使用改进版澳大利亚水资源评估-景观模型(AWRA-L)估算瑞典南部拉甘河流域湖泊蓄水量

《Environmental Modelling & Software》：Estimation of lake storage volumes in the Lagan River catchment in southern Sweden using a modified version of the Australian Water Resources Assessment–Landscape model (AWRA-L)

　　

研究人员提出了一种评估地表水蓄量的新方法，采用了改进的澳大利亚水资源评估-景观模型（AWRA-L）。在模型优化过程中，研究人员引入了物理信息水位流量关系曲线，并在瑞典西南部拉甘河流域的三个湖泊中进行了为期五年（2018–2022年）的案例研究。结果表明，改进后的模型能够较好地再现季节性蓄水动态，平均决定系数R²、纳什-萨特克利夫效率系数（NSE）和修正克林-古普塔效率（KGE′）分别为0.70、0.68和0.71。研究结果表明，该方法在准确评估地表水蓄量动态方面具有很大潜力，并证明经过适当调整后，AWRA-L模型可适用于澳大利亚以外的地区，为评估湖泊蓄水量提供了改进工具。

论文解读文章

**研究背景、问题与目的**
在全球变化背景下，准确评估可用水资源日益重要。瑞典由于气候变化驱动的压力和水需求上升，水资源短缺问题加剧，但现有评估蓄水量的工具不足。目前瑞典主要依赖S-HYPE模型进行全国尺度的水文预报，但其为子流域尺度设计，难以评估单个水体的蓄水量，且优先模拟地表水过程，对局地地表-地下水相互作用的刻画有限。相比之下，澳大利亚开发的AWRA-L模型明确设计用于模拟完整水循环，整合地表水、土壤水和地下水过程，并以高空间分辨率运行，特别适合分析异质流域的蓄水动态。然而，该模型此前未在澳大利亚以外地区广泛测试，尤其是在寒冷气候条件下（如积雪、融雪、季节性植被变化）的适用性尚不明确。本研究旨在评估AWRA-L模型在瑞典条件下评估受调节湖泊蓄水量的潜力，通过对模型进行修改（包括基于本地数据和区域特定假设的调整），并在拉甘河流域三个湖泊进行五年案例研究，检验其性能。论文发表在《Environmental Modelling》（用户指定）。

**主要技术方法**
研究人员采用改进的AWRA-L v.7模型，耦合物理信息水位流量关系曲线（PIRC）进行优化。关键技术包括：将AWRA-L的输出（地表径流）输入修改后的湖泊蓄水方程；用Linacre方程替代Penman方程计算湖泊潜在蒸发，以消除对湖面反照率、风速等特定参数的需求；通过确定性网格搜索优化PIRC参数（包括水位流量关系曲线系数、蒸发系数、溢流分支参数）。研究使用了来自SMHI气象站的插值大气数据（普通克里金法）、NASA SRTM高程数据、SLU土壤数据、SGU土壤类型图、Copernicus植被参数、Lantm?teriet土地利用数据，以及Sydvatten AB和Statkraft Sverige AB提供的湖泊水位观测数据（2018–2022年）。

**研究结果**
**3.1 优化前初始性能**
在优化前，研究人员使用修改后的蓄水方程（式13）对三个湖泊分别进行模拟。Lake Bolmen和Lake Rusken的R²达到满意水平（0.66和0.51），但Lake Vid?stern仅0.45。三个湖泊的NSE均低于0.5（Lake Bolmen为0.48，另两个为负值），表明模型无法充分捕获方差。KGE′显示中等至良好性能（0.50–0.79）。误差指标（NRMSE和NMAE）在Lake Bolmen和Lake Rusken中较低，但Lake Vid?stern较高。总体表明初始模型能捕捉一般趋势，但对Lake Vid?stern表现不佳。

**3.2 优化**
通过PIRC优化确定每个湖泊的出口水位流量关系曲线参数。所有湖泊的指数b一致为1.6，但缩放因子a不同。湖泊蒸发乘数klake在0.7375–1.0之间，反映蒸发特性的差异。溢流分支参数a₂和b₂也因湖而异。

**3.3 优化后评估**
优化后模型在所有站点表现显著提升。Lake Bolmen的NSE从0.48增至0.68，相关性r从0.81增至0.82，偏差β接近1.0，但变异系数γ从0.92降至0.82，导致KGE′从0.79降至0.75。Lake Vid?stern改进最为显著：R²从0.45升至0.75，NSE从-5.37升至0.70，r从0.67升至0.86，NRMSE从0.19降至0.04，KGE′从0.50升至0.62。Lake Rusken的NSE从-0.33升至0.67，KGE′从0.71升至0.78（达到“良好”级别）。优化模型总体能较好捕捉蓄水动态，但仍有对快速峰值敏感、略微高估或低估变异性的问题。

**讨论与结论**
讨论部分指出，优化模型性能良好，但存在空间均匀性假设（如每个HRU内部均质）带来的不确定性，尤其在孔隙度和饱和分数处理上。Lake Vid?stern性能相对较低可能与邻近大型无压含水层导致高渗透性有关，而模型采用均匀孔隙度。固定饱和分数（基于Bjerkén et al.方法）可能忽略季节性变化，但影响程度需进一步测试。此外，AWRA-L未包含雪积累、冰雪反照率、冬季蒸散发减少等寒冷气候过程，可能高估冬季蒸发。未来需纳入这些过程。本研究仅涉及受调节湖泊，未检验非调节湖泊。研究人员强调，优化模拟的蓄水动态一致性并不证明地下通量模拟正确，可能存在补偿误差，需独立验证径流和进出湖流量。

**结论翻译**
在本研究中，研究人员应用调整后的AWRA-L模型模拟瑞典拉甘河流域三个湖泊的蓄水变化。优化后的模型表现强劲，能够准确捕捉各湖泊的方差和季节动态，在大多数关键统计指标上优于基准模拟。尽管观察到对快速峰值敏感和变异性增加的现象，但调整后的AWRA-L框架与物理信息水位流量关系曲线方法的结合有效提高了整体性能，描述了流域内准确的水量平衡。总体而言，本研究展示了水文模型与物理信息方法整合的潜力。模型依赖最少且公开可用的输入数据，并能体现长期进出平衡，使其成为瑞典乃至其他地区水资源管理的实用工具。然而，未来需解决空间均匀性、固定土壤饱和分数以及缺乏冬季参数等局限，以完全捕捉季节变异性。此外，与其他水文模型的详细比较可提供进一步见解，未来工作应探索这一点以更好评估调整后AWRA-L框架的性能。研究人员认为，本研究提出的方法可为水文学者和决策者提供可扩展、可适应的湖泊蓄水评估工具，有助于加深对共享水资源的理解，支持公平可持续的水资源分配。