0 引言
在流域尺度上，模型模拟几乎是再现水循环内部过程及其相互作用机制的唯一手段，只有通过模型模拟，才能把定性的概念模型上升为定量模型。而土地利用/覆被是水文过程模拟的关键参数，影响截留、入渗、蒸散发和地下水补给等过程，最终影响河道径流量。在一些水文模型中，土地利用/覆被数据与土壤类型数据、地形数据进行空间叠加，生成水文模型的基本计算单元。如，长时间尺度的分布式水文模型SWAT（Soil and Water Assessment Tool）。在SWAT模型模拟过程中，土地利用/覆被数据将会影响其基本计算单元（HRUs,Hydrologic Response Units）的划分，从而进一步影响水文过程的模拟[1-3]。目前，对于土地利用/覆被数据的空间尺度对水文过程模拟的影响这一问题的认识尚不统一。一部分研究认为，土地利用/覆被数据的空间尺度对水文过程的模拟有较大影响，因为土地利用/覆被、土壤类型、地形等下垫面特征是进行流域水文模拟的重要参数；下垫面数据的精细程度直接影响着水文模型的模拟精度[4-7]。也有研究认为，土地利用/覆被数据的空间尺度对水文过程的模拟影响不大，主要原因是水文模型的调参过程就是将模型的输入参数进行数次调整，直到模型输出的某一水文要素值与实测值相吻合或相接近。因此，水文模型的调参过程最终会概化由于输入数据的差异性而导致的模型模拟结果的差异。也就是说，即使在水文模型中输入不同空间尺度的土地利用/覆被数据，其模拟结果有可能不会体现出差异[8-9]。基于此，为了更好地认知土地利用/覆被数据的空间尺度对水文过程模拟的影响，兹选择黑河上游为研究区域，建立具有不同分辨率和不同分类精度的土地利用/覆被数据集（NLULC,NLULC-1km以及MICLULC），并将其分别输入SWAT水文模型，分析SWAT模型的模拟结果，并对这一问题进行深入探讨。
1 材料与方法
1.1 研究区概况
黑河流域上游位于青藏高原北缘的祁连山地（图1）。黑河上游的主要山脉有疏勒南山、走廊南山等，山峰海拔一般都在4 000 m以上，山脚海拔一般在2 000 m左右，最高峰海拔达5 584 m。该区域气候寒冷，地形复杂，常年积雪，是黑河的产流区和发源地[10-11]。黑河上游，河川径流主要由降水、冰雪融水和地下水补给，径流量在年内分配极不均匀。干流出山口莺落峡站多年的平均年径流量为15.80亿m3[12-13]。该地区复杂的地形和较高的海拔决定了其降水的空间分布不均匀性。整体上，黑河上游祁连山区年降水量为200 mm以上，最高可以达到700 mm左右[12]。此外，祁连山地区气候寒冷，年平均气温约为1.5～2.0℃，相对湿度约为60%，蒸发量约为700 mm。
图1 研究区概况图
1.2 SWAT模型建立
SWAT（Soil and Water Assessment Tool）具有很强的物理基础，是一个半分布式的水文模型。该模型首先将整个研究流域根据其地形因子、河网分布等特征划分为若干子流域。在此基础上，进一步按流域的土地利用类型、土壤类型和坡度面积阈值划分水文响应单元（Hydrological Response Units,HRUs）。每一个单独的HRU上，SWAT采用概念性模型估算降雨、产流、泥沙等。这些计算完成后进行河道汇流演算。最后求得出口断面的流量、泥沙量和污染负荷量[1-2]。
采用黑河上游的14个气象站的气象资料，分别是托勒站、野牛沟站、肃南站、张掖站、民乐站、祁连站、高台站、金塔站、酒泉站、临泽站、山丹站、永昌站、刚察站以及门源站的逐日最高和最低气温、降水量、日照时间、相对湿度和风速数据。此外，建立模型所采用的DEM（Digital Elevation Model）数据分辨率为30 m×30 m，土壤类型数据为甘肃省1∶100万土壤类型数据，相关土壤水文属性数据来源于《甘肃省土壤志》以及《青海省土壤志》。这些数据均来自于基金委寒区旱区科学数据中心（http://westdc.westgis.ac.cn/）。图2显示了SWAT模型提取的黑河上游流域河网以及子流域。由图2可见，黑河上游一共划分了43个子流域。
图2 黑河上游流域划分结果
此外，根据文献[14]研究结果，选取那什系数（Nash–Sutcliffe ef fi ciency,NSE）、误差百分数（Percent bias,PBIAS）、均方根误差与标准误差比率（Ratio of the root mean square error to the standard deviation of measured data,RSR）评价SWAT模型的适用性。NSE的取值范围为-∞～1，NSE越接近1，则表示SWAT模型的模拟效果好且模型的可信度高；NSE越接近0.5，则表示模型模拟结果接近观测值的平均水平，也就是模型总体结果可信，但过程模拟误差大；如果NSE远远小于0，则模型不可信。而PBIAS介于-10%到10%之间，则表明模型模拟效果好。RSR越小则表明模型模拟效果越好。此外，如果NSE＞0.50，且PBIAS介于-25%～25%之间且RSR≤0.70，则表明模型径流模拟效果可信。
1.3 土地利用/覆被数据集
采用具有不同分辨率和不同土地利用/覆被分类的3种土地利用/覆被数据集：①来源于中国1∶10万土地利用数据库[15]，利用黑河上游边界直接裁剪得到（以下简称NLULC）。该数据集是基于2000年Landsat TM和ETM遥感数据建立的，在黑河流域上游采用一个分层的土地覆盖分类系统，将全流域分为5类（农田、林地、草地、水体、城市与建筑用地和未利用土地），分辨率为30 m；②利用ArcGIS软件数据管理工具中的栅格数据重采样方法将NLULC数据的空间分辨率由30 m变成1 km，而土地利用分类保持不变(以下简称NLULC-1km)；③来源于黑河流域土地覆盖图（以下简称MICLULC），空间分辨率为1 km，融合了多源本地信息的中国土地覆盖图的子集[2,16]。该土地覆盖图采用IGBP土地覆盖分类系统，基于证据理论，融合了2000年中国1∶10万土地利用数据（即以上提到的NLULC数据集）、中国植被图集（1∶100万）的植被类型、中国1∶10万冰川分布图、中国1∶100万沼泽湿地图和MODIS 2001年土地覆盖产品（MOD12Q1）。基于此，将全流域的土地利用/覆被分为13类（常绿针叶林、常绿针阔林、落叶阔叶林、混交林、郁闭灌木林、稀疏灌木林、草地、永久湿地、农田、城市与建筑用地、冰川、裸地与稀疏植被、水体）。
图3 不同数据集对应的土地利用/覆被类型空间分布
图3显示了3个不同数据集对应的土地利用/覆被类型的空间分布。NLULC与NLULC-1km具有相同的土地利用/覆被分类，但他们的分辨率不同。由图3可见，2个数据集对应的土地利用/覆被类型的空间分布没有明显差异。而具有相同分辨率但土地利用/覆被分类不同的2个数据集NLULC-1km与MICLULC相比，MICLULC数据集对应的土地利用/覆被类型更多且空间分布更加细碎和杂乱。表1和表2统计了不同数据集土地利用/覆被类型的面积。其中，NLULC与NLULC-1km数据集对应的土地利用/覆被类型面积只有2～13 km2的差异，而MICLULC数据集对应的土地利用/覆被类型面积与另外2个数据集差异较大。造成这种差异的原因是MICLULC数据集将NLULC数据集与中国植被图集、中国冰川分布图、中国沼泽湿地图等数据集进行了融合，造成研究区土地利用/覆被类型增多且空间分布复杂。
表1 NLULC与NLULC-1km数据集对应的土地利用/覆被类型面积
表2 MICLULC数据集对应的土地利用/覆被类型面积
由于ArcSWAT集成系统中内嵌的是美国土地利用/覆被类型数据库，因此需要在把3种土地利用/覆被数据集输入SWAT模型之前，将各个数据集的土地利用/覆被类型与SWAT模型土地利用数据库中的土地利用/覆被类型相对应，对应结果如表3及表4所示。由表4可以看出，虽然MICLULC数据集中划分了很多种类的土地利用/覆被，但是SWAT土地利用数据库中对冰川、阔叶林种类、灌木林稀疏等没有详细划分。因此，将MICLULC数据输入到SWAT中，由原有的13种土地利用/覆被类型合并成为10种。
表3 NLULC与NLULC-1km数据集土地利用/覆被类型与SWAT土地利用数据库土地利用/覆被类型对应结果
表4 MICLULC数据集土地利用/覆被类型与SWAT土地利用数据库土地利用/覆被类型对应结果
2 结果与分析
2.1 土地利用/覆被数据空间尺度对HRUs划分的影响
HRUs是SWAT模型的基本计算单元，是由土地利用/覆被类型、土壤类型和坡度进行空间叠加并通过阈值进行划分的。每一个HRU只含有单一的土地利用/覆被类型、土壤类型和坡度带。在一定的阈值之上，划分的HRUs数量越多，越可能增加流域水文过程计算的复杂度[3,17]。MICLULC对应的HRUs数量最多，为1 860个。原因是MICLULC数据集含有更多的土地利用/覆被类型和土地利用/覆被斑块。NLULC和NLULC-1km数据集的HRUs数量分别为1 261和1 310个，NLULC-1km数据集含有的土地利用/覆被斑块比NLULC数据集多，因此，NLULC-1km数据集所对应的HRUs数量比NLULC数据集多。将MICLULC数据集输入SWAT模型后更易增加流域水文过程计算的复杂度。
2.2 土地利用/覆被数据空间尺度对黑河上游出山径流量的影响
2.2.1 模型校准前
土地利用/覆被数据空间尺度的不同会导致土地利用类型面积、空间分布的不同以及所生成HRUs数量的不同。为了避免水文模型的校准过程对其输入数据（主要是不同空间尺度的土地利用/覆被数据）差异性的弱化[18-19]，兹首先分析SWAT水文模型校准之前土地利用/覆被数据空间尺度对黑河上游月、年出山径流量的影响，结果如图4所示。
图4 不同空间尺度的土地利用/覆被数据对应的SWAT模型黑河上游月、年出山径流量模拟结果
在SWAT模型校准前，除驱动模型所需的输入数据（气象数据、土壤数据以及其他驱动模型所需的地表参数数据）外，剩余参数均采用模型默认值。从图4可看出，不同空间尺度的土地利用/覆被数据对应的黑河上游月出山径流量模拟结果差异不大。其变化趋势、变化幅度基本一致：从流量过程线上来看，不同空间尺度的土地利用/覆被数据模拟的径流量峰值均与实测流量基本吻合，但是模拟的衰退值均比实测低。
不同空间尺度的土地利用/覆被数据对应的SWAT模型校准前的黑河上游年出山径流量模拟结果有明显不同。采用NLULC数据集模拟的黑河上游年出山径流量比采用另外2个数据集的模拟流量大且更贴近实测流量，原因可能是：首先，土地利用类型数据差异导致的模型模拟结果差异在年尺度上更明显；其次，NLULC数据集相对于其他2种数据集，其林地面积小而裸地面积大，降水更多的补给了河道。这可能是导致其对应的模拟径流量大的原因。此外，造成年出山径流量模拟效果较差的原因可能是采用的气象站点少且空间分布不均匀，而气象数据是SWAT模型模拟精度的决定性因素之一。
采用NSE、PBIAS、RSR指标衡量SWAT模型出山径流的模拟效果，结果如表5所示。由表5可知，SWAT模型校准前，NLULC数据与NLULC-1km数据对应的黑河上游月、年出山径流量模拟效果明显好于MICLULC数据，而NLULC数据对应的黑河上游月、年出山径流量模拟效果略好于NLULC-1km数据。在SWAT模型校准前，NLULC数据模拟的黑河上游出山径流量模拟效果最好，尤其是年出山径流的模拟效果明显好于另外2个数据集，土地利用/覆被数据分类精度越高反而使得径流模拟效果越差。造成这一现象的原因可能是土地利用/覆被数据分类精度越高，其对应的HRUs数量越多，这增加了模型计算的不确定性和复杂度，也使得模型模拟结果更差。因此，将拥有更高空间分辨率、较少土地利用/覆被分类的土地利用/覆被数据输入SWAT模型，能够减少模型校准的复杂度和工作量。
表5 不同空间尺度的土地利用/覆被数据对应的SWAT模型黑河上游月、年出山径流量模拟效果
2.2.2 模型校准后
从流量过程线上看，不同空间尺度的土地利用/覆被数据模拟的径流量峰值均与实测流量基本吻合，但是模拟的衰退值均比实测流量低。因此，为了提高模型整体的可信度，模型校准是必不可少的步骤[18-19]。在进行水文模型校准前需先对模型进行参数敏感性分析。根据文献[19]，选取SWAT模型与径流有关且经常使用的参数进行敏感性分析，并选取分析结果中前10个敏感性参数对模型进行校准。模型校准过程采用黑河上游出山口莺落峡水文站的月径流数据，以NSE接近于1为目标，结合文献[19]中的多步骤手动调参法进行。
表6 参数敏感性分析结果
表6显示了3个数据集对应的SWAT模型参数敏感性分析结果。其中，CN2表示水分条件II时的初始SCS径流曲线数；SLSUBBSN表示平均坡长；CH_K2表示主河道冲积物的有效渗透系数；HRU_SLP表示平均比降；CANMX表示最大冠层截留量；GW_REVAP表示地下水的再蒸发系数；ESCO表示土壤蒸发补偿因子；ALPHA_BF表示基流因子；CH_N2表示主河道的曼宁系数；GWQMN表示发生回归流所需的浅层含水层的水位阈值；GW_DELAY表示地下水的时间延迟。由表6可知，3个数据集对应的前10个敏感参数差异不大，但是各个参数的敏感程度不同。例如，对于MICLULC和NLULC-1km数据集来说，CN2与SLSUBBSN最敏感，在调参时应优先考虑。然而，对于NLULC数据集来说，CN2与SLSUBBSN分别是第7和第6个敏感参数，在调参时并不优先考虑。
由图4可知，SWAT模型校准后不同空间尺度的土地利用/覆被数据对应的黑河上游月、年出山径流量模拟结果均差异不大。这是由于模型的校准过程弱化了输入数据的差异性。
此外，由表5可知，校准后的SWAT模型模拟效果好于校准前的SWAT模型，且SWAT模型校准后，NLULC数据与NLULC-1km数据对应的黑河上游出山径流量模拟效果好于MICLULC数据,且年尺度上的模拟效果差异最明显，而NLULC数据与NLULC-1km数据对应的黑河上游月、年出山径流量模拟效果基本一致。这就说明经过模型校准，分类程度越详细的土地利用/覆被数据对应的SWAT模型径流模拟效果越差。造成该现象的原因可能是：首先，SWAT模型的模拟精度可能并不依赖于土地利用/覆被数据的分类精度，对此已有类似研究结果[8]。其次，土地利用/覆被数据分类精度越高意味着最终划分的HRUs数量越多，进而使得模型的校准过程更加复杂，使得最终的校准结果较其余2种数据集差。此外，土地利用/覆被数据的空间分辨率对径流模拟的影响最终被模型的校准过程大大弱化。
2.3 讨论
本研究认为土地利用/覆被数据的精度对水文过程模拟的影响较大，并且是多方面的。首先，影响水文模型基本计算单元HRUs的划分，进而影响水文模型计算的复杂度。其次，影响水文模型校准前的径流模拟效果，即影响水文模型校准的复杂度和工作量。最后，影响校准后水文模型的径流模拟效果，但影响程度被模型的校准过程弱化。目前，已有研究认为土地利用/覆被数据的精度对水文过程模拟影响较小[8-9]，这与本研究结论有一定差异。事实上，这些研究认为土地利用/覆被数据的精度对水文过程模拟影响较小，主要是从水文模型校准后的径流模拟效果上来分析的，而水文模型校准的过程最终会概化输入数据的差异性。然而，水文模拟涉及计算、调参等一系列过程。因此本研究综合考虑了土地利用/覆被数据的精度对水文模型的计算和调参复杂度、模拟效果等多方面的影响，认为土地利用/覆被数据的精度对水文过程模拟的影响较大，并且提出，在利用SWAT模型进行径流模拟时，输入分辨率高且分类较少的土地利用/覆被数据有利于减少模型计算的复杂度、调参的复杂度和工作量，并能够在一定程度上提高径流模拟效果。
本研究区域位于高海拔、地形复杂的山区，降水空间变化大。但是由于数据限制，仅采用了数量较少且空间分布不均匀的14个气象站的气象资料。这可能在一定程度上影响模型的模拟结果，增加了不确定性。
3 结论
1）在SWAT模型校准前，NLULC数据集对应的HRUs数量更少，且其NSE更接近于1，RSR更接近于0，PBIAS绝对值更接近于25%，模拟精度更高。将空间分辨率更高、土地利用/覆被分类较少的土地利用/覆被数据输入SWAT模型，能够减少模型校准的复杂度和工作量。
2）在SWAT模型校准后，MICLULC数据集对应的NSE更接近于0，RSR更接近于1，PBIAS绝对值更大，其模拟效果更差。即经过模型校准，分类程度越详细的土地利用/覆被数据对应的SWAT模型径流模拟越差。
3）在SWAT模型校准后，3个数据集对应的径流模拟差异减小，其中NLULC数据集的NSE更接近于1，RSR更接近于0，PBIAS绝对值更小。即土地利用/覆被数据的空间分辨率对径流模拟的影响最终被模型的校准过程大大弱化，但最终空间分辨率更高，土地利用/覆被分类较少的土地利用/覆被数据依然对应更好的模型模拟效果。
因此，综合考虑SWAT模型校准的工作量和复杂度以及模型的径流模拟效果，建议在利用SWAT模型进行径流模拟时，输入分辨率高且分类较少的土地利用/覆被数据。
致谢：感谢黑河计划数据管理中心提供的相关数据。感谢兰州大学旱区流域水资源研究中心贺缠生教授、田伟博士及张兰慧博士对本研究提出的宝贵意见和建议。
参考文献：
[1]ARNOLD Jeff,SRINIVASAN Sathish,MUTTIAH Ranjan,et al.Large area hydrologic modeling and assessment part I:Model development1[J].Journal of theAmerican Water ResourcesAssociation,1998,34(1):91-101.
[2]NEITSCH Susan,ARNOLD Jeff,KINIRY James,et al.Soil and water assessment tool:theoretical documentation[M].College Station:Texas A&M University System,2009.
[3]GASSMAN Philip,REYES Manuel,GREEN Colleen,et al.The soil and water assessment tool:historical development,applications and future research directions[J].Transactions of theASABE,2007,50(4):1 211-1 250.
[4]NEITSCH Susan,ARNOLD Jeff,KINIRY James,et al.Soil and WaterAssessment Tool(SWAT).SWAT User Manual[M].College Station:TWRI,2002.
[5]李润奎，朱阿兴，李宝林，等.流域水文模型对土壤数据响应的多尺度分析[J].地理科学进展，2011，30(1):80-86.
[6]ARONICA Giuseppe,CANNAROZZO Marcella.Studying the hydrological response of urban catchments using a semi-distributed linear non-linear model[J].Journal of Hydrology,2000,238(1):35-43.
[7]ZHANG Peipei,LIU Ruimin,BAO Yimeng,et al.Uncertainty of SWAT model at different DEM resolutions in a large mountainous watershed[J].Water Research,2014,53:132-144.
[8]CHEN Peiyu,DI LUZIO Mauro,ARNOLD Jeff.Impact of two land-cover data sets on stream flow and total nitrogen simulations using a spatially distributed hydrologic model[C]//Proceedings of the Global Priorities in Land Remote Sensing.South Dakoda,USA:The American Society for Photogrammetry and Remote Sensing Press,2005:23-27.
[9]王艳君，吕宏军，姜彤.子流域划分和DEM分辨率对SWAT径流模拟的影响研究[J].水文，2008，28(3):22-25.
[10]张步翀.黑河流域水资源保护与生态环境建设对策研究[J].灌溉排水学报，2007，26(4B):66-67.
[11]李栋梁，刘洪兰.黑河流量对祁连山气候年代际变化的响应[J].中国沙漠，2004，24(4):385-391.
[12]王宁练，张世彪，贺建桥，等.祁连山中段黑河上游山区地表径流水资源主要形成区域的同位素示踪研究[J].科学通报，2009(15):2 148-2 152.
[13]MORIASI Daniel,ARNOLD Jeff,VAN LIEW Michael,et al.Model evaluation guidelines for systematic quantification of accuracy in watershed simulations[J].Transactions of theASABE,2007,50(3):885-900.
[14]刘纪远，刘明亮，庄大方,等.中国近期土地利用变化的空间格局分析[J].中国科学:地球科学，2002，32(12):1 031-1 040.
[15]刘伟，高艳红，李海英，等.黑河流域土地覆盖分类数据的建立及其影响的模拟[J].高原气象，2007，26(2):278-285.
[16]冉有华，李新，卢玲.基于多源数据融合方法的中国1km土地覆盖分类制图[J].地球科学进展，2009，24(2):192-203.
[17]KUMAR Sanjiv,MERWADE Venkatesh.Impact of watershed subdivision and soil data resolution on SWAT model calibration and parameter uncertainty[J].Journal of theAmerican Water ResourcesAssociation,2009,45(5):1 179-1 196.
[18]JIN Xin,ZHANG Lanhui,GU Juan,et al.Modeling the impacts of spatial heterogeneity in soil hydraulic properties on hydrological process in the upperreach of the Heihe River in the Qilian Mountains,Northwest China[J].Hydrological Processes,2015,29(15):3 318-3 327.
[19]ARNOLD Jeff,MORIASI Daniel,GASSMAN Philip,et al.SWAT:Model use,calibration,and validation[J].Transactions of the ASABE,2012,55(4):1 491-1 508.