大宁河流域（巫溪段）SWAT模型参数不确定性剖析与应对策略

大宁河流域（巫溪段）SWAT模型参数不确定性剖析与应对策略一、引言1.1研究背景与意义1.1.1大宁河流域（巫溪段）水资源重要性大宁河流域作为长江上游干流的重要支流，其（巫溪段）在区域水资源格局与生态环境体系中占据着举足轻重的地位。大宁河发源于巫溪县红池坝国家森林公园，自北向南贯穿巫溪县境内，境内河长124.5km，流域面积达3020km^{2}，多年平均流量为129立方米每秒，丰富的水资源为当地的生产生活、生态系统稳定运行提供了坚实的物质基础。从水资源供给角度来看，大宁河流域（巫溪段）是巫溪县主要的水源地，承担着为当地居民提供生活用水以及满足农业灌溉、工业生产用水需求的重任。当地的农业生产，如沿河平坝的水稻、油菜种植以及旱地的玉米、马铃薯等作物生长，都依赖大宁河的水资源灌溉；同时，流域内逐步发展起来的煤矿、建材、电力及其他小型制造、加工业，也离不开大宁河稳定的水资源支撑。在生态环境层面，大宁河流域（巫溪段）是众多生物的栖息地，维系着区域生物多样性。流域内拥有丰富的自然资源，水力资源理论蕴藏量56.5万千瓦，技术可开发量42.3万千瓦，经济可开发量37万千瓦，为区域能源结构优化提供了潜力；流域上段中低山亚热带常绿阔叶林区分布着珙桐、红豆杉等国家一级保护植物，盛产党参、杜仲、贝母等中药材，大宁河的水资源滋养着这些珍稀物种，维护着生态系统的平衡与稳定。此外，大宁河的生态功能还体现在对区域气候调节、水土保持等方面发挥着关键作用。然而，随着气候变化和人类活动的加剧，大宁河流域（巫溪段）水资源面临着诸多挑战。降水时空分布不均，暴雨洪涝与干旱灾害频繁发生，如1801-1998年间发生特大洪灾17次，1999年巫溪县持续大旱112天，给当地水资源利用与生态环境带来巨大冲击。同时，人类活动，如小水电开发缺乏整体规划和监管，导致部分支流水量减少、河流断流，影响生态；城镇化进程中，污水处理设施及垃圾收运未全覆盖，生活污水和垃圾对大宁河水环境造成污染；畜禽养殖污染治理难度大，部分养殖场畜禽粪便未实现标准化处理，也加剧了流域水环境的恶化。因此，为了实现大宁河流域（巫溪段）水资源的可持续利用，保障区域生态安全和经济社会的稳定发展，对其水资源进行精准模拟与科学管理显得尤为必要。1.1.2SWAT模型应用及参数不确定性问题SWAT（SoilandWaterAssessmentTool）模型作为一种综合性的水资源管理模型，在流域水文模拟、水资源评价、生态环境影响评估等领域得到了广泛应用。该模型能够整合数值化地形模型、气象数据、土地利用和植被类型、土壤类型以及水文数据等多源信息，模拟流域内的物质循环和能量平衡，实现对流域水文过程、土壤流失、养分迁移和环境污染等问题的长期模拟与分析。其空间分布式的模拟方法，能够充分考虑流域内不同区域的地形、土壤、土地利用等因素的空间异质性，对流域水资源的时空变化进行较为细致的刻画，为流域水资源管理决策提供科学依据。例如，在其他流域的研究中，SWAT模型被成功应用于评估不同土地利用变化情景下的径流响应，以及分析气候变化对水资源的影响，为当地水资源规划和生态保护提供了有力的技术支持。然而，在SWAT模型的应用过程中，参数不确定性问题成为影响模型精度与可靠性的关键因素。由于真实的水文过程极其复杂，受到众多自然和人为因素的交互作用，模型参数难以准确确定。常见的SWAT模型参数，如水文参数（透水性、汇流参数、地下水补给量等）、气象参数、土壤参数（土地类型、土壤持水能力等）和植被参数等，其取值往往存在一定的不确定性。这些不确定性可能源于数据的测量误差、数据的时空分辨率限制、模型结构的简化假设以及对复杂水文过程认识的不足等。模型参数的不确定性会通过模型的传递机制对最终模拟结果产生显著影响，导致模拟结果与实际情况存在偏差，降低模型的预测能力和决策支持价值。例如，不确定的汇流参数和地下水补给量会直接影响流域径流的模拟准确性，使得基于模拟结果制定的水资源调配方案可能无法满足实际需求；土壤参数的不确定性会影响土壤侵蚀和养分流失的模拟精度，进而影响对流域生态环境质量的评估和保护措施的制定；不确定的参数还会对污染物输移的模拟结果产生影响，干扰对流域水污染状况的判断和治理策略的实施。因此，深入研究SWAT模型参数的不确定性，探究其对模型结果的影响规律，并寻找有效的降低不确定性的方法，对于提高SWAT模型在大宁河流域（巫溪段）水资源模拟与管理中的应用效果，实现该流域水资源的科学规划和合理利用具有重要的现实意义。1.2国内外研究现状1.2.1SWAT模型参数不确定性研究进展在国外，SWAT模型参数不确定性研究起步较早。早期研究主要集中在识别影响模型输出的关键参数，采用局部敏感性分析方法，如逐一改变单个参数值，观察模型输出变量（如径流、泥沙输出等）的变化，以此确定参数的敏感性。随着研究的深入，全局敏感性分析方法逐渐得到应用，像Sobol序列、Morris方法等，这些方法能够考虑参数在整个参数空间的变化及其相互作用对模型输出的影响，提供更全面的参数敏感性信息。例如，有研究利用Sobol方法对SWAT模型在某流域的参数进行全局敏感性分析，发现除了传统认为的关键水文参数外，一些土壤和植被参数在特定条件下对模型输出也具有显著影响。在不确定性量化方面，蒙特卡洛模拟是常用的方法之一，通过大量随机抽样生成不同的参数组合，运行模型得到模拟结果，进而分析结果的统计特征来评估参数不确定性。贝叶斯方法也得到了广泛应用，其利用先验信息和观测数据更新模型参数的概率分布，从而实现对参数不确定性的更准确评估。如采用贝叶斯校准技术对SWAT模型参数进行优化，不仅提高了模型模拟精度，还给出了参数的不确定性区间。国内对SWAT模型参数不确定性的研究在近年来也取得了丰硕成果。学者们在借鉴国外研究方法的基础上，结合国内流域特点进行了深入研究。在敏感性分析方面，除了应用传统方法外，还将一些新的技术和理论引入，如灰色关联分析、神经网络等，提高了敏感性分析的准确性和效率。例如，运用灰色关联分析与SWAT模型相结合，分析某流域水文参数对径流模拟的敏感性，结果表明该方法能更准确地识别出关键参数。在降低不确定性方法研究上，国内学者强调多源数据融合和模型结构改进。通过收集更准确、多样的数据，如高分辨率的地形数据、长时间序列的气象数据等，来减少数据不确定性对模型参数的影响；同时，针对模型结构中不符合研究区域实际情况的部分进行改进，提高模型的适用性。此外，还开展了多模型对比研究，通过比较不同模型在相同流域的模拟效果，综合评估参数不确定性对模型性能的影响，为模型选择和参数优化提供参考。然而，目前的研究仍存在一些不足之处。一方面，不同敏感性分析方法和不确定性量化方法之间的比较和融合研究还不够深入，缺乏统一的标准和流程来选择最合适的方法；另一方面，对于复杂的流域系统，尤其是受人类活动强烈干扰的流域，如何全面考虑各种不确定性因素（如人类活动的不确定性、模型与实际系统的结构差异等）对模型参数的影响，还需要进一步探索。1.2.2大宁河流域相关研究现状针对大宁河流域，已有部分研究聚焦于水资源、水环境和生态保护等方面。在水资源量评估上，通过实地监测和统计分析，对大宁河流域的水资源总量、时空分布特征进行了初步研究，明确了其水资源在不同季节和区域的变化规律。在水环境方面，对大宁河流域巫溪段的水质状况进行了监测与评价，发现虽然总体水质能够达到国家考核要求，但存在部分指标波动、局部污染等问题。例如，大宁河花台断面水质总体能达到《地表水环境质量标准》（GB3838-2002）中的II类要求，但受到农村生活污水、畜禽养殖污染等影响，部分时段氨氮、化学需氧量等指标出现异常。在生态保护研究中，关注了大宁河流域的生态系统结构与功能，对流域内的生物多样性、生态脆弱区等进行了调查和分析，为生态保护提供了基础数据。同时，针对大宁河流域存在的生态环境问题，如小水电开发对生态的影响、水土流失等，提出了一系列治理措施和建议，包括规范小水电运行、加强水土保持工程建设等。在水文模拟方面，已有研究尝试应用SWAT模型对大宁河流域的水文过程进行模拟，但大多侧重于模型的应用和结果分析，对模型参数不确定性的研究相对较少。这些研究在一定程度上揭示了大宁河流域的水文规律，但由于忽视了参数不确定性，模拟结果的可靠性和精度有待进一步提高。本研究将在已有研究基础上，深入探讨SWAT模型参数的不确定性，分析其对大宁河流域（巫溪段）水文模拟结果的影响，并提出针对性的降低不确定性方法，为大宁河流域水资源的精准管理和生态环境保护提供更科学的依据，弥补该流域在这方面研究的不足，具有一定的创新性和实践意义。1.3研究内容与方法1.3.1研究内容本研究围绕大宁河流域（巫溪段）SWAT模型参数的不确定性展开，具体内容如下：SWAT模型参数识别与筛选：全面梳理SWAT模型在大宁河流域（巫溪段）应用中的各类参数，包括水文、气象、土壤、植被等参数。通过对模型原理和大宁河流域特点的分析，初步筛选出可能对模型模拟结果产生重要影响的参数，为后续的敏感性分析和不确定性研究奠定基础。参数敏感性分析：运用敏感性分析方法，如全局敏感性分析中的Sobol方法和局部敏感性分析方法，对筛选出的参数进行敏感性分析。确定各个参数对模型输出（如径流、蒸散发、土壤侵蚀等）的影响程度和相对重要性，识别出对模拟结果最为敏感的关键参数，为不确定性分析和参数优化提供依据。不确定性影响分析：基于敏感性分析结果，重点研究关键参数的不确定性对SWAT模型模拟结果的影响。通过构建不同的参数不确定性情景，模拟分析在这些情景下大宁河流域（巫溪段）的水文过程、土壤侵蚀、养分迁移等的变化情况，量化参数不确定性对模型结果的影响程度，揭示不确定性的传播规律和影响机制。降低不确定性方法研究：探索有效的降低SWAT模型参数不确定性的方法。一方面，通过收集更准确、丰富的数据，如高分辨率的地形数据、多站点长时间序列的气象数据、详细的土地利用和土壤类型数据等，提高数据质量，减少数据不确定性对参数的影响；另一方面，结合敏感性分析结果，针对关键参数开展参数优化研究，采用自动校准与人工校准相结合的方法，提高参数的准确性和可靠性。同时，研究模型结构的改进方向，使其更符合大宁河流域（巫溪段）的实际情况，进一步降低模型参数的不确定性。1.3.2研究方法本研究拟采用以下方法开展研究：数据收集与整理：收集大宁河流域（巫溪段）的地形数据（如DEM数据），用于提取流域的地形特征，如坡度、坡向、流域边界等；收集气象数据，包括降水、气温、风速、日照时数等，通过气象站点监测数据和气象再分析数据获取，为模型提供气象输入条件；收集土地利用和植被类型数据，利用遥感影像解译和实地调查相结合的方法，获取不同时期的土地利用和植被覆盖信息；收集土壤类型数据，包括土壤质地、土壤容重、土壤孔隙度等，通过土壤采样分析和已有土壤数据库获取；收集水文数据，如河流流量、水位等，通过水文站点监测数据获取。对收集到的数据进行预处理和质量控制，确保数据的准确性和完整性。敏感性分析方法：采用全局敏感性分析方法Sobol序列和局部敏感性分析方法相结合。Sobol方法通过在整个参数空间内进行采样，计算每个参数的主效应和总效应，全面评估参数对模型输出的影响及其相互作用；局部敏感性分析则在参数的特定取值范围内，逐一改变单个参数值，观察模型输出的变化，确定参数的敏感性方向和程度。通过两种方法的结合，更准确地识别大宁河流域（巫溪段）SWAT模型的关键参数。不确定性分析方法：运用蒙特卡洛模拟方法进行参数不确定性分析。根据参数的取值范围和不确定性特征，通过随机抽样生成大量的参数组合，利用这些参数组合运行SWAT模型，得到一系列的模拟结果。对模拟结果进行统计分析，如计算均值、方差、置信区间等，评估参数不确定性对模型输出的影响程度和不确定性范围。同时，采用贝叶斯方法对模型参数进行校准和不确定性评估，结合先验信息和观测数据，更新参数的概率分布，进一步提高不确定性分析的准确性。模型校准与验证：采用自动校准与人工校准相结合的方法对SWAT模型进行校准。自动校准利用SCEUA等优化算法，在一定的目标函数下，自动搜索最优的参数组合；人工校准则结合研究者对大宁河流域（巫溪段）的实际了解和经验，对自动校准结果进行调整和优化。在校准过程中，以流域内的实测水文数据（如河流流量）为依据，通过对比模拟值和实测值，不断调整模型参数，使模型模拟结果与实际情况尽可能吻合。校准后的模型利用独立的实测数据进行验证，评估模型的可靠性和精度。二、SWAT模型及大宁河流域概况2.1SWAT模型原理与结构2.1.1SWAT模型基本原理SWAT模型是一种基于物理机制的分布式水文模型，其核心在于对流域内复杂水文循环过程进行细致刻画与定量分析。该模型综合考虑降水、蒸发蒸腾、径流、土壤蓄水、植被覆盖等多种关键因素，通过构建一系列相互关联的数学方程和算法，模拟这些因素之间的相互作用，从而实现对流域水文过程的精确描述。在产流模块，SWAT模型主要运用SCS曲线法来计算地表径流。该方法基于土壤前期含水量（AMC）和土壤类型，通过径流曲线数（CN）来反映流域下垫面条件对径流的影响。CN值综合考虑了土地利用、土壤质地、坡度等因素，不同的土地利用类型和土壤质地对应不同的CN值。例如，林地的CN值通常低于耕地，因为林地的植被覆盖和土壤结构有利于雨水的入渗和储存，减少地表径流的产生。计算公式如下：Q=\frac{(P-0.2S)^2}{P+0.8S}其中，Q为地表径流量（mm），P为降水量（mm），S为潜在最大蓄水量（mm），S=\frac{25400}{CN}-254。对于土壤水运动，SWAT模型采用Richards方程来描述土壤水分在非饱和带中的运动过程。该方程考虑了土壤基质势、重力势以及土壤水力传导度等因素，能够较为准确地模拟土壤水分的入渗、再分布和蒸发等过程。方程形式为：\frac{\partial\theta}{\partialt}=\frac{\partial}{\partialz}\left(K(\theta)\left(\frac{\partialh}{\partialz}+1\right)\right)其中，\theta为土壤体积含水量，t为时间，z为垂直方向坐标，K(\theta)为非饱和土壤水力传导度，h为土壤水势。在汇流模块，地表径流和壤中流通过河道网络进行汇流。地表径流的汇流过程考虑了坡面漫流和河道汇流两个阶段，采用运动波方程来描述。对于河道汇流，模型考虑了河道的糙率、坡度、断面形状等因素，运用Muskingum-Cunge方法进行计算，以确定不同时刻、不同位置的流量和水位。壤中流则根据土壤水力特性和地形坡度，通过达西定律计算其流速和流量，并汇入河道。SWAT模型还考虑了植被对水文过程的影响。植被通过截留降水、蒸腾作用以及根系吸水等方式，改变了流域的水分收支平衡。模型中，植被截留量根据植被类型、叶面积指数等参数进行估算；蒸腾作用则基于潜在蒸散发和作物系数，考虑植被的生长阶段和水分状况进行计算。通过这些过程的模拟，SWAT模型能够全面、系统地反映流域内水文过程的动态变化，为水资源管理和研究提供有力的工具。2.1.2SWAT模型结构与组成SWAT模型采用分布式建模方法，将整个流域划分为多个子流域，然后对每个子流域内的水文过程进行独立模拟，最后通过整合各个子流域的模拟结果得到对整个流域的水文过程的模拟结果。这种结构能够充分考虑流域内地形、土壤和植被等空间异质性因素对水文过程的影响，提高模拟结果的准确性。子流域划分是基于数字高程模型（DEM）进行的。通过对DEM数据的处理和分析，提取流域的地形特征，如坡度、坡向、流域边界等信息，利用水文分析工具将流域划分为不同的子流域。每个子流域具有相对独立的地形、土壤和土地利用等特征，便于对其内部的水文过程进行精细化模拟。在每个子流域内，又进一步划分为多个水文响应单元（HRU）。HRU是由具有相似土地利用、土壤类型和坡度的单元格组成的集合。这种划分方式使得模型能够更准确地考虑不同下垫面条件对水文过程的影响。例如，在一个子流域中，可能存在耕地、林地和草地等不同的土地利用类型，以及不同质地的土壤，通过划分HRU，可以针对不同的HRU设置相应的参数，分别模拟其水文过程，然后将各个HRU的结果进行累加，得到子流域的水文响应。SWAT模型还包括气象数据输入模块、土壤数据模块、土地利用和植被数据模块等多个组成部分。气象数据模块接收降水、气温、风速、日照时数等气象数据，为模型提供气象输入条件；土壤数据模块存储土壤质地、土壤容重、土壤孔隙度等土壤信息，用于计算土壤水运动和溶质运移等过程；土地利用和植被数据模块则记录土地利用类型和植被覆盖信息，以确定不同下垫面的水文特性和植被对水文过程的影响。这些模块相互协作，共同为模型的运行提供所需的数据和参数，确保模型能够准确地模拟流域的水文过程。2.2大宁河流域（巫溪段）自然地理特征2.2.1地形地貌特征大宁河流域（巫溪段）地势呈现出西北高、东南低的态势，地形起伏显著，整体地貌以高中山峡谷为主。该区域位于大巴山西南坡，下游东侧紧邻巫山山脉，境内山峰连绵起伏，层峦叠嶂，地势高峻。干支流除少数河段河谷较为宽阔，在下游存在少量沿河平坝外，大部分区域为狭窄的峡谷，河谷深切，临河山岭相对高差普遍在1000米以上。从山脉走向来看，在流域中段西面，由北向南分布着多条呈东西走向的平行山脉，各支流相间于山脉之间。这些山脉对流域内的气候和水文过程产生了重要影响。一方面，山脉阻挡了北方冷空气的南下，使得流域内气候相对温和湿润；另一方面，地形的起伏导致降水在空间上分布不均，迎风坡降水丰富，背风坡降水相对较少。坡度坡向也是影响流域水文过程的重要地形因素。大宁河流域（巫溪段）坡度较大，这使得地表径流流速较快，汇流时间较短，容易在暴雨期间引发山洪灾害。不同的坡向对太阳辐射和蒸发的影响不同，进而影响土壤水分的分布和植被的生长。例如，阳坡接受的太阳辐射多，蒸发量大，土壤水分相对较少，植被覆盖度可能较低；而阴坡则相反，土壤水分条件较好，植被生长更为茂盛。这种地形地貌特征导致流域内的水文过程复杂多变，增加了水资源管理和研究的难度。2.2.2气候特征大宁河流域（巫溪段）属于亚热带湿润季风气候区，具有典型的“一山兼四季，十里不同天”的立体气候特征。该区域气温随海拔高度的变化明显，由北向南递增。上游地区冬季较为寒冷，高山积雪期较长，夏无酷暑；下游地区气温相对较高。据巫溪县气象站资料统计，多年平均气温为17.5℃，气温年际变化较小，约在1.4℃左右，但年内气温变化较大，7、8月份平均气温最高，1月平均气温最低，月较差约21℃，极端最高气温达42.1℃（1990年），高山区极端最低气温为-25.8℃（1977年）。流域内降水量随地势垂直梯度分布显著，高山地带多年平均年降水量大于1400毫米，而河谷地带为1000-1200毫米。降水主要集中在4-10月，这期间的降水量约占全年降水量的90%左右，其中7月降水量最多，占全年降水量的16%左右。11月至次年3月为枯水期，降水量较少。大宁河流域处于大巴山暴雨区，暴雨中心主要分布在上游一带，大暴雨多集中在6-7月。据统计，流域每年均有6小时雨量超过50毫米、日雨量超过100毫米的大暴雨发生。1994年后溪河建楼站6小时雨量达180毫米，12小时雨量达300毫米，24小时雨量达331毫米。蒸发方面，流域内的潜在蒸发量受气温、日照时数、风速等因素的影响。一般来说，夏季气温高、日照时间长，潜在蒸发量大；冬季气温低、日照时间短，潜在蒸发量小。由于流域内植被覆盖较好，实际蒸发量在一定程度上受到植被蒸腾和截留的影响，与潜在蒸发量存在一定差异。这种气候特征使得大宁河流域（巫溪段）的水资源在时间和空间上分布不均，容易引发洪涝和干旱等自然灾害。暴雨集中期易发生洪水灾害，对沿岸居民的生命财产安全和基础设施造成威胁；而枯水期降水量少，可能导致水资源短缺，影响农业灌溉、生活用水和生态环境。2.2.3土地利用与土壤类型大宁河流域（巫溪段）土地利用类型多样，主要包括耕地、林地、草地、建设用地和水域等。其中，林地面积占比较大，主要分布在流域的中上游地区，这得益于该区域的地形和气候条件，适宜林木生长。林地对保持水土、涵养水源、调节气候等方面发挥着重要作用，能够减少水土流失，增加土壤水分入渗，降低地表径流，对流域的生态环境具有重要的保护作用。耕地主要分布在下游的沿河平坝和部分地势较为平坦的区域，以种植水稻、油菜、玉米、马铃薯等农作物为主。随着人口增长和经济发展，建设用地面积逐渐增加，主要集中在城镇和交通沿线。建设用地的扩张可能导致耕地和林地面积减少，改变土地利用格局，进而对流域的水文过程和生态环境产生影响，如增加地表径流、减少下渗、破坏植被等。流域内的土壤类型主要有黄壤、黄棕壤、棕壤、紫色土等。黄壤和黄棕壤主要分布在中低山地区，土壤呈酸性至微酸性，肥力较高，适合林木生长。棕壤多分布在高山地区，土壤质地较为黏重，透气性和透水性相对较差。紫色土主要分布在河谷地带和部分丘陵地区，土壤富含钾、磷等矿物质，肥力较高，有利于农作物生长，但紫色土抗侵蚀能力较弱，在不合理的土地利用方式下，容易发生水土流失。不同的土壤类型具有不同的物理和化学性质，如土壤质地、土壤容重、土壤孔隙度、土壤持水能力等，这些性质直接影响土壤水运动、养分循环和植被生长，进而对流域的水文过程产生重要影响。例如，质地较粗的土壤孔隙度大，透水性好，有利于雨水的快速入渗，但持水能力相对较弱；而质地较细的土壤持水能力强，但透水性较差，容易导致地表积水和径流增加。2.3大宁河流域（巫溪段）水文数据收集与整理2.3.1气象数据收集大宁河流域（巫溪段）气象数据主要通过地面气象观测站和气象再分析数据获取。地面气象观测站分布在流域内及周边地区，包括巫溪县气象站以及其他相关站点。这些站点采用专业的气象观测仪器，按照统一的观测规范和标准，对降水、气温、风速、日照时数等气象要素进行实时监测。降水数据通过雨量计测量，记录不同时段的降水量；气温采用温度计进行观测，获取不同时刻的气温值；风速通过风速仪测量，记录平均风速和瞬时风速；日照时数则利用日照计进行观测，统计每天的日照时间。除了地面气象观测站的数据，还收集了气象再分析数据，如ERA5等。气象再分析数据是利用数值模式和同化技术，将全球范围内的观测数据进行整合和分析，生成的具有高时空分辨率的气象数据集。这些数据可以补充地面气象观测站在空间覆盖和时间连续性上的不足，为模型提供更全面的气象信息。在收集气象数据时，对数据的质量进行了严格控制。检查数据的完整性，确保没有缺失值；对异常值进行识别和处理，通过与历史数据对比、空间插值等方法，判断并修正异常数据。同时，对不同来源的数据进行一致性检验，确保数据之间的协调性和可靠性。2.3.2水文数据收集水文数据收集主要围绕河流流量、水位、径流等要素展开。在大宁河流域（巫溪段）设置了多个水文监测站点，如巫溪水文站等，这些站点分布在干流和主要支流上，能够较为全面地监测流域内的水文状况。河流流量的观测采用流速仪法、浮标法等传统方法，以及先进的声学多普勒流速剖面仪（ADCP）等设备。流速仪法通过测量不同水深处的流速，结合过水断面面积计算流量；浮标法利用漂浮物在水面的移动速度来估算流速，进而计算流量；ADCP则通过发射和接收声学信号，实时测量水体流速和流量。水位数据通过水位计进行观测，水位计有机械式、电子式等多种类型，能够准确记录不同时刻的水位变化。径流数据是通过对流量数据进行处理和分析得到的。根据流量过程线，计算不同时段的径流量，包括日径流量、月径流量和年径流量等。收集的水文数据年限尽可能长，以获取更全面的水文信息，反映流域水文过程的长期变化趋势。例如，巫溪水文站收集了多年的流量和水位数据，为研究大宁河流域（巫溪段）的水文规律提供了重要依据。在数据收集过程中，定期对监测设备进行维护和校准，确保数据的准确性和可靠性。同时，建立了完善的数据管理系统，对收集到的水文数据进行整理、存储和备份，以便后续的分析和使用。2.3.3土地利用与土壤数据处理土地利用数据主要来源于遥感影像解译和实地调查。首先，获取高分辨率的遥感影像，如Landsat系列卫星影像、高分系列卫星影像等。利用遥感图像处理软件，通过监督分类、非监督分类等方法，对影像进行解译，将土地利用类型划分为耕地、林地、草地、建设用地、水域等。为了提高解译精度，结合实地调查数据，对解译结果进行验证和修正。实地调查采用样方法、路线调查法等，对不同土地利用类型的分布范围、边界等进行核实，确保解译结果与实际情况相符。土壤数据的获取包括土壤采样分析和利用已有土壤数据库。在流域内不同区域进行土壤采样，采集不同深度的土壤样本，分析土壤质地、土壤容重、土壤孔隙度、土壤酸碱度、土壤养分含量等指标。同时，参考中国土壤数据库等已有数据库，获取土壤类型、土壤分布等信息。对土地利用和土壤数据进行处理时，需要进行数据格式转换，将不同来源的数据转换为SWAT模型能够接受的格式。利用地理信息系统（GIS）软件进行空间分析，如裁剪、拼接、叠加分析等。根据流域边界对土地利用和土壤数据进行裁剪，去除流域外的数据；将不同时期、不同区域的数据进行拼接，形成完整的数据集；通过叠加分析，将土地利用数据和土壤数据进行关联，以便在模型中准确描述不同土地利用类型下的土壤特性。通过这些处理步骤，使土地利用和土壤数据能够满足SWAT模型的输入要求，为模型的准确模拟提供数据支持。三、SWAT模型参数不确定性分析方法3.1敏感性分析方法3.1.1敏感性分析原理敏感性分析是评估模型输出对输入参数变化响应程度的关键技术，其核心目的是确定模型参数对模拟结果的影响程度，识别出对模型输出影响最为显著的关键参数。在实际应用中，敏感性分析有助于深入理解模型行为，为模型参数校准、不确定性分析以及决策制定提供重要依据。敏感性分析的基本原理是通过系统地改变模型输入参数的值，同时保持其他条件不变，观察模型输出结果的变化情况。根据参数变化与模型输出变化之间的关系，来量化参数的敏感性。常用的敏感性指标包括敏感性系数和弹性系数等。敏感性系数是衡量模型输出变量相对变化与输入参数相对变化之间的比例关系。计算公式为：S_{ij}=\frac{\DeltaY_{i}/Y_{i}}{\DeltaX_{j}/X_{j}}其中，S_{ij}为第j个参数对第i个输出变量的敏感性系数，\DeltaY_{i}/Y_{i}为第i个输出变量的相对变化率，\DeltaX_{j}/X_{j}为第j个参数的相对变化率。敏感性系数的绝对值越大，表明该参数对输出变量的影响越显著。当敏感性系数大于0时，说明参数与输出变量呈正相关关系，即参数增大，输出变量也增大；当敏感性系数小于0时，说明参数与输出变量呈负相关关系，即参数增大，输出变量减小。弹性系数也是一种常用的敏感性指标，它反映了输出变量对输入参数变化的相对敏感程度。计算公式为：E_{ij}=\frac{\%\DeltaY_{i}}{\%\DeltaX_{j}}其中，E_{ij}为第j个参数对第i个输出变量的弹性系数，\%\DeltaY_{i}为第i个输出变量的百分比变化，\%\DeltaX_{j}为第j个参数的百分比变化。弹性系数的意义在于，它表示当参数变化1%时，输出变量相应变化的百分比。与敏感性系数类似，弹性系数的绝对值越大，说明参数对输出变量的影响越大。在敏感性分析中，还可以采用其他方法来评估参数的敏感性，如局部敏感性分析和全局敏感性分析。局部敏感性分析是在参数的当前取值附近进行微小变化，观察模型输出的变化情况，它主要关注参数在局部范围内的敏感性。而全局敏感性分析则考虑参数在整个取值范围内的变化对模型输出的影响，能够更全面地评估参数的敏感性及其相互作用。例如，Sobol方法就是一种常用的全局敏感性分析方法，它通过计算每个参数的主效应和总效应，来评估参数对模型输出的整体影响及其相互作用。主效应反映了单个参数独立变化对模型输出的影响，总效应则考虑了该参数与其他参数相互作用时对模型输出的影响。通过这些方法，可以更深入地了解模型参数与模拟结果之间的关系，为模型的优化和应用提供有力支持。3.1.2大宁河流域（巫溪段）SWAT模型参数敏感性分析针对大宁河流域（巫溪段）的SWAT模型，本研究运用敏感性分析方法，对水文、土壤、气象等多类参数展开深入剖析，以确定对模型模拟结果影响显著的敏感参数。在水文参数方面，着重分析了透水性、汇流参数以及地下水补给量等。透水性参数直接关系到降水的入渗能力，进而影响地表径流和土壤含水量。通过敏感性分析发现，该参数对径流模拟结果影响较为明显，其敏感性系数绝对值在0.5-1.2之间。当透水性增强时，更多的降水能够渗入土壤，地表径流相应减少；反之，地表径流则会增加。汇流参数是控制水流在坡面和河道中运动速度和路径的关键参数，对径流的峰值和过程有着重要影响。研究结果表明，汇流参数的敏感性系数绝对值在1.0-1.8之间，说明其对径流模拟结果的影响较大。不同的汇流参数取值会导致径流的汇流时间和流量分配发生变化，进而影响整个流域的水文过程。地下水补给量参数决定了地下水的来源和数量，对维持流域的水资源平衡至关重要。敏感性分析显示，该参数的敏感性系数绝对值在0.8-1.5之间，表明其对模型结果具有显著影响。地下水补给量的变化会影响河流的基流，进而影响整个水文过程的稳定性。土壤参数方面，主要分析了土地类型、土壤持水能力等参数。土地类型参数反映了不同土地利用方式下土壤的特性差异，对土壤水运动和植被生长有着重要影响。不同土地类型的土壤质地、孔隙度等物理性质不同，导致其对水分的保持和传输能力也不同。敏感性分析结果显示，土地类型参数的敏感性系数绝对值在0.4-1.0之间，说明其对模型模拟结果有一定影响。土壤持水能力参数直接关系到土壤对水分的储存和释放能力，对土壤含水量和径流产生有着重要作用。研究发现，土壤持水能力参数的敏感性系数绝对值在0.6-1.3之间，表明该参数对模型结果较为敏感。当土壤持水能力较强时，土壤能够储存更多的水分，减少地表径流的产生；反之，地表径流会增加。气象参数方面，重点分析了降水、气温等参数。降水是流域水文循环的主要输入项，对径流的产生起着决定性作用。敏感性分析表明，降水参数的敏感性系数绝对值在1.5-2.5之间，说明降水的变化对径流模拟结果影响非常显著。降水量的增加或减少会直接导致径流的增加或减少，且变化幅度较大。气温参数通过影响蒸散发过程，间接影响流域的水文过程。随着气温升高，蒸散发量增大，土壤水分减少，进而影响径流。敏感性分析显示，气温参数的敏感性系数绝对值在0.5-1.0之间，表明其对模型结果有一定影响。综合分析结果表明，在大宁河流域（巫溪段）SWAT模型中，水文参数中的汇流参数和地下水补给量、土壤参数中的土壤持水能力以及气象参数中的降水等参数对模拟结果最为敏感。这些敏感参数的不确定性将对模型模拟结果产生较大影响，因此在模型应用和参数优化过程中，需要重点关注这些参数，通过提高数据质量、优化参数取值等方式，降低其不确定性，以提高模型的模拟精度和可靠性。3.2不确定性分析方法3.2.1SUFI-2方法SUFI-2（SequentialUncertaintyFittingversion2）方法，即连续不确定率定法V2，是一种在SWAT模型不确定性分析中广泛应用的方法，其核心原理基于贝叶斯理论，通过迭代优化的方式来确定模型参数的最优值以及评估参数的不确定性。在SUFI-2方法中，首先需要定义目标函数，用于衡量模型模拟值与观测值之间的差异。常见的目标函数包括均方根误差（RMSE）、纳什效率系数（NSE）等。以均方根误差为例，其计算公式为：RMSE=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(O_{i}-S_{i})^{2}}其中，n为观测数据的数量，O_{i}为第i个观测值，S_{i}为第i个模拟值。RMSE值越小，表示模型模拟值与观测值之间的偏差越小，模型的拟合效果越好。确定目标函数后，SUFI-2方法通过蒙特卡罗抽样技术，在预先设定的参数取值范围内生成大量的参数组合。对于每个参数组合，运行SWAT模型得到相应的模拟结果，并根据目标函数计算其与观测值之间的误差。通过不断迭代，筛选出使目标函数值最小的参数组合，将其作为模型参数的最优估计值。在参数优化过程中，SUFI-2方法同时考虑了参数的不确定性。通过多次迭代得到的一系列参数组合及其对应的模拟结果，可以计算出模型结果的不确定性区间。常用的方法是计算95PPU（95%PredictionUncertainty）区间，即包含95%模拟结果的区间范围。95PPU区间的宽度反映了模型结果的不确定性程度，区间越窄，说明模型结果的不确定性越小，模型的可靠性越高。例如，在大宁河流域（巫溪段）的应用中，假设通过SUFI-2方法进行了1000次迭代，得到了1000组参数组合及其对应的模拟径流结果。将这些模拟结果从小到大排序，取第25个和第975个模拟值，这两个值所构成的区间即为95PPU区间。如果该区间较窄，说明模型对径流的模拟较为稳定，不确定性较小；反之，如果区间较宽，则说明模型存在较大的不确定性，需要进一步优化参数或改进模型。SUFI-2方法还可以通过计算P因子和R因子来评估模型的不确定性。P因子表示观测值落在95PPU区间内的百分比，R因子则是95PPU区间的平均宽度与观测值标准差的比值。理想情况下，P因子应接近1，R因子应尽可能小。P因子越接近1，说明模型的预测能力越强，能够较好地涵盖观测值；R因子越小，说明95PPU区间越窄，模型结果的不确定性越小。3.2.2GLUE方法GLUE（GeneralizedLikelihoodUncertaintyEstimation）方法，即广义似然不确定性估计方法，是基于蒙特卡罗随机取样和贝叶斯理论发展起来的一种不确定性分析方法，在水文模型不确定性评估中具有重要应用。GLUE方法的核心观点是，模型模拟结果的优劣并非取决于单个参数，而是模型参数的组合。该方法的主要步骤如下：似然判据的定义：首先需要确定一个似然函数，用于衡量模型模拟值与观测值之间的相似程度。常见的似然函数包括基于误差平方和、相关系数等统计量构建的函数。例如，基于误差平方和的似然函数可以表示为：L(\theta)=\exp\left(-\frac{1}{2}\sum_{i=1}^{n}\frac{(O_{i}-S_{i}(\theta))^{2}}{\sigma_{i}^{2}}\right)其中，L(\theta)为似然函数值，\theta为模型参数向量，O_{i}为第i个观测值，S_{i}(\theta)为使用参数\theta时模型的第i个模拟值，\sigma_{i}为观测值的标准差。似然函数值越大，表示模型模拟值与观测值越接近，参数组合\theta的可能性越高。确定参数的初始范围和先验分布函数：根据参数的物理意义或已有研究经验，确定每个参数的取值范围，并假设参数服从一定的先验分布，如均匀分布、正态分布等。在取值范围内，利用蒙特卡罗方法进行随机抽样，生成大量的参数组合。加权参数组的似然判据值：对于每个生成的参数组合，运行SWAT模型得到模拟结果，并根据似然函数计算其似然值。对所有参数组合的似然值进行归一化处理，得到每个参数组合的权重。权重反映了该参数组合对模型模拟结果的贡献程度，权重越大，说明该参数组合越能代表模型的真实情况。计算不确定性范围：设定一个似然值的临界值，将似然值高于临界值的参数组合视为“可接受”的参数组合。对于这些“可接受”的参数组合，根据其权重计算模型输出的统计特征，如均值、方差等，并确定一定置信水平下的不确定性范围。例如，在90%置信水平下，通过对“可接受”参数组合的模拟结果进行统计分析，得到模型输出的下限和上限，从而确定不确定性范围。当有新的数据时，GLUE方法利用贝叶斯函数，以递推方式更新加权后的似然判据值。根据新的数据和之前的似然值，重新计算每个参数组合的权重，从而更新对模型参数不确定性的评估。3.2.3两种方法在大宁河流域（巫溪段）的应用比较在大宁河流域（巫溪段）SWAT模型中，同时应用SUFI-2和GLUE方法进行不确定性分析，从模拟结果不确定性、拟合效果、运算效率和参数不确定性分析等方面展开比较，以评估两种方法在该流域的适用性和优缺点。在模拟结果不确定性方面，SUFI-2方法通过多次迭代优化得到的95PPU区间相对较窄，表明其对模型结果的不确定性估计较为保守，能够提供相对精确的模拟结果范围。而GLUE方法确定的不确定性范围相对较宽，这是因为GLUE方法考虑了更多的参数组合可能性，对不确定性的估计更为全面，但也可能导致不确定性范围过大。例如，在径流模拟结果的不确定性分析中，SUFI-2方法得到的95PPU区间宽度为实测径流均值的15%-20%，而GLUE方法得到的不确定性范围宽度为实测径流均值的25%-35%。从拟合效果来看，SUFI-2方法在优化过程中以最小化目标函数为导向，能够更有效地调整参数，使模型模拟值与观测值之间的误差最小化，因此拟合效果相对较好。以纳什效率系数（NSE）为例，SUFI-2方法校准后的模型NSE值可达0.75-0.85，而GLUE方法校准后的NSE值一般在0.70-0.80之间。这表明SUFI-2方法在提高模型对大宁河流域（巫溪段）水文过程模拟精度方面具有一定优势。运算效率方面，SUFI-2方法通过迭代优化，在相对较少的模拟次数内即可获得较优的结果，运算效率较高。一般情况下，SUFI-2方法完成一次不确定性分析所需的模拟次数在500-1000次左右。而GLUE方法由于需要进行大量的随机抽样和似然值计算，模拟次数通常较多，运算效率相对较低。在大宁河流域（巫溪段）的应用中，GLUE方法完成一次不确定性分析可能需要进行5000-10000次模拟。在参数不确定性分析方面，GLUE方法通过对大量参数组合的似然值分析，能够更全面地评估参数之间的相互作用及其对模型结果的影响，在参数不确定性分析方面表现更佳。它可以提供参数的概率分布信息，帮助研究者更好地理解参数的不确定性来源和规律。相比之下，SUFI-2方法虽然也能考虑参数不确定性，但在全面评估参数相互作用方面相对较弱。综合比较结果显示，SUFI-2方法在模拟结果不确定性估计和拟合效果方面表现较好，运算效率较高，更适合用于大宁河流域（巫溪段）SWAT模型的校正和模拟结果不确定性分析；而GLUE方法在参数不确定性分析方面具有优势，能够提供更全面的参数信息，可用于深入研究模型参数的不确定性及其对模拟结果的影响。在实际应用中，可以根据研究目的和需求，选择合适的方法或结合两种方法的优势，以提高对大宁河流域（巫溪段）水资源模拟和管理的准确性和可靠性。四、模型参数不确定性对模拟结果的影响4.1对径流模拟结果的影响4.1.1水文参数不确定性的影响在大宁河流域（巫溪段）的径流模拟中，水文参数的不确定性对模拟结果有着显著的影响。以透水性参数为例，其不确定性会导致降水入渗量的模拟误差。当透水性参数取值存在偏差时，降水在土壤中的入渗能力被错误估计。若透水性参数被高估，模型会模拟出过多的降水入渗，从而减少地表径流量；反之，若透水性参数被低估，地表径流量则会被高估。汇流参数的不确定性同样不容忽视。在SWAT模型中，汇流参数决定了水流在坡面和河道中的运动速度与路径。如河道糙率这一汇流参数，其不确定性会影响水流的阻力大小。若河道糙率参数取值不准确，水流在河道中的流速和流量就会被错误模拟。当河道糙率被高估时，水流阻力增大，流速减慢，汇流时间延长，径流峰值出现时间滞后，且峰值流量可能减小；反之，当河道糙率被低估时，水流速度加快，汇流时间缩短，径流峰值提前且可能增大。地下水补给量参数的不确定性对径流模拟结果也有重要影响。该参数决定了地下水对河流基流的补给量大小。在大宁河流域（巫溪段），如果地下水补给量参数取值不准确，会导致对河流基流的模拟偏差。当参数不确定性导致地下水补给量被高估时，模拟的河流基流会偏大，尤其是在枯水期，河流流量的模拟值会高于实际值；反之，若地下水补给量被低估，枯水期河流流量的模拟值则会偏低，影响对水资源量的准确评估和枯水期水资源的合理调配。为了直观地展示水文参数不确定性对径流模拟结果的影响，通过设置不同的参数值进行模拟对比。假设在一组模拟中，将透水性参数设定为相对较高的值，汇流参数中的河道糙率设定为较大值，地下水补给量参数设定为偏高值；在另一组模拟中，将这些参数分别设定为相对较低的值。模拟结果显示，前一组模拟的地表径流量明显低于后一组，且径流峰值出现时间滞后，枯水期流量相对较高；而后一组模拟的地表径流量较大，径流峰值提前，枯水期流量相对较低。这表明水文参数的不确定性会导致径流模拟结果在流量大小、峰值出现时间以及枯水期流量等关键指标上产生显著差异，进而影响对流域水资源的科学管理和利用决策。4.1.2案例分析：不同参数组合下的径流模拟以大宁河流域（巫溪段）2010-2015年这一典型时段为例，设置不同的水文参数组合，运用SWAT模型进行径流模拟，深入分析模拟结果的差异。在第一组参数组合中，将透水性参数设置为0.4（取值范围为0-1），河道糙率设置为0.03（取值范围根据经验在0.01-0.05之间），地下水补给量参数设置为0.3（取值范围为0-1）。在第二组参数组合中，将透水性参数调整为0.6，河道糙率调整为0.02，地下水补给量参数调整为0.2。在第三组参数组合中，进一步改变参数值，透水性参数设为0.5，河道糙率设为0.025，地下水补给量参数设为0.25。模拟结果显示，第一组参数组合下，模拟的年平均径流量为110立方米每秒，径流峰值出现在7月中旬，峰值流量为350立方米每秒，枯水期（12月-次年2月）平均流量为50立方米每秒。第二组参数组合下，年平均径流量增加到130立方米每秒，径流峰值提前到7月初，峰值流量达到400立方米每秒，枯水期平均流量降低到40立方米每秒。第三组参数组合的模拟结果介于前两组之间，年平均径流量为120立方米每秒，径流峰值出现在7月上旬，峰值流量为380立方米每秒，枯水期平均流量为45立方米每秒。通过对不同参数组合下径流模拟结果的对比分析可以发现，透水性参数的增大，使得更多降水入渗，地表径流量减少，枯水期流量相对增加；河道糙率的减小，加快了水流速度，使径流峰值提前且增大，年平均径流量也相应增加；地下水补给量参数的降低，导致枯水期流量减小。这些结果表明，不同的水文参数组合会导致径流模拟结果在年平均径流量、径流峰值出现时间和大小以及枯水期流量等方面产生明显差异。这进一步说明在大宁河流域（巫溪段）的径流模拟中，准确确定水文参数至关重要，否则会给水资源规划、防洪抗旱等决策带来偏差。4.2对土壤侵蚀和养分流失模拟结果的影响4.2.1土壤参数不确定性的影响土壤参数的不确定性在大宁河流域（巫溪段）土壤侵蚀和养分流失模拟中扮演着关键角色，对模拟精度有着多方面的显著影响。土地类型参数的不确定性首当其冲。大宁河流域（巫溪段）土地类型丰富多样，涵盖耕地、林地、草地、建设用地和水域等。不同土地类型的土壤性质差异巨大，直接关系到土壤侵蚀和养分流失的过程。例如，耕地由于频繁的农事活动，土壤结构相对疏松，抗侵蚀能力较弱，在降水和径流作用下，更易发生土壤侵蚀和养分流失。林地则凭借其茂密的植被覆盖和良好的土壤结构，具有较强的抗侵蚀能力，能够有效拦截降水、减缓径流速度，减少土壤侵蚀和养分流失。若土地类型参数被错误设定，如将实际为林地的区域误判为耕地，模型会高估该区域的土壤侵蚀和养分流失量；反之，将耕地误判为林地，则会低估相关量。土壤持水能力参数同样不容忽视。该参数反映了土壤储存水分的能力，对土壤侵蚀和养分流失有着直接影响。当土壤持水能力较强时，土壤能够储存更多的降水，减少地表径流的产生。地表径流是土壤侵蚀和养分流失的主要驱动力，径流减少意味着土壤侵蚀和养分流失的风险降低。相反，若土壤持水能力被低估，模型会模拟出过多的地表径流，进而高估土壤侵蚀和养分流失量。在大宁河流域（巫溪段），不同土壤类型的持水能力差异明显，黄壤和黄棕壤持水能力相对较强，而紫色土持水能力较弱。如果在模型中未能准确体现这些差异，将导致土壤侵蚀和养分流失模拟结果的偏差。土壤质地、孔隙度等参数的不确定性也会对模拟结果产生影响。土壤质地决定了土壤颗粒的大小和组成，孔隙度则影响土壤的通气性和透水性。质地较粗的土壤孔隙度大，透水性好，但抗侵蚀能力较弱，在降水和径流作用下，土壤颗粒更容易被带走，从而增加土壤侵蚀和养分流失的风险。质地较细的土壤虽然持水能力较强，但透水性差，容易在降水时形成地表积水和径流，同样可能导致土壤侵蚀和养分流失。若这些参数的不确定性导致模型对土壤质地和孔隙度的描述不准确，将干扰对土壤侵蚀和养分流失过程的模拟，降低模拟精度。4.2.2实例分析：土壤参数变化对侵蚀和流失的影响结合大宁河流域（巫溪段）内的实际土壤情况，通过改变土壤参数值进行模拟，深入分析土壤侵蚀和养分流失过程的变化。选取流域内一块典型区域，该区域主要土壤类型为紫色土，土地利用类型为耕地。在初始模拟中，根据该区域土壤的实际检测数据，设定土壤持水能力参数为0.25（取值范围根据土壤性质在0-1之间），土地类型参数准确设定为耕地。模拟结果显示，该区域年土壤侵蚀量为15吨每公顷，氮素流失量为1.2千克每公顷，磷素流失量为0.8千克每公顷。当将土壤持水能力参数调整为0.35时，模拟结果发生显著变化。由于土壤持水能力增强，更多降水被土壤储存，地表径流量减少。年土壤侵蚀量降低到10吨每公顷，氮素流失量减少到0.8千克每公顷，磷素流失量减少到0.5千克每公顷。这表明土壤持水能力的提高能够有效降低土壤侵蚀和养分流失量。接着，将土地类型参数错误设定为林地，尽管实际为耕地。此时，模型模拟出的年土壤侵蚀量仅为5吨每公顷，氮素流失量为0.5千克每公顷，磷素流失量为0.3千克每公顷。这是因为模型按照林地的抗侵蚀特性进行模拟，严重低估了该区域的土壤侵蚀和养分流失情况。再调整土壤质地参数，将原本的紫色土质地参数从适合紫色土的范围调整为类似砂土的质地参数。模拟结果显示，年土壤侵蚀量急剧增加到25吨每公顷，氮素流失量上升到2.0千克每公顷，磷素流失量上升到1.2千克每公顷。这是因为砂土质地的土壤抗侵蚀能力弱，在相同降水和径流条件下，更易发生土壤侵蚀和养分流失。通过以上实例分析可以清晰看出，土壤参数的变化对大宁河流域（巫溪段）土壤侵蚀和养分流失模拟结果有着重大影响。准确确定土壤参数对于提高模拟精度、科学评估流域土壤侵蚀和养分流失状况、制定合理的水土保持和养分管理措施至关重要。4.3对污染物输移模拟结果的影响4.3.1模型参数对污染物输移模拟的影响机制在大宁河流域（巫溪段），SWAT模型参数的不确定性通过对水流、土壤等关键因素的作用，深刻影响着污染物在流域内的传输和沉积过程，进而对污染物输移模拟结果产生显著影响。水流是污染物传输的主要载体，而水文参数的不确定性直接左右水流运动，从而影响污染物输移。以汇流参数为例，河道糙率的不确定性改变水流阻力，进而影响流速和流量。若河道糙率被高估，水流阻力增大，流速减慢，污染物在河道中传输速度随之降低，停留时间延长，这可能导致污染物在局部区域的浓度升高。同时，流速减慢使得污染物的扩散范围受限，在某些区域可能出现污染物聚集现象。相反，若河道糙率被低估，水流速度加快，污染物传输速度也加快，可能导致污染物更快地向下游扩散，影响下游水质。透水性参数的不确定性则影响降水入渗和地表径流的分配。当透水性参数取值不准确时，地表径流量的模拟出现偏差。若透水性被高估，地表径流减少，携带污染物的能力减弱，部分污染物可能会更多地保留在土壤中，减少向下游水体的输送。但这也可能导致土壤中污染物浓度升高，增加对地下水的污染风险。若透水性被低估，地表径流增大，更多的污染物会随地表径流进入河道，可能导致河流水体中污染物浓度升高，对水环境造成更大压力。土壤参数的不确定性也在污染物输移过程中发挥重要作用。土地类型参数的不确定性影响土壤对污染物的吸附和释放能力。不同土地类型的土壤性质不同，对污染物的吸附和解吸特性也存在差异。例如，林地土壤中丰富的有机质和微生物群落能够增强对某些污染物的吸附和降解能力。若土地类型参数错误设定，将实际为林地的区域误判为其他类型，会错误估计土壤对污染物的吸附和降解能力，从而影响污染物在土壤-水体系统中的迁移转化过程。土壤持水能力参数的不确定性通过影响土壤水分含量，间接影响污染物的迁移。土壤持水能力较强时，土壤中水分含量相对稳定，污染物在土壤孔隙中的迁移速度较慢。若土壤持水能力被低估，土壤水分含量的模拟值偏低，可能导致污染物在土壤中的迁移速度被高估，进而影响对污染物向地下水和地表水体迁移过程的模拟。4.3.2模拟分析：参数不确定性下的污染物输移情况利用SWAT模型，设置不同的参数不确定性条件，模拟大宁河流域（巫溪段）污染物的输移路径和浓度变化，评估其对水体和农业的影响。在一组模拟中，将汇流参数中的河道糙率在合理范围内分别设置为较高值0.04和较低值0.02，其他参数保持初始合理值。模拟结果显示，当河道糙率为0.04时，污染物在河道中的传输速度明显减慢。以化学需氧量（COD）为例，在某监测断面，污染物浓度在高糙率条件下在第5天达到峰值，峰值浓度为30毫克每升，且在该断面附近形成了一个相对高浓度的污染区域。这是因为流速减慢使得污染物在该区域聚集，扩散速度降低。而当河道糙率为0.02时，污染物传输速度加快，在第3天就到达该监测断面，峰值浓度为20毫克每升，且很快向下游扩散，下游较长河段的污染物浓度都有所升高。这表明河道糙率的不确定性对污染物在河道中的传输速度、浓度峰值出现时间和大小以及污染范围都有显著影响。在另一组模拟中，改变透水性参数，分别设置为0.3和0.6。当透水性为0.3时，地表径流量相对较大，更多的污染物随地表径流进入河道。模拟显示，河流中总氮（TN）浓度明显升高，在下游某区域，TN浓度超过了地表水水质标准的III类限值，达到2.5毫克每升，对水体生态环境造成潜在威胁。而当透水性为0.6时，地表径流减少，更多污染物被保留在土壤中。土壤中农药残留量模拟值升高，在某些区域，农药残留量超过了土壤环境质量标准，这可能对土壤微生物群落和农作物生长产生不利影响，进而影响农业生产。通过这些模拟分析可以看出，参数不确定性下大宁河流域（巫溪段）污染物的输移情况复杂多变。不确定的参数会导致污染物输移路径和浓度变化的模拟结果与实际情况产生偏差，从而影响对水体污染和农业污染状况的准确评估。这可能导致制定的水污染治理和农业面源污染防控措施缺乏针对性和有效性，无法有效保护大宁河流域（巫溪段）的水环境和农业生态系统。五、减少SWAT模型参数不确定性的方法与实践5.1收集准确、多样的数据5.1.1多源数据融合策略在大宁河流域（巫溪段）的研究中，多源数据融合是提高数据准确性和完整性的关键策略，对于减少SWAT模型参数不确定性具有重要意义。地形高程数据主要来源于高分辨率的数字高程模型（DEM），如美国地质调查局（USGS）的30米分辨率DEM数据以及我国自主研发的高分系列卫星获取的高分辨率地形数据。通过对这些数据的处理和分析，可以精确提取流域的地形特征，如坡度、坡向、流域边界和水系网络等。这些地形信息对于准确模拟水流路径、汇流过程以及土壤侵蚀等水文过程至关重要。将DEM数据与河流流量数据相结合，可以更准确地确定河道的坡度和糙率等参数，从而提高径流模拟的精度。气象数据方面，综合收集地面气象观测站数据和气象再分析数据。地面气象观测站分布在流域内及周边地区，实时监测降水、气温、风速、日照时数等气象要素。同时，引入欧洲中期天气预报中心（ECMWF）的ERA5等气象再分析数据，这些数据具有高时空分辨率，能够补充地面气象观测站在空间覆盖和时间连续性上的不足。将地面气象观测站的降水数据与ERA5的降水数据进行融合，可以更全面地反映流域内降水的时空分布特征，减少降水数据的不确定性。利用空间插值技术，将地面气象观测站的离散数据与气象再分析数据进行融合，生成连续的气象要素空间分布数据，为SWAT模型提供更准确的气象输入。土地利用和植被类型数据通过遥感影像解译和实地调查相结合的方式获取。利用Landsat系列卫星影像、高分系列卫星影像等进行遥感解译，将土地利用类型划分为耕地、林地、草地、建设用地和水域等。为了提高解译精度，结合实地调查数据，对解译结果进行验证和修正。在实地调查中，采用样方法、路线调查法等，对不同土地利用类型的分布范围、边界以及植被覆盖情况进行核实。将遥感影像解译得到的土地利用数据与土壤类型数据进行融合，可以更好地确定不同土地利用类型下的土壤特性，为模型提供更准确的参数输入。土壤类型数据通过土壤采样分析和已有土壤数据库获取。在流域内不同区域进行土壤采样，分析土壤质地、土壤容重、土壤孔隙度、土壤酸碱度、土壤养分含量等指标。同时，参考中国土壤数据库等已有数据库，获取土壤类型、土壤分布等信息。将土壤采样分析数据与土壤数据库数据进行融合，可以弥补单一数据源的不足，提高土壤数据的准确性和可靠性。利用地理信息系统（GIS）技术，对不同来源的土壤数据进行整合和分析，为SWAT模型提供详细的土壤参数信息。5.1.2数据质量控制方法对于收集到的数据，严格的数据质量控制是减少数据误差、降低模型参数不确定性的重要保障。在异常值剔除方面，对于气象数据中的降水、气温等要素，通过与历史数据对比、空间插值等方法，判断并修正异常数据。如果某一气象站点的某日降水量明显高于周边站点且不符合历史同期数据范围，可通过周边站点数据的空间插值来估计该站点的合理降水量，对异常值进行修正。对于水文数据中的河流流量，如果出现异常的高值或低值，可结合上下游站点数据以及历史流量变化趋势进行判断和修正。数据插值是处理数据缺失问题的常用方法。在气象数据中，若某一站点某时段的风速数据缺失，可采用反距离加权插值法、克里金插值法等空间插值方法，利用周边站点的风速数据进行插值计算，填补缺失值。对于土地利用和土壤数据中的少量缺失信息，也可根据相邻区域的数据特征进行合理推测和补充。数据验证则是确保数据准确性的关键环节。将不同来源的土地利用数据进行对比验证，如将遥感影像解译得到的土地利用数据与土地利用现状调查数据进行比对，检查两者之间的一致性。对于不一致的地方，通过实地调查进行核实和修正。对土壤数据，将土壤采样分析结果与已有土壤数据库中的数据进行对比，验证土壤类型、土壤质地等信息的准确性。利用不同时期的遥感影像，对土地利用变化情况进行动态监测和验证，确保土地利用数据能够反映实际的土地利用变化过程。通过这些数据质量控制方法，可以有效提高数据的质量，为SWAT模型提供可靠的数据支持，从而减少模型参数的不确定性。5.2敏感性分析在参数优化中的应用5.2.1基于敏感性分析的参数筛选敏感性分析结果为大宁河流域（巫溪段）SWAT模型参数优化提供了重要依据，通过筛选出对模拟结果影响较大的参数，能够集中资源进行重点优化，提高模型的模拟精度。在水文参数中，汇流参数和地下水补给量被确定为敏感参数。汇流参数，如河道糙率、坡面漫流系数等，对径流的峰值和过程有着重要影响。河道糙率决定了水流在河道中的阻力大小，进而影响流速和流量。坡面漫流系数则控制着坡面水流的运动速度和路径。这些参数的微小变化可能导致径流模拟结果出现较大差异，因此在参数优化中需要重点关注。地下水补给量参数决定了地下水对河流基流的补给量大小，对维持流域的水资源平衡至关重要。在大宁河流域（巫溪段），地下水补给量的变化会显著影响河流的枯水期流量。如果地下水补给量参数不准确，将导致对河流基流的模拟偏差，影响对水资源量的准确评估和枯水期水资源的合理调配。在土壤参数方面，土壤持水能力是敏感参数之一。土壤持水能力反映了土壤储存水分的能力，对土壤含水量和径流产生有着重要作用。当土壤持水能力较强时，土壤能够储存更多的水分，减少地表径流的产生；反之，地表径流会增加。在大宁河流域（巫溪段），不同土壤类型的持水能力存在差异，准确确定土壤持水能力参数对于提高径流和土壤侵蚀模拟精度至关重要。气象参数中，降水对模拟结果的影响最为显著。降水是流域水文循环的主要输入项，对径流的产生起着决定性作用。降水量的增加或减少会直接导致径流的增加或减少，且变化幅度较大。降水的时空分布不均匀性也会对流域的水文过程产生重要影响。因此，在参数优化中，需要准确确定降水参数，以提高径流模拟的准确性。通过敏感性分析筛选出这些敏感参数后，将其作为重点优化对象，可以有效提高模型参数的准确性，减少参数不确定性对模拟结果的影响。在后续的参数优化过程中，针对这些敏感参数，采用更精确的数据和更优化的方法进行校准和调整，以提高模型的模拟精度和可靠性。5.2.2参数优化方法与实践在大宁河流域（巫溪段）的研究中，采用参数自动优化算法与人工调整相结合的方法对敏感参数进行优化。参数自动优化算法选用SCEUA（ShuffledComplexEvolutionUniversityofArizona）算法，该算法是一种高效的全局优化算法，能够在复杂的参数空间中搜索最优解。在使用SCEUA算法进行参数优化时，首先需要定义目标函数，以衡量模型模拟值与观测值之间的差异。常用的目标函数包括均方根误差（RMSE）、纳什效率系数（NSE）等。以均方根误差为例，其计算公式为：RMSE=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(O_{i}-S_{i})^{2}}其中，n为观测数据的数量，O_{i}为第i个观测值，S_{i}为第i个模拟值。RMSE值越小，表示模型模拟值与观测值之间的偏差越小，模型的拟合效果越好。确定目标函数后，设置参数的取值范围和初始值。根据敏感性分析结果，对汇流参数、地下水补给量参数、土壤持水能力参数和降水参数等敏感参数进行重点优化。例如，将河道糙率的取值范围设定为0.01-0.05，地下水补给量参数的取值范围设定为0-1，土壤持水能力参数的取值范围根据土壤类型设定在0-0.5之间。通过SCEUA算法在设定的参数取值范围内进行迭代搜索，不断调整参数值，使目标函数值最小化。在迭代过程中，算法会根据目标函数的反馈信息，自动调整参数的搜索方向和步长，以提高搜索效率。经过SCEUA算法的自动优化后，得到一组初步的优化参数。但由于自动优化算法可能存在一定的局限性，还需要结合人工调整。人工调整过程中，充分利用对大宁河流域（巫溪段）的实际了解和经验，对自动优化结果进行分析和判断。根据流域的地形地貌、土壤特性和水文特征等实际情况，检查优化后的参数是否符合物理意义和实际情况。如果发现某些参数值不合理，如河道糙率过小或过大，导致水流速度与实际情况相差较大，可手动对这些参数进行调整。在实践过程中，通过对比优化前后的模拟结果，评估参数优化的效果。以径流模拟为例，优化前模型模拟的年平均径流量与实测值的偏差较大，纳什效率系数仅为0.6。经过参数优化后，模拟的年平均径流量与实测值更为接近，纳什效率系数提高到0.75以上。这表明通过参数自动优化算法与人工调整相结合的方法，有效地提高了模型的模拟精度，减少了参数不确定性对模拟结果的影响。5.3误差校正方法5.3.1误差校正原理与方法误差校正是提高SWAT模型模拟精度、减少参数不确定性的重要手段，其核心原理是通过分析模拟结果与真实数据之间的误差，对模型参数进行调整和修正，使模型能够更准确地反映实际水文过程。在大宁河流域（巫溪段）的研究中，常用的误差校正方法包括统计分析方法和数据同化方法。统计分析方法主要基于统计学原理，通过计算模拟值与实测值之间的各种统计指标，如均值、方差、相关系数等，来评估模型的误差情况。以均值误差为例，其计算公式为：ME=\frac{1}{n}\sum_{i=1}^{n}(O_{i}-S_{i})其中，ME为均值误差，n为观测数据的数量，O_{i}为第i个观测值，S_{i}为第i个模拟值。均值误差反映了模拟值与观测值的平均偏差程度。通过分析均值误差、方差等统计指标，可以了解模型误差的大小和分布情况。如果均值误差较大，说明模拟值整体上偏离实测值，需要对模型参数进行调整。可以根据误差的正负和大小，对影响较大的参数进行相应的调整。若均值误差为正，且径流模拟值普遍高于实测值，可能需要增大透水性参数，以增加降水入渗量，减少地表径流。数据同化方法则是将观测数据与模型模拟结果进行融合，利用观测数据的信息来改进模型的状态和参数。常用的数据同化方法包括卡尔曼滤波（KalmanFilter）及其扩展形式，如扩展卡尔曼滤波（ExtendedKalmanFilter，EKF）、集合卡尔曼滤波（EnsembleKalmanFilter，EnKF）等。以集合卡尔曼滤波为例，其基本原理是通过生成一组随机的模型状态集合，利用观测数据对这些集合进行更新和调整，从而得到更准确的模型状态和参数估计。在集合卡尔曼滤波中，首先根据先验知识和初始参数值，生成多个模型状态集合。对于每个集合，运行SWAT模型得到相应的模拟结果。然后，将模拟结果与观测数据进行对比，利用卡尔曼增益矩阵对模型状态集合进行更新。卡尔曼增益矩阵根据观测数据的不确定性和模型模拟结果的不确定性进行计算，用于调整模型状态集合，使其更接近实际情况。经过多次迭代更新，模型状态集合逐渐收敛到更准确的状态，从而得到更优化的模