SWAT模型参数不确定性对黄河上游径流模拟的影响

【目的】探究水文模型参数独立及交互作用对径流模拟的影响,为SWAT模型在我国干旱区的应用提供参考。【方法】采用拉丁超立方方法(LH-OAT)对SWAT模型中的参数进行敏感性分析,以黄河唐乃亥水文站以上流域和唐乃亥至兰州区间流域1960-2010年(1977-1981年为率定期,1982-1986年为验证期)的月径流资料为研究对象,利用SUFI-2方法评价模拟参数平均坡度(HRU_SLP)、土壤饱和容重(SOL_BD)、土壤蒸发补偿系数(ESCO)、土壤饱和水力传导度(SOL_K)、土壤表层到底层的深度(SOL_Z)、径流曲线数(CN2)、浅层含水层渗透到深层含水层的阈值深度(REVAPMN)、基流alpha因子(ALPHA_BF)、平均坡长(SLSUBBSN)和土壤层有效含水量(SOL_AWC)10个模拟参数的不确定性对流域径流模拟的影响;并以方差指标作为模型评价指标,定量评估参数交互作用对径流模拟的影响。【结果】唐乃亥和兰州水文站的月径流模拟与实测水文过程拟合效果较好,率定期和验证期纳什效率系数NSE(Nash-Sutcliffe efficiency coefficient)与相关系数R~2均大于0.81,且相对误差|Re|均小于20%;唐乃亥水文站以上流域参数SLSUBBSN和ALPHA_BF与唐乃亥至兰州区间流域参数SLSUBBSN、HRU_SLP和SOL_K的不确定性对目标函数值的影响较大,其余参数的不确定性影响较小;参数ALPHA_BF与SOL_Z和参数CN2与SLSUBBSN的交互作用对径流模拟影响较大,表明参数的交互作用给径流模拟影响带来的不确定性大。【结论】探究参数的不确定性对径流模拟的影响,有利于模型参数的选取,进而减少径流模拟过程中的参数不确定性。     

基于冠层RGB图像的冬小麦氮素营养指标监测

[目的]本文旨在探索基于冬小麦冠层RGB图像的氮素营养指标实时监测方法,为实现简便、准确的冬小麦氮素营养诊断和推荐施肥奠定基础。[方法]基于3年次的冬小麦大田氮肥梯度试验,采用数码相机在返青期和拔节期垂直拍摄冠层RGB图像。分析图像特征参数绿红通道比值(G/R)、绿红通道差值(GMR)、红光标准化值(NRI)、绿光标准化值(NGI)、色相(H)和冠层覆盖度(CC)与植株氮素生理指标间的关系,筛选氮素营养监测指标的最优图像特征参数,构建氮素营养指标估算模型。[结果]CC与冬小麦地上部生物量、氮积累量和叶面积指数(LAI)三者间的相关系数最高,分别为0.87、0.85和0.84(P0.01);其他特征参数与三者间的相关系数相对较低,其中H为0.81、0.77和0.79,NRI为-0.80、-0.77和-0.77,G/R为0.73、0.63和0.76,GMR为0.66、0.67和0.63。采用CC作为冬小麦氮素营养指标估算模型的输入参数,并分别使用异速生长函数和指数函数建立地上部生物量、氮积累量和LAI估算模型,异速生长函数这3个指标的估算模型R~2分别为0.82、0.76和0.82(P0.01),指数函数的R~2分别为0.80、0.74和0.85(P0.01)。利用独立试验数据对模型进行验证,异速生长函数模型预测值和观测值间的R~2平均为0.89(P0.01),地上部生物量、氮积累量和LAI预测值的均方根误差(RMSE)分别为31.09 g·m~(-2)、1.37 g·m~(-2)和0.16;指数函数模型预测值和观测值间的R~2平均也为0.89(P0.01),地上部生物量、氮积累量和LAI预测值的RMSE分别为28.95 g·m~(-2)、1.34 g·m~(-2)和0.17。[结论]异速生长函数和指数函数模型在利用CC对冬小麦氮素营养指标进行估算时均具有较好的预测性。基于RGB图像的监测方法操作简单、准确度高,可实时获取监测结果,具有较高的推广应用价值。     

基于SWAT模型的大通河流域径流模拟

【目的】采用SWAT(Soil and Water Assessment Tool)模型模拟大通河流域径流,为大通河流域水资源规划与管理提供科学依据。【方法】根据大通河气象水文、地形、土地利用、土壤类型等基础数据,以相对误差(Re)、线性拟合系数(R2)以及纳什效率系数(Ens)作为模型评价标准,研究SWAT模型对大通河流域径流的模拟效果。【结果】大通河流域月径流SWAT模拟值与实测值吻合较好,模型校准期(1978-1982年)和验证期(1983-1986年)的线性拟合系数、月径流相对误差以及纳什效率系数分别为:0.70,0.95%,0.69和0.69,-13.96%,0.68,表明SWAT模型能够较好地模拟大通河流域的月流量过程。【结论】SWAT模型可用于大通河流域径流模拟。     

区域冬小麦籽粒蛋白含量遥感预测研究

【目的】籽粒蛋白含量是衡量小麦品质优劣的重要标准,快速准确预测小麦GPC有利于其品质评价和分级管理。【方法】文章分别以卫星光谱参数、农学氮素参数以及气象因子为影响因素,并运用多元线性回归模型、极限学习机算法、地理加权回归模型3种方法实现对冬小麦GPC的预测,最终构建及评价基于不同自变量和不同方法的GPC预测模型。【结果】(1)小麦开花期氮素参数,小麦冠层光谱参数与小麦籽粒蛋白品质的关系显著相关,影响小麦籽粒蛋白品质的关键性气象因子包括5月26—30日降雨和、5月中旬至6月上旬日照和、3月上旬至6月上旬积温和;(2)以卫星光谱参数、农学氮素参数和气象因子为自变量,分别采用多元线性回归、极限学习机和地理加权回归3种方法构建小麦GPC的预测模型;其中,基于多元线性回归模型构建的GPC模型决定系数R~2为0.598,验证集标准均方根误差nRMSE和平均绝对误差MAE分别为10.36%、1.091,验证结果较稳定;基于ELM构建的GPC模型R~2为0.483,验证nRMSE和MAE分别为10.895、1.111;基于GWR的GPC模型建模精度及验证精度相对最优,其建模R~2为0.616,验证nRMSE及MAE分别为8.58%、0.956,为最优选择。【结论】综合分析模型的精度评价指标可知,考虑空间数据不稳定性构建的地理加权回归模型的预测精度最好,能更加准确地预测冬小麦籽粒蛋白含量,为精确反演冬小麦GPC区域间和年际间的预测提供可靠依据,具有广泛的应用前景。     

基于不同植被指数TVDI和VSWI模型的焉耆盆地土壤湿度反演

以新疆焉耆盆地为研究区域,基于Landsat 8 OLI数据计算归一化植被指数(NDVI)、增强型植被指数(EVI)、改进的修正土壤调整植被指数(MSAVI)、土壤调整植被指数(SAVI)以及地表温度(Ts)等,建立温度植被干旱指数(TVDI)模型和植被供水指数(VSWI)模型反演新疆焉耆盆地的土壤湿度,比较不同土壤湿度反演模型对研究区的适应性,进一步分析焉耆盆地土壤湿度的空间分布特征。结果表明,构建NDVI-Ts、MSAVI-Ts、SAVI-Ts、EVI-Ts空间特征,其散点符合三角形的关系,R²均0.83以上;利用不同植被指数NDVI、MSAVI、SAVI、EVI计算出的TVDI、VSWI与土壤相对湿度0～10 cm RSM数据呈现负相关关系,两种模型具有较高的一致性,利用MSAVI指数反演的TVDI、VSWI决定系数最高,R²分别为0.296、0.235;焉耆盆地湿度总体上以半干旱(0.60.8)为辅;土壤湿度空间格局,焉耆盆地中部出现正常现象,东南部和东...     

集成土壤-环境关系与机器学习的干旱区土壤属性数字制图

【目的】土壤属性的空间分布是影响农业生产力、土地管理和生态安全的重要因素。通过土壤环境耦合关系,在机器学习算法框架下,定量预测出干旱区土壤酸碱度(pH)、土壤盐分含量(Soil Salt Content,SSC)与土壤有机质(Soil Organic Matter, SOM)3种土壤属性的空间分布,为干旱区农业生产和生态安全提供科学依据。【方法】在渭干河—库车河绿洲干旱区于2017年7月设计采集典型表层(0—20 cm)土壤样品82个,依据土壤-环境之间的关系,集成DEM数据和Landsat 8数据提取出32种环境协变量,利用栅格重采样将提取出的32种变量重采样为90 m空间分辨率并转换为Grid格式参与建模。借助梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型依次对3类土壤属性的32种环境协变量进行重要性排序,并通过均方根误差(Root Mean SquareError,RMSE)界定出协变量重要性阈值点,从而筛选出参与3类土壤属性制图的环境协变量。进而运用随机森林(Random Forest, RF)、Bagging和Cubist 3种非线性模型建模,并引入多元线性回归模型(Multiple Linear Regression,MLR)进行对比分析,选出最优模型并绘制出90 m分辨率新疆渭干河-库车河绿洲干旱区pH、SSC与SOM 3种土壤属性图。【结果】梯度提升决策树能有效筛选出重要协变量,高程(Elevation)、剖面曲率(Profile Curvature)、差值植被指数(Difference Vegetation Index)、扩展增强型植被指数(Extended Normalized Difference Vegetation Index)、调整土壤亮度植被指数(Modified Soil Adjusted Vegetation Index)、盐分指数S1(Salinity Index S1)以及盐分指数S6 (Salinity Index S6) 7类环境变量均参与3类土壤属性建模,其中SSC遴选出参与建模协变量15种,pH和SOM则均为17种,且遥感指标在预测土壤属性图中起到强大的作用。机器学习3种算法的结果均优于MLR。通过3种非线性模型对比发现,随机森林在3种土壤属性中均表现最佳。在随机森林预测的3种土壤属性中,土壤pH验证集效果R~2=0.6779,RMSE=0.2182,ρ_c=0.6084;在SSC预测中,验证集R~2=0.7945,RMSE=3.1803,ρ_c=0.8377;在SOM预测中,验证集R~2=0.7472,RMSE=3.5456,ρ_c=0.7009。【结论】GBDT所筛选出的重要性因子借助机器学习算法可以用于干旱区土壤属性制图,且随机森林模型均对3类土壤属性表现出最佳预测能力。依据所绘制的土壤属性图并结合土壤分类图厘清了3种制图属性的空间分布。     

价值核算体系融合物质流分析的沱江流域生态系统生产总值分配研究

【目的】探究2018—2019年沱江流域生态系统生产总值(gross ecosystem product, GEP)变化特征，为流域生态补偿机制设计提供参考。【方法】利用GEP核算体系融合物质流分析开展流域城市的GEP分配，揭示流域GEP的变化特征。【结果】(1) 2018年和2019年沱江流域GEP分别为4 120.21亿元和4 477.67亿元，其中，气候调节服务价值和文化服务价值贡献最大，二者累积贡献分别为2 468.99亿元和2 721.14亿元，占比分别达59.9%和60.8%;(2)流域内成都的GEP总量最大，2018年和2019年分别为1 484.87亿元和1 589.17亿元；泸州的GEP总量最小，分别为150.59亿元和168.48亿元，但其涨幅最高，达11.9%;(3) 2018年，内江生态价值溢出最多，达427.68亿元，但2019年减少至99.76亿元；成都生态价值溢出的增量最大，从2018年的192.15亿元增加至2019年的329.49亿元；泸州由生态价值外溢转为生态价值消耗，从2018年的74.93亿元减少至2019年的-4.95亿元，由受偿主体转变为补偿...     

分布式水文模型在徒骇马颊河流域灌溉管理中的应用Ⅰ.参数率定和模拟验证

【目的】建立徒骇马颊河流域的分布式水文模型,为进行该地区灌溉制度优化提供支持。【方法】首先运用洗牌复形演化（SCE-UA）算法在禹城试验站和洪门试验站对分布式水文模型（SWAT）中的作物参数进行率定,接着以遥感监测的蒸散数据为目标,应用拉丁超立方-单次单因素（LH-OAT）方法对蒸散发（ET）相关的参数进行了敏感性分析,用序贯不确定性（SUFI-2）算法优化出一套参数范围并进行不确定性分析。在此基础上,在考虑模型不确定性的情况下对冬小麦－夏玉米轮作体系产量的长期模拟结果进行验证。【结果】作物参数率定结果表明,禹城试验站上冬小麦和夏玉米产量的相对误差分别为7.02%和16.60%,洪门试验站上冬小麦和夏玉米产量的相对误差分别为0.09%和0.10%。ET参数率定和统计年鉴产量验证结果：除了NS系数,P_factor、R_factor以及R2的模拟精度较高。【结论】依据徒骇马颊河流域的特点进行SWAT模型相关参数的率定,得到较好的模拟结果,为进一步深入研究该地区水分生产函数和优化灌溉制度打下了基础。     

基于EVT法和MC模型的极限水文干旱历时计算研究

【目的】研究极值理论(extreme value theory,EVT)法和马尔科夫链(Markov chain,MC)模型在极限干旱历时计算中的预测精度,为区域干旱历时预报提供依据。【方法】以黄河流域兰州、龙门、白马寺3个水文站年径流序列为例,利用EVT法和MC模型2种方法分别计算不同截断水平对应的极限干旱历时(Expected longest duration,E(LT)),并采用纳什效率系数(Nash-Sutcliffe efficiency coefficient,NS)和平均绝对百分误差(Mean absolute percentage error,MAPE)评价2种方法的计算精度。【结果】兰州、龙门、白马寺3个水文站采用EVT法计算的极限干旱历时值E(LT)与对应观测值(Observed longest duration,LT-ob)的NS和MAPE分别为0.921 0,0.854 6,0.929 4和0.046 0,0.155 5,0.039 1;而一阶马尔科夫链(one-order Markov chain,MC-1)模型结合hazen绘点位置公式计算的极限干旱历时值与对应观测值的NS和MAPE分别为0.824 7,0.668 1,0.908 1和0.206 3,0.327 3,0.104 6。2种方法均可取得较好的计算效果,但EVT法的计算精度优于MC-1模型。【结论】EVT法较MC-1模型所需要的参数少,计算过程较为简单,且计算结果误差小,是黄河流域可行的极限干旱历时计算方法。     

基于高分一号PMS的新疆落叶松林分郁闭度遥感定量估测

【目的】探索高分一号卫星影像在新疆落叶松林林分郁闭度估测中的应用潜力,为高分一号卫星影像用于林分郁闭度定量估测提供技术方法。【方法】以新疆布尔津林场为研究区,以阿尔泰山西段新疆落叶松林为试验对象,基于高分一号PMS多光谱影像和DEM数据,利用遥感和GIS技术,采用多元逐步回归和BP神经网络2种方法对新疆落叶松林分郁闭度进行估测。【结果】从模型验证结果可以看出,BP神经网络模型(决定系数R~2=0.713,均方根误差RMSE=0.082,相对均方根误差rRMSE=0.175,估测精度EA=82.401%)对新疆落叶松林林分郁闭度的估测要明显优于多元逐步回归模型(R~2=0.692,RMSE=0.085,rRMSE=0.182,EA=81.680%),且BP神经网络模型建模时R~2=0.714,与其精度验证时的R~2=0.713非常接近,说明模型的稳定性良好。【结论】2种模型的估测精度均高于80%,这说明高分一号PMS数据在新疆落叶松林林分郁闭度估测方面具有一定的潜力。