遥感蒸散发数据应用对SWAT模型径流和蒸散发模拟精度的影响

张 清，岳青华，董晓华，杨百银，魏 冲，喻 丹，张 特

(1.三峡大学 水利与环境学院，湖北 宜昌 443002；2.水资源安全保障湖北省协同创新中心，湖北 武汉 430072；3.中国电建集团华东勘测设计研究院有限公司，浙江 杭州，310014；4.水电水利规划设计总院，北京 100120)

1 研究背景

蒸散发是水文循环中一个重要的过程，大约占降雨量的60%～70%，在干旱地区甚至能达到年平均降雨量的90%[1]，在区域乃至全球尺度的气候、水文和能量过程上都是主要的调控要素[2]。蒸散发也是流域水分散失的主要途径[3]，控制着地表和地气交互作用中可利用的水资源量[4]，影响着农业用水效率、区域生态功能及其干湿状态[5]。降雨量与蒸散发量之间的差额是可以供人们利用和管理的水资源量，因此准确地估算蒸散发量，对于气候及土地利用变化对水资源的影响研究至关重要[6]。

同降雨、径流等相比，通过测量得到实际蒸散发数据的过程是非常困难的[7]。目前，农田尺度的蒸散发测量方法主要有基于能量平衡原理的波文比能量平衡法[8]及涡度协方差法[9]等；区域尺度主要分为地面观测和遥感观测两种，地面观测应用最为广泛的为激光闪烁仪及蒸发皿测量，但由于成本较高不能做到大面积推广，只能通过数量较少的站点观测甚至无观测数据。以此取得的数据缺乏空间代表性，不能有效地考虑到气候、土壤、土地利用以及坡度等因子的时空差异性对蒸散发的影响，因此需要在区域尺度上建立相应的蒸散发估算方法与模型。遥感技术的发展丰富了水文模型的数据源，可以实现在水文模型中利用气象、土壤、土地利用等数据与径流数据建立多目标率定以模拟所需的水文过程，并且已有较大程度的改进[10]。

近年来有较多的学者利用SWAT模型中几种潜在蒸散发估算方法(Penman-Monteith、Hargreaves、Priestley-Taylor等公式)以及增加不同的水文变量进行流域的蒸散发模拟[11]，也有对不同区域尺度蒸散发估算方法差异的对比研究[12]。研究者在考虑其他过程时，可以采用多变量、多站点率定的方式，以此增加模型模拟的多样性及可靠性[11]。Bai等[13]通过GRACE(gravity recovery and climate experiment)反演陆地水储量变化与观测径流多目标率定模型，提高了干旱地区水储量变化与蒸散发的模拟精度。Parajka等[14]在SWAT模型中利用MODIS(moderate-resolution imaging spectroradiometer)降雪数据与观测径流数据建立多目标率定，与仅使用径流率定参数的情景相比，径流模拟精度略有降低，但降雪的模拟精度得到了较大提高。Rajib等[15]采用遥感蒸散发数据与观测径流数据建立多目标参数率定情景，径流模拟精度无较大变化，蒸散发的模拟精度有较大的提升。在密西西比河流域，通过遥感数据进行径流以及蒸散发的多目标率定，得到NS系数分别在0.8左右和0.4左右，整体趋势模拟地较好，证明遥感数据能改善模型对缺乏资料地区水文过程的模拟[16]。而蒸散发是一个历时较长的循环过程，需要在陆面进行长期的监测，故而连续一致的时间序列数据是蒸散发研究的基础和前提，作为时空分辨率较高数据的典型代表，MOD16A2数据为较多研究者所采用。其算法在生成全球ET数据产品方面具有良好的性能，可在充分考虑植被生长变化下，提供有关全球陆地水和能源循环以及环境变化的关键信息。贺添等[17]在站点尺度以及流域尺度验证了MOD16A2数据的精度，该数据对我国森林、农田生态系统类型以及辽河、海河、黄河和淮河流域的蒸散发模拟精度较高。杨秀芹等[18]通过收集2001-2010年实测径流和降水统计数据，基于水量平衡方程，得出MOD16蒸散发产品在淮河流域有较好的适用性与一致性的结论。

本研究在SWAT模型中利用径流观测数据与遥感蒸散发数据建立不同参数率定情景，填补SWAT模型仅采用径流为变量率定参数从而模拟区域内水文过程的缺陷，模拟蒸散发和径流等水文过程，并对各情景模拟结果在时间与空间尺度上进行分析。本研究所用方法可推广到其他水文模型和具有不同下垫面特征的地区。

2 研究区域概况

淮河流域地处我国东部，介于长江与黄河之间，位于东经115°55′～121°25′，北纬30°55′～36°36′。本研究区为淮河流域上游息县以上控制流域，位于我国河南省南部，面积约为10 200 km2，西部、西南部及东北部分布着山区和丘陵，约占总面积的30%，其他区域大多为平原，耕地为本研究区主要的土地利用方式。研究区域概况见图1。

图1 研究区流域概况

该流域多年年平均降雨量为920 mm，根据杨秀芹等[18]利用彭曼公式估算研究区2000-2014年潜在蒸散发量，得出该时段的平均实际蒸散发量约为623.4 mm，空间上由东部、西南向西北递增，但逐年平均值呈下降趋势。本研究区属于半干旱气候与湿润气候的过渡带，冬春季节干旱少雨，夏秋季节闷热多雨，冷暖旱涝转变急剧。

3 数据来源与研究方法

3.1 数据来源

本研究的主要数据有DEM、土地利用、土壤、水文气象以及2000-2010年MODIS数据集中的遥感蒸散发MOD16A2逐月数据(https://terra.nasa.gov/data/modis-data)。其中，DEM为于中国科学院计算机网络信息中心地理空间数据云平台(http://www.gscloud.cn/)下载的GRID数据，分辨率为90 m；土地利用数据为于中科院资源环境数据云平台(http://www.resdc.cn/)下载的GRID数据，分辨率为1 km；土壤数据采用FAO组织构建的Harmonized World Soil Database(http://external-world-soil-database/)下载的GRID数据；驱动因子为来自中国科学院资源科学数据中心(http://www.resdc.cn/)的GRID数据；气象数据为下载自SWAT官网(https://swat.tamu.edu/software/arcswat/)的1980-2015年日降水量、气温、太阳辐射、风速和相对湿度等DBF格式气象数据；由淮河水利委员会提供的2000-2013年径流数据以及2000-2010年蒸散发站点(息县、南湾、石山口)蒸发皿实测水面蒸发数据；本研究利用MRT工具对MOD16A2遥感蒸发数据进行投影转换，对数据图像进行裁剪，并统计分析蒸散发数据。

3.2 研究方法

SWAT(soil and water assessment tool)模型是一个被广泛使用且最具代表性的分布式水文模型[19-20]，20世纪90年代由美国农业部农业研究中心研发。SWAT模型主要基于SWRRB模型，并吸收了CREAMS、GLEAMS、EPIC、ROTO等模型的优点，通过进一步整合，形成区域尺度乃至子流域尺度的流域水文模型，可用于预测不同土壤类型、土地利用方式、农业管理措施对流域内水文、泥沙、水质运移过程的影响。该模型的核心思想在于合理地表征流域的空间变异性，通过将流域内具有相同土地利用、土壤以及坡度等性质的网格离散为不同的水文相应单元(hydrological response units，HRUs)，使其能够模拟气候因素和下垫面因素的时空变化以及农业耕作措施对流域水文循环过程的影响[21]。目前有较多使用SWAT模型的研究主要通过径流率定模型参数，探究不同未来气候变化情景下的水文响应[22]，模拟调整农田灌溉量以期维持可持续生产与水资源的保护[23]，模拟重金属、营养物质、泥沙的运移过程以评估减轻水资源污染的措施。

本研究应用SWAT模型对研究区数字高程模型(digital elevation model，DEM)图像划分子流域(见图1)，并提取各子流域遥感蒸散发数据MOD16A2，对比研究区内3个蒸散发观测站点(南湾、石山口、息县)的实测蒸散发值与遥感蒸散发值，验证遥感蒸散发数据在本研究区的适用性。然后建立不同的情景探究多目标率定对SWAT模型径流与蒸散发时空尺度模拟精度的影响。设置情景方式如下：

(1)情景1(S1)：仅使用实测径流数据率定模型参数；

(2)情景2(S2)：仅使用遥感蒸散发月数据率定模型参数；

(3)情景3(S3)：使用径流与遥感蒸散发月数据同时率定模型参数。

基于各情景输出的模拟结果，对研究区多年径流、面平均蒸散发与子流域尺度上的蒸散发过程进行模拟精度的判断，定性及定量分析多目标率定对水文过程模拟的影响。

3.3 模型参数选择

在SWAT模型中，使用到DEM以及息县的经纬度位置来提取研究区流域以及研究区河网，并使用淮河水利委员会提供的河网shp图进行校正。导入研究区内雨量站点的坐标，设定合适的面积阈值(约360 km2)，划分得到39个子流域(见图1，研究中未涉及子流域编号，故不加以叙述表明)、542个水文响应单元(HRUs)。在建立研究区的SWAT模型后，选择的研究时段为2000-2010年，其中2000年为预热期，2001-2005年作为率定期，2006-2010年作为验证期，S3在S1、S2用观测径流数据率定模型的基础上，增加多年的遥感蒸散发数据作为额外变量。

各情景中均采用径流曲线数(CN2)、基流系数(ALPHA_BF)等水文模型径流率定参数并加上最大潜在叶面积指数(BLAI)、辐射利用效率(BIO_E)等生物物理相关参数[15]。其中径流情景(S1)仅率定径流；蒸发情景(S2)仅率定蒸散发；径流-蒸发情景(S3)同时率定径流与蒸散发。保持模型其他设定不变，各情景对相同时间段进行水文过程的模拟。对3种情景率定与验证期的模拟结果采用纳什效率系数(NS)、确定性系数(R2)以及标准化均方根误差(RSR)等目标方程进行精度的判断。本研究中，各情景的初始参数范围一致，率定方法为SWAT-CUP所提供SUFI-2算法[24]，对SWAT-CUP中的参数采用LH-OAT法进行敏感性分析，以降低模型的异参同效性。

4 结果与分析

4.1 MOD16A2数据的验证

研究区内仅有3个蒸发站点(见图1)，分布于研究区的中部(南湾)，所在子流域多为水域与森林、中部偏下(石山口)，所在子流域多为水域与耕地、东部出口区域(息县)，所在子流域多为耕地。图2为2001-2010年3个蒸发站的实测蒸散发数据与相应站点所在子流域的遥感MOD16A2蒸散发数据的对比。此时蒸发站观测实际蒸散发折算系数取自《淮河流域淮河水系实用水文预报方案》[25]中息县断面以上控制流域部分的K值，4、5、10月为0.93，6-9月为0.85，其中未给出的11-3月的K值因冬季蒸散发能力较小取为0.80。

图2 2001-2010年各蒸散发站点实测蒸散发量与MOD16A2蒸散发的对比

经计算，息县多年月平均ET值为58.41 mm，较MOD16A2值偏高14%；南湾多年月平均ET值为58.48 mm，相应偏高3.36%；石山口多年月平均ET值为49.08 mm，相应偏低13.1%。3个站点实测值与遥感MOD16A2蒸散发值线性拟合R2均在0.83以上，说明遥感蒸散发值与蒸发皿实测值显著相关，验证了MOD16A2数据在本研究区的适用性。

由图2可知，2001年的测量值偏高，可能是由于2001年全国气象表现出大面积降水偏少，四季均出现了不同程度的干旱，土壤湿度降低而蒸发皿却为充分供水条件，且根据实测降水量数据显示，该年降水量仅为461 mm，较多年平均降水量减少近50%。其他年份的实测蒸散发数据与MOD16A2数据的趋势一致，图3为蒸散发站实测数据与遥感蒸散发数据之间的相对误差。

图3 2001-2010年各蒸散发站实测数据与遥感蒸散发数据的相对误差

由图3可知, 蒸散发站实测数据与遥感蒸散发数据的相对误差范围基本在-50%～150%，个别点出现了异常偏高的情况，如息县的2001年2月、石山口的2006年1月、息县的2008年1月，实际观测值均远小于MOD16观测值。南湾的相对误差较其他两个站点小，多表现为实测蒸散发值较遥感值偏大，这与类似研究结果一致[26]。息县与石山口两个站点的相对误差较大，可能与该站点土地利用类型多为水域(水库)相关。整体来说，MOD16A2数据与蒸散发站点实测数据存在着较好的相关性，可以用于在空间上弥补研究区内的蒸散发数据。

4.2 敏感性分析

对设定的不同情景，分别采用息县水文站2000-2010年的月径流数据以及对应年份的MOD16A2遥感蒸散发数据对SWAT模型进行率定和验证。采用SWAT模型全局敏感性分析LH-OAT法[27]，选择对模型较为敏感的参数并增加遥感蒸散发数据参与率定[28]。

在大部分研究中，生物物理参数会采用默认的参数范围参与模型水文过程的模拟，这些参数能反映能量平衡机制、地气交换以及生物生长等过程，也在很大程度上影响着植被对土壤水分的作用[29]。SWAT模型率定过程中进行全局参数敏感性分析，表1为模型参数敏感性排序。

表1 模型参数敏感性排序

由表1可知，径流参数如CN2等依旧为模型最敏感的参数，SOL_Z、ALPHA_BNK、CANMX、DLAI、BIO_E等土壤及植物冠层、叶面积类相关参数较为敏感，相较径流模拟情景而言，在蒸散发的模拟过程中的贡献尤为突出，证明在模型水文过程的模拟中，植被等生物物理参数是不可忽视的。较为突出的叶面积指数类的参数主要与植物的生长状态有关，如植物的气孔开闭状态、叶面积大小以及根系水分等[30]。其次，在参数的敏感性分析过程中，气温、降雨降雪等相关参数也表现得较为突出，这与Yan等[31]在淮河流域针对大网格季尺度蒸散发影响因素的研究一致。

4.3 模拟结果与分析

本研究区中，水文站观测多年月平均径流量为118.05 m3/s。在设定的不同情景下，对水文站实测径流量与模型模拟值使用纳什效率系数(NS)、确定性系数(R2)与标准化均方根误差(RSR)指标判断模型对径流量的模拟精度，结果见表2。

由表2可知，S1情景模拟多年月平均径流量为123.08 m3/s，略高于观测值6.99%。S2、S3情景较前两个情景对径流的模拟略差，分别比观测值高13.60%与11.10%；各模拟情景在月尺度模拟径流时，各情景率定期NS系数达到了0.71～0.86，RSR达到了0.38～0.54，验证期NS系数达到了0.70～0.80，RSR达到了0.29～0.52。可见S1的模拟精度要高于其他两个情景，且有径流参与率定的情景精度高于仅用蒸散发率定的情景(S2)。

表2 各情景模型率定和验证期径流量精度

根据指标综合判断，模型在模拟径流时，仅使用蒸散发对径流过程进行率定(S2)的效果不佳，但蒸散发与径流共同率定(S3)的结果虽较仅率定径流(S1)较差，但较S2略有提升，率定期NS系数从0.71上升到0.80，验证从0.70上升到0.73。根据NS、RSR等指标判断，模型均达到了良好的模拟状态，证明了SWAT模型在本研究区的适用性。3种情景的径流过程的模拟结果如图4所示，在径流过程的模拟上，S2模拟的径流峰值较S1、S3都有所增加，但也在某些时段存在着较大的偏差，如2004、2005年夏季峰值模拟偏差较大，但经过径流数据的补充后，峰值模拟较好；2006、2009年夏季径流峰值较低，可能的原因是该年份较2001-2010年10年平均降水量分别降低17%、14%。

图4 各情景月径流量观测值与模拟值

在本次研究中选择了分幅号为h27v05的MOD16A2数据资料，采用ArcGIS工具箱从SWAT模型划分的子流域中提取逐月蒸散发值，作为蒸散发观测数据参与SWAT模型参数率定，与各情景模型模拟值对比。图5为研究区MOD16A2与模型模拟的逐月面平均蒸散发值对比，从图5中可以看出，在各情景下，模型模拟值与遥感观测值都是较符合的。在研究区总流域尺度上，将SWAT模型各情景月蒸散发模拟结果与MOD16A2蒸散发数据进行线性拟合，结果如图6所示，3个情景模型模拟蒸散发值与遥感观测值的相关系数逐渐升高，从0.86增加至0.90；在增加了遥感蒸散发数据率定模型参数后，率定期对峰值的修正效果较为明显，如2002、2003年夏季，但在部分年份仍出现了峰值模拟较差的情况，如2001、2009年夏季，可能为该年份降水减少，故而蒸散发量降低，但遥感观测值则始终偏高。

图5 各情景月蒸散发量遥感观测值与模拟值对比(面平均)

图6 各情景月蒸散发模拟值与遥感观测值拟合

就子流域而言，增加蒸散发变量率定参数后，S2与S1情景对比，在研究区的北部和东部的NS系数有明显的提高，图7为各情景在子流域尺度上蒸散发的模拟精度(NS系数)对比。

图7 各情景子流域蒸散发模拟精度NS系数对比

由图7可知，S3与S2情景对比，蒸散发与径流共同率定模型参数的情况下，研究区的东部与中部的模拟精度明显上升，NS系数上升的子流域个数占总个数的46%，证明增加蒸散发率定参数对模型在空间上模拟蒸散发过程有明显的改善作用。S3与S1情景对比，NS系数上升的子流域个数占总个数的64%，表明与仅用径流单目标率定模型参数的情景相比，利用径流与蒸散发多目标率定模型参数能有效地改善模型对径流与子流域尺度上蒸散发的模拟精度。

5 结 论

本研究通过设置3种不同的情景并对其模拟的径流与蒸散发对比，证明在模型模拟水文过程中，植被等生物物理参数是不可忽视的，增加蒸散发变量也能有效提高SWAT模型对蒸散发过程的模拟精度，具体结论如下。

(1)通过与研究区内3个蒸散发站点观测数据的验证，MOD16A2遥感蒸散发数据能有效补充本研究区缺乏的蒸散发资料，且能反演到子流域尺度上，对于研究蒸散发在空间上的变化有较大的帮助。

(2)通过SWAT模型敏感性分析，径流参数如CN2等为最敏感的参数，SOL_Z、ALPHA_BNK、CANMX、DLAI、BIO_E等土壤及植物冠层、叶面积类相关参数也较为敏感，相较径流模拟情景而言，在蒸散发模拟过程中的贡献尤为突出。

(3)根据径流与蒸散发变量设置3种参数率定情景，与径流率定参数相比，蒸散发率定模型参数模拟径流的精度虽有所下降，但大部分子流域蒸散发的模拟精度均呈上升趋势；同时采用径流与蒸散发率定参数，模拟径流的NS系数有明显上升，空间尺度蒸散发模拟精度有进一步提高。