2019, Vol. 39文章信息
- 窦小东, 黄玮, 易琦, 刘晓舟, 左慧婷, 李蒙, 李忠良
- DOU Xiaodong, HUANG Wei, YI Qi, LIU Xiaozhou, ZUO Huiting, LI Meng, LI Zhongliang
- LUCC及气候变化对澜沧江流域径流的影响
- Impacts of LUCC and climate change on runoff in Lancang River Basin
- 生态学报. 2019, 39(13): 4687-4696
- Acta Ecologica Sinica. 2019, 39(13): 4687-4696
- http://dx.doi.org/10.5846/stxb201811302610
-
文章历史
- 收稿日期: 2018-11-30
- 修订日期: 2019-04-26
2. 云南省气候中心, 昆明 650034;
3. 云南大学资源环境与地球科学学院, 昆明 650504;
4. 南京信息工程大学遥感与测绘工程学院, 南京 210044
2. Yunnan Provincial Climate Center, Kunming 650034, China;
3. School of Resource Environment and Earth Science in Yunnan University, Kunming 650504, China;
4. School of Remote Sensing & Geomatics Engineering in Nanjing University of Information Science & Technology, Nanjing 210044, China
土地利用与土地覆被变化(LUCC)和气候变化是影响流域水资源变化的最直接因素, 也是流域水资源变化研究的热点[1-5]。LUCC通过下垫面覆盖物的改变, 影响冠层截留、地表蒸散发、下渗、土壤水分含量等来改变流域的水资源状况[6-9], 气候变化则通过改变大气降水的时空分布、地表蒸发等来影响流域的径流量[10-11], 其中通过气候模式数据驱动水文模型是气候变化水文响应研究的一个新方向, 相对于通过主观假设流域内未来气温和降水的变化来研究其水文响应具有更好的科学性、合理性, 是未来研究气候变化水文响应的主流和热点。澜沧江是沿岸居民的母亲河, 流域上建有漫湾、大朝山、糯扎渡等8座梯级水电站[12-13], 是我国西电东送的重要支撑, 其水资源状况时刻影响着沿岸居民的生产生活。因此, 研究LUCC和气候变化对澜沧江流域水资源的影响, 对当地政府和沿岸几千万居民具有重要的现实意义。
分布式水文模型在LUCC和气候变化对流域水资源影响的模拟研究方面已得到广泛应用[14-16], 其中, 由美国农业部下属的农业研究所研制开发的SWAT (Soil and Water Assessment Tool)模型能够利用RS和GIS提供的空间数据信息、属性数据信息, 来模拟不同土地利用、土壤类型以及管理等条件下的大面积复杂下垫面流域的水量、水质和水沙迁移等[17-20], 其主要应用领域之一就是对LUCC和气候变化的水文响应进行模拟分析[21-22]。例如, 祖拜代[1], 李帅[2], 郭军庭[6]等分别利用SWAT模型研究了乌鲁木齐河上游、清水河、潮河流域的土地利用和气候变化对径流的影响, 但利用气候模式数据驱动SWAT模型对流域未来的径流变化趋势进行预测却极少报道。SWAT模型是否适用于澜沧江流域？LUCC和气候变化对径流的影响机理是什么？LUCC和气候变化对澜沧江流域径流的具体影响是什么？不同气候情景下, 未来澜沧江流域径流是如何变化的？这些问题并不清楚。因此, 本研究结合2006、2015年土地利用数据和近50年气象观测数据以及RCP4.5、RCP8.5气候排放情景数据, 通过设置不同的情景, 分别驱动SWAT模型对澜沧江流域径流进行模拟、预测, 力图回答上述问题, 以期为流域水资源规划管理、生态环境保护、水电安全生产等提供必要的科学依据。同时, 本研究对驱动SWAT模型的气候模式数据的处理方法也可为相关研究者提供参考。
1 研究区概况澜沧江是湄公河上游在中国境内河段的名称, 其发源于中国青海省唐古拉山东北部杂多县, 全长约2153 km, 流域面积约17.4×104 km2, 是中国西南地区的大河之一[23]。澜沧江流经青海、西藏和云南三省, 在云南省西双版纳傣族自治州勐腊县出境后称为湄公河(Mekong River), 澜沧江及其下游的湄公河流域共穿越6个国家, 纵贯13个纬度, 最大相对高差近6000 m(图 1), 跨6种气候带, 是一个特殊的环境变化敏感区, 它在地理、气候、水文、生态学等方面都具有重要的科学研究价值[24-26]。澜沧江流域附近共建有县级气象站点43个(图 1)。根据联合国粮农组织和维也纳国际应用系统研究所构建的HWSD (Harmonized World Soil Database)土壤数据库, 流域内主要土壤类型有永冻薄层土(Gelic Leptosols)、简育高活性淋溶土(Haplic Luvisols)、松软薄层土(Mollic Leptosols)等共52种。根据SWAT模型要求, 将流域内土地利用类型划分为农业用地、林地、草地、城镇用地、水体、未利用地、湿地共7种(图 2, 表 1)。
|
| 图 1 澜沧江流域示意图 Fig. 1 Sketch map of Lancang River Basin |
|
| 图 2 澜沧江流域2006、2015年土地利用类型图 Fig. 2 Land use map of Lancang River Basin in 2006 and 2015 |
| 年 Year |
面积比例Area percentage/% | ||||||
| 农业用地 Agricultural land |
林地 Forest land |
草地 Grassland |
城镇用地 Urban areas |
水体 Water body |
未利用地 Unused land |
湿地 Wetland |
|
| 2006 | 32.90 | 44.88 | 18.02 | 0.04 | 3.77 | 0.38 | 0.01 |
| 2015 | 17.09 | 35.82 | 45.84 | 0.34 | 0.39 | 0.33 | 0.19 |
| 变化Change | -15.81 | -9.06 | 27.82 | 0.30 | -3.38 | -0.05 | 0.18 |
建立SWAT模型所需的基础数据包括DEM数据、土地利用类型数据、土壤类型数据、气象数据、水文数据(表 2)。
| 数据类型Data types | 数据描述Data description | 数据来源Data source | 处理方法Method |
| DEM Digital elevation model | 90 m×90 m | 国际科学数据服务平台 | Arcgis裁剪、投影变换 |
| 土地利用栅格数据 Land use raster data |
2006年欧空局土地利用栅格数据; 2015年清华大学土地利用栅格数据 | 欧洲太空局; 清华大学 | Arcgis裁剪、重分类、投影变换 |
| 土壤栅格数据 Soil raster data |
HWSD数据库土壤栅格数据 | HWSD土壤数据库 | Arcgis裁剪、投影变换 |
| 气象数据 Meteorological data |
1966—2015年逐日气象数据；RCP4.5和RCP8.5情景下, 2016—2050年逐日气象数据 | 云南省气象局 | 结合SWATWeather建立天气发生器数据库；建立SWAT模型输入文件 |
| 水文数据 Hydrological data |
1971—2015年逐月径流数据 | 云南省水文局 | 按SWAT_CUP实测水文数据输入格式处理 |
| 土壤属性数据 Soil attribution data |
粘土、壤土、沙土和砾石的土层属性；土壤水文分组、土壤容重、饱和水力传导系数、土壤侵蚀因子等 | HWSD土壤数据库 | 查询HWSD_DATA数据表, 并结合土壤水文特性软件SPAW计算得到 |
本研究采用SWAT模型, 利用DEM进行澜沧江流域及其子流域划分、河网生成, 再结合土地利用栅格数据、土壤栅格数据, 划分各子流域内的水文响应单元, 并根据收集的土壤数据、气象数据分别建立土壤属性数据库、气象属性数据库, 进而建立澜沧江流域的SWAT模型(1966—1970年为模型预热期, 1971—1984年为模型参数率定期, 1985—1997年为模型参数验证期, 1998—2015年为模型不同情景对比期)。
利用SWAT_CUP, 结合允景洪水文站1971—1997年逐月径流观测数据, 对与径流量有关的参数进行重复率定和验证, 利用决定系数R2(公式1)与纳什效率系数Ens(公式2)[2, 27]检验模型是否通过验证, 直到模拟结果通过检验为止。
|
(1) |
|
(2) |
式中, Qo, i为实测流量值, Qp, i为模拟流量值, Qavg为实测流量平均值, Qpavg为模拟流量平均值。R2与Ens均在0—1之间变动, 且均越接近于1模拟精度越高。研究表明[1-2, 16]：R2>0.50即为模拟值与实测值的相关程度符合标准, R2>0.70模拟比较准确, R2=1表明完全吻合；1.00≥Ens>0.75模拟结果优秀, 0.75≥Ens>0.65模拟结果良好, 0.65≥Ens>0.50模拟结果合格, Ens≤0.50模拟结果不合格。
2.3 情景设置 2.3.1 极端土地利用情景通过研究不同土地利用类型相互转变对径流的影响, 可揭示LUCC对径流的影响机理。为此, 本研究采用极端假设的方法, 即假设将某一土地利用类型全部转化为另一土地利用类型, 然后模拟出流域的径流量, 再根据模拟径流量相对基准径流量的变化情况, 判断出这两种土地利用类型对流域产流的贡献顺序。鉴于澜沧江流域内主要土地利用类型为农业用地、林地、草地, 且三者总和超过95%的实际情况(表 1), 本研究以2006年土地利用数据和1998—2006年气象数据为基准, 设置如下四种情景(表 3), 以此研究农业用地、林地、草地相互转化时对流域径流的影响, 进而得出三者对流域产流的贡献顺序。
| 情景 Scenarios |
土地利用数据 Land use data |
气象数据 Meteorological data |
| 情景1 Scenario1 | 2006年 | 1998—2006年 |
| 情景3 Scenario 3 | 将所有农业用地转为草地 | 1998—2006年 |
| 情景2 Scenario 2 | 将所有农业用地转为林地 | 1998—2006年 |
| 情景4 Scenario 4 | 将所有林地转为草地 | 1998—2006年 |
根据IPCC第五次评估报告, 在未来可能的气候变化范围内设置如下情景(以情景1为基准期), 以此研究不同气候要素对径流的影响：
情景5：气温不变, 设置降水增加20%、10%和减少10%、20%四种方案；
情景6：降水不变, 设置气温增加1℃、2℃两种方案。
2.3.3 LUCC和气候变化综合情景采用如下3种情景(表 4)分析LUCC和气候变化对流域径流的影响。同样以情景1为基准期, 对比情景7可知LUCC对径流的影响；对比情景8可知气候变化对径流的影响；对比情景9可知LUCC和气候变化对径流的综合影响。
| 情景 Scenarios |
土地利用数据 Land use data |
气象数据 Meteorological data |
| 情景1 Scenario 1 | 2006年 | 1998—2006年 |
| 情景8 Scenario 8 | 2006年 | 2007—2015年 |
| 情景7 Scenario 7 | 2015年 | 1998—2006年 |
| 情景9 Scenario 9 | 2015年 | 2007—2015年 |
预估气候情景数据采用全球气候模式比较计划第五阶段(CMIP5)的EC-EARTH全球模式驱动区域气候模式RegCM4[28], 模拟预估的澜沧江流域RCP4.5和RCP8.5两种情景[29]下1981—2099年逐日气象数据, 模式分辨率为25 km×25 km。排放情景采用IPCC AR5使用的最新温室气体排放情景(典型浓度排放路径：Representative Concentration Pathways, RCPs), RCP8.5为最高的温室气体排放情景, RCP4.5为中间稳定路径, 其实际变化与中国未来经济发展趋势较为一致, 适合中国国情, 符合政府对未来经济发展、应对气候变化的政策措施[30]。
为了分析澜沧江流域径流变化特征, 根据经纬度, 采用matlab的双三次插值方法将预估数据插值到流域周边43个气象站点, 并参照初征[31]的订正方法对数据进行订正, 以消除气候模式模拟结果存在的系统性误差, 订正后流域年降水量均方根误差由480 mm减小到88.6 mm；年平均气温均方根误差由3.02℃减小为0.02℃。
本研究使用订正后的2016—2050年逐日气象数据(2016—2020作为模型预热期), 在RCP4.5情景下, 2021—2050年间, 澜沧江流域平均降雨量呈增加趋势, 增加速度为8.5 mm/10a, 平均气温增速为0.29℃/10a；在RCP8.5情景下, 平均降雨量也呈增加趋势, 但增加速度更高, 为37.9 mm/10a, 平均气温增速为0.35℃/10a, 以此数据驱动SWAT模型预估澜沧江流域2021—2050年的径流变化。
3 结果与分析利用ARCGIS加载整理好的DEM数据, 结合实际河网数据, 集水面积阈值设定为300000 hm2, 将澜沧江流域划分为19个子流域, 载入重分类后的土地利用类型数据、土壤类型数据, 坡度划分为2类, 土地利用类型、土壤类型、坡度分级的阈值分别设置为25%、20%、25%, 最终将全流域划分为49个水文响应单元。
3.1 参数率定与验证结果对与径流有关的26个参数[32]进行率定, 结果显示(表 5)26个参数中对径流产生最为敏感的参数为土壤饱和导水系数(SOL_K)、河岸贮水的基流因子(ALPHA_BNK)、SCS径流曲线系数(CN2)、最大冠层截留量(CANMX)、子流域平均坡长(SLSUBBSN)、降雪气温(SFTMP), 这说明流域径流主要受地表水与地下水转换、最大冠层截留量、地形、气候条件影响。允景洪水文站参数率定与验证结果(图 3)显示, 率定期参数R2、Ens分别达到0.80、0.80, 验证期参数R2、Ens分别达到0.74、0.73, 因此, SWAT模型在澜沧江流域径流模拟中具有很好的适用性, 可以用SWAT模型进行流域径流模拟。
| 参数名称 Parameter name |
参数定义 Parameter definition |
调参方法 Calibration method |
取值范围 Value range |
最佳值 Optimal value |
敏感性排名 Sensitivity order |
| SOL_K | 土壤饱和导水系数 | r | (-1, 195) | 34.01 | 1 |
| ALPHA_BNK | 河岸贮水的基流因子 | v | (0, 1) | 0.19 | 2 |
| CN2 | SCS径流曲线系数 | r | (-0.5, 0.5) | -0.44 | 3 |
| CANMX | 最大冠层截留量 | v | (0, 100) | 21.58 | 4 |
| SLSUBBSN | 子流域平均坡长 | v | (10, 150) | 28.64 | 5 |
| SFTMP | 降雪气温 | v | (-5, 5) | 2.73 | 6 |
| SOL_Z | 最大根系深度 | r | (-1, 10.5) | 0.84 | 7 |
| GW_REVAP | 浅层地下水再蒸发系数 | v | (0.02, 0.2) | 0.03 | 8 |
| SOL_ALB | 潮湿土壤反照率 | r | (-1, 5) | -0.08 | 9 |
| REVAPMN | 深层地下水再蒸发系数 | v | (0, 1000) | 132.39 | 10 |
| ALPHA_BF | 基流系数 | v | (0, 1) | 0.15 | 11 |
| SOL_AWC | 土壤可利用有效水 | r | (-1, 8) | -0.94 | 12 |
| SMFMN | 12月21日最小融雪度日因子 | v | (0, 10) | 8.69 | 13 |
| SURLAG | 地表径流延迟时间 | v | (1, 24) | 4.08 | 14 |
| TIMP | 结冰气温滞后系数 | v | (0, 1) | 0.06 | 15 |
| GWQMN | 浅层地下水径流参数 | v | (0, 5000) | 2068.32 | 16 |
| ESCO | 土壤蒸发补偿系数 | v | (0, 1) | 0.2 | 17 |
| SMTMP | 融雪最低气温 | v | (-5, 5) | -0.51 | 18 |
| SMFMX | 6月21日最大融雪度日因子 | v | (0, 10) | 4.96 | 19 |
| OV_N | 坡面漫流的曼宁系数 | v | (0.01, 30) | 5.13 | 20 |
| CH_N2 | 主河道曼宁系数 | v | (-0.01, 0.3) | 0.26 | 21 |
| EPCO | 植被蒸腾补偿系数 | v | (0, 1) | 0.61 | 22 |
| RCHRG_DP | 深蓄水层渗透系数 | v | (0, 1) | 0.43 | 23 |
| GW_DELAY | 地下水滞后系数 | a | (-31, 469) | 312.23 | 24 |
| CH_K2 | 主河道水力传导率 | v | (-0.01, 500) | 122.63 | 25 |
| TLAPS | 气温递减率 | v | (-50, 50) | 0.43 | 26 |
| SOL_K：Soil saturated hydraulic conductivity；ALPHA_BNK：Basic flow factor of river bank water storage；CN2：Coefficient of SCS runoff curve；CANMX：Maximum canopy interception；SLSUBBSN：Average slope length of sub-basin；SFTMP：Snow temperature；SOL_Z：Maximum root depth；GW_REVAP：Coefficient of re-evaporation of shallow groundwater；SOL_ALB：Moist soil albedo；REVAPMN：Threshold water depth in the shallow aquifer for "revap"；ALPHA_BF：Baseflowα factor；SOL_AWC：Available water capacity；SMFMN：Minimum snowmelt daily factor on Dec 21；SURLAG：Surface runoff delay time；TIMP：Icing temperature lag coefficient；GWQMN：Threshold water depth in the shallow aquifer for flow；ESCO：Soil evaporation compensation factor；SMTMP：Snowmelt minimum temperature；SMFMX：Maximum snowmelt daily factor on June 21；OV_N：Manning coefficient of overland flow on slope；CH_N2：Main channel Manning coefficient；EPCO：Vegetation transpiration compensation coefficient；RCHRG_DP：Permeability coefficient of deep cistern；GW_DELAY：Ground water delay；CH_K2：Effective hydraulic conductivity of channel；TLAPS：Air temperature decline rate；v：赋值，variable assignment；a：加值，add value；r：乘以(1+给定值)，multiply by (1+given value) | |||||
|
| 图 3 澜沧江流域率定期和验证期降雨量及径流模拟结果 Fig. 3 Precipitation and Simulation results of calibration and validationperiod of runoff in Lancang River Basin |
以情景1作为基准期, 对比情景2(表 6)可知, 将占流域总面积32.90%的农业用地(表 1)全部转化为林地, 会导致月均径流量减少87.23 m3/s, 可见林地相对于农业用地具有减流作用；对比情景3可知, 将占流域总面积32.90%的农业用地全部转化为草地, 会导致月均径流量减少15.47 m3/s, 可见草地相对于农业用地也具有减流作用；对比情景4可知, 将占流域总面积44.88%的林地(表 1)全部转化草地, 会导致月均径流量增加93.22 m3/s, 可见草地相对于林地具有增流作用。因此, 农业用地、林地、草地三者对径流增加的贡献顺序为农业用地>草地>林地。
| 情景 Scenarios |
月均径流量 Monthly mean runoff /(m3/s) |
相对情景1的径流量变化 Change in runoff relative to scenario1/(m3/s) |
| 情景1 Scenario 1 | 1654.21 | — |
| 情景2 Scenario 2 | 1566.98 | -87.23 |
| 情景3 Scenario 3 | 1638.74 | -15.47 |
| 情景4 Scenario 4 | 1747.43 | 93.22 |
当气温不变, 降水量分别增加20%和10%时, 月均径流量分别增加了191.39 m3/s (11.57%)和78.41m3/s (4.74%)；降水量分别减少10%和20%时, 月均径流量分别减少了48.96 m3/s (2.96%)和116.13 m3/s (7.02%)(表 7), 可见径流量的变化趋势和变化幅度与降水变化成正比。当降水不变, 气温分别增加1℃和2℃时, 月均径流量分别减少22.50 m3/s(1.36%)和36.23 m3/s(2.19%), 可见径流量的变化趋势与气温变化趋势成反比, 变化幅度与气温变化幅度成正比。
| 情景5 Scenario 5 | P×(1+20%) | P×(1+10%) | P×(1-10%) | P×(1-20%) | 情景6 Scenario 6 | T+1 | T+2 | |
| T | 1845.60 | 1732.62 | 1605.25 | 1538.08 | P | 1631.71 | 1617.98 | |
| 径流变化 Runoff variation |
191.39 (11.57%) |
78.41 (4.74%) |
-48.96 (-2.96%) |
-116.13 (-7.02%) |
径流变化 Runoff variation |
-22.50 (-1.36%) |
-36.23 (-2.19%) |
|
| P：降水，Precipitation；T：气温，Temperature | ||||||||
模拟结果表明：情景7、8、9月均径流量分别为1666.57 m3/s、1605.07 m3/s、1617.43 m3/s(表 8)。以情景1为基准期, 对比情景7可知, LUCC引起月均径流量增加12.36m3/s, 结合表 1可知, 2006—2015年, 流域内农业用地、林地、草地、城镇用地、水体、未利用地、湿地的变化率分别为-15.81%、-9.06%、27.82%、0.30%、-3.38%、-0.05%、0.18%, 总体上增加的草地面积绝大部分由农业用地和林地转化而来, 因此2006—2015年间, LUCC引起的月均径流量增加是由流域内林地转化为草地所致, 且林地转化为草地引起的径流增加量强于农业用地转化为草地引起的径流减小量；对比情景8可知, 气候变化引起月均径流量减少49.14 m3/s, 而气象观测数据显示, 2007—2015年间较1998—2006年间流域内月平均降雨量减少9.16mm、月平均气温升高0.2℃, 这两项变化均会引起径流的减少, 因此减少的径流由降雨和气温变化共同引起；对比情景9可知, 土地利用和气候变化共同导致流域月均径流量减少36.78 m3/s。因此, 2006—2015年间, 澜沧江流域LUCC引起的月均径流量增加幅度小于气候变化引起的月均径流量减少幅度, 澜沧江径流量总体上呈减少趋势, 相对于LUCC而言, 气候变化在澜沧江径流变化中起主导作用。
| 情景 Scenarios |
月均径流量 Monthly mean runoff /(m3/s) |
相对情景1的径流量变化 Change in runoff relative to scenarios1/(m3/s) |
| 情景7 Scenario 7 | 1666.57 | 12.36 |
| 情景8 Scenario 8 | 1605.07 | -49.14 |
| 情景9 Scenario 9 | 1617.43 | -36.78 |
预估结果显示：RCP4.5和RCP8.5情景下, 2021—2050年间澜沧江流域径流均呈增加趋势, 增加的速率分别为4.47亿m3/10a和7.39亿m3/10a(图 4)。而澜沧江流域允景洪水文站实测径流显示：1971—2015年间, 流域径流呈减小趋势, 减小的速率为22.74亿m3/10a。可见, RCP4.5和RCP8.5两种情景下, 流域径流变化趋势已发生改变, 由原来的减少趋势变为增加趋势。
|
| 图 4 澜沧江流域RCP4.5和RCP8.5情景下年径流量趋势预估图 Fig. 4 Trend Prediction Map of Annual runoff under RCP4.5 and RCP8.5 scenarios in the Lancang River Basin |
(1) SWAT模型在澜沧江流域径流模拟中具有很好的适用性, 可以用SWAT模型来进行流域径流模拟、预测, 率定期模型参数R2、Ens分别达到0.80、0.80, 验证期R2、Ens分别达到0.74、0.73。
(2) 从土地利用方面考虑, 将农业用地转化为林地或草地, 均会导致径流量的减少, 而将林地转化为草地则会引起径流量的增加, 农业用地、林地、草地三者对径流增加贡献顺序为农业用地>草地>林地。从气候变化方面考虑, 流域径流量与降雨量成正比, 与气温成反比。
(3) 2006—2015年间澜沧江流域气候变化引起的月均径流减少幅度强于LUCC引起的月均径流增加幅度, 径流变化由气候变化主导。
(4) 预估结果显示, 在RCP4.5和RCP8.5两种气候排放情景下, 2021—2050年间澜沧江流域径流均呈增加趋势, 增加的速率分别为4.47亿m3/10a和7.39亿m3/10a, 这与1971—2015年间流域实测径流变化趋势相反。
4.2 讨论澜沧江流域集中了从热带到高寒地带的多种生物资源和森林资源, 矿藏资源丰富, 水能资源巨大, 但其位于中国西南生态环境脆弱区[33], 一方面, 随着人类活动改造自然能力的加强, 人类活动对地表覆盖的改变对径流的影响不容忽视, 另一方面, 气候变化导致的水热条件变化也会对流域径流产生深远的影响。从研究结果来看气候变化在澜沧江流域径流变化中占据主导作用, 但这不等于说人类可以肆无忌惮的开采资源, 无节制无规划的改变地表覆盖。
相关研究表明LUCC作为人类活动的集中体现, 其直观反映了人类活动对自然环境的影响, 并影响着流域的水文过程[34]。本研究结果中的农业用地、林地、草地三者对径流增加的贡献顺序与张新荣[35]的研究结果一致, 林地转化为草地、农业用地降低了冠层截留、入渗和蒸发[36-37], 因此引起径流增加。将草地转化为农业用地引起径流的增加, 推测是相对草地而言, 农业用地降低了土壤的涵养水源能力, 增加了产汇流作用所致。2006—2015年间澜沧江流域LUCC主要为农业用地和林地转化为草地, 其中, 农业用地转化为草地主要发生在上游的青藏高原地区(图 2), 这直观反映了近年来当地政府退耕还草的成果, 虽然这种土地利用类型变化降低了径流量, 但对改善青藏高原脆弱的生态环境和澜沧江源头的水质则大有益处。林地转化为草地主要发生在澜沧江中下游的云南省境内, 主要是沿岸居民过度砍伐树木, 导致林地退化所致, 虽然这种地类变化有益于径流的增加, 但对沿岸生态环境的长远发展必然会产生负面的影响。
气候变化作为影响流域水文过程的主要因素之一[10], 其对水资源的影响主要体现在降水和温度的变化上[15]。本研究表明, 在对流域未来径流变化预估中, RCP4.5和RCP8.5情景下, 澜沧江流域径流均呈增加趋势, 这与黄金龙等[10]对RCP4.5情景下长江上游流域径流模拟的结果一致, 推测是由于在RCP4.5情景下, 长江上游流域降雨呈增加趋势[10], 而澜沧江流域降雨也呈增加趋势(RCP4.5、RCP8.5情景下, 2021—2050年均降雨量较1971—2015年均降雨量分别增加70.63mm、105.4mm)所致。
本研究中SWAT模型可以较好的用于澜沧江流域的径流模拟, 但模型的模拟精度并没有达到优秀的标准[1, 2, 5, 16], 推测与如下因素有关。流域内水电站、水库的建设和生产会考虑丰枯水期的安全生产需要而人为进行蓄水或泄洪, 这必将会对径流产生一定的影响, 甚至会改变径流的月际或年际分配。廖文婷等[38]研究表明, 葛洲坝和三峡水利枢纽的建立使下游宜昌站径流的年内分配趋于平缓, 洪峰被削弱, 洪水发生几率降低, 枯水期有所提前。黄维等[39]研究表明, 三峡工程减少了洞庭湖上游的来水量, 改变了洞庭湖原来的水位/量变化规律。贾凤[40]研究表明, 流域梯级电站开发对径流的人工控制对松花江中下游自然河流状态的径流量年内分配具有很大的影响。然而由于数据获取的原因, 本研究在模拟时无法考虑水电站及水库对径流的影响, 这将会在一定程度上降低模型的模拟精度, 同时, 流域内居民生产生活用水等也会在一定程度上影响径流, 这些也有待于进一步研究。此外, 本研究在利用SWAT模型开展2021—2050年的径流预估时, 除气象驱动数据为模式计算结果提供外, 其余土壤数据、植被覆盖数据采用的是历史时期数据, 这与未来的实际情况必然不同, 因此也会给预估结果带来一定的不确定性。
| [1] |
祖拜代·木依布拉, 师庆东, 普拉提·莫合塔尔, 张润. 基于SWAT模型的乌鲁木齐河上游土地利用和气候变化对径流的影响. 生态学报, 2018, 38(14): 5149-5157. |
| [2] |
李帅, 魏虹, 刘媛, 马文超, 顾艳文, 彭月, 李昌晓. 气候与土地利用变化下宁夏清水河流域径流模拟. 生态学报, 2017, 37(4): 1252-1260. |
| [3] |
杨满根, 陈星. 气候变化对淮河流域中上游汛期极端流量影响的SWAT模拟. 生态学报, 2017, 37(23): 8107-8116. |
| [4] |
Guo J, Su X L, Singh V P, Jin J M. Impacts of climate and land use/cover change on streamflow using SWAT and a separation method for the Xiying River Basin in northwestern China. Water, 2016, 8(5): 192. DOI:10.3390/w8050192 |
| [5] |
Yang L S, Feng Q, Yin Z L, Wen X H, Si J H, Li C B, Deo R C. Identifying separate impacts of climate and land use/cover change on hydrological processes in upper stream of Heihe River, Northwest China. Hydrological Processes, 2017, 31(5): 1100-1112. DOI:10.1002/hyp.v31.5 |
| [6] |
郭军庭, 张志强, 王盛萍, Peter S, 姚安坤. 应用SWAT模型研究潮河流域土地利用和气候变化对径流的影响. 生态学报, 2014, 34(6): 1559-1567. |
| [7] |
宫兴龙, 付强, 邢贞相, 关英红, 王斌, 李茉. 土地利用方式对平原-丘陵-湿地交融区水资源的影响. 农业机械学报, 2018, 49(6): 254-262. |
| [8] |
Zhang L, Nan Z T, Yu W J, Ge Y C, Xu Y. Comparison of baseline period choices for separating climate and land use/land cover change impactson watershed hydrology using distributed hydrological models. Science of the Total Environment, 2018, 622: 1016-1028. |
| [9] |
Li B Q, Xiao W H, Wang Y C, Yang M Z, Huang Y. Impact of land use/cover change on the relationship between precipitation and runoff in typical area. Journal of Water and Climate Change, 2018, 9(2): 261-274. DOI:10.2166/wcc.2018.055 |
| [10] |
黄金龙, 王艳君, 苏布达, 翟建青. RCP4.5情景下长江上游流域未来气候变化及其对径流的影响. 气象, 2016, 42(5): 614-620. |
| [11] |
Zhang Y, Zhong P A, Chen J, Bing J P, Xu D H, Wang M L. Impacts of climate change and human activities on the Three Gorges Reservoir inflow. Water, 2017, 9(12): 957. DOI:10.3390/w9120957 |
| [12] |
刘世梁, 安南南, 尹艺洁, 成方妍, 董世魁. 基于SWAT模型的澜沧江中游小流域水土流失与NDVI时空动态相关性. 水土保持学报, 2016, 30(1): 62-67. |
| [13] |
陈晓舒, 赵同谦, 李聪, 郑华. 基于不同利益相关者的水电能源基地建设经济损益研究——以澜沧江干流为例. 生态学报, 2017, 37(13): 4495-4504. |
| [14] |
Wang H, Sun F B, Xia J, Liu W B. Impact of LUCC on streamflow based on the SWAT model over the Wei River Basin on the Loess Plateau in China. Hydrology and Earth System Sciences, 2017, 21(4): 1929-1945. DOI:10.5194/hess-21-1929-2017 |
| [15] |
王莺, 张强, 王劲松, 张雷. 基于分布式水文模型(SWAT)的土地利用和气候变化对洮河流域水文影响特征. 中国沙漠, 2017, 37(1): 175-185. |
| [16] |
孟现勇, 王浩, 雷晓辉, 蔡思宇. 基于CMDAS驱动SWAT模式的精博河流域水文相关分量模拟、验证及分析. 生态学报, 2017, 37(21): 7114-7127. |
| [17] |
何云玲, 李同艳, 熊巧利, 余岚. 2000-2016年云南地区植被覆盖时空变化及其对水热因子的响应. 生态学报, 2018, 38(24): 8813-8821. |
| [18] |
渠勇建, 成向荣, 虞木奎, 吴初平, 袁位高. 基于SWAT模型的衢江流域土地利用变化径流模拟研究. 水土保持研究, 2019, 26(1): 130-134. |
| [19] |
吕乐婷, 王晓蕊, 孙才志, 张杰. 基于SWAT模型的细河流域蓝水绿水资源量时空分布研究. 长江流域资源与环境, 2019, 28(1): 39-47. |
| [20] |
Anand J, Gosain A K, Khosa R. Prediction of land use changes based on Land Change Modeler and attribution of changes in the water balance of Ganga Basin to land use change using the SWAT model. Science of the Total Environment, 2018, 644: 503-519. DOI:10.1016/j.scitotenv.2018.07.017 |
| [21] |
杨凯杰, 吕昌河. SWAT模型应用与不确定性综述. 水土保持学报, 2018, 32(1): 17-31. |
| [22] |
周帅, 王义民, 郭爱军, 周凯, 李紫妍. SWAT模型参数不确定性对黄河上游径流模拟的影响. 西北农林科技大学学报:自然科学版, 2019, 47(8). DOI:10.13207/j.cnki.jnwafu.2019.08.018 |
| [23] |
王政祥. 澜沧江流域近15年水资源及其利用状况分析. 人民长江, 2018, 49(22): 40-44. |
| [24] |
于文金, 苏荣, 邵明阳, 于步云, 谢涛, 黄亦露. 澜沧江流域暴雨干旱灾害与海温异常波动规律的相关性. 生态学报, 2016, 36(4): 1115-1124. |
| [25] |
王书霞, 张利平, 李意, 佘敦先. 气候变化情景下澜沧江流域极端洪水事件研究. 气候变化研究进展, 2019, 15(1): 23-32. |
| [26] |
于文金, 黄亦露, 邵明阳. 澜沧江流域极端天气灾害特征及波动趋势. 生态学报, 2015, 35(5): 1378-1387. |
| [27] |
胡胜.基于SWAT模型的北洛河流域生态水文过程模拟与预测研究[D].西安: 西北大学, 2015.
|
| [28] |
Gao X J, Shi Y, Giorgi F. Comparison of convective parameterizations in RegCM4 experiments over China with CLM as the land surface model. Atmospheric and Oceanic Science Letters, 2016, 9(4): 246-254. DOI:10.1080/16742834.2016.1172938 |
| [29] |
Moss R H, Edmonds J A, Hibbard K A, Manning MR, Rose SK, Van Vuuren DP, Carter TR, Emori S, Kainuma M, Kram T, Meehl GA, Mitchell JF, Nakicenovic N, Riahi K, Smith SJ, Stouffer RJ, Thomson AM, Weyant JP, Wilbanks TJ. The next generation of scenarios for climate change research and Assessment. Nature, 2010, 463(7282): 747-756. DOI:10.1038/nature08823 |
| [30] |
陆敏鹏, 林而达. 代表性浓度路径情景下的全球温室气体减排和对中国的挑战. 气候变化研究进展, 2010, 6(6): 436-442. DOI:10.3969/j.issn.1673-1719.2010.06.008 |
| [31] |
初征, 郭建平, 赵俊芳. 东北地区未来气候变化对农业气候资源的影响. 地理学报, 2017, 72(7): 1248-1260. |
| [32] |
王学.基于SWAT模型的白马河流域土地利用/覆被变化的水文效应研究[D].济南: 山东师范大学, 2012.
|
| [33] |
罗开盛, 陶福禄. 基于SWAT的西北干旱区县域水文模拟——以临泽县为例. 生态学报, 2018, 38(23): 8593-8603. |
| [34] |
成向荣, 渠勇建, 虞木奎, 吴初平, 袁位高. 植被覆盖变化对衢江流域水文效应的影响. 生态环境学报, 2017, 26(11): 1829-1835. |
| [35] |
张新荣, 刘林萍, 方石, 姜文超, 王金臣. 土地利用、覆被变化(LUCC)与环境变化关系研究进展. 生态环境学报, 2014, 23(12): 2013-2021. DOI:10.3969/j.issn.1674-5906.2014.12.020 |
| [36] |
王杰, 黄英, 段琪彩, 刘新有. 土地利用变化情景下牧羊河水文响应研究. 长江流域资源与环境, 2013, 22(6): 756-762. |
| [37] |
吴淼, 石朋, 张行南, 瞿思敏, 陈昂. 土地利用变化对径流影响的定量研究. 人民黄河, 2018, 40(3): 39-43. DOI:10.3969/j.issn.1000-1379.2018.03.010 |
| [38] |
廖文婷, 邓红兵, 李若男, 郑华. 水利工程对坝下径流的影响——以葛洲坝、三峡水利枢纽为例. 生态学报, 2018, 38(5): 1750-1757. |
| [39] |
黄维, 王为东. 三峡工程运行后对洞庭湖湿地的影响. 生态学报, 2016, 36(20): 6345-6352. |
| [40] |
贾凤. 丰满水电站对径流影响评价研究. 水利科技与经济, 2018, 24(2): 66-71. DOI:10.3969/j.issn.1006-7175.2018.02.015 |