東北寒區SWAT模型融雪徑流空間異質性參數率定方法及應用

摘要：融雪水是東北地區春季徑流的重要來源，融雪徑流過程的可靠模擬及預報可為科學管理和調度春汛期水資源提供參考.東北寒區年度內存在融雪徑流和降雨徑流兩種產流模式，流域物理空間屬性差異對融雪徑流產流模式影響顯著，為了解決東北寒區融雪徑流空間異質性問題、提高SWAT 模型模擬及預報精度，提出對SWAT模型采用單站點和多站點聯合參數率定的策略.首先，利用白山水庫入庫流量進行單站初步參數率定，進而，采用多站點對融雪徑流參數進行率定，并將該參數移植到單站初步率定參數集.結果表明：單站初步參數率定后模擬得到年度（１—１２月）、夏季汛期（６—９月）、春季融雪期（３—５月）驗證期月尺度確定系數（R２）分別為０．７６、０．７４和０．５８，日尺度R２分別為０．７１、０．７５和０．５１;單站和多站點聯合參數率定后模擬得到年度、夏季汛期、春季融雪期驗證期月尺度R２分別為０．８０、０．７４和０．７９，日尺度R２分別為０．７４、０．７８和０．６１.在月尺度和日尺度上，單站和多站點聯合參數率定較單站參數率定后春季融雪期的模擬精度分別提高了２０％和１０％.

關鍵詞：東北寒區;融雪徑流;SWAT;參數移植;空間異質性;白山流域

doi：１０．１３２７８/j．cnki．jjuese．２０２１０２８３ 中圖分類號：P３３３ 文獻標志碼：A

０ 引言

東北寒區春汛是水文年內第一個集中來水期，主要水源為上一年的冬季積雪在春季溫度上升后消融形成的徑流.東北大部分地區年降雪量在３０～１５０mm 之間，其中，長白山山區年降雪量可達１５０mm以上，其積雪資源較豐富，為春季形成春汛提供了條件[１].春汛產流模式一般有３種[２]：融雪產流，主要發生在３月中旬—４月中旬，此時凍土形成一層相對不透水的下墊面結構（凍土裂隙導致的融雪水下滲量很少）;凍土條件融雪與降雨聯合產流，一般在４月中旬—５月初，此時表層凍土融解，由于凍土剛融解含水量較多，再加上融雪水和降雨的補給，土壤中凍土層上界面可達到飽和[３４];凍土條件下降雨產流，一般發生在５月初—５月底.春季恰逢農耕時節，灌溉用水需求大;春季也是航運用水高峰期，河道有通航保證水位要求;春汛期為東北水庫年度供水末期，水庫蓄水年內最少，供水壓力最大，有效攔截春汛來水并利用是滿足春季用水需求的關鍵.同時，如果冬季降雪量大，翌年春季遭遇氣溫連續快速抬升，則會導致山前平原及中低山區積雪集中消融引發春澇，從而延遲最佳播種期，造成農業經濟損失[５７].因此，需深入研究春汛來水規律，提高融雪徑流模擬預報精度，合理安排春汛期水庫調度.

水文模型是對水文過程的物理描述、數學表達和程序模擬的一種重要工具，可為水資源開發利用情景規劃提供重要科學方法.目前，國內外學者提出了很多基于物理機制的能量守恒模型和基于度日因子的概念性模型，在融雪徑流過程模擬方面應用比較廣的有SRM （snowmeltrunoff model）[８]、HBV（hydrologiskabyr?nsvattenbalansavdelning）水文預報模型[９]、SNTHERM （snow thermalmodel）等[１０].這些水文模型劃分為集總式和分布式，其中：集總式水文模型不考慮水文過程及其水分輸入、邊界條件和下墊面特征的空間變異性，將整個計算單元水文要素和模型參數均值化[１１１２]，因此，其無法刻畫真實陸面水文過程時空差異性特征;分布式水文模型依托地理信息技術，根據流域下墊面特征進行水文響應單元劃分[１３]，在產流階段考慮地形地貌、土地利用、土壤類型等地理空間屬性，在匯流階段基于地形條件和河道特征進行水動力學計算.SWAT（soilandwaterasssessmenttool）模型內置度日因子的半經驗式融雪徑流模擬模塊，在流域山區徑流過程模擬中應用較廣泛，其也是無資料流域水文過程模擬的重要模型.但是很多SWAT模型的徑流過程模擬中采取單一站點的模型參數率定方法，這導致模型參數統一而無法刻畫水文過程的空間差異性.因此，分布式水文模型的多站點參數率定和無資料區域的參數移植法研究成為水文領域的熱點和難點;區域化方法[１４]成為無資料和缺資料地區水文研究的重要方法，最常見的有模型法、參數移植法、回歸法以及空間插值法等[１５].較之降雨徑流，融雪徑流的特殊性在于積雪賦存和融化，即水分來源與水分供給.如何識別積雪在賦存和融化過程中的關鍵控制指標，并結合產匯流規律和地理環境條件進行模型參數率定，是提高模型模擬及預報精度的關鍵技術.本文充分考慮東北寒區積雪賦存、積雪融化和融雪徑流空間異質性，首先采用白山水庫入庫流量過程進行全流域參數率定，得到單站點參數組;進而，采用多站點進行子流域融雪徑流參數率定，并將融雪徑流參數移植到單站點參數組;最后，完成全流域春季融雪徑流過程模擬，以實現春季融雪徑流模擬精度的提高，為春季徑流的預報提供依據.

１ 研究方法

利用SWAT 模型進行水文過程模擬，采用SWAT CUP進行模型參數敏感性分析和關鍵參數率定.

１．１ 水文過程模擬

采用分布式水文模型SWAT 進行水文過程模擬.SWAT由美國農業部農業研究中心于１９９４年開發[１６].模型原理遵循水量平衡方程：

２ 研究區域與基礎數據

２．１ 研究區域

白山水庫位于吉林省東部山區樺甸與靖宇兩縣交界處，是第二松花江干流梯級水電站群的首級大型水利樞紐工程，以發電為主，兼顧有防洪、航運、養魚等綜合功能.白山水庫上游無大型調節水庫，需還原計算部分較少，屬無側支循環，水文循環相對閉合，距頭道江、二道江匯口約１２km，下距豐滿水庫壩址２５０km.白山水庫控制流域（簡稱白山流域）面積１．９萬km２，其范圍為１２６°３０′E—１２８°５０′E，４１°４２′N—４３°２０′N（圖１），占豐滿水庫以上流域面積的４４．７％，占第二松花江流域面積的２５．９％.

白山流域地處高寒山區，屬于大陸性季風氣候，多年平均氣溫４．２℃，最低氣溫－４４．５℃，最高氣溫３５．３℃，多年平均年降雨量７５０．５mm，最大年降雨量１０５７．６mm，最小年降雨量４９７．２mm，年內降水集中在７—８月，占全年降水量的４７．１％.水庫壩址處多年平均流量２３９m３/s，多年平均年徑流量７５．３億m３，多年平均春季徑流量２１．１m３.根據流域內水文站點分布將流域進行區劃，確定各水文站點控制的分區流域范圍，如圖２所示，各分區流域特征見表１.

２．２ 基礎數據

SWAT 模型構建需要的數據有數字高程模型DEM 數據（分辨率３０ m ×３０ m）、土地利用類型（精度為１km）數據[１８]、土壤類型（harmonizedworldsoildatabase，HWSD，１∶１００萬比例尺）數據[１９]，氣象數據[２０]有流域內東崗、二道和靖宇３個氣象站點的逐日降水量、氣溫、平均風速、平均濕度和日照時數.利用白山水庫日尺度徑流進行單站點率定（１９８０—２０１０年作為模擬數據，２０１１—２０１５年作為驗證數據），利用高麗城子、松江、漫江和漢陽屯水文站的日尺度徑流進行多站點率定（１９８０—２０１０年作為模擬數據，２０１１—２０１５年作為驗證數據），進而，將多站點率定參數移植到單站點的參數集.

３ SWAT模型構建與參數單站初步率定

３．１ SWAT模型構建

首先基于DEM 空間數據繪制河網、劃分子流域，將白山流域劃分為４４個子流域（圖３a）;然后利用空間屬性數據中的高程（圖３b）、土地利用類型（圖３c）、土壤類型（圖３d）和坡度范圍劃分水文響應單元，以刻畫流域下墊面特征;再根據研究區氣象數據，模型采用天氣發生器識別流域氣候特征，進行流域水文過程模擬;最后控制白山水庫徑流數據率定模型參數并模擬流域徑流過程.

３．２ 關鍵參數識別

利用SUFI ２程序進行SWAT模型參數敏感性分析及關鍵參數率定.SUFI ２程序通過T 檢驗值和P 概率值進行參數的敏感性分析，其中T 檢驗是通過比較不同數據的均值，研究兩組數據之間是否存在顯著差異，P 概率值是一組數據的均值在另一組數據的均值所代表的總體中出現的概率;若T 檢驗值的絕對值越大，P 概率值越接近０，則參數的敏感性越大.選取與水文過程相關的２７個模型參數，見表２.其中，根據白山水庫實測入庫徑流數據，選取迭代數次為１０００且同時滿足T 檢驗值的絕對值大于１和P 概率小于０．１的參數作為關鍵參數，共計１２項（表２）.

３．３ 關鍵參數單站初步率定與水文過程模擬

一般情況下，采用單一站點進行模型參數率定，即結合流域出口斷面徑流實測數據校準模型參數，這里采用白山水庫入庫流量進行初步參數和關鍵參數率定，模型率定期為２０００—２０１０ 年，驗證期為２０１１—２０１５年.分別統計春季融雪徑流期（３—５月）、夏季汛期徑流期（６—９月）和全年（１—１２月）模型精度，結果見表３.月尺度平均流量全年率定期和驗證期R２分別為０．７８和０．７６，ENS 分別為０．６８和０．６２;日尺度平均流量全年率定期和驗證期R２分別為０．６８和０．７１，ENS分別為０．６３和０．６８.月平均流量和日平均流量結果見圖４.

由表３可知，月尺度驗證期的春季融雪期模擬精度R２為０．５８，夏季汛期模擬精度R２為０．７４，春季融雪期模擬精度遠低于夏季汛期，分析其原因主要有三方面：１）在積雪賦存方面，積雪在空間上呈現“高緯度、山區多”“低緯度、平原區少”的特點[２１];２）在融雪方面，下墊面條件是影響積雪消融的重要因素，比如地形、坡度、坡向、海拔高度、土壤類型和植被類型等，林草覆蓋減緩了融雪速度[２２]，也減小了融雪水量[２３];３）在融雪匯流方面，由于凍土層的存在，融雪徑流以地表匯流為主[２４]，匯流過程與地形特征密切相關，土壤持水能力和植被覆蓋也會產生一定影響[２５].融雪徑流匯流過程基本上在山區完成，出山口后徑流沒有補給源，基本上屬于純耗散地區[２６].因此，春季融雪徑流期空間異質性顯著，充分考慮流域下墊面差異，采用多站點進行模型參數率定是提高融雪徑流模擬精度的可行策略.

４ SWAT模型多站分區參數率定與移植

分別利用單站點和多站點長系列徑流資料，對相應子流域進行SWAT模型參數率定，以刻畫空間差異性.

４．１ 融雪徑流參數多站分區率定與水文過程模擬

在關鍵參數中選取融雪徑流相關參數，包括降雨和降雪的臨界溫度、融雪閾值溫度、最大融雪因子、最小融雪因子、積雪溫度滯后因子和雪深閾值.采用高麗城子站、松江站、漫江站和漢陽屯站長系列徑流資料，進行多站點SWAT模型參數率定.單站與多站的融雪徑流參數取值比較見表４.

４．２ 參數移植與水文過程模擬

采用單站和多站聯合參數率定策略，即，將關鍵融雪徑流參數的多站率定結果移植到單站初步率定的參數集，其他參數保留單站初步率定結果不變.參數移植后進行白山流域流量模擬，并分別統計春季融雪期、夏季汛期和年度流量驗證結果（表５）.由表５可知：單站和多站點聯合參數率定后模擬得到年度、夏季汛期、春季融雪期月尺度流量R２ 分別為０．８０、０．７４和０．７９，日尺度流量R２ 分別為０．７４、０．７８和０．６１;夏季汛期流量的精度與單站率定的模擬精度差異不大;而春季融雪期流量的精度有很大的提高，其中月尺度模擬精度R２提高了０．２１，日尺度R２提高了０．１０.因此，流域空間屬性的差異性對融雪徑流的產流模式有顯著的影響，且多站參數率定方法更好地體現了積雪、融雪、產流、匯流的空間差異性，對分布式水文模型模擬融雪徑流過程有明顯改進.

移植前后融雪月平均流量和日平均流量過程模擬結果見圖５.從圖５中也可以看到，２０１５年徑流量單站和多站兩種方法模擬誤差較大，分析其原因：一是前期累積降雪量偏低，形成的融雪徑流量較少;二是２０１４年全年為枯水年，流域蓄水量偏低，導致春季基流也偏低，春季徑流降雨產流占優，因此，多站比單站精度略低.進一步利用流域內的靖宇、東崗和二道３個氣象站點的降水量進行面積加權法計算得到流域前期累積降雪量和春季累積降雨量，利用流域出口斷面水文站點流量計算得到年徑流深，結果見圖６.

５ 結論與建議

１）融雪徑流量由積雪的賦存和消融制約，而積雪的賦存和消融受到地形海拔、土地覆蓋和氣溫等因素影響，其空間異質性顯著，本文結合單站點和多站點聯合參數率定，實現春季徑流過程模擬精度的提高.這對東北季節性積雪區有一定的適用性.

２）融雪徑流過程的多站點率定方案能夠揭示東北寒區積雪覆蓋和融雪過程的空間異質性，月尺度多站關鍵參數率定和移植在春季融雪徑流期可以提高２０％的模擬預報精度.

３）本文將多站（子流域）空間異質性參數移植到單站（流域出口水文站），還需進一步研究如何根據區域自然地理特征和下墊面條件，分析分布式水文模型中水文相應單元對應的參數之間的相關性，將參數移植法在無資料流域水文過程模擬得以應用.

參考文獻（References）：

[１] 焦劍，謝云，林燕，等．東北地區融雪期徑流及產沙特征分析[J]．地理研究，２００９，２８（２）：３３３ ３４４．

[２] 李文龍，楊巍，王傲，等．豐滿流域春季徑流水源及產流模式分析[J]．水利水電技術，２０１９，５０（５）：４５ ５２．

[３] 李龍輝，肖迪芳，楊春生．寒冷地區融雪徑流和融凍期降雨徑流計算模型初探[J]．水文，２０１１，３１（２）：８４８８，７４．

[４] 李文鵬，邵新民，祁曉凡，等．黑河中游盆地南部山區地下水對平原區側向徑流補給量的估算[J]．水文地質工程地質，２０２２，４９（３）：１ １０．

[５] 張璞，王建，劉艷，等．SRM 模型在瑪納斯河流域春季洪水預警中的應用研究[J]．遙感技術與應用，２００９，２４（４）：４５６ ４６１．

[６] 閆柏琨，李文鵬，甘甫平，等．基于地表水循環遙感觀測的黑河流域水平衡分析[J]．水文地質工程地質，２０２２，４９（３）：４４ ５６．

[７] 潘元貴，伍中庚，孫東，等．四川渠縣“８８”特大暴雨引發的地質災害分布特征與成因分析[J]．中國地質災害與防治學報，２０２２，３３（４）：１２５ １３３．

[８] MernildS H，ListonG G，KaneDL，etal．Snow，Runoff，and MassBalance Modelingforthe Entire Mittivakkat Glacier （１９９８ ２００６）， Ammassalik Island，SE Greenland [J]．Geografisk TidsskriftＧDanishJournalofGeography，２００８，１０８（１）：１２１１３６．

[９] 何柯琪，高超，謝京凱，等．基于徑流和積雪資料的水文模型多目標率定[J]．水力發電學報，２０１９，３８（３）：６５７４．

[１０] 梁爽，楊國東，李曉峰，等．基于SNTHERM 雪熱力模型的東北地區季節凍土溫度模擬[J]．冰川凍土，２０１８，４０（２）：３３５ ３４５．

[１１] 劉昌明，李道峰，田英，等．基于DEM 的分布式水文模型在大尺度流域應用研究[J]．地理科學進展，２００３，２２（５）：４３７ ４４５，５４１ ５４２．

[１２] 房亞軍，于川淇，金鑫．基于SWMM CCHE２D 耦合模型的海綿城市內澇管控效果評價[J]．吉林大學學報（地球科學版），２０２２，５２（２）：５８２ ５９１．

[１３] 董艷萍，袁晶瑄．流域水文模型的回顧與展望[J]．水力發電，２００８，３４（３）：２０ ２３．

[１４] 鄧元倩，李致家，劉甲奇．區劃方法在缺資料地區水文模型參數識別的發展與展望[J]．中國農村水利水電，２０１７（１１）：３１ ３４，４０．

[１５] Beck H E，VanDijk AIJ M，DeRoo A，etal．GlobalＧScale Regionalization of Hydrologic Model Parameters[J]．WaterResourcesResearch，２０１６，５２（５）：３５９９ ３６２２．

[１６] SrinivasanR，RamanarayananTS，ArnoldJG，etal． Large Area Hydrologic Modeling and Assessment：PartII：ModelApplication[J]．Journal oftheAmericanWaterResourcesAssociation，１９９８，３４（１）：９１ １０１．

[１７] 徐匯軍，陳洋波，李晝陽，等．基于LH OAT 分布式水文模型參數敏感性分析[J]．人民長江，２０１２，４３（７）：１９ ２３．

[１８] 中國科學院資源環境科學數據中心．土地利用類型數據[EB/OL]．（２０１５）[２０２１ ０７ １１]．http：//www．resdc．cn/．ResourceandEnvironmentScienceandDataCenter．LandUseTypeData[EB/OL]．（２０１５）[２０２１ ０７

[１９] Foodand Agriculture Organization ofthe United Nations，Harmonized WorldSoilDatabase，HWSD．SoilTypeData [EB/OL]．（２００９）[２０２１ ０７ １１]．

[２０] 中國氣象數據網[EB/OL]．[２０２１ ０７ １１]．http：//data．cma．cn．

[２１] 陳光宇．東北及鄰近地區積雪的時空變化規律及影響因子分析[D]．南京：南京信息工程大學，２０１１．

[２２] MarksD ，KimballJ，TingeyD，etal．TheSensitivity ofSnowmelt Processesto Climate Conditionsand ForestCoverDuringRainＧonＧSnow：ACaseStudyof the １９９６PacificNorthwestFlood[J]．Hydrological Processes，１９９８，１２（１０/１１）：１５６９ １５８７．

[２３] 陳衛東，張波，霸廣忠．春雪消融產生的森林徑流特征及其影響[J]．黑龍江水利科技，２００１（３）：５４ ５５．

[２４] 郝祥云．錫林河流域積雪時空分布特征及融雪徑流模擬研究[D]．呼和浩特：內蒙古農業大學，２０１８．

[２５] 劉永強，戴維，劉志輝．基于DEM 的分布式融雪匯流模型關鍵算法和實現[J]．干旱區地理，２０１１，３４（１）：１４３ １４９．

[２６] 湯英．古爾班通古特沙漠融雪水文過程試驗與模擬[D]．石河子：石河子大學，２００８．