水源涵养服务供需安全是保障区域水资源可持续利用和维护生态平衡的重要支撑。基于土壤和水评估工具(Soil and Water Assessment Tool,SWAT)测算新安江上游水源涵养服务供需指数,采用Theil-Sen Median趋势分析、标准差椭圆、探索性空间...水源涵养服务供需安全是保障区域水资源可持续利用和维护生态平衡的重要支撑。基于土壤和水评估工具(Soil and Water Assessment Tool,SWAT)测算新安江上游水源涵养服务供需指数,采用Theil-Sen Median趋势分析、标准差椭圆、探索性空间数据分析方法揭示其时空演变规律,耦合最优参数地理探测器和时空地理加权回归模型,分析新安江上游水源涵养服务供需指数存在时空差异的原因。结果显示:(1)在2002—2020年,新安江上游水源涵养服务供需指数呈螺旋上升趋势,其中极显著上升区域约占1.36%。(2)新安江上游水源涵养服务供需指数的标准差椭圆分布主要走向为“东北—西南”,全局呈逐渐加强的正相关性。(3)人口密度、坡向、土壤含水量分别是人类活动、下垫面、水文气象维度中对新安江上游水源涵养服务供需指数驱动力最强的因子。(4)人口密度对新安江上游各子流域水源涵养服务供需指数的驱动作用始终为负,坡向的驱动作用主要为负,土壤含水量的驱动作用始终为正。研究可为制定流域尺度的水土保持和水资源管理策略提供理论参考。展开更多
新安江模型是最为重要的水文模型之一。通过添加CemaNeige模块,本文构建基于可微参数学习的积融雪新安江模型。应用长短时记忆神经网络通过前向传播挖掘流域属性和气象数据与模型参数之间的关系,将参数传递给积融雪新安江模型,进而通过...新安江模型是最为重要的水文模型之一。通过添加CemaNeige模块,本文构建基于可微参数学习的积融雪新安江模型。应用长短时记忆神经网络通过前向传播挖掘流域属性和气象数据与模型参数之间的关系,将参数传递给积融雪新安江模型,进而通过后向传播计算误差优化网络参数,面向Catchment Attributes and Meteorology for Large-sample Studies(CAMELS)数据集的531个流域,构建4组模型形成对比试验。研究结果表明:CemaNeige模块提升了新安江模型径流模拟性能,Kling-Gupta efficiency(EKG)中位数从0.58提升至0.68;对于单一流域模拟,可微参数学习使得EKG中位数提升至0.70;对于多流域整体模拟,可微参数学习进一步使得EKG中位数提升至0.72。上述改进既源于考虑积融雪过程,又源于可微参数学习的有效性,还源于流域之间的协同效应。整体上,可微参数学习能够有效地促进积融雪新安江模型的构建和应用。展开更多
文摘水源涵养服务供需安全是保障区域水资源可持续利用和维护生态平衡的重要支撑。基于土壤和水评估工具(Soil and Water Assessment Tool,SWAT)测算新安江上游水源涵养服务供需指数,采用Theil-Sen Median趋势分析、标准差椭圆、探索性空间数据分析方法揭示其时空演变规律,耦合最优参数地理探测器和时空地理加权回归模型,分析新安江上游水源涵养服务供需指数存在时空差异的原因。结果显示:(1)在2002—2020年,新安江上游水源涵养服务供需指数呈螺旋上升趋势,其中极显著上升区域约占1.36%。(2)新安江上游水源涵养服务供需指数的标准差椭圆分布主要走向为“东北—西南”,全局呈逐渐加强的正相关性。(3)人口密度、坡向、土壤含水量分别是人类活动、下垫面、水文气象维度中对新安江上游水源涵养服务供需指数驱动力最强的因子。(4)人口密度对新安江上游各子流域水源涵养服务供需指数的驱动作用始终为负,坡向的驱动作用主要为负,土壤含水量的驱动作用始终为正。研究可为制定流域尺度的水土保持和水资源管理策略提供理论参考。
文摘新安江模型是最为重要的水文模型之一。通过添加CemaNeige模块,本文构建基于可微参数学习的积融雪新安江模型。应用长短时记忆神经网络通过前向传播挖掘流域属性和气象数据与模型参数之间的关系,将参数传递给积融雪新安江模型,进而通过后向传播计算误差优化网络参数,面向Catchment Attributes and Meteorology for Large-sample Studies(CAMELS)数据集的531个流域,构建4组模型形成对比试验。研究结果表明:CemaNeige模块提升了新安江模型径流模拟性能,Kling-Gupta efficiency(EKG)中位数从0.58提升至0.68;对于单一流域模拟,可微参数学习使得EKG中位数提升至0.70;对于多流域整体模拟,可微参数学习进一步使得EKG中位数提升至0.72。上述改进既源于考虑积融雪过程,又源于可微参数学习的有效性,还源于流域之间的协同效应。整体上,可微参数学习能够有效地促进积融雪新安江模型的构建和应用。
