遥感数据质量对流域径流量的影响：以秦淮河流域为例

4　地表覆盖遥感数据分类类别对流域径流量的影响——以秦淮河流域为例

4．1　典型研究区概况与资料情况

4．1．1　秦淮河流域概况

秦淮河流域地处长江下游，位于江苏省的西南部，北纬31°43′至32°00′，东经118°49′至119°07′，总面积2　630 km2。流域范围包括南京市和属镇江管辖范围的句容市。流域内南京部分面积为1　750 km2，占流域总面积的66．54%；流域内句容部分面积为880 km2，占流域总面积的33．46%。秦淮河上游有溧水河与句容河两条支流汇入，地处东部的句容河起源于隶属句容的宝华山，地处南部的溧水河起源于溧水县东庐山，交汇于江宁区的方山，贯穿南京市区后北入长江。

秦淮河流域被茅山与宁镇等大量山脉包围，多面环山，最高海拔450 m。地处北亚热带的湿润季风气候带，四季分明，雨水丰沛。平均气温15℃，多年平均降水量1　034～1　276 mm，汛期雨量主要集中于6～7月。降雨特点是梅雨期长，且雨量较集中，容易发生洪涝自然灾害。流域内土壤类型主要有黄褐土、黄棕土、潴育型水稻土、渗育型水稻土、潜育和脱育型水稻土以及灰潮土等［139-141］。

图4-1　秦淮河流域示意图
图片来源：自绘

4．1．2　水文资料等基础资料

典型研究区SWAT模型使用的资料主要包括水文、气象及自然地理数据，包括DEM数据，流域矢量边界与流域河网水系数据，研究区不同时期遥感影像，土壤属性数据，研究区逐日降雨量数据，控制站前垾村（秦）日流量数据及其气象数据等（表4-1）。

表4-1　基础数据来源

资料来源：自制

1）采用的降雨量站点

本书所采用的降雨资料主要包括1978—1988年连续11年逐日降水资料。降雨量采用的是流域内基本站点赵村水库、天生桥、溧水、夏家边、南镇街、前垾村、江宁、句容、安基山水库等一共22个雨量站的资料。

2）采用的气象资料

需要的气象资料包括气象站点及其观测数据。本书采用的气象资料来自于南京气象站，主要有逐日相对湿度、最高气温、最低气温、太阳辐射、风速等。其中，缺少的逐日太阳辐射数据用模型运行时默认数值取代。通过以上基础数据进行计算可得到最高气温及其标准差以及最低气温及其标准差等气象数据。

4．2　SWAT模型数据库建立

4．2．1　SWAT模型水文模块基本原理

SWAT模型模拟过程包括产流与汇流两个部分的模拟。其中产流的模拟是基于子流域以及水文响应单元（HRUs）进行计算，进行流域内特定耕作模式下的每个分区的径流和含沙量等要素的模拟。而汇流模拟则是计算各子流域径流、含沙量等汇集到流域出口断面的过程。

模拟的主要过程为：

第一步：基于研究区域的DEM数据，进行流域内坡度和坡向计算，然后再进行径流路径以及其他河网属性等计算。

第二步：基于河网的属性划分研究流域的子流域（也可自行划分好后直接输入到模型模块），然后再导入地表覆盖数据、土壤属性数据以及河流水系数据等，通过自定义阈值以及坡度可以把每个子流域继续分为若干个HRUs。划分HRUs代表的目的是把子流域内满足单一土地利用类型与单一土壤类型以及地形坡度的范围作为一个单元，对其进行独立的模拟运算，然后将模拟结果汇集到流域出口。

4．2．2　SWAT模型数据库建立

模型所需的主要输入参数如下：水文、气象数据、土壤数据以及地表覆盖类型等参数。

1）水文数据库

（1）DEM数据。本书研究中选用的是30 m分辨率的DEM数据。将其输入模型之前，要先用原DEM数据转换成无洼地DEM数据。因为原始DEM数据往往有一些凹陷点，而这些凹陷点的区域会使得模型计算过程中形成不合理水流流向，于是需要进行DEM数据的预处理，形成无洼地DEM数据。具体操作是基于ArcGIS中的Hydrology工具，先后开展水体流向、洼地提取与填充等步骤，最后生成无洼地DEM数据。

（2）河网水系与研究区边界。SWAT模型可以基于研究区DEM数据与河流出口而自动形成流域的边界与河网水系。但本书区域地形条件特殊，流域中部地势相对比较平缓，同时人类活动对河网水系干扰与影响较强烈，因此SWAT模型自动形成的河网不能真实地反映研究区的河网水系现状。于是本书在进行秦淮河流域的SWAT模型模拟计算时，输入的是实地调查所得流域边界与河网水系数据。然后再进行流域的子流域划分。本次研究将秦淮河流域共分为22个子流域，如图4-2所示。其中，模型所用的气象数据、水文数据和遥感数据见前面介绍部分。

图4-2　秦淮河流域子流域划分示意图
注：图中1—22子流域无实意，用于SWAT模型表征。
图片来源：自绘

2）土壤属性数据库

SWAT模型的土壤属性数据库主要包括物理属性数据库与化学属性数据库。该模型是基于美国地理条件建立的，因此模型输入的水文、气象以及土壤等数据均是美国制数据。基于我国基本情况而建立的水文、气象以及土壤数据库作为模型的输入数据库存在不同程度的研究障碍，例如会出现因不同标准而导致数据缺失的情况。因此，为了SWAT模型能更好地运用，要将数据库转为美国制数据库再输入。

本书将我国使用的土壤物理属性资料库转为SWAT模型输入采用的美国制格式的数据库，经验证可以使用。然后再进行了秦淮河流域的水稻土的水文学分组的二次划分，使其水文学分组更客观。此外还根据遥感图像进行了地表反照率的反演，反演结果符合模型的应用条件［140］。将其中几个比较重要的数据库建立方面一一阐述如下：

（1）土壤质地转换。土壤质地是土壤属性数据的基本属性。在我国进行的第二次全国土壤普查中，运用的是苏联制与国际制两种体系。而SWAT模型输入的土壤质地数据是美国制。于是研究中把土壤质地数据转换成美国制数据。值得一提的是传统的土壤质地转换通常用的是图解法。该方法是将土壤质地的土壤颗粒级配的曲线在对数纸上通过手绘而成，然后通过查曲线图来确定土壤粒径对应的百分比含量。其缺点是因曲线绘制的主观性而影响准确率。蔡永明等［201］对插值法进行了对比性研究，通过线性插值、二次样条插值以及三次样条插值等三类方法的对比，结果显示三次样条插值的结果最优。同时三次样条插值还可以提供数学工具进行土壤质地客观转换。于是本书基于我国第二次全国土壤普查结果，进行土壤类型的三次样条插值，进而转换为美国制。且在转换中将粒径大小转换成对数值后再进行插值，这样与绘制曲线原理保持一致性。研究区不同类型的土壤粒径转换为美国制后结果如表4-2所示。

（2）土壤水文学分组。SWAT模型土壤物理属性数据库包括土壤水文学分组、土壤湿密度、地表反射率、饱和导水率、有效田间持水量、土壤最大可压缩量、有机碳含量、土壤侵蚀力因子、电导率等相关参数。其中饱和导水率、土壤湿密度以及有效田间持水量计算是基于土壤粒径分布转换数据与SPAW软件进行计算，然后把SPAW软件输出的计算数据转为满足SWAT模型输入要求的数据。

表4-2　秦淮河流域不同土壤类型美国制粒径分类中各粒径的比重

资料来源：自制

本书模型计算时地表径流的模拟选用的是SCS径流曲线法。建立模型的土壤属性数据库时，要进行土壤的水文学分组。具体操作是基于相同的客观条件，把土壤的产流能力近似的土壤质地分为一个水文组。主要根据土壤的饱和导水率与排水能力要素进行划分。一般情况下将土壤分成A、B、C、D四类土壤水文学分组。此外还有三种双重类别，分别是A/D、B/D和C/D，具体特性见表4-3所示。

表4-3　水文学分组

资料来源：自制

土壤水文学分组中启用双重类别是为了进一步区分出渗透率低但却有排水能力的土壤，依据其排水能力强弱进行分类。本书研究区流域内主要土壤类型均属于土壤水文学分组的D类分组，而其耕种方式主要是水稻种植，尽管研究区域内的土壤导水能力较差，渗透率也较低，但在排水条件下排水能力还是较好的。因此在本书的研究中会考虑排水情况，在进行土壤水文学分组时采取一些细微调整。

（3）地表反照率。SWAT模型计算模拟过程中考虑了辐射对水循环的影响作用。辐射的作用包括太阳辐射和地表反射辐射两方面的作用。其中太阳辐射主要是通过月日均太阳辐射量计算得到。地表反射辐射是根据地表反射率和土壤类型、植被类型等因素来确定。SWAT模型自带的计算方式较简单，却需输入大量野外调查数据，因此在缺乏资料时，可以采用地表反照率和土壤湿度间的相关关系来间接计算地表反照率。该方法简单实用，缺点是依靠简单的相关关系获得的地表反照率结果客观性不强。因此本书通过遥感图像进行反演得出地表反照率。此方法一方面能客观地获取地表反照率，另一方面还能满足大范围研究区域的数据需求。图4-3是遥感影像的反演处理过程，最后得出研究区域的地表反照率。

图4-3　地表反照率获取示意图
（彩图见书末）
图片来源：自绘

4．3　模型模拟结果与结论

4．3．1　SWAT模型模拟与校准

本书根据实测值对SWAT模型模拟进行了参数率定和验证。选用的控制点是前垾村（秦）水文站，验证资料为该站点的实测资料。因为前垾村（秦）水文站属测洪站，所以其实测流量资料只包含部分洪水期资料。研究中共收集了该站点1978年到1988年连续11年水文数据。其中模型运行时段为1978年，模型的校正时段为1979—1983年，模型参数验证时段为1984—1988年。

本书模型参数敏感性分析运用敏感性指数进行估算，得到的结论是其敏感参数主要包括SCS曲线径流计算中的CN2参数、饱和水力传导系数以及土壤持水能力等土壤物理属性。本书中选用的验证站点为测洪站，因此实测验证流量有限，模型的自动校正功能适用性较差。于是本书采用人工校正来调试模型的参数值，其中根据Nash-Sutcliffe系数与线性回归法验证，评价模拟结果的准确性。

基于1988年的30 m分辨率遥感影像、5类土地利用类型分类体系下的地表覆盖数据进行1979年到1983年的模拟。然后以前垾村站的流量数据进行模拟结果的校正，最后确定参数。校正期1981年和1982年模拟的日流量过程线如图4-4所示；验证期1987年和1988年模拟的日流量过程线如图4-5所示。其中校正期的R2是0．62，E ns是0．60；而验证期的R 2是0．71，E ns是0．56。以上结果表明模拟结果较好。具体如图4-6所示。

由于资料的缺失等综合因素，SWAT模型日模拟的结果不够精确，特别是暴雨后1～2天的模拟结果均较差。于是本书中进行了两日滑动平均结果的检验，模拟结果表明这样处理后模拟结果更好。其中模拟期（1979—1983年）的R2是0．84，E ns是0．81；验证期（1984—1988年）的R 2 是0．77，E ns是0．66。选取校正期（1979—1983年）与验证期（1984—1988年）其中两年结果，如图4-7所示。

图4-4　校正期模拟日流量曲线
图片来源：自绘(www.xing528.com)

图4-5　验证期模拟日流量曲线
图片来源：自绘

图4-6　校正期、验证期模拟日流量与实测流量相关性
图片来源：自绘

图4-7　校正期、验证期模拟日流量2日滑动平均与实测相关性
图片来源：自绘

4．3．2　不同土地利用分类体系地表覆盖遥感分类数据的模拟结果

本次研究基于SWAT模型进行不同分类体系地表覆盖数据下的流域径流模拟，运用子流域出口断面的流量来校正模型的相关参数。其中水利工程措施的影响运用黑箱原理，出口断面的校正包含了上游水利工程措施的影响。同时，验证站为测洪站，洪水期上游的水利工程处于不蓄水状态。综上所述，研究区水利工程措施对研究结果的影响可以忽略。此外，该研究区的研究基于相同水文情况、水利工程措施的情景假设进行不同土地分类体系下获取的地表覆盖数据的径流模拟结果差异，进而研究土地利用分类类别对流域径流模拟的影响作用。鉴于逐日流量模拟结果数据繁多，选择验证站点所在10号子流域出口断面为代表站，该断面基于1988年、2005年以及2008年遥感影像基础上的逐日全年流量如附表4到附表6所示。

1）基于不同分类类别的年均流量模拟结果对比

基于2005年30 m分辨率地表覆盖遥感分类数据，进行了将土地利用类型分为4类、5类以及12类三种不同土地利用分类类别地表覆盖遥感分类数据在其他数据相同的基础上模拟得出年均流量结果（表4-4）。根据模拟结果可知，随着分类类别的增加，年均流量下降。基于4类土地利用分类基础上的模拟结果比5类土地利用分类基础上的结果差异稍大，基于5类土地利用分类基础上的模拟结果与12类土地利用分类基础上的模拟结果差异较小。

表4-4　不同分类体系地表覆盖数据模拟年均流量　单位：m3/s

资料来源：自制

2）基于不同分类类别的月均流量模拟结果对比

基于1984年到1988年的水文资料进行了模拟，为剔除模型初始试算误差，选取1985年到1988年的模拟结果进行分析。基于2008年100 m分辨率地表覆盖遥感分类数据模拟输出的10号子流域出口断面模拟结果如表4-5所示。基于2005年30 m分辨率地表覆盖遥感分类数据进行了不同分类体系的流域径流模拟，10号子流域出口断面的模拟结果如表4-6所示。

通过对流域22个子流域的模拟结果分析发现，土地利用分类类别对流域内不同位置的子流域的影响程度不同，有一半以上的子流域无明显差异。其中，10号子流域变化在全流域最大。根据多年日模拟结果，随着分类体系的变化，流域的出口断面流量全年2/3的时间变化较小，全年1/10时间变化达5%以上，最大差额为31．6 m3/s，达出口断面流量的12．64%。

基于2008年100 m分辨率地表覆盖遥感分类数据将土地利用类别分为12类情景下模拟输出的月均流量大多数情况比将土地利用类别分为5类情景下模拟输出的月均流量大，增幅为0．06%～0．34%。基于2005年30 m分辨率地表覆盖遥感分类数据将土地利用类别分为12类情景下模拟输出的月均流量与将土地利用类别分为5类情景下模拟输出的月均流量相比，增加与减少的月份各占50%，变化率为0．07%～0．1%；将土地利用类别分为5类情景下模拟输出的月均流量大多数情况与将土地利用类别分为4类情景下模拟输出的月均流量相比，变化率为0．14%～1．4%。

表4-5　100 m分辨率不同分类类别数据下10号子流域出口断面月平均流量

资料来源：自制

此外，月均流量随不同分类体系变化引起的结果有显著差异。限于篇幅，本书展示了降水量差异较大的1988年10号子流域出口断面不同分类类别的月平均流量差值，如图4-8～图4-10所示。土地利用分类体系对区域径流的影响作用大小与土地利用类别对水循环影响作用大小成正相关关系。在将土地利用类别分为4类、5类、12类的对比性研究中发现，将土地利用类别分为4类的模拟结果与将土地利用类别分为5类的模拟结果之间的差距比将土地利用类别分为5类的模拟结果与将土地利用类别分为12类的模拟结果之间的差距大，变化率相差一个量级。分析认为，4类分类体系与5类分类体系主要变化是4类分类体系将草地林地作为一类土地利用类别，5类分类体系将草地林地分为草地、林地两类土地利用类别，这样的分类差别对产汇流有一定的影响作用。而分为12类更细的分类主要变化是树木种类细分，细分的土地利用类别间的产汇流机制差异较小，继而此类土地利用类别细分对水文模拟结果影响较小。因此，地表覆盖遥感分类数据在水文方面的应用中，从其影响水文过程的产汇流结构特征出发考虑，进一步细分类别，适用性会更好。

图4-8　30 m分辨率5类与4类地表覆盖遥感分类数据月均径流差值图
图片来源：自绘

图4-9　30 m分辨率12类与5类地表覆盖遥感分类数据月均径流差值图
图片来源：自绘

图4-10　100 m分辨率12类与5类地表覆盖遥感分类数据月均径流差值图
图片来源：自绘

3）地表覆盖遥感分类数据分类类别与分辨率影响作用讨论

据计算结果显示，基于不同分辨率地表覆盖遥感分类数据计算输出的流域月均流量差异较大。10号子流域出口断面的月均流量如表4-7、图4-11所示。综合分析，无显著性趋势变化；月均流量的峰值变化相对较大。地表覆盖遥感分类数据分辨率对水文模拟的影响比地表覆盖遥感分类数据的土地利用分类类别对水文模拟的影响大。

表4-7　不同分辨率相同分类类别下10号子流域出口断面月均流量　单位：m3/s

资料来源：自制

图4-11　不同分辨率地表覆盖遥感分类数据10号子流域出口断面月均流量
图片来源：自绘

4）基于不同时期相同分辨率相同分类类别地表覆盖遥感分类数据的模拟结果

基于1988年与2005年30 m分辨率相同分类类别地表覆盖遥感分类数据模拟随时间推移的变化情况，10号子流域出口断面月均流量见表4-8和图4-12所示。据结果可知，随着时间推移，月均流量的峰值升高。

表4-8　不同时期相同分辨率与分类类别下10号子流域出口断面月平均流量＊

资料来源：自制

图4-12　不同时期相同分辨率与分类类别下10号子流域出口断面月平均流量
图片来源：自绘

4．4　本章结论

1）基于不同分类类别地表覆盖遥感分类数据的年均流量模拟结果对比

随着分类类别的增加，年均流量下降。基于4类土地利用分类基础上的模拟结果比5类土地利用分类基础上的结果差异稍大，基于5类土地利用分类基础上的模拟结果与12类土地利用分类基础上的模拟结果差异较小。

土地利用分类类别对流域内不同位置的子流域的影响程度不同。其中，10号子流域变化差异最显著，有一半以上的子流域无明显差异。

2）基于不同分类类别地表覆盖遥感分类数据的月均流量模拟结果对比

月均流量随不同分类类别变化引起的结果有显著差异。土地利用分类类别对区域径流的影响作用大小与土地利用类别对水循环影响作用大小成正相关关系。在将土地利用类别分为4类、5类、12类的对比性研究中发现，将土地利用类别分为4类的模拟结果与将土地利用类别分为5类的模拟结果之间的差距比将土地利用类别分为5类的模拟结果与将土地利用类别分为12类的模拟结果之间的差距大，相差一个量级。分析认为，4类分类类别与5类分类类别主要变化是4类分类类别将草地林地作为1类土地利用类别，5类分类类别将草地林地分为草地、林地2类土地利用类别，这样的分类差别对产汇流有一定的影响作用。而分为12类更细的分类主要的变化是树木种类细分，细分的土地利用类别间的产汇流机制差异较小，继而此类土地利用类别细分对水文模拟结果影响较小。因此，地表覆盖遥感分类数据在水文方面的应用中，从其影响水文过程的产汇流结构特征出发考虑，进一步细分类别，适用性会更好。

3）地表覆盖遥感分类数据分类类别与分辨率影响作用讨论

据计算结果，随着地表覆盖遥感分类数据分辨率的变化计算输出的流域月均流量差异较大。综合分析，无显著性趋势变化；月均流量的峰值变化相对较大。地表覆盖遥感分类数据分辨率对水文模拟结果的影响比地表覆盖遥感分类数据的土地利用分类类别对水文模拟结果的影响大。

此外，基于相同分辨率相同分类类别地表覆盖遥感分类数据模拟月均流量随时间推移的变化情况，随着时间推移月均流量的峰值升高。