贛江流域水文情勢時空差異性及變化分析

收稿日期：2023-03-18；接受日期：2023-06-23

基金項目：中國科學院對外合作重點項目“農業流域關鍵帶及河網氮輸移與降解機制”（131432KYSB20200029）；國家自然科學基金項目“鄱陽湖典型入湖流域農業非點源氮素流失機制解析與時空分異模擬”（41877487）

作者簡介：王真，男，碩士研究生，研究方向為流域水文模擬。E-mail：wz983948162@163.com

通信作者：

姜三元，男，副研究員，博士，研究方向為流域水文與水環境。E-mail：syjiang@niglas.ac.cn

Editorial Office of Yangtze River. This is an open access article under the CC BY-NC-ND 4.0 license.

文章編號：1001-4179（2024） 03-0105-12

引用本文：王真，姜三元，張奇，等.贛江流域水文情勢時空差異性及變化分析［J］.人民長江，2024，55（3）：105-116.

摘要：

贛江流域作為鄱陽湖流域最大的子流域，是長江中下游的重要水源區，研究贛江流域的水文情勢可以拓展對該區域水文演變機制的認識。基于贛江流域2000～2021年的日降雨量和徑流監測數據，采用Mann-Kendall檢驗以及相關分析等方法，結合HYPE水文模擬和PEST自動率定技術對參數敏感性指數、徑流量及降雨量等指標進行水文過程及其時空變異的研究。結果表明：① 流域內的水文變量呈現一定的時空變化。在年尺度上，徑流量和降雨量有一定的波動，總體上呈現小幅上升趨勢，兩者之間存在明顯的正相關關系，同時流域內水庫運行也可能對水文機制產生一定影響；在月尺度上，徑流量和降雨量均在6月達到峰值，1月達到最低值；在空間分布上，年均徑流和降雨量在流域東部和北部均較大。② 在水文過程模擬中，描述發生大孔隙流和地表徑流的土壤水含量閾值的參數mactrsm相對綜合敏感性最大。③ HYPE模型能夠較好地模擬贛江流域及其代表性子流域宜豐河流域的徑流動態變化（0.60≤Ens≤0.86），宜豐河小流域出口（宜豐水文站）的流量模擬效果明顯低于贛江流域出口（外洲水文站）。在年尺度上，宜豐站子流域的土壤濕度、蒸發量和地表徑流整體上呈現上升趨勢；在空間分布上，外洲站子流域相較于宜豐站子流域，土壤濕度更高、蒸發量較低、地表徑流更大。④ 根據基流分割，宜豐站子流域和外洲站子流域的徑流機制有所不同，表現在宜豐站子流域飽和地下水對總徑流的貢獻較大，而外洲站子流域地表徑流對總徑流的貢獻較大。流域特征非均質性和水文過程變異是造成模型精度空間差異的主要原因。

關鍵詞：水文情勢； 時空差異； M-K檢驗； 趨勢分析； 水文模擬； HYPE模型； 贛江流域

中圖法分類號： TV211.2；P333

文獻標志碼： A" " " " " " " " " " " DOI：10.16232j.cnki.1001-4179.2024.03.015

0引 言

近幾十年來，全球氣候變化以及水庫建設等人類活動導致了水文過程以及自然水文情勢的重大變化［1-4］，流域內的水文徑流情況又對水文過程產生重要影響［5］。一些自然地理特征通過徑流變化得到了很好的反映［6］，流域內污染程度也是隨徑流而變化［7］。因此，研究河流的水文情勢，有助于分析水文演變機制，對指導流域水資源的宏觀調控和生態保護具有重要戰略價值［8］。研究水文變量的變化過程，對預測未來水資源變化趨勢、流域水資源保護和流域水問題治理也具有重要的科學意義和現實意義［9-10］。

流域的水文情勢驅動著流域生態系統的能量過程、物質循環和生物相互作用，所以有必要分析流域的水文情勢變化［11-12］。地理信息系統（GIS）、遙感和電子傳感器技術的發展降低了數據采集的難度，提高了數據的分辨率，而人工神經網絡和機器學習等新方法自20世紀90年代以來被應用于模型開發，模型和數據庫得到充分應用［13］。水文模型是了解水文循環和水資源時空演變的重要工具，它以一種簡化和方便的方式量化復雜的水文過程［14］。因此，水文模型已成為水文研究的重點，HYPE模型也應運而生。HYPE模型由瑞典氣象和水文研究所于2005～2007年開發，是一個基于過程的半分布式流域模型，用于小尺度和大尺度的水資源評估［15］。目前，為了解決大尺度甚至全球范圍內的水問題，對大尺度水文觀測數據的信息提取也在發展，而HYPE模型在大尺度流域的應用效果尚未得到充分證明，需要進一步研究和分析［16］。由Dr.Jeff Arnold為美國農業部開發的SWAT模型，也多用于與徑流有關的研究［17-19］。

作為鄱陽湖流域最大的子流域，贛江流域在長江中下游地區具有典型性。針對贛江流域的水文分析，鄒杰平等［20］選取了居龍灘站對贛江上游典型流域水文情勢進行分析，推斷造成水文變異的因素可能和人類活動因素有關，但是并未給出詳細數據予以論證，后續可以進一步搭建水文模型進行試驗驗證；黃彬彬等［6］對SWAT模型在贛江流域的適用性進行研究，結果顯示實測過程線與月尺度和年尺度徑流接近吻合；郭強等［21］基于SWAT模型，對單純的土地利用變化對贛江流域主要水文過程的影響進行系統分析，研究表明，在土地利用之間的相互轉換和其影響疊加的情況下，綜合水文效應并不高；Huang等［22］為預測贛江流域未來的氣候變化，探討其對徑流的影響，建立了SWAT水文模型，結果表明，徑流與降水之間存在較強的正相關關系，與溫度之間存在弱相關關系。然而，需要注意的是，SWAT模型通常需要大量的參數輸入來支持其運行，例如需要多層土壤屬性數據，從而導致參數優化、校準和驗證的計算量較大［23］。除此之外，也少有新的水文模型從不同的空間尺度來具體分析流域的水文變化情況。因此，對贛江流域復雜的水文運移以及土地利用和其他因素之間的關系研究不夠充分，限制了流域內水資源管理等決策的制定。

HYPE模型輸入數據少，所需數據容易獲取，計算簡單方便，運行成本低，模型結構簡單，但功能模塊齊全，空間分辨率高，是一個全面、高效、高計算能力的系統［24］。贛江流域又是鄱陽湖流域乃至長江中下游地區的典型代表，下游尾閭地區涉及的南昌市也被劃入鄱陽湖地區，因此研究該流域的水文情勢可以對整個源區的徑流變化有更詳細和深入的了解。本文根據2000～2021年的徑流和降雨監測數據，采用線性回歸和Mann-Kendall（M-K）檢驗分析了贛江流域的水文情勢變化，對徑流量和降雨量進行了時空變異分析。然后以HYPE模型為有效工具，利用模型參數的敏感性分析該地區水文過程，從而在各種參數中篩選出影響最大的因素。同時，對所研究的流域進行了日尺度徑流模擬，驗證了模型在國內大型流域的模擬效果，并對模型輸出的土壤濕度、蒸發量以及地表徑流的時空變化特征進行了分析，最后基于基流分割探求了不同流域特征角度的水文過程存在的差異，為今后HYPE模型在大尺度流域的應用和贛江流域的水資源評價提供了一些科學依據和數據支持。

1材料與方法

1.1研究區概況

贛江流域（見圖1）位于長江中下游南岸，其中贛江，古稱揚漢、湖漢，是長江的主要支流之一，也是鄱陽湖流域的第一大河，位于流域南部，發源于武夷山，由章江與贛州貢水匯合而成，自南向北流經江西省，包括貢水在內的總長度為1 200 km，集水面積為8.35萬km2，占鄱陽湖流域面積的51%。自然落差為937 m，年平均流量為2 130 m3/s。贛江流域呈現出以山地和丘陵為主的地貌格局，山地和丘陵占流域面積的64.7%（山地占43.9%，丘陵占20.8%），低丘（海拔200 m以下）崗地占31.5%，而平原和水域僅占3.9%。贛江流域屬于亞熱帶濕潤季風氣候，氣候溫和，雨量充沛，非常適宜植物生長以及動物和人類的生存，年平均降水量為1 400～1 800 mm。贛江流域土地面積占鄱陽湖流域土地面積的51.5%，其中林業用地為551.4萬hm2，占區域土地面積的64.7%，耕地約占25.8%，城鎮用地占4.5%，草地河流等約占5%（見圖2）。土壤類型主要為山地黃壤、黃棕壤、紅壤、粗骨紫土和潮泥田。海拔800 m以上主要是黃壤和黃棕壤，紅壤廣泛分布在800 m以下的丘陵崗地，粗骨紫色土也主要分布在此區，潮泥田則分布在丘陵谷地、河谷平原（見圖3）。

1.2基礎數據準備與預處理

1.2.1數據來源

本文使用的基礎數據主要包括流域氣象數據、空間數據和水文數據。流域氣象數據主要包括流域內的雨量監測數據，本文使用的雨量數據為宜春市氣象局提供的日步長監測數據，分析時段為2000～2021年。本文使用的空間數據為研究流域分辨率為90 m的數字高程模型（DEM）、2015年分辨率為30 m的土地利用分布圖以及2015年分辨率為500 m的土壤數據。DEM數據來自中國科學院資源環境科學與數據中心，土壤數據來自世界土壤數據庫，土地利用數據來自國家基礎地理信息中心全球土地覆蓋數據產品服務網站。水文數據為贛江下游水文水資源監測中心提供的宜豐站和外洲站的日徑流數據，時間序列數據分析時段為2000～2021年。

1.2.2數據預處理

在DEM、贛江流域邊界和河流數據的基礎上，利用ArcGIS軟件對研究區的這些數據進行整合、投影、轉換和裁剪，得到有利于本文研究的數據。同時，對贛江流域的降雨數據和徑流數據進行了整理并輸入到模型中，保證了模型輸入數據的準確性，從而提高模型的運行效率。

1.3研究方法

1.3.1統計分析方法

采用Mann-Kendall（M-K）趨勢檢驗分析方法分析水文變量的時間序列中是否存在單調增加或減少的趨勢［25］，給定顯著性水平α=0.05，臨界值u0.05=±1.96。

時間序列數據［Xt］和［Yt］（t=1，2，…，n）的相關關系可以用相關系數rx，y來表示［26］。采用不均勻系數Cv量化徑流等值的年內分配，基流指數（BFI）表示基流對總徑流的貢獻值。采用反距離權重法（IDW）進行空間插值分析，將插值點與樣本點之間的距離作為加權平均的權重，樣本點離插值點越近，所占的權重越大［27］。

1.3.2HYPE模型構建

圖4為HYPE模型的結構示意圖。在應用HYPE模型時，首先根據地形和河網將流域劃分為若干個子流域。子流域可以是獨立的，也可以由河流和區域地下水流連接。基于土地利用和土壤類型數據，子流域進一步劃分為不同的土壤-土地利用分類（SLCs）。每個SLC代表一個所謂的水文響應單元（HRU）。這些類別是最小的計算空間單元，與地理位置無關。土地、湖泊和河流類別是3個不同的類別，在模擬中會分別計算［28］。

在水文模擬過程中，HYPE模型模擬的主要過程包括：積雪和融雪、蒸發、地表徑流、入滲、大孔隙流、滲流、壤中流、排水管流和地下徑流。圖5是HYPE模型水文模擬過程的示意圖。

模型中的水量平衡公式為.

式中：P是降雨量，QSNOW是降雪量，qE是土壤蒸散發量，QMPOR是大孔隙流量，QSR是地表徑流量，QTILE是排水管流量，QGRW是地下徑流量，ΔS是土壤水變化量。

水文模擬采用Nash-Sutcliffe效率系數Ens［26］、確定性系數R2［29］和相對誤差RE［26］這3個指標來評價模型對徑流的模擬效果。納什效率系數Ens可以定量表征整個模擬過程的擬合好壞程度，是一個無量綱的統計參數，描述模擬值與實測值的擬合精度。Ens=1，意味著模擬值和測量值完全吻合；如果Ens為負值，則意味著模型模擬值的可靠性不如直接使用測量的平均值。確定性系數R2直觀地反映了測量過程與模擬過程的擬合程度，R2越大表明測量過程與模擬過程的擬合程度越好，模擬精度越高。相對誤差RE的絕對值越小，說明兩者在總量上越接近，兩者的差值越大，模擬結果越差。

1.3.3參數敏感性

在目前的模型參數敏感性分析過程中，采用了PEST自動率定技術的綜合敏感指數進行分析。參數敏感性分析是模型不確定性量化的重要組成部分，有助于有效識別關鍵參數，減少參數不確定性的影響，從而提高參數優化的效率。PEST輸出的綜合靈敏指數乘以參數值的絕對值，得到參數的相對綜合敏感指數，可以用來比較不同類型和規模的參數的敏感性［30］。綜合敏感指數的計算公式如下：.

式中：J為雅可比矩陣，O為觀測值權重矩陣，m為觀測值的個數。

2率定策略

在當前模型參數率定方面，將PEST參數自動率定技術用于模型參數優化。PEST是一個非線性參數估計工具，其原理是采用GML算法來優化模型，通過盡量少的迭代和模型調用次數使得計算值與觀測值之間的殘差平方和達到最小，以此來尋求最優參數值。PEST還提供了探索校準前后參數不確定性的方法，不需要模型線性的假設。PEST輸入文件可以用隨機參數集填充，然后可以使用這些集合中的每一個參數進行模型運行，以便尋求模型輸出的最佳結果［31］。

將2000年1月1日至2000年12月31日設為HYPE模型的預熱期，不計入模擬結果評估，選用2001年1月1日至2008年12月31日作為整個模型的率定期，率定取得優化的參數，基于優化參數選擇2009年1月1日至2021年12月31日為驗證期評估模型模擬的效果。本文通過2個水文站（宜豐站與外洲站）的河道日徑流量來率定HYPE模型的水文過程參數。

HYPE模型參數主要包括3類：與流域有關的一般參數、與土地利用類型有關的參數和與土壤類型有關的參數。在徑流模擬過程中，大多數參數反映了持水特性、蒸發和徑流等。HYPE模型的主要參數見表1。

本研究中的參數值確定分為3個步驟：首先，部分參數可以根據相關文獻和已知的物理化學過程直接確定；其次，采用人工試錯法進行參數值確定，根據文獻、參數的物理意義、以往研究中的參數值確定結果等設定參數的初始值，并在手動調參過程中確定具有高敏感性的參數；最后，采用PEST進一步對選定的高敏感性參數進行率定。

3結果與討論

3.1贛江流域水文氣象要素時間變異分析

3.1.1年際變化特征分析

2000～2021年贛江流域徑流呈弱上升趨勢，通過線性回歸分析得宜豐站的年均流量遞增趨勢速率為0.20 m3/s，22 a間的年平均流量為17.18 m3/s（見圖6）；外洲站的年均流量遞增趨勢速率為7.85 m3/s，19 a 間的年平均流量為2 017.31 m3/s（見圖7）。研究期間，贛江流域宜豐站和外洲站年徑流量和降雨量有效突變點如下：宜豐站的徑流統計量UF和UB交叉了3次（范圍分別為2008～2009年、2010～2011年和2012～2013年），宜豐站的降雨統計量UF和UB交叉了7次（范圍為2008～2009年、2009～2010年、2010～2011年、2012～2013年、2013～2014年、2016～2017年、2018～2019年）；外洲站的徑流統計量UF和UB交叉了4次（范圍分別為2000～2001年、2002～2003年、2010年和2011～2012年），外洲站的降雨統計量UF和UB交叉了1次（范圍為2017～2018年）。有效突變點反映了研究期間贛江流域年徑流量和年降水量存在一定的波動，分析認為峽江水利樞紐工程（見圖1），其控制流域面積約為62 710 km2，2009～2013年并網發電，可能是引起這幾年徑流量突變的原因之一。2009年以來，宜豐站流域內年平均徑流量和降雨量曲線的UF值基本大于0，反映了2009年以后徑流和降水量的長期上升趨勢，同時2000～2008年呈現出一定的波動性，而外洲站流域內年平均徑流量和降水曲線的UF值在0附近波動，2015年后基本大于0，反映外洲站2015年后徑流和降水量呈現上升趨勢。

圖8所示流域內宜豐和外洲站降水與徑流的相關性較強，根據降水和徑流的實測數據統計，宜豐站和外洲站的年降水量和徑流的相關系數分別為0.86和0.81，說明贛江流域降水過程與徑流過程大體相當，降水是影響流域內徑流變化的主要因素。上述結果表明，贛江流域各年徑流增長與降水量密切相關，呈弱上升趨勢，其變化的顯著性水平達到0.05。

3.1.2年內變化特征分析

為了研究氣候影響下的徑流年內分布規律，本文分析了2000～2021年徑流和降水的多年平均年內變化情況，結果見圖9。徑流量在1～6月逐漸增加，在7～12月逐漸減少。宜豐河流域內平均徑流量6月最大，為36.14 m3/s，1月最小，為8.23 m3/s。外洲站平均徑流量6月最高，達到了4 691.01 m3/s，1月最小，為1 028.58 m3/s。8月至次年2月為徑流量較小時期，3～7月為主要產流時段，7～9月由于受到長江洪水頂托和倒灌影響，徑流量也處在較高水平。宜豐和外洲站徑流量的年內不均勻系數Cv也分別達到了 0.51 和0.56，表明徑流量在年內分布不均，極端值差異較大。

贛江流域屬于亞熱帶濕潤季風氣候，氣候溫和，雨量充沛，降水呈季節性分布，徑流也受氣候影響［32］。該流域降水量集中在4～7月，在6月達到最大值。每年7～10月，在太平洋副熱帶高壓的控制下，下沉氣流盛行，天氣晴朗，日照強烈，此時高溫干燥，降水稀少，極易形成干旱，造成農業缺水。

3.2參數敏感性分析

用HYPE模型模擬徑流過程中會有很多參數影響，通過參數敏感性分析有利于進一步提高模擬精度，減少模型的運行時間，提高效率。選擇常見的與徑流有關的多個參數校準日徑流數據，運行多次選擇出敏感性參數，再基于宜豐和外洲水文站的日徑流數據進行PEST自動率定和驗證。表2是HYPE水文模型主要敏感參數的PEST率定結果。

根據相對綜合敏感性指數可以看出，水文過程模擬中，相對綜合敏感度排序由大到小為：發生大孔隙流和地表徑流的土壤水含量閾值mactrsm（紅壤，0.017 3），河水流速rivvel（0.003 8），宏觀孔隙流動系數macrate（紅壤，0.002 4），潛在蒸散發速率cevp（耕地，0.001 5）。大孔隙流是一種快速非平衡的土壤水分運動，由于耕種等物理過程以及植物生長等生物過程形成了大孔隙，使水沿著大孔隙形成了大孔隙流，大孔隙流和徑流中土壤水含量以及蒸散發在贛江流域的水量平衡關系中是關鍵因素［33］。河水流速也是流域中重要的水文特征，由地形決定。因為贛江流域是大尺度流域，流速是描述流域水資源和了解水情的重要依據，所以有必要全面掌握上述水文參數及其變化規律，為人類合理利用水資源提供重要依據。除上述參數以外，積雪融化、積雪密度和蒸散的閾值溫度ttmp（耕地、林地）、水道中引起阻尼的延遲百分比damp等參數相對綜合敏感性較小。

3.3日徑流校準與模擬

在模型經過參數率定后，驗證了模型的效果。表3為宜豐站和外洲站的日徑流Ens、日確定性系數R2和多年徑流相對誤差RE，圖10～11為兩個水文站的模擬和實測日徑流值及降雨量的對比。

從表3可以看出兩個水文站率定期的日徑流Ens和確定性系數R2均大于0.60，其中外洲站的日徑流Ens達到0.86，日確定性系數R2達到0.90以上，說明模型的模擬值和觀測值吻合度較高，兩站多年徑流相對誤差RE均介于±10%之間，說明模擬時段的模擬值和實測值兩者在總量上較接近。宜豐站的日徑流Ens為0.60，這可能是宜豐站點日徑流數據出現一些極端值的影響或者是樣本量不足造成的。這也表明，HYPE模型在模擬對應于外洲站的大尺度流域時更有效，因為水文過程的尺度效應影響了水文模型的模擬精度。對于微觀尺度，一般采用基于水文要素的過程模型，但隨著尺度的增大，如具有多種時空異質性的大尺度流域，原有的水文要素就不再適用了［15］。為了克服這個問題，從HYPE模型結構示意圖和水文過程示意圖中不難看出，在模型結構的水平和垂直方向上都有分類。研究區被劃分為子流域，每個子流域又被劃分為不同的類（Class），它們是模型空間計算的最小單位，與地理位置無關。土地類、湖泊類和河流類是3個不同的類，將在模擬中分別計算。土地類是不同土壤類型和土地利用類型的組合。土地類在垂直方向上被分為1～3個不同厚度的土壤層［34］。

模型驗證期，兩個水文站的日徑流Ens和日確定性系數R2均大于0.65，總體效果較好。兩個水文站多年徑流相對誤差RE均介于±10%之間，模擬值和實測值在總量上也是相對接近的。與現有SWAT模型對贛江流域徑流模擬結果比較，黃彬彬等［6］對SWAT模型在贛江流域的適用性進行研究，比較外洲水文站1961～1985年的年徑流模擬結果，外洲站率定期和驗證期Ens均為0.93；郭強等［21］利用SWAT模型對贛江流域外洲站1961～1992年的月徑流過程進行模擬，率定期和驗證期Ens均為0.65，確定性系數R2分別為0.72和0.71，相對誤差RE分別為12.40%和14.60%。Huang等［22］為預測贛江流域未來的氣候變化，建立了SWAT水文模型，對外洲站1961～2005年月徑流進行模擬，率定期和驗證期Ens分別為 0.84 和0.87，確定性系數R2分別為0.88和0.89。通過對兩種模型模擬精度的比較可以看出，HYPE模型能夠模擬不同流域特征、氣候條件下的日步長流量動態變化，模型結構和參數具有很好的可移植性。

從圖10和圖11中可以看出，在夏季徑流高峰期，模擬結果低于觀測值，這可能是由于徑流高峰是由短時高強度降雨引起的，而HYPE模型以日尺度為最小計算時間單位，所以難以準確模擬徑流高峰。總體而言，HYPE水文模型在贛江流域的模擬效果在率定期和驗證期均表現良好，說明該模型能夠再現流域的氣候和水文過程。模擬結果表明，HYPE水文模型具有時間和空間上的可移植性，為準確模擬流域水文變量奠定了堅實基礎。

3.4水文變量時空變化趨勢

3.4.1時間變化趨勢

土壤濕度是水文、氣象和農業科學研究領域的重要指標參數，對氣候、農業和干旱監測具有重要意義［35］；蒸發量是水文循環的重要組成部分，是計算水平衡的重要內容［36］；地表徑流是陸地水循環系統的重要組成部分之一，氣候變化和流域內的人類活動會引起地表徑流的水文特征變化［37］。HYPE模型除了輸出流量之外，還可以輸出土壤濕度、蒸發量和地表徑流等水文變量。圖12（a）、（c）、（e）為2000～2021年宜豐站水文輸出變量的年際變化趨勢，土壤濕度、蒸發量和地表徑流在2000～2021年均呈微弱上升趨勢。

采用M-K檢驗方法對流域內宜豐站的土壤濕度、蒸發量和地表徑流進行非參數趨勢突變檢驗，結果見圖12（b）、（d）、（f）。研究期間宜豐站的土壤濕度統計量UF和UB有4次交叉（范圍為2001～2002年、2002～2003年、2009～2010年、2011年），蒸發量統計量UF和UB有5次交叉（范圍為2001～2002年、2002～2003年、2005～2006年、2006～2007年、2008～2009年），地表徑流統計量UF和UB在研究期間有1次交叉（范圍為2017～2018年）。結合徑流分析的結果，2000～2008年的降雨量呈現出一定的波動性，這可能是2000～2008年水文變量波動的原因。峽江水利樞紐工程于2009年奠基，2013年開始并網發電，在此期間引起的水深和集水面積的變化，可能是造成2009～2013年這些水文變量突然變化的原因。2013年以后，隨著水利樞紐的順利運行且降雨量也呈現出明顯的上升趨勢，導致土壤濕度、蒸發量、地表徑流都呈現出一定的上升趨勢。

3.4.2空間變化趨勢

從子流域角度研究贛江流域多年平均徑流、降雨、土壤濕度、蒸發量以及地表徑流空間分布特征。基于率定好的HYPE模型，實現對子流域的水文變量模擬。

將模擬得到的各子流域的多年平均徑流量以及降雨量提取到子流域的中心點，利用ArcGIS空間分析工具中的反距離加權插值（IDW）方法，得到平均年徑流以及年降雨量的空間分布。圖13和圖14顯示了贛江流域年均徑流和年均降雨量的空間分布，從總體空間分布特征來看，贛江流域東部和北部的年平均徑流相對較高，西南部相對較低。結合土地利用和上下游關系，流域東部的土地利用類型以林地為主，具有較好的涵養水源功能，對調節徑流和涵養土壤水分有重要作用。東北部主要是徑流匯流區，多年平均徑流量相對較大。一般來說，植被覆蓋可以保證一定的徑流調節能力［38］。贛江流域降水量的極大值主要出現在東部和西部，整個區域基本呈現出東北部降水量較多，西南部降水量較少的分布形式。

基于子流域的角度，本文選擇了研究區的宜豐站和外洲站所在的流域進行土壤濕度、蒸發量和地表徑流的空間分析。圖15顯示了2000～2021年贛江流域子流域的宜豐河流域出口（宜豐站）和流域總出口（外洲站）的一些主要水文變量的變化對比。總體而言，兩站在時間動態上呈現出相對一致的趨勢，外洲站所在子流域的土壤濕度比宜豐站子流域高60.52%。這主要原因有：① 由于流域特征的不同，土壤濕度與土地覆蓋類型之間存在相關性，同時外洲站的匯水面積比例要大于宜豐站［39］。② 坡度對土壤濕度也有部分影響。作為贛江流域的總出口，外洲站的海拔比宜豐站低，坡度減小，河流尺度變大［40］。外洲站所在子流域的蒸發量比宜豐站子流域低68.81%，可能是因為宜豐站所在流域的土地覆蓋類型以林地為主，多分布有常綠闊葉林，所以蒸發量較大，而外洲站相應農田區域的蒸發量較小［41］。外洲站所在子流域的徑流深比宜豐站子流域高39.41%，主要原因可能是：① 外洲站位于流域的總出口，集水面積較廣，因此地表徑流較大［42］；② 宜豐站所處位置植被覆蓋率較高，水體入滲較多，地表徑流相對較少［22］。這些因素是否真正反映了研究區的這些水文變量，還需要進一步研究和分析。

3.5流域特征水文過程差異分析

對于一個流域的降雨過程，在流域出口段形成的流量過程線由不同的水源組成。如何區分徑流的不同成分及其比例，需要將徑流分為地表徑流和基流，即基流分割。宜豐站和外洲站的水文過程不同，基流分割可以分析地表徑流和飽和地下水流對總徑流的貢獻以及與流域特征的關系［43］。

本文采用HYPE模型模擬方法對贛江流域宜豐站和外洲站2000～2021年的基流進行了估算。兩站的對比結果如圖16所示，兩個基流系列變化過程都具有良好的一致性。根據基流分割，宜豐站所在流域的基流指數BFI值達到0.85，說明宜豐河流域地下水補給河流的比例較高，而外洲站所在流域的BFI值僅為 0.48，地表徑流占有較高比例。

近20 a來，贛江流域的年降水量呈微弱上升趨勢，而徑流和基流系列的趨勢方向也與降水的趨勢高度相關，說明基流也在一定程度上受到氣候的影響。此外，人類活動，如水利工程建設，改變了流域的下墊面條件，在一定程度上影響了徑流和基流過程［27］。

4結 論

本文通過對贛江流域水文情勢的分析以及水文模擬分析，得出以下結論：

（1） 結合贛江流域子流域宜豐站和流域總出口外洲站降雨量及徑流量的時間變異分析，揭示了贛江流域水文情勢的變化程度。結果表明：2000年以來贛江流域年徑流量呈微弱上升趨勢，流域整體水文狀況變化不大，徑流變化趨勢顯著。其中，通過線性回歸分析得到的宜豐站年均流量遞增趨勢速率為0.20 m3/s，外洲站的年均流量遞增趨勢速率為7.85 m3/s。宜豐站和外洲站的年降水量和徑流的相關系數分別為0.86和0.81，反映了徑流量和降雨量之間存在相關性。從年內分布來看，徑流量在1～6月逐漸增加，在7～12月逐漸減少。其中宜豐站平均徑流量6月最大，為36.14 m3/s，1月最小，為8.23 m3/s；外洲站平均徑流量6月最大，為4 691.01 m3/s，1月最小，為1 028.58 m3/s。

（2） 在HYPE模型模擬徑流過程中，通過參數敏感性分析發現發生大孔隙流和地表徑流的土壤水含量閾值及河水流速兩參數的相對綜合敏感度最高，分別為0.017 1和0.003 8。大孔隙流和徑流期間的土壤含水量和河流流速對贛江流域的水量平衡起著關鍵作用。河流流速是描述水資源的一個重要參數，也是了解水情的重要依據。

（3） 驗證了HYPE模型在贛江大尺度流域內長時間序列的模擬效果，外洲站率定期和驗證期Ens系數分別為0.86和0.81，確定性系數R2分別為0.93和0.91，相對誤差RE分別為-7.68%和-7.21%。分析了模型在宜豐和外洲站輸出的徑流量、土壤濕度、蒸發量以及地表徑流等水文變量的時空變化趨勢，在年尺度上，宜豐站子流域的土壤濕度、蒸發量和地表徑流的年際變化整體上呈現上升趨勢。在空間分布上，外洲站子流域相較于宜豐站子流域，土壤濕度高60.52%，蒸發量低68.81%，徑流深高39.41%。HYPE模型在贛江流域率定期和驗證期的徑流模擬與實測結果吻合良好，模型對贛江流域具有較強的適應性。HYPE模型結構簡單，需要率定參數較少，參數基本具有明確的物理含義，易于確定，可以應用于大尺度流域。

（4） 基于流域徑流分割探求了不同流域尺度的水文過程差異。宜豐站所在流域的BFI值為0.85，外洲站所在流域的BFI值為0.48，反映了宜豐站所處子流域總的徑流量主要由飽和地下水貢獻，外洲站所處流域的總徑流量主要由地表徑流貢獻。

參考文獻：

［1］郭文獻，金耀廣，李越，等.近60年來氣候變化和人類活動對長江中下游水文情勢影響定量評價［J］.長江流域資源與環境，2021，30（10）：2464-2470.

［2］胡強，王姣，劉穎，等.水庫建設對贛江流域水沙情勢的影響［J］.人民長江，2021，52（4）：1-5.

［3］許斌，鄒磊，姚立強，等.長江中下游徑流情勢演變及其歸因分析［J］.人民長江，2022，53（4）：91-97.

［4］ZENG F，MA M G，DI D R，et al.Separating the impacts of climate change and human activities on runoff：a review of method and application［J］.Water，2020，12（8）：2201.

［5］張燃鋼，胡江，徐煒，等.梯級水庫群運行后寸灘枯水徑流水文變異特性研究［J］.長江流域資源與環境，2022，31（10）：2176-2185.

［6］黃彬彬，徐嫻，韋越，等.SWAT模型在贛江流域的適用性及參數敏感性［J］.南昌工程學院學報，2021，40（4）：1-7.

［7］齊飛，陳淼，王振北，等.國家水體污染控制與治理科技重大專項產出城鎮降雨徑流污染控制技術的成熟度評估及該技術體系發展中面臨的挑戰［J］.環境工程學報，2022，16（9）：3144-3156.

［8］賈何佳，李謝輝，文軍，等.黃河源區徑流變化模擬及未來趨勢預估［J］.資源科學，2022，44（6）：1292-1304.

［9］WEI Z，FENG D P，TSAI W P，et al.From hydrometeorology to river water quality：can a deep learning model predict dissolved oxygen at the continental scale？［J］Environmental Science amp; Technology，2021，55（4）：2357-2368.

［10］黃紫旖，姜三元，高海鷹，等.鄱陽湖丘陵流域水質時空變化及影響因素［J］.環境科學與技術，2022，45（3）：47-57.

［11］GUO W，SHAO J，OU Y S，et al.Research on runoff variation trend and hydrological situation variation in Wujiang River Basin［C］∥IOP Conference Series：Earth and Environmental Science.Bristol：IOP Publishing，2021，826（1）：012004.

［12］張康，楊明祥，梁藉，等.長江上游水庫群聯合調度下的河流水文情勢研究［J］.人民長江，2019，50（2）：107-114.

［13］RIFFAT N M，MUHAMMAD Z H.Multivariate statistical techniques for the evaluation of surface water quality of the Himalayan foothills streams，Pakistan［J］.Applied Water Science，2017，7（6）：2817-2830.

［14］PAN Z R，DENG C，WANG W G，et al.Simulating runoff and actual evapotranspiration via time-variant parameter method：the effects of hydrological model structures［J］.Journal of Hydrologic Engineering，2022，27（12）：05022020.

［15］LINDSTRM G，PERS C，ROSBERG J，et al.Development and testing of the HYPE（Hydrological Predictions for the Environment）water quality model for different spatial scales［J］.Hydrology Research，2010，41（3/4）：295-319.

［16］朱吉生，黃詩峰，李紀人，等.水文模型尺度問題的若干探討［J］.人民黃河，2015，37（5）：31-37.

［17］MINAUDO C，DUPAS R，GASCUEL-ODOUX C，et al.Seasonal and event-based concentration-discharge relationships to identify catchment controls on nutrient export regimes［J］.Water Resource，2019，131：133-139.

［18］RAHMAN K U，PHAM Q B，JADOON K Z，et al.Comparison of machine learning and process-based SWAT model in simulating streamflow in the upper Indus basin［J］.Applied Water Science，2022，12：178.

［19］朱雙，李建慶，羅顯剛，等.氣候變化和都市化雙重驅動下流域未來水文響應［J］.人民長江，2021，52（11）：86-91，127.

［20］鄒杰平，陳明，劉友存，等.贛江上游典型流域水文情勢分析［J］.安徽農業大學學報，2022，49（2）：313-321.

［21］郭強，葉許春，劉佳，等.土地利用變化對流域水文過程時空分異的影響：以贛江流域為例［J］.長江流域資源與環境，2020，29（12）：2747-2759.

［22］HUANG Y P，LIU W L，WU B，et al.Climate change in Ganjiang River Basin and its impact on runoff［C］∥IOP Conference Series：Materials Science and Engineering.Bristol：IOP Publishing，2020，964（1）：012008.

［23］劉健，張奇.一個新的分布式水文模型在鄱陽湖贛江流域的驗證［J］.長江流域資源與環境，2009，18（1）：19-26.

［24］BERGSTRAND M，ASP S S，LINDSTRM G.Nationwide hydrologicalstatistics for Sweden with high resolution using the hydrological model S-HYPE［J］.Hydrology Research，2014，45（3）：349-356.

［25］MANISH M.Rainfall statistical trend and variability detection using Mann-Kendall test，sen′s slope and coefficient of variance-a case study of Udaipur District（1957-2016）［J］.Applied Ecology and Environmental Sciences，2020，8（1）：34-37.

［26］劉元波，張奇，劉健，等.鄱陽湖流域氣候水文過程及水環境效應［M］.北京：科學出版社，2012．

［27］甘容，徐孟莎，左其亭.伊洛河流域基流分割及其時空變化特征［J］.資源科學，2022，44（9）：1824-1834.

［28］JIANG，S Y，ZHANG，Q，WERNER A D，et al.Effects of stream nitrate data frequency on watershed model performance and prediction uncertainty［J］.Journal of Hydrology，2019，569：22-36.

［29］王珍.鄱陽湖流域樂安江懸浮物與含沙量時空變化研究［D］.南京：東南大學，2014.

［30］BAHREMAND A，DE SMEDT F.Distributed hydrological modeling and sensitivity analysis in Torysa Watershed，Slovakia［J］.Water Resources Management，2008，22（3）：393-408.

［31］BAHREMAND A，DE SMEDT F.Predictive analysis and simulation uncertainty of a distributed hydrological model［J］.Water Resources Management，2010，24（12）：2869-2880.

［32］劉衛林，吳濱，李香，等.贛江流域不同等級降水變化特征及其與大尺度氣候相關性研究［J］.長江流域資源與環境，2022，31（3）：659-672.

［33］高朝俠，徐學選，趙嬌娜，等.土壤大孔隙流研究現狀與發展趨勢［J］.生態學報，2014，34（11）：2801-2811.

［34］JIANG S Y，RODE P D M.Hydrological water quality modelling of nested meso scale catchments［D］.Braunschweig：Technical University Carolo-Wilhelmina，2014.

［35］YI B，CHEN L，ZHANG H S，et al.A time-varying distributed unit hydrograph method considering soil moisture［J］.Hydrology and Earth System Sciences，2022，26（20）：5269-5289.

［36］劉健，張奇，許崇育，等.近50年鄱陽湖流域實際蒸發量的變化及影響因素［J］.長江流域資源與環境，2010，19（2）：139-145.

［37］祁雪姣，楊穎，韓傳楠，等.氣候變化對長江源區地表徑流的影響［J］.南京師大學報（自然科學版），2022，45（4）：81-90.

［38］肖建勇，周德全，白曉永，等.四川省植被覆蓋時空演變及未來變化趨勢分析［J］.人民長江，2018，49（5）：16-21.

［39］陳少丹，張利平，閃麗潔，等.長江中下游流域土壤濕度遙感反演研究及其影響因素分析［J］.應用基礎與工程科學學報，2017，25（4）：657-669.

［40］吳娜，石培基，朱國鋒，等.長江流域土壤相對濕度變化及其影響因素［J］.長江流域資源與環境，2017，26（7）：1001-1010.

［41］秦曉晨，戴志健，陳興鵑，等.1981～2019年鄱陽湖流域潛在蒸散變化特征及氣候成因分析［J］.農業工程學報，2021，37（7）：94-102.

［42］GUO W X，HU J W，WANG H X.Analysis of runoff variation characteristics and influencing factors in the Wujiang River Basin in the past 30 years［J］.International Journal of Environmental Research and Public Health，2021，19（1）：372.

［43］黃珊珊，董前進.長江流域上中下游基流演變規律及與降水量關聯分析［J］.水電能源科學，2022，40（7）：10-13.

（編輯：謝玲嫻）