流域水文模型

《基于SWAT模型塔布河流域水文模拟与预测》篇一一、引言随着全球气候变化的影响，水文模拟与预测成为了一项重要的研究任务。

准确的水文模拟与预测有助于水资源管理、环境保护、农业灌溉以及灾害预防等方面的工作。

SWAT（Soil and Water Assessment Tools）模型是一种先进的流域水文模拟模型，能够对河流、湖泊等水域的流域进行综合的模拟与预测。

本文将针对塔布河流域的水文特性，运用SWAT模型进行模拟与预测，以期为该流域的水资源管理提供科学依据。

二、研究区域与方法2.1 研究区域塔布河流域位于某地区，具有复杂的地形地貌和气候条件。

该流域的水文特性对周边生态环境和人类活动具有重要影响。

2.2 SWAT模型简介SWAT模型是一种基于物理过程的分布式水文模型，能够模拟流域尺度的水文循环过程。

该模型综合考虑了气候、地形、土壤、植被等多个因素对水文循环的影响，具有较强的实用性和广泛的应用范围。

2.3 数据与方法本文采用的历史数据包括塔布河流域的气候数据（如降雨、温度等）、地形数据（如高程、坡度等）、土壤数据以及植被数据等。

在SWAT模型的基础上，结合GIS技术，对塔布河流域进行空间离散化处理，建立水文响应单元（HRU），并设置相应的参数。

然后，运用SWAT-CUP软件进行模型的率定与验证，最后进行水文模拟与预测。

三、结果与分析3.1 水文模拟结果通过SWAT模型对塔布河流域进行水文模拟，得到了该流域的径流量、蒸发量等水文要素的模拟结果。

将模拟结果与历史数据进行对比，发现模型能够较好地反映塔布河流域的水文特性。

3.2 影响因素分析通过对模型参数的敏感性分析，发现气候因素（如降雨、温度等）、地形因素（如高程、坡度等）以及植被覆盖情况等因素对塔布河流域的水文特性具有重要影响。

其中，降雨是影响径流量的主要因素，而植被覆盖情况则对蒸发量具有显著影响。

3.3 预测与分析基于SWAT模型，对塔布河流域未来的水文情况进行预测。

浅析流域常用水文模型作者：张海波来源：《环球人文地理·评论版》2014年第01期模型是一个复杂系统的简化表达式，水文模型是一个复杂的水文系统的简化。

流域水文模型是水文科学的重要手段和方法之一，是水文自然规律研究的主要工具，是解决实际问题、径流理论和计算机科学的结合，基于流域为研究对象的数学方法来描述水文循环的仿真过程。

现在流域模型根据不同分类方法在国内外有很多分类，本文将分析三水源新安江模型（SXAJ）、陕北模型（SB）、水箱模型（Tank），常用参数的选择、适用条件，用户可以根据具体流域的实际情况，选择适当的流域水文模型，在满足精度要求，选择计算和更方便使用流域水文模型，以简化用户的劳动强度。

1、三水源新安江模型（SXAJ）新安江模型是一种分布式概念性水文模型，使用蓄满产流的概念，由赵人俊教授领导的研究小组设计的第一个完整的流域水文模型即二水源新安江模型；之后又提出三水源新安江模型，到目前为止已经形成完整的结构，良好的流域水文模型的应用效果，被联合国教科文组织国际推广模式，因此本文只介绍三水源的新安江模型1.1模型的简介新安江模型是分布式水文流域模型，可用于湿润地区与半湿润地区；可简述为“蓄满产流、一个水库、两条曲线、三种水源”；流域蒸发计算模型与三层蒸发、径流计算方法根据存储的概念，产流计算；当流域面积较小，一个集总模型，当面积较大，块模型；根据流域分为自然分水岭分割方法，泰森多边形法等，它将整个流域划分为许多单元流域，为每个单元流域产汇流计算；总径流组成是地面径流、壤中流和地下径流；模型结构如图1.1所示系统的新安江模型结构。

新安江模型结构图（1.1）1.2模型参数的取用模型参数是具有物理意义，所以原则上可以定量，通过实测、试验和参考类似流域获得相关参数。

下面就三江源新安江模型的17个参数可参照下表1-1取用。

表1-1参数分类符号符号含义建议取用值取用说明蒸散发计算 K 蒸散发折算系数 1 用E601观测，值在0.8～1.1之间，常接近1。

SWAT⽔⽂模型SWAT⽔⽂模型介绍1概述SWAT（Soil and Water Assessment Tool）模型是美国农业部（USDA）农业研究局（ARS）开发的基于流域尺度的⼀个长时段的分布式流域⽔⽂模型。

它主要基于SWRRB模型，并吸取了CREAMS、GLEAMS、EPIC和ROTO的主要特征。

SWAT 具有很强的物理基础，能够利⽤GIS和RS提供的空间数据信息模拟地表⽔和地下⽔的⽔量和⽔质，⽤来协助⽔资源管理，即预测和评估流域⽔、泥沙和农业化学品管理所产⽣的影响。

该模型主要⽤于长期预测，对单⼀洪⽔事件的演算能⼒不强，模型主要由8个部分组成：⽔⽂、⽓象、泥沙、⼟壤温度、作物⽣长、营养物、农业管理和杀⾍剂。

SWAT模型拥有参数⾃动率定模块，其采⽤的是Q.Y.Duan等在1992年提出的SCE-UA算法。

模型采⽤模块化编程，由各⽔⽂计算模块实现各⽔⽂过程模拟功能，其源代码公开，⽅便⽤户对模型的改进和维护。

2模型原理SWAT模型在进⾏模拟时，⾸先根据DEM把流域划分为⼀定数⽬的⼦流域，⼦流域划分的⼤⼩可以根据定义形成河流所需要的最⼩集⽔区⾯积来调整，还可以通过增减⼦流域出⼝数量进⾏进⼀步调整。

然后在每⼀个⼦流域再划分为⽔⽂响应单元HRU。

HRU是同⼀个⼦流域有着相同⼟地利⽤类型和⼟壤类型的区域。

每⼀个⽔⽂响应单元的⽔平衡是基于降⽔、地表径流、蒸散发、壤中流、渗透、地下⽔回流和河道运移损失来计算的。

地表径流估算⼀般采⽤SCS径流曲线法。

渗透模块采⽤存储演算⽅法，并结合裂隙流模型来预测通过每⼀个⼟壤层的流量，⼀旦⽔渗透到根区底层以下则成为地下⽔或产⽣回流。

在⼟壤剖⾯中壤中流的计算与渗透同时进⾏。

每⼀层⼟壤中的壤中流采⽤动⼒蓄⽔⽔库来模拟。

河道中流量演算采⽤变动存储系数法或马斯⾦根演算法。

模型中提供了三种估算潜在蒸散发量的计算⽅法—Hargreaves、Priestley-Taylor和Penman-Monteith。

流域水文模型课程论文学院资源环境学院学生姓名陈建飞专业水文与水资源工程学号 222009********* 年级 2009级 1班流域水文模型参数识别方法及研究进展陈建飞西南大学资源环境学院，重庆 400715摘要：流域水文模型是计算水文参数的各种重要模型，而参数的识别和优化是水文模型发展中的一个重要部分。

本文参考各类相关文献，主要介绍了几种主要的流域水文模型的参数识别和优化方法。

在系统研究现代优化算法与传统优化算法的基础上，建立各种优化算法的融合技术和法则可能是进一步提高参数优化算法性能的方向，为更好地发展和研究参数优化方法提供了依据。

关键词：流域；水文模型；参数识别；参数优化Hydrological model parameter identification methods andresearch progressJianfei ChenCollege of Resources and Environment, Southwest University.Chongqing,China,400715. Abstract: The hydrological model a variety of important model to calculate the hydrological parameters, parameter identification and optimization is an important part in the development of hydrological models. In this paper refer to the various types of literature, several major hydrological model parameter identification and optimization methods. In the system of modern optimization algorithms and traditional optimization algorithm based on the integration of the various optimization algorithms and rules may further improve the direction of the parameter optimization algorithm performance, and provides a basis for better development and parameter optimization method.Key words: Watershed; Hydrological model; Parameter identification; Parameter optimization0 引言水文模型在流域水文预报中起着重要的作用.以往的水文模型，包括集总式、半分布式、分布式水文模型，实际中一般通过已有长期水文历史资料率定得到.从理论上讲，模型参数可以从流域直接或间接获得，但由于水文模型参数既有其物理意义，又有其推理、概化的成分，因此大部分模型参数只能是对实测资料进行分析的基础上，通过参数优选得到，由于受天文、气候、气象、下垫面、人文等众多因素的综合影响，水文模型的参数一般较多，并不完全独立，常常表现出不确定、高维、高度非线性和庞杂的信息类型川，传统优化方法难以处理上述优化问题，一般来说，参数越多、非线性越强，优化时间就越多，同时也不能够保证优化算法收敛到全局最优[2].Newton法、共扼梯度法、变尺度算法、单纯形法、步长加速法、方向加速法和Rosenbrock法等传统优化方法都是与初始点有关的局部优化方法，常常是找出初始点附近的一个极值点来，至于它是否为全局极值点，在多数情况下不得而知.当给参数以不同的初值时，传统优化方法优化的结果有时很不相同，导致优化结果的不稳定性川，这种参数优化的不稳定性和局部优化的结果，将直接影响洪水预报的精度和可靠性，进而影响到洪水调度与水资源管理的科学性和合理性.1 参数识别的传统及现代优化方法比较1. 1 流域水文模型参数识别的传统优化方法早在1970 年, Nash 等[3]提出了用模型效率系数来评价模型模拟结果的精度; Ibbit t 等[4]设计了概念性流域水文模型参数的拟合方法; Johnsto n等[5]对流域水文模型参数优选进行了探讨; Pickup[6]对降雨-径流模型自动率定的算法及其搜索策略的有效性进行了测试; Gupta[7]等利用基于导数的优化方法对水文模型的参数进行自动率定. 以上这些研究者主要是对模型参数优化的传统方法进行研究, 传统优化方法是基于单点迭代的局部优化方法, 难以解决复杂水文模型参数优化问题.1. 2 流域水文模型参数识别的现代优化方法研究进展20 世纪80 年代, 随着模拟智能的全局优化算法—遗传算法( GAs) 的兴起, Wang[8]最早将GAs 应用于概念降水-净雨模型的产流参数优选;Duan 等[9]使用SCE-UA( 洗牌复形演化算法) 复合进化方法对流域水文模型参数的全局优化进行了自动率定, 将SCE-U A算法应用于NWSRFS-SMA模型中, 并对参数值域进行比较评估, 并观察到参数识别的问题的难度主要取决于模型结构和参数估计方法. Hapuarachchi 等[10]应用SCE-U A算法对新安江模型进行了参数标定, 发现SCE-U A算法在新安江模型中的全局优化效果较好.概括起来, 目前在水文模型参数识别方面,主要采用得优化方法有: Newton 法、Rosen-brock法、Simplex 法、经验优选法、模式搜索法、二进制加速遗传算法、实编码加速遗传算法、Gray 码编码遗传算法和SCE-U A复合进化方法等算法. 水文模型参数识别研究方向及贡献可以概括为以下几个方面: 1) 寻求一种解决模型参数识别问题的最佳方法; 2) 选择多少数据及选择什么样的数据来进行参数优选; 3) 如何有效统计分析模型结构与模型参数的不确定性, 以及这种不确定性对模型输出的影响; 4) 参数优选算法比较研究; 5) 模型参数自动率定的收敛准则; 6) 多目标参数自动优选方法与单目标参数自动优选方法比较研究. 从国内外对水文模型参数识别方法研究的发展趋势来看, 逐步从传统的优化方法过渡到现代优方法; 逐步从单一的优化方法过渡到混合优化方法; 逐步从单目标优化方法过渡到多目标优化方法.2 参数识别的现代化优化方法介绍目前常用的优化算法大都是在几种基础优化算法的基础之上进行的, 几种应用较多的参数优化算法介绍如下:2. 1 模拟退火算法( Simulated Annealing Alg orithm)模拟退火算法中包含以下3 个函数, 其中函数自变量x与水文模型参数a相对应(在模拟退火理论框架内, x被称为系统的状态) : (1) 生成函数g( T, ∆x ) : 生成函数定义了系统下一状态与当前状态之差∆x 的概率密度函数, 也就是说, ∆x 是一个概率密度函数为g (T , ∆ x ) 的随机变量;(2) 接受函数h( T , ∆E) : 在求得一个新状态后, 模拟退火算法基于接受函数的值, 决定是否接受这个状态, 能量差∆E 是接受函数的自变量; (3) 退火时间表T( k ) : 退火时间表, 控制算法迭代过程中的温度T的变化, k 为退火进程的迭代次数.在模拟退火算法的各种应用中, 正态分布、均匀分布、柯西分布和一些特定的分布, 如Ingber分布, 都可以用于规定∆x . 在算法设计时, 作为生成函数的g( T, x ) , 即为∆x 的随机数发生器, g( T,x ) 采用的概率分布不同, 模拟退火算法的性能和搜索特点会有很大的差异. 虽然模拟退火算法是一个经过大量验证的成熟算法, 但算法中有多个需要应用者确定的参数和选项, 如果这些参数和选项设置不符合问题特征, 可能造成算法收敛速度过慢, 甚至不能保证解的质量.因此, 在应用模拟退火算法求解水文模型参数估计中的优化问题时, 在选择模拟退火算法的时间表与发生函数时需要格外注意. 另外, 由于模拟退火算法中应用多个物理学规则与统计学工具, 因而需要对算法的参数进行合理的设置, 使算法不背离原有的设置.2. 2 遗传算法( Genetic Algorithm)遗传算法( GAs) 是不严格地建立在自然能选择和进化论概念基础上的一种非倒数随机优化方法.其最早由美国密歇根大学的John Holland 于1975年提出, 并逐步发展为一种通用的优化工具, 在许多领域得到了重要应用, 是当今影响最广泛得优化算法之一.一般认为, 遗传算法有5 个基本组成部分: (1)问题解的遗传表达, 在水文模型研究中为模型参数的遗传表达; (2)创建解的初始种群的方法; (3)根据个体适应度值对其进行优次判断的函数; (4) 用于改变复制过程中产生子代个体遗传编码的遗传算子; (5) 遗传算法的参数值.遗传算法有灵活的算法配置, 即不同杂交算子、变异算子以及选择算子的组合, 有些算子在深度搜索方面表现好, 而有些算子有更好的广度搜索能力, 在具体应用中, 一定要通过合理的算子组合, 使遗传算法同时具有广度搜索和深度搜索能力. 另外为了确保能搜索到最优参数, 参数的可行范围一般较大, 也就是说优化问题的约束比较宽松.2.3 SCE-UA( Shuffled Complex Evolution Algorithm 洗牌复形演化算法)洗牌复形演化算法中的洗牌指的是洗牌算法,复形指的是有多个点在优化问题的解空间中构成的超四面体, 演化指的是演化机制, 即类似于遗传算法一样, 通过种群的演化更新搜索空间, 进而获得优化问题的最优解. U A 指的是University o f Arizona, SCE-UA 是Duan( 段青云) 等开发的一个具有优化策略的优化算法, 它在水文模型参数估计的研究和实践中获得了广泛的应用和普遍的认可.SCE-UA 算法为了解决一些局部搜索算法在水文模型参数自动标定过程中因常常陷入局部极值区而很难收敛于全局极值区而设计, SCE-UA 算法发展了下山单纯形法, 采用了多个单纯形并行地搜索解空间的策略. 这种策略被证明有助于克服下山单纯形方法可能会收敛于局部最小值的缺点.在SCE-UA 算法中, 初始解按照一定的规则被划分成若干组, 每一组内的点被组织在被称为“复形”的数据结构内, 每一复形内的点按照竞争机制选出部分构成一个单纯形. 然后利用下山单纯形算法进行演化计算, 搜索完成后, 再将所有的点放回到一个缓冲区, 应用洗牌算法重新排列点在缓冲区内的位置内, 完成一代演化, 然后SCE-UA 算法将缓冲区的点再进行洗牌操作, 打乱原有顺序, 然后按照既定的规则将缓冲区内的点重新分配到复形内, 再开始新的一代演化计算. 这种将缓冲区内的点分配到若干复形内, 再开始新的演化计算的方式就是SCE-UA 算法各个复形间共享信息的机制.SCE 算法是非常稳健的算法, 尽管因为参数的配置不同, 算法的性能存在着一定差异, 但这些差异相对于算法的整体性能来说是很微小的.2. 4 PSO( Particle Swarm Optimization 粒子群优化)粒子群优化是一种启发于生物种群协作机制的启发式优化算法, 是一种基于种群的演化式搜索算法, 即按照一系列确定性和随机的规则的组合, 从一个点集演化到下一个点集, 通过多次迭代, 最终的点集收敛到解空间的全局最优区域. 研究表明, 粒子群优化算法不但具有遗传算法一样的全局优化性能, 而且在计算效率( 即算法的时间复杂性) 上优于遗传算法, 目前PSO 已经在科学研究和工业生产等领域有了广泛的应用.并行计算是提高算法效率的一个通用方法, 而PSO 算法、SCE-U A 算法和遗传算法都隐含并行处理的思想, 比较容易实现. Wang 等发展了一个以PSO 算法为核心, 以SCE-UA 算法的主控流程为总体框架的并行优化算法SCPSO, 在SCPSO 算法中, 具有全局搜索能力的PSO 算法取代了SCEUA 中的下山单纯形法, 这样使整个算法的性能和效率得到了进一步的保证. 有研究表明SCPSO 算法的性能和效率大于等于SCE 算法.3 对于缺资料流域的参数研究常用的区域化方法有参数移植法、参数回归法、插值法、平均法等，其中参数移植法和参数回归法是最常用的两种方法.3.1 参数移植法参数移植法又包括距离相近法和属性相似法两种. 二者都是通过移植参证流域的参数到缺资料流域，不同点在于对相似流域的判定上. 其中，距离相近法是指寻找与缺资料流域在地理位置上相邻的一个或多个流域；流域属性相似法是指寻找与缺资料流域在属性（如地形、植被、土壤、气候等）上相似的流域. 目前此方法主要集中在欧洲和澳大利亚，在国内研究还较少. 参数移植法与水文站点密度有很大关系，对于站点密度较大的区域，如欧洲许多国家，很容易找到与缺资料流域相似的流域，参数移植的效果相对要好一些[11] .3.2 参数回归法中国的研究主要集中在新安江模型参数的识别. 如，井立阳、张行南等[12]将新安江模型中的自由蓄水容量SM、地下水出流系数KG 和壤中流出流系数KI、马斯京根法汇流参数X 与森林覆盖率、岩石面积比、平均坡道比降建立相关关系. 袁飞等[13]将自由蓄水容量SM 与植被的根系深度、土壤有与流域面积、马斯京根法汇流河效空隙率等建立关系. 徐倩、李致家等[14]建立流域河网退水系数CS段数与河长的经验关系.4 结语及前景展望本文就水文模型参数识别算法的传统与现代化研究做了较为详细的阐述. 并对3种现代优化算法的研究状况作了详细介绍.近几年来在算法方面的一些改进, 尤其是混合遗传算法的提出, 以及各种混合现代优化算法在水文模型参数识别中的应用给传统的方法注入了新的活力.但从国内外研究的现状及进展来看, 目前对水文模型参数识别算法的研究仍存在许多急需解决的问题: (1) 标准遗传算法用于水文模型参数自动识别时, 收敛速度较慢; (2) 对水文模型参数自动识别方法的研究较零散, 不够系统, 尚未把蚁群算法、混沌算法、粒子群算法、量子遗传算法等现代优化方法用于水文模型的参数率定; (3 ) 水文模型参数“概念化识别”方法研究较少. 也就是说在参数自动识别过程中,利用模型本身的结构及参数本身的信息较少;(4) 揭示水文模型参数识别方法搜索机理研究较少; (5) 对不同时空尺度、不同目标的水文模型参数识别方法研究较少; (6 ) 从多个角度出发, 揭示各算法之间的内在关系, 建立水文模型参数识别算法的多层次、多目标综合评价准则的理论研究较少.因此，有必要引进国外的“人为设定法”参数识别方法引人国内, 对多种优化方法进行人为模拟, 同时注重研究复杂水文模型参数识别理论与方法, 提高水文模型预测的精度和速度. 在系统研究现代优化方法与传统优化方法的基础上, 建立各种优化方法的融合技术和法则. 通过对不同目标、不同时空尺度水文模型的参数识别, 揭示水文模型参数识别的层次效应、尺度效应与藕合效应. 在新知识的获取上取得多点突破口, 发展水文模型参数识别方法.参考文献[1] 武震,张世强,张小文. 流域水文模型参数识别的现代优化方法研究进展[J]. 冰川冻土,2008,30(1):64-71.[2] 杨晓华,杨志峰，郦建强，沈珍瑶，陈强. 水文模型参数识别算法研究及展望[J]. 自然科学进展,2006,16(6):657-661.[3] Nash J E, Sutcliff e J V. River flow forecasting through conceptual models, part І: A discus- sion of principles [ J] . Hydrology,1970, 10: 282- 290.[4] Ibbit t R P, O Donnell T . Designing conceptual catchment models for automatic fitting method s [ C] / / Proceedings of International Symposium on Math ematical Models in Hydrology Science. Warsaw : International As sociation of Hydrological Science, 1971: 59- 69.[5] John ston P R, Pilgrim D H . Parameter optimization f or watershed models [ J] . Water Resource Research, 1976, 12( 3) :477- 486.[6] Pickup G. Testing the efficiencies of algorithms and strategiesf or automatic calibration of rainfall runoff models[ J ] . Hydrological Science Bullet in, 1977, 22: 257- 274.[7] Gupta V K, Soroos hian S. The relationship between data and the precision of estimate parameters[ J] . Journal of Hydrology,1985, 81: 55- 77.[8] Wang Q J . T he genetic algorithm and its application to calibrating conceptual rainfall runoff models[ J] . Water Resource Research, 1991, 27( 9) : 2467- 2471.[9] Duan Q J, Sorooshian S , Gupta V K. Optimal use of SCEUA global optimization methods f or calibrating watershed model s[ J] . Journal of Hydrology, 1994, 158: 265- 284.[10] Hapuarachchi H A P, Li Zhijia, Wang Shouhui. Application of SCE-UA method for calibrating the Xin anjiang watershed model [ J ] . Journal of lake sciences, 2001, 12( 4) : 333- 341.[11] Li H X, Zhang Y Q, Chiew F H.S, et al. Predicting runoff in ungauged catchments by using Xinanjiang model with MODIS leaf area index[J]. Journal of Hydrology, 2009, 370：155-162.[12] 井立阳,张行南,王俊，等.GIS 在三峡流域水文模拟中的应用[J].水利学报,2004,4: 15-19.[13] 袁飞.考虑植被影响的水文过程模拟研究[D].南京:河海大学,2006.第3期[14] 徐倩,李致家,陈向东.新安江模型流域汇流参数规律研究[DB/OL].中国科技论文在线,2009,4: 335-338.[15] 李红霞，张新华，张永强，黎小东，敖天其.缺资料流域水文模型参数区域化研究进展.水文,2011,31(3):13-17.。

四种水文模型的比较摘要：水文模型是用数学的语言对现实水文过程进行模拟和预报，在进行水文规律的探讨和解决水文及生产实际问题中起着重要作用。

本文分别介绍了新安江模型、萨克拉门托（SAC）模型、SWAT模型以及TOPMODEL模型，并对这四种水文模型的蒸发计算、产流机制、汇流计算、适用流域、参数以及模型特点等不同方面进行了比较分析。

并结合对着4种模型之间的比较，作出了总结分析和展望。

关键词：新安江模型；SAC模型；SWA T模型；TOPMODEL模型；模型比较引言流域水文模型在进行水文规律研究和解决生产实际问题中起着重要的作用。

新安江模型是一个概念性水文模型，1973年由赵人俊教授领导的研究组在编制新安江预报方案时，汇集了当时在产汇流理论方面的成果，并结合大流域洪水预报的特点，设计出的我国第一个完整的流域水文模型，至今仍在我国湿润和半湿润地区的洪水预报中得到广泛应用；萨克拉门托水文模型，简称SAC模型，是R.C.伯纳什（Burnash）和R.L.费雷尔（Ferral）以及R.A.麦圭儿（Mcguire）于20世纪60年代末至70年代初研制的，是一个连续模拟模型，模型研制完成时间相对较晚，其功能较为完善，兼有蓄满产流和超渗产流，广泛应用于美国水文预报中；SWAT模型是美国农业部农业研究中心研制开发的用于模拟预测土地利用及土地管理方式对流域水量、水质过程影响的分布式流域水文模型；TOPMODEL为基于地形的半分布式流域水文模型，于1979年由Beven和Kirkby提出，其主要特征是将数字高程模型（DEM）的广泛适用性与水文模型及地理信息系统（GIS）相结合，基于DEM数据推求地形指数，并以此来反映下垫面的空间变化对流域水文循环过程的影响，描述水流趋势。

本文对这四中水文模型从蒸发计算、产汇流计算、适用流域以及参数等方面进行分析比较，并得出结论。

1模型简介1.1新安江模型新安江模型是赵人俊等在对新安江水库做入库流量预报工作中，归纳成的一个完整的降雨径流模型。

水资源管理中的水文模型水是人类生存和发展不可或缺的基本资源。

在现代化进程中，水资源的合理利用和管理越来越受到重视。

而水文模型是水资源管理中不可或缺的一环。

什么是水文模型？水文模型是基于水文学原理和方法，采用数学模型分析水文过程的一种方法。

它主要用于预测水文变化和模拟水文过程，为水资源管理、水文预报和水资源规划提供基础数据支持。

水文模型的分类根据模型输入数据和输出结果的不同，水文模型可以分为以下几种：1. 水文分布模型：以降雨量、蒸发量、渗透和流量为输入数据，推算出流域内的水文数据和水文情况的变化。

2. 水文过程模型：用于描述流域内的水文过程，包括降雨入渗、径流产生、径流暴涨等各个方面。

3. 水文预测模型：主要用于短期和中期的水文预测，以支持水资源管理和防洪减灾。

4. 水资源优化模型：以客观评价和分析流域水资源的各种利用方式，以及最优资源配置和利用方案。

为什么需要水文模型？水文模型在水资源管理中具有重要的应用价值。

在水库调度和防洪调度中，需要通过水文模型对水文过程进行模拟和预测，以确定最佳水库蓄水量和放水量，以及合理的防洪措施。

在水资源规划中，通过水文模型可以计算出流域的水文平衡和水文循环，以确定最优的水资源利用方案，提高水资源的利用效率。

在水资源评价和治理中，利用水文模型可以对流域的水文环境进行评价，指导流域的治理和保护。

水文模型的发展趋势随着数值模拟技术的不断改进和发展，水文模型也日益完善。

未来的水文模型将更加精细化和综合化，并与GIS、遥感技术、水传感器等技术相结合，开发各种辅助工具，提高水资源管理的效率和精度。

总的来说，水文模型是现代水资源管理不可或缺的工具，其应用范围正在不断扩大和深化，对于保障社会经济发展和生态环境保护具有重要意义。

SWAT水文模型介绍1概述SWAT（Soil and Water Assessment Tool）模型是美国农业部（USDA）农业研究局（ARS）开发的基于流域尺度的一个长时段的分布式流域水文模型。

它主要基于SWRRB模型，并吸取了CREAMS、GLEAMS、EPIC和ROTO的主要特征。

SWAT具有很强的物理基础，能够利用GIS和RS提供的空间数据信息模拟地表水和地下水的水量和水质，用来协助水资源管理，即预测和评估流域内水、泥沙和农业化学品管理所产生的影响。

该模型主要用于长期预测，对单一洪水事件的演算法。

蒸散发、模型。

每泥硝态氮量由水量和土壤层中的平均硝态氮浓度来估计。

泥沙中运移的有机氮采用McElroy et al.开发的负荷方程，后经进一步改进。

该负荷方程基于土壤表层的有机氮浓度、泥沙量和富集率来估计径流中的有机氮损失。

植物吸引的磷采用与氮相似的供需方法。

径流中带走的可溶解磷采用土壤表层中的不稳定磷、径流量和磷土分离系数来计算。

泥沙运移的磷采用与有机氮运移相同的方程。

河道中营养物的动态模拟采用QUAL2E模型。

2.1产汇流模型模型中采用的水量平衡表达式为：式中：为土壤最终含水量，mm；为土壤前期含水量，mm；t为时间步长，d；为第i 天降水量，mm；为第i天的地表径流，mm；为第i天的蒸发量，mm；为第i天存在于土壤剖面底层的渗透量和侧流量，mm；为第i天地下水含量，mm。

SWAT模型水文循环陆地阶段主要有水文、天气、沉积、土壤温度、作物产量、营养物质和农业管理等部分组成。

模型径流SCS流关系）与最大可能径流量（）之比的假定基础上建立的式中：假定潜在径流量（）为降水量（）与由径流产生前植物截留、初渗和填洼蓄水构成的流）的差值。

由此推到上式有：受土地利用、耕作方式、灌溉条件、冠层截留、下渗、填洼等因素的影响，它与土壤最大可能入渗量S呈一定的正比关系，美国农业部土壤保持局在分析了大量长期的实验结果基础上，提出了二者最合适的比例系数为0.2，即：由此可得SCS方程为：流域当时最大可能滞留量在空间上与土地利用方式、土壤类型和坡度等下垫面因素密切相关，模型引入的值可较好地确定，公式如下：CN是一个无量纲参数，CN值是反映降雨前期流域特征的一个综合参数，它是前期土壤湿度、坡度、土地利用方式和土壤类型状况等因素的综合。