多空间、多准则的校准方法，以确保在大型且异质性显著的流域中SWAT+水文模型的稳健性

《CATENA》：Multi-spatial and multi-criteria calibration to guarantee a robust SWAT+ hydrological model in a large and heterogeneous catchment

水文模型校准需同时验证流量性能指标与水文过程真实性，尤其在地质复杂的流域。本研究基于Upper Tagus河流域地质异质性，采用多空间（22个子流域）与多标准（流量分量与地下水贡献）校准方法，结合敏感性分析、分区硬校准及参数优化，实现SWAT+模型的高精度模拟。通过地质分区（4类扩展至11类）与参数分层优化，显著提升流场组成（PBIAS<5%）及地下水贡献（NSE>0.8），验证了分区校准的有效性，为复杂流域模型构建提供可复现范式。

　　### 水文模型的校准与验证：以Upper Tagus River流域为例

水文模型是水资源管理中重要的支持工具，它们在评估不同情景下的水资源可用性方面发挥着关键作用。这些模型的构建和运行通常包括多个步骤，其中参数化是尤为关键的环节，也常常是耗时最长、最具挑战性的部分。参数化决定了模型的精度和可靠性，因此在模型构建过程中需要谨慎对待。本文旨在介绍一种适用于复杂流域的多空间和多标准的水文模型校准方法，特别针对Upper Tagus River流域（UTRB）进行研究。UTRB是一个大型、地质条件多样、水文过程复杂且具有重要水资源管理设施的流域，因此对模型的校准和验证提出了更高的要求。

#### 校准的重要性

校准是确保水文模型可靠性的关键步骤。虽然模拟变量的性能指标常被用作模型适配性的主要依据，但验证模型是否能够真实反映水文过程同样重要。尤其是在气候或地质条件异质的复杂流域中，水文过程的多样性可能需要采用区域化校准方法。本文提出的校准方法包括敏感性分析（SA），并结合了硬校准（HC）和验证过程，旨在确保模型在不同地质区域中的准确性和合理性。

在UTRB中，校准过程涉及22个观测站点以及12个水库的入库流量，这些站点和水库覆盖了模型区域的44%。为了提高模拟的准确性，校准需要基于详细的区域划分，并通过全面的验证过程进行优化。在进行校准时，采用了一种基于地质特征的区域划分方法，以确保模型在不同地质区域中的水文过程得到真实反映。通过这种区域化校准策略，模型在大多数评估区域中实现了准确的模拟，同时保证了水文过程的合理性。

#### 敏感性分析的应用

为了确定哪些参数对水文模拟性能影响最大，本文采用了Sobol方法进行敏感性分析。该方法能够评估参数对模型输出的影响，并帮助识别在不同区域中哪些参数具有更高的敏感性。分析过程中，使用了3000个基础样本点，结合15个地质区域参数，共进行了57000次模型运行。通过分析这些参数对不同水文指标的影响，研究人员发现，某些参数在不同区域中表现出不同的敏感性，尤其是在考虑地质多样性的情况下。

在大多数情况下，参数的敏感性指数较低，这意味着参数对模型输出的影响可能并不显著。然而，一些参数（如surlag和chn）在Nash-Sutcliffe效率（NSE）和R2等指标中表现出较高的敏感性，尤其是在大型流域中。此外，flo_min参数对PBIAS（偏差指数）的影响尤为显著，因为它作为地下水流量生成的阈值参数，决定了模型是否能够模拟地下水对河流流量的贡献。在某些区域，例如Navaluenga流域，flo_min的敏感性较低，而其他参数（如z和awc）则在PBIAS中表现出更高的敏感性。这些发现表明，参数的敏感性在不同区域中存在差异，因此在进行模型校准时，需要考虑这些差异，并在不同区域中独立调整参数。

#### 硬校准与区域划分

硬校准（HC）是模型校准中最常见的步骤，它通过优化参数来提高目标变量的模拟性能。在UTRB的校准过程中，采用了四次HC迭代，每次迭代包含1000次模拟，以确保模型能够准确模拟目标变量。为了提高模拟的准确性，研究人员对某些地质区域进行了细分，例如将IMP区域进一步划分为MET区域，以区分不同类型的岩石对水文过程的影响。通过这种区域细分，研究人员能够更精确地调整参数，以满足不同区域的水文特性。

校准过程中，还考虑了地下水的贡献（GC）和径流系数（RC）等关键指标。这些指标的模拟结果被用于评估参数的合理性，并指导参数的优化过程。在某些情况下，模型模拟的PBIAS值较高，表明模型对某些区域的模拟存在偏差。为了解决这一问题，研究人员对参数范围进行了约束，并通过散点图分析参数与模拟指标之间的关系，从而优化参数值。

#### 验证与参数组合

在完成校准后，进行了验证步骤，以确保模型的稳健性。验证过程中，研究人员选择了每个子流域中表现最佳的40次模拟，并基于这些模拟的综合性能进行排名。为了进一步提高模型的性能，研究人员对不同区域的最佳参数集进行了随机组合，共生成了60种参数组合。通过这些组合，研究人员评估了模型在不同子流域中的表现，并选择了最能反映流域整体水文过程的参数集。

验证结果显示，大多数子流域的模拟性能得到了显著提升，尤其是在NSE和R2等指标方面。然而，某些子流域（如13号子流域）的模拟结果仍存在一定的偏差，这可能与子流域的地质复杂性有关。通过这种随机参数组合的方法，研究人员能够在不牺牲模型稳健性的情况下，找到一种能够满足大多数子流域需求的参数集。这种方法特别适用于异质性较强的流域，因为它能够综合不同区域的参数特性，从而提高整体模拟的准确性。

#### 精细调整与模型优化

为了进一步提高模型的性能，尤其是在水文过程的细节模拟方面，研究人员进行了精细调整（fine-tuning）。这一过程涉及对模型参数的微调，以确保模拟的准确性不仅体现在整体性能指标上，还体现在水文过程的各个组成部分上。例如，调整某些参数以改善地下水流量的退水过程，从而提高模型对低流量和高流量的模拟精度。

在精细调整过程中，研究人员发现，某些子流域的模拟结果仍存在不足，尤其是在水文过程的细节方面。因此，他们对参数进行了进一步的调整，以确保模拟的准确性。通过这一过程，研究人员不仅提高了模型的整体性能，还确保了水文过程的合理性。这一方法在其他研究中也得到了应用，例如在模拟径流和地下水流量的分割过程中，对某些参数进行了调整，以改善模型的响应特性。

#### 全局模型性能

校准和验证的最终目标是确保模型能够准确模拟整个流域的水文过程。通过汇总各个子流域的模拟结果，研究人员评估了模型的整体性能。结果显示，模型在全局尺度上表现出良好的模拟性能，NSE值超过0.8，PBIAS值低于5%，表明模型能够准确模拟每日流量。此外，模型在各个子流域中的水文过程（如地下水流量）也得到了较好的再现。

尽管某些子流域的模拟结果存在偏差，但这些偏差对整个流域的模拟性能影响较小。这表明，尽管模型在某些局部区域表现不理想，但整体上仍能提供可靠的水文模拟结果。研究人员还评估了模型在水库入库流量方面的性能，发现水库的模拟结果在全局尺度上也表现出较高的准确性，尤其是PBIAS指标。

#### 研究的创新性与局限性

本文的研究方法在多个方面具有创新性。首先，它采用了基于地质特征的区域划分方法，这种策略能够更准确地反映流域的异质性，并减少参数校准过程中的不确定性。其次，通过敏感性分析和参数组合，研究人员能够找到一种适用于整个流域的参数集，这在其他研究中较少见。此外，精细调整过程不仅提高了模型的整体性能，还确保了水文过程的合理性，尤其是在地下水流量的模拟方面。

然而，这种方法也存在一定的局限性。首先，区域划分和参数组合的过程需要大量的计算资源，尤其是在处理大量模拟时。其次，某些子流域的模拟结果仍存在偏差，这可能与子流域的地质复杂性或数据的不完整性有关。此外，由于模型的参数数量较多，精细调整的过程可能较为繁琐，需要结合专家知识和模型结构进行优化。

#### 结论

本文介绍了一种适用于复杂流域的多空间和多标准的水文模型校准与验证方法。通过敏感性分析、区域划分和参数组合，研究人员能够在不同地质区域中找到合适的参数集，以确保模型的准确性和合理性。验证过程进一步确认了模型的稳健性，并通过精细调整提高了模型对水文过程的模拟精度。最终，研究人员在UTRB中实现了高精度的水文模拟，这不仅有助于评估该流域的水资源管理措施，还为其他复杂流域的模型校准提供了参考。

这一研究方法的创新性在于它考虑了流域的异质性，并通过区域划分和参数组合来优化模型的性能。这种方法能够有效减少校准过程中的不确定性，并提高模型对水文过程的模拟精度。尽管存在一定的局限性，如计算资源的需求和某些子流域的模拟偏差，但总体而言，该方法为复杂流域的水文建模提供了一种可行的解决方案。未来的研究可以进一步探索如何在不牺牲模型稳健性的情况下，优化校准过程，以提高模型的准确性。