrological sites distribution of the source region of the Yangtze River
SWAT 模型建模所需要的数据较多,分为气象驱动数据和地理空间数据两大类。气象数据由长江源区4 个气象站提供,包括降水,最高最低气温数据,另外就是从CMADS 数据集中裁剪出来的长江源区气象数据,该数据包括:日平均相对湿度(Relative-Humidity)、日累计降水量(Precipitation)、日平均太阳辐射(Solar radiation)、日最高、最低2 m 气温(Max and Min Temperature)、日平均10 m 风速(Wind)。地理空间数据包括DEM数据,土地利用数据,土壤数据。
利用长江源区4 个传统气象站数据建立的SWAT 模型驱动数据为文本格式,包括日最高最低气温及日降水量,对缺失数据进行插补处理,保证数据较高质量。CMADS数据集通过寒区旱区科学数据中心(http://westdc.westgis.ac.cn)下载。整个数据集覆盖范围在60°~160°E,0°~65°N 之间,将整个中国地区都覆盖在内,数据集较为庞大。该数据集已经有发行了4个版本,本次研究利用的CMADS V1.1 版本,该数据集的空间分辨率为0.25°×0.25°,时间跨度为2008年到2016年。CMADS 数据中气温、气压、比湿、风速驱动数据采用了2421个国家级自动站和业务考核的39 439 个区域自动站,2008年1月以来地面基本气象要素逐小时观测数据以及相应时期的台站信息(台站经纬度、海拔高度)。利用多重网格三维变分方法(STMAS),在NCEP/GFS 背景场基础上制作地面基本要素分析场。其中,中国区域以外,只对NCEP/GFS 背景数据做地形调整、变量诊断并插值到分析格点;中国区域以内,利用STMAS 算法,将经过前处理的NCEP/GFS 背景数据和自动站观测融合,并与中国区域以外的数据进行拼接。通过ArcGIS提取长江源区范围内的所有站点的CMADS数据,由于该数据集不需要进行数据格式转化,可以直接被SWAT模型利用。长江源区CMADS数据点集如图2所示。
图2 长江源区CMADS点数据集Fig.2 Point CMADS data set of the source region of the Yangtze River
SWAT 模型属于分布式水文模型,其建模需要流域下垫面数据,其中包括:数字高程数据(DEM),该数据主要用来进行子流域划分,及确定流域河道;另外两个地理空间数据为土地利用数据和土壤数据,两数据结合来确定水文响应单元(HRU),同一水文响应单元内进行一致的水文计算。其中DEM 数据通过USGS(United States Geological Survey)下载90 m 分辨率的SRTM(Shuttle Radar Topography Mission)DEM 数据;土地利用数据通过中国科学院地理科学与资源研究所资源环境数据云平台下载青海省2015年土地利用数据。该土地利用数据将土地利用类型分为耕地、林地、草地、水域、居民地和未利用土地6个一级类型以及25 个二级类型。土壤数据来自世界土壤数据库(Harmonized World Soil Database version 1.2),通过黑河计划数据管理中心(http://westdc.westgis.ac.cn)获取,需要用户根据研究区土壤信息建立用户自己的土壤数据库,本次研究的长江源区由于自然环境恶劣,土壤发育程度浅,主要是冰川土,将源区土壤类型重新分为5类。由于需要计算流域面积及SWAT 模型要求数据具有投影坐标系,将三类空间数据统一投影到Albers WGS_1984坐标系中。土地利用数据及土壤数据如图3所示。
图3 长江源区土地利用和土壤类型图Fig.3 Land use and soil types of the source region of the Yangtze River
SWAT(Soil and Water Assessment Tool)模型是一个典型的分布式水文模型,它以日为时间步长,采用离散化的方式描述流域内水文要素等参数的空间差异,可以模拟大流域的径流、泥沙和营养物质等的输移,也可以预测人类活动对水、沙、农业、化学物质的长期影响。由于SWAT模型物理基础强、模块结构清晰、计算高效、具有友好的用户界面并将空间数据集成于ArcGIS 中进行处理,功能强大,使用方便,在世界范围内得到广泛应用和发展。
SWAT 模型由701 个方程和1 013 个中间变量组成,是一个具有很强物理机制的长时段流域水文模型,在水文模拟中不仅考虑了气象、水文、生物等自然过程,而且考虑了城市扩张、农业种植、土地利用变化等人为影响。其模拟的流域水文过程可以分为子流域模块和演算模块两个部分。子流域模块即产流和坡面汇流部分,控制每个子流域内主河道的径流、泥沙、营养物质等的输入量;演算模块即河道汇流部分,决定径流、泥沙等物质从河网向流域出口的输移运动。整个水分循环遵循水量平衡原理,具体计算公式为:
式中:swt表示t时刻的土壤含水量,mm;sw0表示初始时刻的土壤含水量,mm;Rday表示第i天的降水量,mm;Qsurf表示第i天的地表径流量,mm;Ea表示第i天的蒸散量,mm;Wseep表示第i天土壤测流量,mm;Qgw表示第i天的地下水径流量,mm。
利用气象数据,空间数据,构建长江源区SWAT 模型,并对源区日径流量进行模拟。
本研究采用月模拟径流与实测径流的相对误差Re、相关系数R2和Nash-Sutcliffe 效率系数NS三个目标函数来表征模型的模拟效率,其计算公式如下:
首先对长江源区建立的SWAT 模型进行率定,率定采用实测气象站插值数据进行,率定采用SWAT-CUP 中的Sufi-2 算法。由于只对长江源区的径流进行模拟,所以只选择了与产汇流有关的参数。参数率定结果及敏感性如表1所示。
表1 SWAT模型参数率定结果表Tab.1 The parameters calibration results of the SWAT model
以2008年作为模型的预热期,2009-2013年作为模型的率定期,2014-2016年作为模型验证期。率定期和验证期模型模拟效果指标如表2所示。率定期纳什效率系数为0.682,验证期效果略差,纳什效率系数为0.615。率定期模拟的径流量将实测径流量相对误差较大,相对误差为12.322%,验证期相对误差较少为7.105%。率定期相关系数为0.788,验证期相关系数为0.692。整体来说SWAT 模型能够模拟出长江源区径流过程,但模拟效果一般,不是太高。
表2 长江源区率定期和验证期统计结果表Tab.2 Statics results of calibration and validation period in the source region of the Yangtze River
图4 为模拟径流与实测径流过程,从图中可以看出模拟径流与实测径流变化基本一致,长江源区实测径流洪峰时期,径流呈陡涨陡落现象明显,且呈现多峰径流过程,这也造成了模型对径流模拟的难度。模型对水文过程的模拟除了与输入变量的质量有关外还与模型自身对水文过程的处理概化能力有关。整体来说SWAT模型还是能够模拟出长江源区径流过程。
图4 率定期和验证期长江源区径流过程对比Fig.4 Comparison of calibration and validation period runoff process in the source region of the Yangtze River
图5 为CMADS 数据驱动下和4 个实测气象站驱动下的径流过程比较。从图5 中可以看出4 个气象站数据驱动下模拟的径流过程与实测径流过程更为接近,而CMADS 数据驱动下模拟的径流量偏少。模拟径流与实测径流变化趋势基本一致。从表3 的统计指标来看4 气象站数据驱动下模拟的径流(2009-2016)纳什效率系数为0.633,而利用CMADS数据驱动下模拟的径流(2009-2016)纳什效率系数为0.447。CMDAS 数据驱动下模拟的径流量偏少,相对误差系数达-30.417%,相关系数也不是很高,只有0.521。3个评价指标显示CMADS数据对SWAT模型模拟长江源区径流过程还是比较差的,有待改进和调整。
表3 径流模拟结果统计分析Tab.3 Statics of simulated runoff
图5 CMADS数据与4气象站数据驱动下模拟径流对比Fig.5 Runoff comparison driven by CMADS and four meteorological stations data
按照最近距离法找出与4个气象站最为接近的4个CMADS数据点(图2)。将实测降水气温数据(2008-2016)与CMADS 点数据的降水气温进行对比分析。图6 为4 个气象站实测降水与CMADS点降水进行比较,整体来说降水大小和降水集中时间两者间趋于一致。从表4 的统计结果看,除了与玉树站接近的133~149 点降水比实测多外,其他3 个CMADS 数据点的降水量都少于实测降水。纳什效率系数和相关系数都比较差,表明CMADS降水数据与实测降水过程还是存在较大的差异。
表4 实测降水与CMADS点降水统计分析Tab.4 Statics of measured and CMADS point precipitation
图6 实测降水与CMADS点降水比较Fig.6 Comparation between measured and CMADS points precipitation
图7 显示了4 个气象站记录的实测日最高最低气温与CMADS点最高最低气温的过程图。从图中可以看出CMADS点最高最低气温与实测最高最低气温变化趋势基本一致,个别年份出现明显偏大偏小现象。表5 为两者的统计结果,从表5 的相对误差来看,玉树站与133~149 点间最高最低气温都差距较大,CMADS 点最高气温都较实测偏低,最低气温与实测最低气温相差较小,除了玉树站。CMADS点气温与气象站实测气温的相关系数和纳什系数都较高,满足一定的精度水平。整体来说CMADS数据在长江源区的降水数据与实测数据偏差过大,而气温数据精度较高。
表5 实测气温与CMADS点气温统计分析Tab.5 Statics of measured and CMADS point temperature
图7 实测气温与CMADS点气温比较Fig.7 Comparation between measured and CMADS point temperature
本文通过构建长江源区SWAT模型,来验证CMADS数据在长江源区的适用性,及分析了数据中降水气温与实测降水气温间的差异,具体结论如下。
(1)SWAT模型在长江源区具有一定的适用性,率定期纳什效率系数为0.682,验证期纳什效率系数为0.615。CMADS 数据在长江源区适用性较差,整体的纳什效率系数为0.447,模拟的径流量偏少。
(2)CMADS 降水数据与站点实测降水数据相差较大,相关系数和纳什效率系数都较低;CMADS气温数据与站点实测气温数据较为接近,相关系数和纳什效率系数都有着较高水平。
(3)整体来说CMADS 数据在长江源区的适应性偏差,这主要是由于数据的降水值与实测差距偏大有关,且由于长江源区为高原高寒山区,水文气候条件复杂,也会影响水文模拟精度。CMADS数据是插值数据,难以避免会减少缺乏实测气象站点地区数据的精度。 □