陈海涛,王晓燕,2*,南 哲,韩晓萌,吴艾璞,黄洁钰,庞树江

输入数据精度与准确性对SWAT模型模拟的影响

陈海涛1,王晓燕1,2*,南 哲1,韩晓萌1,吴艾璞1,黄洁钰1,庞树江1

(1.首都师范大学资源环境与旅游学院,北京 100048；2.首都师范大学首都圈水环境研究中心,北京 100048)

以潮河流域为研究区域,利用潮河流域1990～2013年监测数据,构建SWAT模型,在模型结构和参数不改变的情况下,探究输入数据精度(DEM分辨率)与准确性(降水插值)对径流和总氮模拟结果影响.结果显示:DEM分辨率变化(30～300m)对径流及总氮模拟效果不同,对径流模拟影响不明显,纳什系数(ENS)和2可达到0.87以上;对总氮模拟结果影响较大,分辨率越精细,模拟效果越好.不同水文年,DEM分辨率变化对总氮负荷模拟表现不同.丰水年对总氮负荷影响较大,负荷量差异较为明显,枯水年影响相对较小;不同DEM分辨率下,年均(1993～2002年)总氮负荷强度空间分布相似,高负荷区均位于潮河中游,潮河上游及下游的负荷强度相对较低.不同降水输入数据站点分布、站网密度和准确性不同,流域内降水空间分布差异显著.总体上,基于站点较少的气象站插值数据与雨量站实测降水数据,径流和总氮模拟效果较为接近;基于SWAT官方雨量站插值数据,径流和总氮模拟效果较差.不同降水数据输入情景下,模拟的总氮负荷强度模拟的空间分布差异明显;降水量分布较高的区域,负荷量也较高;不同水文年下,不同降水输入对总氮负荷模拟表现不同.丰水年和枯水年,基于气象站插值数据的总氮模拟结果与基于雨量站实测数据的模拟结果较为接近,而基于 SWAT官方雨量站插值的模拟误差较大;平水年, 基于SWAT官方雨量站插值的模拟结果较气象站插值数据的模拟结果更好.该研究可为流域开展模型构建提供科学参考和借鉴.

SWAT模型；DEM分辨率；降水数据；潮河流域

近几十年来,面源污染(NPS)成为影响水质的重要贡献源[1-2],威胁着中国社会和生态系统的安全.由于面源污染范围广,控制难度大以及不确定性复杂,使得面源污染的治理成为了全球水污染控制领域的重点[3].各国学者已经采用多种方法对面源污染展开了模拟研究,其中,利用模型对污染物进行模拟预测是常用的方法之一[4-5].在面源污染治理中,机理模型因根据面源污染形成的内在机理,可对污染物的迁移转化过程进行模拟,而被广泛运用于流域水文过程及污染物负荷模拟过程中,常见的模型有流域分布式水文模型(SWAT)、农业非点源污染模型(AnnAGNPS)、流域水文水质模型(HSPF)、基于地形的水文模型(TOPMODEL)等[6-9].在模型模拟过程中,模型能否准确表示水文过程并描述与水质有关的养分负荷,在很大程度上取决于输入数据的精度与准确性,模型输入数据是水文建模不确定性的主要来源[10-11].一般而言,建模结果的精度会随着输入数据精度与准确性的提高而增加[12-13],但一些研究结果指出,在较大流域使用高精度的空间数据并不一定能改善模型应用性能,相反,高精度数据在模型运算过程中可能占用更多的时间和运行内存,给计算带来不便[14,19].基于此,在不同研究区域如何选择合适的数据类型和精度来提高模型应用效果是一个值得探讨的问题,已经引起了研究者的广泛关注[12,15].

数字高程模型(DEM)和降水是流域模型构建和模拟的重要输入数据.DEM是对流域地形的数字表达,输入DEM的准确性可以确定提取地形和水文特征的可靠性[15];降水是水文过程、沉积物和化学通量的主要驱动力[16],是影响模型模拟精度最为重要的因素之一[17].国内外学者对于不同输入数据(DEM分辨率和降水数据)进行了模拟研究.Cotter等[18]研究了美国阿肯色州Moores Creek流域DEM分辨率对SWAT模型的影响,发现更精细的DEM分辨率导致更高的径流量和硝酸盐氮含量;Xu等[19]、Tan等[20]研究了DEM分辨率、来源和重采样技术的敏感性对SWAT模型流量模拟的影响,结果表明DEM分辨率是其中最敏感的参数,并得到了污染物、水文循环中最适宜模拟分辨率范围;Song等[21]利用SWAT模型模拟了不同DEM分辨率输入数据对黄水河流域模拟结果的影响,发现DEM分辨率对径流模拟影响较小,对泥沙产量影响显著;另外,Tuo等[22]研究了3个高山流域4种不同降水数据的输入对流域流量模拟的影响,发现降水是模型不确定性的主要来源;张雪松等[23]通过SWAT模型研究了降水输入对黄河下游卢氏流域模拟的影响,发现降水空间分布不均匀性对模型径流和泥沙模拟产生较大影响.

现有输入数据对模型的影响研究多基于不同数据源或将输入数据进行处理来进行相关研究,少有在同一模型参数下,通过调整输入不同数据的精度或类型,探讨其对模型模拟结果的差异.研究区域潮河流域位于密云库区上游,近年来,由于强烈的人类活动,导致密云水库上游流域过多的氮流失进入密云水库,进一步威胁了库区水环境安全[24].本文通过构建潮河流域SWAT模型,在模型结构与参数不发生改变的前提下,分析不同数据精度(DEM分辨率)及准确性(降水插值)对模型径流和总氮模拟结果的影响,旨在为后期构建适宜的流域模型及开展相应的水环境治理提供科学参考.

1 研究区域概况

图1 研究区位置及土地利用

数字为子流域编号

潮河流域(115°25′～117°33′E,40°19′～41°31′N)是北京密云水库重要的上游集水区,流域面积约为4888km2,河网长度为442.22km,地势呈西北高东南低,流域内最大高程2209m,最小高程为136m,具有复合地形特征(图1).流域处于中温带向暖温带过渡,半干旱向半湿润过渡地区,气候为典型的大陆性季风气候[25],多年平均气温7.3～10.3℃,多年平均降水量范围为493～636mm(1991～2002年),降水大多集中在7～8月之间,西北部降水量高于东南部;农业作物以小麦、玉米为主;土壤类型13种,主要类型有褐土、潮土和风沙土;土地利用类型以草地、林地和耕地为主,其中草地占总面积的42.84%,林地为36.08%,耕地为15.81%(2012年).

2 研究方法

2.1 研究数据及来源

本研究所需的数据包括潮河流域数字高程数据、土地利用数据、土壤数据、气象数据及水文观测数据等(表1),其中空间数据均采用Albers等积圆锥投影对数据进行预处理,以统一各类空间数据的投影和地理坐标,所有操作均基于ArcGIS 10.3平台完成.

表1 研究数据及来源

2.2 SWAT模型输入参数情景构建

SWAT模型是由美国农业部(USDA)农业研究中心研发的基于过程的半分布流域模型,该模型可根据研究区内土地利用类型、土壤类型、坡度,将流域划分为不同的响应单元(HRUs),基于流域水文响应单元和水量平衡进行全流域内的水质水量模拟,用以评估土地管理与气候变化对流域水文水质的影响,被广泛运用于全球各流域尺度的土壤侵蚀控制、非点源污染负荷模拟及管理措施效果模拟等方面[26-28].

本文以30m分辨率的DEM数据及1991～2002年雨量站实测降水数据为基准输入数据,根据模型对流域出口径流量及总氮负荷为输出数据来确定SWAT模型其他各参数.在分析DEM分辨率变化对模型的影响时,控制其他输入数据条件(降水量数据采用雨量站实测)和模型参数不变,通过调整DEM分辨率来评价其对模型模拟效果的影响;在分析不同降水数据输入对模型的影响时,控制其他输入数据条件(DEM采用30m数据)和模型参数不变,通过输入不同的降水来源数据,评价其对模型模拟效果的影响.为了在建模过程中将不确定性的输入数据与其他数据或过程描述分开,控制其他条件为恒定不变.这些条件包括:(1)其他输入数据:如土地利用数据、土壤数据和经济管理数据.(2)相同的集水面积阈值,用于定义河流产生子流域.(3)相同的HRU定义阈值,分别为土地利用(5%)土壤(10%)和坡度(10%).(4)SWAT模型其他相同的默认参数.

2.3 模型校准和验证

由于SWAT模型结构复杂参数众多,为提高模型的率定效率,本文采用SWAT-CUP对模型进行参数敏感性分析,用流域出口水文站(下会站)的水文观测数据(径流量)和水质数据(总氮负荷)来校准模型.模型模拟(1990～2013年)共24a,1990～1992年模型的预热期,1993～2003年为模型的校准期,2004～2013年为模型的验证期,参考相关研究结果,通过手动调整影响径流量和总氮负荷的主要参数,使得径流和总氮的模拟值和实际值接近.校准期和验证期的模拟效果采用纳什系数(ENS)和相对误差(RE)作为评价标准,对模型模拟效果进行评价.ENS和RE的表达式分别为:

式中:P表示模拟值,O表示实测值,avg表示模拟时段内实测平均值,表示模拟总次数. 其中, ENS反映了模拟值与实测值的拟合程度,值越接近1表示模拟结果越好(ENS³0.9优秀;0.75£ENS<0.9优良;0.5£ENS<0.75良好;ENS<0.5则认为偏差过大不适宜[29]);而相对误差0£RE£1,RE越小,模拟值与实测值越接近.

如图2所示,通过模拟,月均径流量在校准期和验证期的ENS分别为0.81和0.77, RE分别为47%和39%;总氮在校准期和验证期ENS分别为0.66和0.56, RE为54%和47%.通过参考模型评价标准,表明率定后的SWAT模型能够较好反应潮河流域径流量和总氮负荷的变化规律[30].

3 结果与讨论

3.1 DEM分辨率对水文特征提取的影响

DEM分辨率是影响模型模拟结果的重要因素之一,本文采用最邻近内插法(NEAREST)将30m分辨率DEM数据重采样成不同分辨率,比较模型在不同分辨率下流域地形和特征变化,如表2所示,随着DEM分辨率的降低,流域面积从4798.22km2(30m分辨率)减少至4673.16km2(300m分辨率),面积减少2.6%,最大高程也相应减少1.2%,这是由于DEM分辨率变化,对流域地形产生了概化作用,导致流域边界线不再经过原来的网格位置,子流域的面积产生变化,同时引起最大高程范围的缩减[31];与此同时,DEM分辨率变化对坡度也有较大影响,流域内坡度最大值和平均值随DEM分辨率变化明显,这与Liu等[32]研究结果相似.最大坡度从66.36°(30m分辨率)降低至34.76°(300m分辨率),平均坡度从13.97°降低至7.97°,分辨率降低,导致地面起伏程度逐渐趋于平缓, 较高和较低处被平坦化,地形特征损失显著,这种地形特征的缺失可能导致模型对于集水区识别产生变化[33].对于模型子流域划分而言,随着DEM分辨率的降低,HRU个数呈下降趋势;子流域个数在一定DEM分辨率范围内(30～100m)保持稳定,当DEM分辨率为300m时,HRU之间产生部分合并,子流域个数减少.

3.2 DEM分辨率变化对模型模拟结果影响

选取1991～2002年实测降水数据,根据不同分辨率下的水文特征选取30, 100, 300m的DEM分辨率对流域出口径流及总氮负荷进行模拟分析.结果如表3所示,不同DEM分辨率下,模型对径流模拟的ENS和2均在0.87以上,无明显效果差异,模拟效果均较好.这与Lin等[34]在谢坑溪流域研究结果相似.一般而言,地表径流产流采用SCS-CN模型进行模拟计算,与土壤初始含水量、流域最大滞留量等因素有关[35-36].在相同的降水输入情况下,DEM分辨率变化得到的流域面积和最大高程差别不大,30m与300m仅相差2.6%和1.2%,对年径流来说,影响较小;DEM分辨率对坡度变化产生较大影响,但一定范围内的DEM分辨率变化引起的坡度差异对产流模拟结果影响相对有限[37],对次洪相应的汇流过程虽有一定的影响,但累加为年径流后,影响也相对较小.因而,DEM分辨率变化对于径流结果影响并不明显.

表2 DEM分辨率对流域识别特征的影响

于总氮而言,随着DEM分辨率不断降低,总氮的模拟效果变差,30, 100和300m分辨率下ENS分别是0.78、0.55、0.52,呈不断减少趋势,说明分辨率降低对模拟结果有较为明显的影响.总氮主要来自流域内的农业面源污染,如氮肥施用、牲畜有机肥等,与流域土地利用类型有关[38-39],潮河流域的土地利用类型以草地、林地及耕地为主,其中草地占总面积的42.84%,林地为36.08%,耕地为15.81%(2012年).草地及林地氮肥施用相对较少,而耕地相对较多,由于流域内耕地主要分布在河系边的河谷平原带(图1),地形变化不大,而平缓地形为主的研究区对DEM分辨率变化更为敏感[40],导致总氮模拟的差异.

表3 不同DEM分辨率下径流、总氮模拟效果评价

从时间上,选取潮河流域1990～2002年间不同水文年,评价DEM分辨率对于总氮模拟结果影响,从表4可以看出,丰水年(1994年)较平水年(1995年)和枯水年(2000年)年径流量增大,总氮负荷相对更高,这是因为降水是非点源污染的主要驱动力,总氮受降水强度和时间影响,径流量增加,使得雨水进入地表,携带大量含氮物质进入水体,总氮负荷变大[41-42].不同DEM分辨率在不同水文年下,总氮模拟结果呈现较大差异.丰水年总氮负荷模拟值差异较大,如1994年,30m分辨率下总氮负荷为1858.35t,而在300m分辨率下,总氮负荷明显减少,为1336.21t;而枯水年(2000年)在30, 100和300m分辨率下的总氮结果分别是:233.18, 217.69和217.69t,模拟差异相对较小.这说明总氮模拟不仅受地形因素影响,更与降水量分布有关.由于不同水文年的降雨差异,不同DEM分辨率下的模拟差异被放大.以30m分辨率为基准,100m分辨率下,丰水年(1994年)与枯水年(2000年)的总氮模拟差异相差不大,相对误差分别为7.5%和6.64%;而300m分辨率,丰水年模拟结果差异超过28%,相比于枯水年差异远远增大.这说明在潮河流域,降水很大程度主导了总氮负荷的产生,而分辨率降低造成的地形特征模糊对总氮负荷的模拟影响相对有限.

从空间上,潮河流域子流域非点源污染物的污染负荷强度如图3所示,不同DEM分辨率下,年均(1993～2002年)氮污染负荷强度在空间分布上相似,高负荷区均位于潮河中游,潮河上游及下游的污染负荷强度相对较低,该结果与徐菲等[43]在密云库区上游潮河流域研究结果相似,污染负荷强度高主要是由于流域内不合理的畜禽养殖、农业活动[43-44]导致氮污染负荷加大;年均氮污染负荷强度在30, 100和300m DEM分辨率下范围分别为0.10～5.12, 0.08～5.09和0.05～3.40kg/hm2, DEM分辨率为30和100m时,子流域数量不变,氮污染负荷强度范围相差不大,DEM分辨率为300m时,子流域数量由39个减少至35个,氮污染负荷范围缩减,由于总氮负荷和地形坡度有关[45],DEM分辨率降低对高程、坡度较低地区进行了高度的概化,使得高程、坡度范围变小,子流域个数减少,从而导致模拟效果的差异.

表4 不同水文年及DEM分辨率总氮模拟结果比较(1990～2002年)

图3 不同DEM分辨率总氮负荷强度模拟结果

3.3 不同降水数据情景差异

降水输入数据是模型模拟的重要输入源,本文选取雨量站(1991～2002年)实测数据、气象站(丰宁站、承德站)(1961～2000年)降水插值数据与SWAT官方雨量站降水插值数据(1991～2002年)3种不同降水数据情景进行模拟研究.基于雨量站实测降水数据作为评价其他降水输入估算出的流域降水量的标准值,基于分布密度较高的雨量站降水资料可以相对真实的反映流域降水的空间异质性,比较不同降水数据估算的流域降水量.

根据雨量站实测降水资料得到流域年均等雨量线图(图4a)可以看出,潮河流域降水空间分布差异显著,呈现出从西北向东南方向递增趋势,降水中心位于流域东南方向.3种不同的降水输入条件下: (a)1991～2002年雨量站实测降水插值;(b) 1961～2000气象站降水插值;(c)1991～2002年官方雨量站实测降水插值,流域年均降水量依次为502.69, 485.00和396.83mm.流域内雨量站实测与气象站年均降水量差异不大,由于丰宁气象站位于流域中心位置,潮河流域中部区域年降水量和雨量站实测的相似,而潮河下游承德气象站位于潮河流域东南侧,距离流域有一定的距离,因而潮河流域下游区域年降水量和雨量站实测差距变大,基于相邻有限气象站(丰宁、承德)降水资料得到降水数据和雨量站实测降水值相比,由于无法详细描述流域降水的高值信息,从而过低估计了流域降水量;而SWAT官方雨量站雨量数据是由全球气象模式重建的平均网格化插值数据,数据精度相对较低,因而官方雨量站插值数据较雨量站实测和气象站插值差距更大(图4c).

图4 潮河流域基于不同降水数据插值后雨量分布

(a)1991～2002年雨量站实测降水插值;(b)1961～2000年气象站降水插值;(c)1991～2002年SWAT官方雨量站降水插值

3.4 降水输入对模型结果影响

分别以雨量站(1991～2002年)实测数据、气象站(丰宁站、承德站)(1961～2000年)降水插值数据与官方雨量站(1991～2002年)降水插值数据作为降水输入条件对径流和总氮进行模拟,为保持模拟时间尺度一致,选择1991～2000年为模拟年份,预热期2a,气象数据只改变降水量数据,DEM采用30m分辨率,其他数据采用SWAT模块默认值.模拟结果显示(表5),在1991～2000年间,雨量站实测降水数据对应的径流和总氮模拟效果最好,气象站插值与雨量站实测模拟结果较为接近,而官方雨量站插值模拟结果相对较差.这是由于雨量站和气象站是基于水文部门和气象部门建立的标准站点数据,监测精度均符合规范,水文部门的日雨量起止时间分界点与气象部门的日雨量起止时间分界点虽有所区别,但不影响年尺度的模拟差异,因此两者模拟结果较为相似.两者模拟的差异主要来源于潮河流域气象站点和雨量站点空间位置不同,且站点分布密度差别较大导致,因而基于雨量站点较多的实测数据模拟结果较气象站插值更好.而SWAT官方雨量站雨量数据是由全球气象模式重建的数据,并非实际监测的数据,与实际的雨量值相差较大,由此计算的径流和总氮的精度也低.

表5 不同降水插值下研究区径流、总氮模拟效果评价

3种不同降水插值条件下,潮河流域总氮多年平均负荷强度模拟见图5.多年雨量站实测数据输入模拟潮河流域总氮负荷强度空间分布呈现“上下游低,中游高”的趋势;气象站插值雨量输入总氮负荷强度分布呈现“上中游高,下游低”趋势;官方雨量站模拟总氮空间分布负荷强度较雨量站实测数据和气象站插值数据整体偏低.从模拟值范围来看,雨量站实测数据结果范围为0.10～5.10kg/hm2,气象站插值模拟结果范围为0.09～5.48kg/hm2,而官方雨量站插值模拟结果范围有明显减小为0.04～ 2.41kg/hm2. 3种不同降水插值输入模拟中,子流域总氮负荷强度变化较大,特别是在流域上游和中游区域.雨量站实测降水输入结果中,流域中部6个子流域的单位负荷强度大于2.38kg/hm2;而气象站降水数据插值结果中,共16个子流域单位负荷强度大于2.38kg/hm2,分布在流域上游和中游;上游子流域总氮负荷相较于雨量站实测模拟明显偏高,中游及下游10～39号子流域总氮负荷强度与实测雨量模拟结果相对一致;而官方雨量站插值降水数据得到的各子流域总氮负荷强度整体偏低.这是由于模型输入的降水数据来源不同,不同降雨数据因站点分布和站网密度差异导致流域范围内降雨分布、雨强产生差异.有研究表明,污染负荷强度与雨强、降水空间分布等因素有关[42,46],在相同条件坡度和坡长下,氮素流失量与降水分布呈正相关关系[47],从而导致氮污染流失量在空间分布上的差异.从模拟结果来看,雨量站实测与气象站插值降水对于氮污染负荷的空间分布差异不大,模拟效果均较好,因此在一定条件下,利用流域内气象站插值数据代替雨量站实测数据是可行的.

图5 不同降水插值输入下总氮负荷强度模拟结果

表6 不同降水条件下不同水文年的总氮模拟结果

不同的降水数据输入因监测站点分布、站网密度和数据准确性在不同水文年总氮模拟结果中也显示出了较大差异,如表6所示.气象站插值在丰水年与枯水年总氮模拟结果较接近雨量站实测数据的模拟结果,相对误差分别为13.04%和30.88%,但在平水年的模拟结果差异较大,误差达-55.08%;而官方雨量站插值在平水年效果优于气象站插值,相对误差为-24.18%,但丰水年和枯水年模拟结果相对误差均达50%以上.这可能是由于不同降水数据之间插值方式产生的差异,在不同水文年表现更为显著.气象站降水插值是由位于流域中心和西南角的丰宁气象站和承德气象站利用反距离插值法得到,其站网密度远小于水文站.从结果可知,丰水年雨量站实测与气象站插值差异较小,枯水年次之,平水年最大,这说明基于较多或较少年降水量,气象站插值更能准确表达流域内的降水情况,通过少量站点的降水监测数据也可满足一般精度模拟的实际要求;而SWAT官方雨量站雨量数据是由全球气象模式重建的数据,站点分布均匀,但由于数据非实际测量数据,与实际监测雨量分布相差较大,在丰水年和枯水年下差异较为明显,平水年下差异反而变小.

以上结果表明,在SWAT建模中,确定合适的DEM分辨率和降水数据至关重要,对模型结果产生较大影响.在未来,利用模型开展相关研究进行科学决策越来越成为面源污染治理的重点,为减少模型预测的不确定性,在建模之前开展相关调研和研究,确定最合适的数据类型和数据精度应成为模型建模考虑的方向.

4 结论

4.1 DEM分辨率变化会对流域地形特征产生影响,地形概化特征明显.不同DEM分辨率下径流及总氮模拟效果不同;DEM分辨率变化(30～300m)对径流模拟影响不显著,ENS和2可达到0.87以上;对总氮模拟结果影响较大,分辨率越精细,模拟效果越好.

4.2 DEM分辨率变化对不同水文年对总氮负荷模拟表现不同.在丰水年,对总氮负荷影响较大,负荷量差异较为明显,而在枯水年,影响相对较小;不同DEM分辨率下,年均(1993～2002年)总氮负荷强度空间分布相似,高负荷区均位于潮河中游,潮河上游及下游的负荷强度相对较低.

4.3 不同降水输入数据站点分布、站网密度以及数据准确性的不同,流域内降水空间分布差异显著.总体上,基于站点较少的气象站插值数据的径流和总氮模拟效果与基于雨量站实测降水数据的模拟效果较为接近,而基于SWAT官方雨量站插值数据模拟效果较差.

4.4 不同降水数据输入情景下,总氮负荷强度模拟的空间分布差异明显,降水量分布较高的区域,负荷量也较高;不同水文年下,不同降水输入对总氮负荷模拟表现不同.丰水年和枯水年下,气象站插值数据的模拟结果与基于雨量站实测数据的模拟结果较为接近,而基于SWAT官方雨量站插值的模拟结果误差较大;平水年下,基于SWAT官方雨量站插值的模拟结果较基于气象站插值数据的模拟结果更好.

[1] 耿润哲.流域非点源污染控制措施优化配置及成本效益分析研究 [D]. 北京:首都师范大学, 2015. Geng R Z. Optimizing best management practices using a multi-objective optimization tool to improve water quality goals under different spatial scales [D]. Beijing: Capital Normal University, 2015.

[2] 王晓燕.流域非点源污染过程机理与控制管理—以北京密云水库流域为例 [M]. 北京:科学出版社, 2011. Wang X Y. Process Mechanism and control management of non-point source pollution in watershed—A case study of Miyun Reservoir Watershed, Beijing [M]. Beijing: Science Press, 2011.

[3] Wu L, Long T Y, Liu X, et al. Impacts of climate and land-use changes on the migration of non-point source nitrogen and phosphorus during rainfall-runoff in the Jialing River Watershed, China [J]. Journal of Hydrology, 2012,475:26-41.

[4] Pang S, Wang X, Melching C S, et al. Development and testing of a modified SWAT model based on slope condition and precipitation intensity [J]. Journal of Hydrology, 2020,588:125098.

[5] Preetha P P, Al-Hamdan A Z. Integrating finite-element-model and remote-sensing data into SWAT to estimate transit times of nitrate in groundwater [J]. Hydrogeology Journal, 2020,28(6):2187-2205.

[6] Guo T, Engel B A, Shao G, et al. Development and improvement of the simulation of woody bioenergy crops in the Soil and Water Assessment Tool (SWAT) [J]. Environmental Modelling & Software, 2019,122:104295.

[7] Jiang K, Li Z, Luo C, et al. The reduction effects of riparian reforestation on runoff and nutrient export based on AnnAGNPS model in a small typical watershed, China [J]. Environmental Science and Pollution Research, 2019,26(6):5934-5943.

[8] 庞树江,王晓燕,马文静.多时间尺度HSPF模型参数不确定性研究[J]. 环境科学, 2018,39(5):2030-2038. Pang S J, Wang X Y, Ma W J. Research of parameter uncertainty for the HSPF model under different temporal scales [J]. Environmental Science, 2018,39(5):2030-2038.

[9] Hao G, Li J, Song L, et al. Comparison between the TOPMODEL and the Xin'anjiang model and their application to rainfall runoff simulation in semi-humid regions [J]. Environmental Earth Sciences, 2018,77(7):279.

[10] Shen Z Y, Chen L, Chen T. The influence of parameter distribution uncertainty on hydrological and sediment modeling: a case study of SWAT model applied to the Daning watershed of the Three Gorges Reservoir Region, China [J]. Stochastic Environmental Research & Risk Assessment, 2013,27(1):235-251.

[11] Bormann H. Sensitivity of a soil-vegetation-atmosphere-transfer scheme to input data resolution and data classification [J]. Journal of Hydrology, 2008,351(1/2):154-169.

[12] 邱临静,郑粉莉,Yin R S. DEM栅格分辨率和子流域划分对杏子河流域水文模拟的影响 [J]. 生态学报, 2012,32(12):3754-3763. Qiu L J, Zheng F L, Yin R S. Effects of DEM resolution and watershed subdivision on hydrological simulation in the Xingzihe watershed [J]. Acta Ecologica Sinica, 2012,32(12):3754-3763.

[13] Gautam S, Dahal V, Bhattarai R. Impacts of dem source, resolution and area threshold values on SWAT generated stream network and streamflow in two distinct nepalese catchments [J]. Environmental Processes, 2019,6(3):597-617.

[14] Zhang P, Liu R, Bao Y, et al. Uncertainty of SWAT model at different DEM resolutions in a large mountainous watershed [J]. Water Research, 2014,53(15):132-144.

[15] Tan M L, Ramli H P, Tam T H. Effect of DEM resolution, source, resampling technique and area threshold on SWAT outputs [J]. Water Resources Management, 2018,32:4591-4606.

[16] Katie P, Thomas P S, Kraemer S R, et al. Comparison of radar and gauge precipitation data in watershed models across varying spatial and temporal scales [J]. Hydrological Processes, 2014,28(9):1-16.

[17] Yen H, Wang R, Feng Q, et al. Input uncertainty on watershed modeling: Evaluation of precipitation and air temperature data by latent variables using SWAT [J]. Ecological Engineering, 2018,122:16-26.

[18] Cotter A S, Chaubey I, Costello T A, et al. Water quality model output uncertainty as affected by spatial resolution of input data [J]. Journal of the American Water Resources Association, 2003,39(4):977–986.

[19] Xu F, Dong G, Wang Q, et al. Impacts of DEM uncertainties on critical source areas identification for non-point source pollution control based on SWAT model [J]. Journal of Hydrology, 2016,540:355-367.

[20] Tan M L, Ficklin D L, Dixon B, et al. Impacts of DEM resolution, source, and resampling technique on SWAT-simulated streamflow [J]. Applied Geography, 2015,63:357-368.

[21] Song X, Qi Z, Du L P, et al. The Influence of DEM Resolution on Hydrological Simulation in the Huangshui River Basin [J]. Advanced Materials Research, 2012,518-523:4299-4302.

[22] Tuo Y, Duan Z, Disse M, et al. Evaluation of precipitation input for SWAT modeling in Alpine catchment: A case study in the Adige river basin (Italy) [J]. The Science of the Total Environment, 2016,573:66-82.

[23] 张雪松,郝芳华,张建永.降水空间分布不均匀性对流域径流和泥沙模拟影响研究[J]. 水土保持研究, 2004,11(1):9-12. Zhang X S, Hao F H, Zhang J Y. Study on effect of uncertainty in spatial distribution of rainfall on runoff and sediment modeling [J]. Research of Soil and Water Conservation, 2004,11(1):9-12.

[24] Qiu J, Shen Z, Huang M, et al. Exploring effective best management practices in the Miyun reservoir watershed [J]. China Ecological Engineering, 2018,123:30-42.

[25] 耿润哲,王晓燕,庞树江,等.潮河流域非点源污染控制关键因子识别及分区[J]. 中国环境科学, 2016,36(4):1258-1267. Geng R Z, Wang X Y, Pang S J, et al. Identification of key factors and zonation for nonpoint source pollution controlin Chaohe River watershed [J]. China Environmental Science, 2016,36(4):1258-1267.

[26] Wang X, Shang S, Yang W, et al. Simulation of land use-soil interactive effects on water and sediment yields at watershed scale [J]. Ecological Engineering, 2010,36:328-344.

[27] 窦小东,黄 玮,易 琦,等. LUCC及气候变化对澜沧江流域径流的影响[J]. 生态学报, 2019,28(1):7-15. Dou X D, Huang W, Yi Q, et al. Impacts of LUCC and climate change on runoff in Lancang River Basin [J]. Acta Ecologica Sinica, 2019, 28(1):7-15.

[28] Wu D, Cui Y, Xie X, et al. Improvement and testing of SWAT for multi-source irrigation systems with paddy rice [J]. Journal of Hydrology, 2019,568:1031-1041.

[29] Geza M, Mccray J E. Effects of soil data resolution on SWAT model stream flow and water quality predictions [J]. Journal of Environmental Management, 2008,88(3):393-406.

[30] Moriasi D N, Arnold J G, Van Liew M W, et al. Model evaluation guidelines for systematic quantification of accuracy in watershed simulations [J]. Transactions of the ASABE, 2007,50(3):885-900.

[31] Zhang P, Liu R, Bao Y, et al. Uncertainty of SWAT model at different DEM resolutions in a large mountainous watershed [J]. Water Research, 2014,53(8):132-144.

[32] Liu H, Kiesel J, Hörmann G, et al. Effects of DEM horizontal resolution and methods on calculating the slope length factor in gently rolling landscapes [J]. CATENA, 2011,87(3):368-375.

[33] Thieken A H, Lucke A, Diekkruger B, et al. Scaling input data by GIS for hydrological modelling [J]. Hydrological Process, 1999,13:611-630.

[34] Lin S, Jing C, Coles N A, et al. Evaluating DEM source and resolution uncertainties in the soil and water assessment tool [J]. Stochastic Environmental Research and Risk Assessment, 2012,27:209-221.

[35] Ou Y, Wang X Y. GIS and ordination techniques for studying watershed characteristics influence on river water quality [J]. Water Science and Technology, 2011,64(4):861-870.

[36] 张雪松,郝芳华,杨志峰,等.径流模拟对DEM分辨率的敏感性分析 [J]. 水土保持通报, 2004,24(1):32-35. Zhang X S, Hao F H, Yang Z F, et al. Effect of DEM's resolution on watershed hydrologic modeling [J]. Bulletin of Soil and Water Conservation, 2004,24(1):32-35.

[37] 叶许春,张 奇.网格大小选择对大尺度分布式水文模型水文过程模拟的影响[J]. 水土保持通报, 2010,30(3):112-116. Ye X C, Zhang Q. Effects of grid size on hydrological process modeling as a distributed hydrological model at large scale [J]. Bulletin of Soil and Water Conservation, 2010,30(3):112-116.

[38] Cui G, Wang X, Li C, et al. Water use efficiency and TN/TP concentrations as indicators for watershed land-use management: A case study in Miyun District, north China [J]. Ecological Indicators, 2018,92:239-253.

[39] Xu E, Zhang H. Aggregating land use quantity and intensity to link water quality in upper catchment of Miyun Reservoir [J]. Ecological Indicators, 2016,66:329-339.

[40] 呼雪梅,秦承志.地形信息对确定DEM适宜分辨率的影响[J]. 地理科学进展, 2014,33(1):50-56. Hu X M, Qin C Z. Effects of different topographic attributes on determining appropriate DEM resolution [J]. Progress in Geography, 2014,33(1):50-56.

[41] 何杨洋,王晓燕,段淑怀.密云水库上游流域次降雨坡面产流产沙特征[J]. 农业工程学报, 2015,31(24):134-141. He Y Y, Wang X Y, Duan S H. Characteristics of runoff and sediment during individual rainfall in upper area of Miyun Reservoir [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015,31(24):134-141.

[42] Wang X, Li Z, Li M. Impacts of climate change on stream flow and water quality in a drinking water source area, Northern China [J]. Environmental Earth Sciences, 2018,77(11):410.

[43] 徐 菲,王永刚,张 楠,等.北京市白河和潮河流域生态健康评价 [J]. 生态学报, 2017,37(3):932-942. Xu F, Wang Y G, Zhang N, et al. Health assessment of watershed ecosystems: the Chao River and Bai River Basins as a case study [J]. Acta Ecologica Sinica, 2017,37(3):932-942.

[44] 张 敏,李令军,赵文慧,等.密云水库上游河流水质空间异质性及其成因分析[J]. 环境科学学报, 2019,39(6):1852-1859. Zhang M, Li L J, Zhao W H, et al. Spatial heterogeneity and cause analysis of water quality in the upper streams of Miyun Reservoir [J]. Acta Scientiae Circumstantiae, 2019,39(6):1852-1859.

[45] 耿润哲,李明涛,王晓燕,等.基于SWAT 模型的流域土地利用格局变化对面源污染的影响 [J]. 农业工程学报, 2015,31(16):241-250.Geng R Z, Li M T, Wang X Y, et al. Effect of land use/landscape changes on diffuse pollution load from watershed based on SWAT model [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015,31(16):241-250.

[46] 邬燕虹,张丽萍,陈儒章,等.坡长和雨强对氮素流失影响的模拟降水试验研究[J]. 水土保持学报, 2017,31(2):7-12. Wu Y H, Zhang L P, Chen R Z, et al. Reasearch on the effect of slope length and rainfall intensity on nitrogen loss in sloping land under artificially simulated rainfall [J]. Journal of Soil and Water Conservation. 2017,31(2):7-12.

[47] Wu L, Liu X, Ma X Y. Spatiotemporal distribution of rainfall erosivity in the Yanhe River watershed of hilly and gully region, Chinese Loess Plateau [J]. Environmental Earth Sciences, 2016,75(4):1-13.

The influence of input data precision and accuracy on SWAT model simulation.

CHEN Hai-tao1, WANG Xiao-yan1,2*, NAN Zhe1, HAN Xiao-meng1, WUAi-pu1,HUANG Jie-yu1,PANG Shu-jiang1

(1.College of Resources, Environment and Tourism, Capital Normal University, Beijing 100048, China；2.Research Center of Aquatic Environment in the Capital Region, Capital Normal University, Beijing 100048, China)., 2021,41(5)：2151～2160

The influence of input data precision and accuracy (DEM resolution and precipitation interpolation) on runoff and total nitrogen simulation was studied with runoff and water quality monitoring data of Chaohe watershed from 1990 to 2013 as samples. The results showed that there were different effects of the DEM resolution change (30～300m) on runoff and total nitrogen simulation results. No significant impact on runoff simulation were found, with ENS and2above 0.87. While greater effects on total nitrogen simulation results were found. The finer the resolution, the better the simulation accuracy. Under different hydrological years, heterogeneous impacts on simulation performance were found on total nitrogen (TN) load with the change of DEM resolution. There were more significant differences in wet years than in dry years. The influence on the spatial distribution of the annual average (1993～2002) total nitrogen load were much less with the change of DEM resolutions. The high load areas were located in the midstream of the Chaohe watershed, and low load areas in the upstream and downstream. There were larger discrepancies in the spatial distribution of precipitation in the watershed under different distribution and density of monitoring sites, and accuracy of precipitation input data. In general, the runoff and total nitrogen simulation results based on the interpolation data of the fewer weather stations were close to results based on monitoring data of rainfall stations, and the simulation performance based on interpolation data of SWAT official rainfall stations was relatively poor. The spatial distribution of simulated total nitrogen intensity load were obviously different with different precipitation data inputs. The higher the precipitation, the higher total nitrogen load intensity. In different hydrological years, the simulation performance of total nitrogen load also differed with different precipitation data inputs. In wet and dry years, simulation results of TN based on the interpolation data of the weather stations were closer to results based on the rainfall station data, while large simulation deviations were found with the official SWAT rainfall station data. In the normal years, the simulation performance based on official SWAT rainfall station data was better than those based on the interpolation data of the weather stations. This research provided a scientific reference for watershed modeling applications regarding input data accuracy and precision.

SWAT model；DEM resolution；precipitation data；Chaohe watershed

X52

A

1000-6923(2021)05-2151-10

陈海涛(1994-),男,江西上饶人,首都师范大学硕士研究生,研究方向为流域水污染控制与管理.发表论文1篇.

2020-09-18

北京市自然科学基金委员会-北京市教育委员会联合资助项目(KZ201810028047);国家自然科学基金资助项目(21377168,40971258)

*责任作者, 教授, wangxy@cnu.edu.cn