基于SWAT模型的TRMM降水?dāng)?shù)據(jù)徑流模擬適宜性評(píng)價(jià)

朱紅雷, 史曉亮, 李英臣, 李 穎

(1.河南師范大學(xué), 河南 新鄉(xiāng) 453002;2.西安科技大學(xué), 西安 710054; 3.中國科學(xué)院 東北地理與農(nóng)業(yè)生態(tài)研究所, 長春 130102)

基于SWAT模型的TRMM降水?dāng)?shù)據(jù)徑流模擬適宜性評(píng)價(jià)

朱紅雷1, 史曉亮2, 李英臣1, 李 穎3

(1.河南師范大學(xué), 河南 新鄉(xiāng) 453002;2.西安科技大學(xué), 西安 710054; 3.中國科學(xué)院 東北地理與農(nóng)業(yè)生態(tài)研究所, 長春 130102)

以輝發(fā)河流域?yàn)檠芯繀^(qū)，采用SWAT分布式水文模型，以實(shí)測降水?dāng)?shù)據(jù)和TRMM降水產(chǎn)品作為模型輸入，在月尺度和日尺度上構(gòu)建了四種徑流模擬情景，并利用SUFI_2算法分析了不同降水輸入和時(shí)間尺度下模型的參數(shù)敏感性、參數(shù)不確定性和徑流模擬結(jié)果。結(jié)果表明：(1) TRMM降水產(chǎn)品的誤差會(huì)改變參數(shù)的敏感性排序，尤其是在日尺度上；(2) 4種模擬情景P因子的范圍為0.58～0.9，R因子的范圍為0.47～1.58，模型擬合精度較好。月尺度上TRMM數(shù)據(jù)的估算誤差較小，其更高的空間分辨率可使徑流模擬不確定性得到明顯改進(jìn)，而隨著時(shí)間尺度的變化，TRMM數(shù)據(jù)在日尺度上的誤差增大會(huì)導(dǎo)致日徑流模擬結(jié)果不確定性的增加；(3) 在月尺度和日尺度上，采用TRMM數(shù)據(jù)降水輸入模擬徑流，其NS和R2系數(shù)均達(dá)到較好水平，實(shí)測降水模擬結(jié)果略優(yōu)于TRMM數(shù)據(jù)。研究表明，在輝發(fā)河流域，TRMM降水產(chǎn)品在徑流模擬方面表現(xiàn)出較好的適宜性，是一種較為可靠的降水?dāng)?shù)據(jù)源。

TRMM; 徑流模擬;SWAT; 適宜性評(píng)價(jià); 不確定性分析

降水是水文過程模擬的關(guān)鍵變量[1]。目前，降水觀測方法主要有雨量計(jì)、雷達(dá)和衛(wèi)星反演三種。雨量計(jì)是最準(zhǔn)確的降水觀測方法，但是由于單點(diǎn)觀測的空間局限性，傳統(tǒng)的雨量站點(diǎn)數(shù)據(jù)不能充分反映降水的時(shí)空特征[2-4]。與雨量計(jì)方法相比，雷達(dá)觀測方法雖然其觀測范圍有所增大，但仍不能覆蓋國家乃至全球尺度[5]?；谖⒉ê图t外觀測技術(shù)的氣象衛(wèi)星遙感反演降水方法可以克服上述困難。遙感降水?dāng)?shù)據(jù)具有較高的時(shí)空分辨率，例如Tropical Rainfall Measurement Mission (TRMM)、Precipitation Estimation from Remote Sensing Information using Artificial Neural Network (PERSIAN)和Climate Prediction Center Morphing Method (CMORPH)等，在水文模擬中存在巨大的潛力。越來越多的學(xué)者開始探索遙感降水?dāng)?shù)據(jù)在模擬水文過程中的可行性。

Tobin等[6]在美國地區(qū)選擇了7個(gè)流域，分別利用4種遙感降水產(chǎn)品和實(shí)測降水?dāng)?shù)據(jù)模擬流域30 d，10 d，5 d，3 d和1 d的徑流量，結(jié)果表明在不同的流域內(nèi)，隨著徑流模擬時(shí)間尺度的變化，不同遙感降水產(chǎn)品的徑流模擬精度會(huì)產(chǎn)生不同的變化。Yu等[7]利用TRMM數(shù)據(jù)模擬了中國西北降水站點(diǎn)稀少的Manas流域，結(jié)果表明，TRMM數(shù)據(jù)可以應(yīng)用到降水資料稀少的流域。Price等[8]利用Multisensor Precipitation Estimator(MPE or Stage ⅣNext-Generation Radar)降水?dāng)?shù)據(jù)模擬Neuse River的徑流，并用實(shí)測降水?dāng)?shù)據(jù)做對(duì)比，結(jié)果表明，MPE的模擬結(jié)果要優(yōu)于實(shí)測降水站點(diǎn)的結(jié)果。Bitew等[9]總結(jié)了利用遙感降水?dāng)?shù)據(jù)模擬徑流的研究，指出遙感降水?dāng)?shù)據(jù)在水文模擬中有著巨大的潛力，模擬的精度取決于遙感降水?dāng)?shù)據(jù)的類型、流域的大小。

國內(nèi)采用遙感降水?dāng)?shù)據(jù)模擬徑流的研究相對(duì)較少[10]。此外，由于降水?dāng)?shù)據(jù)是徑流模擬最關(guān)鍵的輸入數(shù)據(jù)，遙感降水輸入數(shù)據(jù)的不確定性分析是十分必要的。因此，本文以輝發(fā)河流域?yàn)檠芯繀^(qū)，基于目前國內(nèi)外應(yīng)用最為廣泛的Soil and Water Assessment Tool (SWAT)模型，評(píng)價(jià)TRMM 3B42 V7降水產(chǎn)品在徑流模擬方面的適宜性，并對(duì)其進(jìn)行參數(shù)不確定性分析。

1 研究區(qū)概況

輝發(fā)河發(fā)源于龍崗山脈北側(cè)遼寧省清原滿族自治縣境內(nèi)，流經(jīng)梅河口、輝南、磐石和樺甸等縣市，于樺甸市金沙鄉(xiāng)福安屯東匯入第二松花江，是第二松花江的第一大支流，也是吉林省重要水源地——松花湖的主要補(bǔ)給水源。流域?qū)贉貛Т箨懶约撅L(fēng)氣候區(qū)，夏季溫?zé)岫嘤?，冬季漫長寒冷。根據(jù)流域內(nèi)及周邊氣象站點(diǎn)1960—2010年的統(tǒng)計(jì)資料，該地區(qū)多年平均氣溫4.5℃，1月份氣溫最低，年平均溫度在-16.2℃左右，極端最低氣溫達(dá)-45℃；8月份氣溫最高，年平均氣溫在25℃左右，極端最高氣溫37.2℃。降水量年內(nèi)分配不均，輝發(fā)河流域年平均降水量為776 mm，雨量主要集中在6—9月份，占全年降水量的60%以上。徑流量隨季節(jié)變化較大，3—4月為春汛，7—9月為夏汛，11—2月水位較為平穩(wěn)，為枯水期。根據(jù)樺甸市五道溝水文站的監(jiān)測資料，輝發(fā)河水位變幅7.69 m，多年平均年徑流量26.4億m3，平均流量83.70 m3/s，最大洪峰流量3 010 m3/s(1975年)，最小流量0.44 m3/s (1979年)。本文以五道溝水文站上游為研究區(qū)域，該區(qū)流域面積12 400 km2，約占全流域的84%(圖1)。

圖1研究區(qū)水文氣象站點(diǎn)及子流域劃分

2 數(shù)據(jù)和方法

2.1 SWAT模型水文循環(huán)基本原理

SWAT模型中，流域水文過程分為兩部分：(1) 陸面部分——子流域模塊(即產(chǎn)流和坡面匯流部分)；(2) 水循環(huán)的水面部分——匯流演算模塊(即河道匯流部分)[11]。前者控制著每個(gè)子流域內(nèi)主河道的水、沙、營養(yǎng)物質(zhì)和化學(xué)物質(zhì)等的輸入量；后者決定水、沙等物質(zhì)從河網(wǎng)向流域出口的輸移運(yùn)動(dòng)。根據(jù)水文循環(huán)原理，SWAT模型水量平衡方程可以用如下公式表示：

(1)

式中：SWi為土壤的最終含水量(mm)；SW0為第i天可被植被吸收的土壤原始含水量，定義為原始土壤含水量減去凋萎點(diǎn)含水量(mm)；t為時(shí)間(d)；Ri為第i天的降水量(mm)；Qi為第i天的地表徑流量(mm)；ETi為第i天的蒸散發(fā)(mm)；Pei為第i天存在于土壤剖面底層的滲透量和測流量(mm)；QRi為第i天的地下水回流量(mm)。

2.2 數(shù)據(jù)準(zhǔn)備

本研究所用的DEM數(shù)據(jù)來源于美國宇航局(NASA)和國防部國家測繪局(NIMA)，以及德國與意大利航天機(jī)構(gòu)聯(lián)合測量的SRTM(Shuttle Radar Topography Mission)數(shù)據(jù)集，空間分辨率為90 m；氣象數(shù)據(jù)選用輝發(fā)河流域內(nèi)的樺甸、梅河口和磐石2000—2010年的逐日觀測數(shù)據(jù)，包括最高氣溫、最低氣溫、降水、相對(duì)濕度、風(fēng)速和日照時(shí)數(shù)。流域內(nèi)所用氣象站點(diǎn)均沒有太陽輻射的實(shí)測資料，根據(jù)童成立等[12]的研究，利用基于站點(diǎn)位置和日照時(shí)數(shù)的模擬逐日太陽輻射的方法估算了各氣象站逐日太陽輻射值；土壤空間數(shù)據(jù)來源于吉林省土肥站與長春地理所1988年聯(lián)合編制的1∶50萬土壤圖，并參照中國科學(xué)院南京土壤研究所土壤分中心的中國土壤數(shù)據(jù)庫(http:∥www.soil.csdb.cn/)，將其轉(zhuǎn)換為模型所需的參數(shù)；五道溝徑流數(shù)據(jù)來源于吉林省水文局，時(shí)間為2006—2010年；參考水文資料的獲取時(shí)間，本研究以2005年Landsat5 TM影像為基礎(chǔ)，采用人機(jī)交互的方式解譯研究區(qū)土地利用類型[13]。為保持土地利用分類系統(tǒng)和SWAT模型一致，對(duì)本文的土地利用分類數(shù)據(jù)進(jìn)行重分類。

TRMM 3B42是美日聯(lián)合發(fā)射的熱帶降水測量計(jì)劃(Tropical Rainfall Measuring Mission，TRMM)衛(wèi)星與其他衛(wèi)星聯(lián)合反演的降水產(chǎn)品[14-16]。TRMM 3B42利用逐月的降水觀測資料對(duì)其訂正，去除了衛(wèi)星觀測中存在的系統(tǒng)誤差。本文采用2011年發(fā)布的最新版本TRMM V7數(shù)據(jù)。相對(duì)于原來的TRMM V6數(shù)據(jù)，V7在衛(wèi)星遙感數(shù)據(jù)源、地貌雨量校正算法、熱紅外數(shù)據(jù)校正方案和微波數(shù)據(jù)處理方法等方面取得了重要改進(jìn)，降水估算更為準(zhǔn)確[17]。

2.3 參數(shù)敏感性分析

SWAT模型中跟徑流有關(guān)的參數(shù)共28個(gè)[18]，通過敏感性分析，可以剔除對(duì)模擬結(jié)果影響較小的參數(shù)，減少模型參數(shù)率定的工作量以及模型的不確定性。ArcSWAT 2012版本取消了自帶的參數(shù)敏感性分析，因此，本研究采用SWATCUP 2012中的SUFI_2算法進(jìn)行參數(shù)敏感性分析，模型的不確定性分析以及率定過程也可同時(shí)進(jìn)行[19-20]。

SUFI_2算法提供了3種方法獲取參數(shù)的敏感性[21]，本研究采用的是全局敏感度。通過多元回歸模型進(jìn)行參數(shù)敏感性分析，將拉丁超立方采樣生成的參數(shù)與目標(biāo)函數(shù)值進(jìn)行回歸分析，公式如下：

(2)

式中：g為目標(biāo)函數(shù)；α，βi為回歸方程的系數(shù)；bi為參數(shù)值；m為參數(shù)數(shù)目。

然后采用t檢驗(yàn)檢測每個(gè)參數(shù)的敏感性，t-Stat的絕對(duì)值越大，表明該參數(shù)越敏感。P-Value是t-Stat查表對(duì)應(yīng)的p概率值，p值體現(xiàn)了t-Stat的顯著性。參數(shù)的p值越接近0，顯著性越大。

2.4 模型校準(zhǔn)和驗(yàn)證

選擇決定性系數(shù)(R2)和Nash-Sutcliffe效率系數(shù)(NS)用來評(píng)價(jià)模型參數(shù)率定和模型驗(yàn)證的精度與效果[22-23]。

(3)

(4)

2.5 不確定性分析

SUFI-2算法采用兩個(gè)指標(biāo)來衡量參數(shù)的不確定性：P-factor和R-factor。P-factor是指95%置信水平上的不確定性區(qū)間(95%prediction uncertainty，95PPU)所包含的實(shí)測值占總體的比例。95PPU是指置信水平為2.5%(XL)和97.5%(XU)之間模擬結(jié)果的累積分布區(qū)間[25-27]。95PPU的平均寬度可由以下公式獲得：

(5)

式中：l為數(shù)據(jù)的個(gè)數(shù)。

(6)

式中：σ為觀測數(shù)據(jù)的標(biāo)準(zhǔn)差。

R-factor的物理意義是95PPU內(nèi)樣本的聚集程度。R-factor越大，樣本分布越零散，反之，則樣本分布越集中。當(dāng)P-factor取1，R-factor取0時(shí)，表明模擬結(jié)果與實(shí)測數(shù)據(jù)一致。實(shí)際模擬當(dāng)中，一般認(rèn)為，當(dāng)P-factor>0.6，且R-factor<1時(shí)，模型的模擬精度滿足要求。

3 結(jié)果與分析

3.1 TRMM降水?dāng)?shù)據(jù)精度分析

遙感降水?dāng)?shù)據(jù)的精度決定了徑流模擬結(jié)果的準(zhǔn)確性。以樺甸、梅河口和磐石三個(gè)站點(diǎn)實(shí)測降水?dāng)?shù)據(jù)為基準(zhǔn)，從TRMM影像中提取站點(diǎn)所對(duì)應(yīng)的柵格值，分別在月尺度和日尺度上對(duì)比遙感降水?dāng)?shù)據(jù)與實(shí)測降水?dāng)?shù)據(jù)(圖2)。

圖2 TRMM降水?dāng)?shù)據(jù)和實(shí)測數(shù)據(jù)比較

從圖2中可以看出，在日尺度上，TRMM降水產(chǎn)品的估算結(jié)果與實(shí)測值有較大差距，而在月尺度上，TRMM對(duì)降水的估算精度明顯優(yōu)于日尺度。這是由于TRMM 3B42融合了逐月的降水觀測資料，因此，月尺度的降水精度明顯優(yōu)于日尺度。表1列出了樺甸、梅河口和磐石三個(gè)站點(diǎn)TRMM降水與實(shí)測降水的相關(guān)系數(shù)。從表1中可以看出，在日尺度上，TRMM降水?dāng)?shù)據(jù)與樺甸、梅河口和磐石三個(gè)站點(diǎn)的相關(guān)系數(shù)分別為0.37，0.28，0.36，相關(guān)系數(shù)較低。月尺度上，三個(gè)站點(diǎn)的相關(guān)系數(shù)較好，分別為0.88，0.97，0.96。

表1 TRMM降水與站點(diǎn)實(shí)測降水相關(guān)性分析

3.2 參數(shù)敏感性分析結(jié)果

本文選擇對(duì)輝發(fā)河流域徑流影響較大的14個(gè)參數(shù)，參數(shù)的意義及初始值見表2。采用SUFI_2算法進(jìn)行參數(shù)敏感性分析，以實(shí)測降水?dāng)?shù)據(jù)輸入作為對(duì)照，設(shè)置4種徑流模擬情景：實(shí)測日徑流、實(shí)測月徑流、TRMM日徑流和TRMM月徑流。每種模擬情景運(yùn)行500次，參數(shù)敏感性分析結(jié)果見表3。

從表3中可以看出，隨著徑流模擬時(shí)間尺度及降水輸入數(shù)據(jù)的變化，參數(shù)的敏感程度也發(fā)生了較大的變化。在月尺度上，采用實(shí)測降水?dāng)?shù)據(jù)作為模型輸入模擬徑流，最為敏感的5個(gè)參數(shù)分別為CN2，CANMX，ALPHA_BF，SOL_AWC和SOL_Z；以TRMM降水?dāng)?shù)據(jù)作為模型輸入，前5位敏感的參數(shù)分別為CN2，ALPHA_BF，GWQMN，CANMX和SOL_K，除個(gè)別參數(shù)排名不一致外(SOL_Z，GW_DELAY和GW_REVAP)，其他參數(shù)敏感性排序基本一致。但兩種情景t-Stat值的差異較大。

在日尺度上，實(shí)測降水輸入情景最為敏感的5個(gè)參數(shù)為ALPHA_BF，CN2，CH_N2，CH_K2和EPCO，除前兩者參數(shù)與月尺度保持一致外，其他參數(shù)的敏感性排序差異較大；TRMM降水輸入情景最為敏感的5個(gè)參數(shù)分別為CH_N2，CH_K2，SOL_Z，ALPHA_BF和ESCO，與月尺度參數(shù)敏感性排名差異較大。日尺度上，實(shí)測降水輸入情景和TRMM降水輸入情景兩者t-Stat值大小較為相似，但參數(shù)敏感性排序迥異。徑流模擬時(shí)間尺度由月變?yōu)槿?，擴(kuò)大了TRMM降水?dāng)?shù)據(jù)誤差對(duì)參數(shù)敏感性的影響。

表2 輝發(fā)河流域徑流模擬所用參數(shù)

表3 輝發(fā)河流域參數(shù)敏感性分析結(jié)果

3.3 不確定性分析結(jié)果

采用SWATCUP 2012中的SUFI_2算法進(jìn)行參數(shù)的率定和不確定性分析。設(shè)置2006年為模型的預(yù)熱期，2007—2008年為率定期，2009—2010年為模型驗(yàn)證期。初始的參數(shù)取值范圍往往較大，會(huì)增加模型的不確定性和降低模型模擬精度。因此，以表2中的數(shù)據(jù)作為參數(shù)初始取值范圍，將4種徑流模擬情景各運(yùn)行500次后，SUFI_2算法會(huì)提供模型下一次迭代推薦的參數(shù)范圍值。以該組參數(shù)范圍值再運(yùn)行500次，得到4種徑流模擬情景的參數(shù)不確定性結(jié)果。

從表5中可以看出，在模型模擬期內(nèi)，4種模擬情景P因子的范圍為0.58～0.9，R因子的范圍為0.47～1.58，模型擬合精度較好。部分P因子值較小的原因是由于在模型率定時(shí)和驗(yàn)證時(shí)將NS系數(shù)設(shè)為目標(biāo)函數(shù)，為了取得較高的NS值，P因子值會(huì)有所降低。在月尺度上，率定期實(shí)測降水和TRMM的P因子為0.88和0.83，R因子為1.19和1.58，實(shí)測降水的不確定性較小；驗(yàn)證期實(shí)測降水和TRMM的P因子為0.58和0.75，R因子為0.47和0.59，TRMM數(shù)據(jù)的不確定性較小。日尺度上實(shí)測降水和TRMM的不確定性結(jié)果與月尺度正好相反，率定期P因子和R因子基本一致，實(shí)測降水的R因子略高，為1.56；驗(yàn)證期實(shí)測降水模擬徑流的不確定性明顯小于TRMM數(shù)據(jù)。結(jié)合TRMM數(shù)據(jù)與實(shí)測降水的誤差分析結(jié)果可以發(fā)現(xiàn)，月尺度上TRMM數(shù)據(jù)的估算誤差較小，其更高的空間分辨率可使徑流模擬不確定性得到明顯改進(jìn)，而隨著時(shí)間尺度的變化，TRMM數(shù)據(jù)在日尺度上的誤差增大會(huì)導(dǎo)致日徑流模擬結(jié)果不確定性的增加。

圖3 TRMM降水?dāng)?shù)據(jù)在不同時(shí)間尺度下的誤差分布

實(shí)測降水站點(diǎn)日尺度RE(E/R)%E(E/R)%月尺度RE(E/R)%E(E/R)%樺甸2.160.020.723.05141.2665.610.470.7212.8819.62梅河口1.950.115.652.62134.0059.433.365.6513.6622.98磐石1.970.3015.432.67135.4560.099.2715.4323.0138.29

表5 輝發(fā)河流域不確定性分析結(jié)果

3.4 徑流模擬結(jié)果

表6為輝發(fā)河流域徑流率定和驗(yàn)證結(jié)果。采用實(shí)測降水輸入模擬輝發(fā)河流域月徑流，驗(yàn)證期模擬結(jié)果最好，NS和R2為0.97；模擬結(jié)果表現(xiàn)較差的為TRMM數(shù)據(jù)模擬日徑流，NS為0.55，R2為0.57。一般認(rèn)為日徑流模擬NS和R2大于0.5，即可滿足模型模擬精度需求。與不確定分析結(jié)論相似，在月尺度和日尺度上，采用實(shí)測數(shù)據(jù)降水輸入模擬徑流，其結(jié)果略優(yōu)于TRMM數(shù)據(jù)，但模擬結(jié)果相差較??；不同時(shí)間尺度模擬結(jié)果相比較，月徑流的模擬結(jié)果明顯優(yōu)于日徑流模擬，如率定期(2007—2008年)，使用TRMM數(shù)據(jù)模擬月徑流，其NS為0.72，R2為0.74；日徑流模擬NS為0.55，R2為0.57。圖4為輝發(fā)河流域徑流實(shí)測值、模擬值和95 PPU范圍。從圖中可以看出，雖然采用實(shí)測降水?dāng)?shù)據(jù)的總體模擬結(jié)果略優(yōu)于TRMM降水?dāng)?shù)據(jù)，但從模擬期的徑流過程線來看，TRMM降水的模擬結(jié)果與實(shí)際的徑流曲線更為接近，如月徑流模擬結(jié)果中2009年1月至8月的兩次徑流小高峰，日徑流模擬結(jié)果中2010年4月份的徑流高峰。綜上所述，高時(shí)空分辨率的TRMM 降水產(chǎn)品在輝發(fā)河流域的徑流模擬中具有較好的適宜性。

表6 輝發(fā)河流域徑流模擬結(jié)果

圖4 輝發(fā)河流域徑流實(shí)測值、模擬值和95PPU范圍

4 結(jié)論和討論

本文以輝發(fā)河流域?yàn)檠芯繀^(qū)，采用實(shí)測降水?dāng)?shù)據(jù)和TRMM降水產(chǎn)品作為模型輸入，在月尺度和日尺度上構(gòu)建了4種徑流模擬情景，分析了不同降水輸入和時(shí)間尺度下模型的參數(shù)敏感性和參數(shù)不確定性，最后比較了4種徑流模擬情景的徑流模擬結(jié)果。結(jié)果表明：(1) 隨著徑流模擬時(shí)間尺度及降水輸入數(shù)據(jù)的變化，參數(shù)的敏感程度也發(fā)生了較大的變化。其中，時(shí)間尺度對(duì)參數(shù)敏感性的影響更為顯著；(2) 月尺度上TRMM數(shù)據(jù)的估算誤差較小，其更高的空間分辨率可使徑流模擬不確定性得到明顯改進(jìn)，而隨著時(shí)間尺度的變化，TRMM數(shù)據(jù)在日尺度上的誤差增大會(huì)導(dǎo)致日徑流模擬結(jié)果不確定性的增加；(3) 采用TRMM數(shù)據(jù)降水輸入模擬徑流，其結(jié)果略優(yōu)于TRMM數(shù)據(jù)；不同時(shí)間尺度模擬結(jié)果相比較，月徑流的模擬結(jié)果明顯優(yōu)于日徑流模擬。綜上所述，在輝發(fā)河流域，TRMM降水產(chǎn)品在徑流模擬方面表現(xiàn)出較好的適宜性，是一種較為可靠的降水?dāng)?shù)據(jù)源。

受獲取的數(shù)據(jù)所限，本文僅以輝發(fā)河流域分析了TRMM降水?dāng)?shù)據(jù)的適宜性。我國地域廣闊，降水和下墊面情況復(fù)雜多變，尤其是在南方山地和丘陵地區(qū)，TRMM降水?dāng)?shù)據(jù)能否較好地模擬徑流仍是一個(gè)需要探討的問題。此外，隨著空間技術(shù)的不斷發(fā)展，遙感降水產(chǎn)品種類逐漸增多，如CMORPH，PERSIANN，GLDAS、我國的風(fēng)云降水產(chǎn)品等等。在今后的研究中，將進(jìn)一步對(duì)多源遙感降水產(chǎn)品在我國不同地區(qū)的適宜性進(jìn)行評(píng)價(jià)。

[1] 郝芳華,陳利群,劉昌明,等.降雨的空間不均性對(duì)模擬產(chǎn)流量和產(chǎn)沙量不確定的影響[J].地理科學(xué)進(jìn)展,2011,22(5):446-453.

[2] Anctil F, Lauzon N, Andr Assian V, et al. Improvement of rainfall-runoff forecasts through mean areal rainfall optimization [J]. Journal of Hydrology, 2006,328(3):717-725.

[3] Sun H, Cornish P, Daniell T M. Spatial variability in hydrologic modeling using rainfall-runoff model and digital elevation model [J]. Journal of Hydrologic Engineering, 2002,7(6):404-412.

[4] Xu H, Xu C Y, Chen H, et al. Assessing the influence of rain gauge density and distribution on hydrological model performance in a humid region of China [J]. Journal of Hydrology, 2013,505:1-12.

[5] 成璐.融合降水及多種衛(wèi)星降水產(chǎn)品評(píng)估研究[D].南京:南京信息工程大學(xué),2013.

[6] Tobin K J, Bennett M E. Temporal analysis of Soil and Water Assessment Tool(SWAT)performance based on remotely sensed precipitation products [J]. Hydrological Processes, 2013,27(4):505-514.

[7] Yu M, Chen X, Li L, et al. Streamflow Simulation by SWAT Using Different Precipitation Sources in Large Arid Basins with Scarce Raingauges[J]. Water Resources Management, 2011,25(11):2669-2681.

[8] Price K, Purucker S T, 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):3505-3520.

[9] Bitew M M, Gebremichael M, Ghebremichael L T, et al. Evaluation of High-Resolution Satellite Rainfall Products through Streamflow Simulation in a Hydrological Modeling of a Small Mountainous Watershed in Ethiopia[J]. Journal of Hydrometeorology, 2012,13(1):338-350.

[10] 張小麗,彭勇,王本德,等.基于SWAT模型的降雨數(shù)據(jù)適用性評(píng)價(jià)[J].農(nóng)業(yè)工程學(xué)報(bào),2014,30(19):88-96.

[11] Kiniry J R, Williams J R, King K W. Soil and Water Assessment Tool Theoretical Documentation(Version 2005)[J]. Computer Speech & Language, 2005,24(2):289-306.

[12] 童成立,張文菊,湯陽,等.逐日太陽輻射的模擬計(jì)算[J].中國農(nóng)業(yè)氣象,2005,26(3):165-169.

[13] 史曉亮,李穎,趙凱,等.諾敏河流域土地利用與覆被變化及其對(duì)水文過程的影響[J].水土保持通報(bào),2013,33(1):23-28.

[14] 常遠(yuǎn)勇,侯西勇,于良巨,等.基于TRMM3 B42數(shù)據(jù)的1998—2010年中國暴雨時(shí)空特征分析[J].水資源與水工程學(xué)報(bào),2013(3):105-112,115.

[15] 韋芬芬,湯劍平,惠品宏.基于雨量計(jì)的高分辨率格點(diǎn)降水?dāng)?shù)據(jù)與TRMM衛(wèi)星反演降水?dāng)?shù)據(jù)在亞洲區(qū)域的比較[J].南京大學(xué)學(xué)報(bào):自然科學(xué)版,2013(3):320-330.

[16] Liu X, Liu F M, Wang X X, et al. Combining rainfall data from rain gauges and TRMM in hydrological modelling of Laotian data-sparse basins[J]. Applied Water Science, 2015:1-10.

[17] 胡慶芳,楊大文,王銀堂,等.基于TRMM3B43V7的贛江流域月徑流過程模擬[J].水力發(fā)電學(xué)報(bào),2014,33(5):6-12.

[18] 左德鵬,徐宗學(xué).基于SWAT模型和SUFI-2算法的渭河流域月徑流分布式模擬[J].北京師范大學(xué)學(xué)報(bào):自然科學(xué)版,2012,48(5):490-496.

[19] Akhavan S, Abedi-Koupai J, Mousavi S F, et al. Application of SWAT model to investigate nitrate leaching in Hamadan-Bahar Watershed, Iran[J]. Agriculture Ecosystems & Environment, 2010,139(4):675-688.

[20] Azimi M, Heshmati G A, Farahpour M, et al. Modeling the impact of rangeland management on forage production of sagebrush species in arid and semi-arid regions of Iran[J]. Ecological Modelling, 2013,250(1753):1-14.

[21] 李謙,張靜,宮輝力.基于SUFI-2算法和SWAT模型的媯水河流域水文模擬及參數(shù)不確定性分析[J].水文,2015,35(3):43-48.

[22] 楊軍軍,高小紅,李其江,陳強(qiáng),馮仕超.湟水流域SWAT模型構(gòu)建及參數(shù)不確定性分析[J].水土保持研究,2013,20(1)1:82-88,93.

[23] Le T B, Al-Juaidi F H, Sharif H. Hydrologic Simulations Driven by Satellite Rainfall to Study the Hydroelectric Development Impacts on River Flow[J]. Water, 2014,6(12):3631-3651.

[24] 湯潔,劉暢,楊巍,李昭陽,吳佳曦.基于SWAT模型的大伙房水庫匯水區(qū)農(nóng)業(yè)非點(diǎn)源污染空間特性研究[J].地理科學(xué),2012,32(10):1247-1253.

[25] 張余慶,陳昌春,楊緒紅,尹義星,都金康.基于SUFI-2算法的SWAT模型在修水流域徑流模擬中的應(yīng)用[J].水電能源科學(xué),2013,31(9):24-28.

[26] Leta O T, Nossent J, Velez C, et al. Assessment of the different sources of uncertainty in a SWAT model ofthe River Senne(Belgium)[J]. Environmental Modelling & Software, 2015,68(C):129-146.

[27] Zhang X, Xu Y P, Fu G. Uncertainties in SWAT extreme flow simulation under climate change[J]. Journal of Hydrology, 2014,515(13):205-222.

EvaluationofRunoffSimulationUsingTRMMPrecipitationDataBasedonSWATModel

ZHU Honglei1, SHI Xiaoliang2, LI Yingchen1, LI Ying3

(1.He′nanNormalUniversity,Xinxiang,He′nan453002,China; 2.Xi′anUniversityofScienceandTechnology,Xi′an, 710054,China; 3.NortheastInstituteofGeographyandAgroecology,ChineseAcademyofSciences,Changchun130102,China)

Four runoff simulation scenarios were constructed in Huifa river basin using the distributed hydrological model SWAT at monthly and daily scales with observed precipitation data and TRMM precipitation products as the input of model. Then, parameter sensitivity, parameter uncertainty and runoff simulation were analyzed under different precipitation inputs and time scale using SUFI_2 algorithm. The results showed that: (1) the error of TRMM precipitation products could change the parameters of sensitivity ranking, especially on the daily scale; (2) P-factor of four simulated scenarios was in the range of 0.58～0.9 andR-factor in the range of 0.47～1.58, which indicated that the model had the better fitting precision; TRMM data could make the runoff simulation uncertainty significantly improved due to its small estimate error at month scale and higher spatial resolution; with the change of time scale, increasing TRMM data error at daily scale could lead to the enlarged uncertainty of daily runoff simulation; (3) on the monthly and daily scales, both NS andR2of runoff simulation using the TRMM data reached to a good level, and the result simulated by using measured rainfall was slightly better than that of the TRMM data. The results suggested that the TRMM precipitation products were a reliable source of precipitation data for runoff simulation in Huifa River Basin.

TRMM; runoff simulation; SWAT; suitability evaluation; uncertainty analysis

2016-08-14

：2016-10-17

國家自然科學(xué)基金青年項(xiàng)目(51409204);河南師范大學(xué)博士啟動(dòng)課題(qd15179);河南省高等學(xué)校重點(diǎn)科研資助項(xiàng)目計(jì)劃(17A170007)

朱紅雷(1987—),男,河北邯鄲人,博士,主要研究方向?yàn)檫b感與地理信息系統(tǒng)應(yīng)用。E-mail:zhuhonglei@htu.edu.cn

李穎(1964—),男,吉林東豐人,博士,主要研究方向?yàn)橥恋刈兓b感動(dòng)態(tài)監(jiān)測及定量化空間數(shù)字建模研究。E-mail:liying@neigae.ac.cn

P333

：A

：1005-3409(2017)05-0105-08