SWAT-C中的动态冠层形成机制：在数据受限地区整合气候驱动的物候现象与MODIS叶面积指数

《Environmental Modelling & Software》：Dynamic Canopy Initiation in SWAT-C: Integrating Climate-Driven Phenology and MODIS LAI in Data-Limited Regions

　　阿加瓦尔·阿希|万姆西·克里希纳·维马
印度瓦兰加尔国立技术学院土木工程系

摘要
本研究通过利用气候驱动因素动态启动林冠生长周期，提升了SWAT-C模型在数据有限的热带地区的森林生长动态模拟能力。模型的改进采用了两种方法：（i）利用MODIS LAI（M2）数据优化模型参数；（ii）修改源代码（M3）。在模拟径流方面，经过改进的模型与默认模型（M1）的性能相当（NSE、KGE均大于0.75）。但在模拟蒸发量时，改进后的模型表现更好，与MODIS ET相比，M2和M3在森林子流域的偏差分别降低了19%和21%。此外，三种模型在模拟泥沙产量和碳储存动态方面也存在差异。本研究强调了这些差异对自然资源管理的影响，突出了提升森林生长动态模拟重要性的必要性。

引言
植被动态会影响蒸散作用、林冠截留、地下水补给以及泥沙输送等水文过程（Alemayehu等人，2017；An等人，2024；Wang等人，2022）。诸如土壤与水资源评估工具（SWAT；Arnold等人，1998）之类的生态水文模型可用来模拟这些过程，并被广泛应用于气候与土地利用变化评估、侵蚀控制、基于自然的解决方案规划、碳封存以及生态系统韧性评价等领域（Kordrostami等人，2025；Odusanya等人，2019；Rajib & Merwade，2016）。为了实现这些应用，准确模拟蒸发量、叶面积指数、生物量及泥沙产量等变量至关重要。然而，目前水文模型在模拟与植被相关的过程方面仍需进一步提升精度（An等人，2024；Li等人，2025；Ma等人，2019）。提升模型效能的一种可行方法，就是改进模型中对植被动态过程的表征，比如林冠发育与物候现象的模拟（Alemayehu等人，2017；Risal等人，2025；Strauch & Volk，2013）。

SWAT模型利用叶面积指数来估算生物量与蒸发量，同时影响泥沙产量和地下水补给。该模型涵盖了从季节性作物到树木在内的七种植被类型，通过不同的参数与过程表征方式来体现各类植被的差异（Arnold等人，1998；Neitsch等人，2011）。SWAT的植物生长模块采用热量单位的概念，通过估算累积热量单位对应的叶面积指数来模拟植物生长（Arnold等人，1998；Neitsch等人，2011；Srinivasan等人，1998）。尽管该模型在模拟植被动态方面的能力已被广泛认可，但仍有研究指出其植物生长模块需进一步改进，尤其是要更准确地反映森林物候特征（Cui等人，2024；Rajib & Merwade等人，2018；Valencia等人，2024）。默认模型中的植物生长模块是为温带气候设计的，可能并不适用于其他地区（Strauch & Volk，2013；Valencia等人，2024）。例如，SWAT假定当日长度低于特定阈值时植物处于休眠状态（Arnold等人，1998；Neitsch等人，2011；Srinivasan等人，1998）。但在热带和亚热带地区的森林中，树木并不会真正进入休眠状态（Abitew等人，2023；Valencia等人，2024）。这些地区的森林呈现出明显的季节性特征：在干燥的夏季叶片减少，而在雨季开始后则迅速恢复生长（Chhabra & Panigrahy，2012）。在 such热带和亚热带生态系统中，驱动森林林冠生长的主要是土壤湿度，而非温度和日照时长（Abitew等人，2023；Alemayehu等人，2017；Valencia等人，2024）。因此，若对热带森林使用默认的森林设置，可能会简化植被表征，从而导致生态水文变量的模拟效果不佳。

已有不少研究试图通过多种策略提升SWAT模型及其变体对植被动态的模拟能力，比如利用实地观测与卫星数据对植物生长参数进行参数化处理（Cui等人，2024；Yang & Zhang，2016）、整合卫星获取的叶面积指数数据（Ma等人，2019；Igder等人，2022）、将SWAT模型与生物地球化学模型结合以模拟森林生长（Dangol等人，2025；Karki等人，2023），以及修改植物生长模块（Alemayehu等人，2017；Strauch & Volk，2013；Valencia等人，2024）。通过利用森林物种、年龄、生物量、林冠覆盖度及凋落物等实地观测数据来进行参数化，能够实现更高精度的LAI、林冠生长及蒸发量模拟（Haas等人，2022）。不过这种方法仅适用于实地数据较为丰富的地区，难以推广到数据稀少的区域。作为替代方案，一些研究将遥感获得的植物生物物理数据整合到SWAT模型中。例如，归一化差异植被指数就被用于提取物候信息（Chen等人，2023）。同样，也有研究将MODIS和GLASS LAI等卫星获取的叶面积指数产品作为输入数据代入SWAT模型（Jin等人，2019；Paul等人，2021；Rajib等人，2020）。虽然这类方法能够提升生态水文变量的预测精度，但由于只能用于历史数据，因此无法用于分析气候变化与土地利用变化情景下的未来情况。

研究人员采用的另一种方法是修改源代码，以更新植物生长模块中的算法，具体而言，便是尝试设定不同的触发条件来启动林冠的生长与衰老过程。例如，Strauch & Volk（2013）通过设定表层土壤湿度的阈值，修改了源代码，使得模型每年都能启动新的生长周期。Alemayehu等人（2017）则为热带地区开发了SWAT-T模型，该模型依据土壤湿度指数（5天累计降水量与5天累计潜在蒸发量的比值）在预定时间内启动森林的新生长周期。在此基础上，Valencia等人（2024）又开发了SWAT-Tb模型，该模型采用双峰型叶面积指数，并以降水量代替土壤湿度指数作为触发因子。这一改进是基于这样的观察：在热带地区，限制林冠生长的因素是降雨量而非能量（Aparecido等人，2018；Gotsch等人，2016；Valencia等人，2024）。尽管这些研究证明了模型改进的有效性，但植被动态的表征仍有提升空间。例如，Strauch & Volk（2013）使用模拟得到的土壤湿度来启动生长季节的开始，但Alemayehu等人（2017）指出，土壤湿度模拟的准确性取决于模型的校准程度。由于缺乏其他类型的观测数据，水文模型通常以径流作为校准依据，而经过此类校准的模型未必能准确模拟土壤湿度，进而可能导致生长季节出现偏差。在Alemayehu等人（2017）提出的方法中，还引入了两个额外参数，以避免错误地判定生长季节的开始时间。不过这种方法的局限性在于会增加模型复杂性，尤其是在规模较大且气候差异显著的流域中。Valencia等人（2024）的方法也面临类似挑战，他们为模拟双峰型叶面积指数而引入了五个新参数。然而，由于森林的林冠生长过程存在延迟，降水量出现的时间并不一定与生长季节的开始时间同步，因此很难为每个地区准确估算这些参数。尽管这些参数有助于捕捉双峰型物候特征，但也会增加模型的不确定性。此外，本研究的初步分析表明，土壤湿度指数无法准确反映亚热带地区旱生落叶林的物候动态。这类森林的叶面积指数呈现出独特的规律：在季风来临之前略有上升，随后在7月至10月中旬进入快速生长阶段。综上所述，目前仍难以确定究竟是降水量、温度、土壤湿度，还是三者共同作用，才是触发热带地区森林新生长周期的真正因素。因此，有必要进一步开展研究，以便在模型中更精准地呈现具有区域特色和独特物候特征的叶面积指数动态。

本研究的总体目标是提升SWAT-C模型对热带和亚热带旱生落叶林林冠生长的模拟能力。需要指出的是，SWAT与SWAT-C的植物生长模块其实相同，但SWAT-C具备模拟陆地和水生系统碳储存动态的功能，因此可以通过额外的碳相关输出结果来评估植被生长状况的改善程度（Li等人，2025；Risal等人，2025；Yang & Zhang，2016）。本研究的核心假设是：提升森林林冠生长动态能够改善生态水文变量的模拟精度。为验证这一假设，本研究评估了两种不同的改进方法，用以优化林冠表征，并分析了这些方法对模型输出的影响。本研究的创新之处在于：（i）利用卫星获取的叶面积指数信息来获取植被生长参数；（ii）借助气候变量为旱生落叶林启动动态物候过程，从而提升模型在不同气候条件下的水资源与自然资源管理应用能力。此外，本研究还探讨了模型改进对水资源与自然资源管理决策的启示。关于如何从叶面积指数数据中估算植物生长参数，以及如何修改SWAT-C的植物生长模块，相关详细方法将在后续章节中阐述。

片段内容
MODIS LAI的时空平滑处理与生长季起始点的识别
为更好地理解热带和亚热带旱生落叶林的物候特征，进而提升SWAT-C模型中林冠生长与衰退动态的模拟精度，可通过中长期序列的LAI数据来分析林冠生长动态，而这些数据来源于中分辨率成像光谱仪（MODIS）提供的LAI产品（Gao等人，2014；Zhang等人，2009）。MODIS LAI产品所提供的LAI数据始于……

研究区域与数据描述
本研究针对模型改进所提出的假设在因德拉瓦蒂河流域进行了验证，该流域属于戈达瓦里河的支流，位于东经80°00′至83°15′、北纬19°15′至20°25′之间（见图1）。该流域面积约为40,000平方公里，涵盖印度恰蒂斯加尔邦、奥里萨邦和马哈拉施特拉邦的部分地区。该地区的海拔范围在114米至823米之间，平均海拔为500米。流域内的土地用途/土地覆盖类型以森林为主。

SWAT-C模型配置
针对因德拉瓦蒂河流域，SWAT-C模型被设置为两种配置。在第一种配置中，模型使用默认的NRSC土地覆盖地图，其中农业用地以通用作物类型表示。在第二种配置中，则直接使用经过分类处理的作物地图作为输入数据。两种配置最终都生成了22个子流域，但由于土地覆盖类型的差异，所划分的HRU数量有所不同：第一种配置下有368个HRU，而第二种配置则有533个HRU。该模型是基于……开发的。

MODIS LAI的季节性动态
通过采用21天时间窗口与三阶多项式进行SG滤波处理后，得到的平滑LAI时间序列如图3（a）所示。从图中可以看出，LAI值呈现出明显的年度周期性变化，表现为两个生长阶段：早夏阶段和6月至10月阶段。LAI曲线在2月底至5月中旬期间开始上升，平均最大值约为1-1.5 m2/m2，之后会出现第二个峰值，数值约为3.5-4 m2/m2。

总结与结论
本研究展示了如何在SWAT模型中提升森林林冠动态的模拟精度，以及这些改进对决策制定的影响。之所以需要改进林冠生长模拟，是因为现有的SWAT模型是为温带地区的森林设计的，而温带地区的生长周期与热带地区存在显著差异。在此研究方向上采用了两种方法，一种仅对森林生长的管理措施进行改进（M2），另一种则是采用CRediT作者贡献声明：Vamsi Krishna Vema负责写作——审稿与编辑、监督、资源提供、方法设计、概念构建；Aashi Agarwal负责写作——初稿撰写、数据可视化、验证、软件使用、方法设计、研究实施、正式分析、概念构建。参考文献包括Merk等人2024年的研究，Nayak等人2010年的研究，以及Rajib等人2018年的两篇研究。软件名称为经过修改的SWAT-C，开发者为Aashi Agarwal和Vamsi Krishna Vema，联系方式为[e-mail]，编程语言为FORTRAN，模型可执行文件及源代码可在https://github.com/aashi95/Modification-of-SWAT-Carbon-Plant-Growth-Module获取，详细的部署文档则在https://github.com/aashi95/Modification-of-SWAT-Carbon-Plant-Growth-Module/blob/main/README.md中，该软件的使用信息均在上述GitHub仓库中有介绍。作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。本研究所使用的所有数据集均来自开源数据库，数字高程模型数据来自美国地质调查局地球探索网站（https://earthexplorer.usgs.gov/），土壤数据则取自联合国粮农组织全球土壤地图网站（https://www.fao.org/soils-portal/data-hub/soil-maps-and-databases/faounesco-soil-map-of-the-world/en/），观测到的流量数据及土地利用类型数据则通过印度WRIS门户网站获取。本研究未获得公共部门、商业机构或非营利组织提供的任何资助。作者再次声明没有可能影响本文研究的已知财务利益或个人关系。作者衷心感谢Rohith A.N.博士在运用Visual Studio编写SWAT-C源代码过程中给予的宝贵指导，同时也感谢NBSS土壤调查机构提供的土壤质地数据，此外还感谢Hamsa Venkata Vishnu Vikas先生在AMALGAM模型校准及作物重新分类工作中提供的帮助。