基于多源蒸散發的參數率定對日徑流模擬的影響

丁潔，朱仟，張昊，陳國慶

（東南大學土木工程學院，江蘇南京 211189）

0 引言

在全球氣候變化和人類活動愈發頻繁的背景下，自然水文循環過程已悄然改變，各類極端水文事件尤其是洪水事件更為頻繁地發生，嚴重危害了人類的生產生活［1］。水文模型已經被廣泛應用于徑流的模擬預測和流域水資源管理，但是其具有不確定性會顯著影響水文模擬的結果。在大部分研究中由于徑流觀測方法相對簡單，利用實際徑流觀測資料對水文模型進行參數率定已經成為提高水文模擬準確性最常規的手段。然而對于徑流數據缺失的地區，這一方法顯然不可行，因此也可考慮將其他水文變量作為水文模型參數率定的依據。其中，蒸散發是聯系水循環、碳循環和能量循環的重要氣候變量［2，3］，與降水密切相關，能夠將全球陸地約60%的降水輸入返回至大氣中［4，5］。同時，蒸散發描述了植物和陸地表面的水分流失，能夠反映植被生長以及土壤水分情況，進而影響水文模型中的徑流的形成。因此，以蒸散發作為校準變量進行水文模型的參數率定，也是提高流域水文模擬準確性的有效方法。

蒸散發的常規測量主要通過側滲儀、渦流相關儀、大口徑閃爍儀等方法，但是由于成本限制，中國范圍內可提供共享數據的蒸散發通量站點極為稀少，并且由于建立時間較晚，數據時間長度較短，通常難以滿足研究要求。基于遙感以及陸面模式的各種蒸散發產品逐漸以其較高的成本效益、較廣的覆蓋范圍以及相對可靠的精度成為熱門的研究工具。目前已有多個機構發布了免費的大尺度蒸散發產品，如MODIS（Moderate Resolution Imaging Spectroradiometer）中分辨率成像光譜儀蒸散發產品（MOD16A2，以下簡稱MOD16）、GLEAM（Global Land Evaporation Amsterdam Model）、GLDAS（Global Land Assimilation Data System）等，這些具有較高精度的大尺度蒸散發產品的發布，也為利用蒸散發進行水文模型的參數率定提供了強大的數據支撐［6］。

目前，國內外已有多位學者針對蒸散發率定的可行性進行探究，如Parajuli 等人利用MOD16 對SWAT（Soil and Water Assessment Tool）模型進行校準，證明該方法適用于月尺度的徑流模擬，并與基于實測徑流率定具有相當的精度［7］。Jiang 等人使用遙感蒸散發在28 個自然流域對VIC（Variable Infiltration Capacity）模型進行參數率定，結果表明基于蒸散發率定的水文模型能夠在其中29%的研究區內產生優于基于實測徑流率定的徑流模擬效果［8］。國內學者張清等人也在淮河流域利用MOD16 蒸散發數據對SWAT 模型進行參數率定，研究結果表明基于蒸散發的率定產生的月徑流模擬精度相比基于實測徑流率定的略有下降，但依然較為可靠［9］。

然而，過去的研究大多只在月尺度針對基于蒸散發率定對水文模型徑流模擬效果進行了探究，也尚未考慮不同蒸散發產品可能導致的徑流模擬差異。基于以上背景，本文基于SWAT模型，在衡陽站和雙牌站以上控制流域分別利用實測徑流和多源蒸散發（MOD16、GLEAM、GLDAS）進行參數率定，旨在分析不同流域基于蒸散發率定在日徑流模擬方面的應用效果以及不同蒸散發產品率定對徑流模擬的影響，以期為無資料地區水文模型的參數率定提供新的思路，從而有效減少洪澇災害。

1 研究區域

本文的研究區域為湘江中上游地區，即湘江干流上衡陽水文站以上控制流域［圖1（a）］，集水面積為53 085 km2，包含消水、春陵水等湘江重要支流。該研究區域作為我國重要的糧食基地以及工業原料供應地，具有極高的經濟地位。研究區域整體處于亞熱帶季風氣候帶，四季分明，夏季炎熱潮濕，冬季寒冷干燥，降水充沛，具有明顯的空間異質性［10］，且主要集中在4-6月，這導致流域內徑流量年內分配嚴重不均。研究區域內地勢總體上呈現南高北低的趨勢［圖1（b）］，地形復雜多變，多以山地丘陵為主，且多面環山，較為明顯的河流干支流坡度加速了雨水匯流的過程，導致洪水事件的極易發生。

圖1 衡陽水文站、雙牌水文站的空間分布和研究流域附近氣象站及子流域空間分布圖Fig.1 The spatial distribution of the Hengyang station，Shuangpai station；the weather stations and subbasins over the study area.

2 數據來源及研究方法

2.1 數據來源

本文選用的多源蒸散發數據包括MOD16、GLEAM 和GLDAS，三者的詳細情況如表1所示。

表1 MOD16、GLEAM、GLDAS蒸散發產品的基本信息Tab.1 Basic information of MOD16，GLEAM and GLDAS

MOD16 是由NASA（National Aeronautics and Space Administration；美國國家航空航天局）發布的基于改進Penman-Monteith（PM）公式估算的每8 天的全球蒸散發產品，其空間分辨率可達500 m。該產品以中分辨率成像光譜儀（MODIS）的土地覆蓋、反照率、葉面積指數（LAI）、增強型植被指數（EVI）和來自NASA 全球建模和同化辦公室（GMAO）的每日氣象數據作為輸入［11，12］。該產品發布后已經通過了全球46個通量站點的驗證，與通量塔實測值的平均相關性可達0.86［12］。本文利用另一在中國地區的干旱檢測中有出色表現的全球大氣在分析數據JRA-55（Japanese 55-year）［13，14］，將MOD16 時間降尺度至日尺度，具體降尺度方法如下：

式中：M和J分別為MOD16 和JRA-55 產品；ETT為8 d 總蒸散發；ETi為8 d中第i天的蒸散發。

GLEAM 產品利用衛星觀測數據，以輻射、氣溫、降雨、雪水當量、植被光學厚度、表面土壤濕度和植被組分等變量作為驅動，并基于Priestley and Taylor（PT）公式進行每日蒸散量估算［15，16］。該產品自發布以來一直定期修正，并于2019年更新至GLEAM v3.3a 版本。受驅動數據的限制，GLEAM v3.3a 可獲取的時間長度為1980-2018年，空間分辨率為0.25°。GLEAM v3.3a 蒸散發數據的準確性也通過了全球91 個渦度相關儀通量塔的驗證，與通量塔觀測值的平均相關性介于0.78 到0.81之間［16］。

GLDAS 產品是美國國家航空航天局戈達德航天飛行中心和美國國家海洋與大氣管理局國家環境預測中心聯合研究推出的，該數據集采用先進的陸面模式和數據同化技術，融合地面觀測和衛星觀測數據，以獲得更準確的全球地表氣候通量。本文中使用的GLDAS v2.2 同化了GRACE 數據，可提供空間分辨率為0.25°的每日蒸散發數據［17］。對于GLEAM 和GLDAS 產品，共有76個柵格覆蓋湘江中上游范圍并提供蒸散發數據。

建立SWAT 模型所需要的DEM（Digital Elevation Model；數字高程模型）來自地理空間數據云，分辨率為90 m；土壤數據來自HWSD 全球土壤數據庫1∶100 萬中國土壤數據集；土地利用數據來自Global Land Cover 2000，空間分辨率為1 km，并根據SWAT 數據庫進行重分類（如圖2）。驅動SWAT 模型所需要的氣象數據（最高和最低溫度、相對濕度、風速和太陽輻射）下載自中國國家氣象信息中心（https：//data.cma.cn）。2009-2018 年間雙牌站和衡陽站所提供的每日實測徑流數據用以驗證模型徑流模擬效果。

2.2 SWAT模型構建

SWAT 模型是一個時間連續的半分布式水文模型，該模型具有比較全面的模型結構，能夠模擬包括地表徑流、地下徑流、蒸散發等主要的水文過程。該模型采用SCS徑流曲線法對流域地表徑流量進行模擬，默認采用Penman-Monteith 公式計算潛蒸發。如圖1 所示，本文首先根據研究區DEM 將研究區域劃分為21 個子流域，并根據不同的坡度類型、土壤類型及土地利用類型（圖2）將研究區劃分成了448 個水文響應單元（HRUs），繼而在此基礎上基于每個HRU 在日尺度上進行水量平衡計算。本文將整個研究期分為3 個階段：預熱期（2009-2010），率定期（2011-2014）和驗證期（2015-2018）。

圖2 研究區域的土壤類型及土地利用類型分布圖Fig.2 The spatial distribution of soil type and land use in the study area.

2.3 參數率定和驗證方案

為了探究不同率定方案對SWAT 模型徑流模擬的影響，本文共設置兩種率定方案，分別為：①基于實測徑流的參數率定；②基于蒸散發的參數率定。

與僅基于流域出口處的實測徑流進行的參數率定相比，基于蒸散發的參數率定可能從空間上更好地約束水文模型，更好地表現水文模型中各水文過程變量的空間特征［18］。本研究采用SWAT-CUP（SWAT-Calibration and Uncertainty Program）中的SUFI-2（Sequential Uncertainty Ftting Algorithm）優化算法進行模型參數率定。本文中所選擇參與率定的參數如表2所示。

表2 率定參數的含義及其參數范圍Tab.2 The definition and range of calibrated parameters

以NSE（Nash-Sutcliffe Efficiency）作為率定變量的目標函數，比較上述兩種率定方案所得到的日徑流模擬結果，探究基于蒸散發率定在研究區域內的適用性。采用NSE、BIAS和KGE（Kling-Gupta Efficiency）指標對徑流模擬效果進行評估，評估指標的具體計算公式如下：

3 結果和討論

3.1 蒸散發產品的空間特征

MOD16、GLEAM、GLDAS 蒸散發產品基于不同的蒸散發估算方式，三者在研究區域的表現也不同。圖3 表示3 種產品在2009-2018 年間的多年平均蒸散發的空間分布。MOD16 產品以其較高的空間精度更好地表現了研究區域內蒸散量的空間特征，總體上，三者在研究區域的空間趨勢類似，都呈現西北向東南遞增的趨勢。但是在蒸散量的數值上，3種產品差異明顯。GLDAS 在研究區域尤其是中東部地區相對其他兩種產品存在明顯高估，GLEAM 產品則在研究區域的西部地區相較其他兩個產品有一定程度低估。

圖3 2009-2018年間研究區域MOD16、GLEAM、GLDAS產品的多年平均蒸散發Fig.3 The mean annual ET of MOD16，GLEAM，GLDAS in the study area during 2009-2018

3.2 基于實測徑流參數率定的徑流模擬

首先基于實測徑流對SWAT 模型進行率定，并選用NSE、BIAS和KGE對模擬性能進行評估，圖4 顯示了在兩個水文站徑流模擬值與觀測值的結果。總體而言，基于實測徑流的率定方案，在兩個水文站都能夠比較好地模擬徑流。其中，在率定期衡陽站的徑流模擬效果相對更好，NSE和KGE分別能夠達到0.75 和0.87，BIAS也相對較低（0.40%），而雙牌站的NSE和KGE則分別為0.58和0.70，BIAS為2.64%。但是在驗證期，兩個站點的徑流模擬效果相差不大，衡陽站的NSE和KGE分別為0.60和0.70，雙牌站的NSE和KGE相比率定期略有提高，分別為0.60和0.73，且從BIAS可看出，衡陽站的模擬徑流存在較為明顯的高估，BIAS=14.43%明顯高于雙牌站的-0.23%。總體而言，基于實測徑流的率定方案能夠在研究區域內比較好地捕捉兩個水文站徑流的動態變化，表明SWAT 模型以及此率定方案在該研究區域的適用性。但該模型對于洪峰峰值的準確模擬上仍有不足，并且在率定期雙牌站徑流模擬的NSE明顯低于衡陽站，這可能是雙牌水文站的徑流受上游的雙牌水庫調蓄的直接影響較大，而本研究模擬忽略了水庫作用，因而導致其相對較差的模擬效果。

圖4 基于實測徑流率定的日徑流模擬值與觀測值的對比圖Fig.4 Comparison of daily simulated and observed streamflow based on streamflow calibration at Shuangpai station and Hengyang station

3.3 基于蒸散發參數率定的徑流模擬

分別對雙牌站和衡陽站以上的控制流域，基于蒸散發進行率定，在兩個水文站上模型輸出的徑流結果分別如圖5 和圖6所示。由圖5 可知，對雙牌站以上控制流域進行基于蒸散發率定，模型輸出的徑流總體上與基于實測徑流率定后的結果類似，且3 種蒸散發產品率定的結果差異也不明顯。使用GLEAM、GLDAS和MOD16進行率定的模型，在率定期的NSE都為0.51，而KGE分別僅有0.50，0.54 和0.50，驗證期的NSE分別提升到0.58，0.59 和0.58，KGE則分別提升到0.69，0.72 和0.69。對比基于實測徑流率定的結果［圖4（a）］可知，雖然在雙牌站NSE的評估結果高度相似，但是基于蒸散發的率定會導致|BIAS|相對偏大，對徑流的整體低估會更加明顯。總的來說，基于蒸散發率定在徑流模擬方面具有較大的潛力。

圖5 基于GLEAM，GLDAS，MOD16率定的雙牌站日徑流模擬值與觀測值的對比圖Fig.5 Comparison of daily simulated and observed streamflow based on ET calibration at Shuangpai station：GLEAM，GLDAS and MOD16

在衡陽站的徑流模擬結果如圖6 所示，基于3 種蒸散發產品率定都能夠在該研究區域內取得比較可靠的模擬效果。在率定期，基于GLEAM、GLDAS 和MOD16 的率定取得的NSE分別為0.71，0.72和0.72，而KGE分別為0.80，0.76和0.77。而驗證期的NSE分別為0.60，0.72 和0.72，KGE分別為0.72，0.81 和0.80。總體而言，基于3 種蒸散發產品的率定能夠較為準確地模擬衡陽站的徑流，且基于GLDAS 和MOD16 的率定能夠相對更加出色地捕捉衡陽站的徑流峰值。

圖6 基于蒸散發率定的衡陽站日徑流模擬值與觀測值的對比圖Fig.6 Comparison of daily simulated and observed streamflow based on ET calibration at Hengyang station

基于不同蒸散發產品率定在雙牌站和衡陽站得到的模擬徑流的評估指標匯總如表3 所示。由表3 可知，整體而言，模型對于衡陽站的徑流模擬效果相比雙牌站相對更好，基于3 種蒸散發產品率定得到的各項評估指標在率定期和驗證期都相對更佳，NSE和KGE相對更高且｜BIAS｜相對更低。除了上述提及的雙牌站受水庫調蓄的影響較大外，還有可能是受流域面積的影響，基于蒸散發的率定可能更適用于大的流域。雙牌站以上控制流域面積相對較小，且多為山地，蒸散發數據相對會具有更高的不確定性［19］，會較大地影響蒸散發產品的準確性以及在水文模型率定中的應用效果。通過對比基于3種產品率定的結果可知，基于GLEAM 率定的模型在驗證期的徑流模擬的表現略有不足，在衡陽站的NSE和KGE僅有0.60 和0.72，明顯低于GLDAS和MOD16。而基于GLDAS率定的模型則在驗證期對衡陽站的徑流模擬表現更為出色，體現在其｜BIAS｜相對更低，僅為-0.08%，但是由圖6（b）可知其在日徑流峰值準確模擬上仍存在不足。

表3 在雙牌站和衡陽站基于GLEAM、GLDAS、MOD16率定得到的模擬徑流率定期和驗證期的評估指標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 結論

以湘江中上游地區采用GLEAM、GLDAS 和MOD16 作為SWAT 模型的蒸散發校準變量，分別對雙牌站和衡陽站得到的模擬徑流進行了評估分析，探究了基于多源蒸散發率定對徑流模擬的影響。其研究結果表明：

（1）基于蒸散發的率定方案在湘江中上游區域具有比較好的適用性，其徑流模擬效果與基于實測徑流參數率定的徑流模擬效果相當，雙牌站模擬徑流的率定期和驗證期的NSE都能達到0.50 以上，在衡陽站率定期的NSE都能達到0.70，驗證期的NSE也能達到0.60以上。

（2）基于蒸散發的率定方案在不同的流域的表現也會有較大差異。基于蒸散發的率定方案在雙牌站所產生的徑流在驗證期的NSE最高為0.59，但是在衡陽站其NSE最高可達到0.72，且在衡陽站的｜BIAS｜相較雙牌站的都更低。兩個水文站之間的不同表現也證明了蒸散發在大流域的水文模型參數率定上可能具有更好的表現。

（3）3 種蒸散發產品率定的徑流差異在衡陽站更為突出，其中基于GLEAM 參數率定模擬的徑流在驗證期的表現相對較差，NSE僅有0.60，明顯低于基于GLDAS 和MOD16（0.72），且基于GLDAS 參數率定模擬的徑流在驗證期的BIAS上表現相對突出，僅為-0.08%。

研究結果表明利用可靠的蒸散發數據對SWAT模型進行參數率定能夠比較好地模擬出湘江流域中上游的日徑流。研究結果證明了多源蒸散發數據在水文模擬中的巨大潛力，為缺資料地區，尤其是無資料地區徑流模擬提供了可行方案。此外，除本研究使用的蒸散發數據外，亟需進一步結合高精度衛星降水產品和其他再分析氣溫數據以探究該參數率定方法在真正無資料地區的應用價值［20］。