引用本文
闫强, 廖静娟, 沈国状. 近40年乌兰乌拉湖变化的遥感分析与水文模型模拟[J]. 国土资源遥感, 2014,26(1): 152-157
YAN Qiang, LIAO Jingjuan, SHEN Guozhuang. Remote sensing analysis and simulation of change of Ulan Ul Lake in the past 40 years[J]. REMOTE SENSING FOR LAND & RESOURCES,2014,26(1): 152-157  
Permissions
Copyright©2014, 《国土资源遥感》编辑部
《国土资源遥感》编辑部
近40年乌兰乌拉湖变化的遥感分析与水文模型模拟
闫强1,2, 廖静娟1, 沈国状1
1.中国科学院遥感与数字地球研究所数字地球科学重点实验室,北京 100094
2.中国科学院大学,北京 100049

第一作者简介: 闫 强(1987-),男,硕士研究生,主要从事遥感数据应用方面的研究。Email:qyan87@gmail.com。

收稿日期: 2013-03-14
基金: 国家“973”科学研究计划项目“空间观测全球变化敏感因子的机理与方法”(编号: 2009CB723900)资助
摘要

为了研究可可西里地区的湖泊变化及其与气候变化的响应关系,利用TM/ETM+图像提取乌兰乌拉湖水体面积,利用高度计数据获得湖泊水位,分析湖泊面积和水位的变化; 并计算得到2003—2009年湖泊水量变化; 然后利用SWAT模型(soil and water assessment tool),对乌兰乌拉湖1970—2012年的径流情况进行模拟,其中土壤分类、土地利用分类和气象数据作为输入数据,利用遥感数据计算湖泊径流量,进行模型率定和验证。结果表明: 1970—1990年,乌兰乌拉湖湖泊面积持续缩小,1990年以后湖泊面积持续增大,1990—2010年湖泊面积共增长了129 km2,水位也持续上升; SWAT模型模拟值和真实值的决策系数 R2=0.82,模型适用性强,长期模拟结果与遥感监测结果的趋势一致; 乌兰乌拉湖流域多年平均年径流量为103.8 mm,高峰出现在7—9月。

关键词: 乌兰乌拉湖; 遥感; SWAT模型; 气候变化; 模拟
中图分类号:TP79 文献标志码:A 文章编号:1001-070X(2014)01-0152-06 doi: 10.6046/gtzyyg.2014.01.26
Remote sensing analysis and simulation of change of Ulan Ul Lake in the past 40 years
YAN Qiang1,2, LIAO Jingjuan1, SHEN Guozhuang1
1.Key Laboratory of Digital Earth Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China
2. University of Chinese Academy of Sciences, Beijing 100049, China
Abstract

In order to study the response relationship of the change of the Hoh Xil Lake to the climate change, the authors extracted surface area of the Ulan Ul Lake based on the remote sensing images (Landsat TM/ETM+) from 1970 to 2010, and examined the lake level elevation variations by GLAS/ICESat lase altimeter during the period of 2003-2009. On the basis of the lake area and level elevation extracted from remote sensing data, the variations of water quantity were calculated. SWAT model(soil and water assessment tool)was used to simulate the runoff in the basin of the Ulan Ul Lake from 1970 to 2012. During the simulation, DEM, land-use classification, soil classification and meteorological data served as input data, and the model was calibrated and verified by the variations of water quantity. The results showed that the lake area decreased by 70 km2 from 1970 to 1990, and increased by 129 km2 from 1990 to the present; the correlation coefficient of the simulated and measured data is R2=0.82. These data suggest that the model is feasible, and the simulation results are in agreement with measured results from remote sensing. The average annual runoff of the Ulan Ul Lake was 103.8 mm, and the peak of runoff occurred from July to September.

Keyword: Ulan Ul Lake; remote sensing; SWAT model; climate change; simulation
0 引言

青藏高原地区是我国气候变化的启动区[1], 该地区湖泊是内流水系, 未受人类活动影响, 所以其变化主要受流域内气候和环境变化影响。由于青藏高原地势高亢, 自然环境恶劣, 交通不便, 遥感已成为研究该地区湖泊变化的有效手段。前人利用遥感图像和卫星高度计数据对青藏高原的湖泊做了大量监测和分析。如黄卫东等[2, 3, 4, 5, 6, 7]使用Landsat系列卫星获取的遥感图像对多个湖泊的面积变化进行了监测; Vu等[8, 9, 10, 11]利用ICESat和ENVISAT等卫星获取的高度计数据分析了湖泊水位的变化规律。

基于物理过程的水文模型是分析湖泊长时间变化的有效手段, 可为湖泊变化研究提供长时间的变化序列。其中SWAT模型(soil and water assessment tool)是一个半分布式水文模型, 基于物理过程模拟流域尺度的水文过程。Cruise等[12, 13, 14, 15]应用水文模型研究了气候变化的水文效应。张小咏等[16]利用SWAT模型, 模拟长江源地区近30 a的水文过程, 沈华东等[17]利用SWAT模型研究了兹格塘错流域的湖泊与气候变化响应关系。

评估气候和湖泊变化的响应关系, 需采用长期连续的监测。但是, 该地区的遥感监测数据只有近10 a的连续数据, 也缺乏水文模型率定所需要的水文站观测数据。本研究将乌兰乌拉湖流域的SRTM数据、土地利用数据、土壤分类数据和气象数据(1970— 2012年)载入SWAT水文模型, 根据流域的水文、土壤和气候特点, 利用遥感数据计算湖泊真实流量, 率定涉及到的模型参数, 构建出适用于该地区的SWAT水文模型, 并进行气候变化响应研究。

1 研究区概况

可可西里地区位于青海省的西南部, 是我国最大的无人区, 其范围包括昆仑山以南, 唐古拉山以北, 青藏公路以西的广袤区域, 平均海拔4 600 m以上。可可西里水系是内流水系, 以昆仑山、唐古拉山和乌兰乌拉山将其他水系隔开。

乌兰乌拉湖(N34° 48', E90° 30')位于可可西里地区的南部, 是该区面积最大的湖泊。湖泊南面是祖尔肯乌拉山, 北面是乌兰乌拉山, 东西两面地形开阔, 多为缓坡及丘陵地带, 湖泊呈半环形, 湖中央有基岩半岛镇湖岭。湖泊水面高程4 854 m, 2010年遥感调查的水面面积为612 km2, 平均水深6.9 m。湖泊流域面积6 006.45 km2, 其西部分布有天水河, 西南部分布有跑牛河和熊鱼河, 南部有等马河, 东部有一些季节性河流, 如图1所示。

图1 研究区示意图Fig.1 Sketch map of study area

乌兰乌拉湖地处唐古拉山向可可西里地区过渡的半干旱、半湿润区, 呈现独特的小区域盆地气候特征, 年均气温低于-8℃, 年降水300~600 mm, 年蒸发量1 250 mm, 年均相对湿度34%, 年均风速6.8 m/s。

2 研究方法和数据源
2.1 研究方法

将所有空间数据的坐标系转为以WGS 1984为基准面的Albers等面积割圆锥投影坐标系, 第一、第二纬线和中央经线分别采用25° , 47° 和105° 。研究思路如图2所示。

图2 本文采用的研究思路Fig.2 Process of research used in this study

首先, 利用1970— 2010年的多时相遥感图像, 提取乌兰乌拉湖多年份的湖泊面积, 分析其长时间的变化规律; 然后, 基于2003— 2009年ICESat高度计数据提取湖泊水位, 将每年冬季1期高度计数据与同期遥感图像相结合, 计算得到2003— 2009年湖泊逐年蓄水量变化和2004— 2007年逐月蓄水量变化, 用于SWAT模型的率定和验证; 最后, 利用SWAT水文模型模拟近40 a来乌兰乌拉湖的水文过程, 以DEM、土地利用分类、土壤分类和再分析气象数据作为输入数据, 以2003— 2006年的湖泊蓄水量变化作为率定数据进行模型参数的调整, 利用2007— 2009年蓄水量变化来验证模型的适用性, 以多组数据对比的方式, 分析气象数据的敏感性, 进而分析湖泊变化与气候变化的响应关系。

2.2 SWAT模型

SWAT模型是美国农业部开发的分布式、流域尺度、基于过程的物理水文模型, 能够连续长时间段的模拟计算。模型模拟流域水文过程需要空间数据和属性数据, 空间数据包括数字高程模型(digital elevation model, DEM)、土地利用分类图、土壤分类图等, 属性数据有气象、土壤及水文等数据。SWAT模型将研究流域分为若干个子流域, 根据不同的地表覆被和土壤类型, 每个子流域进一步分为若干个水文响应单元(hydrologic research unit, HRU), 通过计算每个HRU产生的径流量, 得到每个子流域的汇流量, 最终得到整个流域的总径流量。

2.3 数据源

2.3.1 遥感数据

遥感图像数据包括1970年MSS, 1990年TM和2000— 2010年间的TM/ETM+数据, 高度计数据是2003— 2009年间的ICESat激光高度计数据。

2.3.2 SWAT模型基础数据

1)流域特征数据。DEM是用于流域地形分析的主要数据, 本文采用90 m分辨率的SRTM数据。

2)土壤数据。土壤的质地和结构是影响径流形成过程的关键因素, 直接影响着产生的径流量。该数据是由地球系统科学数据共享网提供的1:100万的土壤数据制成的, 包括土层厚度、有效含水量、饱和导水率、砂粉含量和粘土含量等。

SWAT模型采用美国制土壤数据标准, 与中国现有的数据标准不一致。本文采用三次样条Spline插值[18, 19, 20]进行数据标准转换, 参数如表1所示。

表1 转换后的土壤属性参数 Tab.1 Parameters of soil after conversion

3)土地利用数据。土地利用数据来源于中国西部生态环境数据中心。根据土地利用分类的属性, 将土地利用数据与SWAT模型提供的国家土地覆被数据库(national land cover database, NLCD)分类标准建立对应关系(表2), 将该数据转换为标准分类。

表2 土地利用分类对照表 Tab.2 Land use classification data

4)气象数据。SWAT模型输入的气象数据包括降水、温度、相对湿度、日照和风速。因为研究区位置偏远, 环境恶劣, 没有地面气象站实测数据, 故本研究依据美国国家环境预报中心和国家大气中心(NCEP)的全球再分析数据中的地表气象数据测算了主要气象参数, 分辨率2.5° × 2.5° 。

5)率定和验证数据。产流模拟时, 需要调整模型参数, 使其适用于研究区, 提高模拟准确率。本研究利用多期遥感图像和高度计数据计算湖泊的水量变化, 并进一步计算了实际径流量。

3 湖泊变化

利用遥感图像数据获取湖泊面积变化; 利用高度计数据获取湖泊水位变化; 综合多组同一时间的湖泊面积和水位, 即可得到湖泊的水量变化。

3.1 湖泊面积

对1970年、1990年和2000— 2010年间多期遥感图像进行几何精纠正和投影转换, 然后通过人机交互解译提取湖泊面积(图3)。

图3 湖泊面积变化Fig.3 Variations of lake area

在1970— 1990年间, 乌兰乌拉湖面积萎缩, 从1970年的552 km2减小到1990年482 km2, 减小速率3.46 km2/a; 1990年以后湖泊面积持续增大, 且2000年之后, 面积增大速度加快, 20世纪90年代湖泊面积增加速率为5.40 km2/a, 2000年后增加速率为7.5 km2/a。90年代以来共增加了129 km2, 2010年总面积增大到612 km2。

3.2 湖泊水量变化

2003— 2009年间, 共有23轨ICESat/GLAS陆地测高数据GLA14覆盖乌兰乌拉湖, 计算该湖泊水位变化时间序列需要3个步骤: ①将海拔作为纵坐标, 纬度作为横坐标, 将点绘制到坐标图中; ②利用随机抽样一致算法(random sample consensus, RANSAC)找到1条与所有点的距离之和最小的直线; ③选取与直线距离在一定阈值内的点, 计算其平均值作为水位值。结果如图4所示。

图4 水位的计算Fig.4 Water level calculation

用以上方法得到2003— 2009年间冬季的湖泊水位后, 在同期遥感图像上提取湖泊面积, 组成7组水位-面积组合。通过这7组数据, 将面积最小时的蓄水量假设为1× 109 m3拟合得到乌兰乌拉湖面积-蓄水量和水位-蓄水量的拟合曲线(图5)。

图5 水位-面积曲线Fig.5 Curve between lake water level and area

利用公式计算湖泊面积对高程的积分, 就得到2个时相间湖泊的水量变化。利用曲线计算与面积和水位对应的湖泊蓄水量, 该7a间, 湖泊蓄水量持续上升1.6× 109 m3, 平均上升速率为2.2× 108 m3/a。基于多期的遥感图像和高度计数据, 计算2003— 2009年的蓄水量变化, 用于SWAT模型的率定和验证。

4 湖泊变化模拟

应用SWAT模型进行乌兰乌拉湖流域的径流模拟需要5个步骤: ①载入DEM, 对流域内的洼地进行填挖, 然后计算汇水面积, 定义阈值并生成水系; ②流域离散化, 定义子流域水系出水口, 基于DEM把整个流域划分成49个子流域(图1); ③叠加土地覆盖类型和土壤分类空间数据, 将其重分类为模型中已定义的土地覆盖类型和土壤分类, 并定义HRU; ④将气象数据导入模型, 并分配到每个HRU上; ⑤模拟运行, SWAT将对每个HRU分别进行径流模拟, 再通过河网汇集, 得到整个流域的径流量模拟。

4.1 参数敏感性分析

SWAT模型参数敏感性分析是模型校准的前提, 评估输入参数对模型结果的影响程度, 并按重要性进行排序。经过敏感性分析, 选择排序靠前参数进行调整, 使模型的校准省时省力。

本研究采用Morris[21]提出的LH-OAT灵敏度分析方法, 得到影响乌兰乌拉湖流域径流模拟结果精度的7个重要参数(表3)。但是, SWAT模型的模拟是基于物理过程的, 所以在实际率定过程中, 再根据实际情况选取部分参数进行调整。

表3 参数敏感性分析 Tab.3 Results of the parameter sensitivity analysis
4.2 模型率定

湖泊的水量平衡公式为

△ V=FA’ +AP-AE, (1)

式中: △ V为湖泊水量变化, 通过遥感数据获得; F为流域内径流量; A’ 为流域面积; A为湖泊面积; P为降水量, 通过再分析数据获取; E为蒸发量, 由Penman-Monteith模型求得。根据式(1)可求得径流量F。

利用2003— 2006年逐月蓄水量变化, 统计同期的累积降水量和累积蒸发量, 计算得到同时间段的径流量。根据参数敏感性分析结果, 结合研究区的环境特点选择要调整的参数。调整顺序依次为地表径流、土壤水分、蒸发和地下径流, 结果如表4所示。

表4 模型率定与验证数据 Tab.4 Data for calibration and verification
4.3 模拟结果验证

选择相关系数R来验证模型模拟值和实测值之间的符合程度。若R> 0.8, 认为2组数据具有很强的线性关系。本文利用2007— 2009年逐月蓄水量变化进行模拟验证(表4), 计算得到R2=0.82, 即R> 0.9, 表明SWAT模型经过率定后, 能比较准确地描述该流域的水文过程。

4.4 模拟结果

利用2003— 2009年间的数据进行参数率定和验证以后, 对乌兰乌拉湖流域1970— 2012年的产流过程进行模拟。模型运行结果为1970— 2012年每个月径流量。结果表明: 乌兰乌拉湖流域多年年径流量, 1990年以后呈现明显的上升趋势(图6); 冬季和春季产生径流量极小, 这是由于该地区冬季温度过低, 随着气温升高, 到了4, 5月份冰雪融化, 才开始产生可观的径流量(图7); 随着夏季降水的增多, 径流量增加到最大, 最高值出现在8月, 径流持续到9月, 10月温度下降, 径流量急剧减小。

图6 年径流量模拟值Fig.6 Simulated values of annual flow

图7 40 a平均月径流量模拟值Fig.7 Simulated values of monthly flow of 40 years

根据式(1)计算1970— 2012年间湖泊水量变化。1970— 1990年间湖水水量波动较大, 且没有规律; 但在1970, 1990, 2000— 2010年期间, 1990年出现了最低值, 其遥感图像获取的湖泊面积也同样是最低值, 说明模型模拟可信性较高; 1990年以后湖水水量呈上升趋势(图8)。

图8 湖泊水量变化Fig.8 Variations of lake volume

4.5 敏感气象参数分析

温度和降水是对地表径流变化产生最直接影响的2个气象参数。为了探讨二者对地表径流影响的敏感性, 在过去43 a气象数据的基础上, 减小或增大温度和降水的输入值, 变化幅度为真实值标准差的1/4, 组合4种高(低)降水和高(低)温度组合。将各种组合分别输入SWAT模型, 模拟与真实值同时段的径流量, 对比输出结果(图9)。

图9 温度和降水敏感性分析Fig.9 Simulated values of annual discharge

对比结果表明: 降水变化对径流的影响最为明显, 弱降水的模拟值均为模拟中的最小值, 说明降水是径流量的决定性因素; 径流最大值是强降水低温模拟值, 这是由于降水量增加、温度降低和蒸发量减小, 造成径流量增加; 最小值是弱降水高温模拟值, 与强降水低温模拟相反, 降水减少和蒸发增加, 致使径流量减少。

4.6 模拟结果分析

由参数敏感性分析可知, 降水与径流量成正相关关系, 温度与径流量成负相关关系。气象数据表明该地区近40 a来, 降水呈下降趋势, 温度呈上升趋势, 可以推断近40 a间, 湖泊水量应该呈下降趋势; 但遥感监测和SWAT模型的模拟结果都表明, 1990年之前, 湖泊水量呈下降趋势, 1990年之后湖泊水量持续上升, 这与上述推断的趋势相反。

结合研究区内自然地理和地貌环境因素的综合分析, 推测1990年之后湖泊水量持续上升是因为在全球气候变暖总趋势下, 近年区域性的温度持续上升, 引起了湖区周边高山冰川和积雪融水的剧增, 从而大量补充了湖泊水量。

5 结论

1)遥感已成为研究青藏高原湖泊的主要手段, 但还受到数据连续性差的限制。1970— 1990年间, 乌兰乌拉湖面积萎缩了70 km2, 而1990— 2010年, 湖泊面积扩张了130 km2, 扩展面积占总面积的1/5。

2)利用SWAT模型模拟乌兰乌拉湖径流产生过程, 将土地利用、土壤数据和气象数据输入模型。通过模型敏感性分析和率定, 得到2003— 2009年间径流的实测值和模拟值决策系数R2 = 0.82。研究表明, 经过率定, SWAT模型在乌兰乌拉湖地区流域的适用性很好, 为研究湖泊的长期变化提供了有力依据, 也为青藏高原水文研究提供了新途径。

3)降水与径流量呈正相关, 温度与径流量呈负相关。近年来气候变暖使青藏高原冰川消融加快, 补充湖泊水量增加, 是造成湖泊扩张的主因之一。

The authors have declared that no competing interests exist.

参考文献
[1] 冯松, 汤懋苍, 王冬梅. 青藏高原是我国气候变化启动区的新证据[J]. 科学通报, 1998, 43(6): 633-636.
Feng S, Tang M C, Wang D M. The new evidence that the Tibetan Plateau is promoter region in China in climate change[J]. Chinese Science Bulletin, 1998, 43(6): 633-636. [本文引用:1] [CJCR: 0.95]
[2] Liao J J, Shen G Z, Li Y K. Lake variations in response to climate change in the Tibetan Plateau in the past 40 years[J]. International Journal of Digital Earth, 2012: 1-16. [本文引用:1] [JCR: 1.222]
[3] 鲁安新, 姚檀栋, 王丽红, 等. 青藏高原典型冰川和湖泊变化遥感研究[J]. 冰川冻土, 2005, 37(6): 783-792.
Lu A X, Yao T D, Wang L H, et al. Study on the fluctuations of typical glaciers and lakes in the Tibetan Plateau using remote sensing[J]. Journal of Glaciology and Geocryology, 2005, 37(6): 783-792. [本文引用:1] [CJCR: 1.301]
[4] 黄卫东, 廖静娟, 沈国壮. 近40年西藏那曲南部湖泊变化及其成因探讨[J]. 国土资源遥感, 2012, 24(3): 123-128.
Huang W D, Liao J J, Shen G Z. Lake change in past 40 years in the southern Naqu district of Tibet and analysis of its driving force[J]. Remote Sensing for Land and Resources. 2012, 24(3): 123-128. [本文引用:1]
[5] 车涛, 李新, Mool P K, 等. 希夏邦马峰东坡冰川与冰川湖泊变化遥感监测[J]. 冰川冻土, 2005, 27(6): 801-805.
Che T, Li X, Mool P K, et al. Monitoring glaciers and associated glacial lakes on the east slopes of mount Xixabangma from remote sensing images[J]. Journal of Glaciology and Geocryology, 2005, 27(6): 801-805. [本文引用:1] [CJCR: 1.301]
[6] 陈锋, 康世昌, 张拥军, 等. 纳木错流域冰川和湖泊变化对气候变化的响应[J]. 山地学报, 2009, 27(6): 641-647.
Chen F, Kang S C, Zhang Y J, et al. Glaciers and lake change in response to climate change in the Nam Co basin, Tibet[J]. Journal of Mountain Science, 2009, 27(6): 641-647. [本文引用:1] [CJCR: 0.736]
[7] 边多, 杜军, 胡军, 等. 1975—2006年西藏羊卓雍错流域内湖泊水位变化对气候变化的响应[J]. 冰川冻土, 2009, 31(3): 404-409.
Bian D, Du J, Hu J, et al. Response of the water level of the Yamzho Yum Co to climate change during 1975-2006[J]. Journal of Glaciology and Geocryology, 2009, 31(3): 404-409. [本文引用:1] [CJCR: 1.301]
[8] Birkett C M. Synergistic remote sensing of lake chad: Variability of basin inundation[J]. Remote Sensing of Environment, 2000, 72(2): 218-236. [本文引用:1] [JCR: 5.103]
[9] Frederic F, Calmant S, Cauhope M, et al. Preliminary results of ENVISAT RA-2-derived water levels validation over the Amazon basin[J]. Remote Sensing of Environment, 2006, 100(2): 252-264. [本文引用:1] [JCR: 5.103]
[10] Vu H P, Roderik L, Massimo M. ICESat derived elevation changes of Tibetan lakes between 2003 and 2009[J]. International Journal of Applied Earth Observation and Geoinformation, 2011, 17: 12-22. [本文引用:1] [JCR: 2.176]
[11] Hyongki L, Shum C K, Kuo H T, et al. Present-day lake level variation from ENVISAT altimetry over the northeastern Qinghai-Tibetan Plateau: Links with precipitation and temperature[J]. Terrestrial Atmospheric and Oceanic Sciences, 2011, 22(2): 169-175. [本文引用:1] [JCR: 0.705]
[12] Cruise J F, Limaye A S, Abed N. Assessment of impacts of climate change on water quality in the southeastern United States[J]. Journal of the American Water Resources Association, 1999, 35(6): 1539-1550. [本文引用:1] [JCR: 1.956]
[13] Stonefelt M D, Fontaine T A, Hotchkiss R H. Impacts of climate change on water yield in the upper Wind River basin[J]. Journal of the American Water Resources Association, 2000, 36(2): 321-336. [本文引用:1] [JCR: 1.956]
[14] Stone M C, Hotchkiss R H, Hubbard C M, et al. Impacts of climate change on Missouri River basin water yield[J]. Journal of the American Water Resources Association, 2001, 37(5): 1119-1129. [本文引用:1] [JCR: 1.956]
[15] Eckhardta K, Ulbrichb U. Potential impacts of climate change on ground water recharge and streamflow in acentral European low mountain range[J]. Journal of Hydrology, 2003, 284(1/4): 244-252. [本文引用:1] [JCR: 2.964]
[16] 张小咏, 李佳, 杨艳昭, 等. 基于SWAT模型的长江源区径流模拟[J]. 西北林学院学报, 2012, 27(5): 38-44.
Zhang X Y, Li J, Yang Y Z, et al. Runoff simulation of the catchment of the headwaters of the Yangtze[J]. Journal of Northwest Forestry University, 2012, 27(5): 38-44. [本文引用:1] [CJCR: 0.665]
[17] 沈华东, 于革. 青藏高原兹格塘错流域50年来湖泊水量对气候变化响应的模拟研究[J]. 地球科学与环境学报, 2011, 33(3): 282-287.
Shen H D, Yu G. Simulation study on hydrological response of water quantity to climate change in Zigetang lake of Tibetan Plateau during the past 50 years[J]. Journal of Earth Sciences and Environment, 2011, 33(3): 282-287. [本文引用:1]
[18] 朱新军, 王中根, 李建新, 等. SWAT模型在漳卫河流域应用研究[J]. 地理科学研究进展, 2006, 25(5): 105-111.
Zhu X J, Wang Z G, Li J X, et al. Applications of SWAT model in Zhangwei River basin[J]. Progress in Geography, 2006, 25(5): 105-111. [本文引用:1] [CJCR: 1.959]
[19] 蔡永明, 张科利, 李双才, 等. 不同粒径制间土壤质地资料的转换问题研究[J]. 土壤学报, 2003, 40(4): 511-517.
Cai Y M, Zhang K L, Li S C, et al. Study on the conversion of different soils texture[J]. Acta Pedologica Sinica, 2003, 40(4): 511-517. [本文引用:1] [CJCR: 1.979]
[20] 吕喜玺, 沈荣明. 土壤可蚀性因子K值的初步研究[J]. 水土保持学报, 1992, 6(1): 63-70.
Lü X X, Shen R M. A preliminary study on the values K of soil erosibility factor[J]. Journal of Soil and Water Conservation, 1992, 6(1): 63-70. [本文引用:1] [JCR: 1.722] [CJCR: 1.409]
[21] Morris M D. Factorial sampling plans for preliminary computational experiments[J]. Technometrics, 1991, 33(2): 161-174. [本文引用:1] [JCR: 1.424]