CN110674467B - 基于swat模型的水文过程对气候变化的响应监测方法 - Google Patents
基于swat模型的水文过程对气候变化的响应监测方法 Download PDFInfo
- Publication number
- CN110674467B CN110674467B CN201910903229.9A CN201910903229A CN110674467B CN 110674467 B CN110674467 B CN 110674467B CN 201910903229 A CN201910903229 A CN 201910903229A CN 110674467 B CN110674467 B CN 110674467B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- swat
- runoff
- weather
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000008859 change Effects 0.000 title claims abstract description 56
- 230000008569 process Effects 0.000 title claims abstract description 39
- 230000004044 response Effects 0.000 title claims abstract description 28
- 238000012544 monitoring process Methods 0.000 title claims abstract description 17
- 239000002689 soil Substances 0.000 claims description 42
- 238000004088 simulation Methods 0.000 claims description 35
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 35
- 238000001556 precipitation Methods 0.000 claims description 28
- 238000012795 verification Methods 0.000 claims description 10
- 238000010206 sensitivity analysis Methods 0.000 claims description 9
- 238000012876 topography Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 5
- 238000001704 evaporation Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000008020 evaporation Effects 0.000 claims description 3
- 239000005431 greenhouse gas Substances 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 239000007789 gas Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000000704 physical effect Effects 0.000 description 4
- 239000003673 groundwater Substances 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了基于SWAT模型的水文过程对气候变化的响应监测方法,其特征在于包括如下步骤:步骤一,获得水文过程的多种数据;步骤二,建立相应的SWAT模型;步骤三,将多种数据应用于所述的SWAT模型,进行水文过程对气候变化的响应分析和监测。
Description
技术领域
本发明涉及水文和气候监测技术领域,特别是一种基于SWAT模型的水文过程对气候变化的响应监测方法。
背景技术
SWAT(Soil and Water Assessment Tool)模型是由美国农业部(USDA)的农业研究中心(ARS)研发的,比较适用于面向水资源管理的长时段的分布式水文过程模拟。SWAT模型的有效性已经得到了证明,如现有技术包括基于SWAT模型与数字滤波技术对河流流域的径流中的基流进行估算和比较,结果表明模型对基流的模拟有较高的精度。此外在卢氏流域应用SWAT模型进行中尺度流域的产流产沙模拟试验,得出模型在长期连续径流和泥沙负荷模拟中具有较好的适用性的结论,研究也证明SWAT能够有效模拟长时间序列的水文过程。
气候变化将对水资源产生重要影响,评估其潜在影响可为区域可持续发展提供重要的依据,目前水文过程对未来气候变化的水文响应逐渐受到重视,气候变化会通过多种途径影响水文变化的状况,但这种综合的影响可以利用分布式水文模型在复杂系统层面上进行很好的评估。分布式水文模型选择SWAT,是解决此类复杂问题的有力工具,因为模型参数与实地观测的地表物理过程有密切联系,从而使得该模型与气候情景的评估方法被广泛应用。然而,SWAT模型主要集中在径流模拟方面,应用的领域也较窄,主要是生态监测、气候资源的变化和非点源污染,造成水源地水土流失、草场退化、土地沙化的生态环境问题的原因在于分类活动和气候变化的双重作用。在其后变化研究方面,侧重于气候、降水、主要气候因子的时空分布特征、趋势变化等方面。然而,还没有形成一套系统的基于SWAT模型的水文过程对气候变化的响应监测方法,特别是对于其中模型的参数获取,参数选择以及响应分析都没有系统科学的方法。
发明内容
为克服现有技术的缺陷,本发明的目的在于提供一种基于swat模型的水文过程对气候变化的响应监测方法,以分布式水循环模型为基础,利用特定区域多年的水文站实测数据,对未来N年水库入口的水文站汛期、非汛期的年径流过程进行模拟和预测,从而获得气候变化的响应规律。
本发明的目的在于提供一种基于SWAT模型的水文过程对气候变化的响应监测方法,包括如下步骤:
步骤一,获得水文过程的多种数据;
步骤二,建立相应的SWAT模型;
步骤三,将多种数据应用于所述的SWAT模型,进行水文过程对气候变化的响应分析和监测。
优选地,所述步骤一多种数据涉及基本资料,所述基本资料包括:气象观测数据、流量数据、地理空间数据、未来气候数据。
优选地,所述气象观测数据来源于中国气象局国家气象信息中心,包括多个气象台站的多年逐日平均、最高和最低气温、降水、相对湿度、风速气象要素,将所述气象观测数据手工录入到Excel后,按照模型要求以DBF格式文件存储,以驱动SWAT水文模型进行径流模拟。
优选地,所述流量数据来源于水利部水文局,包括逐月平均径流量,用于率定SWAT模型的参数以及检验模型模拟精度。
优选地,所述地理空间数据包括数字高程模型数据、土壤类型数据以及土地利用/植被覆盖数据,所述数字高程模型即数字高程模型数据,来源于国际科学数据服务平台或者来源于国家1:25万基本比例尺地形图,利用Arcview的空间分析功能或者GIS的空间分析功能提取水流方向、水流长度、河流网络、划分子流域以及水文模拟单元,计算地形因子,获取SWAT模型所需要的地形、水系、汇流区域等信息;所述土壤类型数据来源于中国地图出版社1978年出版的中国土壤分类基础图或者西部数据共享中心,将一些物理特性近似或者面积较小的类型归为同一类型,在原分类基础上对土壤进行重分类获得研究区域流域土壤类型;所述土地利用/植被覆盖数据来源于美国地质调查局(USGS)1976年获取的土地利用/覆盖栅格图获中国西部环境与生态科学数据中心的土地利用数据,对获取的土地利用类型图裁减流域边界,并以土地类型代码字段为值(Value)转化为栅格GRID格式,根据USGS LandUse/Land Cover System与SWAT模型中土地利用/覆盖分类标准的对应转化关系重新分类,获得符合SWAT土地利用/覆盖分类标准的多种类型。
优选地,所述未来气候数据的处理包括:CSIRO和NCAR两个气候模式A1B情景的日气象资料,A1B情景为温室气体中等排放情景,在选择了在未来大气温室气体中等排放情景A1B模式下,根据IPCC气候数据中心提供的数据,模拟研究流域未来的降水数据,最高气温,最低气温和日照时间数据,同时采用降尺度方法,把大尺度、低分辨率的GCM输出信息转化为区域尺度的地面气候变化信息,统计降尺度法利用多年的观测资料建立大尺度气候要素和区域气候要素之间的统计关系,并用独立的观测资料检验这种关系,最后再把这种关系应用于GCM输出的大尺度气候信息,来预估区域未来的气候变化情景,采用PCA(PrincipalComponent Analysis,PCA)与逐步线性回归相结合的统计降尺度方法,并利用历史观测资料,建立大尺度气候预报因子与地面月平均温度的统计联系,从而得到了未来气象观测站逐日最高、最低温度和降水序列。
优选地,所述步骤二建立相应的SWAT模型为分布式水文模型,包括:
步骤21,根据目标流域的特点选择模型;
步骤22,建立模型,S其中所述SWAT模型数据分为空间数据库和属性数据库两大类,所述空间数据库包括流域DEM图、土地利用分类图和数字化土壤图,所述属性数据库包括3个存储有关土地利用、土壤属性以及气象站参数的数据,在建模过程中,各站点日降水数据通过距离倒数法插值到每个子流域内,作为该子流域的面降水输入,而气温等其他气象数据则采用SWAT模型自带的方法进行插值,在模型控制文件(basins.cod)的配置中,产流模块采用SCS方程,潜在蒸散发的计算中,采用Priestley-Taylor公式。
步骤23,进行模型的率定及检验,水量平衡系数,相关系数和效率系数3个指标用于评价模型模拟结果,其中水量平衡系数R,相关系数r和模型效率系数NSEC的计算公式为:
R=∑(Q0-QP)/Q0 (1)
r=∑(Q0-Qave)(QP-Qpave)/[∑(Q0-Qave)2∑(QP-Qpave)2]1/2 (2)
NSEC=1-[∑(Q0-QP)2]/[∑Q0-Qave)2] (3)
式中,Q0为实测径流,QP为模拟径流,Qave为平均实测径流,Qpave为模拟径流的平均值。
优选地,所述步骤三将多种数据应用于所述的SWAT模型,进行水文过程对气候变化的响应分析和监测包括:
步骤31,进行基准期的径流模拟,包括输入研究去水文气象资料、土地利用、土壤类型、DEM以驱动SWAT运行,在率定模型最佳参数的基础上,模拟了基准期目标流域的逐月径流;
步骤32,对径流对未来气候变化的响应进行分析,将气候模式各种情景网格降水和气温数据插值到每个子流域上,驱动SWAT模型,模拟典型断面过去和未来的径流过程,对比分析气候变化的影响。
优选地,所述步骤31包括:
步骤311,参数敏度性分析及率定,选取多个模型输入参数进行参数敏感性分析试验,设置参数采样间隔和每次参数变化值,利用SWAT-CUP敏感性分析工具进行多次比较判断,确定对敏感性等级最高的N个参数,利用多年某一水文站逐月流量序列对月径流模拟进行率定;
步骤312,径流模拟验证,利用同一水文站多年逐月流量数据进行模型验证,并采用Nash-Sutcliffe模拟效率系数Ens、水量平衡系数R和相关系数r对模型的验证结果进行评价;
步骤313,确定基准期模拟径流的年变化,确定基准期径流模拟结果中地表径流量与降水量、基流量的最大值出现的年份是否一致,地表径流量与降水量的最小值出现的年份是否一致,基流量最小值出现的年份。
本发明的有益效果:基于SWAT模型的水文过程对气候变化的响应监测方法,以分布式水循环模型为基础,利用特定区域多年的水文站实测数据,对未来N年水库入口的水文站汛期、非汛期的年径流过程进行模拟和预测,从而获得气候变化的响应规律。
根据下文结合附图对本发明具体实施例的详细描述,本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
附图1表示基于SWAT模型的水文过程对气候变化的响应监测方法流程图。
具体实施方式
参见图1,一种基于SWAT模型的水文过程对气候变化的响应监测方法,包括如下步骤:
步骤一,获得水文过程的多种数据;
步骤二,建立相应的SWAT模型;
步骤三,将多种数据应用于所述的SWAT模型,进行水文过程对气候变化的响应分析和监测。
步骤一多种数据涉及基本资料,包括:DEM、河网水系、植被、土壤、气象站点、水文站等GIS数据,包括各个水文站点的日降水、最高最低气温、风速、相对湿度等气象资料,以及某些水文站点的月径流过程数据等。
1、气象观测数据:本实施例汉江流域气象数据来源于中国气象局国家气象信息中心,包括15个气象台站的1971-2018年逐日气温(平均、最高、最低)、降水、相对湿度、风速等气象要素,以上资料经手工录入到Excel后,均按照模型要求以DBF格式文件存储,用于驱动SWAT水文模型进行径流模拟;
2、流量数据:本实施例的流量数据来源于水利部水文局,包括1983、1985年荆紫关水文站(位于汉江上游支流,33.25度N,111.02度E)逐月平均径流量,2000年安康水文站(位于汉江上游干流,32.67度N,109.00度E)逐月平均径流量,其中1983年荆紫关站逐月径流量数据用于率定SWAT模型的参数,1985年荆紫关站以及2000年安康站逐月径流量数据用于检验模型模拟精度。
3、地理空间数据
(1)数字高程模型(DEM模型)
DEM(digital elevation model)数据即数字高程模型数据,来源于国际科学数据服务平台,空间分辨率为30m;或者来源于国家1:25万基本比例尺地形图,空间分辨率重采样为1km*1km。利用Arcview的空间分析功能或者GIS的空间分析功能提取水流方向、水流长度、河流网络、划分子流域以及水文模拟单元,计算地形因子,获取SWAT模型所需要的地形、水系、汇流区域等信息;
表1为汉江流域径流演变分析的支撑数据
表1
(2)土壤类型数据:本实施例中,土壤数据来源于中国地图出版社1978年出版的中国土壤分类基础图,比例尺为1:4000000,在汉江流域内分布有11种土壤类型,考虑到汉江流域土壤属性特征以及SWAT模型中土壤物理特性的美制标准,在前人经验和知识的前提下,将一些物理特性近似或者面积较小的类型归为同一类型,在原分类基础上对土壤进行重分类,重分类后的汉江流域土壤类型有7种,分别是粘土(NT)、粘壤土(NRT)、沙粘壤图(SNRT)、沙壤土(SRT)、粉沙壤土(FSRT)、粉沙粘壤土(FSNRT)和粉沙土(FST)。另一实施例中,土壤数据来源于西部数据共享中心,比例尺为1:1000000,在汉江流域存在4种土壤类型,考虑到该流域土壤属性特征以及SWAT模型中土壤物理特性的美制标准,在充分采纳前人的经验和知识的前提下,将一些物理特征近似或者面积较小的类型归为同一类型,在原分类的基础上进行了重分类,重分类的土壤类型有4种,分别是:山土草甸、暗棕壤、棕壤、褐土。
(3)土地利用/植被覆盖数据:土地利用和植被类型对流域水文环境、水文过程都会产生重要影响。本实施例的土地利用/植被覆盖数据来源于美国地质调查局(USGS)1976年获取的土地利用/覆盖栅格图,空间分辨率为1km*1km,在汉江流域内分布有15种类型。根据USGS Land Use/Land Cover System与SWAT模型中土地利用/覆盖分类标准的对应转化关系重新分类,获得符合SWAT土地利用/覆盖分类标准的9种类型,耕地、旱地、有林地、疏林地、城镇用地、居民用地、滩地、灌木地、沙地。也可以采用中国西部环境与生态科学数据中心的土地利用数据,采用1:100万地利用矢量数据。根据研究需要,对获取的土地利用类型图裁减流域边界,并以土地类型代码字段为值(Value)转化为栅格GRID格式。根据SWAT模型中土地利用/覆盖分类标准的对应转化关系进行重分类,获得符合SWAT模型分类标准的9种类型:耕地、旱地、有林地、疏林地、城镇用地、居民用地、滩地、灌木地、沙地。
4、未来气候数据的处理:CSIRO和NCAR两个气候模式A1B情景的日气象资料,A1B情景为温室气体中等排放情景。在选择了在未来大气温室气体中等排放情景A1B模式下,根据IPCC气候数据中心提供的数据,模拟汉江流域未来的降水数据,最高气温,最低气温和日照时间数据。全球气候模式(GCM)对于预估未来全球气候变化来说,是目前最重要可行的方法。GCM能够很好的模拟出大尺度最重要的平均特征,特别是能够较好地模拟高层大气场、近地面温度和大气环流。但是由于目前GCM输出的空间分辨率较低,缺少详细的区域气候信息,很难对区域气候情景做出合理的预测。降尺度法就是基于这样一种观点:区域气候变化受大尺度(如大陆尺度、甚至行星尺度)气候所控制,同时也受到区域尺度的因子的调制,因此应采用降尺度方法,把大尺度、低分辨率的GCM输出信息转化为区域尺度的地面气候变化信息(如气温、降水),从而弥补GCM对区域气候预测的局限。统计降尺度法利用多年的观测资料建立大尺度气候要素(主要是大气环流)和区域气候要素之间的统计关系,并用独立的观测资料检验这种关系,最后再把这种关系应用于GCM输出的大尺度气候信息,来预估区域未来的气候变化情景(如气温和降水)。采用PCA(Principal Component Analysis,PCA)与逐步线性回归相结合的统计降尺度方法,并利用历史观测资料,建立大尺度气候预报因子与地面月平均温度的统计联系。即通过利用1971-2018年的历史观测资料,并采用PCA与逐步回归相结合的统计降尺度方法建立汉江流域15个气象观测站站点的统计降尺度模型,确立模型参数,并将模型应用到中等排放情景A1B模式下,得到了未来气象观测站逐日最高、最低温度和降水序列。
步骤二建立相应的SWAT模型为分布式水文模型,包括:
步骤21,选择模型,本实施例中,汉江流域属于干旱、半干旱气候,是一个面积较大的流域,流域内存在多种土壤类型和不同土地利用、植被覆盖方式。
SWAT模式是20世纪90年代初由Jeff Arnold开发的具有较强物理机制的大、中尺度流域管理模型,可以预测复杂流域内不同的气候条件、土地覆被变化等对水量、水质以及作物产量等的长期影响。该模型在结构上考虑融雪和冻土对水文循环的影响,也可以刻划寒旱地区降雨径流关系。
步骤22,建立模型,SWAT模型数据可以分为空间数据库(又称图数据库)和属性数据库两大类,空间数据库包括流域DEM图、土地利用分类图和数字化土壤图。属性数据库包括3个存储有关土地利用、土壤属性以及气象站参数的数据。根据研究区域DEM、土壤和土地利用的分布,将汉江区域划分为]42个子流域和107个水文响应单元,子流域面积从541平方千米到12583平方千米不等。
在建模过程中,各站点日降水数据通过距离倒数法插值到每个子流域内,作为该子流域的面降水输入,而气温等其他气象数据则采用SWAT模型自带的方法进行插值。在模型控制文件(basins.cod)的配置中,产流模块采用SCS方程,潜在蒸散发的计算中,采用Priestley-Taylor公式。
步骤23,进行模型的率定及检验,分为两个阶段:参数率定期为2005-2008年,其中2005年为模型的预热期:参数验证期为2009-2018年,其中2009年为预热期。水量平衡系数,相关系数和效率系数3个指标用于评价模型模拟结果。如果水量平衡系数大于0.20或小于0.20而且相关系数和效率系数均小于或等于0.0,那么模型的模拟结果是“不可接受的”,如果水量平衡系数为0.0,且相关系数和效率系数据屋内1.0,那么模型的模拟结果被认为是“优秀”;如果水量平衡系数被控制在正负0.20以内,而且相关系数不小于0.80,效率系数不小于0.60,那么模型的模拟结果被认为是“可以接受的”。
水量平衡系数R,相关系数r和模型效率系数NSEC的计算公式为:
R=∑(Q0-QP)/Q0 (1)
r=∑(Q0-Qave)(QP-Qpave)/[∑(Q0-Qave)2∑(QP-Qpave)2]1/2 (2)
NSEC=1-[∑(Q0-QP)2]/[∑Q0-Qave)2] (3)
式中,Q0为实测径流,QP为模拟径流,Qave为平均实测径流,Qpave为模拟径流的平均值。
步骤三将多种数据应用于所述的SWAT模型,进行水文过程对气候变化的响应分析和监测包括:
步骤31,进行基准期的径流模拟,包括输入研究去水文气象资料、土地利用、土壤类型、DEM以驱动SWAT运行,在率定模型最佳参数的基础上,模拟了基准期(2005-2018年)汉江的逐月径流。
步骤311,参数敏度性分析及率定,选取27个模型输入参数进行参数敏感性分析试验,设置参数采样间隔为10,每次参数变化值为0.05,利用SWAT-CUP敏感性分析工具进行了270次比较判断,确定对敏感性等级最高的6个参数:土壤层有效含水量(SOL_AWC),浅层地下水再蒸发系数,(GW_REVAP)基流因子(ALPHA_BF),浅层地下水回流的阈值(GWQMN),(GW_DELAY)地下水滞后时间等进行模型的率定。利用2005-2018年某水文站逐月流量序列对月径流模拟进行率定,首先调整CN2、SOL_AWC、ESCO来拟合地表径流,再调整GW_REVAP、REVAPMN、GWQMN来调整基流。
步骤312,径流模拟验证,利用同一水文站2009-2011年逐月流量数据进行模型验证,并采用Nash-Sutcliffe模拟效率系数Ens、水量平衡系数R和相关系数r对模型的验证结果进行评价,结果表明SWAT模型适合汉江地区流域径流的变化。
步骤313,基准期模拟径流的年变化,确定基准期径流模拟结果中地表径流量与降水量、基流量的最大值出现的年份是否一致,地表径流量与降水量的最小值出现的年份是否一致,基流量最小值出现的年份。
步骤32,对径流对未来气候变化的响应进行分析,将气候模式各种情景网格降水和气温数据插值到每个子流域上,驱动SWAT模型,模拟典型断面过去和未来的径流过程,对比分析气候变化的影响,选取的时间段为基准年2000-2018年和未来情景2020-2050s4个阶段。
1)基准年:从基准年(2000s)某一水文站出口断面的径流过程获得年平均径流量、汛期流量和非汛期流量;
2)A1B情景,在A1B情景下,以2010s的径流量为基准年,模拟得到汉江流域出口同一水文站未来2020s-2050s年的平均径流量比基准年均有所增减,获得汛期和非汛期径流变化的情况,分析气候变化的原因,导致全球气温升高,极端天气气候事件频发,降雨量增加所导致的。
本实施例基于swat模型的水文过程对气候变化的响应监测方法,以分布式水循环模型为基础,利用特定区域多年的水文站实测数据,对未来N年水库入口的水文站汛期、非汛期的年径流过程进行模拟和预测,从而获得气候变化的响应规律。
虽然本发明已经参考特定的说明性实施例进行了描述,但是不会受到这些实施例的限定而仅仅受到附加权利要求的限定。本领域技术人员应当理解可以在不偏离本发明的保护范围和精神的情况下对本发明的实施例能够进行改动和修改。
Claims (1)
1.基于SWAT模型的水文过程对气候变化的响应监测方法,其特征在于包括如下步骤:
步骤一,获得水文过程的多种数据;
步骤二,建立相应的SWAT模型;
步骤三,将多种数据应用于所述的SWAT模型,进行水文过程对气候变化的响应分析和监测;
所述步骤一多种数据涉及基本资料,所述基本资料包括:气象观测数据、流量数据、地理空间数据、未来气候数据;
所述气象观测数据来源于中国气象局国家气象信息中心,包括多个气象台站的多年逐日平均、最高和最低气温、降水、相对湿度、风速气象要素,将所述气象观测数据手工录入到Excel后,按照模型要求以DBF格式文件存储,以驱动SWAT水文模型进行径流模拟;
所述流量数据来源于水利部水文局,包括逐月平均径流量,用于率定SWAT模型的参数以及检验模型模拟精度;
所述地理空间数据包括数字高程模型数据、土壤类型数据以及土地利用/植被覆盖数据,所述数字高程模型即数字高程模型数据,来源于国际科学数据服务平台或者来源于国家1:25万基本比例尺地形图,利用Arcview的空间分析功能或者GIS的空间分析功能提取水流方向、水流长度、河流网络、划分子流域以及水文模拟单元,计算地形因子,获取SWAT模型所需要的地形、水系、汇流区域信息;所述土壤类型数据来源于中国地图出版社1978年出版的中国土壤分类基础图或者西部数据共享中心,在原分类基础上对土壤进行重分类获得研究区域流域土壤类型;所述土地利用/植被覆盖数据来源于美国地质调查局1976年获取的土地利用/覆盖栅格图获中国西部环境与生态科学数据中心的土地利用数据,对获取的土地利用类型图裁减流域边界,并以土地类型代码字段为值转化为栅格GRID格式,根据USGSLandUse/LandCoverSystem与SWAT模型中土地利用/覆盖分类标准的对应转化关系重新分类,获得符合SWAT土地利用/覆盖分类标准的多种类型;
所述未来气候数据的处理包括:CSIRO和NCAR两个气候模式A1B情景的日气象资料,A1B情景为温室气体中等排放情景,在选择了在未来大气温室气体中等排放情景A1B模式下,根据IPCC气候数据中心提供的数据,模拟研究流域未来的降水数据,最高气温,最低气温和日照时间数据,同时采用降尺度方法,把大尺度、低分辨率的GCM输出信息转化为区域尺度的地面气候变化信息,统计降尺度法利用多年的观测资料建立大尺度气候要素和区域气候要素之间的统计关系,并用独立的观测资料检验这种关系,最后再把这种关系应用于GCM输出的大尺度气候信息,来预估区域未来的气候变化情景,采用PCA与逐步线性回归相结合的统计降尺度方法,并利用历史观测资料,建立大尺度气候预报因子与地面月平均温度的统计联系,从而得到了未来气象观测站逐日最高、最低温度和降水序列;
所述步骤二建立相应的SWAT模型为分布式水文模型,包括:
步骤21,根据目标流域的特点选择模型;
步骤22,建立模型,其中所述SWAT模型数据分为空间数据库和属性数据库两大类,所述空间数据库包括流域DEM图、土地利用分类图和数字化土壤图,所述属性数据库包括3个存储有关土地利用、土壤属性以及气象站参数的数据,在建模过程中,各站点日降水数据通过距离倒数法插值到每个子流域内,作为该子流域的面降水输入,而气温和其他气象数据则采用SWAT模型自带的方法进行插值,在模型控制文件的配置中,产流模块采用SCS方程,潜在蒸散发的计算中,采用Priestley-Taylor公式;
步骤23,进行模型的率定及检验,水量平衡系数,相关系数和效率系数3个指标用于评价模型模拟结果,其中水量平衡系数R,相关系数r和模型效率系数NSEC的计算公式为:
R=∑(Q0-QP)/Q0 (1)
r=∑(Q0-Qave)(QP-Qpave)/[∑(Q0-Qave)2∑(QP-Qpave)2]1/2 (2)
NSEC=1-[∑(Q0-QP)2]/[∑Q0-Qave)2] (3)
式中,Q0为实测径流,QP为模拟径流,Qave为平均实测径流,Qpave为模拟径流的平均值;
所述步骤三将多种数据应用于所述的SWAT模型,进行水文过程对气候变化的响应分析和监测包括:
步骤31,进行基准期的径流模拟,包括输入研究去水文气象资料、土地利用、土壤类型、DEM以驱动SWAT运行,在率定模型最佳参数的基础上,模拟了基准期目标流域的逐月径流;
步骤32,对径流对未来气候变化的响应进行分析,将气候模式各种情景网格降水和气温数据插值到每个子流域上,驱动SWAT模型,模拟典型断面过去和未来的径流过程,对比分析气候变化的影响;
所述步骤31包括:
步骤311,参数敏度性分析及率定,选取多个模型输入参数进行参数敏感性分析试验,设置参数采样间隔和每次参数变化值,利用SWAT-CUP敏感性分析工具进行多次比较判断,确定对敏感性等级最高的N个参数,利用多年某一水文站逐月流量序列对月径流模拟进行率定;
步骤312,径流模拟验证,利用同一水文站多年逐月流量数据进行模型验证,并采用Nash-Sutcliffe模拟效率系数Ens、水量平衡系数R和相关系数r对模型的验证结果进行评价;
步骤313,确定基准期模拟径流的年变化,确定基准期径流模拟结果中地表径流量与降水量、基流量的最大值出现的年份是否一致,地表径流量与降水量的最小值出现的年份是否一致,基流量最小值出现的年份。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910903229.9A CN110674467B (zh) | 2019-09-24 | 2019-09-24 | 基于swat模型的水文过程对气候变化的响应监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910903229.9A CN110674467B (zh) | 2019-09-24 | 2019-09-24 | 基于swat模型的水文过程对气候变化的响应监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110674467A CN110674467A (zh) | 2020-01-10 |
CN110674467B true CN110674467B (zh) | 2024-01-16 |
Family
ID=69077437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910903229.9A Active CN110674467B (zh) | 2019-09-24 | 2019-09-24 | 基于swat模型的水文过程对气候变化的响应监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110674467B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111274676A (zh) * | 2020-01-13 | 2020-06-12 | 中国水利水电科学研究院 | 一种面向分布式水文模型的变土地利用数据处理方法 |
CN111797129B (zh) * | 2020-06-01 | 2024-01-26 | 武汉大学 | 一种气候变化情景下水文旱情评估方法 |
CN111899126B (zh) * | 2020-08-10 | 2023-12-15 | 中国水利水电科学研究院 | 基于水循环模拟的三条红线控制指标划分方法 |
CN111984700B (zh) * | 2020-08-17 | 2023-04-28 | 中国电建集团成都勘测设计研究院有限公司 | 一种基于水热耦合平衡原理的月径流预测方法 |
CN112257286B (zh) * | 2020-11-04 | 2021-05-25 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种多年冻土区温度主导的变源产流模式模拟方法 |
CN112734920A (zh) * | 2021-01-08 | 2021-04-30 | 中国水利水电科学研究院 | 一种能够提升水文模型模拟准确性的高山流域水文计算单元划分方法 |
CN112988926A (zh) * | 2021-02-01 | 2021-06-18 | 成都信息工程大学 | 一种改进混合型线性双源遥感蒸散模型及其应用 |
CN112990657B (zh) * | 2021-02-06 | 2021-12-07 | 首都师范大学 | 一种通过长时序卫星遥感评价湿地退化的方法 |
CN116628631A (zh) * | 2023-06-16 | 2023-08-22 | 华南师范大学 | 森林不同尺度生态水文过程演变特征及耦合机制分析方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893770A (zh) * | 2016-04-15 | 2016-08-24 | 山东省水利科学研究院 | 一种气候变化和人类活动对流域水资源影响的量化方法 |
CN106203671A (zh) * | 2016-06-22 | 2016-12-07 | 中国水利水电科学研究院 | 一种地表水质对气候变化的响应分析方法 |
CN107908922A (zh) * | 2017-11-14 | 2018-04-13 | 中国科学院寒区旱区环境与工程研究所 | 分离气候和土地利用变化对径流影响的方法及径流预估方法 |
-
2019
- 2019-09-24 CN CN201910903229.9A patent/CN110674467B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893770A (zh) * | 2016-04-15 | 2016-08-24 | 山东省水利科学研究院 | 一种气候变化和人类活动对流域水资源影响的量化方法 |
CN106203671A (zh) * | 2016-06-22 | 2016-12-07 | 中国水利水电科学研究院 | 一种地表水质对气候变化的响应分析方法 |
CN107908922A (zh) * | 2017-11-14 | 2018-04-13 | 中国科学院寒区旱区环境与工程研究所 | 分离气候和土地利用变化对径流影响的方法及径流预估方法 |
Non-Patent Citations (5)
Title |
---|
基于CMIP5模式和SDSM的赣江流域未来气候变化情景预估;刘卫林等;《水土保持研究》;20190430;第26卷(第2期);全文 * |
基于SDSM-SWAT模型的汉江上游径流变化模拟;叶加俊等;《水电能源科学》;20190430;第37卷(第4期);第1-4节 * |
基于SWAT模型的延河流域月径流量模拟分析;朱烨等;《长江科学院院报》;20161031;第33卷(第10期);全文 * |
基于分布式水文模型(SWAT)的土地利用和气候变化对洮河流域水文影响特征;王莺等;《中国沙漠》;20170131;第37卷(第1期);第0-4节 * |
王莺等.基于分布式水文模型(SWAT)的土地利用和气候变化对洮河流域水文影响特征.《中国沙漠》.2017,第37卷(第1期), * |
Also Published As
Publication number | Publication date |
---|---|
CN110674467A (zh) | 2020-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674467B (zh) | 基于swat模型的水文过程对气候变化的响应监测方法 | |
Oo et al. | Analysis of streamflow response to changing climate conditions using SWAT model | |
Ayivi et al. | Estimation of water balance and water yield in the Reedy Fork-Buffalo Creek Watershed in North Carolina using SWAT | |
Shiferaw et al. | Modelling hydrological response under climate change scenarios using SWAT model: the case of Ilala watershed, Northern Ethiopia | |
Laouacheria et al. | Comparison of WBNM and HEC-HMS for runoff hydrograph prediction in a small urban catchment | |
Hassan | Climate change impact on groundwater recharge of Umm er Radhuma unconfined aquifer Western Desert, Iraq | |
Adeogun et al. | Validation of SWAT model for prediction of water yield and water balance: case study of upstream catchment of Jebba dam in Nigeria | |
Hassan et al. | The effect of climate change on the maximum temperature in Southwest Iraq using HadCM3 and CanESM2 modelling | |
Desai et al. | Multi-site calibration of hydrological model and assessment of water balance in a semi-arid river basin of India | |
CN112785024A (zh) | 一种基于流域水文模型的径流计算和预测方法 | |
Khayyun et al. | Hydrological model for Hemren dam reservoir catchment area at the middle River Diyala reach in Iraq using ArcSWAT model | |
Azmat et al. | Estimation of water resources availability and mini-hydro productivity in high-altitude scarcely-gauged watershed | |
Zhao et al. | Estimation of high spatiotemporal resolution actual evapotranspiration by combining the SWH model with the METRIC model | |
Wu et al. | Analysis of seasonal snowmelt contribution using a distributed energy balance model for a river basin in the Altai Mountains of northwestern China | |
Karki et al. | Simulation of rainfall-runoff of Kankai River basin using SWAT model: a case study of Nepal | |
Pelosi | Performance of the Copernicus European Regional Reanalysis (CERRA) dataset as proxy of ground-based agrometeorological data | |
Apsīte et al. | Climate change impacts on river runoff in Latvia | |
AMPOFO et al. | Modeling soil water balance of an agricultural watershed in the Guinea Savannah Agro-ecological Zone; a case of the Tono irrigation dam watershed | |
Wu et al. | Impact of surface and underground water uses on streamflow in the upper-middle of the Weihe River basin using a modified WetSpa model | |
Yi et al. | Nonpoint pollution loading forecast and assessment of optimal area of constructed wetland in dam watershed considering climate change scenario uncertainty | |
Gull et al. | Modelling streamflow and sediment yield from two small watersheds of Kashmir Himalayas, India | |
Shahoei et al. | Daily runoff simulation in Ravansar Sanjabi Basin, Kermanshah, Iran, using remote sensing through SRM model and comparison to SWAT model. | |
Khayyun et al. | Hydrological Model for Derbendi-Khan Dam Reservoir Watershed Using SWAT Model | |
Celine et al. | Assessing the implications of extension of rubber plantation on the hydrology of humid tropical river basin | |
Waithaka et al. | Assessing the effects of land use/land cover change on discharge using SWAT model in river ruiru watershed, kiambu county, Kenya |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |