坡面流路径上的信息损失及城市径流模型中的尺度推绎

《Environmental Modelling & Software》：Information Loss Over Hillslope Flowpaths and Scaling from Urban Runoff Models

　　

熵描述强度随时间的耗散，是刻画随机过程的强有力工具。在水文学中，熵理论主要与不确定性估计相关，水文尺度推绎中的不确定性源于对不同尺度空间异质性程度认知的不足，而尺度不匹配是模型误差的主要来源之一。多数水文模型依赖数字形式的空间数据层作为输入，聚合到较粗分辨率会导致空间异质性消融并产生信息损失，传统子流域划分工具所依据的（水文响应单元，HRU）或（代表性基本单元，REA）阈值多经验驱动且难以跨流域移植。已有研究多关注模型参数不确定性，模型结构误差研究不足，且缺乏量化结构简化效应及其与信息损失联系的指标，也缺乏空间动态定义REA尺寸的方法。为此，研究人员提出流域联合香农熵（Watershed Joint Entropy，WJE）与归一化流域联合熵（Normalized Watershed Joint Entropy，NWJE）公式，基于流向累积在流域上计算二维空间指数以追踪信息沿流路的变化，并引入模糊Jaccard相似度（Watershed Fuzzy Jaccard Similarity，WFJS）以解释连续梯度属性下的相似性变化。以加拿大不列颠哥伦比亚省Tod Creek流域（约17 km2）为案例，结合（Rational Method）与（SCS-Curve Number Method）在分布式与集总式应用下对比，研究人员量化了由集总化带来的峰值流量与径流体积相对误差，并论证WJE、NWJE与WFJS可先于模型运行预测聚合导致的信息损失，为REA相关聚合决策提供定量依据。

研究背景方面，水文过程具有非线性与尺度依赖性，将精细网格输入聚合为粗分辨率会平滑掉细尺度异质性，引发信息损失并放大模型结构误差。传统HRU或REA划分多依赖经验阈值，缺乏跨流域可移植性，且经典REA定义未给出实践中识别该尺度的具体准则。现有文献集中于参数不确定性，对结构简化本身引起的误差及其与信息熵变化的因果关联研究薄弱。在此背景下，研究人员开展一项以信息论与模糊集理论为基础的研究，旨在提出可分布于全流域的联合熵与模糊相似度指标，量化坡面流路径上土壤、土地利用与坡度三层组合信息的多样性丧失，并将其与集总式城市径流模型（Rational Method与SCS-CN法）的峰值流量和径流体积误差建立联系，从而指导动态、空间显式的REA划分。该研究发表于《Environmental Modelling》。

关键技术方法上，研究人员选取加拿大温哥华岛Tod Creek流域（25.1 m分辨率DEM、土地利用与土壤栅格）为主案例，另以低陆弗雷泽谷五流域（Fishtrap Creek、Nicomekl River、Bertrand Creek、Salmon River、Kanaka Creek，20—71 km²，城镇覆盖率8%—58%）作泛化验证。方法核心包括：基于D8流向网络定义每格点上游汇水区，构造三层属性三元组经验分布，推导WJE与NWJE；采用三角隶属函数将坡度、透水性、排水能力模糊化，沿流路做上游平均得三维隶属向量，计算相邻格点及至出口的WFJS；在分布式与面积加权平均集总式两种模式下分别用Rational Method算峰值流量、SCS-CN法算径流体积，以相对误差表征结构简化误差；沿最长流路追踪熵、相似度与误差的协同演变，并用Pearson与Spearman相关分析关联强度。

研究结果部分，3.1节“Watershed Joint Entropy and Normalized Watershed Joint Entropy results”通过对Tod Creek主流路291个格点的计算表明，WJE随汇水面积增大而累积上升，0—2.5 km²头水区波动最剧烈，>7.5 km²后变化收敛；NWJE位于0.82—1.00，说明上游信息不确定性在中小尺度急剧增加后趋于稳定。3.2节“Analysis of peak flow and surface runoff using information-based indices”显示，沿流路NWJE高（>0.82）但相邻点WFJS多>0.95，证明高联合熵不意味低相似度，二者互补：高NWJE伴低WFJS处为建模应保留细分辨率的敏感区。3.3节“Peak flow and volume error propagation along flowpath”发现，集总式相对误差（峰值误差ε_Q、体积误差ε_V）在头水小尺度剧烈浮动后与NWJE正相关（Spearman ρ=0.535与0.610），与至出口WFJS负相关（ρ=-0.496），证实结构误差主要由上游异质性驱动。3.4节“Generalization to other watersheds”在五外流域重复分析，得到相同“头水熵高相似低、下游反之”范式；城镇率越高SCS-CN体积误差越小（Kanaka 8%城镇率误差-48%，Fishtrap 58%仅-17%），因城镇区曲线数（Curve Number，CN）均质化削弱集总损失，而Rational Method峰值误差始终±16%内，对其线性结构不敏感。

讨论部分，4.1节阐明双指标分工：WJE/NWJE度量汇水区内属性组合复杂度，WFJS度量相邻或至出口结构连续性，换用欧氏邻域而非水文连通域会使体积误差解释力下降，故水文连通性而非香农公式本身承载解释力。4.2节将ΔNWJE与ΔQ沿流路着色，提出阈值对（|ΔNWJE|≥0.015，WFJS≤0.95）界定“过度聚合敏感区”，并在Tod Creek敏感性分析中由该阈值生成6—13个子流域，紧化至（0.008，0.98）主要在头水区增点而非移点，该准则已植入Agentic SWMM工作流直接由DEM/土地利用/土壤出SWMM子流域边界。4.3节指出局限：仅用Rational与SCS-CN两最简模型使机制解释干净但外推受限，REA与熵指标的概念耦合仍属待验证假设，需跨气候区验证。

研究结论翻译：研究人员提出WJE与NWJE作为沿坡面流路径追踪土壤-土地利用-坡度联合信息多样性的定量指标，并以WFJS补充刻画连续属性下的结构相似性；在Tod Creek及五外流域证明，集总式城市径流模型的结构误差主要源于头水小尺度异质性，NWJE与WFJS可在模型运行前预测聚合信息损失并空间显式界定REA尺寸；高城镇覆盖减弱SCS-CN体积误差而Rational Method峰值误差对聚合不敏感；双指标阈值框架为PCSWMM/SWMM等模型的子流域划分提供了以最小先验信息损失为目标的客观依据。