基于不确定性因素的水质指数：将数据不确定性纳入水质评估中

《Environmental Modelling & Software》：An Uncertainty-Informed Water Quality Index: Incorporation of Data Uncertainty into Water Quality Assessment

本研究开发MOHID SOIL TOOL（MST）自动化整合巴西农研公司土壤质地数据与Rosetta神经网络工具，提升MOHID-Land模型输入精度，减少人工错误，并在Pedro do Rio流域验证其高效性，支持全球分布式水文建模。

　　土壤水文参数的准确获取对于水文建模至关重要，然而其空间变化性却给参数化过程带来了显著挑战。本研究提出了一种名为MOHID SOIL TOOL（MST）的工具，旨在自动化整合巴西农业研究公司（EMBRAPA）的土壤质地数据与Rosetta模型，从而提升水文模拟的精度。Rosetta作为一种基于人工神经网络的人工智能工具，能够从常见的土壤属性（如质地和容重）中估算关键的土壤水文参数，包括饱和导水率、田间持水量、萎蔫点以及van Genuchten模型中的参数等。MST通过编程自动化流程，确保数据与MOHID-Land模型的兼容性，并对土壤水文参数进行调整，以识别更符合本地条件的现实值。该工具采用Python 3开发，并配备兼容Windows系统的图形用户界面，从而简化了土壤数据的导入、处理和转换过程。

在巴西的Pedro do Rio流域进行的测试表明，MST在准备水文模型输入文件方面具有高效性，同时有效减少了人为错误。通过优化工作流程并确保数据处理的精确性，MST为水文研究提供了更可靠的支持，并有助于可持续的水资源管理。此外，MST具备灵活性，能够适用于全球基于栅格的土壤数据集，从而扩大了其应用范围。随着水文建模在应对气候变化和高强度土地利用等挑战中的重要性日益凸显，MST的出现填补了现有工具在分布式水文建模流程中的关键空白。

水文建模是理解和管理水资源的重要工具，尤其在应对气候变化和土地利用变化带来的挑战时，其作用愈发突出。水文模型的种类繁多，其中基于物理原理的模型因其对水文系统复杂性的良好描述能力而被广泛认为是最适合的选择。这些模型通过遵循质量、动量和能量守恒等基本物理定律，使用可测量的变量来描述系统在时间和空间上的变化。由于这些模型依赖于普遍适用的原理，因此它们在各种场景中都具有广泛的适用性，包括那些尚未直接观测到的情况。

然而，尽管基于物理原理的水文模型具有显著优势，它们在实际应用中仍面临诸多挑战。例如，土壤水文参数如饱和导水率、田间持水量、萎蔫点以及van Genuchten模型中的参数等，往往表现出显著的空间和时间变化性，这种变化性引入了模型模拟中的不确定性。此外，高质量数据的获取对于极端水文事件或地下结构的模拟仍然有限，这进一步增加了模型设置和校准的复杂性。这些局限性凸显了需要强大的校准策略来使模型预测与观测数据保持一致的重要性，同时强调了输入数据集的代表性与可靠性对于模型性能的关键作用。

在这一背景下，MOHID-Land模型提供了一种基于物理原理且具有空间分布特性的框架，用于模拟水文循环。该模型采用有限体积法求解质量与动量守恒的偏微分方程，从而能够详细描述土壤和水流的动力学过程。MOHID-Land模型的性能高度依赖于土壤水文参数的准确设定，而这些参数直接决定了水文过程如入渗、下渗和径流等在异质地形中的模拟效果。为了量化这些过程，van Genuchten-Mualem（VGM）模型被广泛用于描述土壤水分特征曲线（SWCC），该模型通过一系列参数（如饱和含水量、残余含水量、空气进入值的倒数、孔隙分布参数和饱和导水率）来表征土壤的水文特性。然而，在流域或区域尺度上，由于土壤类型和地形梯度的自然空间变化性，准确获取这些参数仍然是一个重大挑战，这凸显了需要更加稳健的方法和先进的工具来生成空间一致的水文输入参数，以支持可靠的水文模拟。

目前，已有多种工具支持土壤水文参数的部分自动化估算，例如基于回归分析的HiHydroSoil和采用欧洲土壤转移函数（EU-PTFs）的EU-SoilHydroGrids。这些工具通常处理土壤属性的栅格数据集（如质地和容重），这些数据多源自全球土壤数据库，如SoilGrids250m。它们的主要用途是生成适用于水文建模的空间显式输出（如GeoTIFF或NetCDF格式）。虽然这些方法在减少人工操作和提高参数估算的一致性方面具有显著优势，但像MOHID-Land这样的模型仍然需要额外的地理信息系统（GIS）处理和脚本编写，以将这些输出转换为模型可用的输入文件。

因此，从栅格数据集中提取和计算土壤水文参数成为支持分布式水文建模的关键步骤，为集成工作流程提供了基础，并展示了自动化参数化的潜力。相比之下，其他水文模型（如SWAT+、VIC和Noah-MP）正越来越多地采用直接连接高分辨率土壤数据与模型初始化的框架，这表明MOHID-Land在方法论上仍存在一定的局限性。因此，MST的开发填补了这一空白，为分布式水文建模提供了一种更加高效和可靠的数据处理方式。

为了克服土壤水文参数获取的挑战，研究人员开发了多种土壤转移函数（PTFs），这些函数能够从容易测量的土壤属性（如质地和容重）中估算水文参数，从而避免了耗时且昂贵的实验室测定。尽管巴西已有大量针对热带土壤的PTFs被开发出来，如Tomasella和Silva（2002）以及Tomasella等人（2000、2003）的研究成果，但这些PTFs的应用往往受限于特定的土壤类别、地区或预测变量，而这些变量在实际操作中并不总是可获得。近年来，HYBRAS数据库（Ottoni等人，2014）整合了巴西土壤的水文信息，为开发新的PTFs提供了宝贵平台，但该数据库仍较为新颖，其水文测量覆盖范围有限，特别是在广泛的吸力范围内，尚未有广泛采用的PTFs从中产生。

在这一背景下，Rosetta模型因其全球应用范围、方法论的稳健性以及与水文模型的兼容性，被公认为最广泛使用的人工智能框架。Rosetta能够从常见的土壤属性（如质地和容重）中预测关键水文参数，包括饱和导水率、田间持水量和萎蔫点，以及van Genuchten模型中的参数。虽然Rosetta在某些细粒质地的热带土壤中的预测精度可能受到限制（如Halecki等人，2022的研究指出），但其全球普及度和方法论的可靠性使其成为初始化土壤水文参数的可靠第一工具。在巴西，Rosetta的应用（如Gon?alves，2012；Chaves等人，2016）已显示出良好的预测能力，尤其是在结合本地数据集进行校准和验证的情况下。考虑到HYBRAS数据库的当前局限性以及尚未形成覆盖多样热带土壤条件的统一PTFs，Rosetta仍然是一个务实的选择。尽管它不能完全替代实验室测定，但其灵活性和可访问性使其成为分布式水文建模工作流程中的重要资源，特别是在结合本地实验调整和互补验证的情况下。

此外，虽然MST最初在巴西开发，但其方法论基于Rosetta的全球应用，使得用户能够将任何地区的土壤数据纳入其中，从而确保该工具的应用范围远超其原始的巴西背景。在实际操作中，MST的引入大大简化了将EMBRAPA土壤数据与Rosetta估算的水文参数整合为MOHID-Land模型可用输入文件的过程。通过自动化处理，MST显著提高了传统上耗时的手动输入文件准备工作的效率，同时通过利用高分辨率的地理空间土壤数据，提高了输入参数的准确性。这种自动化处理能力为水文建模提供了更可靠的数据支持，同时也为可持续的水资源管理提供了更坚实的科学基础。

MST的核心功能在于其软件架构的设计，该工具旨在处理土壤质地数据并计算适用于水文建模的VGM水文参数。MST采用Python 3语言编写，具备独立运行的图形用户界面（GUI），并且完全兼容Windows 10和Windows 11的64位系统。为了确保工具的透明性和可重复性，MST的最新可执行版本及其完整文档均在GitHub仓库中公开提供，用户可以通过指定的链接获取相关资源。这一开源策略不仅促进了工具的广泛应用，还为后续的研究和改进提供了便利。通过将EMBRAPA的土壤数据与Rosetta模型相结合，MST实现了对水文参数的自动化处理，使得研究人员能够更加专注于模型的构建与验证，而不是繁琐的数据准备过程。

在处理土壤数据时，MST的效率和稳健性得到了验证。特别是在栅格单元层面，该工具通过“MOHID Topography.dat”功能实现了对所有独立单元的自动提取和计算，确保了所有土壤层参数的一致性。这一特性使得MST在处理大规模数据集时表现出色，能够快速生成格式化且优化的土壤水文参数，直接适用于MOHID-Land模型的输入需求。此外，MST的输出格式经过专门设计，使其能够无缝对接MOHID-Land模型，从而避免了传统手动处理过程中可能出现的格式错误或数据不一致问题。这种高效的数据处理能力不仅提升了建模的准确性，还显著缩短了整个建模流程的时间，为研究人员提供了更高效的工具支持。

尽管MST在自动化数据处理方面表现出色，但其应用仍然面临一些挑战和限制。首先，土壤质地数据的质量直接影响MST的输出结果，因此在使用MST之前，确保输入数据的准确性至关重要。如果原始土壤数据存在较大的误差或缺失，可能会导致估算的水文参数不准确，从而影响整个水文模型的模拟效果。其次，尽管Rosetta模型已被广泛验证，但在某些特定的土壤类型或地理环境中，其预测能力可能受到限制。因此，研究人员在使用MST时，仍需结合本地实验数据进行校准和验证，以确保模型结果的可靠性。此外，MST的输出结果虽然适用于MOHID-Land模型，但其他水文模型可能需要不同的输入格式或参数调整，因此在应用MST时，用户可能需要额外的处理步骤来适配不同模型的需求。

另一个值得关注的方面是，MST的开发依赖于Python 3编程语言和Windows操作系统，这可能在一定程度上限制了其在跨平台环境中的应用。尽管Python作为一种开源语言具有良好的可移植性，但某些特定的库或工具可能仅在Windows系统上运行，这可能会影响用户在其他操作系统（如Linux或macOS）上的使用体验。然而，随着Python生态系统的不断发展，越来越多的跨平台兼容性得到了改善，未来MST有望在更多操作系统中得到支持。此外，MST的用户界面虽然提供了便利的操作方式，但对于缺乏编程背景的用户来说，可能仍需一定的学习成本。因此，未来的研究可以进一步优化MST的用户界面，使其更加直观和易于操作，从而扩大其适用人群。

此外，MST的应用场景主要集中在水文建模领域，特别是在需要处理大规模土壤数据的分布式建模中。然而，随着水文研究的深入，土壤水文参数的获取和处理需求可能进一步扩展。例如，在农业水管理、地下水模拟以及生态系统建模等领域，土壤水文参数的准确性同样至关重要。因此，MST的未来发展方向可能包括与其他领域的建模工具集成，以满足更广泛的应用需求。此外，随着全球气候变化和极端天气事件的频发，对高精度水文参数的需求也在不断增加。MST可以通过优化算法和提高数据处理的自动化程度，进一步提升其在应对这些挑战中的能力。

在实际应用中，MST的使用不仅限于巴西的土壤数据，它还可以适用于任何地区的土壤数据集，只要这些数据符合Rosetta模型的输入要求。这使得MST成为一种具有全球适用性的工具，能够为不同地区的水文研究提供支持。例如，在干旱地区或水文特征复杂的山区，MST可以帮助研究人员快速获取高精度的土壤水文参数，从而提高水文模型的预测能力。同时，MST的开源性质也鼓励了全球范围内的合作与改进，使得该工具能够不断适应新的研究需求和技术发展。

综上所述，MOHID SOIL TOOL（MST）的开发为水文建模提供了一种高效且可靠的数据处理工具。通过自动化整合土壤质地数据与Rosetta模型，MST显著提高了水文参数的准确性，并减少了手动操作带来的误差。其在巴西Pedro do Rio流域的应用表明，MST在准备输入文件方面具有显著优势，能够为分布式水文建模提供更坚实的数据基础。尽管MST在某些方面仍存在局限性，如对土壤数据质量的依赖和对特定操作系统的限制，但其未来的发展潜力巨大，有望成为全球水文研究的重要工具。通过不断优化算法和提升用户友好性，MST有望在更广泛的领域中发挥更大的作用，为可持续的水资源管理提供科学支持。