萬(wàn) 浩，董曉華，彭 濤，劉 冀，喻 丹，薄會(huì)娟，陳 亮

(1.三峽大學(xué)水利與環(huán)境學(xué)院，湖北 宜昌 443002；2.水資源安全保障湖北省協(xié)同創(chuàng)新中心，武漢 430072)

0 引 言

黃柏河流域位于湖北省宜昌市西北部，是宜昌市重要的水源地，也是著名的磷礦產(chǎn)區(qū)。近年來(lái)隨著經(jīng)濟(jì)的不斷發(fā)展和磷礦的大量開(kāi)采，流域生態(tài)系統(tǒng)的結(jié)構(gòu)和功能遭到嚴(yán)重?fù)p害，引發(fā)了一系列的生態(tài)與環(huán)境問(wèn)題，例如流域水環(huán)境惡化、水土流失以及河道斷流等現(xiàn)象，水資源保護(hù)形勢(shì)日趨嚴(yán)峻[1,2]。水作為污染物傳輸和轉(zhuǎn)化的基本載體，是維持生態(tài)平衡的物質(zhì)基礎(chǔ)，因此準(zhǔn)確模擬徑流的變化規(guī)律是流域水資源管理和規(guī)劃的重要基礎(chǔ)[3]。流域水文模型是研究水文循環(huán)過(guò)程的重要工具?，F(xiàn)有的水文模型可以分為集總式水文模型和分布式水文模型，其中分布式水文模型能夠準(zhǔn)確模擬下墊面和降雨的空間差異性，被廣泛用于流域水文過(guò)程模擬的相關(guān)研究中[4]。SWAT(Soil and Water Assessment Tool)模型是美國(guó)農(nóng)業(yè)部(USDA)農(nóng)業(yè)研究中心(ARS)于20世紀(jì)90年代開(kāi)發(fā)并不斷完善的一個(gè)流域尺度的分布式水文模型。SWAT模型具有較強(qiáng)的物理基礎(chǔ)，能夠模擬流域氣候、土壤條件、土地利用以及管理措施變化下的水沙、營(yíng)養(yǎng)物、殺蟲(chóng)劑等物質(zhì)的運(yùn)移[5]。在國(guó)內(nèi)外，SWAT模型已得到了廣泛應(yīng)用[6,7]。

SWAT模型參數(shù)眾多，很多參數(shù)難以直接獲取，且同時(shí)需要考慮不同子流域參數(shù)的空間差異性，參數(shù)率定是一項(xiàng)繁雜的工作。此外模型是將復(fù)雜的水文現(xiàn)象和過(guò)程經(jīng)概化后的近似的數(shù)學(xué)物理模型，其中存在著模型結(jié)構(gòu)、模型輸入和模型參數(shù)這三個(gè)方面的不確定性。因此，采用合理的參數(shù)率定方法對(duì)于提高模型模擬精度和模型的可靠性格外重要。序貫不確定擬合法(Sequential Uncertainty Fitting ver2，SUFI-2)作為近年來(lái)使用較多的不確定性分析方法，可以方便快捷地對(duì)SWAT模型進(jìn)行參數(shù)率定，驗(yàn)證和不確定性分析，對(duì)于模擬精度和運(yùn)算效率都有很大的提高。

以往對(duì)于黃柏河的研究，都主要集中在流域的水質(zhì)評(píng)價(jià)以及污染成因分析，采用分布式水文模型來(lái)研究流域的徑流過(guò)程的研究較少。本文構(gòu)建黃柏河?xùn)|支流域SWAT模型，進(jìn)行流域的月徑流模擬，同時(shí)運(yùn)用SUFI-2算法進(jìn)行模型的率定、驗(yàn)證和不確定性分析，以期為黃柏河流域的水資源高效管理規(guī)劃提供科學(xué)依據(jù)。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

黃柏河位于宜昌市西北部，是長(zhǎng)江葛洲壩庫(kù)區(qū)最大的一條支流，干流全長(zhǎng)162 km。黃柏河在夷陵區(qū)兩河口以上分為東西兩支，東支發(fā)源于宜昌市夷陵區(qū)黑良山，東支干流長(zhǎng)130 km，集雨面積1 165 km2，河道平均坡降0.6%。流域地勢(shì)為北高南低，北部海拔1 300～1 900 m，中部海拔1 000～1 200 m，南部海拔200～800 m。黃柏河流域?qū)儆趤啛釒Ъ撅L(fēng)性濕潤(rùn)氣候，四季分明，雨量豐沛，多年平均氣溫16.9 ℃，多年平均降水量1 138 mm，且降水分布具有明顯的季節(jié)性，降水主要集中在6-9月，暴雨、短時(shí)強(qiáng)降水等災(zāi)害性天氣多發(fā)。

黃柏河流域水能資源豐富，多年平均徑流量約8.95 億m3，由上游到下游建有玄廟觀、天福廟、西北口、尚家河水庫(kù)，流域供水覆蓋了宜昌市50%的人口，是宜昌市的重要水源地。本研究選擇黃柏河?xùn)|支尚家河水庫(kù)以上流域作為研究區(qū)(圖 1)，研究區(qū)面積為932.26 km2。

圖1 研究區(qū)概況Fig.1 Overview of the study area

1.2 數(shù)據(jù)來(lái)源及處理

SWAT模型的輸入數(shù)據(jù)主要包括：數(shù)字高程DEM、土地利用數(shù)據(jù)、土壤數(shù)據(jù)以及氣象數(shù)據(jù)。其中DEM數(shù)據(jù)、土地利用和土壤柵格數(shù)據(jù)需要采用相同的投影坐標(biāo)系統(tǒng)。根據(jù)研究區(qū)的地理位置，本文采用WGS-1984地理坐標(biāo)系統(tǒng)和6°分帶的UTM(通用橫軸墨卡托)投影坐標(biāo)，帶號(hào)為49N，中央經(jīng)線(xiàn)為111°E。

本研究所用的DEM高程數(shù)據(jù)來(lái)源于地理空間數(shù)據(jù)云(http://www.gscloud.cn/)提供的SRTM數(shù)據(jù)，分辨率為90M，研究區(qū)的DEM圖如圖 1所示。土地利用數(shù)據(jù)是基于Landsat8遙感影像，數(shù)據(jù)來(lái)源于地理空間數(shù)據(jù)云(http://www.gscloud.cn/)，使用ENVI5.1軟件采用K-Means非監(jiān)督分類(lèi)[8]的方法進(jìn)行遙感解譯得到，如圖 2(a)所示。根據(jù)SWAT模型數(shù)據(jù)庫(kù)的要求，進(jìn)行土地利用編碼，各土地利用類(lèi)型與SWAT模型編碼的對(duì)應(yīng)關(guān)系如表 1所示。本研究的土壤數(shù)據(jù)來(lái)源于聯(lián)合國(guó)糧農(nóng)組織(Food and Agriculture Organization-FAO)和維也納國(guó)際應(yīng)用系統(tǒng)研究所(International Institute for Applied Systems Analysis-IIASA)構(gòu)建的世界協(xié)調(diào)土壤數(shù)據(jù)庫(kù)HWSD(Harmonized World Soil Database)。本文采用魏懷斌等[9]提出的方法來(lái)構(gòu)建研究區(qū)的土壤數(shù)據(jù)庫(kù)。土壤類(lèi)型的采用FAO-90土壤分類(lèi)系統(tǒng)，研究區(qū)共有5種土壤類(lèi)型，圖 2(b)顯示的是研究區(qū)的土壤空間分布情況，各土壤類(lèi)型的面積及對(duì)應(yīng)編碼見(jiàn)表1。SWAT需要輸入日尺度的氣溫(日平均、最高和最低)、太陽(yáng)輻射，風(fēng)速、相對(duì)濕度、降水、天氣發(fā)生器等數(shù)據(jù)來(lái)驅(qū)動(dòng)模型。本研究采用美國(guó)國(guó)家氣象預(yù)報(bào)中心(National Centers for Atmospheric Prediction-NCEP)的全球氣候再分析系統(tǒng)(Climate Forecast System Reanalysis-CFSR)提供的全球高精度氣候變量數(shù)據(jù)來(lái)構(gòu)建研究區(qū)的天氣發(fā)生器。

圖2 研究區(qū)土地利用圖及土壤類(lèi)型圖Fig.2 Land use map categories and soil map of the study area

序號(hào)土地利用類(lèi)型SWAT編碼面積/km2比例/%FAO90土壤名稱(chēng)面積/km2比例/%1荒地BARR1.010.10ATc人為土41.521.772耕地AGRL142.1715.25LVh1高活性淋溶土1163.8217.573水域WATR12.381.33LVh2高活性淋溶土2439.7347.174林地FRST758.9381.41LVh3高活性淋溶土3270.7229.035城鎮(zhèn)URBN17.771.91ALh高活性強(qiáng)酸土16.474.46 合計(jì) 932.26100合計(jì)932.26100

降雨采用位于流域內(nèi)4座水庫(kù)大壩處(圖 1)雨量站的2008-2016年實(shí)測(cè)日降雨數(shù)據(jù)。因缺乏實(shí)測(cè)數(shù)據(jù)，其他氣象數(shù)據(jù)則采用構(gòu)建的天氣發(fā)生器模擬。各水庫(kù)的日平均出入庫(kù)流量來(lái)源于黃柏河流域管理局提供的逐日觀測(cè)數(shù)據(jù)。

1.3 研究方法

1.3.1 SWAT模型

SWAT是分布式的物理-概念水文模型，采用分布式計(jì)算。SWAT模型的原理參見(jiàn)SWAT官方網(wǎng)站的相關(guān)技術(shù)文(http://swat.tamu.edu /documentation)，此處不再贅述。

為了準(zhǔn)確模擬研究區(qū)的2008-2016年的月徑流過(guò)程，本文基于研究區(qū)的DEM、土地利用、土壤和日尺度的氣象數(shù)據(jù)建立研究區(qū)的SWAT模型。根據(jù)DEM數(shù)據(jù)，并結(jié)合流域?qū)嶋H情況和模型的計(jì)算效率，設(shè)定集水面積劃分閾值為2 000 hm2，并手動(dòng)將4個(gè)水庫(kù)出口添加為子流域出口，最終將研究區(qū)域劃分為29個(gè)子流域，如圖1所示。土地利用類(lèi)型、土壤類(lèi)型的劃分閾值為5%，坡度類(lèi)型劃分閾值為10%，最終生成315個(gè)水文響應(yīng)單元。SWAT模型的地表徑流模擬采用SCS曲線(xiàn)法，河道匯流演算采用變動(dòng)存儲(chǔ)系數(shù)法，潛在蒸散發(fā)采用Penman-Monteith方法。

1.3.2 SWAT-CUP和SUFI-2算法

SWAT-CUP(SWAT Calibration and Uncertainty Programs)是Abbaspour等開(kāi)發(fā)的一款可實(shí)現(xiàn)對(duì)SWAT模型進(jìn)行參數(shù)敏感性分析、率定、驗(yàn)證和不確定性分析的計(jì)算機(jī)程序[10]。該程序包含了GLUE、ParaSol、SUFI2、MCMC和PSO五種優(yōu)化算法，其中SUFI-2算法因?yàn)檫\(yùn)行效率高，模擬效果好等優(yōu)點(diǎn)，應(yīng)用較廣泛[11]。本文采用SUFI-2算法對(duì)所構(gòu)建的SWAT模型進(jìn)行參數(shù)敏感性分析、率定、驗(yàn)證和不確定性分析。

SUFI-2算法了考慮了水文模型的輸入數(shù)據(jù)、模型結(jié)構(gòu)和模型參數(shù)的不確定性，并用最后率定的參數(shù)分布范圍來(lái)反映這些不確定性[12]。算法采用P-factor和R-factor兩個(gè)指標(biāo)來(lái)表征不確定性，P-factor表示在95PPU區(qū)間內(nèi)包含觀測(cè)數(shù)據(jù)的百分比，即95%置信區(qū)間包含的觀測(cè)數(shù)據(jù)量。R-factor等于95PPU帶的平均寬度除以觀測(cè)值的標(biāo)準(zhǔn)偏差，反映95%置信區(qū)間內(nèi)觀測(cè)值的密集程度[13]。本研究選取2.5%～97.5%的區(qū)間作為SUFI-2算法的95%的置信區(qū)間(95PPU)，兩個(gè)不確定性指標(biāo)(P-factor、R-factor)計(jì)算方法參見(jiàn)文獻(xiàn)[13]。理論上，P-factor的范圍是0～1，R-factor的范圍是0～∞。理想的情況是用最小的95PPU帶去包含大部分觀測(cè)數(shù)據(jù)(即P-factor等于1，R-factor接近于零)，但是通常一個(gè)較大的P-factor也對(duì)應(yīng)著較大的R-factor[14]。因此，在率定的過(guò)程中，要綜合權(quán)衡兩個(gè)指標(biāo)，使P-factor和R-factor均達(dá)到可接受的范圍。

SUFI-2算法中提供了兩種參數(shù)敏感性分析方法，One-At-a-Time(OAT)和全局敏感性(global sensitivity)方法。本研究采用全局敏感性分析對(duì)參數(shù)進(jìn)行敏感性分析，敏感性計(jì)算公式見(jiàn)文獻(xiàn)[13]。在分析中，采用t-Stat和p-Values來(lái)表示參數(shù)的敏感性。其中，t-Stat 表示參數(shù)的敏感性，p-Values表示敏感性的顯著性。即t-Stat的絕對(duì)值越大和p-Values值越小，表示參數(shù)越敏感[15]。

2 結(jié)果與分析

2.1 敏感性分析結(jié)果

根據(jù)模型運(yùn)算原理及各參數(shù)意義，參考Abbaspour等[16]的參數(shù)選擇和總結(jié)，結(jié)合其他研究者的成果，選取與徑流相關(guān)的19個(gè)參數(shù)進(jìn)行全局敏感性分析。參數(shù)的原始范圍是根據(jù)經(jīng)驗(yàn)和參數(shù)的物理意義確定的，見(jiàn)表2。程序運(yùn)行500次，得出敏感性分析結(jié)果見(jiàn)表2。

表2 參數(shù)敏感性分析及率定結(jié)果Tab.2 Sensitivity analysis and calibrated values for model parameters

注：v_是指絕對(duì)變化，直接替代原參數(shù)值；r_是相對(duì)變化，用原始值乘以(1十變化值)。

從表2中可以看出對(duì)黃柏河?xùn)|支流域月徑流模擬結(jié)果最為敏感的參數(shù)依次為：水分條件II時(shí)的初始SCS徑流曲線(xiàn)數(shù)(CN2.mgt)、土壤蒸發(fā)補(bǔ)償系數(shù)(ESCO.hru)、土壤飽和水力傳導(dǎo)度(SOL_K.sol)等。CN2是采用SCS曲線(xiàn)法計(jì)算地表產(chǎn)流的關(guān)鍵參數(shù)，其值直接影響著徑流量的大小。與其他濕潤(rùn)地區(qū)的研究[17,18]相比，相同的敏感性參數(shù)有CN2、ESCO、SOL-K、GWQMN，說(shuō)明這些參數(shù)對(duì)于濕潤(rùn)地區(qū)的徑流模擬有重要影響。

2.2 參數(shù)率定和驗(yàn)證結(jié)果

選取2008年為模型的預(yù)熱期，以降低模型在運(yùn)行初期初始條件的影響。2009-2013年為模型率定期，2014-2016年為驗(yàn)證期，進(jìn)行黃柏河?xùn)|支流域的月徑流模擬。選取國(guó)內(nèi)外文獻(xiàn)[19,20]中普遍使用的Nash-Sutcliffe Efficiency納什系數(shù)(NSE)、均方根誤差與標(biāo)準(zhǔn)差比值(ratio of root mean square error to standard deviation，RSR)和百分比偏差(Percent Bias，PBLAS)來(lái)綜合評(píng)價(jià)模型的模擬精度，各評(píng)價(jià)指標(biāo)的計(jì)算方法見(jiàn)文獻(xiàn)[20]。一般認(rèn)為NSE>0.5，RSR<0.7，|PBLAS|<25%時(shí)，模型模擬結(jié)果是可以接受的。

SUFI-2算法是通過(guò)不斷迭代來(lái)獲得最佳參數(shù)范圍，每次迭代都會(huì)計(jì)算目標(biāo)函數(shù)和參數(shù)之間的相關(guān)性，然后為下一次迭代提出新的參數(shù)范圍。需要注意的是，在迭代過(guò)程中，一些建議的參數(shù)范圍超出了參數(shù)的物理意義，需要對(duì)這些參數(shù)進(jìn)行手動(dòng)調(diào)整，使它們不超過(guò)最大/最小絕對(duì)值的范圍。本研究共進(jìn)行了3次迭代，每次迭代運(yùn)行500次，得出了最終的結(jié)果，參數(shù)率定結(jié)果見(jiàn)表2。

月徑流率定和驗(yàn)證結(jié)果見(jiàn)圖3和表3。由圖3可以看出，玄廟觀、天福廟、西北口和尚家河站的SWAT模型模擬的月徑流過(guò)程線(xiàn)與實(shí)測(cè)月徑流過(guò)程線(xiàn)較為吻合，對(duì)于洪峰均有響應(yīng)。各站的均方根誤差與標(biāo)準(zhǔn)差比值RSR均小于0.7，在誤差范圍內(nèi)。納什效率系數(shù)NSE除玄廟觀站為0.64外，其余各站均在0.75以上，西北口和尚家河站都達(dá)到了0.9以上，模擬精度較高。在驗(yàn)證期，各站點(diǎn)的納什效率系數(shù)NSE均在0.85以上，相對(duì)于率定期均有所提高，這可能是由于驗(yàn)證期相對(duì)于率定期時(shí)間較短，參數(shù)擬合相對(duì)較容易。同時(shí)發(fā)現(xiàn)，在率定期和驗(yàn)證期下游站點(diǎn)的模擬精度都高于上游站點(diǎn)，上游站點(diǎn)所控制的流域面積較小，徑流受人類(lèi)活動(dòng)的影響較大。最上游的玄廟觀站在率定期和驗(yàn)證期納什效率系數(shù)NSE均最小，分析原因可能是由于玄廟觀站受流域內(nèi)磷礦開(kāi)采影響較大，流域水循環(huán)模式改變顯著，一部分地表徑流進(jìn)入磷礦開(kāi)采所形成的礦坑，這增加了模型模擬的難度。另外，根據(jù)調(diào)查玄廟觀流域內(nèi)建有小水電站，模型未能考慮小水電調(diào)洪等人類(lèi)活動(dòng)的影響，對(duì)于模型模擬精度也有影響。

表3 黃柏河?xùn)|支流域月徑流模擬結(jié)果統(tǒng)計(jì)Tab.3 Evaluation of monthly runoff simulation results

圖3 黃柏河流域各站月徑流觀測(cè)值和模擬值對(duì)比及95PPUFig.3 Observed,simulated and 95PPU of monthly runoff in calibration period

對(duì)于百分比偏差PBIAS而言，大部分站點(diǎn)在率定期和驗(yàn)證期的PBIAS值均大于0且小于25%，說(shuō)明模型在率定期和驗(yàn)證期月徑流模擬結(jié)果較觀測(cè)值偏低。整體來(lái)看，3個(gè)評(píng)價(jià)指標(biāo)均在誤差范圍內(nèi)，SWAT模型能夠較好地模擬研究區(qū)的月徑流過(guò)程，在流域的月徑流模擬中具有較好的適應(yīng)性。

2.3 不確定性分析結(jié)果

不確定性結(jié)果見(jiàn)表3。在驗(yàn)證期和率定期各站點(diǎn)的P-factor均大于0.65，R-factor均小于1、表明大多數(shù)觀測(cè)值落在95PPU區(qū)間內(nèi)，所構(gòu)建的SWAT模型徑流模擬的不確定性較小。

除玄廟觀站外，驗(yàn)證期和率定期相比，各站點(diǎn)的不確定性均有所降低，觀測(cè)值落在95PPU區(qū)間內(nèi)的個(gè)數(shù)增多。在率定期，天福廟的P-factor最小，徑流模擬的不確定性最大，但是天福廟站的納什效率系數(shù)NSE并不是最小的，這表明模型的不確定性結(jié)果并不完全和模型模擬精度相一致。較大的參數(shù)范圍能夠反映出參數(shù)對(duì)模擬結(jié)果的影響，但由此產(chǎn)生較寬的不確定性區(qū)間，降低了模擬的置信水平。在參數(shù)率定的過(guò)程中，綜合考慮了模型的模擬精度和模型率定的不確定性，來(lái)提高模型模擬的可靠性。

3 討 論

由表3可知，玄廟觀、天福廟兩個(gè)水庫(kù)壩址處的徑流模擬結(jié)果比另外兩個(gè)水庫(kù)壩址處的模擬結(jié)果要差。原因可能是因?yàn)槿祟?lèi)大量的采礦活動(dòng)改變了流域下墊面條件。為了進(jìn)一步分析這兩個(gè)水庫(kù)壩址處徑流模擬結(jié)果較差的原因，圖4給出了流域降雨的空間分布[圖 4(a)]、實(shí)測(cè)徑流深分布[圖 4(b)]以及磷礦位置。

圖4 降雨徑流空間分布Fig.4 The spatial distribution of annual rainfall, runoff depth in the study area

由圖 4(a)可以看出，磷礦均位于天福廟水庫(kù)以上的區(qū)域。流域的年降雨量從上游到下游呈遞減趨勢(shì)，河流右岸地區(qū)高于左岸地區(qū)，年降雨量中游最高，下游流域出口地區(qū)降雨量最小。比較圖 4(a)和圖 4(b)可以發(fā)現(xiàn)，天福廟以上區(qū)域的降雨量較大，但是并沒(méi)有產(chǎn)生相應(yīng)較大的徑流深。特別是在上游磷礦密集分布區(qū)域，降雨量大而徑流深卻小。由于玄廟觀、天福廟以上區(qū)域磷礦分布密集，我們認(rèn)為造成徑流深減少的原因是由于磷礦開(kāi)采活動(dòng)引起的。磷礦開(kāi)采過(guò)程中形成的地下裂隙、礦洞和礦坑，下滲的降水通過(guò)這些地下通道大量流失，從而減少了地表徑流。這與文獻(xiàn)[21]的研究結(jié)果相同，即磷礦開(kāi)采減少了徑流量。

磷礦開(kāi)采活動(dòng)改變了流域下墊面條件，使地表徑流通過(guò)礦洞、裂隙等通道進(jìn)入地下。由于SWAT模型對(duì)地下水過(guò)程的模擬比較簡(jiǎn)單，僅僅分為淺層和深層含水層，因此使得玄廟觀、天福廟兩個(gè)水庫(kù)壩址處的徑流模擬精度遠(yuǎn)低于另外兩個(gè)水庫(kù)壩址處的徑流模擬精度。如果需要提高天福廟以上區(qū)域的徑流模擬精度，需要改進(jìn)SWAT模型中的地下水模擬模塊，或?qū)WAT模型與VISUAL MODFLOW等地下水模型耦合，使其能夠模擬磷礦開(kāi)采對(duì)徑流的影響，提高流域徑流模擬的精度。

4 結(jié) 語(yǔ)

本文在黃柏河?xùn)|支流域構(gòu)建了SWAT模型，運(yùn)用SWAT-CUP軟件中的SUFI-2算法進(jìn)行了模型參數(shù)的敏感性分析、率定和不確定性分析，對(duì)研究區(qū)的月徑流進(jìn)行了模擬。主要結(jié)論如下。

(1)參數(shù)敏感性分析結(jié)果表明，在所選取的19個(gè)與徑流相關(guān)的參數(shù)中，CN2、ESCO、SOL_K最為敏感，對(duì)研究區(qū)的月徑流模擬結(jié)果影響最為顯著。

(2)應(yīng)用SWAT模型進(jìn)行黃柏河流域的月徑流模擬可以取得較滿(mǎn)意的結(jié)果，多數(shù)站點(diǎn)在率定期和驗(yàn)證期的NSE均大于0.75，流量過(guò)程線(xiàn)擬合程度較好，表明SWAT模型在研究區(qū)具有較好的適用性。

(3)采用SUFI-2方法的不確定性分析表明，各個(gè)站點(diǎn)的不確定性都較小，大多數(shù)觀測(cè)值落在95PPU區(qū)間內(nèi)，驗(yàn)證期的不確定性小于率定期。其中，天福廟站的徑流模擬精度雖然較高，但是其模擬結(jié)果的不確定性最大，說(shuō)明模擬精度和不確定性結(jié)果并不一致，需要在模擬精度和模擬結(jié)果的不確定性之間取得平衡。

(4)模擬結(jié)果表明，流域上游徑流模擬精度低于下游，原因是上游區(qū)域大量存在磷礦開(kāi)采活動(dòng)，這一人類(lèi)活動(dòng)改變了流域的下墊面條件，增加了SWAT模型的模擬難度，預(yù)計(jì)通過(guò)改進(jìn)SWAT模型的地下徑流模塊可以提高徑流模擬精度。

□