遙感訂正作物種植結構數據對提高灌區SWAT模型精度的影響

王維剛，史海濱，李仙岳，鄭 倩，張文聰，孫亞楠

遙感訂正作物種植結構數據對提高灌區SWAT模型精度的影響

王維剛，史海濱※，李仙岳，鄭 倩，張文聰，孫亞楠

（1. 內蒙古農業大學水利與土木建筑工程學院，呼和浩特 010018；2. 高效節水技術裝備與水土環境效應內蒙古自治區工程研究中心，呼和浩特 010018）

為確保灌區水文過程與營養物流失過程模擬更接近于真實過程，進一步提高模擬精度，該研究綜合考慮作物種植結構空間位置的準確性與作物種植結構數據的精度2個因素，利用GF-1 16 m遙感影像對耕地作物進行分類提取，并對土地利用類型圖進行修正，從而分析比較作物種植結構空間位置的訂正與作物種植結構數據精度的提高分別對SWAT（Soil and Water Assessment Tool）模型模擬精度的影響。結果表明：作物種植結構空間位置的訂正或作物種植結構數據精度的提高均可提高徑流和硝態氮模擬效率。經作物種植結構空間位置的訂正和數據精度的提高可使得模型在徑流模擬中，率定期和驗證期決定系數2分別達到了0.76和0.82，效率系數分別達到了0.69和0.79，相對誤差分別降低至3.50%和-0.30%；在硝態氮模擬中，率定期和驗證期決定系數2分別達到了0.70和0.63，效率系數分別達到了0.55和0.53，相對誤差分別降低至10.06%和6.42%。綜合訂正作物種植結構空間位置和提高作物種植結構數據精度可有效提高SWAT模型在灌區的模擬精度。

遙感；作物；SWAT模型；GF-1；種植結構；河套灌區；模擬精度

0 引 言

灌區水文要素與營養物流失模擬具有不同于自然流域特征的復雜性[1-3]，減少其不確定性，提高模擬精度是模擬過程中亟待解決的關鍵問題。作為對區域水文與營養物定量描述使用最多和最為有利的工具[4-5]，SWAT（Soil and Water Assessment Tool）分布式水文模型具有一定的物理基礎，充分考慮地域空間異質性，是研究灌區水量平衡與養分流失及其轉化關系行之有效的手段[6-8]。

模型構建所需空間數據（指數字高程模型、土地利用類型圖數據和土壤類型圖數據等）的準確性是影響SWAT模型模擬精度最直接的因素[9]。因此，追求空間數據更接近于區域實際情況是提高模型模擬精度的關鍵。以往學者們通過改變數字高程模型（Digital Elevation Model，DEM）[10-11]、子流域和水文響應單元（Hydrologic Response Unit，HRU）的劃分[12]、土地利用類型圖[10]與土壤類型圖精度[13]等空間數據研究其對模型模擬精度的影響。但在西北干旱半干旱灌區，影響SWAT模型模擬精度的因素除空間數據精度外，還包括不同于自然流域特征的耕地作物空間位置的準確性因素。耕地土地利用作為西北大型灌區主要土地利用類型，其內的種植作物空間位置分布與作物空間數據精度、作物灌水參數、施肥參數的準確性均會影響模型對灌區水文與營養物流失的模擬精度。盡管很多學者已對灌區SWAT模型模擬做了大量研究，包括對模型的改進[14-15]、水文與非點源污染的模擬[16-18]等，但均未考慮作物種植結構空間位置的準確與否或作物種植結構數據的精度對模型模擬精度的影響。目前，學者們在構建灌區SWAT模型時，耕地類型中對作物的處理一般采用作物種植比例隨機分布在耕地類型中的方法，忽略了灌區實際作物空間數據的空間變異性，間接影響了灌溉參數與施肥參數的空間差異性，違背了分布式模型的模擬原則，同時也不符合灌區復雜的作物空間異質性特征，這可能會對灌區SWAT模型在水文與營養物流失方面的模擬精度產生一定的影響。遙感技術以其宏觀、動態、信息豐富等特點，已成為區域作物類型提取的重要手段[19-21]。

基于以上問題，本文以作物種植結構空間變異性復雜的河套灌區為研究區域，利用GF-1 16 m分辨率多光譜遙感影像對灌區作物進行分類提取，再將作物分類提取后的耕地降低分辨率為1 000 m。針對作物種植結構空間位置準確性與作物種植結構數據精度2個因素對土地利用類型圖進行修正，對構建的SWAT模型分別進行徑流與硝態氮模擬，比較各參數敏感程度與模型模擬精度的差異，研究SWAT模型在種植結構空間變異性復雜的灌區應用時作物種植結構空間位置的準確性與作物種植結構數據的精度對模型徑流和水質模擬精度的影響，以期進一步提高灌區SWAT模型模擬精度。

1 材料與方法

1.1 研究區概況

河套灌區位于內蒙古西部黃河流域中間地帶（圖1），平均海拔為1 024 m，屬于大陸性季風氣候，年平均最低氣溫與最高氣溫分別為?10和23 ℃；年降水量平均僅為145～216 mm，其中80%發生在6－8月，年內潛在蒸發量達2 200～2 400 mm，是典型的干旱-半干旱地區。

圖1 河套灌區流域分布圖

灌區主要種植作物為玉米、葵花和小麥，插花種植結構在農田生態系統中普遍存在，作物分布較為破碎散亂。灌區由三盛公水利樞紐從黃河引水到總干渠，再由總干渠分支到各個干渠，最后經總排干及部分干溝排入烏梁素海再流向黃河，形成了完備的灌排體系，灌溉方式主要為地面灌溉及輪灌。灌水系統由總干渠和12條干渠組成，全長分別為228.9和755 km；排水系統由總排干和12條干溝組成，全長分別為227和523 km。灌區近20年平均引水量和平均排水量分別為45.49和3.44億m3，“灌溉-入滲-蒸發-排水”成為河套灌區水文循環與養分流失進入水體造成污染的主要驅動力。

1.2 數據來源

1.2.1 用于遙感提取作物類型的數據

本文利用實測數據和多光譜遙感數據對河套灌區的種植作物進行分類提取，其中實測數據采樣時間為2016年，采樣時利用手持GPS對采樣點定位，采集的作物種植類型為河套灌區主要的作物類型，包括玉米、葵花和小麥，共計630個，每種作物的分類樣本和驗證樣本分別為120和90個。多光譜數據采用GF1-WFV遙感影像數據，影像獲取時間為2016年6月8日，數據來源于中國資源衛星應用中心。其中歸一化植被指數（Normalized Difference Vegetation Index，NDVI）所需波段數據基于文獻[22]。NDVI采用下式計算：

NDVI=(NIR-RED)/(NIR+RED)（1）

式中NIR為近紅外波段，m；RED為可見光紅光波段，m。

1.2.2 用于SWAT模型構建的數據來源

SWAT模型2009版本需要輸入的數據包括空間數據庫和屬性數據庫（表1）。利用SPAW軟件計算土壤屬性數據[23]；實測土壤電導率數據用于修正土壤屬性數據庫電導率（Electrical Conductivity，EC）參數[24]；月實測排水數據和硝態氮排放數據用于SWAT模型的率定與驗證。為獲得灌區真實水系，利用Google地球軟件描繪出灌區實際排水溝網，將排水渠系定義為自然河流并通過Burn-in添加至DEM中，在此基礎上添加掩膜Mask用于劃分流域總出水口。采用3種耕地作物處理方式得到的新土地利用基礎數據分別構建SWAT模型，用原土地利用類型圖提取的耕地范圍裁剪GF-1 16 m遙感影像作為預處理的耕地數據。遙感法1（Remote Sensing 1，RS1）是將作物分類提取后的16 m分辨率耕地數據與原土地利用類型圖融合為新的土地利用類型圖；遙感法2（Remote Sensing 2，RS2）是將作物分類提取后的16 m分辨率耕地數據重采樣（分辨率為1 000 m）與原土地利用類型圖融合為新的土地利用類型圖；面積比例法（Area Ratio，AR）是將未分類提取作物的16 m分辨率耕地數據與原土地利用類型圖融合為新的土地利用類型圖。AR與RS1的耕地精度均為16 m，作物空間位置不同，將二者進行比較以訂正作物種植結構空間位置；RS1與RS2的作物空間位置相同，耕地精度不同，將二者進行比較以提高作物種植結構數據精度。3種方法除耕地外其他土地利用的位置與精度均相同。RS1、RS2和AR所劃分子流域的數目均為35個（圖1），HRU的數量分別為638、604和676個。

表1 模型構建所需數據類型及數據來源

1.2.3 主要作物灌溉施肥制度

本研究參照文獻[25]并結合種植結構區劃及野外實地調查設置SWAT模型灌溉施肥管理措施（表2）。根據河套灌區近年成果將灌溉水利用系數設定為0.418，灌水來源選擇流域外黃河水。灌區每年的灌水時間可分為5次，分別為5月1日（一水）、5月20日（二水）、6月10日（三水）、7月5日（四水）、10月15日（秋澆）。

表2 作物灌溉施肥管理措施

1.2.4 徑流與硝態氮月排放實測數據來源

依據河套灌區總出水口紅圪卜揚水站2009－2016年月排水、月總氮與月銨態氮排放實測數據，采用模型率定與驗證的徑流數據計算如式（2）所示：

式中為出水口月徑流量，m3/s；為出水口月出水量，104m3；為當月天數。

由于有機氮只有經過礦化作用轉化成無機氮才能供作物吸收利用、揮發或淋失且難溶于水，因此河套灌區有機氮的排放量很少，本文結合文獻[26]及灌區實際情況得到硝態氮計算公式：

1.3 研究方法

1.3.1 耕地作物類型分類提取方法

耕地作物類型提取研究中，高分辨率遙感影像的應用一般局限于尺度小、精度需求高的區域[27-28]；而中分辨率廣泛應用于作物指數反演[29]、特征[30]、面積提取[31]以及耕地作物類型提取[19-21]。本研究運用NDVI閾值法與監督分類方法（支持向量機）相結合對河套灌區3種主要作物進行分類提取。具體分類提取方法按以下5步進行：1）提取3種作物對應分類樣本的波段值，根據式（1）計算相應NDVI值，歸納分析得到作物的提取閾值；2）提取土地利用類型圖耕地邊界shp圖層，裁剪出GF-1 WFV4遙感影像耕地部分；3）作物的提取閾值與GF-1 WFV4耕地部分遙感影像紅黃綠色帶逐一對應，確定不同作物色帶區間；4）監督分類并作分類后處理，利用驗證樣本建立ROI混淆矩陣驗證分類結果并作精度分析評價；5）與原土地利用類型圖融合作為遙感法模型構建的基礎數據。

1.3.2 SWAT模型參數敏感性分析方法

本文在參數敏感性分析及率定、驗證時，按照針對遙感法與面積法分別進行的原則。模型率定過程中合理參數種類及數量的選擇對模型可靠性起決定性作用，首先依照河套灌區已有研究[17-18]并結合河套灌區自身的地域特征與氣候因素篩選出與徑流、氮素流失有關的參數用于率定，其次利用SWAT-CUP軟件中的SUFI-2算法對備選參數進行反復率定，在SWAT-CUP軟件中執行全局敏感性分析模塊[32]后可得到所有參數的敏感程度及排序情況。參數敏感性程度由2個指標決定，分別是-stat和-value，-stat值越大越敏感，-value值越接近0越顯著。值得注意的是，每次率定后均會優化參數的取值范圍及最適取值，因此，在率定過程中參數的敏感程度排序是不斷變化的過程，但隨著率定次數的增加敏感程度較高的參數波動較小，直到各個評價指標達到參數率定限度的最優值。

1.3.3 SWAT模型率定與驗證精度評價方法

由于研究區為平原灌區，土壤鹽分及含水率的初始值對模型模擬結果具有一定影響，模型以2008年1 a作為預熱期，2009－2014年為率定期，2015－2016年為驗證期。并采用相對誤差（Relative Error，RE）、決定系數（2）及Nash-Sutcliffe效率系數（ns）[33]對模型在研究區的模擬性能進行評估，根據各標準取值的不同將模擬性能分為優、良、中、差4個等級[3]（表3）。

表3 模型評價標準

2 結果與分析

2.1 河套灌區作物分類提取及精度評價

通過實地調查發現，灌區內近幾年沒有精確的耕地面積及作物種植面積統計數字，多數數據僅通過用水戶、用水協會、灌區管理局逐級上報獲得，且存在“報渠灌舍井灌”的方式，數據對真實耕種作物面積的反映可信度不高。綜上，本文以GF-1 16 m WFV4中分辨率遙感影像為基礎，結合NDVI閾值法與監督分類的支持向量機法（Support Vector Machine，SVM）得到了作物種植空間分布圖（圖2a），建立ROI混淆矩陣進行總體精度評價。結果顯示，河套灌區作物分類提取總體精度達到89.61%，制圖精度與用戶精度均達到88%以上，Kappa系數達0.86，表明分類結果與真實作物種植空間分布（利用手持GPS測定獲得）具有很好的一致性[34]，說明利用GF-1 WFV遙感影像可較準確地分類提取河套灌區耕地作物類型。

如圖2a所示，河套灌區耕地面積約為5 750 km2，3種作物種植面積由大到小排序為葵花、玉米、小麥，種植面積分別為3 920、1 490和340 km2，分別占耕地總面積的68.17%、25.91%和5.92%；空間分布上，葵花種植主要在義長灌域占有較高的比例，在永濟灌域北部及義長灌域南部呈連片大面積種植；玉米種植主要在解放閘灌域占有較高的比例，并在各個灌域中部呈集中零星分布；小麥主要在解放閘灌域種植相對較多，其余灌域種植較少。利用GF-1 WFV遙感影像分類提取耕地作物種植結構對原土地利用類型中耕地部分進行替換，得到了基于RS1方法的土地利用類型圖（圖2b）。河套灌區土地利用類型圖經重分類劃分為7大類，其中耕地面積約占灌區總面積的54%，而經SWAT模型重分類后流域內的耕地卻占流域總面積的72.5%。可見，耕地作為河套灌區最主要土地利用類型，其內的種植作物空間分布將對整個灌區水文及污染物產生重要影響。

圖2 河套灌區作物種植結構空間分布及土地利用類型

2.2 基于3種方法的徑流與硝態氮參數敏感性分析

本文最初挑選15個與徑流有關和7個與硝態氮有關的參數，分別針對3種方法經過幾次反復率定后按照-stat和-value的原則，剔除敏感性和顯著性過小的參數，對3種方法分別最終保留8個徑流參數和7個氮素參數，再次進行反復的率定，當各個評價指標達到參數率定限度的最優值后停止率定，并按照-stat和-value的原則得到參數敏感程度排序（表4）。最后針對3種方法分別將這8個徑流參數和7個硝態氮參數及其各自的最適取值用于模型的驗證。

如表4所示，3種處理耕地作物的方法針對徑流率定參數，敏感性排名前4的參數都是相同的，說明對于河套灌區徑流模擬來說，不論使用哪種方法，這4個參數都是極其敏感重要的。值得注意的是，對于3種方法來說，剔除敏感性和顯著性過小的參數后，保留的8個徑流參數是一樣的，僅3個參數（河岸調蓄基流因子、第一層土層有效含水量、地下水徑流系數）的敏感性排序不一樣，表明河套灌區較敏感的參數是相對穩定的。針對硝態氮率定參數，3種方法對應的敏感性排名前3的參數都是相同的，說明對于河套灌區硝態氮模擬來說，不論使用哪種方法，這3個參數都是極其敏感重要的，其他的硝態氮參數在敏感性排序上也略有差異。另外，不論是徑流參數還是硝態氮參數，使用這3種方法對應的參數在最終的取值范圍與最適取值上都是不同的，但差異并不明顯。總之，訂正作物空間分布與提高耕地分辨率可影響參數的敏感性程度及參數的最適取值。考慮到文章篇幅，本文僅針對RS1的敏感性參數的最適取值及意義進行闡述。

表4 基于3種方法的徑流與硝態氮的參數敏感性排序

注：SCS為水土保持服務。下同。

Note: SCS is Soil Conservation Service. The same as below.

2.2.1 徑流敏感參數在河套灌區的取值意義

如表4所示，與地下水及土壤蒸發有關的參數敏感程度要大于與地表水有關的參數，這與河套灌區下墊面條件、地質構造特征、灌排條件等因素有關。河套灌區的徑流基本都是來自于農田灌水，黃河水通過各級渠系最終到達畦田，除地面蒸發及作物蒸散消耗一部分水量，其余大部分水量主要是補給地下水并通過地下水的徑流最終排泄到總排干溝中，成為徑流的主要貢獻者。在地下水率定的徑流參數里，地下水延遲系數與基流因子均為表示地下水補給響應快慢的指標，兩者的最終參數取值分別為37.53、0.32（表5），表明河套灌區地下水補給速度稍慢。一方面由于灌區地下水埋深淺，另一方面由于灌區為黃河沖積平原，土層內部存在黏滯夾層，結構較復雜，灌溉水通過包氣帶補給地下水會發生停滯延遲補給，故導致補給速度減緩；地下水蒸發系數的參數取值為0.14，這表明淺層含水層中的水分補給上覆非飽和帶速率較快，分析可能由于河套灌區灌溉期地下水埋深較小（2 m左右），飽和帶距離地面很近，而蒸發量巨大，下覆含水層中的水分通過蒸發與向上擴散作用穿過毛細管帶對包氣帶水進行補給，從而加快了補給速率；初始SCS徑流曲線數參數敏感性較弱，表明由地表徑流流入河道的水量占比較少，這是因為河套灌區灌溉水到達畦田后，由于畦田邊界地葉的人為措施導致灌溉剩余水無法通過地表徑流排入河道，只能通過垂向的地面蒸發與地下滲漏進行排泄；河岸調蓄基流因子的取值靠近1.0，這說明降水產流退水速率較為平緩，可能與河套灌區地面坡度、土地利用模式等因素有關。

表5 徑流參數率定范圍與取值

2.2.2 硝態氮敏感參數在河套灌區的取值意義

如表6所示，可以側面看出硝態氮的遷移轉化受降雨、下滲、礦化、硝化及反硝化等過程的影響。硝態氮率定參數敏感性排名前3的為降雨中氮濃度、硝酸鹽滲流系數和反硝化指數速率系數，降雨中氮濃度、硝酸鹽滲流系數最終取值分別為14.89、0.77，表明河套灌區受降雨所產生的地表徑流中硝酸鹽濃度較高；參數反硝化指數速率系數取值約為 1.59，表明在土壤發生反硝化作用時硝酸氮的損失量偏高，分析可能由于生育期與秋澆期大范圍的灌水導致土壤發生氧氣脅迫，從而造成反硝化速率加快。另外，銨氮、亞硝酸氮及有機氮相關參數也與硝態氮的遷移轉化有關，不管是在土壤中還是在河段中它們與硝酸氮均不同程度地發生相互轉化。

表6 硝態氮參數校準范圍與取值

2.3 河套灌區徑流與硝態氮模擬性能評價

2.3.1 3種方法徑流模擬效率對比分析

用RS1、RS2和AR這3種方法構建的SWAT模型分別對徑流進行模擬并評價模擬精度與效率（圖3a、表7）。2009－2016年RS1模型率定期和驗證期的模擬徑流和實測徑流吻合度均較好，RS2略低于RS1，AR吻合度最差。從整個模擬評價效率來講，RS1模擬精度最高，其次是RS2，最后是AR。經作物種植結構空間位置的訂正和數據精度的提高可使得模型在徑流模擬中，率定期2達到了0.76，ns達到了0.69，RE降低至3.50%，驗證期2達到了0.82，ns達到了0.79，RE降低至-0.30%。

圖3 3種方法的2009—2016年徑流、硝態氮排放量模擬值與實測值對比

表7 3種方法的徑流、硝態氮排放量模擬效率評價

2.3.2 3種方法硝態氮模擬效率對比分析

將RS1、RS2和AR這3種方法構建的SWAT模型分別對硝態氮進行模擬并評價模擬精度與效率（圖3b、表7）。2009－2016年RS1模型率定期和驗證期模擬硝態氮和實測硝態氮吻合度相對較好，RS2略低于RS1，AR吻合度相對較差。從整個模擬評價效率來講，與徑流模擬規律相似，RS1模擬精度最高，其次是RS2，最后是AR。經作物種植結構空間位置的訂正和數據精度的提高可使得模型在硝態氮模擬中，率定期2達到了0.70，ns達到了0.55，RE降低至10.06%，驗證期2達到了0.63，ns達到了0.53，RE降低至6.42%。

研究結果表明，利用GF-1 16 m WFV遙感影像分類提取作物用于SWAT模型作物種植結構空間數據的位置訂正或精度提高均可在一定程度上提高徑流模擬和硝態氮模擬的精度。但值得注意的是，訂正作物種植結構空間位置所提高的模型精度要高于提高作物種植結構數據精度所提高的模型精度。這意味著，作物種植結構空間位置的準確性與否是影響灌區SWAT模型徑流與硝態氮模擬精度的主要因素，但作物種植結構數據的精度因素也不可忽視。綜合訂正作物種植結構空間位置和提高作物種植結構數據精度可有效提高SWAT模型在灌區的模擬精度。此外，徑流模擬中驗證期的模擬精度高于率定期，分析一方面由于驗證期的模型輸入灌水量參數值更接近灌區實際調查數據，另一方面由于使用的土地利用數據為驗證期數據，較率定期模擬更接近實際情況。

3 討 論

3.1 基于遙感法對提高模型模擬精度的機制分析

SWAT模型在灌區應用影響因素諸多復雜，耕地作為灌區比例最高和受人為影響最大的土地類型，明確種植作物空間分布，將從源頭減少不確定性、提高模擬精度。遙感法的核心是為訂正耕地類型作物種植結構空間位置分布和提高作物種植結構數據的精度，使其更接近于灌區實際耕地下墊面條件，從而在劃分水文響應單元時以及在添加作物灌水量、施肥量時，都可以更好地模擬灌區真實情況，進而提高模型在灌區水文與氮素流失的模擬精度。

由于灌區或流域的下墊面和氣候因素具有時空變異性，通常SWAT模型將灌區或流域劃分成若干個子流域，再將每個子流域劃分成若干個HRU，從而可以計算單獨HRU內的水文過程與營養物流失。耕地作為主要土地利用是HRU的重要組成部分（并不是每個HRU都有耕地），其內的作物覆蓋是影響水循環的重要因素。河套灌區水循環系統實際上是一個人工-天然復合水循環系統，SWAT模型模擬河套灌區的水文過程包括水循環的陸面部分和水循環的水面部分。前者控制著每個子流域內向主河道對水和營養物的輸入量；后者決定水和營養物從河網向流域出口的輸移運動。因此，對于河套灌區相應HRU內的水文要素（如蒸發量、下滲量、地表徑流或地下徑流）都隨著植被覆蓋的不同而不同，因為不同的植被覆蓋灌水量、需水量、耗水量存在一定的差異（如玉米、葵花和小麥之間的區別）。每個HRU單獨計算徑流量，然后經過各級排水溝演算得到灌區出口流量，在這個過程中若改變了植被在區域空間上的位置，則會造成原有HRU的變化（位置和數量均會發生改變）。HRU的變化導致各個匯流演算過程均會產生一定的差異，增加了模型模擬條件的不真實性，使得模擬精度降低。而要解決這一問題，就需要讓灌區的植被種植在空間上與面積上都更接近于灌區實際情況，很大程度上減少不確定性因素，從而提高模型的模擬精度。

本研究中，RS1的HRU個數是638個，RS2的HRU個數是604個，AR的HRU個數是676個，表明HRU的數量并不是決定模擬精度的根本原因，這與葉許春等[13]的研究具有相似之處。盧文喜等[12]研究表明，子流域數量過多、劃分過細時產生了較多過于狹長或過小的虛假子流域,導致不真實的水文模擬；而陳祥義等[9]也表明，子流域劃分數量較少時,對流域描述不夠充分導致模擬輸出結果不穩定,難以達到理想的預測精度。本研究認為，在河套灌區SWAT模型模擬時，在作物種植結構空間位置分布一定的條件下，通過提高作物種植結構數據精度來提高模型模擬精度，可導致HRU數量的增多。但葉許春等[13]研究表明，土地利用圖精度越高模型模擬精度越低，這與本研究結果不一致，可能是由于河套灌區作物插花種植與碎片化種植現象嚴重，不同于土地利用精度，耕地作物精度越高，更能準確地劃分HRU。Zhang等[35]研究表明，通過遙感校準植被生長可有效提高SWAT模擬精度，這與本研究具有相似之處。本研究的獨特之處在于除改變HRU數量與位置外，還考慮了HRU內的組成與輸入關鍵參數（灌水參數、施肥參數）的變化，綜合因素對徑流與營養物流失模擬結果的影響。

3.2 遙感法提高模擬精度的不確定性分析

盡管遙感法較面積比例法在一定程度上可提高灌區模型模擬精度，但也存在一些不足之處，在今后的研究中有待加以改進。首先，對于不同作物交界處像元，因其具有相似的光譜特征和空間上的相鄰，容易形成混合像元，而河套灌區不同作物交叉種植嚴重，這會對作物分類精度產生不確定性影響，需進行區域作物的邊界混合像元分類，該問題有待進一步研究。其次，由于2015年的土地利用/覆被變化（Land Use/Land Cover Change，LUCC）數據與2016年的遙感數據年份與分辨率精度不同，導致2015年的LUCC數據中耕地范圍和2016年實際分類作物結構圖之間存在差異，兩者在數據融合時會存在遮蔽，這也增加了分類精度的不確定性，在今后的研究中應盡量選擇高精度、相同年份的LUCC與遙感數據作為模型基礎數據。最后，由于模型本身功能因素，本文研究中劃分模擬時段內僅1 a的作物種植結構空間分布，默認在模擬時段內作物種植結構變化不大，這與實際情況存在偏差；另外，通過遙感圖像僅分類出3種主要種植作物，近年來，河套灌區除玉米、葵花和小麥外，越來越多的種植瓜菜類作物，這將使得其他作物被誤劃分到這3種主要作物內，從而產生偏差，如若涉及更多作物（如瓜菜、番茄等），可能會進一步提高模型模擬精度。除此之外，還有一些影響模型整體模擬精度的不確定性因素，在今后的研究中也需加以改進。如土壤數據庫電導率參數采用102個實際采樣點插值計算，因為灌區EC是空間與時間的變量，變化很為復雜，首先對河套灌區5個灌域進行分區，對不同分區進行典型采樣，插值采樣點在一定程度上滿足了克里金插值的規則，樣本分布也基本滿足正態分布，基本可代表灌區某一特征時期的EC特征。但由于干旱、半干旱區的鹽漬化問題具有很強的隨機性，采樣點數量過少不足以體現灌區實際鹽漬化程度，這對模型模擬結果仍具有一定的不確定性影響。今后可參照王瑾杰等[24]研究結合遙感反演土壤電導率的方法修正土壤數據庫參數，估值精度還會有所提高。

灌區水文與污染物循環轉化過程較自然流域要復雜得多，其模型模擬效率影響因素也難以明確。因此，除通過訂正耕地作物種植結構空間位置和提高作物種植結構數據精度外，還可探索如多年土地利用變化等因素是否會對模型模擬精度產生影響。也可從機理出發，結合灌區自身復雜因素，進一步提高模擬精度將成為今后研究的重點。

4 結 論

1）利用GF-1 WFV4遙感影像對河套灌區耕地作物進行分類提取，其分類總體精度達到89.61%，制圖精度與用戶精度均達到88%以上，Kappa系數達0.86，分類結果與真實作物種植空間分布具有很好的一致性。

2）河套灌區針對徑流和硝態氮模擬敏感程度較高的參數是相對穩定的。其中，對徑流模擬極其敏感的參數有地下水延遲系數、地下水蒸發系數、基流因子和土壤蒸發補償因子；對硝態氮模擬極其敏感的參數有降雨中氮濃度、硝酸鹽滲流系數和反硝化指數速率系數。

3）對徑流和硝態氮模擬精度來講，訂正作物種植結構空間位置或提高作物種植結構數據精度均可提高模型模擬效率。經作物種植結構空間位置的訂正和數據精度的提高可使得模型在徑流模擬中，率定期和驗證期決定系數2分別達到了0.76和0.82，效率系數分別達到了0.69和0.79，相對誤差分別降低至3.50%和-0.30%；在硝態氮模擬中，率定期和驗證期決定系數2分別達到了0.70和0.63，效率系數分別達到了0.55和0.53，相對誤差分別降低至10.06%和6.42%。綜合訂正作物種植結構空間位置和提高作物種植結構數據精度可有效提高SWAT模型在灌區的模擬精度。

[1]Lohani V K, Refsgaard J C, Chausen T, et al. Application of the SHE for irrigation command area studies in India[J].Journal of Irrigation and Drainage Engineering, 1993, 119(1): 34-49.

[2]裴源生，張金萍．平原區復合水循環轉化機理研究[J]．灌溉排水學報，2006，25(6)：23-26.

Pei Yuansheng, Zhang Jinping. Study on transformation mechanism of compound water cycle in plain[J]. Journal of Irrigation and Drainage, 2006, 25(6): 23-26. (in Chinese with English abstract)

[3]王建鵬，崔遠來. 水稻灌區水量轉化模型及其模擬效率分析[J]. 農業工程學報，2011，27(1)：22-28.

Wang Jianpeng, Cui Yuanlai. Modified SWAT for rice-based irrigation system and its assessment[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(1): 22-28. (in Chinese with English abstract)

[4]王中根，劉昌明，黃友波. SWAT模型的原理、結構及應用研究[J]. 地理科學進展，2003，22(1)：79-86.

Wang Zhonggen, Liu Changming, Huang Youbo. The theory of SWAT model and its application in Heihe Basin[J]. Progress in Geography, 2003, 22(1): 79-86. (in Chinese with English abstract)

[5]Krysanova V, arnold J G. Advances in ecohydrological modelling with SWAT-areview[J]. Hydrological Sciences Journal, 2008, 53(5): 939-947.

[6]代俊峰，崔遠來. 基于SWAT的灌區分布式水文模型—Ⅰ：模型構建的原理與方法[J]. 水利學報，2009，40(2)：145-152.

Dai Junfeng, Cui Yuanlai. Distributed hydrological model for irrigation area based on SWAT—I: Principle and method [J]. Journal of Hydraulic Engineering, 2009, 40(2): 145-152. (in Chinese with English abstract)

[7]鄭捷，李光永，韓振中，等. 改進的SWAT模型在平原灌區的應用[J]. 水利學報，2011，42(1)：88-97.

Zheng Jie, Li Guangyong, Han Zhenzhong, et al. Application of modified SWAT model in plain irrigation district[J]. Journal of Hydraulic Engineering, 2011, 42(1): 88-97. (in Chinese with English abstract)

[8]胡文慧，李光永，孟國霞，等. 基于SWAT模型的汾河灌區非點源污染負荷評估[J]. 水利學報，2013，44(11)：1309-1316.

Hu Wenhui, Li Guangyong, Meng Guoxia, et al. Evaluation of non-point source pollution load in Fenhe Irrigation District based on SWAT model[J]. Journal of Hydraulic Engineering, 2013, 44(11): 1309-1316. (in Chinese with English abstract)

[9]陳祥義，肖文發，黃志霖，等. 空間數據對分布式水文模型SWAT流域水文模擬精度的影響[J]. 中國水土保持科學，2016，14(1)：138-143.

Chen Xiangyi, Xiao Wenfa, Huang Zhilin, et al. Impact of spatial data on the accuracy of watershed hydrological simulation of SWAT model[J]. Science of Soil and Water Conservation, 2016, 14(1): 138-143. (in Chinese with English abstract)

[10]Cotter A S, Chaubey I, Costello T A, et al. Water quality model output uncertainty as affected by spatial resolution of input data[J]. Journal of the American Water Resources Association, 2003, 39(4): 977-986.

[11]Shen Z Y, Chen L, Liao Q, et al. A comprehensive study of the effect of GIS data on hydrology and non-point source pollution modeling[J]. Agricultural Water Management, 2013, 118: 93-102.

[12]盧文喜，伊燕平，張蕾，等. 不同亞流域劃分數量對SWAT模型模擬結果的影響[J]. 水電能源科學，2010，28(10)：23-25.

Lu Wenxi, Yi Yanping, Zhang Lei, et al. Influence of different watershed subdivision numbers on simulation results of SWAT model[J]. Water Resources and Power, 2010, 28(10): 23-25. (in Chinese with English abstract)

[13]葉許春，張奇，劉健，等. 土壤數據空間分辨率對水文過程模擬的影響[J]. 地理科學進展，2009，28(4)：575-583.

Ye Xuchun, Zhang Qi, Liu Jian, et al. Effects of spatial resolution of soil data on hydrological processes modeling[J]. Progress in Geography, 2009, 28(4): 575-583. (in Chinese with English abstract)

[14]Wu Di, Cui Yuanlai, Wang Yitong, et al. Reuse of return flows and its scale effect in irrigation systems based on modified SWAT model[J]. Agricultural Water Management, 2019, 213: 280-288.

[15]Bhumika Uniyal, J?rg Dietrich. Modifying automatic irrigation in SWAT for plant water stress scheduling[J]. Agricultural Water Management, 2019, 223: 105714.

[16]李穎，王康，周祖昊. 基于SWAT模型的東北水稻灌區水文及面源污染過程模擬[J]. 農業工程學報，2014，30(7)：42-53.

Li Ying, Wang Kang, Zhou Zuhao. Simulation of drainage and agricultural non-point source pollutions transport processes in paddy irrigation district in North-East China using SWAT[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(7): 42-53. (in Chinese with English abstract)

[17]吳用. 內蒙古河套地區流域非點源污染模擬及區域污染物總量控制研究[D]. 呼和浩特：內蒙古農業大學，2017.

Wu Yong. Modeling of Non-point Sources Pollution and Total Amount Control of Pollutants in Hetao Irrigation District of the Inner Mongolia[D]. Hohhot: Inner Mongolia Agricultural University, 2017. (in Chinese with English abstract)

[18]欒曉波. 基于水文過程的作物生產水足跡量化方法研究[D]. 北京：中國科學院大學，2018.

Luan Xiaobo. Research on Quantitative Method of Crop Production Water Footprint based on Hydrological Process Take Hetao Irrigation District as an example[D]. Beijing: University of Chinese Academy of Sciences, 2018. (in Chinese with English abstract)

[19]牛魯燕，張曉艷，鄭繼業，等. 基于 Landsat8 OLI數據的山東省耕地信息提取研究[J]. 中國農學通報，2014，30(34)：264-269.

Niu Luyan, Zhang Xiaoyan, Zheng Jiye, et al. Extraction of cultivated land information in shandong province based on Landsat8 OLI data[J]. Chinese Agricultural Science Bulletin, 2014, 30(34): 264-269. (in Chinese with English abstract)

[20]常布輝，王軍濤，羅玉麗，等. 河套灌區沈烏灌域GF-1/WFV遙感耕地提取[J]. 農業工程學報，2017，33(23)：188-195.

Chang Buhui, Wang Juntao, Luo Yuli, et al. Cultivated land extraction based on GF-1/WFV remote sensing in Shenwu irrigation area of Hetao Irrigation District[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2017, 33(23): 188-195. (in Chinese with English abstract)

[21]楊閆君，占玉林，田慶久，等. 基于GF-1/WFV NDVI時間序列數據的作物分類[J]. 農業工程學報，2015，31(24)：155-161.

Yang Yanjun, Zhan Yulin, Tian Qingjiu, et al. Crop classification based on GF-1/WFV NDVI time series[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(24): 155-161. (in Chinese with English abstract)

[22]Metternicht G I, Zinck J A. Remote sensing of soil salinity: Potentials and constraints[J]. Remote Sensing of Environment, 2003, 85(1): 1-20.

[23]魏懷斌，張占龐，楊金鵬. SWAT模型土壤數據庫建立方法[J]. 水利水電技術，2007(6)：15-18.

Wei Huaibin, Zhang Zhanpang, Yang Jinpeng. Establishing method for soil database of SWAT model[J]. Water Resources and Hydropower Engineering, 2007(6): 15-18. (in Chinese with English abstract)

[24]王瑾杰，丁建麗，張喆，等. 基于多源遙感數據的艾比湖流域鹽土SWAT模型參數修正[J] . 農業工程學報，2017，33(23)：139-144.

Wang Jinjie, Ding Jianli, Zhang Zhe, et al. SWAT model parameters correction based on multi-source remote sensing data in saline soil in Ebinur Lake Watershed[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(23): 139-144. (in Chinese with English abstract)

[25]王康. 灌區水均衡演算與農田面源污染模擬[M]. 北京：科學出版社，2012：27-29.

[26]常菲，郜翻身，紅梅，等. 施肥措施對河套灌區氮素淋溶和玉米產量的影響[J]. 生態學雜志，2018，37(10)：2951-2958.

Chang Fei, Gao Fanshen, Hong Mei, et al. Effects of fertilization regimes on nitrogen leaching and maize yield in Hetao Irrigation Area[J]. Chinese Journal of Ecology, 2018, 37(10): 2951-2958. (in Chinese with English abstract)

[27]嚴楓，劉登忠，汪友明. 基于QuickBird影像目視解譯在土地利用類型調查中的應用：以遂寧市船山區新橋鎮為例[J]. 新疆環境保護，2008，30(1)：6-10.

Yan Feng, Liu Dengzhong, Wang Youming. Visual interpretation’s applying on land-ues types investigation based on QuickBird image: A case study in Xinqiao town of Chuanshan District in Suining city[J]. Environmental Protection of Xinjiang, 2008, 30(1): 6-10. (in Chinese with English abstract)

[28]張冬梅，袁清，王加亭. 一種輔助草原遙感影像目視解譯方法的探討：影像與基礎圖件半透明疊加法[J]. 遙感技術與應用，2006，21(6)：560-564.

Zhang Dongmei, Yuan Qing, Wang Jiating. Discuss a method of assistant remotely sensed imagery visual interpretation on grassland: Remotely sensed image and thematic map semitransparent overlap[J]. Remote Sensing Technology and Application, 2006, 21(6): 560-564. (in Chinese with English abstract)

[29]王立輝，杜軍，黃進良，等. 基于GF-1 號衛星WFV 數據反演玉米葉面積指數[J]. 華中師范大學學報，2016，50(1)：120-127.

Wang Lihui, Du Jun, Huang Jinliang, et al. Retrieving leaf area index of maize based on GF-1 multispectral remote sensing data[J]. Journal of Central China Normal University, 2016, 50(1): 120-127. (in Chinese with English abstract)

[30]Yang Y J, Huang Y, Tian Q J, et al. The extraction model of paddy rice information based on GF-1 satellite WFV images[J]. Spectroscopy and Spectral Analysis, 2015, 35(11): 3255-3261.

[31]黃振國，楊君. 高分一號衛星影像監測水稻種植面積研究綜述[J]. 湖南農業科學，2014(13)：76-78.

Huang Zhenguo, Yang Jun. Review of high-1 satellite image monitoring rice planting area[J]. Hunan Agricultural Sciences, 2014(13): 76-78. (in Chinese with English abstract)

[32]Morris M D. Factorial sampling plans for preliminary computational experiments[J]. Technometrics, 1991, 33(2): 161-174.

[33]Saleh A, Arnold J G, Gassman P W, et al. Application of SWAT for the upper north bosque river watershed[J]. Transactions of the ASAE, 2000, 43(5): 1077-1087.

[34]王敏，高新華，陳思宇，等. 基于Landsat 8遙感影像的土地利用分類研究：以四川省紅原縣安曲示范區為例[J]. 草業科學，2015，32(5)：694-701.

Wang Min, Gao Xinhua, Chen Siyu, et al. The land use classification based on Landsat 8 remote sensing image: A case study of Anqu demonstration community in Hongyuan County of Sichuan Province[J]. Pratacultural Science, 2015, 32(5): 694-701. (in Chinese with English abstract)

[35]Zhang Hong, Wang Bin, Liu De Li, et al. Using an improved SWAT model to simulate hydrological responses to land use change: A case study of a catchment in tropical Australia[J]. Journal of Hydrology, 2020, 585: 124822.

Effects of correcting crop planting structure data to improve simulation accuracy of SWAT model in irrigation district based on remote sensing

Wang Weigang, Shi Haibin※, Li Xianyue, Zheng Qian, Zhang Wencong, Sun Yanan

(1.010018,; 2.010018,)

This study synthetically considered the spatial position accuracy and data precision for crop planting structure in order to ensure that the hydrological and nutrient loss processes were more veritably simulated and the simulation accuracy was further improved. The classification and extraction of field crops were conducted and the land use map was modified using Normalized Difference Vegetation Index (NDVI) threshold method and Support Vector Machine (SVM) method based on GF-1 16 m WFV4 medium resolution remote sensing images in Hetao Irrigation District. The effect of the corrected spatial position and the improved accuracy of crop planting structure on the simulation accuracy of SWAT (Soil and Water Assessment Tool) model were evaluated using the modified land use map. The results showed that the classification of crops based on GF-1 16 m WFV4 remote sensing images agreed with the actual spatial distribution of crops in Hetao Irrigation District, with an overall accuracy of 89.61%, a mapping accuracy of over 88%, a user accuracy of over 88% and a Kappa coefficient of 0.86. The parameters with high level of sensitivity to the simulation of runoff and nitrate nitrogen were quite stable in the irrigation district. The simulation accuracy in terms of runoff was significantly affected by groundwater delay coefficient (GW_DELAY), groundwater evaporation coefficient (GW_REVAP), base ?ow alpha factor (ALPHA_BF), and soil evaporation compensation factor (ESCO). In addition, the simulation accuracy of nitrate nitrogen was markedly affected by nitrogen concentration in rainfall (RCN), the nitrate percolation coefficient (NPERCO), and the denitri?cation exponential rate coef?cient (CDN). The corrected spatial position accuracy and data precision of crop planting structure effectively improved the accuracy of simulated values for runoff and nitrate nitrogen. In the calibration period (2009-2014), the2for simulated runoff and nitrate nitrogen were improved to 0.76 and 0.70 from 0.63 and 0.62, respectively by correcting crop pattern locations. The efficiency coefficients were improved to 0.69 and 0.55 from 0.53 and 0.50, respectively, while the relative errors were decreased by 6.00% and 4.94%, respectively. In the validation period (2015-2016),2was improved to 0.82 and 0.63 from 0.71 and 0.58, respectively. The efficiency coefficients were improved to 0.82 and 0.63 from 0.71 and 0.58, respectively, while the relative errors were decreased. Additionally, the2of simulated runoff and nitrate nitrogen were improved to 0.76 and 0.70 from 0.68 and 0.66 by improving the accuracy of crop pattern data, respectively, in the calibration period. The efficiency coefficients were improved to 0.69 and 0.55 from 0.60 and 0.53, respectively, while the relative errors were decreased. However, in the validation period,2was improved to 0.82 and 0.63 from 0.77 and 0.60, respectively, and efficiency coefficients were improved to 0.79 and 0.53 from 0.76 and 0.50, respectively. The simulation results of runoff and nitrate nitrogen based on SWAT model was easily affected by corrected spatial of crop pattern compared with data accuracy. Comprehensively correcting the spatial position and improving the data accuracy of crop planting structure effectively improved the simulation accuracy of the SWAT model in the irrigation district.

remote sensing; crops; SWAT model; GF-1; planting structure; Hetao Irrigation District; simulation accuracy

王維剛，史海濱，李仙岳，等. 遙感訂正作物種植結構數據對提高灌區SWAT模型精度的影響[J]. 農業工程學報，2020，36(17)：158-166.doi：10.11975/j.issn.1002-6819.2020.17.019 http://www.tcsae.org

Wang Weigang, Shi Haibin, Li Xianyue, et al. Effects of correcting crop planting structure data to improve simulation accuracy of SWAT model in irrigation district based on remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(17): 158-166. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.17.019 http://www.tcsae.org

2020-04-02

2020-07-10

國家自然科學基金項目（51539005、51769024）；內蒙古水利科技重大專項（213-03-99-303002-NSK2017-M1）

王維剛，博士生，主要從事灌區污染物運移模擬研究。Email：937505954@qq.com

史海濱，教授，博士生導師，主要從事節水灌溉原理及應用研究。Email：shi_haibin@sohu.com

10.11975/j.issn.1002-6819.2020.17.019

X53；S127

A

1002-6819(2020)-17-0158-09