基于MOHID土壤工具集成网格土壤数据与水力参数提升MOHID-Land河流流量预测精度

《Environmental Modelling & Software》：Enhancing River Flow Predictions in MOHID-Land Through Integration of Gridded Soil Data and Hydraulic Parameters Using the MOHID Soil Tool

本文介绍MOHID土壤工具（MST），该工具通过自动化整合巴西农业研究公司（EMBRAPA）土壤质地数据与Rosetta神经网络估算的土壤水力参数（如θs、Ks等），显著优化了MOHID-Land水文模型输入文件制备流程。研究在巴西Pedro do Rio流域验证表明，MST可降低人为误差并提升模拟效率，为全球栅格土壤数据的水文应用提供灵活解决方案。

　　

Software description

MST是一款开源工具，专为处理土壤质地数据并计算van Genuchten-Mualem（VGM）水文模型土壤水力参数而设计。该软件基于Python 3开发，配备独立图形界面（GUI），完全兼容Windows 10/11 x64系统。最新可执行文件（.exe）及完整文档已公开于GitHub仓库（https://github.com/dhiegosales/MOHID-SOIL-TOOL），确保透明度与可访问性。

Grid-Cell-Based Parameterization and MST Outputs

MST在处理输入土壤数据集及生成可直接用于MOHID-Land的完整格式化土壤水力参数方面，展现出高效性与鲁棒性（Sales et al., 2024）。其“MOHID Topography.dat”功能尤其突出，可自动提取并计算所有独立网格单元的土壤水力属性，确保各土壤层数据一致性。流域矢量边界与土壤栅格数据的叠加进一步优化了空间参数化流程。

Effectiveness and limitations of manual calibration

手动校准仍是水文建模（尤其是MOHID-Land等物理机制模型）的核心环节。本研究强调土壤入渗与储水动力学在调控强降水事件中径流响应的关键作用。这些水力-土壤学过程的调控高度依赖于土壤水力参数（如K_s、θ_s）的精确校准，但空间异质性仍是主要挑战。

Conclusions

本研究推出的MST通过高效整合砂粒、粉粒、黏粒含量及容重数据，显著提升了水文建模精度。该工具利用Rosetta模型自动化处理EMBRAPA土壤数据，极大简化了传统繁琐的输入文件制备工作。通过精准校准θ_s、θ_r、α、n、K_s等关键参数，MST为分布式水文模拟提供了可靠数据基础，并支持全球栅格土壤数据的灵活应用。