BTOPMC 模型在汉江褒河流域的应用研究
摘 要:
BTOPMC 模型扩充了TOPMODEL 的基本理论,对大面积流域进行分块、分参数处理,采用马斯京根流量演算方法进行地面汇流运算。本文在对全球30 秒分辨率的DEM 数据、IGBP全球陆面土地覆盖数据以及FAO 全球数字土壤数据,进行矫正和处理后,应用BTOPMC 模型于汉江上流的褒河流域。在对模型的参数进行率定、验证后,对褒河流域1980 年到1986年日径流量进行模拟。模拟结果表明,BTOPMC 作为一种径流预报和水资源管理的可靠工具,可以应用于中国广大湿润地区。
关键词:BTOPMC, 地面径流,褒河流域,分布式,DEM
1.引言
TOPMODEL(TOPograph -based hydrological MODEL) 是一个以地形为基础的半分布式流域水文模型,它以地形空间变化为主要结构,用地形信息来描述水流趋势,具有结构简单、物理概念明确、率定参数量少等优点。模型的基本假设和应用流域面积大小的限制,也常使该模型的模拟结果在一定程度上偏离实际值。
为了解决该模型存在的不足,改进模型的理论结构,国内外不少学者提出了新的改进模型,例如:地形动力估算整合模型(TOPographic Kinematic Approximation and Integration)(Todini E. et al., 2002), 土壤径流评估模型(the Soil & Water Assessment Tool Model ,SWAT)(Arnold et al., 1993),BTOPMC 模型[1](Block-wise use of TOPMODEL)等。这些模型都有一个共同的特点,结合使用多种观测数据,如气象数据、土壤数据、植被覆盖数据、DEM(Digital Elevation MOEDL)数据、遥感数据等,考虑模型使用的时空不均匀性[3]。本文利用Internet 网下载的多种地表数字观测资料,运用BTOPMC 模型对汉江褒河流域的水文过程进行模拟,并将模拟结果与实测资料进行对比分析。
2.BTOPMC 模型的原理
TOPMODEL 模型在研究区域小于1500km2 时会取得较好的模拟效果,研究区域过大往往影响模拟的成果,BTOPMC 模型采用子流域(或流域块)划分的方法来解决这一问题,在由DEM 划分得到的子流域上应用不同模型参数,在一定程度上考虑到水文要素和各种参数空间变化;采用马斯京根河道演算方法进行地面径流模拟,新方法的加入使得模型在湿润地区具有的广大的适用性。
TOPMODEL 模型是一个半分布式水文模型,它提出径流产生的变动产流面积概念,模拟地表或地下饱和水源面积的变动。在TOPMODEL 的计算中有三个基本假设[2]:
(1)土壤饱和水力传导率随深度增加呈指数递减,表示为:
Ti = T0 exp(D/ SZM)其中, 0 T :土壤刚饱和时的传导度(m2/h);D:局部的土壤饱和亏缺量(m);SZM:
模型参数(m),其为一常数,代表水力传导度的衰减系数。
(2)地下水面平行于地表面;
(3)流域存在一个稳定供水的饱和层面积。
BTOPMC 模型以上述三个假设为基础,推导出单元栅格上的产流公式,基于栅格的蒸散发、汇流计算公式。
饱和坡面流为:
单元栅格 i 上 t 时段的饱和坡面流。
土壤饱和层出流即基流,计算为:
式中: ( ) bi q t —单元栅格 i 上 t 时段的基流;蒸发计算公式为:
单元栅格 i 上 t 时段的植被及根系截留层实际蒸散发量;然后采用等流时线的方法将流域上的水量汇集在各子流域出口,最后从各子流域出口应用马斯京根法进行径流汇流演算。
3. 研究区域概况
本文研究选取褒河流域作为研究对象,褒河发源于汉江上游,是汉江的主要支流,位于陕西省西南部靠近甘肃省边界。该区域海拔高度470~3408m,地形较为复杂。该流域年平均面雨量达930.9mm,属于湿润地区。流域的出口控制断面设置在马道水文站(位于东经107°、北纬33°26′),控制的集水面积为3415 平方公里。
4. 观测数据提取
4.1 DEM 数据
DEM 数据来自美国国家地球物理数据中心提供的全球陆地一公里基础高程GLOBE(Global Land One-kilometer Base Elevation)数据,其空间分辨率为30 秒。该流域所处的地理位置位于北纬33°22′30′′~34°30′,东经106°30′~107°30′,可以得到包含135 行、120 列的DEM 数据矩阵。从图1 中可以看出流域内高程的起伏变化程度
4.2 水文气象数据
流量数据采用马道站(图2)1980 年1 月1 日至1986 年12 月31 日的实测数据,其中1981 年为丰水年,1984 年-1986 年为枯水年。
降雨数据取用褒河流域13 个雨量站(图2)1980 年-1986 年的实测数据,年平均降雨量最低502.4mm,最高1155.2mm,流域南部较北部更为湿润。在褒河流域中插入站点降雨数据,可以得到该流域雨量泰森多边形分布图(图2)。
蒸发数据取自江口站(图2)1980 年1 月1 日至1986 年12 月31 日的日蒸发数据,暖季(5-8 月)的月平均蒸发量要大于寒季,其中最大值发生在5 月。
4.3 土地覆盖数据
利用美国地质调查局(United States Geological Survey,USGS)提供的标准IGBP(International Geosphere Biosphere Programme)图像,可以获得流域每个栅格上的土地覆盖类型(共分为17 种)。通过分析确定褒河流域只包含12 种植被覆盖类型(如图3 所示),图标所示至上而下依次为:常绿针叶林、常绿阔叶林、落叶阔叶林、混合林、密集灌木林、多木草原、草原、草地、作物地、城市及人造建筑、作物自然植被混合地、冰雪地。
为了在一定程度上减少需率定参数的个数,也为了结合研究流域实际情况的实际状况,把IGBP 植被覆盖类型重新划分为4 种,包括树林(DR),灌木丛(SR),草地及作物地(SRI)和不透水地(IMP),然后以此分类来确定研究流域上每个栅格的SRmax 取值。
4.4 土壤数据
联合国粮食农业组织(Food and Agriculture Organization, FAO)全球数字土壤图像,被用来提取褒河流域的土壤数据。该资料的原始文件格式为Shape 文件,经ESRI Arcview3.2软件处理成空间分辨率为30′的栅格文件。图4 为褒河流域的土壤质地的空间分布,该区域具有3 种FAO 土壤类型,分别标号为3963、4303 和4350。据日本山梨大学提供的FAO 土壤颗粒配比资料(表1)可以获得该流域的土壤组成,进而估计出不同土壤成分的饱和水力传导度。
5. BTOPMC模型应用
BTOPMC 软件包提供了一个可视化的类Windows 操作系统,来建立和运行BTOPMC的运行程序(WinBTOPMC)。雨量站位置的配准、流域出口断面的确定、运行数据的输入都可以直观地应用鼠标进行操作。
5.1 划分子流域
首先应用WinBTOPMC 确定雨量站的分布位置,以使输入资料与实测资料相配。然后输入出口流量站的具体经纬位置,研究区域自动地划分为6 块(如图5 所示)。可以得到,每子流域出口处的栅格数分别为:11100,10987,11229,11702,13978 和16019。
5.2 模型参数率定
确定性系数(Nash)和径流总量误差(Qsim/Qobs)作为参数率定的目标函数,并且给予两者相同的权重系数,采用人工试错法逐步进行优选。近似地认为该流域所有栅格上的蒸发量是一致的。模型参数率定取用1980 年1 月1 日至1984 年1 月1 日的实测数据,各子流域上主要参数列于表2 中。
5.3 模型参数验证
采用参数率定得到的参数(如表2 所示),运用1984 年1 月1 日至1986 年12 月31 日的实测数据进行径流模拟。如表4 所示,1984 年-1986 年的性能指标为69.2%,确定性系数为78.9%。图7 为马道站1985 年观测与模拟径流过程图,该年的确定性系数也有85.1%。
由图表结果可以得到,1984 年-1986 年的确定性系数比1981 年-1983 年的要低13.4个百分点,这很可能是由于1980 年-1983 年处于丰水年,四年中有三年的年平均降雨量高于1000mm;而1984 年-1986 年处于枯水年,各年的年平均降雨量都不高于900mm,率定期和验证期所处的水文状态不同。
因此,可以推断出由1980 年-1983 年实测资料率定得到的径流过程,在一定程度上主要反映了湿润季节的水文响应,没有体现出干旱期的水文响应。所以,应用包含湿润年份和干旱年份的长观测期资料,可以得到适用于各种气候条件的参数系列值。
6 结论
上述模拟结果表明,BTOPMC 模型可以应用于汉江褒河流域径流的模拟,WinBTOPMC运行的稳定和模拟径流过程的成功,都可以说明该系统在理论和界面上已趋于完善。
BTOPMC 模型中的许多参数都有很强的物理意义,可以基于地形、植被和土壤特性数据,对这些参数进行有效合理的估计。例如,SRmax 最大根带亏缺量(代表每个栅格垂直截面上,上层土壤的最大水分持有能力)受腐质层的深度影响很大,森林地区有着深厚的腐质层,蒸散发能力和下渗能力往往偏大,因此SRmax 取值要大;灌木区(如草地、农田)的腐质层较浅,对应的蒸散发能力和下渗能力小,因此SRmax 也小。
实际应用中,由于还不能建立这些参数与地形、植被和土壤特性之间的明确数量关系,参数的直接确定仍然有一定的难度。因此基于有效可用的信息,尽可能最大地获取信息间的相关关系,并运用这些确定信息进行流域径流模拟,将更加直接地获取模型参数值,降低模型的不确定性因素。