由于在概化自然系统时，水文模型往往伴随一系列简化与假设，再加上模型应用时输入数据的缺失或误差以及参数值的不确定性，导致模拟系统不可避免地产生不确定性。其中，土壤数据是水文模型的重要输入数据之一。当前，针对土壤信息对模型影响的研究主要集中在通过不同精度或比例尺的土壤数据对比模型参数的不确定性以及对输出结果的影响。然而，关于土壤数据本身的不确定性对水文模型输出结果影响的研究仍较为缺乏。
本研究以云南洱海凤羽河流域为例，采用土壤景观推理模型（SoLIM）派生土壤属性数据及不确定性信息，并将该数据集作为输入数据用于半分布式水文模型（Soil and Water Assessment Tool, SWAT），旨在评估土壤数据不确定性对水文模型输出结果的敏感性。技术流程见图1，本研究共使用41个固定参数和165个非固定参数，1500次随机取值模拟。
图1 技术流程图
土壤数据的不确定性通过参数影响模型输出结果敏感性，如蒸散发、土层孔隙度和地下水入渗系数。1）蒸散发在SWAT模型中，蒸散发通过潜在蒸散发、蒸发和蒸腾计算。蒸散发通过潜在蒸散发与叶面积指数之间的功能关系确定；蒸发通过考虑土壤深度和水分含量的指数函数来估算；蒸腾通过潜在蒸散发和叶面积指数的线性函数来估算。因此，土壤含水量的不确定性影响蒸发的准确性。2）侧向流量受出口断面的饱和区厚度和流速影响。饱和区厚度由土壤含水量、土层总孔隙率和坡长等参数决定。因此，土壤含水量和质地对土壤含水量和土层孔隙率的影响会引入不确定性。3）侧向流影响浅层地下水补给深层含水层、回流、渗透等多种因素。浅层向深层地下水的渗透量主要由地下水渗透系数和日地下水补给量决定。SWAT-CUP中对应的RCHRG_DP参数被固定，确保了稳定性。地下水径流和基流则受到地下水渗透系数、地下水水位到主河道的距离以及水位深度的影响。因此，回流的不确定性受土壤质地通过地下水渗透系数的影响。
土壤数据的不确定性通过土地利用影响模型输出结果敏感性，如林地、草地和稻田（图2）。泥沙、总氮和总磷负荷不确定性高的子流域通常表现出一致的不确定性，而这些子流域与高径流不确定性区域存在显著差异。1至4号子流域在泥沙、总氮和总磷负荷上不确定性较大，而5至7号子流域则径流不确定性更高。5至7号区域主要为森林覆盖，1至4号则为草地、森林和稻田混合区。森林土壤水分变化性大，草地和稻田植被均匀，径流路径稳定，降低了径流不确定性。陡坡区域如5至7号的不确定性更高，因其径流速度快、水文过程更复杂，增加了模型参数估计的不确定性。
图2 土壤属性的不确定性导致水文模型子流域输出差值的空间分布。黑色数字表示差异最大的子流域
最终导致水文模型输出结果的最佳值非均匀分布在不确定性范围内。汛期径流的最佳值位于不确定性范围的下限，而非汛期则位于上限，泥沙、总氮和总磷负荷则呈现相反的趋势。汛期土壤饱和，泥沙和营养物质更容易随着径流流入河流，同时汛期也往往是作物生长期，耕作和施肥增加了泥沙、总氮和总磷的产量。而在非汛期，降雨和施肥减少，土壤对营养物质的保留和转化能力增强，水流较慢，导致泥沙、总氮和总磷的负荷减少。在汛期，降雨频繁，土壤含水量高，渗透减少，径流增加；非汛期则由于土壤含水量低，渗透和储存增加，径流减少。因此，模拟的最佳值在汛期和非汛期表现出不同的规律。
图3 土壤属性的不确定性导致水文模型模拟结果不确定
该研究成果以“Sensitivity analysis of SWAT streamflow and water quality to the uncertainty in soil properties generated by the SoLIM model”为题，近期在线发表在国际学术期刊《Journal of Hydrology》（IF5.9），中国农业科学院农业资源与农业区划研究所雷秋良研究员和张天鹏博士研究生为共同一作，杜新忠研究员和刘宏斌研究员为共同通讯作者。本研究得到国家自然科学基金项目（U20A20114、42007095、42107076）和国家重点研发计划（2022YFC3204001）资助。
【引文方式及原文链接】
Lei, Q.L., Zhang, T.P., An, M.Y., Luo, J.F., Qin, L.H., Zhu, A.X., Qiu, W.W., Du, X.Z., Liu, H.B., 2024. Sensitivity analysis of SWAT streamflow and water quality to the uncertainty in soil properties generated by the SoLIM model. Journal of Hydrology, 642, 131879.
https://doi.org/10.1016/j.jhydrol.2024.131879
