王瑾杰，丁建丽，张 喆，陈文倩



基于多源遥感数据的艾比湖流域盐土SWAT模型参数修正

王瑾杰1,2,3,4，丁建丽1,2,4※，张 喆2,4，陈文倩2,4

（1. 新疆大学生态学科博士后科研流动站，乌鲁木齐 830046；2. 新疆大学资源与环境科学学院智慧城市与环境建模自治区普通高校重点实验室，乌鲁木齐 830046；3. 新疆交通职业技术学院，乌鲁木齐 831401； 4. 新疆大学绿洲生态教育部重点实验室，乌鲁木齐 830046）

在SWAT（soil and water assessment tool）模型模拟地表分量过程中，常默认土壤剖面电导率（electrical conductivity，EC）值为0或0.1，将其应用于土壤盐渍化程度较高的流域时，不符合下垫面实际情况。为确保水文模拟逼近真实地表模拟过程，进一步提高模拟精度，该文利用GF-1号卫星16 m分辨率多光谱遥感影像结合分类回归树法反演艾比湖流域区域尺度0～100 cm土壤剖面电导率，模拟值与实测值均方根最大值误差为4.81 dS/m，相对误差最大值为15.17%。模拟值用于修正EC值，结果表明：EC值修正后的SWAT模型土壤水分模拟值，较修正前模拟值精度提高23.84个百分点。该方法在实现SWAT模型参数本地化的同时，有效提高了土壤水分模拟精度，可为土壤盐渍化区域水文模拟提供参考。

土壤；电导率；遥感；盐渍化; SWAT模型；GF-1

0 引 言

地表分量模拟是地学研究领域中重要的组成部分，减少其不确定性、提高模拟精度是模拟过程中亟待解决的关键科学问题。作为地表分量模拟模型之一[1]，SWAT（soil and water assessment tool）综合考虑了气候、土壤、地形、植被、人类活动等多种要素，是具有很强物理机制的长时段流域分布式水文模型[2]，已被广泛应用。

SWAT模型的功能和参数设置以雨量丰富的湿润地区为基础[3]，故在其他地区应用时需根据地域特点对参数进行本地化修正。例如：Andersson等[4]为适应区域气候变化，以非洲南部流域为例将时空动态的泰森多边形法嵌入气象数据以提高SWAT模型模拟精度；Kim等[5-10]根据当地径流补给方式对融雪模块进行改进以提高模拟精度；魏冲等[11]针对不同景观格局，通过设置多套试验参数，分析SWAT模型对不同景观格局变化的敏感性，生成基于不同景观格局的模拟结果；郑捷等[12]对SWAT模型的农作物耗水量参数进行改进，在平原型灌溉区应用时取得较好的结果。国内外关于SWAT模型的改进研究还有很多[13-18]，但对下垫面土壤盐碱化程度较高区域的土壤电导率参数修正方法鲜见报道。目前，SWAT模型土壤数据库多采用与其土壤粒径级配标准及土壤质地标准相同的世界土壤数据库（Harmonized World Soil Database，HWSD）制作而成，HWSD数据库中的土壤剖面电导率（T_ECE）属性字段在中国区域应用时，因为没有更好的相关数据予以订正，所以全部默认为0或0.1。而土壤电导率（electrical conductivity，EC）直接影响土壤水分和径流量的计算，采用HWSD默认值，可能不适用于土壤盐碱化程度较高的地区的地表分量模拟。

本文以土壤盐渍化程度较高的新疆艾比湖流域为研究区，基于GF-1卫星16 m分辨率多光谱遥感影像，计算植被指数、土壤指数、盐分系数及饱和度，结合分类回归树，建立反演艾比湖流域0～100 cm土壤剖面电导率模型；再利用反演的土壤剖面电导率数据修正HWSD数据库中的EC值并重新计算SWAT土壤数据库参数进行土壤水分模拟；最后，将土壤电导率修正前后的SWAT模型土壤水分模拟结果与实测数据进行对比，探索SWAT模型在干旱区高盐渍土区域应用时土壤电导率参数本地化方法，以期进一步提高SWAT模型模拟精度，为SWAT模型在高盐渍土区域地表分量的模拟提供参考。

1 材料与方法

1.1 研究区概况

艾比湖流域位于新疆维吾尔自治区博尔塔拉蒙古自治州境内及周边地区（图1），流域三面环山，气候变化剧烈，年降雨量稀少，日照时数充足，蒸发量大。流域内有新疆最大的盐水湖——艾比湖。近10 a来，艾比湖及流域周边生态环境急剧恶化，湖泊面积萎缩严重，导致干涸湖底面积不断增加，湖滨荒漠化及周边区域土壤盐碱化程度不断加剧。大面积裸露湖床及盐壳受常年大风影响，已使艾比湖成为中国西部沙尘暴、盐尘暴主要策源地之一，严重影响天山北坡绿洲内生态安全和可持续发展。模拟流域地表分量，可为解决流域相关地学问题提供数据基础。

注：1~30子流域编号

1.2 数据来源

1.2.1 用于遥感反演土壤电导率的数据

本文利用多源遥感数据反演艾比湖流域土壤剖面电导率，涉及从中国卫星工程应用中心2014年6月4日采集的遥感图像GF-1 16 m宽幅WFV多光谱遥感影像及野外实测土壤剖面电导率和土壤pH值数据；其中植被指数、土壤指数、盐分系数及饱和度数据基于文献[19-20]方法采用GF-1号卫星多波段组合计算生成。

植被指数：NDVI=(4–3)/(4+3) DVI=4–3

土壤指数：si1=(2·3)0.5

si2=(22+32+42)0.5

bi=(32+42)0.5

盐分指数：sr=(3–4)/(2 +4)

饱和度： int=(2+3)/2

式中2、3、4分别GF-1卫星影像的绿光、红光、近红外波段；NDVI代表归一化植被指数；DVI代表差分植被指数；si1代表通过红、绿波段计算的土壤指数；si2代表通过红、绿及近红外波段计算的土壤指数；bi代表裸土指数；int代表饱和度；sr代表盐分指数。

GF-1卫星反演艾比湖流域土壤剖面电导率精度采用2014年5月13日—5月21日38个野外实测数据与模拟结果进行对比分析，野外采样点分布见图1。艾比湖流域绿洲区域田间采样，分层采集，每个测量单元内均匀布设3个点，采集后将3个土样均匀混合，实验室备制1∶5土水比浸提液，利用德国Cond 7310电导率测定仪测定土壤电导率、pH 值，测量仪器精度可达小数点后3位。

1.2.2 用于SWAT模拟土壤水分的数据来源

驱动SWAT模型需要3大数据库，分别为气象数据库、土壤数据库和土地利用数据库。每项数据库都涉及众多参数。其中，ASTER 30 m分辨率DEM数据来源于地理空间数据云，用于SWAT模型的流域划分，并参与水文单元的划分及计算；2010年多时相Landsat TM/ETM遥感影像，通过人工目视解译生成的土地利用/覆被数据(Lucc)来源于中科院数据云（http://www.csdb.cn/），用于制作SWAT模型土地利用数据库；中国区域世界土壤数据库（HWSD）来源于寒区旱区科学数据中心，用于制作SWAT模型土壤数据库；CMADS大气数据集来源于寒区旱区科学数据中心，包括2008—2014年温、压、湿、风、降水、太阳辐射日尺度数据，用于制作SWAT模型气象数据库。2008—2014年间日尺度土壤水分实测数据，野外采集38个0～10 cm表层土壤样本，烘干测定土壤水分，单位换算为mm。

1.3 研究方法

1.3.1 土壤剖面电导率反演方法

土壤剖面电导率空间分异研究主要有传统的土壤采样方法、电磁感应技术及遥感评估方法[21-25]。丁建丽等[26-27]基于遥感特征空间理论，利用LandsatTM数据和长时间序列的野外实测数据构建了多种绿洲土壤盐分遥感监测指数模型。Li等[28-29]利用EM38大地电导率仪和线性预测模型来获取剖面土壤表观电导率，并利用克里格法和分类回归树法模拟三维土体电导率的空间变化特征。刘广明等[30]2015年以中原黄泛区河南省封丘县为研究区，基于土壤电导率发生机理，利用地形、植被指数、土壤指数、盐分系数、地下水位及矿化度等因素构建了土壤盐分综合评估模型，反演区域土壤盐分均方根误差为0.72～1.27 dS/m之间，取得良好效果。

基于上述研究，本文利用刘广明等[30]基于土壤盐渍化发生机理反演土壤电导率的方法，以GF-1卫星16 m高分辨率遥感影像的多波段组合计算的土壤指数、植被指数、盐分系数及饱和度作为自变量，将野外采样得到的各层土壤电导率作为因变量，按不同土层输入分类回归树（classification and regression tree，CART）软件建模，建立基于分类回归统计规则的线性模型，具体通过Cubist2.08数据挖掘软件实现。再将线性模型和自变量图像输入ENVI软件进行计算，输出各层土壤电导率空间分布图，最终获取0～100 cm艾比湖流域土壤剖面电导率空间数据，用以代替与HWSD土壤数据库中0～100 cm剖面EC值，从而实现利用高分辨率遥感数据修正SWAT土壤数据库参数的目的。

1.3.2 SWAT模型地表分量模拟

SWAT模型通过建模模拟流域内产水、产沙等物理过程的发生。建模需根据流域内足以影响水文过程的不同土地利用方式、土壤属性间的区域性差异将流域划分成若干子流域，在子流域划分的基础上，将包含唯一土地覆盖、土壤和管理措施的区域再划分成若干水文响应单元。水文响应单元则是流域进行模拟产水、产沙、营养物质循环等计算的最小单元。SWAT模型进行水文模拟可划分为2个阶段：1）控制子流域水流、泥沙等向主河道输入的陆地阶段；2）流域河网中水流、泥沙等向出水口运移的水文循环汇流阶段。两个阶段模拟完成后即完成了地表分量的模拟。本文选用ARCSWAT2009结合ARCGIS9.3 Desktop计算空间数据；利用SPAW v6.02计算土壤参数。

1.4 精度验证

利用相对误差（relative error，RE）和均方根误差（root mean square error，RMSE）检验电导率和土壤水分模拟精度。

SWAT模拟众多地表分量，本文采用与模拟结果时间相匹配的野外实测土壤水分数据进行对比分析，利用实测数据与模拟值RE和RmSE对SWAT模拟土壤水分结果进行评价。

2 结果与分析

2.1 GF-1反演土壤剖面电导率

利用GF-1卫星影像数据结合分类回归树法分别建立艾比湖流域土壤剖面电导率反演模型，计算公式如下：

EC1=113.74+1939.31int+2159.39bi+45.11DVI+

632.27NDVI–366.37si1–2554.20si2+575.14sr （1）

EC2=2.12–310.46int–388.56DVI+198.54NDVI–

64.92si1+331.90si2+142.13sr （2）

EC3=3.328–355.49int–173.70DVI–12.15NDVI–

9.01si1+230.19si2–3.47sr （3）

EC4=–2.58–135.79int+18.65bi–50.94DVI–

23.18NDVI+14.41si1+58.23si2–21.97sr （4）

EC5=–186.17–856.71int–633.08bi–243.12DVI （5）

EC6=491.84+805.93int+767.60bi+137.16DVI–

248.68NDVI–1259.23si1–155.08si2+230.86sr （6）

式中EC1～EC6代表0～10、＞10～20、＞20～40、＞40～60、＞60～80和＞80～100 cm土壤电导率，dS/m。

为满足HWSD数据库的分层要求，将0～10、＞10～20、＞20～40 cm空间电导率数据加载入ARCGIS进行图层叠加，通过栅格计算器取其平均值作为修正HWSD数据库0～30 cm土壤电导率数据。再将＞40～60、＞60～80和＞80～100 cm空间数据进行叠加取平均值，作为修正HWSD数据库＞30～100 cm土壤电导率数据。受野外实测数据限制，为满足HWSD土壤数据库分层标准，本文用最接近HWSD 数据库分层标准的野外实测数据0～40、＞40～100 cm土壤电导率代替HWSD数据库0～30、＞30～100 cm的土壤电导率数据进行修正。

GF-1卫星影像反演得到艾比湖流域土壤盐渍化空间分布图覆盖研究区3/4以上区域，为获取覆盖整个艾比湖流域的土壤剖面电导率数据，均匀选取反演土壤剖面电导率图层中500个样点作为克里金空间插值的土壤样本，得到完全覆盖整个流域的土壤剖面电导率空间数据如图2所示。

本文采用艾比湖流域2014年5月13日—21日38个野外实测土壤剖面盐分数据对GF-1卫星结合分类回归树法建立的线性模型模拟值进行验证，结果见表1。RMSE为1～5 dS/m，RE低于16%，以RE小于30%为标准[24]，模拟结果较好。＞40～100 cm模拟值较0～40 cm更接近实测值，主要是由于表层土壤盐分分布空间差异较大。

统计艾比湖流域0～40、＞40～100 cm实测土壤剖面电导率值和pH值数据的最大值、最小值、平均值、中位数、标准差、变异系数、峰度等指标（表2）。结果显示，土壤剖面EC变化范围在0.173～118.49dS/m之间，且最大、最小值都在表层土壤，流域表层土壤盐渍化程度在水平方向上存在较大空间分异。流域不同深度土壤电导率平均值为4.174～8.827 dS/m，且随土壤深度的增加而减少，呈现盐分向土壤表层聚集趋势。流域土壤电导率变异系数随土壤深度的增加而减少，且差异达50%以上，表层和底层变异系数分别为1.46和0.77，均呈中等变异强度。研究区0～40、＞40～100 cm土层峰度值分别为14.33和3.69，差异明显，说明表层土壤盐分含量较高，底部盐分含量相对较低，盐分有向表层聚集的特征。区域内土壤剖面pH值为7.394～9.597，0～40、 ＞40～100 cm土层pH值的平均值分别为8.241和8.235，其变化趋势随着土壤深度的增加而增大，但变化差异相对较小；峰度值依然表现为表层较高，底层较小，且上下层变化差异较大。土壤盐渍化是由土壤底层或地下水中溶解的可溶性盐分沿土壤毛管空隙上升至地表，水分蒸发而盐分留存在地表累积，从而引起地表盐分的聚集。艾比湖属博尔塔拉河下游，河水长期注入湖中，导致湖滨及周边地区地下水位上升，使地下水及土壤中盐分带入地表，导致艾比湖周边土壤盐渍化程度最高。由表1可知，0～40 cm土壤电导率模拟值与实测值RMSE较大，主要由研究区表层土壤电导率空间分布差异显著导致；＞40～100 cm土壤电导率模拟值与实测值RMSE为1.149 dS/m；土壤电导率模拟值与实测值RE均低于20%，模拟结果与丁建丽等[24]在新疆渭-库绿洲典型盐渍土区域土壤电导率模拟结果类似。

图2 基于Kriging插值的艾比湖流域不同土层EC分布 Fig.2 Kriging spatial interpolation map of soil EC at different layers in Ebinur Lake Watershed

表1 艾比湖流域土壤剖面电导率精度验证

表2 不同土壤深度电导率和pH值数据统计

2.2 土壤电导率字段修正前后SWAT参数变化统计

利用GF-1卫星反演的0～100 cm土壤剖面电导率数据代替HWSD土壤数据库中0～100 cm的T_ECE字段，重新计算SWAT土壤数据库中0～30、＞30～100 cm土壤层有效持水量（SOL_AWC1、SOL_AWC2）参数，结果见表3。利用修正后T_ECE字段重新计算SWAT土壤数据库各项参数时发现：1）土壤电导率数据虽然只影响土壤层有效持水量，其他各项参数不发生变化，但土壤层有效持水量直接影响SWAT模拟地表径流和土壤水分的精度；2）流域表层土壤电导率数值较高，SOL_AWC随EC值而变化；不同土壤质地SOL_AWC随EC值变化特性不同。流域30～100 cm盐分分布差异较小，变化范围在1.27～4.51 dS/m之间。因此，下层土壤有效持水量SOL_AWC2变化幅度相对较小（0～0.033 mm）。

表3 艾比湖流域土壤剖面电导率修正前后 SWAT不同土层有效持水量参数计算结果

2.3 SWAT模型参数修正前后地表分量模拟结果对比

利用各项数据建立驱动SWAT模型的土壤、土地利用及气象3大数据库，利用GF-1反演土壤剖面电导率数据对土壤数据库参数进行修正，修正前、后SWAT模拟土壤水分结果如图3所示。EC值修正前、后土壤水分模拟值与实测值间的相对误差及均方根误差如表4所示。

图3 土壤剖面电导率修正前后SWAT土壤水分模拟值与实测值的比较

采用2014年5月13日—21日38个野外实测土壤水分数据对土壤电导率修正前后的SWAT模拟土壤水分结果进行精度验证（表4），修正后较修正前更接近实测值。修正前、后土壤水分模拟值与实测值间的RE分别为63.04%和39.20%，RMSE分别为1.79和1.34 mm。土壤电导率修正后SWAT模拟土壤水分精度还有待进一步提高，但在土壤盐渍化程度较高的区域，通过高分辨率遥感影像反演艾比湖流域土壤电导率修正HWSD中T_ECE参数的方法，较T_ECE参数未修正前SWAT模拟土壤水分精度提高23.84个百分点，可见利用GF-1卫星反演的土壤剖面电导率数据修正EC值默认为0的SWAT土壤数据库，可有效提高土壤含水量模拟精度。

表4 艾比湖流域SWAT模型EC值修正前后土壤水分精度验证

3 结 论

模型参数修正作为一种典型的从源头减少不确定性、提高模拟精度的方法，使地表水文模拟过程更接近研究区下垫面实际情况。本研究利用GF-1遥感影像结合其他多源遥感数据，运用分类回归树法对艾比湖流域土壤剖面电导率进行建模，反演得到艾比湖流域0～100 cm土壤电导率数值，并利用实测值对反演结果进行精度验证，其相对误差分别为15.17%和1.66%。利用遥感反演土壤电导率数据对SWAT模型的土壤持水量参数进行了修正，结果显示，SWAT模型参数修正后土壤水分模拟值较未修正模拟值更接近实测值，模拟结果精度相对误差减少了23.84个百分点，说明该方法对提高模拟精度具有较好效果。另外，除通过参数本地化修正外，还需深入研究SWAT模拟土壤水分的方法，从机理出发进行改进，进一步提高模拟精度将成为今后的研究重点。

[1] 王中根，刘昌明，黄友波. SWAT模型的原理、结构及应用研究[J]. 地理科学进展，2003，22(1)：79－86. Wang Zhonggen, Liu Changming, Huang Youbo. The theory of SWAT model and its application in Heihe basin[J]. Progress in Geography, 2003, 22(1): 79－86. (in Chinese with English abstract)

[2] 杨桂莲，郝芳华，刘昌明，等. 基于SWAT模型的基流估算及评价：以洛河流域为例[J]. 地理科学进展，2003，22(5)：463－471. Yang Guilian, Hao Fanghua, Liu Changming, et al. The study on baseflow estimation and assessment in SWAT--Luohe basin as an example[J]. Progress in Geography, 2003, 22(5): 463－471. (in Chinese with English abstract)

[3] 李硕，赖正清，王桥，等. 基于SWAT模型的平原河网区水文过程分布式模拟[J]. 农业工程学报，2013，29(6)： 106－112. Li Shuo, Lai Zhengqing, Wang Qiao, et al. Distributed simulation for hydrological process in plain river network region using SWAT model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(6): 106－112. (in Chinese with English abstract)

[4] Andersson J C M, Zehnder A J B, Bernhard W, et al. Improved SWAT model performance with time-dynamic voronoi tessellation of climatic input data in southern Africa1[J]. Jawra Journal of the American Water Resources Association, 2012, 48(3): 480－493.

[5] Kim S B, Shin H J, Park M, et al. Assessment of future climate change impacts on snowmelt and stream water quality for a mountainous high-elevation watershed using SWAT[J]. Paddy and Water Environment, 2015, 13(4): 1－13.

[6] Ficklin D L, Barnhart B L. SWAT hydrologic model parameter uncertainty and its implications for hydroclimatic projections in snowmelt-dependent watersheds[J]. Journal of Hydrology, 2014, 519(2): 2081－2090.

[7] Grusson Y, Sun X, Gascoin S, et al. Assessing the capability of the SWAT model to simulate snow, snow melt and streamflow dynamics over an alpine watershed[J]. Journal of Hydrology, 2015, 531(3): 574－588.

[8] Wang X, Melesse A M. Evaluation of the SWAT model's snowmelt hydrology in a northwestern Minnesota watershed[J]. Transactions of the Asabe, 2005, 48(48): 1359-1376.

[9] Dewalle D R, Rango A. Snowmelt-Runoff Model (SRM) Principles of Snow Hydrology [M]. Cambridge: Cambridge University Press, 2008: 306－364.

[10] Fuka D R, Easton Z M, Brooks E S. A simple process-based snowmelt routine to model spatially distributed snow depth and snowmelt in the SWAT Model[J]. Journal of the American Water Resources Association, 2012, 48(6): 1151－1161.

[11] 魏冲，宋轩，陈杰. SWAT模型对景观格局变化的敏感性分析：以丹江口库区老灌河流域为例[J]. 生态学报，2014，34(2): 517－525. Wei Chong, Song Xuan, Chen Jie. Sensitivity analysis of swat model on changes of landscape pattern: A case study from Lao Guanhe Watershed in Danjiangkou Reservoir Area[J]. Acta Ecologica Sinica, 2014, 34(2): 517－525. (in Chinese with English abstract)

[12] 郑捷，李光永，韩振中，等. 改进的SWAT模型在平原灌区的应用[J]. 水利学报，2011，42(1)：88－97. Zheng Jie, Li Guangyong, Han Zhengzhong, et al. Application of modified SWAT model in plain irrigation district[J]. Journal of Hydraulic Engineering, 2011, 42(1): 88－97. (in Chinese with English abstract)

[13] Ahl R S, Woods S W, Zuuring H R. Hydrologic calibration and validation of SWAT in a snow-dominated rocky mountain watershed, Montana, U.S.A. 1[J]. Jawra Journal of the American Water Resources Association, 2008, 44(6): 1411－1430.

[14] Krysanova V, Müller-Wohlfeil D I, Becker A. Development and test of a spatially distributed hydrological/water quality model for mesoscale watersheds[J]. Ecological Modelling, 1998, 106(2): 261－289.

[15] Sophocleous M. Two-way coupling of unsaturated-saturated flow by integrating the SWAT and MODFLOW models with application in an irrigation district in arid region of West China[J]. Journal of Arid Land, 2011, 3(3): 164－173.

[16] 李润奎，朱阿兴，秦承志，等. 土壤数据对分布式流域水文模型模拟效果的影响[J]. 水科学进展，2011，22(2)： 168－174. Li Runkui, Zhu Axing, Qin Chengzhi, et al. Effects of spatial detail of soil data on distributed hydrological modeling[J]. Advances in Water Science, 2011, 22(2): 168－174. (in Chinese with English abstract)

[17] 胡连伍，王学军，罗定贵，蒋颖. 不同子流域划分对流域径流、泥沙、营养物模拟的影响-丰乐河流域个例研究[J]. 水科学进展，2007(2)：235－240. Hu Lianwu, Wang Xuejun, Luo DingGui, Jiang Yin. Effect of sub-watershed partitioning on flow, sediment and nutrient predictions: Case study in Fengle river watershed[J]. Advances in Water Science, 2007(2): 235－240. (in Chinese with English abstract)

[18] 黄清华，张万昌．SWAT分布式水文模型在黑河干流山区流域的改进及应用[J]. 南京林业大学学报：自然科学版，2004，28(2)：22－26. Huang Qinhua, Zhang Wanchang. Improvement and application of GIS-based distributed SWAT hydrological modeling on high altitude, cold, semi-arid catchment of heihe river basin,China[J]. Journal of Nanjing Forestry University: Natural Sciences, 2004, 28(2): 22－26. (in Chinese with English abstract)

[19] Metternicht G I, Zinck J A. Remote sensing of soil salinity: Potentials and constraints[J]. Remote Sensing of Environment, 2003, 85(1): 1－20.

[20] Toomanian N, Jalalian A, Khademi H, et al. Pedodiversity and pedogenesis in Zayandeh-rud Valley, Central Iran[J]. Geomorphology, 2006, 81(3/4): 376－393.

[21] Cruz-Cárdenas G, López-Mata L, Ortiz-Solorio C A, et al. Interpolation of Mexican soil properties at a scale of 1:1,000,000[J]. Geoderma, 2014, 213(1): 29－35.

[22] Singh A. Estimating long-term regional groundwater recharge for the evaluation of potential solution alternatives to waterlogging and salinisation[J]. Journal of Hydrology, 2011, 406(3/4): 245－255.

[23] 张东，塔西甫拉提·特依拜，张飞，等. 分数阶微分在盐渍土高光谱数据预处理中的应用[J]. 农业工程学报，2014，30(24)：151－160

Zhang Dong, Taxipulati·Teyibai, Zhang Fei, et al. Application of fractional differential in preprocessing hyperspectral data of saline soil[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(24): 151－160. (in Chinese with English abstract)

[24] 丁建丽，瞿娟，孙永猛，等. 基于MSAVI-WI特征空间的新疆渭干河—库车河流域绿洲土壤盐渍化研究[J]. 地理研究，2013，32(2)：223－232. Ding Jianli, Qu Juan, Sun Yongmeng, et al. The retrieval model of soil salinization information in arid region based on MSAVI-WI feature space: A case study of the delta oasis in Weigan-Kuqa watershed[J]. Geographical Research, 2013, 32(2): 223－232. (in Chinese with English abstract)

[25] Allbed A, Kumar L, Aldakheel Y Y. Assessing soil salinity using soil salinity and vegetation indices derived from IKONOS high-spatial resolution imageries: Applications in a date palm dominated region[J]. Geoderma, 2014, 230/231 (7): 1－8.

[26] 丁建丽，姚远，王飞. 干旱区土壤盐渍化特征空间建模[J]. 生态学报，2014，34(16)：4620－4631. Ding Jianli,Yao Yuan, Wang Fei. Detecting soil salinization in arid regions using spectral feature space derived from remote sensing data[J]. Acta Ecologica Sinica, 2014, 34(16): 4620－4631. (in Chinese with English abstract)

[27] 王飞，丁建丽，伍漫春. 基于NDVI-SI特征空间的土壤盐渍化遥感模型[J]. 农业工程学报，2010，26(8)：168－173. Wang Fei, Ding Jianli, Wu Manchun. Remote sensing monitoring models of soil salinization based on NDVI-SI feature space[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(8): 168－173. (in Chinese with English abstract)

[28] Li H Y, Shi Z, Webster R, et al. Mapping the three- dimensional variation of soil salinity in a rice-paddy soil[J]. Geoderma, 2013, 195/196(1): 31－41.

[29] 吴亚坤，刘广明，杨劲松，等. 基于多源数据的中原黄泛区土壤盐分空间变异分析[J]. 农业工程学报，2015，31(5)：115－120. Wu Yakun, Liu Guangming, Yang Jinsong, et al. Spatial variability of soil salinity based on multi-source data for typical zone of flood area of the Yellow river in central China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 115－120. (in Chinese with English abstract)

[30] 刘广明，杨劲松. 土壤含盐量与土壤电导率及水分含量关系的试验研究[J]. 土壤通报，2001，32(z1)：85－87. Liu Guangming, Yang Jinsong. Study on the correlation of soil salt content with electric conductivity and soil water content[J]. Chinese Journal of Soil Science 2001, 32(z1): 85－87. (in Chinese with English abstract)

王瑾杰，丁建丽，张 喆，陈文倩. 基于多源遥感数据的艾比湖流域盐土SWAT模型参数修正[J]. 农业工程学报，2017，33(23)：139－144. doi：10.11975/j.issn.1002-6819.2017.23.018 http://www.tcsae.org

Wang Jinjie, Ding Jianli, Zhang Zhe, Chen Wenqian. SWAT model parameters correction based on multi-source remote sensing data in saline soil in Ebinur Lake Watershed[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(23): 139－144. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.23.018 http://www.tcsae.org

SWAT model parameters correction based on multi-source remote sensing data in saline soil in Ebinur Lake Watershed

Wang Jinjie1,2,3,4, Ding Jianli1,2,4※, Zhang Zhe2,4, Chen Wenqian2,4

(1.830046,;2.830046,; 3.831401,; 4.830046,)

SWAT model is one of the most widely used hydrological models in the world. The electrical conductivity (EC) is defaulted as 0 or 0.1, which might be not suitable for the soils with high salinity. In this study, we tested the feasibility of SWAT model with default EC values in simulating soil moisture and proposed a method to modify model parameters. The study area was Ebinur Lake Watershed. The watershed was located in Xinjiang with little rainfall and full sunshine. The evaporation was high. In the recent 10 years, the environment around the watershed was deteriorated, threatening sustainable development. The soil EC inversion was obtained by GF-1 16 m WFV hyperspectral remote sensing images. Different bands were used for calculation of vegetation index, soil index, salinity index and saturation. Then, these were used to build EC inversion model by the classification and regression tree method. The inversion values were compared with measured values. Then, the EC values were used to replace those in the Harmonized World Soil Database. Then, the EC distribution in Ebinur Lake Watershed was obtained. Then, the SWAT model driven by soil database, land use database and meteorological database was used for soil moisture simulation. For soil moisture simulation, meteorological database, soil database and land use database were used. The Landsat TM/ETM remote sensing images were used for land use classification. CMADS including temperature, pressure, wind speed, precipitation and radiation was used for meteorological database establishment. Soil EC and moisture were determined in 38 field sampling points. The measurements were used for model accuracy verification. The results showed that the root mean square error was 4.81 and 1.15 dS/m for soil depths of 0-40 and 40-100 cm, respectively. The relative error was 15.2% and 1.66%, respectively. The results showed the EC simulation by the model based on the index such as vegetation index, soil index, salinity index and saturation and EC was well. The surface had higher error since the surface soil had the high variation with coefficient of variation of 1.46. The T_ECE was modified by recalculating parameters in SWAT soil database. Then, soil moisture was calculated. The relative error was 63.04% and 39.20% before and after modification, respectively. The root mean square error was 1.79 and 1.34 mm before and after modification, respectively. It indicated that the modification was effective in improving soil moisture simulation accuracy by the SWAT model. The method proposed here is helpful in SWAT model use in saline soils.

soils; electrical conductivity; remote sensing; salinization; SWAT model; GF-1

10.11975/j.issn.1002-6819.2017.23.018

S155.2+93; S127

A

1002-6819(2017)-23-0139-06

2017-04-29

2017-10-10

国家自然科学基金项目（41771470、U1303381、41261090）；自治区重点实验室专项基金(2016D03001)；自治区科技支疆项目(201591101)；教育部促进与美大地区科研合作与高层次人才培养项目

王瑾杰，陕西人，讲师，博士，主要从事干旱区水资源遥感。Email：skytian552@sohu.com

丁建丽，山东人，教授，博导，主要从事干旱区资源环境遥感。Email：watarid@xju.edu.cn