大尺度分布式水文模型数字流域提取方法研究

第２６卷第１期

２００７年１月地理科学进展ＰＲＯＧＲＥＳＳＩＮＧＥＯＧＲＡＰＨＹＶｏｌ．２６，Ｎｏ．１Ｊａｎ．，２００７

收稿日期：２００６－０６；修订日期：２００６－１１．

基金项目：国家自然科学基金项目（５０６７９０１８）和国家自然科学基金（４０５７５０４０）资助。

作者简介：杨传国（１９８１－），男，山东青州人，博士研究生，主要从事水文水资源研究。Ｅｍａｉｌ：ｃｈｇｙａｎｇ＠ｓｉｎａ．ｃｏｍ通讯作者：余钟波（１９６４－），男，河海大学“长江学者”

，教授，博导。大尺度分布式水文模型数字流域

提取方法研究

杨传国１，２，余钟波１，３，林朝晖２，郝振纯１

（１．河海大学水文水资源与水利工程科学国家重点实验室，南京２１００９８；

２．中国科学院大气物理研究所，北京１０００９２；

３．ＤｅｐａｒｔｍｅｎｔｏｆＧｅｏｓｃｉｅｎｃｅ，ＵｎｉｖｅｒｓｉｔｙｏｆＮｅｖａｄａ，ＬａｓＶｅｇａｓ，ＮＶ８９１５４－４０１０，ＵＳＡ．）

摘要：

构建大尺度分布式水文模型是当前大气水文模型耦合研究的一项重要内容。本文介绍一种根据１ｋｍＤＥＭ生成更大网格尺度ＤＥＭ数据，同时可以保持流域河网信息并减缓高程、

坡度等地貌参数信息量衰减速度的有效方法———ＺＢ算法。

利用该方法和常规的网格平均法生成黄河唐乃亥以上流域的５ｋｍ、１０ｋｍ、１５ｋｍ和２０ｋｍ两套ＤＥＭ数据，分别提取高程、

坡度、地形指数、河网密度、主河道长度、流域面积等流域特征参数，并与１ｋｍＤＥＭ提取的上述参数进行比较，对两

种方法作出评价。结果显示，随着网格尺度的增大，ＺＢ算法获得的ＤＥＭ数据可以保持河网的连

续性，提取出合理的流域范围，减缓地形信息量的衰减速度。该方法满足构建大尺度分布式水文

模型提取数字流域的需要。

关键词：大尺度水文模型；ＤＥＭ；ＺＢ算法；数字流域

中图分类号：Ｐ３４３

１概述

气候变化对水文循环产生了重要影响，自然因素和人类活动引起的气候变化问题越来越受到人们的关注。构建大尺度分布式水文模型，开发大气水文双向耦合模型系统，是目前国际水文和气象工作者的研究热点［１，２］。随着地理信息系统功能的不断强大和数字高程模型（ＤｉｇｉｔａｌＥｌｅｖａｔｉｏｎＭｏｄｅｌ，ＤＥＭ）适用性的逐步提高，自动提取流域特征已变得相当普遍。近来研究表明，根据ＤＥＭ提取流域参数的精度与人工方法获取的数据相当，而处理时间大量减少［３］，为建立基于网格的分布式水文模型提供了保证。小尺度网格可以更好地反映流域的空间分布非均匀性变化，提高获取流域特征参数的精度，然而建立在小尺度网格基础上的分布式水文模型，由于受计算机容量和速度的限制，难以满足与大气模型双向耦合研究和应用的需要。因此，选择合适的网格尺度ＤＥＭ提取河网、坡度、流域范围等数字流域特性是建立大尺度分布式水文模拟的一项基本任务。

本文利用ＵＳＧＳ（Ｕ．Ｓ．ＧｅｏｌｏｇｉｃａｌＳｕｒｖｅｙ）ＨＹＤＲＯ１ＫＤＥＭ数据，采用余钟波教授提出的

１期杨传国等：大尺度分布式水文模型数字流域提取方法研究ＺＢ算法和常规的网格平均法分别生成两套５ｋｍ、１０ｋｍ、１５ｋｍ和２０ｋｍＤＥＭ数据，利用Ａｒｃ／

Ｉｎｆｏ软件分别提取高程、

坡度、地形指数、河网密度、主河道长度、流域面积等流域特征参数，与１ｋｍＤＥＭ提取的上述流域特征参数进行对比讨论，对两种方法作出评价。

２研究方法

２．１研究区域与数据

本文选取黄河上游唐乃亥（１００°０９′Ｅ，３５°３０′Ｎ）以上流域作为研究区域，主要位于青海省境内，如图１所示。该区域地势高峻，海拔高程在２８５０ｍ以上，地形条件十分复杂。其中玛多以上河段内包括扎陵湖、鄂陵湖我国两大高原淡水湖；玛多至玛曲区间，黄河流经巴颜喀拉山与积石山之间的古盆地和低山丘陵，大部分河段河谷宽阔，间有几段峡谷；玛曲至唐乃亥区间，黄河流经高山峡谷，水流湍急，水力资源较为丰富。该区域属高寒地区，生态环境脆弱，近年来受人类活动影响日趋明显，地表植被严重退化［４］，亟需联合大气模型研究气候变化对水资源及生态环境的影响。

图１研究流域及其ＨＹＤＲＯ１ＫＤＥＭ

Ｆｉｇ．１Ｒｅｓｅａｒｃｈｂａｓｉｎａｎｄｉｔ’ｓＨＹＤＲＯ１ＫＤＥＭ

选择ＨＹＤＲＯ１ＫＤＥＭ数据为基本分析资料，分辨率为１ｋｍ。ＨＹＤＲＯ１Ｋ是由美国ＵＳＧＳ地球资源观测系统数据中心（ＥＲＯＳＤａｔａＣｅｎｔｅｒ）与联合国环境计划—全球资源信息中心（ＵｎｉｔｅｄＮａｔｉｏｎｓＥｎｖｉｒｏｎｍｅｎｔａｌＰｒｏｇｒａｍ／ＧｌｏｂａｌＲｅｓｏｕｒｃｅｓＩｎｆｏｒｍａｔｉｏｎＤａｔａｂａｓｅ，简称ＵＮＥＰ／ＧＲＩＤ）联合制作的一个全球数字地形高程模型，可从Ｉｎｔｅｒｎｅｔ免费下载。覆盖全球（除格陵兰岛及极地以外）的所有陆地。该数据是经过率定和校正后的产品，其可靠性有较高保证［５］。２．２问题的提出

根据上述资料，通常采用网格平均方法生成更大网格尺度的ＤＥＭ数据。网格平均法是根据横向和纵向的ｌ×ｌ个１ｋｍ网格尺度ＤＥＭ数据直接平均生成一个ｌｋｍ网格尺度ＤＥＭ数据，即式（１

）：６９

地理

科学进展２６卷

ｅｌｅｖ（ｉ，ｊ）＝ｌｍ＝１!ｌｎ＝１!［ｅｌｅｖ（（ｉ－１）×

ｌ＋ｍ，（ｊ－１）×ｌ＋ｎ）］ｌ２（１）

式中，ｅｌｅｖｌ－ｋｍ（ｉ，ｊ）表示ｌｋｍ网格尺度ＤＥＭ的第（ｉ，ｊ）个网格的高程，单位ｍ；ｅｌｅｖｌ－ｋｍ表示１ｋｍ网格尺度ＤＥＭ的高程，单位ｍ；ｌ是所计算的网格尺度。以生成５ｋｍＤＥＭ数据为例，如图２（ａ）所示，网格平均法得到该网格的高程值为２７８５．７２ｍ。

图２计算５ｋｍ网格尺度ＤＥＭ示意图

Ｆｉｇ．２难度Ｓｋｅｔｃｈｍａｐｏｆｃｏｍｐｕｔｉｎｇ５ｋｍｇｒｉｄｓｃａｌｅＤＥＭ

上述网格平均法在计算过程中仅考虑高程单个因子，未引入其它有效数据信息，生成的大尺度网格ＤＥＭ通常不足以保证提取合理的连续水系和流域边界，诸多地形信息量快速衰减（见下文分析），难以用于构建大尺度分布式水文模型及相关研究中。

２．３ＺＢ算法

如果假定地面不透水或土壤达到饱和（即不考虑截流、蒸散发和下渗作用的Ｈｏｒｔｏｎ产流），降雨经流域作用最终到达某网格的数值可以用该网格的累积流（ＦｌｏｗＡｃｃｕｍｕｌａｔｉｏｎ）代表。因而，网格累积流可用于定义河网（累积流大的网格）和流域边界（累积流为零的各点）［６］，它包含所需要的河网和流域边界信息且便于计算和获取，是新算法中的必要因子。

本文针对性地将ＺＢ算法应用于大尺度网格ＤＥＭ数据的计算。ＺＢ算法的思想是在处理过程中增加汇流面积大（即河道网格）的网格高程权重，而保持汇流面积小（即流域边界处）的网格高程。相应地，该方法引入含有河网和流域边界信息的网格累积流作为计算权重因子，充分考虑了地形复杂性的影响，生成的大尺度网格ＤＥＭ可以有效控制河网的连续性，提取合理的流域边界，并能够明显减缓ＤＥＭ信息量的衰减速度。以ＨＹＤＲＯ１ＫＤＥＭ数据为例，具体计算步骤是：首先利用Ａｒｃ／Ｉｎｆｏ等ＧＩＳ软件对较小网格尺度（如１ｋｍ或更小）

ＤＥＭ进行填洼（Ｆｉｌｌ）、

流向（ＦｌｏｗＤｉｒｅｃｔｉｏｎ）和网格累积流（ＦｌｏｗＡｃｃｕｍｕｌａｔｉｏｎ）计算或直接下载相应的网格累积流数据；然后将网格累积流作为权重因子，根据式（２）和式（３）生成大尺度网格ＤＥＭ数据；同时以ＦＡＣ作为算法控制变量

，在计算过程中保持位于流域边界处的网７０

１期杨传国等：大尺度分布式水文模型数字流域提取方法研究格高程。

ＦＡＣ（ｉ，ｊ）＝ｌｍ＝１!ｌｎ＝１!ｆａｃ（（ｉ－１）×ｌ＋ｍ，（ｊ－１）×ｌ＋ｎ）

（２）

ｅｌｅｖ（ｉ，ｊ）＝ｌｍ＝１!ｌｎ＝１!［ｅｌｅｖ（（ｉ－１）×

ｌ＋ｍ，（ｊ－１）×ｌ＋ｎ）×ｆａｃ（（ｉ－１）×ｌ＋ｍ，（ｊ－１）×ｌ＋ｎ）］ＦＡＣ（ｉ，ｊ）（３）

式中，ｆａｃ是１ｋｍ网格尺度ＤＥＭ数据第（ｉ，ｊ）个网格的累积流，其余各变量见式（１）。同样以生成图２中的５ｋｍＤＥＭ网格数据为例，采用ＺＢ算法得到的该网格高程值为２７８０．５８ｍ，小于网格平均法计算值。

下面利用ＺＢ算法和网格平均法分别生成两套研究区的５ｋｍ、１０ｋｍ、１５ｋｍ和２０ｋｍ等４组不同网格尺度的ＤＥＭ数据，提取流域特征参数进行分析。

３流域特征参数分析

３．１高程

（Ｅｌｅｖａｔｉｏｎ）网格尺度的变化，导致流域高程极值的变化，根据两种方法得到的相同网格尺度ＤＥＭ数据，其计算的流域高程也有差异。表１列出了不同网格尺度下ＺＢ算法和网格平均法得到的高程极值、平均值和均方差。ＺＢ算法加大了汇流面积大的网格值权重，得到的高程最小值和平均值均小于网格平均法；算法同时保证流域边界处的高程，得到的高程最大值大于网格平均法。以高程均方差作为地形复杂度的衡量标准［３］，根据表１，可以得到ＺＢ算法更好地保留了地形复杂度，并有使地形复杂度缓慢增大的趋势。网格平均法使高程的分布趋于均化，反映在其高程均方差快速减小。

表１两种方法下高程的ＤＥＭ网格尺度效应

Ｔａｂ．１ＤＥＭｓｃａｌｅｅｆｆｅｃｔｏｆｅｌｅｖａｔｉｏｎｂｙｔｈｅｔｗｏａｌｇｏｒｉｔｈｍｓ

３．２坡度

（Ｓｌｏｐｅ）７１

７２

地理科学进展２６卷随着ＤＥＭ网格尺度的增大，坡度将发生坦化。表２显示两种方法得到的坡度最大值、平均值和均方差均呈减小趋势，且网格尺度大于１０ｋｍ以后减小的比率趋于缓慢；而对于坡度最小值，两种算法均无明显变化规律。ＺＢ算法得到的坡度最大值、平均值和均方差显著大于网格平均法，这表明计算过程中ＺＢ算法的坡度信息量衰减速度要小于网格平均法。同时两种方法的坡度均方差呈减小的趋势，体现了网格尺度增大造成的ＤＥＭ信息量衰减，与诸多研究一致［７］。

表２两种方法下坡度的ＤＥＭ网格尺度效应

Ｔａｂ．２ＤＥＭｓｃａｌｅｅｆｆｅｃｔｏｆｓｌｏｐｅｂｙｔｈｅｔｗｏａｌｇｏｒｉｔｈｍｓ

３．３地形指数（ＷｅｔｎｅｓｓＩｎｄｅｘ）

地形指数的表达式一般采用ｌｎ（α／ｔａｎβ），其中α是通过每单位等高线长度的上游集水面积，ｔａｎβ是相应的坡度。地形指数代表流域内的土壤水分状况的空间分布，为蓄满产流机制提供了一个较合理的物理解释和数学描述［８，９］。ＤＥＭ网格尺度对基于地形特征的流域模型（如ＴＯＰＭｏｄｅｌ等）的影响可以通过地形指数ｌｎ（α／ｔａｎβ）分布表现出来（表３）。

表３两种方法下地形指数的ＤＥＭ网格尺度效应

Ｔａｂ．３ＤＥＭｓｃａｌｅｅｆｆｅｃｔｏｆｗｅｔｎｅｓｓｉｎｄｅｘｂｙｔｈｅｔｗｏａｌｇｏｒｉｔｈｍｓ

７３

１期杨传国等：大尺度分布式水文模型数字流域提取方法研究

表３给出了不同网格尺度下ＺＢ算法和网格平均法的地形指数极值和均方差。随着ＤＥＭ网格尺度的增大，两种方法除了个别情况外，总体上最小值逐渐变大而最大值逐渐变小，反映了坦化造成的影响。均方差均逐渐减小，且ＺＢ算法的值大于网格平均法。两种方法得到的平均地形指数随ＤＥＭ网格尺度增大均呈缓慢增大趋势，总体上ＺＢ算法的增大速度小于网格平均法。

３．４河网（ＳｔｒｅａｍＮｅｔｗｏｒｋｓ）

利用Ａｒｃ／Ｉｎｆｏ软件生成黄河唐乃亥以上流域１ｋｍ网格尺度的数字河网与真实河网十分相似（如图１），以此作为河网各参数的参考标准。为便于不同网格尺度下进行对比，本文设定的河网临界阈值均为４００ｋｍ２。图３和图４分别给出了两种方法根据５ｋｍ和１５ｋｍＤＥＭ提取的河网。结果表明ＺＢ算法在不同网格尺度下均可以生成连续河网，而网格平均法无法生成合理的连续河网，流域出现多个不合理出口。表４列出了不同ＤＥＭ网格尺度下流域面积、河网密度、河段数和主河道长度等流域参数。河网密度是流域内所有河流总长度与流域面积的比，表征河道空间密集程度，是地面径流和河道流相对比例的指标。随着网格尺度的变大，河网密度和河段数都逐渐减小，二者减小速率一致。主河道长度是最高级河流到流域分水岭的长度，对水文过程的时间特征非常重要。主河道长度随着网格尺度的变大总体上同样有一个减小趋势。网格平均法无法得到合理的上述流域参数，方法无效。

图３根据５ｋｍ网格尺度ＤＥＭ利用ＺＢ算法（ａ）和网格平均法（ｂ）提取的河网Ｆｉｇ．３Ｓｔｒｅａｍｎｅｔｗｏｒｋｓｄｅｒｉｖｅｄｆｒｏｍ５ｋｍＤＥＭｂｙＺＢａｌｇｏｒｉｔｈｍ（ａ）ａｎｄｇｒｉｄ－ａｖｅｒａｇｅｄａｌｇｏｒｉｔｈｍ（ｂ）

图４根据１５ｋｍ网格尺度ＤＥＭ利用ＺＢ算法（ｃ）和网格平均法（ｄ）提取的河网Ｆｉｇ．４Ｓｔｒｅａｍｎｅｔｗｏｒｋｓｄｅｒｉｖｅｄｆｒｏｍ１５ｋｍＤＥＭｂｙＺＢａｌｇｏｒｉｔｈｍ（ｃ）ａｎｄｇｒｉｄ－ａｖｅｒａｇｅｄａｌｇｏｒｉｔｈｍ（ｄ）

地理科学进展２６卷

３．５流域面积（ＢａｓｉｎＡｒｅａ）

确定合理的连续河网和流域边界是构建数字流域的两个重要方面。流域一般是指地表集水区，即地表分水线所包围的区域。流域面积为分水线所包围区域的投影面积，而非地表实际面积。作为水文研究的重要参数，流域面积的准确计算是水文统计、径流分析、水资源评价、洪水预报、水利工程设计的重要依据和基础。本文中研究区的实测流域面积约为１２１９７２ｋｍ２。表４给出了根据不同网格尺度提取的流域面积值，数据显示随着网格尺度的增大，流域面积保持非常好且无明显变化趋势。１ｋｍＤＥＭ提取的流域面积误差为０．２５６％，ＺＢ算法生成的５ｋｍ、１０ｋｍ、１５ｋｍ和２０ｋｍＤＥＭ提取的流域面积误差分别为０．６３８％、０．４３３％、０．７２０％和０．０２３％。网格平均法不能生成合理的连续河网，无法提取流域面积值，方法无效。

表４不同ＤＥＭ网格尺度提取的流域参数

Ｔａｂ．４ＢａｓｉｎｐａｒａｍｅｔｅｒｓｄｒｉｖｅｎｆｒｏｍｄｉｆｆｅｒｅｎｔｓｃａｌｅＤＥＭｓ

３．６两种方法评价

误差是评价方法优劣程度的一项指标［１０］。采用式（４）分别计算不同网格尺度与１ｋｍ网格尺度下，两种方法得出的流域各参数的误差：

ＥＲＲ（Ｐ，ｌ）＝Ｐ

ｌ－ｋｍ

－Ｐ

１－ｋｍ

Ｐ

１－ｋｍ

（４）

式中，ＥＲＲ（Ｐ，ｌ）表示ｌｋｍＤＥＭ提取的参数Ｐ

ｌ－ｋｍ与１ｋｍＤＥＭ提取的参数Ｐ

１－ｋｍ

间的误差。按

照计算误差ＥＲＲ（Ｐ，ｌ）的大小，考虑到误差样本个数的有限性，对每个参数采用式（５）计算ＺＢ算法和网格平均法的评价值：

Ｂ（Ｐ，ｌ）＝

１，Ａ（Ｐ，ｌ）≥θ

０，Ａ（Ｐ，ｌ）〈θ

－１，Ａ（Ｐ，ｌ）≤－

#

%

%

%%

$

%

%

%%

&

θ

（５）

式中，Ｂ（Ｐ，ｌ）表示网格尺度为ｌｋｍ的ＤＥＭ数据采用两种方法得出的参数Ｐ的评价值；θ为控制阈值，取作２％；检测变量Ａ（Ｐ，ｌ）＝｜ＥＲＲ（Ｐ，ｌ）

网格平均法

｜－｜ＥＲＲ（Ｐ，ｌ）ＺＢ算法｜。按照上述定义，当Ｂ（Ｐ，ｌ）等于１时表示ＺＢ算法优于网格权重法；当Ｂ（Ｐ，ｌ）等于０时表示两种方法精度相当；而Ｂ（Ｐ，ｌ）等于－１时表示网格权重法优于ＺＢ算法。

根据表１￣４的数据，分别计算研究区内高程、坡度和地形指数的极值、平均值及均方差的Ｂ（Ｐ，ｌ）；而对于河网密度、主河道长度和流域面积３个特征参数，网格平均法无效，ＺＢ算法优于网格权重法，能够提取合理的连续河网和流域范围，Ｂ（Ｐ，ｌ）值均取作１。将计算得到的不同尺度下各流域参数Ｂ（Ｐ，ｌ）值作统计分析，结果表明Ｂ（Ｐ，ｌ）等于１的样本数占总数的６８．３％，等于０的样本数占总数的１８．３％，二者共占总样本数的８６．７％。因此在进行大尺度数７４

７５

１期杨传国等：大尺度分布式水文模型数字流域提取方法研究

字流域研究时，文中提出的ＺＢ算法明显优于网格平均法。

４结语

构建大尺度分布式水文模型是当前大气水文模型耦合研究的一项重要内容。本文利用黄河唐乃亥以上流域ＨＹＤＲＯ１ＫＤＥＭ数据，利用ＺＢ算法和网格平均法生成两组５ｋｍ、１０ｋｍ、１５ｋｍ和２０ｋｍ不同网格尺度的ＤＥＭ数据，通过流域地貌参数分析，研究构建大尺度数字流域可行性的方法。研究表明网格尺度对流域地貌参数具有重要影响，流域地貌参数特性对基于ＤＥＭ的水文模拟是非常重要的。随着网格尺度的增大，两种方法生成的ＤＥＭ包含的信息量都逐渐衰减。流域地形坦化，平均坡度和河网密度逐渐减小，平均地形指数增大；各参数的均方差逐渐减小，反映了网格尺度增大的均化影响。

ＺＢ算法得到的高程、坡度和地形指数的均方差均大于网格平均法的参数均方差值，显示出前者能够显著减缓信息量的衰减速度；并且ＺＢ算法可以有效控制连续河网的生成，获取合理的数字流域，表明在网格升尺度过程中该方法正确保持了有关河网生成和流域范围的信息量，而网格平均法损失了ＤＥＭ中原有的河网和流域范围信息。另外ＺＢ算法在地形坡度平缓的地区也能够表现出算法的优越性能。上述结论表明，本文采用的ＺＢ算法满足构建大尺度分布式水文模型提取数字流域的需要。

参考文献

［１］ＹａｒｎａｌＢ，ＭＮＬａｋｈｔａｋｉａ，ＺＹｕ，ＲＡＷｈｉｔｅ，ＤＰｏｌｌａｒｄ，ＤＡＭｉｌｌｅｒ，ＷＭＬａｐｅｎｔａ．Ａｌｉｎｋｅｄｍｅｔｅｏｒｏｌｏｇｉｃａｌａｎｄｈｙｄｒｏｌｏｇｉ－ｃａｌｍｏｄｅｌｓｙｓｔｅｍ：ｔｈｅＳｕｓｑｕｅｈａｎｎａＲｉｖｅｒＢａｓｉｎＥｘｐｅｒｉｍｅｎｔＳＲＢＥＸ．ＧｌｏｂａｌａｎｄＰｌａｎｅｔａｒｙＣｈａｎｇｅ２５，２０００，１４９￣１６１．［２］ＹｕＺ，ＭＮＬａｋｈｔａｋｉａ，ＢＹａｒｎａｌ，ＲＡＷｈｉｔｅ，ＤＡＭｉｌｌｅｒ，ＢＦｒａｋｅｓ，ＥＪＢａｒｒｏｎ，ＣＤｕｆｆｙ，ＦＷＳｃｈｗａｒｔｚ．Ｓｉｍｕｌａｔｉｎｇｔｈｅｒｉｖｅｒ－ｂａｓｉｎｒｅｓｐｏｎｓｅｔｏａｔｍｏｓｐｈｅｒｉｃｆｏｒｃｉｎｇｂｙｌｉｎｋｉｎｇａｍｅｓｏｓｃａｌｅｍｅｔｅｏｒｏｌｏｇｉｃａｌｍｏｄｅｌａｎｄｈｙｄｒｏｌｏｇｉｃｍｏｄｅｌｓｙｓｔｅｍ．ＪｏｕｒｎａｌｏｆＨｙｄｒｏｌｏｇｙ，１９９９，２１８：７２￣９１．

［３］ＸｉｎｈａｏＷａｎｇ，ＺｈｉＹｏｎｇＹｉｎ．Ａｃｏｍｐａｒｉｓｏｎｏｆｄｒａｉｎａｇｅｎｅｔｗｏｒｋｓｄｅｒｉｖｅｄｆｒｏｍｄｉｇｉｔａｌｅｌｅｖａｔｉｏｎｍｏｄｅｌｓａｔｔｗｏｓｃａｌｅｓ．Ｊｏｕｒ－ｎａｌｏｆＨｙｄｒｏｌｏｇｙ，１９９８，２１０：２２１￣２４１．

［４］王根绪，丁永建，王建等．近１５年来长江黄河源区的土地覆被变化．地理学报，２００４，５９（２）：１６３￣１７３．

［５］陈洋波．基于ＨＹＤＲＯ１Ｋ的数字水文分析方法及实例．人民长江，２００２，３３（９）：５２￣５４．

［６］ＹｕＺ，ＹＧｕｏ，ＪＶｏｏｒｔｍａｎ，ＲＷｈｉｔｅ，ａｎｄＤＡＭｉｌｌｅｒ．ＳｔｒｅａｍｆｌｏｗｓｉｍｕｌａｔｉｏｎｕｓｉｎｇＧｅｏｇｒａｐｈｉｃａｌＩｎｆｏｒｍａｔｉｏｎＳｙｓｔｅｍｗｉｔｈａｄｉｓｔｒｉｂｕｔｅｄａｐｐｒｏａｃｈ．ＪｏｕｒｎａｌｏｆＡｍｅｒｉｃａｎＷａｔｅｒＲｅｓｏｕｒｃｅｓＡｓｓｏｃｉａｔｉｏｎ，２００１，３７：９５７￣９７１．

［７］郝振纯，池宸星．空间分辨率与取样方式对ＤＥＭ流域特征提取的影响．冰川冻土，２００４，２６（５）：６１０￣６１６．

［８］ＤｕｎｎｅＴ，ＢｌａｃｋＲＤ．Ａｎｅｘｐｅｒｉｍｅｎｔａｌｉｎｖｅｓｔｉｇａｔｉｏｎｏｆｒｕｎｏｆｆｐｒｏｄｕｃｔｉｏｎｉｎｐｅｒｍｅａｂｌｅｓｏｉｌｓ．ＷａｔｅｒＲｅｓｏｕｒｃｅｓＲｅｓｅａｒｃｈ，１９７０ａ，６（２）：４７８￣４９０．

［９］ＤｕｎｎｅＴ，ＢｌａｃｋＲＤ．ＰａｒｔｉａｌａｒｅａｃｏｎｔｒｉｂｕｔｉｏｎｓｔｏｓｔｏｒｍｒｕｎｏｆｆｉｎａｓｍａｌｌｎｅｗＥｎｇｌａｎｄｗａｔｅｒｓｈｅｄ．ＷａｔｅｒＲｅｓｏｕｒｃｅｓＲｅ－ｓｅａｒｃｈ，１９７０ｂ，６（５）：１２９６￣１３１１．

［１０］黄健元．模糊集及其应用．宁夏：宁夏人民教育出版社，２０００．

７６

地理科学进展２６卷

ＭｅｔｈｏｄＳｔｕｄｙｏｆＣｏｎｓｔｒｕｃｔｉｎｇＤｉｇｉｔａｌＷａｔｅｒｓｈｅｄｆｏｒ

Ｌａｒｇｅ－ｓｃａｌｅＤｉｓｔｒｉｂｕｔｅｄＨｙｄｒｏｌｏｇｉｃａｌＭｏｄｅｌ

ＹＡＮＧＣｈｕａｎｇｕｏ１，２，ＹＵＺｈｏｎｇｂｏ１，３，ＬＩＮＺｈａｏｈｕｉ２，ＨＡＯＺｈｅｎｃｈｕｎ１（１．ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＨｙｄｒｏｌｏｇｙＷａｔｅｒＲｅｓｏｕｒｃｅｓａｎｄＨｙｄｒａｕｌｉｃＥｎｇｉｎｅｅｒｉｎｇ，ＨｏｈａｉＵｎｉｖｅｒｓｉｔｙ，

Ｎａｎｊｉｎｇ，Ｃｈｉｎａ；２．ＩｎｓｔｉｔｕｔｅｏｆＡｔｍｏｓｐｈｅｒｉｃＰｈｙｓｉｃｓ，ＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ，Ｃｈｉｎａ；

３．ＤｅｐａｒｔｍｅｎｔｏｆＧｅｏｓｃｉｅｎｃｅ，ＵｎｉｖｅｒｓｉｔｙｏｆＮｅｖａｄａ，ＬａｓＶｅｇａｓ，ＮＶ８９１５４－４０１０，ＵＳＡ．）

Ａｂｓｔｒａｃｔ：Ｌａｒｇｅ－ｓｃａｌｅｄｉｓｔｒｉｂｕｔｅｄｈｙｄｒｏｌｏｇｉｃａｌｍｏｄｅｌｐｌａｙｓａｎｉｍｐｏｒｔａｎｔｒｏｌｅｉｎｔｈｅｃｏｕｐｌｉｎｇａｔｍｏｓｐｈｅｒｉｃａｎｄｈｙｄｒｏｌｏｇｉｃａｌｍｏｄｅｌｓｒｅｓｅａｒｃｈａｔｐｒｅｓｅｎｔ．Ｉｎｔｈｉｓｐａｐｅｒ，ＺＢａｌｇｏｒｉｔｈｍｉｓｐｒｏ－ｐｏｓｅｄｔｏｏｂｔａｉｎｂａｓｅｏｎ１ｋｍｇｒｉｄｓｃａｌｅＤＥＭｄａｔａ，ｂｅｃａｕｓｅｉｔｃａｎｍａｉｎｔａｉｎｄａｔａｉｎｆｏｒｍａｔｉｏｎａｂｏｕｔｄｒａｉｎａｇｅｂａｓｉｎｂｏｕｎｄａｒｉｅｓａｎｄｒｉｖｅｒｎｅｔｗｏｒｋｓｖｅｒｙｗｅｌｌａｔｃｏａｒｓｅｒｒｅｓｏｌｕｔｉｏｎｓ．ＷｅａｐｐｌｙＺＢａｌｇｏｒｉｔｈｍａｎｄｇｒｉｄ－ａｖｅｒａｇｅｄａｌｇｏｒｉｔｈｍａｔ５ｋｍ，１０ｋｍ，１５ｋｍ，ａｎｄ２０ｋｍｓｃａｌｅｓｉｎｔｈｅｕｐｐｅｒＹｅｌｌｏｗｒｉｖｅｒ（ａｂｏｖｅＴａｎｇｎａｉｈａｉｓｔａｔｉｏｎ，ｄｒａｉｎａｇｅａｒｅａ１２１，９７２ｋｍ２）．Ｅｌｅｖａｔｉｏｎ，ｓｌｏｐｅ，ｗｅｔｎｅｓｓｉｎｄｅｘ，ｄｒａｉｎａｇｅｄｅｎｓｉｔｙ，ｌｅｎｇｔｈｏｆｍａｉｎｃｈａｎｎｅｌ，ｗａｔｅｒｓｈｅｄａｒｅａａｎｄｏｔｈｅｒｐａｒａｍｅｔｅｒｓａｒｅｅｘ－ｔｒａｃｔｅｄａｎｄｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｐａｒａｍｅｔｅｒｓｔｈａｔａｒｅｏｂｔａｉｎｅｄｂａｓｅｄｏｎ１ｋｍＤＥＭ．ＲｅｓｕｌｔｓｓｈｏｗｔｈａｔＤＥＭｄａｔａｏｂｔａｉｎｅｄｂｙＺＢａｌｇｏｒｉｔｈｍｃａｎｈｏｌｄｓｔｒｅａｍｎｅｔｗｏｒｋｃｏｎｔｉｎｕｉｔｙａｎｄｒｅａｌｗａｔｅｒｓｈｅｄｂｏｕｎｄａｒｉｅｓｖｅｒｙｗｅｌｌ，ａｎｄｍｅａｎｗｈｉｌｅｉｔｃａｎｄｅｃｒｅａｓｅｔｈｅａｍｏｕｎｔｏｆｏｔｈｅｒｇｅｏｇｒａｐｈｉｃａｌｉｎｆｏｒｍａ－ｔｉｏｎｆａｌｌｉｎｇｏｆｆ，ｃｏｍｐａｒｅｄｔｏｏｔｈｅｒａｌｇｏｒｉｔｈｍｓ．Ｔｈｅｍｅｔｈｏｄｃａｎｓｕｐｐｌｙｓａｔｉｓｆｉｅｄｄｉｇｉｔａｌｗａｔｅｒｓｈｅｄｓｆｏｒｃｏｎｓｔｒｕｃｔｉｎｇｌａｒｇｅ－ｓｃａｌｅｄｉｓｔｒｉｂｕｔｅｄｈｙｄｒｏｌｏｇｉｃａｌｍｏｄｅｌ．

Ｋｅｙｗｏｒｄｓ：ｌａｒｇｅ－ｓｃａｌｅｈｙｄｒｏｌｏｇｉｃａｌｍｏｄｅｌ；ＤＥＭ；ＺＢａｌｇｏｒｉｔｈｍ；ｄｉｇｉｔａｌｗａｔｅｒｓｈｅｄ