EN中文

干旱区研究 >

2025 , Vol. 42 >Issue 6: 1021 - 1031

DOI: https://doi.org/10.13866/j.azr.2025.06.06

水土资源

中国北方农牧交错带东段不同类型流域水文模型适用性

  • 张雅静 ,
  • 郝蕊芳
展开
  • 北京林业大学水土保持学院，北京 100083
郝蕊芳. E-mail:

张雅静（2000-），女，硕士研究生，主要从事生态系统服务研究. E-mail:

收稿日期: 2024-10-31

  修回日期: 2024-11-27

  网络出版日期: 2025-08-12

基金资助

国家自然科学基金青年科学基金项目(42001260)

收起

Applicability analysis of hydrological models for different types of watersheds in the eastern section of the agro-pastoral transitional zone in northern China

  • ZHANG Yajing ,
  • HAO Ruifang
Expand
  • School of Soil and Water Conservation, Beijing Forestry University, Beijing 100083, China

Received date: 2024-10-31

  Revised date: 2024-11-27

  Online published: 2025-08-12

Fold

摘要

水资源是维持生态系统平衡，保障人类生活和经济发展的基础，模拟干旱半干旱区生态系统水文过程能够促进当地水资源的有效利用。本文分析分布式水文-植被-土壤模型（DHSVM)和土壤与水评估工具（SWAT)两种模型在半干旱区不同类型流域的适用性。对两种模型参数进行敏感性分析与参数率定。采用两种模型分别模拟了2011—2012年和2017—2019年生长季北方农牧交错带东段西拉木伦河上游和老哈河上游流域的月径流量，其中，西拉木伦河上游流域以草地为主，老哈河上游流域以林地和农田为主。 结果表明：DHSVM模型在西拉木伦河上游水文过程模拟中有7个主要敏感参数，在老哈河上游流域中有6个主要敏感参数。SWAT模型分别选取11个和12个敏感参数。通过敏感参数率定，在西拉木伦河上游流域，DHSVM模型在率定期Nash系数为0.70，验证期Nash系数为0.11；SWAT模型Nash系数分别为0.43和0.04。在老哈河上游流域，DHSVM模型在率定期和验证期Nash系数分别为0.56和0.70；SWAT模型分别为0.86和0.54。两种模型在北方农牧交错带西拉木伦河和老哈河上游流域的水文过程模拟中都具有较好的适用性。DHSVM模型对总体径流量的模拟更准确，SWAT模型对月径流量峰值的模拟更准确。

关键词： DHSVM模型; SWAT模型; 不同类型流域; 适用性分析; 径流模拟

本文引用格式

张雅静 , 郝蕊芳 . 中国北方农牧交错带东段不同类型流域水文模型适用性[J]. 干旱区研究, 2025 , 42(6) : 1021 -1031 . DOI: 10.13866/j.azr.2025.06.06

Abstract

Water resources form the foundation for maintaining ecosystem balance and ensuring human life and economic development. Simulating hydrological processes in arid and semi-arid ecosystems promotes the effective utilization of local water resources. This paper analyzed the applicability of two models—the Distributed Hydrology Soil Vegetation Model (DHSVM) and the Soil and Water Assessment Tool (SWAT)—in different types of watersheds in semi-arid regions by performing: Sensitivity analysis and parameter calibration. simulation of monthly runoff for the upper reaches of the Xar Moron River and the Laoha River during the growing seasons of 2011-2012 and 2017-2019. The upper reaches of the Xar Moron River are dominated by grasslands, while those of the Laoha River are dominated by forestland and farmland. The results show that DHSVM exhibits 7 primary sensitive parameters in the Xar Moron River and 6 in the Laoha River, whereas SWAT identifies 11 and 12 sensitive parameters, respectively. Following parameter calibration, in the upper reaches of the Xar Moron River the Nash-Sutcliffe efficiency coefficient for DHSVM is 0.70 during calibration and 0.11 during validation, while for SWAT it is 0.43 and 0.04, respectively. In the upper reaches of the Laoha River, the Nash-Sutcliffe efficiency coefficients for DHSVM are 0.56 and 0.70 during the two periods, compared with 0.86 and 0.54 for SWAT. The findings indicate that both models are applicable for simulating hydrological processes in the study area, with DHSVM more accurately simulating overall runoff and SWAT more accurately simulating peak monthly runoff.

Key words： DHSVM model; SWAT model; different types of watersheds; applicability analysis; runoff simulation

水资源短缺严重威胁着人类生活、社会经济的可持续发展和生态系统的演变[1]。气候变化和人类活动是影响水资源变化的主要驱动因素[2-3]。中国北方农牧交错带是半湿润农区向干旱、半干旱牧区的过渡地带，因其脆弱性、敏感性的主要特点，北方农牧交错带生态系统对全球变化响应较为敏感[4-5]。该地区降水年际变化大，气候较为干旱，水资源贫乏且利用强度大，使得水资源成为制约该地区社会经济发展的关键性因素。此外，上世纪90年代末以来，国家在该地区实施一系列重大生态工程，进一步加剧了中国北方农牧交错带生产生活用水与生态恢复之间的矛盾。因此，了解该地区流域水文过程对水资源进行合理分配与利用，对于缓解地区用水矛盾，提高水资源利用效率具有重要意义[6]。
建立相应的水文模型是了解区域水文过程的主要方法。目前应用于水文过程模拟的模型多样，主要分为集总式水文模型、分布式和半分布式水文模型三种[7]。流域分布式和半分布式水文模型研究是水文学科的重点和热点研究领域之一。半分布式水文模型中水文响应单元一般为小流域，分布式水文模型中的响应单元为相同大小的网格[8-9]。因此，分布式水文模型更加契合精细化水资源管理，其应用更加广泛。目前，SWAT模型是应用最广泛的分布式水文模型，可模拟多种不同的水文物理化学过程，如水量[10-11]、输沙量[12-13]以及化学物质的输移与转化过程[14-15]等，已在不同地理环境中有所应用，如热带地区、温带地区和高寒地区流域等，在我国黄河流域，SWAT模型多用于沉积物定量评估研究[16-18]。DHSVM模型作为一种具有物理基础的分布式水文模型，能适应更多的地理环境。目前，DHSVM已在各个领域得到广泛应用，如农业[19-20]、水温[21-22]、未来水资源预测[23]等方面。但在复杂多样的地理环境中，分布式和半分布式水文模型在实际运用中也有自身的局限性。如SWAT模型采用的耦合方法会忽视经济社会用水过程与天然水文过程之间的动态反馈作用[24]。DHSVM对土壤和植被参数设置最为敏感，但是两者的参数设置十分繁琐，许多研究无法收集长期且完整的观测数据，大多选择使用预设值，其输出结果的精度大大降低[25]。
两种模型应用于不同的地理环境中具有各自的优势，但在现阶段研究中，选择的水文模型单一化，不能很好地结合地区地理环境选择合适的模型进行研究，且水文模型在北方农牧交错带东段水文过程模拟的适用性分析相对匮乏。本研究选取北方农牧交错带东段两个不同类型流域，以草地为主的流域和以林地、农田为主的流域，分别采用SWAT模型和DHSVM模型模拟两种流域的水文过程，找出适合研究区地理环境的水文模型，进一步提高该区域水文过程模拟的精确度。该研究对于了解北方农牧交错带东段不同类型流域水文过程，合理分配与利用地区水资源，解决当地水资源短缺情况具有重要意义。

1 数据与方法

1.1 研究区概况

中国北方农牧交错带东段范围（40°~49°N，115°~125°E）基于文献[26]划分，面积约为35.24×104 km2[27]，属于我国半湿润区向干旱、半干旱区过渡地带，以400 mm等降水线为界，研究区位于半干旱地区，年降水量200~400 mm，生长季降水量丰富，约占全年降水总量的80 %以上。春季缺水严重，夏季常常暴雨，年蒸发量在1500~1900 mm，蒸发量与降水量之比为3.4~4.89，湿润系数为0.5左右[28]。滦河、西辽河和嫩江流经北方农牧交错带东段。考虑到水文站点分布位置，研究区分别位于西辽河北源的西拉木伦河上游流域，水文站为巴林桥，支流两侧以草地为主，流域面积约为1.29×104 km2。西辽河上源的老哈河上游流域，水文站为甸子，支流两侧以林地、农田为主，流域面积约为0.17×104 km2（图1）。
图1 研究区地理位置及概况

注：底图采用自然资源部标准地图制作，审图号为GS(2020)4619号，对底图边界无修改。

Fig. 1 Geographical location and overview of the research area

1.2 数据来源

两种模型所需数据主要包括下垫面数据（DEM、土地利用数据、土壤类型数据）和气象数据。DEM数据来源于地理空间数据云，空间分辨率为90 m。土地利用数据选取2010年和2015年，来源于Yang等[29]发布的CLCD数据集，空间分辨率为30 m。本研究将2010年数据代表2010—2014年研究区土地利用分布情况，2015年数据代表2015—2019年土地利用分布情况。土壤类型数据（HWSD V1.2）来源于国家青藏高原科学数据中心提供的1 km空间分辨率数据集。其中，壤土、砂壤土、沙土和粉壤土是西拉木伦河上游流域主要土壤类型；壤土和砂壤土是老哈河上游主要的土壤类型。模型所需的气温、最高气温、最低气温、降水、风速、相对湿度和日照时数气象数据来源于中国地面气候资料日值数据集（V3.0）。此外，DHSVM模型所需的叶面积指数（LAI）和反照率（Alb）数据来源于全球地表卫星（GLASS），时间分辨率为8 d，空间分辨率为500 m。巴林桥和甸子水文站的水文年鉴中径流量数据作为验证数据（表1）。
表1 数据来源

Tab. 1 Data source

数据类型 数据名称 数据来源 空间分辨率 时间分辨率
遥感数据 DEM 地理空间数据云（https://www.gscloud.cn/） 90 m -
土地利用数据 中国土地覆盖数据集（CLCD）（https://essd.copernicus.org/） 30 m -
LAI 全球地表卫星（GLASS）（http://glass.umd.edu） 500 m 8 d
Alb 全球地表卫星（GLASS）（http://glass.umd.edu） 500 m 8 d
土壤数据 土壤类型数据 国家青藏高原科学数据中心（https://www.tpdc.ac.cn/） 1 km -
气象数据 气温 中国地面气候资料日值数据集（V3.0）（https://m.data.cma.cn/） - 2010—2012年
2017—2019年
日数据
最高气温
最低气温
降水
风速
相对湿度
日照时数
水文站数据 巴林桥 水文年鉴 - 2010—2012年
2017—2019年
月径流量
甸子
表2 DHSVM模型不同类型流域敏感参数值

Tab. 2 Sensitive parameter values of in DHSVM model in different types of watersheds

壤土 砂壤土 沙土 粉壤土
西拉木伦河 老哈河 西拉木伦河 老哈河 西拉木伦河 西拉木伦河
土壤参数 横向饱和导水率 1.05×10-5 1.0×10-5 1.1×10-4 1.1×10-4 3.4×10-4 1.0×10-5
衰减系数 0.1 0.1 1.0 1.0 0.1 1.0
田间持水量 0.261 0.261 0.172 0.172 0.77 0.299
土壤泡压 0.112 - 0.147 - 0.073 0.208
体积密度 1471.4 - 1491.5 - 1429.9 1426.2
土壤导热率 - 7.1 - 7.1 - -
森林 草地 农田
冠层 林下层
西拉木伦河 老哈河 西拉木伦河 老哈河 西拉木伦河 老哈河 西拉木伦河 老哈河
植被参数 最小气孔阻力 110 110 60 60 60 60 60 60
叶面积指数 GLASS LAI数据

1.3 研究方法

1.3.1 分布式水文-植被-土壤模型

DHSVM模型是基于DEM的分布式水文模型，将实际流域简化为规则的计算网格，流域的每个网格都被赋予各自的植被和土壤属性，能够实现空间异质的水文指标模拟。在每个时间步长内，模型通过对每个格网的能量平衡和水量平衡进行联立求解，模拟水文过程的变化。网格间的水流交换通过地表径流及壤中流形式实现[30]。
DHSVM模型下垫面输入数据需要DEM、坡向、集水区、河网、土壤深度、土地利用和土壤类型数据。运用ArcGIS软件水文分析工具处理DEM数据得到流域集水区范围和坡向数据。利用DHSVM官网（https://dhsvm.pnnl.gov/）所提供的ARC宏语言程序（AML）处理DEM数据，并生成河网和土壤深度数据。所有栅格输入数据需要投影到统一坐标系，并重采样至250 m空间分辨率。模型所需要的气象数据包括平均气温、风速、相对湿度、短波辐射、长波辐射和降水。其中短波辐射采用Angstrom-Prescott方程进行计算[31-32]：
R S = R S 0 × a s + b s n N
R S 0 = 118.08 0.0864 π × d r × w s × s i n Ø × s i n δ +                         c o s Ø × c o s δ × s i n w s
d r = 1 + 0.033 × c o s 2 π × j 365
δ = 0.409 × s i n 2 π × j 365 - 1.39
w s = c o s - 1 - t a n Ø × t a n δ
N = 24 × w s π
式中： R S为入射短波辐射（W·m-2）； R S 0为地球大气层外短波辐射量（W·m-2）； a s为扩散短波辐射量常数（在平均气候条件下为0.25）； b s为直达短波辐射量常数（在平均气候条件下为0.5）； n为日照小时数； N为最大日照小时数； d r为地球与太阳之间的相对距离； w s为日落时的太阳时角； Ø为观测点纬度（北半球为正，南半球为负）； δ为太阳倾角； j为日序数（每年1月1日起算）。
根据短波辐射进一步计算长波辐射，计算公式如下：
R L = 5.67 × 10 - 8 × T + 237.3 4 × E a × f + 1 - f
E a = 1 - 1 + 46.5 × v p T + 237.3 ×                     e x p - 1.2 + 139.5 × v p T + 237.3 0.5
v p = 5 × μ × 0.6108 × e x p 17.27 × T m a x T m a x + 237.3 + e x p 17.27 × T m i n T m i n + 237.3
f = R S R S 0
式中： R L为入射长波辐射（W·m-2）； T为日平均气温（℃）； E a为晴空透射率； f为晴空百分数； v p为实际蒸气压（hPa）； μ为相对湿度； T m a x为日最高气温（℃）； T m i n为日最低气温（℃）。

1.3.2 土壤与水评估工具

SWAT模型是一种基于GIS的分布式流域水文模型。采用日尺度为连续计算时间。SWAT模型运行首先将流域划分为子流域，然后根据土地利用和土壤类型进一步划分水文响应单元。因此，水文响应单元为SWAT模型的最小模拟单元。
SWAT模型由水文循环的陆地阶段和水文循环的汇流阶段组成。前者控制每个子流域内主河道的水、沙、营养物质和化学物质等的输入量；后者决定水、沙等物质从河网向流域出口的输移运动[33-34]。水文循环基于水量平衡公式：
S W t = S W 0 + ∑ i = 1 t R d a y - Q s u r f - E a - W s e e p - Q g w
式中： S W t为土壤最终含水量（mm）； S W 0为第i天的土壤初始含水量（mm）； t表示时间（d）； R d a y表示第i天的降水量（mm）； Q s u r f表示第i天的地表径流量（mm）； E a表示第i天的蒸散发量（mm）； W s e e p表示第i天从土壤剖面进入包气带的水量（mm）； Q g w表示第i天回归流的水量（mm）。
SWAT模型下垫面输入数据需要DEM、土地利用和土壤类型数据。对土壤类型数据进行重分类，减少土壤种类，根据HWSD数据库和SPAW土壤计算工具计算相应数据，建立SWAT土壤数据库。各个下垫面数据按照SWAT模型要求，逐个进行分析。模型所需要的气象数据包括最高气温、最低气温、降水、相对湿度、太阳辐射、风速。按照SWAT模型输入格式对气象数据进行整理，并建立相应的天气发生器。

1.3.3 调参与运行

DHSVM模型参数主要分为全局参数、植被参数和土壤参数三类。植被参数（LAI、植被高度、气孔阻力等）和土壤参数（孔隙度、横向饱和导水率、指数衰减率等）对水文过程模拟较为敏感[35]。本文利用拓展傅里叶幅度敏感性检验方法（EFAST）对参数的敏感性进行分析[36]。该方法是一种基于方差的全局方法，集成了FAST法和Sobol法的优点[37]（图2）。
图2 EFAST参数敏感性分析流程图

Fig. 2 EFAST parameter sensitivity analysis flowchart

SWAT模型不确定性参数众多，主要利用SWAT-CUP进行自动率定。SWAT-CUP共有五种算法，分别为粒子群算法（PSO）、SUFI-2、马尔可夫链蒙特卡罗算法（MCMC）、ParaSol和GLUE。本文运用SWAT-CUP中的SUFI-2算法，它是利用拉丁超立方体抽样法获得参数值带入模型进行模拟，其敏感性分析通过Global以及One-at-a-time敏感性分析实现[38-39]。
最后利用Nash系数对DHSVM模型和SWAT模型模拟的月径流量进行评估。Nash系数取值范围为（-∞，1]，越接近于1，表示月径流量拟合效果越好，即模型预测值与观测值基本一致；反之，拟合效果差[40]。计算公式为：
E = 1 - ∑ i = 1 n q o b s - q s i m 2 ∑ i = 1 n q o b s - q m e a n ¯ 2
式中： q o b s为观测值； q s i m为模拟值； q m e a n ¯为观测值的均值。

2 结果与分析

2.1 参数敏感性

2.1.1 分布式水文-植被-土壤模型

参数敏感性以0.05为分界线，大于0.05为敏感参数，小于0.05则为不敏感参数。在西拉木伦河上游流域主要有7个敏感参数最小气孔阻力、体积密度、衰减系数、土壤泡压、横向饱和导水率、叶面积指数和田间持水量。其中体积密度、衰减系数、土壤泡压、横向饱和导水率和田间持水量属于土壤参数，最小气孔阻力和叶面积指数为植被参数。在老哈河上游流域主要有6个敏感参数最小气孔阻力、土壤导热率、横向饱和导水率、衰减系数、田间持水量和叶面积指数。其中土壤导热率、横向饱和导水率、衰减系数和田间持水量为土壤参数，最小气孔阻力和叶面积指数为植被参数（图3）。横向饱和导水率、田间持水量和体积密度利用土壤-植物-空气-水模型（SPAW）进行计算，其他敏感参数参考DHSVM模型参数预设值与参考文献[41-42]，对不同类型流域进行手动调参（表2）。
图3 DHSVM模型主要参数敏感性分析

Fig. 3 Sensitivity analysis of main parameters of DHSVM model

2.1.2 土壤与水评估工具

运用SUFI-2算法对SWAT模型中土壤参数、土地利用参数、地下水径流参数、融雪径流参数、地表特征参数等进行迭代敏感性分析。本研究设置模型次数为500次，迭代次数为10次，从28个基础参数中选取两个流域的敏感参数。其中，西拉木伦河上游流域选取11个敏感参数，老哈河上游流域选取12个敏感参数，对不同类型流域的敏感参数进行自动调参（表3）。
表3 SWAT模型不同类型流域主要敏感参数值

Tab. 3 The main sensitive parameter values of SWAT model in different types of watersheds

类别 参数代码 参数取值
西拉木伦河 老哈河
径流 径流曲线数（CN2） -0.17 0.12
地表径流滞后时间（SURLAG） 17.65 3.43
蒸发 土壤蒸发补偿系数（ESCO） 0.12 0.22
地下水蒸发系数（GW_REVAP） 0.18 0.09
基流 浅层地下水径流系数（GWQMN） 1.71 1.99
基流分割系数（ALPHA_BF） 0.65 0.29
地下水延迟时间（GW_DELAY） 443.70 102.59
主河道 主河道曼宁值（CH_N2） 0.21 -0.01
主河道有效水力传导系数（CH_K2） 117.49 344.61
土壤 饱和导水率（SOL_K） -0.17 -0.43
土壤有效含水量（SOL_AWC） -0.11 0.30
土壤容重（SOL_BD） - 0.04

2.2 模型的率定与验证

中国北方农牧交错带东段河流存在断流现象，为提高模型模拟的精确度，选取每年生长季（5—9月）作为研究时段。从水文年鉴中收集2011—2012年、2017—2019年巴林桥和甸子水文站每月实际观测径流。其中，2010年为预热期，2011—2012年为率定期，2017—2019年为验证期。
选择西拉木伦河上游巴林桥水文站实测月径流数据与老哈河上游甸子水文站实测月径流数据对两个不同流域DHSVM模型和SWAT模型的模拟结果进行率定与验证。在西拉木伦河上游流域，DHSVM模型在率定期Nash系数为0.70，R2为0.85；验证期Nash系数为0.11，R2为0.83。SWAT模型在率定期Nash系数为0.43，R2为0.84；验证期Nash系数为0.04，R2为0.94。在老哈河上游流域，DHSVM模型在率定期模拟的流域月径流量Nash系数为0.56，R2为0.75；在验证期模拟的Nash系数为0.70，R2为0.91。SWAT模型在率定期模拟的月径流量Nash系数为0.86，R2为0.95；在验证期模拟的Nash系数为0.54，R2为0.77（图4，表4）。
图4 DHSVM模型和SWAT模型模拟与观测月径流量

Fig. 4 DHSVM and SWAT models simulate and observe monthly runoff

表4 DHSVM模型和SWAT模型模拟与观测月径流量之间的NSE、R2值

Tab. 4 NSE and R2 values between simulated and observed monthly runoff using DHSVM and SWAT models

DHSVM SWAT
NSE R2 NSE R2
西拉木伦河 率定期 0.70 0.85 0.43 0.84
验证期 0.11 0.83 0.04 0.94
老哈河 率定期 0.56 0.75 0.86 0.95
验证期 0.70 0.91 0.54 0.77

2.3 模型适用性

2.3.1 西拉木伦河

2011—2012年生长季DHSVM模型模拟的月径流量优于SWAT模型模拟的结果。2017—2019年生长季DHSVM模型模拟的Nash系数虽高于SWAT模型，但模拟的月径流量与实际流量拟合效果不如SWAT模型，即SWAT模型模拟的月径流量与实际月径流量趋势基本一致，这种特点主要表现在2019年。但是，两种模型在2019年模拟表现均较差，Nash系数均为负数，从而影响了对整个流域模拟的结果。DHSVM模型和SWAT模型在流域月径流量模拟中各具优势，DHSVM模型对流域基流的模拟更好，SWAT模型对流域峰值的模拟较好，模拟的平均峰值为624.39 m3·s-1，接近流域实际平均峰值697.45 m3·s-1，而DHSVM模型平均峰值为580.46 m3·s-1。两种模型对西拉木伦河上游流域模拟结果的差异，可能由于西拉木伦河河流性质差异和两种模型参数造成。从白岔河口到巴林桥段河道宽阔，水浅，流水分散，DHSVM模型输入文件中包含对河网性质的描述，对流域模拟更为细致，并且DHSVM模型土壤参数的设置更多地考虑土壤水对河流的调蓄作用，因此DHSVM模型对流域基流的模拟结果更好（图5a）。
图5 不同类型流域降水-径流过程

Fig. 5 Precipitation-runoff process of different types of watersheds

2.3.2 老哈河

两种模型在老哈河上游流域模拟结果不同，SWAT模型在率定期（2011—2012年生长季）模拟的月径流量优于DHSVM模型模拟的结果，DHSVM模型在验证期（2017—2019年生长季）模拟的结果优于SWAT模型，SWAT模型模拟的结果较差主要表现在2019年生长季月径流量的模拟，模拟结果明显高于实际流量，流量最高处相差377.55 m3·s-1，从而降低了SWAT模型模拟的整体精确度。在整个研究期间，DHSVM模型在2011年、2012年和2017年生长季月径流量模拟结果最好，SWAT模型在2011年和2012年生长季月径流量模拟结果最好，其中2012年生长季月径流量Nash系数最高，为0.86。两种模型对2019年生长季月径流量模拟结果均较差，尤其是SWAT模型。根据降水数据来看，流域在2019年夏季降水量较大，有明显的峰值，而流域月径流量实测数据在2019年夏季没有明显的峰值，因此，两种模型模拟结果与实测数据的差异，主要考虑人类活动的影响（图5b）。
两种类型流域月径流量的模拟结果相比，在北方农牧交错带东段不同类型流域中，DHSVM模型和SWAT模型对老哈河上游流域月径流量的模拟结果比西拉木伦河上游流域更为精确。主要因为两种类型河流在生长季的补给方式不同，老哈河上游补给方式单一，主要以降水补给为主，而西拉木伦河上游补给方式多样，除降水补给外，还包括泉水和地下水补给，然而，两种水文模型对流域生长季水文过程的模拟主要考虑降水形式的补给方式，对泉水和地下水等补给形式考虑较少，因此对西拉木伦河上游流域月径流量模拟方面表现较差。

3 讨论

西拉木伦河源头至白岔河口流域河流湍急，坡度较大，主要以泉水和地下水补给为主。白岔河口至巴林桥流域河道宽阔，河流流水分散，主流摇摆不定。目前，两种水文模型主要考虑降水补给的形式，而DHSVM模型在土壤参数设置上更加灵活，可以考虑土壤水对河流的调蓄作用，同时DHSVM模型考虑河网情况，与SWAT模型相比，对西拉木伦河基流的模拟更加准确。因此，SWAT模型对西拉木伦河上游流域基流的模拟结果与实际差异较大，尤其在验证期间，影响了SWAT模型在验证期的准确性。而DHSVM模型在验证期的模拟结果也较差，主要是2019年生长季。DHSVM模型模拟的2019年生长季没有明显峰值，8月出现不明显峰值，同样，SWAT模型模拟的峰值也出现在8月，而实际径流峰值出现在7月。对比降水数据，2019年生长季降水峰值出现在8月，降水与径流峰值不一致，可能考虑人类活动对径流的影响，如水库调蓄等。
两种模型在不同类型流域水文过程模拟中都具有一定的适用性。目前，对SWAT模型进行评估发现，SWAT模型对河流峰值流量的模拟表现较好。与实测峰值流量相比，基于SWAT模型的峰值流量模拟误差仅在1%~18%[43-44]。在不同的地理环境中对DHSVM进行适用性分析，结果表明DHSVM模型更适用于模拟山地森林流域水文过程[45-47]。与两种模型在不同类型流域模拟结果基本一致，SWAT模型对两种类型流域月径流量峰值模拟更精确，在西拉木伦河上游流域模拟的峰值流量与实测峰值流量误差仅为3.6 %。与以草地为主要土地利用类型的流域相比，DHSVM模型在对以林地、农田为主要土地利用类型的老哈河上游流域模拟结果更精确。
两种模型在对不同类型流域水文过程模拟中各具优势，但也存在一定的局限性。首先表现在参数率定方面，目前，SWAT模型参数敏感性分析和率定主要依靠选项有限的工具（SWAT-CUP），如最大模拟次数和并行模拟选项，并且SWAT-CUP不能根据需求进行调整，对提高模型模拟的精度造成一定的挑战[48]。DHSVM模型关于参数敏感性分析目前没有很好的方法，本文选择EFAST方法进行敏感性分析，通过算法迭代来确定参数的敏感性，结果可能会产生误差。并且DHSVM模型参数众多，可调参数40余个，有些参数值获取较为困难，多数参数值依靠经验，都会影响模拟结果。其次，模型在水文过程影响因素方面考虑欠佳。在水文过程模拟中，人类活动是影响模拟结果准确性的重要因素。SWAT模型中带有水库模块，但模块简化了水库运行规则，仅能表示季节性和年际变化[49]。而标准的DHSVM模型中并未考虑水库模块，通过模型改进，DHSVM模型也已考虑水库的影响，将水库模块嵌入模型中，进一步提高了对流域水文过程模拟的准确性[50-51]。但人类活动对流域水文过程的影响是多样的，不仅仅表现在水库对水文过程的影响。因此，对于人类活动影响较强的流域，模拟结果精度可能较低。本研究选取的西拉木伦河上游流域受人类活动较小，而老哈河上游流域内有农田，但本研究并未考虑农田灌溉等人类活动的影响，因此模拟结果的准确性可能会受人类活动的干扰。
对比两种水文模型，DHSVM模型对研究区的适用性不仅表现在径流模拟的准确性方面，在其他方面也更适用于研究区。北方农牧交错带东段是我国重要的农牧产品生产基地，生产与发展受到水资源的严重制约[52]。该地区地下水超采，河湖干涸，水资源严重短缺。因此，需要更全面、更细致地分析地区水文过程。SWAT模型主要用于研究长期复杂的土壤类型、土地利用方式和管理措施条件对水、泥沙和化学物质的影响，最小单位为水文响应单元[53-54]。DHSVM模型以栅格为最小单元，可以输出30多类栅格图像，包括蒸散发、土壤含水量等，输出数据可以精确到每层土壤，更有利于了解研究区水文的时空变化特征，全面掌握研究区水文动态。目前，DHSVM模型已广泛应用于干旱半干旱地区水文过程研究中。例如，Van Wie等[55]通过研究流域春季和冬季土壤含水量变化来估计小麦产量，以研究旱地农业措施对流域水文的影响。任菲莹等[56]模拟近100 a四种情景监测农田土壤表层（0~30 cm）土壤体积含水量来计算小麦受渍指数，以分析气候变化对小麦渍害的影响。

4 结论

本研究选择基于DEM的分布式水文模型DHSVM和基于GIS的分布式水文模型SWAT，模拟2011—2012年和2017—2019年生长季中国北方农牧交错带东段不同类型流域的月径流量—西拉木伦河上游和老哈河上游流域，探讨了两种模型在不同类型流域的适用性，得出以下结论：
（1） DHSVM模型和SWAT模型在北方农牧交错带不同类型流域的模拟中各具优势。DHSVM模型对流域基流的模拟更好，SWAT模型则对流域峰值的模拟更精确，在西拉木伦河上游流域中，SWAT模型模拟的月径流量峰值与实际平均峰值仅差73.06 m3·s-1。
（2） 在西拉木伦河上游流域，DHSVM模型模拟的月径流量更为精确，率定期和验证期Nash系数分别为0.70和0.11。在老哈河上游流域，SWAT模型对率定期月径流量模拟较好，Nash系数为0.86；DHSVM模型对验证期模拟较好，Nash系数为0.70。总体上，与SWAT模型相比，DHSVM模型在两种类型流域中都有较好的适用性。
（3） 在不同类型流域中，两种模型在老哈河上游流域的适用性更好，模拟结果更为精确。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Li M S, Yang X H, Wang K W, et al. Exploring China’s water scarcity incorporating surface water quality and multiple existing solutions[J]. Environmental Research, 2024, 246: 118191.

[2]
Scanlon B R, Fakhreddine S, Rateb A, et al. Global water resources and the role of groundwater in a resilient water future[J]. Nature Reviews Earth & Environment, 2023, 4(2): 87-101.

[3]
He C Y, Liu Z F, Wu J G, et al. Future global urban water scarcity and potential solutions[J]. Nature Communications, 2021, 12(1): 1-11.

[4]
Zhang Y J, Hao R F, Qin Y. Temporal and spatial variation of agricultural and pastoral production in the eastern section of the agro-pastoral transitional zone in northern China[J]. Agriculture-Basel, 2024, 14(6): 829.

[5]
李秋月, 潘学标. 气候变化对我国北方农牧交错带空间位移的影响[J]. 干旱区资源与环境, 2012, 26(10): 1-6.

[Li Qiuyue, Pan Xuebiao. The impact of climate change on boundary shift of farming pasture ecotone in northern China[J]. Journal of Arid Land Resources and Environment, 2012, 26(10): 1-6.]

[6]
Xie P, Wu Z Y, Sang Y F, et al. Evaluation of the significance of abrupt changes in precipitation and runoff process in China[J]. Journal of Hydrology, 2018, 560: 451-460.

[7]
Jayathilake D I, Smith T. Understanding the role of hydrologic model structures on evapotranspiration-driven sensitivity[J]. Hydrological Sciences Journal-journal Des Sciences Hydrologiques, 2020, 65(9): 1474-1489.

[8]
Beven K J, Warren R, Zaoui J. SHE: Towards a methodology for physically-based distributed forecasting in hydrology[J]. IAHS, 1980, 129: 133-137.

[9]
Feyen L, Vázquez R, Christiaens K, et al. Application of a distributed physically based hydrological model to a medium size catchment[J]. Hydrology and Earth System Sciences, 2000, 4(1): 47-63.

[10]
Zhang Z P, Wang Q Z, Guan Q Y, et al. Research on the optimal allocation of agricultural water and soil resources in the Heihe River Basin based on SWAT and intelligent optimization[J]. Agricultural Water Management, 2023, 279: 108177.

[11]
Soufiane T, Lamia E, Youssef A, et al. The application of SWAT model and remotely sensed products to characterize the dynamic of streamflow and snow in a mountainous watershed in the High Atlas[J]. Sensors, 2023, 23(3): 1246.

[12]
dos Santos F M, Pelinson N D, de Oliveira R P, et al. Using the SWAT model to identify erosion prone areas and to estimate soil loss and sediment transport in Mogi Guaçu River basin in Sao Paulo State, Brazil[J]. Catena, 2023, 222: 106872.

[13]
Anteneh Y, Alamirew T, Zeleke G, et al. Modeling runoff-sediment influx responses to alternative BMP interventions in the Gojeb watershed, Ethiopia, using the SWAT hydrological model[J]. Environmental Science and Pollution Research, 2023, 30(9): 22816-22834.

[14]
Mabood F, Hadi F, Jan A U, et al. Assessment of Pb and Ni and potential health risks associated with the consumption of vegetables grown on the roadside soils in District Swat, Khyber Pakhtunkhwa, Pakistan[J]. Environmental Monitoring and Assessment, 2022, 194(12): 906.

[15]
Zhang X Q, Chen P, Dai S N, et al. Analysis of non-point source nitrogen pollution in watersheds based on SWAT model[J]. Ecological Indicators, 2022, 138: 108881.

[16]
Gu P F, Wu Y X, Liu G D, et al. Application of meteorological element combination-driven SWAT model based on meteorological datasets in alpine basin[J]. Water Supply, 2022, 22(3): 3307-3324.

[17]
Yang S, Tan M L, Song Q X, et al. Coupling SWAT and Bi-LSTM for improving daily-scale hydro-climatic simulation and climate change impact assessment in a tropical river basin[J]. Journal of Environmental Management, 2023, 330: 117244.

[18]
Tian P P, Lu H W, Feng W, et al. Large decrease in streamflow and sediment load of Qinghai-Tibetan Plateau driven by future climate change: A case study in Lhasa River Basin[J]. Catena, 2020, 187: 104340.

[19]
Zhang X C, Yuan X, Liu H R, et al. Soil moisture estimation for winter-wheat waterlogging monitoring by assimilating remote sensing inversion data into the Distributed Hydrology Soil Vegetation Model[J]. Remote Sensing, 2022, 14(3): 792.

[20]
Ma Y, Xiong Q X, Zhu J Q, et al. Early warning indexes determination of the crop injuries caused by waterlogging based on DHSVM model[J]. The Journal of Supercomputing, 2020, 76(4): 2435-2448.

[21]
Ridgeway J B, Surfleet C G. Effects of streamside buffers on stream temperatures associated with forest management and harvesting using DHSVM-RBM; South Fork Caspar Creek, California[J]. Frontiers in Forests and Global Change, 2021, 4: 611380.

[22]
Sun N, Yearsley J, Voisin N, et al. A spatially distributed model for the assessment of land use impacts on stream temperature in small urban watersheds[J]. Hydrological Processes, 2015, 29(10): 2331-2345.

[23]
Xu Y P, Gao X C, Zhu Q, et al. Coupling a regional climate model and a distributed hydrological model to assess future water resources in Jinhua River Basin, East China[J]. Journal of Hydrologic Engineering, 2015, 20(4): 04014054.

[24]
杨明智, 许继军, 桑连海, 等. 基于水循环的分布式水资源调配模型开发与应用[J]. 水利学报, 2022, 53(4): 456-470.

[Yang Mingzhi, Xu Jijun, Sang Lianhai, et al. Development and application of the distributed water resources allocation and regulation model based on hydrological cycle[J]. Journal of Hydraulic Engineering, 2022, 53(4): 456-470.]

[25]
张力仁, 郭振民, 曾宏伟, 等. 应用多目标遗传演算法于DHSVM之参数最佳化——以石门水库集水区为例[J]. 农业工程学报, 2019, 65(1): 18-35.

[Zhang Liren, Guo Zhenmin, Zeng Hongwei, et al. Application of multi-objective genetic algorithm on parameter optimization of DHSVM: A case study in Shihmen reservoir catchment[J]. Journal of Taiwan Agricultural Engineering, 2019, 65(1): 18-35.]

[26]
王静爱, 史培军. 论内蒙古农牧交错地带土地资源利用及区域发展战略[J]. 地域研究与开发, 1988, 7(1): 24-28.

[Wang Jingai, Shi Peijun. On the utilization of land resources and regional development strategies in the ecotone of agriculture and animal husbandry in Inner Mongolia[J]. Areal Research and Development, 1988, 7(1): 24-28.]

[27]
张建春, 储少林, 陈全功. 中国农牧交错带界定的现状及进展[J]. 草业科学, 2008, 25(3): 78-84.

[Zhang Jianchun, Chu Shaolin, Chen Quangong. Advances in defining the boundary of farming-grazing transition zone in China[J]. Pratacultural Science, 2008, 25(3): 78-84.]

[28]
靳英华, 周道玮, 姜世成, 等. 北方农牧交错带东段生长季气候变化与温水组合规律研究[J]. 东北师大学报(自然科学版), 2007, 39(4): 137-142.

[Jin Yinghua, Zhou Daowei, Jiang Shicheng, et al. Research on climate changes and combinational law of temperature and precipitation during growing season in the eastern ecotone between agriculture and animal husbandry in Northern China[J]. Journal of Northeast Normal University (Natural Science Edition), 2007, 39(4): 137-142.]

[29]
Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8): 3907-3925.

DOI

[30]
赵奕, 南卓铜, 李祥飞, 等. 分布式水文模型DHSVM在西北高寒山区流域的适用性研究[J]. 冰川冻土, 2019, 41(1): 147-157.

DOI

[Zhao Yi, Nan Zhuotong, Li Xiangfei, et al. On applicability of a fully distributed hydrological model in the cold and alpine watershed of Northwest China[J]. Journal of Glaciology and Geocryology, 2019, 41(1): 147-157.]

DOI

[31]
Angstrom A. Solar and terrestrial radiation. Report to the international commission for solar research on actinometric investigations of solar and atmospheric radiation[J]. Quarterly Journal of the Royal Meteorological Society, 1924, 50(210): 121-126.

[32]
Prescott J A. Evaporation from a water surface in relation to solar radiation[J]. Transactions of the Royal Society of South Australia, 1940, 64: 114-118.

[33]
徐宗学. 水文模型[M]. 北京: 科学出版社, 2009.

[Xu Zongxue. Hydrological Models[M]. Beijing: Science Press, 2009.]

[34]
Tan M L, Gassman P W, Yang X Y, et al. A review of SWAT applications, performance and future needs for simulation of hydro-climatic extremes[J]. Advances In Water Resources, 2020, 143: 103662.

[35]
Lan C, Giambelluca T W, Ziegler A D. Lumped parameter sensitivity analysis of a distributed hydrological model within tropical and temperate catchments[J]. Hydrological Processes, 2011, 25(15): 2405-2421.

[36]
赵奕. 高寒山区流域水文时空特征的分布式模型模拟研究[D]. 南京: 南京师范大学, 2019.

[Zhao Yi. Research on the Distributed Model Simulation of the Spatial/Temporal Hydrological Characteristics in a Cold Alpine Basin[D]. Nanjing: Nanjing Normal University, 2019.]

[37]
王建栋, 郭维栋, 李红祺. 拓展傅里叶幅度敏感性检验(EFAST)在陆面过程模式中参数敏感性分析的应用探索[J]. 物理学报, 2013, 62(5): 35-41.

[Wang Jiandong, Guo Weidong, Li Hongqi. Application of extended Fourier amplitude sensitivity test (EFAST) method in land surface parameter sensitivity analysis[J]. Acta Physica Sinica, 2013, 62(5): 35-41.]

[38]
左德鹏, 徐宗学. 基于SWAT模型和SUFI-2算法的渭河流域月径流分布式模拟[J]. 北京师范大学学报(自然科学版), 2012, 48(5): 490-496.

[Zuo Depeng, Xu Zongxue. Distributed hydrological simulation using SWAT and SUFI-2 in the Wei River Basin[J]. Journal of Beijing Normal University (Natural Science), 2012, 48(5): 490-496.]

[39]
刘宁, 张霞, 祝雪萍, 等. 基于SWAT模型和SUFI-2算法的碧流河流域径流模拟[J]. 水力发电, 2019, 45(3): 18-22, 89.

[Liu Ning, Zhang Xia, Zhu Xueping, et al. Runoff simulation using SWAT model and SUFI-2 algorithm in Biliu River Basin[J]. Water Power, 2019, 45(3): 18-22, 89.]

[40]
Pan S L, Liu L, Bai Z X, et al. Integration of remote sensing evapotranspiration into multi-objective calibration of Distributed Hydrology-Soil-Vegetation Model (DHSVM) in a Humid Region of China[J]. Water, 2018, 10(12): 1841.

[41]
Stieglitz M, Rind D, Famiglietti J, et al. An efficient approach to modeling the topographic control of surface hydrology for regional and global climate modeling[J]. Journal of Climate, 1997, 10(1): 118-137.

[42]
Meyer P D, Rockhold M L, Gee G W. Uncertainty analyses of infiltration and subsurface flow and transport for SDMP sites[J]. Office of Scientific and Technical Information, 1997, 51: 541818.

[43]
Spellman P, Webster V, Watkins D. Bias correcting instantaneous peak flows generated using a continuous, semi-distributed hydrologic model[J]. Journal of Flood Risk Management, 2018, 11(4): e12342.

[44]
Javaheri A, Babbar-Sebens M. On comparison of peak flow reductions, flood inundation maps, and velocity maps in evaluating effects of restored wetlands on channel flooding[J]. Ecological Engineering, 2014, 73: 132-145.

[45]
Liu Q, Liang L Q, Cai Y P, et al. Assessing climate and land-use change impacts on streamflow in a mountainous catchment[J]. Journal of Water and Climate Change, 2020, 11(2): 503-513.

[46]
Safeeq M, Fares A. Hydrologic effect of groundwater development in a small mountainous tropical watershed[J]. Journal of Hydrology, 2012, 428: 51-67.

[47]
Lan C, Lettenmaier D P, Mattheussen B V, et al. Hydrologic prediction for urban watersheds with the Distributed Hydrology-Soil-Vegetation Model[J]. Hydrological Processes, 2008, 22(21): 4205-4213.

[48]
Nguyen T V, Dietrich J, Dang T D, et al. An interactive graphical interface tool for parameter calibration, sensitivity analysis, uncertainty analysis, and visualization for the Soil and Water Assessment Tool[J]. Environmental Modelling & Software, 2022, 156: 105497.

[49]
Voisin N, Liu L, Hejazi M, et al. One-way coupling of an integrated assessment model and a water resources model: Evaluation and implications of future changes over the US Midwest[J]. Hydrology and Earth System Sciences, 2013, 17(11): 4555-4575.

[50]
Zhao G, Gao H L, Naz B S, et al. Integrating a reservoir regulation scheme into a spatially distributed hydrological model[J]. Advances in Water Resources, 2016, 98: 16-31.

[51]
刘哲, 兰措. 青海北川河流域径流变化的机理研究——基于模型和统计两种方法[J]. 地理科学进展, 2022, 41(2): 304-315.

DOI

[Liu Zhe, Lancuo. Investigating the mechanisms of streamflow change in the Beichuan River Basin, Qinghai Province: Based on modeling and statistic analyses[J]. Progress in Geography, 2022, 41(2): 304-315.]

DOI

[52]
Liu Z J, Liu Y S, Li Y R. Anthropogenic contributions dominate trends of vegetation cover change over the farming-pastoral ecotone of northern China[J]. Ecological Indicators, 2018, 95: 370-378.

[53]
Chawanda C J, Nkwasa A, Thiery W, et al. Combined impacts of climate and land-use change on future water resources in Africa[J]. Hydrology and Earth System Sciences, 2024, 28(1): 117-138.

[54]
Mahdian M, Hosseinzadeh M, Siadatmousavi S M, et al. Modelling impacts of climate change and anthropogenic activities on inflows and sediment loads of wetlands: Case study of the Anzali wetland[J]. Scientific Reports, 2023, 13(1): 5399.

[55]
Van Wie J B, Adam J C, Ullman J L. Conservation tillage in dryland agriculture impacts watershed hydrology[J]. Journal of Hydrology, 2013, 483: 26-38.

[56]
任菲莹, 熊勤学. 基于分布式水文模型的小麦渍害对气候变化响应研究[J]. 麦类作物学报, 2020, 40(10): 1265-1274.

[Ren Feiying, Xiong Qinxue. Response of wheat sub-surface waterlogging to climate changing using DHSVM model Simulations[J]. Journal of Triticeae Crops, 2020, 40(10): 1265-1274.]

Options
文章导航

/

〈 〉