一、简介

水文模型广泛用于理解和管理地表和地下水流过程、水引起的土壤侵蚀和污染物输送过程。模型也是流域管理规划过程的组成部分，通常用于估计由于实施水源保护措施而减少的负荷。有许多模型可供考虑这些评估。然而，它们在复杂性、要求、基础方程和假设方面有所不同 [ 1] 因此，它们在模拟水文过程方面的性能各不相同。对过去研究的回顾表明，尽管在农田等小面积区域进行了土地利用和规划活动，但对常用模型在实地规模层面的性能和应用的研究仍然有限。大多数比较研究都是在相对较大的空间尺度上进行的[ 2 ][ 3 ][ 4 ][ 5 ]。[ 8 ] 中水侵蚀预测项目 (WEPP) 模型 [ 6 ] 和土壤水评估工具 (SWAT) [ 7 ]的比较，用于模拟小流域（1.62 km 2）的土壤侵蚀）表明模型的性能在微流域中确实可能有所不同。

本研究比较了水文模型在更小的空间尺度上的表现，即 0.066 km 2（6.6 公顷）的微流域，它真实地代表了农业部门农田的大小。全球 94% 的农田面积小于 5 公顷 [ 9 ]。具体来说，该研究评估了最新改进版本的 SWAT 模型 SWAT+ 的性能，如 [ 10]中所述。] 与广泛使用的旧版 SWAT 相比，用于模拟田间地块的产水量、土壤和磷流失。性能比较的目的是确定新版本中包含的修改是否可以提高模型性能，特别是在现场规模级别。此外，SWAT 和 SWAT+ 模拟的田间输出与农业政策/环境 eXtender (APEX) 模型模拟的结果进行了比较 [ 11 ]。APEX 已被广泛用于模拟小流域的令人满意的景观过程[ 12 ][ 13 ][ 14 ]。

SWAT、SWAT+ 和 APEX 模型概述

SWAT 是作为适合大型复杂流域的流域比例模型而开发的 [ 15 ]，而 APEX 更适合小型流域 [ 16 ]。SWAT+ 采用了 SWAT 中的大部分理论和经验方程及假设，但为了解决旧版本的局限性而进行了一些重大更改 [ 10 ]。SWAT 的模型功能、基础方程和假设的描述在 [ 15 ] 中详细描述，APEX的模型功能、基础方程和假设的描述在 [ 16 ] 中详细描述。SWAT+ 中纳入的新结构变化和改进在 [ 10]。因此，本文不会进一步详细描述这些模型，但会回顾这些模型的局限性和优点。

SWAT 是一种基于物理的综合水文模型，在流域尺度上按每日时间步长运行[ 17 ]。该模型被认为是预测大型复杂未测量流域土地管理措施对水、沉积物和土壤养分流失的长期影响的最合适模型之一[ 17 ][ 18 ][ 19]。该模型采用两级分解方案；根据流域地形初步划分子流域和河流网络，并根据土地利用、坡度和土壤类型异质性进一步离散化。具有相同地形特征、土壤类型、土地利用和管理的区域形成水文响应单元（HRU），这是一个基本计算单元，假定对土地覆盖变化的水文响应是同质的。本研究对 SWAT 性能进行了评估，特别是因为它比其他两种模型具有优势。值得注意的是，该模型拥有强大的技术支持，包括详细的文档、多种接口、工具和支持数据预处理和后处理的软件。SWAT 模型的主要弱点是 HRU 之间水文过程缺乏连通性和相互作用。20 ]。该建模框架忽略了 HRU 之间的流量和污染物路径（图 1）。相反，对每个 HRU 进行单独的过程模拟，然后对整个子流域的流量/污染物进行聚合。此外，SWAT 不允许模拟多文化植物群落，其对地下水过程的模拟也很有限[ 21 ]。最后，多年来对模型的大量添加和修改使得代码变得越来越复杂、庞大且难以管理[ 10 ]。

SWAT+是SWAT模型的新修订版本，其开发旨在解决旧版本模型的弱点和局限性。尽管用于计算模型中的过程的基本算法没有改变，但代码（基于对象）和输入文件（基于关系）的结构和组织已经发生了相当大的修改[ 10 ]。SWAT+ 的结构改善了流域内要素和过程的连通性和相互作用，允许一个景观单元 (LSU) 的流量和污染物输出通过另一个单元（图 1）。这是通过将流域划分为景观单元 (LSU) 来实现的。

与 SWAT 和 SWAT+ 一样，APEX 模型是连续的每日时间步模型。APEX 的单个场模拟组件通常是场大小的分区。APEX 中的分区在功能上与 SWAT 中的 HRU 相同。在这两个空间单元中，天气、土壤和管理系统被假定为同质的[ 11 ][ 15 ]。分区可以相互连接，允许径流、沉积物、营养物和农药从一个分区传输到另一个分区（图 1），就像 SWAT+ 中的 LSU 一样。

2. 方法和材料

2.1. 初始模型设置和参数化

所有三个模型均针对 6.6 公顷 Y6 流域（北纬 31.47，西经 96.8，~168 masl）建立，该流域位于德克萨斯州里塞尔附近的 USDA-ARS 草原、土壤和水研究实验室流域网络内。Riesel 实验流域由小型、单一土地利用流域（1.2 - 8.4 公顷）组成，出口处设有水文、沉积物和营养物监测站，用于测量田间过程的边缘，以及其他相对较大的微流域（17.1 - 125.1 公顷）混合土地利用 [ 22]。自 20 世纪 30 年代以来，我们不断在这些地块上收集管理、降水、径流、气温和沉积物数据，并自 2000 年代初以来不断收集径流养分数据。实验区的配置、布局和描述、地球物理特征以及安装的水文监测仪器详见[ 22 ]。

使用 10 m × 10 m DEM 建立 SWAT、APEX 和 SWAT+ 模型进行流域划分。两个模型中内置的 STATSGO 土壤数据库、当地天气和田间管理数据均用于流域离散化和定义。用于模型校准的流量、土壤流失和养分数据是从 STEWARDS 数据库下载的[ 23 ]。这些模型使用各自的编辑器（SWAT 编辑器、APEX 编辑器和 SWAT+ 编辑器）运行，以生成初始的平均每月预测集。

两个模型在模拟水收支组成、土壤和养分损失时都使用相对相似的方程、假设和参数。使用 Penman-Monteith 方程估算潜在蒸散量 (ET)。虽然 Penman-Monteith 方程比其替代方案更复杂且数据密集，但由于其详细的理论基础和估算 ET 的高精度而被推荐[ 24 ]。采用修正有理方程估算峰值径流量，采用曲线数法估算径流深度。建议在250 km 2 [ 25以内的小流域地区使用合理方法。] 因此适合这个微分水岭。曲线数法使用总降雨量来预测径流，适用于此类无法准确了解降雨强度和持续时间的研究。对于 SWAT 和 SWAT+，均使用修正通用土壤流失方程 (MUSLE) 来模拟土壤移动、运输和沉积过程。对于 APEX，MUSLE (MUSS) 的变体适用于没有河道或溪流侵蚀的小流域 [ 16]被使用。在这两个模型中，EPIC富集比方法用于估算径流中沉积物结合磷的损失，农业管理系统方程的地下水负荷效应用于估算径流中的可溶性磷。使用各自模型编辑器包中包含的默认参数进行未校准运行，以模拟图中田间产水量 (Yield)、土壤流失 (Sed) 和矿物磷 (MinP) 的边缘。

2.2. 敏感性分析

APEX、SWAT 和 SWAT+ 是基于过程的综合模型，在景观过程模拟过程中使用大量参数。敏感性分析通过确定模型输出如何对特定输入参数值的变化做出反应，有助于识别对复杂仿真模型中的模型输出有重大影响的参数[ 26 ]。通过对 APEX 和 SWAT 模型进行全局敏感性分析以及对 SWAT+ 进行局部敏感性分析，评估了Yield、Sed 和 MinP 对一长串参数（表 1 ）的敏感性。在全局敏感性分析方法中，

所有参数同时变化，而参数单独调整，在局部敏感性分析中一次调整一个。独立的 APEX-CUTE [ 27 ] 和 SWAT-CUP [ 28 ]中包含的算法允许进行全局敏感性分析。为了筛选和识别 SWAT+ 中最敏感的参数，在 SWAT+ 编辑器界面中一次手动更改每个参数的值，同时保持所有其他参数不变。敏感性分析期间考虑的参数包括[ 14 ]和[ 27 ]中针对APEX推荐的参数，[ 7 ]和[ 29 ]中针对SWAT和SWAT+推荐的参数，以及那些确定影响水平衡、土壤流失和磷循环的参数。

2.3. 校准和验证。

模型是对现实的解释，只有正确代表“现实世界”才有效。流域模型的校准和验证是确保模型能够对现实做出足够准确的预测的必要步骤。APEX 和 SWAT 的校准分别使用 APEX-CUTE 和 SWAT-CUP 完成。在校准过程中，两个程序都遵循优化过程，包括用候选解决方案修改输入文件、计算和评估模型输出，并迭代地重复该过程，直到完成用户指定的评估。SWAT+ 是手动校准的。仅使用敏感性分析确定的每个变量的前五个最有影响力的参数进行模型校准。对于所有三个模型，前四年（1998-2001）被排除在结果之外，因为它们被用作热身期。校准期为五年（2002-2006），记录了产水量、土壤流失和矿质磷流失的可靠值，用于每月时间步长的校准。然后在三年的验证期内（2007-2009 年）使用生成最佳目标函数的参数解决方案集。

2.4. 绩效评估

为了校准和验证模型并进行比较，需要定量信息来衡量模型性能。为了实现这一目标，通常使用统计指数作为目标函数来确定与观测值相比的预测的质量和可靠性。[ 30 ]回顾了几种统计评估技术，并强烈建议使用 Nash-Sutcliffe 效率（NSE）和百分比偏倚（PBIAS）作为模型性能的指标。除了上述指标外，决定系数（R 2）已被用于多项模型评估研究中[ 31 ][ 32 ]。本研究利用上述三个数值指标进行绩效评价。

NSE 显示模拟数据和测量数据之间方差的相对大小，而 R 2表示模拟数据和测量数据之间的共线性程度。NSE 的范围为 -∞ 到 1，R 2 的范围为 0 到 1。对于这两个统计量，所需的最佳值为 1.0。PBIAS 表示模拟数据大于或小于测量数据的平均趋势。PBIAS 的最佳值为 0.0，低幅度值表明模型模拟准确。这些指数的一个很好的参考，详细介绍了计算这些指数的步骤以及[ 30 ]中使用的方程。不同研究中令人满意的绩效评估的评级标准有所不同。[ 31 ] 使用 NSE > 0.3 和 R 2> 0.5 来评估排放和养分损失的令人满意的性能，而 [ 32 ] [ 33 ] 使用 R 2 > 0.5 和 NSE > 0.4。[ 30 ]建议在每月的时间步长上，所有变量的 NSE > 0.50，水流的 PBIAS ± 25%，沉积物的 ±55%，MinP 的 ±70%。本研究采用[ 30 ]中推荐的标准和R 2 > 0.5 来进行令人满意的性能评估。根据哪个模型的性能统计数据最接近最优值来评估模型中更好的性能。此外，模型校准和性能评估还考虑了模拟数据时间序列整体形状与观测数据的视觉比较。

3. 结果

3.1. 敏感性分析

表 2列出了影响产水量、土壤和土壤的前 5 个参数。

通过 APEX、SWAT 和 SWAT+ 模型预测矿物磷损失。敏感性分析的结果表明，在这两个模型中，产水量预测更多地受到影响径流产生的参数的影响。在APEX中，峰值径流-降雨能量调整因子（APM）是影响最大的参数，而产水量预测对SWAT和SWAT+中的曲线数值（CN2）最敏感。CN2 参数表示水文土壤覆盖复合体的径流潜力，而 APM 参数用于微调与径流-降雨事件相关的能量因子。在 APEX 中，侵蚀控制实践因子（PEC）和可溶性磷径流指数（PARM30）分别是驱动土壤和磷流失的最有影响力的参数。这些参数不影响产水量，至少显着地。PEC因子代表APEX模型中侵蚀控制措施的有效性。然而，对于 SWAT 和 SWAT+，驱动产水量估算的大多数参数也是显着影响土壤和养分损失预测的相同因素。

3.2. APEX模型的性能

未校准的APEX模型预测的2002-2006年期间田间产水量、土壤和矿质磷流失量的边缘均显着高于观测值。所有变量的 NSE 计算值也不令人满意。模拟值，特别是土壤流失的模拟值，包含较大的异常值，使得 NSE 值特别高。NSE 对极值敏感[ 30 ]。该模型比任何其他变量都高估了土壤流失，并且其预测土壤流失的性能比 SWAT 和 SWAT+ 的预测更差。校准提高了模型性能，为三个变量（特别是产水量和土壤流失）提供了接近最佳的性能指数。模型效率 (NSE) 和共线性 (R 2）的模拟数据与所有变量的观测值均接近最优值（表3）

为校准周期。验证期间的性能指标也令人满意。

3.3. 特警表演

未校准的 SWAT 模型在预测所有变量方面比其他模型表现更好。相关性和模型效率出乎意料地高，特别是对于产水量和土壤流失预测（表 3）。预测的土壤流失值始终低于观测值，但 PBIAS 值低于 55% 阈值。除 NSE 外的所有其他指数均在磷损失估算的可接受范围内。根据本研究中使用的 NSE 阈值，SWAT 在模拟磷损失方面的性能是不可接受的，尽管如果采用[ 32 ]中使用的阈值则可以接受。校准后，模型对所有变量的预测均令人满意（表 3）。其性能与 APEX 型号相当。尽管 SWAT 中使用 CN 方法，APEX 中使用 Green and Ampt (GA) 方程，但这两个模型在模拟流动方面都表现良好。APEX中使用CN方法时的性能指标不如使用GA方法时产生的性能指标。CN 方法在 SWAT 中的性能改进（但在 APEX 中没有）也在 [ 3中观察到]。性能差异可能与校准过程有关，而不是模型本身。在 SWAT 中，CN2 值可以在校准期间轻松调整。然而，在APEX模型中，CN值并没有直接调整。可以调整影响 CN 值的其他参数。尽管 APEX 的产水量值较高，但 SWAT 预测的土壤流失量高于 APEX 的预测值。较高的土壤流失值可能是由于使用 SWAT 模型时沉积物沉积相对较少。在 SWAT 中，污染物产量只是进行求和并直接添加到河流中，而在 APEX 中，污染物会在整个景观中流动，从高海拔分区通过其他分区到达河流或出口点。2和NSE（表3）。

3.4. SWAT+的性能

未校准的 SWAT+ 模型，就像 SWAT 预测的产水量令人满意，但预测的土壤和矿物磷损失不令人满意。该模型高估了所有三个变量（表 3），尽管过度预测低于未校准的 APEX 模型。这些过度预测的主要原因（在校准期间）被确定为土地覆盖和 SURLAG 的默认值。默认情况下，土地覆盖实践设置为直行作物，提供在斜坡上生长的良好覆盖条件。将此分类更改为直行作物，可以在梯田和轮廓上提供良好的覆盖，从而显着提高性能。这种变化会影响曲线数量和配员值，而这些都会影响产生的径流量。此外，模型中 SURLAG 的值默认设置为 4.0。该参数值较低可确保每天在田间保留更多潜在径流 [ 15]，从而减少流域的径流、水引起的土壤和矿物质磷的流失。尽管校准是手动完成的，但 SWAT+ 模型的性能与经过严格自动校准的 APEX 和 SWAT 模型相当。

4。讨论

SWAT 和 SWAT+ 模型模拟的平均月产量在四舍五入到最接近的千分之一值时分别为 0.00028 m 3 /s 和 0.00034 m 3 /s。尽管模拟值之间差异很小，但计算出的 PBIAS 差异很大（SWAT 和 SWAT+ 分别为 21% 和 6%）。根据四舍五入到小数点后千位的值计算 PBIAS 将显示两个模型的 PBIAS 为零，这会产生误导。类似地，当测量值较小时，测量变量的处理和记录可能会引入显着的误差，因为诸如由于舍入而导致的计算误差可以被结转。然而，即使相差 100 m 3当处理大流域的排放时，/s 可能微不足道。当分析的变量数量较小时，PBIAS 计算会出现计算错误，在这种情况下，PBIAS 指数可能会产生误导。

使用默认设置的未校准运行对于所有模型的所有变量均不令人满意，除了 SWAT 的产量和土壤流失预测以及 SWAT+ 模型的产量预测之外。尽管在文献中，一些研究使用了未校准模型[ 13 ][ 34 ]，但本研究的结果表明，除非未校准模型经过评估并发现可以令人满意地预测感兴趣的变量，否则不应鼓励这种做法。在数据稀缺的地区，SWAT 模型可能是最合适的，因为它可以在很少或无需校准的情况下预测水产量和土壤流失。

5。结论

全流域旧版 SWAT、小流域 APEX 和新版 SWAT (SWAT+) 模型在模拟水预算成分、土壤和养分损失时都使用相对相似的方程、假设和参数，但也有差异虽小但显着，例如它们如何在空间上概念化径流和水质负荷的路径和流量。对三个模型在模拟 6.6 公顷农田边缘田间水量和水质过程方面的性能进行了评估，以确定模型之间的差异如何影响田间规模水平的性能。SWAT 的未校准版本能够令人满意地模拟水文和土壤流失。

模型校准显着提高了三个模型的性能，在校准和验证期间提供了接近最佳的水文性能指标。校准模型模拟土壤和矿物磷流失的性能也相对较高。尽管所有模型的性能几乎相同，但校准后的 APEX 模型在模拟水质变量方面的表现略好于其他模型。当模型在更大的空间尺度上使用时，这两个变量的性能指标通常优于文献中报道的指标。基于场边缘过程的 PBIAS 值的性能评估可能会产生误导，因为在评估通常较小值的变量时，该指数非常容易受到计算错误的影响。