1 简介
地下水是淡水的重要来源，占全球淡水抽取量的三分之一（Döll等，2017）。引文2012），用于灌溉农田并供应饮用水和工业需求。地下水和地表水是相连的，地表水库（河流、湖泊和湿地）和下面的含水层之间存在水交换（Winter等，2017）。引文1998 年，Safeeq 和票价引文2016）。因此，在水资源模型中考虑地下水和地表水的相互作用非常重要，特别是在未来的社会和社会经济变化下，地下水和地表水供应的压力可能会增加（Vörösmarty等人，2015）。引文2005 年，Vanham等人。引文2011年，和田等人。引文2013 年，希门尼斯·西斯内罗斯等人。引文2014）。

最近有大量研究致力于改善具有水资源功能的大型模型中人类与地下水相互作用的表征，例如水-全球评估和预测（WaterGAP）（Müller Schmied 等人，2017 ）。引文2020），H08（Hanasaki等人。引文2018），社区水模型（CWatM）（Burek等人。引文2020），可变渗透能力（VIC；Droppers等人。引文2020），MATSIRO 中的人类影响和地下水模块（HiGW-MAT）（Pokhrel等人， 2020） 。引文2015），PCRaster 全球水平衡（PCR-GLOBWB）（S​​utanudjaja等人。引文2018）和全球水资源可用性评估（GWAVA）（英国生态与水文学中心引文2020年）。这些模型具有相对简单的地下水常规：具有线性存储流出关系的一维地下水库，或者在 VIC 的情况下，具有非线性流出关系的底部土壤层。大多数模型没有明确计算地下水深度，而是计算地下水储存量或储存量变化。它们都允许降雨对地下水进行补给，具体取决于降水量和土壤特性，并且一些模型考虑了湿地和水体的补给（WaterGAP、PCR-GLOBWB），但没有一个模型代表地下水库之间的横向流动。所有这些模型都代表从地下水库中提取水以满足用水需求，最常见的是没有限制，但可再生地下水和不可再生（有时称为化石）地下水的提取之间存在一些区别。VIC 和 PCR-GLOBWB 都根据抽水能力（使用国际地下水资源评估中心 (IGRAC) 的信息）限制地下水抽取量，并且在 GWAVA 中，用户可以应用最大抽水率。在维多利亚州，地下水抽取量进一步受到特定环境基流要求的限制。作为这些简单地下水表示的替代方案，WaterGAP、CWatM 和 PCR-GLOBWB (Sutanudjaja等人。引文2018）可以完全耦合到三维模块化三维有限差分地下水流模型（MODFLOW）式地下水模型（de Graaf等人，2018 ）。引文2017 年，赖内克等人。引文2019，龙等人。引文2020）。二维地下水模型最近已被纳入 VIC（Scheidegger等人，2017）。引文2021），它模拟地下水位横向流动和地下水位-非饱和区相互作用，但该版本不包括最近添加到代码中的人类用水成分（Droppers等，2021）。引文2020）。

高韦里河流域是印度半岛的一个大型流域，降水量变化很大，水资源管理面临重大挑战（Bhave等，2017）。引文2018）。地质主要是硬岩，由于风化，含水层特性表现出显着的垂直变化。该盆地的大部分用水需求是通过地下水来满足的，并且有无数的小规模人类干预措施旨在人工补给当地地下水。这些干预措施包括拦河坝、农场堤岸以及城市和农村水池（参见 Horan等人。（引文2021c）详细描述了高韦里河流域的小规模干预措施）。为了准确评估高韦里盆地水资源，需要同时考虑地表水和地下水以及它们之间的相互作用。例如，地下水抽取会影响基流，减少旱季的河流流量（Collins等，2017）。引文2020）和广泛安装补给池可以增加当地地下水资源，但至关重要的是要考虑这对地表水的影响，特别是考虑到蒸发造成的水损失的增加。水资源模型中可用的简单地下水例行程序不足以完全代表高韦里盆地水资源的复杂性，并且应用 MODFLOW 耦合模型计算量大且数据密集。

因此，我们选择开发改进地下水方案的新版本GWAVA（以下简称GWAVA-GW）来评估高韦里盆地的水资源。GWAVA 模型是一个大型网格水文模型，结合了蒸散、渗透、径流、河流走向、湖泊、湿地和冰川等自然水文过程，以及包括水库、调水、需水和取水（从地表）的人为干预措施。和地下水源）和回流（Meigh等人，2014）。引文1999，杜蒙等人。引文2012年，英国生态与水文中心引文2020）。它被设计为适应低数据环境，并因其灵活性、功能性和低计算要求而被选用于本研究。在 GWAVA-GW 中，简单的地下水库例行程序已被概念性的、空间可变的、简单的分层含水层组件所取代（改编自 AMBHAS-1D 模型（Mondal等人，2017）。引文2016，苏巴什等人。引文2017 )) 以更好地表示流域内的含水层特性（见第 3.1.2 节）。此外，地下水抽取已完全耦合，并增加了一系列自然和人工补给过程，包括小规模的人为干预措施（检查水坝、农场堤坝、城市和农村水库）。据作者所知，这是第一次在大型模型中明确表示这些内容。改进后的地下水计划预计不会提供通过详细地下水建模可以实现的高水平地下水预测；相反，我们的目标是在没有令人望而却步的数据或计算要求的情况下，捕捉水平衡组成部分的总体趋势和综合水资源评估的宝贵证据。

在本研究中，通过比较 GWAVA 和 GWAVA-GW 模拟的观测水流和模拟水流，探讨了这些变化对高韦里盆地模型预测能力的影响。通过分析地下水通量、地下水深度和地下水抽取率，并将其与现有数据进行比较，进一步研究了新功能。

2 研究领域
高韦里河流域是印度半岛的一个大盆地（~81 000 km 2 ）（图。1）。该流域的大部分地区属于卡纳塔克邦（上游）和泰米尔纳德邦（下游）两个邦境内，长期以来，两个邦之间在流域内水资源共享问题上一直存在紧张关系（Sharma 等，2017 ）。引文2020）。

高韦里河发源于西高止山脉，沿盆地西部延伸。河流从这里流经迈索尔高原，通过广阔的三角洲系统流入孟加拉湾。流域内降水梯度明显，西部地区平均降雨量超过3000毫米a -1 ，东部地区降水量降至500毫米a -1左右（水利部引文2014）。大部分降雨发生在六月至九月之间，西南季风期间。高温导致潜在蒸散量较高，且潜在蒸散量也存在空间差异：西部地区小于1300毫米a -1 ，东部地区超过1700毫米a -1（水利部）引文2014）。

盆地的地形和地质条件各不相同（Palamakumbura等人，2017）。引文2020）。上游流域主要位于迈索尔高原，这是一个由片麻岩和各种表层岩石组成的高起伏高原。东部也有花岗岩部分，而西高止山脉的深度风化区域则有片麻岩、花岗岩和钾长岩的混合物。流域的中点被一条地形各异的霞铁岩带一分为二（250-1400 m）。下游流域逐渐下降，起伏平缓，为片麻岩、花岗岩、钾长岩的混合物，三角洲处有沉积岩。含水层可分为风化带（由腐泥土和/或底岩组成）、裂隙带和非裂隙基岩。盆地的大部分地区腐泥土层缺失或非常薄（Krabbendam 和 Palamakumbura）引文2018）。基岩中的地下水流一般局限于裂隙带，裂隙可显着提高有效渗透率和储存能力。裂缝通常随着深度的增加而减少，并且未裂缝基岩的产量显着降低（Dewandel等人，2017）。引文2006）。

该流域主要为农村地区，有几个重要的城市中心（班加罗尔、哥印拜陀和迈索尔），流域面积约 34% 为灌溉农田。主要农作物为水稻、高粱和玉米，漫灌是最常见的方法二手（印度-WRIS引文2012）。灌溉需求通过河流、运河网络（通常称为指挥区）和地下水抽取来满足。该流域大约一半的灌溉需求来自地下水（印度政府引文2011a），尽管由于监管水平较低以及地下水抽取基础设施方面的私人投资巨大，很难准确估计这一点。农场堤坝用于收集雨水，农村水库和检查水坝则阻挡地表水流，以补充当地地下水（Horan等人，2017）。引文2021c )。

班加罗尔（也称为班加罗尔）是一座拥有 840 万人口的城市（2011 年），位于高韦里河流域的东北边界（印度政府引文2011b）。班加罗尔的大部分用水需求是通过从高韦里河调来的水来满足的，但也依赖于抽取地下水（Sekhar等人，2017）。引文2017）。哥印拜陀市位于下游流域，人口为 110 万（2011 年）（印度政府引文2011b）。城市中心有大量来自泄漏管道和废水的人工地下水补给（Sekhar等，2017）。引文2017）。城市水箱（或湖泊）被用作雨水储存、饮用水源和当地含水层补给的方法。

高韦里盆地受到严格监管。流域周围有几条主要的调水管道，在流域内输送水，以满足城市和工业区的用水需求。还有从流域调出的水，向人口为 870 万的泰米尔纳德邦首府金奈供水（2011 年）。流域内有多座大型水库，目的是提供灌溉用水，或实现灌溉和水电两用。Mettur 大坝是流域内最大的大坝，库容约 26.5 亿立方米( Da引文2013），并对下游流量产生重大影响。

地下水是高韦里盆地的重要水资源，并且被广泛提取，因此追踪地下水深度并更好地表示地下水过程对于水资源建模是必要的。与概念存储相比，考虑地下水深度有几个好处：它可以使用地下水和径流进行模型验证，可以评估地下水洪水和沉降等相关风险，并且可以为水资源管理提供信息（例如，所需的水井）。深度和抽水能力、地下水抽水的潜在能源和碳成本）。

3 方法与材料
3.1 模型结构
3.1.1 吉瓦瓦
GWAVA 是一种网格化、半分布式、概念性水资源模型（Meigh等人，2015）。引文1999，杜蒙等人。引文2012）。该模型考虑了自然水文过程，但也考虑了人为影响（参见英国生态和水文学中心（引文2020）了解详细说明）。GWAVA 的空间和时间分辨率非常灵活，典型的空间范围为 0.1–0.5°，以及每日或每月的时间步长。它使用概率分布模型 (PDM) (Moore) 计算每个网格单元的直接径流和土壤湿度引文2007）。

对于给定的网格单元，计算整个运行周期内每个时间步长的自然过程。然后，从水流和地下水存储的时间序列中提取需水量（包括转移用水），并将任何未消耗或转移的水添加到相关存储中。然后，网格单元的水流被引导至下游（通过湖泊、湿地或水库，如果存在），并且对流顺序中的下一个网格单元重复该过程。GWAVA 输出通常由水流时间序列和与水资源相关的各种统计数据组成，尽管可以输出任何建模变量的时间序列。

地下水部分由每个网格单元的概念性地下存储组成，该存储从土壤水分存储中接收地下水补给。其他来源（例如湖泊、人工补给设施、河道）的补给被忽略。

其中G路线（路由参数）和BF功率（衰退参数）是可校准的，并且BF具有GW存储的最大值。在河流选线之前，在每个时间步将基流添加到每个网格单元中的地表水存储中。

可以选择从地下水库中排出水（作为更深地下水过程的简单表示），并且从地下水库中排出的任何水都会从系统中流失。GWAVA 中的取水是解耦的，即地下水需求不是在每个时间步骤从地下水存储中提取的。GWAVA 模型不产生任何地下水时间序列。

这种方法有一些关键限制。首先，通过解耦地下水抽取，无法捕获地下水抽取和回流对水流的重要反馈（de Graaf等人，2016）。引文2014）。其次，由于没有计算地下水深度，不可能使用观测数据完全验证地下水过程，即，如果将概念地下水库作为模型输出，则可以使用近似的、与深度无关的比产量来计算地下水位的变化，但没有模拟绝对值来与观测数据进行比较。最后，GWAVA 忽略了水体（例如湖泊、水库、湿地）的地下水补给，这可能导致地下水补给的低估。这些限制已在以下小节中描述的模型更改中得到解决。

3.1.2 GWAVA-GW
在 GWAVA-GW 中，GWAVA 中添加了一个包含额外地下水处理的新地下水模块（包括小规模干预措施（Horan等人，2015）。引文2021c ))。这包括自然地下水过程和人工地下水过程之间的完全耦合，使得人为通量引起的地下水深度变化影响作为基流输送的水量，从而解决了 GWAVA 模型在应用于地下水丰富的地区时的重大限制。

在这个新版本的模型中，含水层被概念化为一维存储，其中具体产量可以随深度而变化。这表示为一系列简单层，每个层都分配有特定的产量值。层数及其厚度在单元之间可能有所不同，由用户根据系统的水文地质知识来定义。未实现单元间横向地下水流的模拟。然而，这被认为是可以接受的，因为 GWAVA 是为大规模实施而设计的，通常为 0.1-0.5°，并且没有对地下水位和非饱和带之间的动态相互作用进行建模（Krakauer 等人，2017） 。引文2014，谢德格尔等人。引文2021）。此外，正如最近一项详细的水文地质和地下水模型研究所表明的那样（Collins等人，2017）。引文2020年）高韦里河流域的一个子流域（图。1），横向地下水流可能是这种结晶基岩系统中地下水平衡的一小部分。

地下水库的补给来自土壤水分（与 GWAVA 类似），但也来自湖泊和水库、漏水管道和人工补给结构（水箱、拦河坝和农田堤坝），从而解决了 GWAVA 的第二个限制模型。假设来自大型水体（例如主要水库）的补给是按照用户定义的针对每个水体的恒定速率进行的。漏水管道的补给量按抽取的水量的百分比计算。这是为了捕获取水点和用户之间的水输送损失，这可能是城市地区补给的主要来源（Sekhar等人，2017）。引文2017）。输送损失百分比由用户定义，并且在城市和农村用水需求之间有所不同，以反映不同的基础设施。

GWAVA-GW 中包括的小型人工补给结构包括：城市和乡村水库、拦河坝和农田堤坝。每种类型的结构都集中在每个网格单元上，并以恒定的速率补充地下水储存直至排空（它们也会通过蒸发损失水）。农场堤岸是沿着田地边界修建的低坡道。因此，在模型中，假设它们由降雨和地表水径流填充，并以取决于当地土壤类型的速率补给。农场堤坝截留的水预计在一天结束时完全渗透或蒸发。拦河坝建在小溪上，因此可以通过直接降雨、地表水径流和溪流来填充。城市和农村的水箱是人工水体，也通过直接降雨、地表水径流和溪流填充。流域范围内的拦河坝、城市和农村水库的补给率由用户定义。选择的值应考虑土壤和含水层类型以及疏浚频率。

其中λ是路由系数，GW BF (mm) 是地下水储存水平，低于该水平则没有基流。在人为抽取和回流之前，在每个时间步将基流添加到每个网格单元中的地表水存储中，然后进行河流路由。GW BF一般由存储转换为深度值h BF(m) 除以比产量（考虑不同含水层的不同比产量值，并进行单位换算）。这种转换通过标准化地下水相关模型输入和输出的单位来帮助理解。地下水深度已作为模型输出包含在内，以便与观测数据进行比较；GWAVA 模型缺乏此功能。

参数λ和h BF可以针对每个网格单元进行校准（λ 的范围可以从 0 到 0.05，h BF从 0 到最大含水层深度）。请注意，这些参数替换了原始模型中的可校准地下水参数G路线和BF功率，但并不等效（尽管路线参数G路线和λ执行类似的功能）。可以直接从地下水库中提取水至用户定义的最大深度。分层含水层和相关路线在人工补给下进行了测试，为 GWAVA-GW 在高韦里盆地的应用提供信心（见附录 A）。

对于 GWAVA 和 GWAVA-GW，初始存储是在模型启动期间设置的，建议长度 > 30 年。高韦里盆地的初步调查表明，地下水深度在模型启动后 2-5 年内达到长期平均深度。

3.2 数据来源
用于在高韦里盆地运行 GWAVA 和 GWAVA-GW 的数据总结于附录 B中，表B2。它们以每日时间步长在 0.125° × 0.125° 网格上运行。该模型域不包括泰米尔纳德邦的下游三角洲地区，该地区无法在 GWAVA 模型中准确表示，因为它们没有考虑潮汐过程。

每个网格单元的人为需求（包括家庭、畜牧、工业和灌溉需求）估计如下。国内需求的计算方法是人口乘以国家法定供水需求：城市地区人均每天 135 升，农村地区人均每天 70 升（印度政府）引文2011a）。牲畜需求量的估算方法是将牛的数量乘以人均每天 77 升，山羊和绵羊的数量乘以人均每天 5.25 升（粮农组织）引文2018）。工业需求是根据每个工业领域的工业规模和类型估算的（KIADB引文2020年，TIDCO引文2020），并使用粮食及农业组织（FAO）AQUASTAT数据库（FAO）中报告的国家估计值进行缩放引文2016）。

灌溉需求是使用作物因子方法确定的，并根据流域灌溉实践的专家知识和小流域研究建模为 44% 的效率（该值在印度报告的效率范围内；参见 Mishra 和 Dhar）引文2018，贾恩等人。引文2019）。在用于灌溉的所有抽水中，30% 作为径流返回地表水，其余部分则作为非生产性蒸散从系统中流失。这是一种简化，因为实际上有些将被作物有益地消耗（此处假设为总取水量的 44％），有些将因非生产性蒸散而损失（例如在运输或田间施用期间），有些将是地表径流，有的会补给地下水。在 GWAVA 和 GWAVA-GW 模型中，灌溉地下水补给的缺乏将导致地下水补给的低估，应在未来的模型开发中解决，因为这可能很重要（Ebrahimi 等人，2017 ）。引文2016）。然而，在大规模概念模型中准确表示灌溉回流可能具有挑战性，正如其他水资源模型所采用的一系列方法所证明的那样（例如，在 CWatM 中，灌溉回流的 50% 因蒸发而损失，50% 的灌溉回流被蒸发）。 % 返回到通道网络（Burek等人，2017）。引文2020），而在 VIC 模型中，未消耗的灌溉水返回到土壤柱（Droppers等，2020）。引文2020））。

根据印度政府公开的数据（印度政府引文2011a）。如果首选水源无法满足用水需求（如果水库耗尽），则该模型允许从单元中的任何可用水源提取水以满足需求。如果地表水和地下水储量都耗尽，则需求仍然无法满足。

城市系统（城市家庭和工业需求）输送过程中的水损失百分比为 23%，农村系统（农村家庭和牲畜需求）为 25%（印度政府）引文2011a）。需水量增加相应的百分比来计算满足需求必须抽取的水量。这些水被认为是通过泄漏的管道和类似基础设施流失的，因此它被添加到地下水库中。为满足需求而抽取但未消耗的水（污水、工业废水、灌溉径流等），按城市生活和工业用水的 62%、农村生活和畜牧用水的 0%、以及 30% 的比例添加到河流蓄水池中。满足灌溉需求（印度政府引文2011a）。

使用三层概念模型估算含水层参数（每层的具体产量和深度），详细信息参见图2，基于现场验证的地质学图3。地质区域是通过对上高韦里盆地的实地勘察和对整个高韦里盆地（克拉本丹和帕拉马库姆布拉）的卫星图像分析来确定的。引文2018）；它们的特性在附录 C中列出，表C1。在上高韦里地区确定了六个地质域，并在下高韦里地区确定了第七个地质域。使用中央地下水局 (CGWB) 地区报告和其他来源（例如 Maréchal 和 Holman引文2004 年，德万德尔等人。引文2006年,引文2010年,引文2011年，辛格哈尔和古普塔引文2010，伯努瓦等人。引文2017年）每个域都填充了层厚度，并且为每个层分配了特定的屈服值。一般来说，每个域由四个主要层组成；这些是腐泥土、腐岩、裂隙岩和基岩。腐泥土和土岩通常在模型中组合成单层，因为它们具有相似的水文地质特性。就钙镁矿域而言，基岩上方仅存在一层薄薄的腐泥土，这意味着该域被概念化为仅具有两个主要层。在迈索尔高原的下游流域和河流下游，有厚厚的冲积层覆盖在腐泥土/土岩层上，与其他地方一样，这些冲积层的下面是裂隙岩和基岩，这意味着该区域有四层。模型。

3.3 校准和验证方法
两个模型版本均使用流域内 14 个不同测量站的流量数据进行校准和验证（图。1）。为方便起见，本研究中这些压力计编号为 1-14，每个压力计上游的子流域均以相应的压力计编号表示。这些数据是根据数据的完整性、数据覆盖的时间段以及子流域的大小从流域内的 28 个仪表中选出的。如果超过一半的数据点被标记为“观察到”而不是“计算”，并且在感兴趣的年份（1980-2014）内至少有连续五年可用，则认为数据足够完整。这个阈值可能看起来很低，但提高观测数据与计算数据的比例限制后，可供选择的指标就很少了。此外，排除了三个或更少网格单元的子流域，因为对于这些子流域，实际子流域面积与模型中假设的面积之间存在显着差异（由于网格分辨率）。对所选测量站和相关子流域的描述，包括用于校准的年份和用于验证的年份（根据连续数据可用性选择），载于附录B，表 B1。

观测到的地下水深度数据用于 GWAVA-GW 的校准和验证。全流域地下水深度数据仅提供 2007 年以来的数据，因此考虑了 2007 年至 2014 年期间的数据。图B1附录B中的数据显示了2007年至2014年间每个子流域的井密度以及每个井的数据点的平均百分比，并描述了地下水数据可用深度的分布和完整性。用于校准和验证时，地下水井按地质域或子流域分组。请注意，当地下水数据在子流域内进行空间平均时，这包括每个测量仪上游的区域，但不包括任何嵌套子流域覆盖的区域。

使用 GWAVA 自动校准例程根据水流数据对 GWAVA 进行校准。该例程使用四个参数进行校准：地表和地下水路由参数（S rout、 G rout）、描述土壤水分容量空间变化的 PDM 参数 ( b ) 以及用于调整生根深度的乘数 ( fact )。请注意，这些参数仅影响系统的自然组件。下坡单纯形法（Nelder 和 Mead引文1965）根据绝对差、Nash-Sutcliffe 效率 (NSE)、log NSE 或 Kling-Gupta 效率 (KGE) 的非参数变体，改变这些参数（在允许的范围内）以最小化用户选择的目标函数。在本研究中，使用了每个目标函数，并根据对每个子流域校准期内观测数据和建模水流的目视检查来选择校准参数集。对于大多数子流域，校准到 KGE 的非参数变体可以在水文过程线的各个方面（低流量、峰值、衰退边缘等）上为观测到的水流提供最佳的视觉拟合。

参数BF功率不包含在自动校准例程中，因为使用较少的参数进行校准可以降低过度拟合的风险。然而，在本研究中BF功率手动校准以标准化 GWAVA 和 GWAVA-GW 之间校准参数的数量，以便模型性能的任何改进都可以归因于模型过程的变化而不是增加的校准。通过使用一系列不同的水库参数重新运行自动校准程序，并根据目标函数和流量的目视检查选择最佳参数集，对水库下游的仪表进行了额外的手动校准。尽管有水库流量数据，但由于数据置信度较低，未将其用于校准。

对于 GWAVA-GW，在校准之前对每个子集水区的h BF和抽水深度进行了一些限制。h BF的最大值设置为子流域地下水数据所有深度的第 75 个百分位，最大抽水深度设置为每个地质域平均观测到的最大地下水深度。这种最初的粗略“校准”可以防止高水平的需求导致不可能的深层地下水值，并解释了地下水抽取的可能限制。在可用水通常超过需水量的流域中，可能不需要此步骤。然后使用自动校准例程针对水流对模型进行校准，以适应不同的λ除了S rout、 b和fact之外，还有h BF。储层参数与 GWAVA 中使用的参数保持相同，并且存在小规模干预措施。

生成了一个额外的模型运行来研究小规模干预对模型技能的影响，其中 GWAVA-GW 是在没有任何小规模干预的情况下进行校准的，因为这些干预措施在流域尺度上的影响存在不确定性（Xu等人）等人。引文2013）。

应该注意的是，考虑到可以校准的空间变量参数的数量，模型中存在等价性的潜力。这些参数必须在空间上可变，特别是在大型且异构的域上应用模型时，因此通过在子流域和地质域内而不是单个网格单元内进行校准来降低过度拟合的风险非常重要。

在进行任何形式的建模时，在将模拟结果与观测数据进行比较时评估模型性能都可能具有挑战性。有多种统计方法可供选择，但每种方法都有缺点。NSE 经常用于水文模型，但单独使用时可能会产生误导，因为它强调高流量与水文过程线其他方面的拟合（Jain 和 Sudheer）引文2008 年，古普塔等人。引文2009）。KGE是一个多目标函数，结合了偏差、线性相关性和变异性的比较；它的范围在 −∞ 和 1 之间。它是水文学中越来越流行的度量（Pechlivanidis等人，2017）。引文2014，蒂雷尔等人。引文2015，诺本等人。引文2019），我们选择在这里使用它来评估模型性能。选择 KGE 值 0.3 作为确定模型是否行为的阈值（平均流基准与最佳性能值分别为 -0.41 和 1 之间的中间值，如 Knoben 等人所讨论的。（引文2019）。虽然这个阈值有些随意，但我们主要对比较模型性能感兴趣，因此这个选择是可以接受的。

其中KGE和KGE GW分别是 GWAVA 和 GWAVA-GW 模型的效率值，KGE最优是给定指标的最佳可能效率值（在这种情况下，KGE 的最优值为 1）。Δ技能为正值表示 GWAVA-GW 的性能优于 GWAVA，零值表示性能相似，负值表示 GWAVA-GW 的性能不如 GWAVA。由于技能变化是一个相对指标，因此没有超出正/负阈值的基准值，并且应始终将 KGE 值与模型技能的变化一起考虑，以获得充分的理解。比较了每个模型的水流模拟精度，但无法比较地下水深度的精度，因为只有 GWAVA-GW 输出地下水深度值。

4 个结果
4.1 水流
将 GWAVA 和 GWAVA-GW 产生的日平均水流与高韦里盆地选定子集水区观测到的日水流进行比较，表格1和图 D2–D4附录 D中给出了子集水区压力表的位置和名称图。1和附录 B，表 B1。使用 KGE 在校准和验证期间评估模型性能，通过直观地比较过程线以及评估 GWAVA 和 GWAVA-GW 之间模型技能的变化。

此处未提供 Mettur 大坝下游测量仪（即测量仪 12 至 14）的结果。这些水位的水流主要由大坝的运行情况决定；这在图D1附录 D中显示了大坝上游和下游仪表处观测到的水流。GWAVA 和 GWAVA-GW 中的简单水库程序无法准确捕捉 Mettur 大坝的行为。由于仪表 12 至 14 的结果未提供有关添加更详细的地下水表示是否可以提高模型性能的任何信息，因此将它们排除在进一步分析之外。

表格1给出了子流域 1 至 11 的 GWAVA 和 GWAVA-GW 校准和验证期的 KGE 值，以及它们之间的 Δ 技能。表格1显示 GWAVA-GW 的校准结果与观测到的水流吻合良好：91% 的子流域 KGE ≥ 0.3。GWAVA 和 GWAVA-GW 子流域 4 KM Vadi 的性能都很低。第 5 节探讨了该子流域模型性能不佳的可能原因。

验证结果通常低于校准期：55% 的子流域 KGE ≥ 0.3，并且在几个子流域（2、9、10 和 11）中，GWAVA-GW 的 KGE 值下降到行为阈值，尽管在校准期间超过了它。

GWAVA-GW 也在没有小规模干预的情况下进行了校准，以确定这些干预对模型技能的影响。通过比较有干预和无干预的 GWAVA-GW 结果校准的过程线和效率指标，很明显，纳入小规模人类干预对模型技能的影响很小，尽管它确实对百分比有很小的积极影响几乎所有子流域都存在偏差。干预措施对子流域地下水平均深度的影响非常小。虽然很明显，这些干预措施对高韦里盆地尺度的模型技能和模型存储影响不大，但霍兰等人。（引文2021c）证明了它们对子流域规模的水流和估计蒸发量的影响。

比较校准期间子流域 5、6 和 10 的观测水流和模拟水流（附录 D，图 D2–D4），以及子流域的平均降雨量。选择这些子流域是为了说明模型在流域内一系列水文条件下的性能。

5 号子流域 Munthankera 是一个小型源头流域，人为影响程度较低，降雨量相对较高。两个模型版本都在该子流域中产生了良好的水流模拟，尽管两者都低估了峰值流量。与 GWAVA-GW 模拟相比，GWAVA 结果与峰值流量有更好的匹配，但 GWAVA-GW 与衰退四肢的匹配要好得多（附录 D，图D2）。该流域中 GWAVA-GW 的技能变化为Δ技能 = 0.35，考虑到用水量较低，这表明模型改进不仅仅是实施 GWAVA 中缺少的地下水抽取耦合的结果。

第 9 号子流域 T. Bekuppe 是一个更大、更干燥的源头流域，由于班加罗尔市位于其东部边缘，因此受到高度人为影响。GWAVA 往往会低估低流量并高估峰值流量，尽管有些峰值完全被忽略。GWAVA-GW 模拟的性能各不相同，可以很好地匹配 2008 年的径流，但通常低估 2010 年的流量。这两个模型都高估了 2010 年末的径流峰值，以响应气候输入数据中的高降雨量（a 11 天期间总计 147 mm，每日最大值为 59 mm），而观察到的流量显示出相对适中的峰值 58 m 3 s -1（附录 D，图D3）。

子流域 10 Biligundulu 是最大的子流域，模拟流量与观测流量之间表现出合理的一致性（附录 D，图D4）。尽管很难根据水文过程线的目视检查来区分模型性能，但与验证期内的 GWAVA 结果相比，这是唯一一个模型技能显示 GWAVA-GW 略有下降的子流域。比较 GWAVA 和 GWAVA-GW 的 KGE 指标的各个组成部分表明，虽然这两个模型与观察到的流量具有相似的线性相关水平，但与 GWAVA 相比，GWAVA-GW 具有更大的偏差和更高的相对变异性。

4.2 地下水深度和抽取
GWAVA-GW 模拟的地下水深度与 2007 年至 2014 年观测到的地下水深度数据进行了比较（图4和图5）。模型模拟有高估流域地下水深度的趋势（图4），特别是在地下水抽取量也被高估的子流域（附录 D，图D5）。Sakleshpur 子流域 2 的每月地下水深度与子流域空间平均的观测数据吻合良好（图5）。尽管模拟的长期平均值比观测平均值深约 5 m，但仍在子流域观测到的地下水深度范围内。由于强加的抽取深度限制，模拟地下水深度有趋于平坦的趋势，而观测数据中不存在这种限制。

通过探索地下水通量（即进出地下水库的垂直流），深入了解 GWAVA-GW 模拟的深层地下水（图6）。小规模干预措施的补给量在选定的子流域内小得可以忽略不计（<1 mm a −1），并且相对于剩余通量而言，来自湖床的补给也很小。所有子流域最大的流入部分是降雨补给，其中降雨量最高的西高止山脉子流域（子流域 2、3 和 5）的补给量尤其高。所有子集水区中，来自输送损失（例如管道渗漏）的补给相对较小，但在城市用水水平较高的 9 号子集水区（T. Bekuppe）中，补给量稍大。地下水抽取是所有子流域的重要流出通量，并且在许多子流域中它超过了基流。基流被添加到地表水库中，并且在旱季通常保持低流量。9号流域的平均基流很小，因此模拟的低流量也相应较小（附录D，图D3）。

与 CGWB（中央地下水局）报告的地下水抽取量相比，GWAVA-GW 普遍高估了地下水抽取量引文2009）（附录D，图D5）。在 Sakleshpur 子流域 2 中尤其如此，但这可能是由于其规模较小（四个网格单元），这往往会加剧网格模型输出与观测数据之间的差异。在子流域 8 中，TK Halli、GWAVA-GW 结果低估了地下水抽取量，尽管该子流域的很大一部分需求仍未得到满足，因为该子流域的地下水抽取量受到最大抽水深度的限制。由于地下水的平均深度与观测值非常吻合，这表明地下水补给量被低估。

5 讨论
5.1 水流
在高韦里盆地，Mettur 大坝下游的水流受到大坝的强烈影响，而 GWAVA 和 GWAVA-GW 模型中的水库模拟例程并不能很好地体现这种影响。这为未来的研究和模型开发提供了机会，因为改进的储层常规有可能增强模型（Horan等人，2017）。引文2021b），尽管准确表示水库释放是一个重大挑战，通常是由于难以获得操作规则信息（例如，Zhao等人， 2021b ）。引文2016，Zajac等人。引文2017 年，Coerver等人。引文2018）。

在子流域 4 KM Vadi 中，GWAVA-GW 的结果比 GWAVA 估计值更适合观测到的水流，但精度仍低于其他子流域。有趣的是，当使用本研究中使用的相同模型网格和水文数据进行校准时，VIC 模型还表明该子流域的模型性能较差（Horan等人，2017）。引文2021a）。这表明这个特定的子流域不适合大规模建模；这可能是由于复杂的当地特征在大规模模型中没有得到很好的体现，或者可能是由于该地区气候输入网格中降水的代表性较差，或其他数据的不确定性。

在几个子流域（2、9、10 和 11）中，验证期内 GWAVA-GW 的 KGE 值降至行为阈值以下，尽管在校准期内超过了行为阈值。与校准期相比，这些子流域中的每一个子流域的平均观测流量均有所减少，减少百分比分别为 18%、36%、19% 和 45%。GWAVA 和 GWAVA-GW 都倾向于低估干旱时期的水流，但对湿润时期的水流提供了良好的估计，这可以解释观察到的这些子流域 KGE 指标的减少，并强调使用单一指标并在有限的时间内。这可能表明一些缺失的模型组件，例如不干涉流量限制或规定的最低水库出水量，以维持干旱时期的环境流量要求。或者，这种趋势可能与选择用于校准和验证的特定时期有关，这已被证明会影响模型性能（Myers等人。引文2021）。理想情况下，校准期和验证期都应同时存在湿润年份和干旱年份。然而，由于流数据可用性的限制，这是不可能的。

应该注意的是，观测到的水流的置信度并不总是很高，并且仪表数据点的不可忽略的部分被标记为“计算”而不是“观测”（如第3.3 节中讨论）。例如，在上游子流域，模型模拟经常显示没有流量，这支持了许多河流干涸的目击者的说法（Srinivasan等人，2017）。引文2015），但仪表数据并未反映这些观察结果。很难量化这些轶事差异。

总体而言，校准和验证结果表明，GWAVA-GW 模型对于高韦里河等受人类影响严重的流域的水流预测通常被认为是稳健且可接受的，但在选择校准周期时应谨慎。在校准和验证期间，GWAVA-GW 在 Cauvery 盆地所有子流域中显示出与 GWAVA 相同或更高的模型技能，但 Biligundulu 10 子流域的技能略有下降。这证明了完全耦合的地下水常规在水文建模中的重要性。

这些结果得到了 Horan等人的支持。（引文2021a ），其中 GWAVA-GW（Horan等人简称为 GWAVA）（引文Horan等人的研究表明， 2021a )) 具有与高韦里上游子流域的 VIC 和土壤和水评估工具 (SWAT) 模型相似的水流预测能力。（引文2021b），在纳尔默达（印度）和高韦里盆地评估了 GWAVA 模型各种迭代的性能，并根据观测到的水流、水库流出和地下水位进行了验证。

5.2 地下水深度和抽取
Sakleshpur 2 子流域的每月地下水深度模拟与观测数据吻合良好，表明 GWAVA-GW 能够代表地下水深度的季节性波动和总体趋势。然而，GWAVA-GW 往往会高估整个流域的地下水深度，特别是在地下水抽取量被高估的子流域。

观测到的地下水深度数据存在一些不确定性（Bhave等人，2017）。引文2018，霍拉等人。引文2019），因此观测结果可能低估了某些地区地下水的深度。地下水观测深度数据中存在许多缺失数据点（图B1附录B），并且大多数缺失的数据点没有正当理由；使用该数据集时，这是一个很大的不确定性来源。模型中的需水量也有可能被高估，导致人为过度抽取地下水（与 CGWB（中央地下水局）报告的值相比，流域内的地下水抽取量增加了约 24%引文2009））。在 GWAVA-GW 中，高韦里盆地的模拟水流和地下水深度强烈依赖于估计的需水量（参见附录 E），并且用于估计需水量的方法本质上是不确定的。例如，用于灌溉的地下水抽取不仅取决于需求，还取决于电力供应，而模型中没有考虑这一点。此外，尽管灌溉抽取量与均方根误差（RMSE）之间只有微弱的相关性（相关系数为0.2），但GWAVA-GW中缺乏来自灌溉回流的地下水补给在一定程度上导致了地下水深度的高估。 ）到子流域地下水的深度。

通过整体考虑模拟地下水通量、抽取量和深度，很明显，设置最大抽水深度的准确值会对模型结果产生很大影响，特别是在缺水的盆地中。然而，这不是一项简单的任务，因为数据有限，含水层特性随基底岩石的深度非线性变化，并且将点数据（例如最大井深）转换为网格数据以供模型使用增加了固有的不确定性。另一种选择是实施最大泵送速率（如 PCR-GLOBWB 中的那样（Sutanudjaja等人，2017）。引文2018）和 VIC（Droppers等人。引文2020）型号），但这也有困难。有关抽水速率的数据有限，并且通常需要在空间和时间上缩小规模，这增加了不确定性。此外，该方法忽略了地下水抽水能力对地下水深度的依赖性（即地下水抽水能力随着地下水深度的增加而减少）。

六，结论
在 GWAVA 模型中添加改进的地下水方案提高了高韦里河流域水流预测的模型技能，校准期技能得分平均提高了 0.3，验证期技能得分平均提高了 0.21。输出地下水估计深度的时间序列的能力是该模型的一个重要补充，特别是在严重依赖地下水的盆地中，因为它允许综合水资源管理并作为模型的有用测试（它可以保证用户认为该模型“以正确的理由得到了正确的答案”（Kirchner引文2006年，第。1））。

GWAVA-GW 在非常简单的地下水表示和完整的三维地下水表示之间提供了平衡。它比简单的表示更复杂，包含分层的、空间可变的含水层，但仍然高效（在具有 25 GB RAM 和2.67 GHz CPU，使用 Linux 操作系统）。与 MODFLOW 型地下水模型相比，GWAVA-GW 中表征地下水的数据要求较低，并且适应性强（即含水层的数量灵活，并且可以估计或校准其他参数）。通过增加地下水横向运动，可以进一步改进目前的地下水方案，

包括小规模干预措施，但显示对模型技能影响不大，并且在流域尺度上对地下水的补给可以忽略不计。

本研究收集高质量数据面临着重大挑战，这对于模型性能和评估至关重要，因为许多水流数据集充满了计算值，而地下水位数据集中缺少值。地球观测数据在更高分辨率下变得越来越丰富，如果用现场数据进行适当验证，可以在该模型的未来应用中提供额外的数据源。

总体而言，新开发的GWAVA-GW模型是对地下水高度依赖的数据稀疏地区综合水资源评估的有用工具，可用于更好地了解地表水和地下水之间的相互作用以及人类干预。这与目前过度开采地下水的地区的未来水资源预测尤其相关，这些地区的未来可能会产生有害的后果。