2023, Vol. 44
2. 中国科学院南京土壤研究所, 土壤与农业可持续发展国家重点实验室, 南京 210008;
3. 中国科学院大学, 北京 100049
, TI Chao-pu2,3
, TANG Shui-rong1 , WANG Xin-liang2 , WANG Hui-yong2 , MENG Lei1 , YAN Xiao-yuan2,3
2. State Key Laboratory of Soil and Sustainable Agriculture, Institute of Soil Science, Chinese Academy of Sciences, Nanjing 210008, China;
3. University of Chinese Academy of Sciences, Beijing 100049, China
河流径流不仅事关社会经济的发展, 也影响海洋生态环境[1].研究流域径流量变化规律及其影响因素, 是流域综合管理的重要依据, 对流域水资源配置、利用开发和区域资源可持续发展至关重要, 也对维持河流生命健康和社会经济可持续发展具有重要参考价值.然而近百年来随着人为活动的加剧和全球温度的上升, 导致地表辐射、大气环流和水文循环发生了改变[2], 极端高温、干旱和降水等气候事件发生的频率、强度及其持续时间显著增加[3].在人类活动和气候变化的双重影响下, 流域径流量发生了明显变化并伴随着极端径流产生.
其中降雨是径流产生的主要因素, 降雨的时空分配决定了径流的季节性变化和区域性特征[4], 降雨量大小直接影响径流量的丰枯变化[5], 进而影响水资源调度和管理并与洪水或干旱事件密切相关[6].强度大且持续时间长的极端降雨事件往往会导致径流增加, 从而引发洪水, 泥石流等自然灾害, 不仅会造成粮食歉收、城市内涝和交通瘫痪, 还会引起人员伤亡和水污染等问题, 严重损害人民生命和财产安全[7~9].
长江流域是我国第一大流域, 丰富的水资源保证了流域内经济发展, 使其在我国经济发展中占据突出地位[10].但近年来, 长江流域极端降水事件频率和强度呈显著增加趋势[11, 12], 导致洪涝灾害十分严重, 在影响流域经济发展的同时也造成了严重的生态环境问题[13, 14].而目前关于长江流域径流变化的研究大多关注某些子流域[15, 16], 鲜少对长江流域进行整体性研究, 且研究方法单一, 主要以经验模型和长期观测为主[17, 18].此外, 长江流域极端降雨研究主要集中于极端降雨频率、降雨指数、时空变化规律和驱动因素等方面[19, 20], 缺乏考虑极端降雨对径流变化影响的研究.
因此, 本研究采用SWAT模型在模拟长江流域径流时空变化规律的同时, 通过改变降水参数, 分别在其上、中、下游代表性子流域设置极端降水情景, 揭示极端降水对流域径流的影响, 以期能为明确全球变暖背景下流域径流变化特征、极端降水变化引起的水文效应和流域水资源管理和利用提供理论依据与数据支撑.
1 材料与方法 1.1 研究区概况长江全长6 387 km, 流域面积180万km2, 西高东低, 高程总落差5 800 m左右.长江发源于唐古拉山脉, 干流自西向东横贯中国中部, 经青、藏、川、滇、鄂、湘、赣、皖、苏这9个省, 沪、渝这2个直辖市, 数百条支流延伸至贵、甘、陕、桂、豫、浙、粤、闽这8个省的部分地区, 总计19个省级行政区, 于崇明岛以东汇入东海.研究区横跨中国地貌三级阶梯, 地形复杂多样, 其中山地丘陵占67.2%, 其次为平原, 占28.1%, 水域占4.7%.流域气候类型主要以亚热带季风性气候为主, 年平均气温呈东高西低、南高北低的分布趋势, 年均气温在12.6~28℃.地形和季风性气候等因素导致长江流域年降水量时空分布不均.流域内降水期主要集中在4~10月, 大部分地区属于湿润带, 降水量在800~1 600 mm, 空间分布呈西北到东南递增的趋势.研究区内汛期与降水趋势一致, 主要集中在5~10月, 多年平均径流量约9 616亿m3, 其中7月和8月干流径流量最大也是洪涝灾害多发期[21].
1.2 研究方法和数据库构建SWAT模型是由美国农业部(USDA)农业研究中心于1994年研发的分布式水文模型, 目前已广泛应用于众多国家和地区[22].模型主要由水文子模型、侵蚀子模型和污染子模型这3个部分构成, 在不同的气象、土壤、土地利用和管理措施下, 对水文循环、土壤侵蚀和营养物质的迁移转化进行模拟[23].SWAT模型可与ArcGIS软件结合, 作为ArcGIS的拓展模块运行, 所需数据主要由地理空间数据和属性数据两部分构成, 本研究中空间数据统一采用投影坐标系WGS_1984_Albers.
1.2.1 地理空间数据数字高程图(DEM)是用于计算河流流向、提取河流坡长、河网校正和子流域划分的基础数据[24], 本研究将分辨率为30 m的全国各省的DEM(http://www.gscloud.cn/)进行拼接, 重采样为1 km×1 km.依据长江流域边界, 运用ArcGIS的掩膜提取工具得到长江流域的DEM, 最后投影转换成研究区所需的DEM.土地利用数据为1980、1990、2000和2010年的1 km栅格数据(https://www.resdc.cn/).使用SWAT-LUT(SWAT Landuse Update)软件实现多年土地利用连续变化[25].土地利用栅格数据经过投影转换后, 根据SWAT模型土地利用分类体系进行重分类处理, 共得到6种符合SWAT模型土地利用类型分类标准的土地利用类型, 分别是: 耕地(AGRL)、林地(FRST)、草地(PAST)、水域(WATR)、居民区(URBN)和荒地(BARR).
河网划分是进行子流域划分的基础, 本研究通过SWAT加载DEM、设置集水面积和出口自动生成河网.土壤类型图采用中国科学院南京土壤研究所的1∶100万土壤栅格数据, 投影转换为WGS_1984_Albers坐标系.运用联合国农粮组织(FAO)的土壤分类系统进行重分类, 得到长江流域的土壤类型67种.
1.2.2 属性数据土壤物理属性对土壤剖面的水、气运动情况起决定性作用[26], 影响水文响应单元的水文循环.本研究中长江流域的土壤物理属性基础数据来源于中国科学院南京土壤研究所, 并通过SPAW等软件进行估算处理.气象数据由实测数据和天气发生器两部分构成.实测气象数据来源中国气象网(http://www.cma.gov.cn/), 主要包括流域内189个气象站点(见图 1).将收集到的1961~2019年逐日序列的实测气象数据, 通过SwatWeather软件计算出SWAT模型运行所需要的逐日降水量、日最高最低气温、日相对湿度、太阳辐射和平均风速.天气发生器的作用则用来弥补实测数据里的缺失值, 数据由SwatWeather软件运算得出的月均值构成.长江流域内存在大量大型水库, 结合实际情况模型模拟时需要考虑水库蓄水对子流域出口径流量的影响.本研究主要考虑了研究区内的30个大型水库, 模型运行所需的水库数据主要有水库开始运行的日期、水库初始蓄水量、非常溢洪道水位时的水库水面面积及蓄水量、正常溢洪道水位时的水库水面面积及蓄水量和水面蒸发系数等数据.实测径流数据主要用于径流模拟结果的率定与验证, 长江流域内大通、宜昌、汉口、寸滩4个水文站点1965~2019年的逐月实测径流数据由长江水利网提供(http://www.cjw.gov.cn/zwzc/bmgb/).
|
图 1 长江流域水库、水文站点和气象站分布示意 Fig. 1 Distribution of reservoirs, hydrological stations, and meteorological stations in the Yangtze River Basin |
(1) 子流域及水文响应单元的划分子流域的正确划分可减少径流模拟的不确定性, 为水文模拟和营养物质模拟奠定基础.有学者研究表明子流域划分存在一个阈值, 当超过这个值时子流域的数量对流域产流几乎无影响[27].本研究中, 当子流域个数大于218, 即集水面积阈值小于450 000 hm2时, 径流量对子流域划分数量的响应趋于稳定.基于DEM和修正的河网, 结合水库位置, 选取长江口为流域出口, 最终将长江流域划分成416个子流域(图 2).
|
图 2 长江流域子流域划分 Fig. 2 Sub-basins of the Yangtze River Basin |
水文响应单元是指子流域中相同土地利用类型, 相同坡度和土壤类型的区域.本研究在子流域的基础上, 通过加载土地利用类型图和土壤类型图并将坡度重分类为5类：< 15°、16°~25°、26°~35°、36°~45°和>45°, 设置坡度阈值、土地利用阈值和土壤阈值均为20%, 最终确定水文响应单元(HRU)1 795个.
(2) 模型运行在水文响应单元的基础上导入气象数据和水库数据实现模型运行.模型运行时以月为尺度, 设置4a为预热期对长江流域1961~2019年的径流进行模拟.
1.2.4 径流率定与验证通过SWAT-CUP2012选择对径流影响较大的参数对长江流域径流进行率定和验证.对参数初始范围不断迭代调整其范围后, 通过对比以往研究参数[21], 确定适合研究区的最优参数及其范围; 分别选取上中下游大通、汉口、宜昌和寸滩这4个站点1961~2019年的逐月实测径流数据进行率定验证.模拟期为1961~2019年, 其中前4 a为预热期, 1965~1994年为率定期, 1995~2019年为验证期.采用相关系数R2(0 < R2 < 1)和Nash-Sutcliffe系数NSE(-∞ < E < 1)作为模型的评价指标. R2和NSE越趋近于1, 实测数据与模拟数据的相关性越大, 模拟数据越可靠.一般情况下, R2>0.6, NSE>0.5认为模型模拟结果可以接受[28].
1.2.5 极端降雨情景设置IPCC第五次评估报告指出, 全球变暖趋势会一直持续, 极端降雨强度和发生频率将显著增加, 引起极端水文变化[29].本研究采取任意情景设置法, 根据极端降水常用的统计方法气候极值再现期, 选择了不同重现期降雨极值研究中时间尺度最长, 最极端的两类[30~32]设置了两种情景：情景一为分别在上中下游代表性子流域设置50 a一遇极端降雨; 情景二为在前述3个子流域设置100 a一遇极端降雨(表 1); 连续极端降雨模拟期为7月1~3日, 以2019年为基准年.其中上、中、下游的代表性子流域分别选取上游位于玉树县的43号子流域、中游位于武汉市的164号子流域、下游位于南京市的60号子流域进行径流模拟, 分别从日、月、年尺度上对3个子流域径流变化进行分析.
2 结果与分析 2.1 模型径流率定验证
模型率定验证参数如表 2所示, 评价指标结果表明率定期大通、汉口、宜昌和寸滩这4个站点R2和NSE均在0.9以上, 其中宜昌R2高达0.96, 汉口NSE最高可达0.93, 整体拟合效果较好(表 3).验证期各站点的R2和NSE整体略低于率定期, 但全部在0.82以上, 均能满足精度要求.验证期的实测径流与模拟值拟合情况如图 3所示, 实测值和模拟值整体变化趋势一致, 表明SWAT模型在长江流域拟合程度较好, 可以用来进行长江流域的径流模拟.
|
表 2 径流率定验证参数1) Table 2 Major sensitive parameters in runoff calibration |
|
|
表 3 模型适应性评价结果 Table 3 Adaptability evaluation results of the SWAT model |
|
图 3 长江流域水文站(大通、宜昌、汉口和寸滩) 径流实测值和模拟值对比 Fig. 3 Comparisons of measured and simulated runoffs at different hydrological stations (Datong, Yichang, Hankou, and Cuntan) in the Yangtze River Basin |
长江流域降雨-径流年际变化趋势(图 4)显示径流变化规律与降雨一致, 其中1965~1987年和1997~2019年波动较大, 1988~1996年波动较小.
|
图 4 长江流域降雨-径流年际变化趋势 Fig. 4 Annual variations in runoff in Yangtze River Basin |
长江流域1965~2019年的年平均降雨-径流变化趋势主要表现为, 1965~1980年降雨量低于多年均值, 径流模拟结果显示, 同时期长江流域总出口径流量偏枯, 1981~2000年降雨量和径流量偏丰, 2001~2010年降雨量和径流量偏枯, 2011~2019年后又转为降雨和径流偏丰阶段(图 5), 整体丰水年略大于枯水年.流域径流量在27 800~42 790 m3·s-1之间, 极大值出现在1998年, 多年平均值为34 797 m3·s-1.汉口和大通站径流变幅较大, 趋势与流域出口大致相同.而中上游由于降雨量小和降雨频次少, 寸滩和宜昌径流量仅有微小波动, 变化程度明显低于中下游.
|
图 5 流域总出口及水文站点径流年际变化 Fig. 5 Annual variations in runoff at the basin outlet and main hydrological station |
极端降雨下各子流域年月日尺度径流变化和年内变化趋势显示, 上游代表性子流域(43号子流域)在两种极端降雨影响下径流量有所提高(图 6), 并都于7月3日达到全年径流峰值, 分别为560 m3·s-1和708 m3·s-1, 两天后同时下降到45 m3·s-1, 并于两个月后降到基准年径流水平(图 7).在情景一降雨条件下, 极端降雨期日平均径流增加量为513 m3·s-1, 与基准年相比变化率为6 200%.情景二条件下, 日平均径流增加量达到655 m3·s-1, 比情景一增加142 m3·s-1, 与基准年相比变化率为8 000%; 而中游代表性子流域(164号子流域)极端降雨并未使流域产生径流峰值, 径流在极端降雨48 d后基本回到基准年状态.情景一极端降雨期日均径流增量6 360 m3·s-1, 与基准年相比变化率为21%, 情景二日均径流比基准年增加7 623 m3·s-1, 比情景一增加1 263 m3·s-1, 与基准年相比变化率为25%; 下游代表性子流域(60号子流域)在极端降雨条件下径流变化情况与中游基本相同, 也未在极端降雨期产生径流峰值, 并于降雨16 d后与基准年径流情况持平.情景一极端降雨期日均径流增量6 397 m3·s-1, 变化率为15%, 情景二日均径流增量7 357 m3·s-1, 比情景一增加960 m3·s-1, 与基准年相比变化率17%.上游情景一和情景二月均径流变化率分别为355%和437%, 其中情景二比情景一径流量增加15 m3·s-1; 中游情景一和情景二月均径流变化率分别为5%和7%; 情景二比情景一径流量增加410 m3·s-1; 下游情景一和情景二月均径流变化率分别为1.3%和1.5%; 情景二比情景一径流量增加110 m3·s-1; 上游情景一、情景二年均径流变化率分别为78%和96%; 中游情景一和情景二年均径流变化率分别为1%和1.2%; 下游情景一和情景二年均径流变化率分别为0.24%和0.28%.
|
图 6 情景模拟条件下径流量 Fig. 6 Runoff under extreme precipitation conditions in the Yangtze River Basin |
|
图 7 2019年情景模拟条件下各子流域径流量年内变化趋势 Fig. 7 Annual variations in runoff in each sub-watershed under different scenarios in 2019 |
SWAT模型在径流模拟上具有较好的适用性[34], 通过敏感性分析发现ALPHA_BF、ESCO、SURLAG、CH_K2和CN2等参数对径流有显著影响, 其中ALPHA_BF、ESCO和CN2这3个主要参数, 与沈胤胤[21]研究的结果一致.将率定验证的参数最优值代回模型得到的模型参数符合长江流域参数取值范围.通过与4个水文站点评价结果对比发现, 各水文站点率定期R2和NSE均高于验证期, Wen等用模型进行径流模拟时也得出过相似结论, 认为此现象主要由模型参数的不确定性引起[2]. 但率定验证结果显示4个站点的R2和NSE均在0.82以上, 说明SWAT模型在长江流域具有较好的适用性.
另外, 土地利用是径流模拟的重要参数, 可以通过影响下渗量和蒸发量, 地下水和地表水补给等影响研究区径流量[35]. 本研究模拟期较长, 流域内土地利用类型不断变化, 以往运用SWAT模型进行长时序模拟时, 主要运用分段式模拟和土地利用转移矩阵两种方法来实现更新土地利用的效果, 但分段式模拟无法保证数据的连续性, 会忽略上一阶段数据对下一阶段数据作为背景值的影响, 且在数据率定验证时也需进行分段式处理.土地利用转移矩阵需用ArcGIS把土地利用变化数据整理出来再人为输入到ArcSWAT端口, 对于流域面积大、土地利用类型多且研究周期长和变化频繁的区域, 工作量过大. 因此本研究使用2019年美国农业部研发的SWAT-LUT工具对长江流域土地利用数据进行更新.SWAT-LUT一方面可以实现模拟数据的连续性, 使模拟效果更接近真实情况, 结果更加科学[25, 36], 同时也实现了土地利用数据自动程序化更新, 提高了工作效率和准确度.
3.2 不同降雨情景下径流的响应特征径流变化与气候、下垫面和人类活动等密切相关[37].气候因素是河川径流变化最基本的影响因素, 其中降雨和蒸发可直接影响地表径流的产生和变化[15].吴安琪等[38]在淮河上游研究表明在控制单一变量的情况下降雨量每增加10%, 年径流量平均增加290.75 m3·s-1; 气温每增加1℃, 年均径流量平均减少19.4 m3·s-1.本研究中, 极端降雨的设置同样使典型研究区的径流量发生显著变化, 特别是上游代表性子流域在两种极端降雨条件下年均径流量提高了78%和96%, 中下游代表性子流域年均径流量也有所提高.经过极端降雨与基准年年内径流变化趋势对比发现, 上游代表性子流域在极端降雨后两个月与基准年持平, 而下游代表性子流域仅需16 d, 表明在同一重现期降雨条件下, 上游流域受降雨影响时间更长.究其原因, 长江上游处于内陆干旱区, 常年降水较少, 对降雨变化更敏感[39], 而下游区域, 基流较大, 降雨径流对流域的贡献与影响会被逐渐稀释[40].极端降雨条件下流域月尺度, 年尺度径流变化率较小, 日均径流量变化率相对明显, 主要在于极端降雨设置主要集中某几天, 因此极端值对日径流量影响较大, 在月或年尺度上极端值的影响被削弱[41].
地形坡度、土壤类型和植被类型等下垫面因素的差异与人为活动对土地利用类型的改变对径流汇流和下渗影响显著[42].情景模拟研究中, 在同一重现期极端降雨下, 上游代表性子流域(43号子流域)变化率最高, 其原因可能是该流域位于干旱半干旱区域, 常年降雨量较少, 基础径流少.流域内土壤土层薄, 保水性能差, 降水快速渗透土壤, 产流速度快且土壤质地以沙砾和粉砾为主, 黏化率低, 在强降雨的冲刷下土壤易随径流流失土壤厚度降低, 进一步增加产流[43, 44].与此同时, 流域位于山区, 坡度使汇流速度增加[45].中游和下游代表性子流域位于湿润地区, 土壤粘土含量较高, 通气透水性低, 下渗较慢, 虽然城市建设使不透水路面增加, 改变了自然植被覆盖增加产流[46], 但该流域常年降水量大且位于干流, 基础径流大, 变化率相对较低[47].
3.3 径流变化的影响及应对策略径流变化不仅会影响流域生态环境, 还将对河流水资源和水灾害产生重要影响, 并严重威胁人类生命财产安全和可持续发展[8].极端降水是形成极端洪水的主要原因, 对社会的危害远大于水灾本身[48~50].如1998年长江流域遭遇连续性特大暴雨, 造成全流域性洪水, 受灾省份高达30个, 受灾人口1.86亿, 直接经济损失达2 550.9亿元[51].《中国水旱灾害防御公报2021》中指出, 2021年我国因洪涝灾害导致5 901.01万人受灾, 其中590人失踪死亡, 87.235万hm2农作物绝收, 经济损失高达2 458.92亿元[7].尤其是2021年郑州出现“千年一遇”特大暴雨, 造成严重洪灾, 380人死亡失踪, 直接经济损失409亿[52].此外, 极端径流可能会引发或加重水体污染.Parker等[53]通过对美国北卡罗来纳海岸水质研究发现, 在特定的极端降雨期, 雨水径流中存在人类粪便污染.车蕊等[54]也指出典型极端降雨条件下径流中氮磷污染物浓度有所上升.Chang等[48]通过室内模拟实验发现极端降雨开始时水质恶化严重并逐渐达到峰值.而极端降水事件也会导致水体中微生物密度升高, 并增加水媒疾病的风险[55].
径流变化对人类社会和自然系统影响巨大, 因此, 未来一方面需要进一步深入研究径流变化及其影响因素; 另一方面, 水文研究亟需结合最新观测与模拟技术, 提高观测与模拟能力, 深入认识径流变化的复杂性, 为径流变化的影响评估及其应对提供科技支撑.此外, 提前制定合理的防洪规划、及时发布预警信息、积极宣传防洪意识、完善城市排水系统和周边水库建设等也有助于提前防范因径流变化导致的水资源安全风险.
4 结论(1) SWAT模型对长江流域径流模拟具有较好的适用性.长江上中下游4个水文站点率定期R2和NSE均高于0.9, 验证期评价结果均在0.8以上, 表明SWAT模型适用于长江流域径流模拟、预测及情景分析.
(2) 长江流域径流1965~2019年经历了“枯-丰-枯-丰”这4个阶段, 丰水年略大于枯水年, 径流总体呈上升趋势; 上游降雨量较小, 径流波动微小, 水情稳定, 中下游径流年际变化波动较大, 丰水年大于枯水年, 易出现洪涝灾害.
(3) 极端降雨下不同区域径流变化率存在明显区别, 上游干旱地区径流量变化率较高, 对流域径流影响时间较长, 中下游区域基础流量大, 极端降雨引起的径流量变化率较小且影响时间较短; 极端降雨对日均径流影响较大, 对月尺度或年尺度的径流影响相对较小.
| [1] | Li E H, Mu X M, Zhao G J, Gao P, et al. Variation of runoff and precipitation in the Hekou-Longmen region of the Yellow River based on elasticity analysis[J]. The Scientific World Journal, 2014, 2014. DOI:10.1155/2014/929858 |
| [2] | Wen S S, Su B D, Wang Y J, et al. Comprehensive evaluation of hydrological models for climate change impact assessment in the Upper Yangtze River Basin, China[J]. Climatic Change, 2020, 163(3): 1207-1226. DOI:10.1007/s10584-020-02929-6 |
| [3] | Beaulieu E, Goddéris Y, Donnadieu Y, et al. High sensitivity of the continental-weathering carbon dioxide sink to future climate change[J]. Nature Climate Change, 2012, 2(5): 346-349. DOI:10.1038/nclimate1419 |
| [4] |
何艳虎, 陈晓宏, 林凯荣, 等. 东江流域近50年径流系数时空变化特征[J]. 地理研究, 2014, 33(6): 1049-1058. He Y H, Chen X H, Lin K R, et al. Temporal and spatial characteristics of runoff coefficient variations in the Dongjiang basin during 1964-2012[J]. Geographical Research, 2014, 33(6): 1049-1058. |
| [5] |
李凯, 王永强, 许继军, 等. 基于SWAT模型的巴勒更河流域降雨-径流关系[J]. 长江科学院院报, 2022, 39(4): 41-48. Li K, Wang Y Q, Xu J J, et al. Rainfall-runoff relation in Balegen River basin based on SWAT model[J]. Journal of Yangtze River Scientific Research Institute, 2022, 39(4): 41-48. |
| [6] | Chen Y D, Zhang Q, Xiao M Z, et al. Precipitation extremes in the Yangtze River Basin, China: regional frequency and spatial-temporal patterns[J]. Theoretical and Applied Climatology, 2014, 116(3): 447-461. |
| [7] |
《中国水旱灾害防御公报》编写组. 《中国水旱灾害防御公报2021》概要[J]. 中国防汛抗旱, 2022, 32(9): 38-45. Compilation Group of China Flood and Drought Disaster Prevention Bulletin. Summary of China flood and drought disaster prevention bulletin 2021[J]. China Flood & Drought Management, 2022, 32(9): 38-45. |
| [8] | Carpenter S R, Booth E G, Kucharik C J. Extreme precipitation and phosphorus loads from two agricultural watersheds[J]. Limnology and Oceanography, 2018, 63(3): 1221-1233. DOI:10.1002/lno.10767 |
| [9] |
包鑫, 江燕, 胡羽聪. 潮河流域降雨径流事件污染物输出特征[J]. 环境科学, 2021, 42(7): 3316-3327. Bao X, Jiang Y, Hu Y C. Characteristics of pollutant dynamics under rainfall-runoff events in the Chaohe River Watershed[J]. Environmental Science, 2021, 42(7): 3316-3327. DOI:10.3969/j.issn.1000-6923.2021.07.036 |
| [10] | Zhu M H, Shao L G. An analysis on the economic cooperation and the industrial synergy of the main river region: from the perspective of the Yangtze river economic zone[J]. Journal of Ambient Intelligence and Humanized Computing, 2020, 11(3): 1055-1064. DOI:10.1007/s12652-018-1011-0 |
| [11] | Guan Y H, Zheng F L, Zhang X C, et al. Trends and variability of daily precipitation and extremes during 1960-2012 in the Yangtze River Basin, China[J]. International Journal of Climatology, 2017, 37(3): 1282-1298. DOI:10.1002/joc.4776 |
| [12] | Yuan J, Xu Y P, Wu L, et al. Variability of precipitation extremes over the Yangtze River Delta, eastern China, during 1960-2016[J]. Theoretical and Applied Climatology, 2019, 138(1): 305-319. |
| [13] | Wang C S, Zhang R, Zhang S. A 2000-year spatiotemporal pattern and relationship between cities and floods in the Yangtze River Basin, China[J]. River Research and Applications, 2021. DOI:10.1002/rra.3893 |
| [14] |
秦年秀, 姜彤. 基于GIS的长江中下游地区洪灾风险分区及评价[J]. 自然灾害学报, 2005, 14(5): 1-7. Qin N X, Jiang T. GIS based risk zoning and assessment of flood disaster in the middle and lower reaches of the Yangtze River Basin[J]. Journal of Natural Disasters, 2005, 14(5): 1-7. DOI:10.3969/j.issn.1004-4574.2005.05.001 |
| [15] | Zhang X Q, Zheng Z W, Wang K. Prediction of runoff in the upper Yangtze River based on CEEMDAN-NAR model[J]. Water Supply, 2021, 21(7): 3307-3318. DOI:10.2166/ws.2021.121 |
| [16] |
周建军, 张曼. 近年长江中下游径流节律变化、效应与修复对策[J]. 湖泊科学, 2018, 30(6): 1471-1488. Zhou J J, Zhang M. Effect of dams on the regime of the mid-lower Yangtze River runoff and countermeasures[J]. Journal of Lake Sciences, 2018, 30(6): 1471-1488. |
| [17] | Zhang Q, Xu C Y, Becker S, et al. Sediment and runoff changes in the Yangtze River basin during past 50 years[J]. Journal of Hydrology, 2006, 331(3-4): 511-523. DOI:10.1016/j.jhydrol.2006.05.036 |
| [18] |
徐苏, 张永勇, 窦明, 等. 长江流域土地利用时空变化特征及其径流效应[J]. 地理科学进展, 2017, 36(4): 426-436. Xu S, Zhang Y Y, Dou M, et al. Spatial distribution of land use change in the Yangtze River basin and the impact on runoff[J]. Progress in Geography, 2017, 36(4): 426-436. |
| [19] | Guo J L, Guo S L, Li Y, et al. Spatial and temporal variation of extreme precipitation indices in the Yangtze River basin, China[J]. Stochastic Environmental Research and Risk Assessment, 2013, 27(2): 459-475. DOI:10.1007/s00477-012-0643-4 |
| [20] | Li X, Zhang K, Gu P R, et al. Changes in precipitation extremes in the Yangtze River Basin during 1960-2019 and the association with global warming, ENSO, and local effects[J]. Science of the Total Environment, 2021, 760. DOI:10.1016/j.scitotenv.2020.144244 |
| [21] | 沈胤胤. 基于SWAT模型的长江流域泥沙与POC入海通量研究[D]. 南京: 南京师范大学, 2018. |
| [22] | Wang Y, Bian J M, Zhao Y S, et al. Assessment of future climate change impacts on nonpoint source pollution in snowmelt period for a cold area using SWAT[J]. Scientific Reports, 2018, 8(1). DOI:10.1038/s41598-018-20818-y |
| [23] |
张银辉. SWAT模型及其应用研究进展[J]. 地理科学进展, 2005, 24(5): 121-130. Zhang Y H. Development of study on model-SWAT and its application[J]. Progress in Geography, 2005, 24(5): 121-130. |
| [24] |
王启源, 宋宇洋. 基于DEM的湟水流域河网阈值分析[J]. 水电能源科学, 2022, 40(6): 6-9. Wang Q Y, Song Y Y. River network threshold analysis of Huangshui basin based on DEM[J]. Water Resources and Power, 2022, 40(6): 6-9. |
| [25] | Moriasi D N, Pai N, Steiner J L, et al. SWAT-LUT: a desktop graphical user interface for updating land use in SWAT[J]. Journal of the American Water Resources Association, 2019, 55(5): 1102-1115. DOI:10.1111/1752-1688.12789 |
| [26] |
张小咏, 李佳, 杨艳昭, 等. 基于SWAT模型的长江源区径流模拟[J]. 西北林学院学报, 2012, 27(5): 38-44, 234. Zhang X Y, Li J, Yang Y Z, et al. Runoff simulation of the catchment of the headwaters of the Yangtze River based on SWAT model[J]. Journal of Northwest Forestry University, 2012, 27(5): 38-44, 234. |
| [27] |
马放, 姜晓峰, 王立, 等. 基于SWAT模型的亚流域划分方法研究[J]. 中国给水排水, 2015, 31(7): 53-57. Ma F, Jiang X F, Wang L, et al. Study on Subwatershed delineation based on SWAT model[J]. China Water & Wastewater, 2015, 31(7): 53-57. |
| [28] | Kang H, Moon J, Shin Y, et al. Modification of SWAT auto-calibration for accurate flow estimation at all flow regimes[J]. Paddy and Water Environment, 2016, 14(4): 499-508. |
| [29] | IP CC. Climate Change 2013: the physical science basis. Contribution of working group I to the fifth assessment report of the Intergovernmental Panel on Climate Change[M]. Cambridge: Cambridge University Press, 2013. |
| [30] |
王萃萃. 中国大城市极端强降水事件变化的研究[D]. 北京: 中国气象科学研究院, 2008. Wang C C. Changes of precipitation extremes in China's large cities[D]. Beijing: Chinese Academy of Meteorological Sciences, 2008. |
| [31] |
左璇, 朱业玉, 郭鹏, 等. 郑州市短历时强降水变化特征及重现期研究[J]. 气象与环境科学, 2021, 44(2): 25-32. Zuo X, Zhu Y Y, Guo P, et al. Research on Variation characteristics and return periods of short-time heavy precipitation in Zhengzhou[J]. Meteorological and Environmental Sciences, 2021, 44(2): 25-32. |
| [32] |
殷水清, 薛筱婵, 岳天雨, 等. 中国降雨侵蚀力的时空分布及重现期研究[J]. 农业工程学报, 2019, 35(9): 105-113. Yin S Q, Que X C, Yue T Y, et al. Spatiotemporal distribution and Return period of rainfall erosivity in China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(9): 105-113. |
| [33] |
蔡文香. 中国极端气候事件的趋势特征与极值分布[D]. 北京: 对外经济贸易大学, 2016. Cai W X. Temporal trends features and spatial distributions of extreme climate events in China[D]. Beijing: University of International Business and Economics, 2016. |
| [34] |
喻晓, 马孝义, 蔡朵朵. 基于SWAT模型的合理亚流域划分和径流模拟[J]. 中国农村水利水电, 2017(11): 20-25. Yu X, Ma X Y, Cai D D. The reasonable sub-watershed delineation and runoff simulation based on SWAT model[J]. China Rural Water and Hydropower, 2017(11): 20-25. |
| [35] | He J, Wan Y R, Chen H T, et al. Study on the impact of land-use change on runoff variation trend in Luojiang River Basin, China[J]. Water, 2021, 13(22). DOI:10.3390/w13223282 |
| [36] |
金鑫, 金彦香, 杨登兴. 基于LU-SWAT模型的土地利用/覆被变化对水文过程的影响研究——以黑河上游为例[J]. 灌溉排水学报, 2019, 38(5): 114-121. Jin X, Jin Y X, Yang D X. Using LU-SWAT Model to analyze the response of hydrological processes to land use/coverage with application to an upper watershed in Heihe basin[J]. Journal of Irrigation and Drainage, 2019, 38(5): 114-121. |
| [37] |
陈新华, 郭巧玲, 陈志辉. 近50年来悖牛川径流变化及影响因素分析[J]. 干旱区资源与环境, 2015, 29(5): 186-191. Chen X H, Guo Q L, Chen Z H. The runoff variation characteristics and influencing factors in Beiniuchuan river[J]. Journal of Arid Land Resources and Environment, 2015, 29(5): 186-191. |
| [38] |
吴安琪, 石朋, 陆美霞, 等. 气候变化对淮河径流及洪峰流量的影响[J]. 三峡大学学报(自然科学版), 2021, 43(1): 13-17. Wu A Q, Shi P, Lu M X, et al. Impacts of climate change on runoff and peak flow of Huai River[J]. Journal of China Three Gorges University (Natural Sciences), 2021, 43(1): 13-17. |
| [39] | Baskan O. Analysis of spatial and temporal changes of RUSLE-K soil erodibility factor in semi-arid areas in two different periods by conditional simulation[J]. Archives of Agronomy and Soil Science, 2022, 68(12): 1698-1710. |
| [40] |
张泳华, 刘祖发, 赵铜铁钢, 等. 东江流域基流变化特征及影响因素[J]. 水资源保护, 2020, 36(4): 75-81. Zhang Y H, Liu Z F, Zhao T T G, et al. Variation characteristics and influencing factors of base flow in Dongjiang river basin[J]. Water Resources Protection, 2020, 36(4): 75-81. |
| [41] |
王慧勇, 遆超普, 王良杰, 等. 基于SWAT模型的典型农业小流域氮污染时空分布特征及关键源解析[J]. 湖泊科学, 2022, 34(2): 517-527. Wang H Y, Ti C P, Wang L J, et al. Spatiotemporal distribution characteristics and key sources of nitrogen pollution in a typical agricultural watershed based on SWAT model[J]. Journal of Lake Sciences, 2022, 34(2): 517-527. |
| [42] |
刘金平, 任艳群, 张万昌, 等. 雅鲁藏布江流域气候和下垫面变化对径流的影响研究[J]. 冰川冻土, 2022, 44(1): 275-287. Liu J P, Ren Y Q, Zhang W C, et al. Study on the influence of climate and underlying surface change on runoff in the Yarlung Zangbo River basin[J]. Journal of Glaciology and Geocryology, 2022, 44(1): 275-287. |
| [43] |
张军红, 吴波. 干旱、半干旱地区土壤水分研究进展[J]. 中国水土保持, 2012(2): 40-43. Zhang J H, Wu B. Research progress of soil moisture of arid and semi-arid regions[J]. Soil and Water Conservation in China, 2012(2): 40-43. |
| [44] | Liu S Y, Huang S Z, Xie Y Y, et al. Spatial-temporal changes of rainfall erosivity in the loess plateau, China: changing patterns, causes and implications[J]. CATENA, 2018, 166: 279-289. |
| [45] |
张小娜, 冯杰, 高永波, 等. 不同雨强条件下坡度对坡地产汇流及溶质运移的影响[J]. 水土保持通报, 2010, 30(2): 119-123. Zhang X N, Feng J, Gao Y B, et al. Influences of slope on runoff and concentration and solute transport under different rainfall intensities[J]. Bulletin of Soil and Water Conservation, 2010, 30(2): 119-123. |
| [46] | Zhou F, Xu Y P, Chen Y, et al. Hydrological response to urbanization at different spatio-temporal scales simulated by coupling of CLUE-S and the SWAT model in the Yangtze River Delta region[J]. Journal of Hydrology, 2013, 485: 113-125. |
| [47] | Yang L, Zhao G J, Tian P, et al. Runoff changes in the major river basins of China and their responses to potential driving forces[J]. Journal of Hydrology, 2022, 607. DOI:10.1016/j.jhydrol.2022.127536 |
| [48] | Chang C J, Huang C P, Chen C Y, et al. Assessing the potential effect of extreme weather on water quality and disinfection by-product formation using laboratory simulation[J]. Water Research, 2020, 170. DOI:10.1016/j.watres.2019.115296 |
| [49] | 张金平. 洪涝灾害带来的危害[J]. 生命与灾害, 2018(5): 17-19. |
| [50] |
王小杰, 夏军强, 李启杰, 等. 长江中下游各省市洪涝灾情时空变化及影响因素[J]. 水资源保护, 2023, 39(2): 78-86. Wang X J, Xia J Q, Li Q J, et al. Spatio-temporl distribution of flood disasters and influencing factors in the middle and lower Yangtze river zone[J]. Water Resources Protection, 2023, 39(2): 78-86. |
| [51] |
冯铁忱, 吴群英. 1998年长江流域洪水灾情[J]. 人民长江, 1999, 30(2): 27-28. Feng T C, Wu Q Y. Flood disaster in Yangtze valley in 1998[J]. Yangtze River, 1999, 30(2): 27-28. |
| [52] |
姚远, 曲伟, 柴福鑫, 等. 2021年郑州"7·20"特大暴雨洪水模拟与分析[J]. 中国防汛抗旱, 2021, 32(5): 1-4, 20. Yao Y, Qu W, Chai F X, et al. Simulation and analysis of "7·20" extreme rainstorm flood in Zhengzhou City[J]. China Flood & Drought Management, 2021, 32(5): 1-4, 20. |
| [53] | Parker J K, McIntyre D, Noble R T. Characterizing fecal contamination in stormwater runoff in coastal North Carolina, USA[J]. Water Research, 2010, 44(14): 4186-4194. |
| [54] |
车蕊, 林澍, 范中亚, 等. 连续极端降雨对东江流域水质影响分析[J]. 环境科学, 2019, 40(10): 4440-4449. Che R, Lin S, Fan Z Y, et al. Effects of continuous extreme rainfall on water quality of the Dongjiang river Basin[J]. Environmental Science, 2019, 40(10): 4440-4449. |
| [55] | Herrador B G, de Blasio B F, Carlander A, et al. Association between heavy precipitation events and waterborne outbreaks in four Nordic countries, 1992-2012[J]. Journal of Water and Health, 2016, 14(6): 1019-1027. |