DEM分辨率对小规模农林流域水文建模特征的影响：以葡萄牙伊达尼亚为例 安东尼奥·C·杜阿尔特（Antonio C. Duarte）、 卡拉·S·S·费雷拉（Carla S. S. Ferreira）和 朱利亚诺·维塔利（Giuliano Vitali）

《Water》：Effects of DEM Resolution on the Characterization of a Small Agroforestry Basin for Hydrological Modelling: The Case of Idanha—Portugal Antonio C. Duarte, Carla S. S. Ferreira and Giuliano Vitali

　　摘要 数字高程模型（DEMs）是水文建模中的关键基础输入，然而空间分辨率对流域划分和过程表示的影响仍了解不足，尤其是在小流域中。本研究调查了DEM分辨率对葡萄牙中部一个小型农林流域的地形特征和水文响应的影响。从等高线数据和卫星源生成了三种分辨率分别为5米、10米和30米的DEM，并使用基于TOPAZ的TopAGNPS划分框架进行处理。评估了流域结构对划分参数——关键源区（CSA）和最小源通道长度（MSCL）的敏感性，所得配置被用作AnnAGNPS模型的输入。结果表明，DEM分辨率显著影响水文单元和河流段的表示。分辨率从30米提高到5米时，平均单元坡度几乎翻倍，河段坡度增加了四倍以上，排水网络密度和连通性也相应变化。坡度与贡献面积以及坡度与河段长度之间存在对数线性关系，这与已建立的地貌缩放定律一致。水文模拟进一步表明，分辨率依赖的划分显著影响径流、侵蚀和峰值流量估计，更细的分辨率提高了对参数化的敏感性。在各种土地覆盖情景中，荒漠化条件产生的径流和峰值流量明显高于自然化和森林化条件。总体而言，研究结果表明，DEM分辨率以及预处理和划分选择对水文模型输出具有关键控制作用。这些效应在低起伏、受人类影响的流域中尤为明显，其中粗分辨率DEM可能导致水文响应的系统低估。研究强调了需要采用考虑分辨率的建模策略和仔细的参数化，以提高水文模拟的可靠性和可转移性。

1. 引言
农林系统对于维持人类生计至关重要，其有效管理对于长期的环境和社会经济可持续性至关重要。这些系统受到自然过程和人为活动（如耕作、灌溉和农用化学品施用）的相互作用的影响，这些因素影响生产率、生态系统功能以及局部和下游地区的韧性。在风暴事件期间，地表径流和侵蚀会严重影响流域，降低土地生产力并限制对山区和山坡地区的利用（参见参考文献[1]）。此外，土壤侵蚀和溶解物及沉积物中化学物质的传输影响农业生产、粮食安全和公共卫生[2,3]。气候变化通过增加极端事件（包括洪水和野火）的频率和强度，进一步加剧了这些挑战，从而增加了对人类安全和生态系统稳定性的风险[4,5]。尽管农林系统具有内在复杂性，但水文建模已广泛应用数十年。在大流域中，准确表示河流网络通常是可靠模拟的主要要求（参见参考文献[6]）。相比之下，在中小型流域中，水文过程更受详细地形属性（特别是坡度、地形配置和河道形态）的强烈控制[7,8]。这些属性来自数字高程数据[9]，通过土地调查、航空摄影测量和遥感技术获得[10]。激光雷达系统可以达到几厘米的水平分辨率[11]；然而，大多数卫星衍生产品提供的数字表面模型（DSMs）或数字地形模型（DTMs）仍可能受到植被和建筑结构的影响。因此，即使使用无人机（UAVs）[14]，准确提取裸土高程（DEM）仍然具有挑战性[12,13]。因此，纸质地形图的数字化——尽管劳动密集——仍然是一个重要的高程数据来源。地形图通常由军事调查制作，并由地理水文机构更新，一般不受植被和建筑结构的影响。尽管它们可能已经过时并受到正在进行的地貌过程（如缓慢移动的滑坡和侵蚀）的影响，但它们仍可用于生成高分辨率、高精度的DEM[15]。数字化的高程数据可以表示为离散点或等高线，然后插值成连续表面并转换为规则网格（rasters）或其他格式，如三角不规则网络（TINs）或多边形覆盖（例如Thiessen多边形）。基于矢量的方法通常能更好地保留等高线衍生的信息[16,17]。然而，等高线插值对所选方法非常敏感[18]，大多数水文模型依赖于栅格DEM[19]，因为它们计算效率高且广泛可用，尽管其分辨率通常较粗（>10米[20]）。研究表明，地形分辨率显著影响河流网络和山坡结构的划分[21]。例如，Rusli等人[15]证明，来自栅格DEM的高程误差随着地形起伏的减小而增加，在平坦区域不确定性尤其高。已经广泛研究了网格大小对水文模型输出的影响[22]，有证据表明模型不确定性——特别是在流量估计方面——随着流域大小的增加而增加[23]。水文模拟模型广泛用于评估（合成）数字高程模型（DEMs）的效果。多项研究检查了空间分辨率对最常用的模型AGNPS的影响，通常将其视为黑箱系统。例如，Singh等人[24]评估了从30米到150米不同单元大小的模型响应，Wu等人[25]分析了从30米到1920米不同分辨率的年度响应，Bhuyan等人[26]研究了4公顷到260公顷之间单元大小的影响。尽管有这些贡献，但专门针对小流域（即亚公里或<200公顷）的研究仍然有限[27]，尽管它们对农业管理和局部尺度灾害评估至关重要。更广泛地说，DEM分辨率与关键水文过程（如径流生成和沉积物运输）的表示之间的关系仍不够明确，尤其是在小流域中。

在水文建模框架内，DEM主要用于流域划分。已经提出了一系列指标来评估划分不确定性和变异性的影响[28]。在较粗的分辨率下，通过排水面积阈值的概念（参见参考文献[29,30,31]）广泛研究了单元大小、贡献面积和支流起始之间的关系。然而，在更细的分辨率下，主要计算单元（单元和河段）内的物理属性的空间分布对于预测农林流域的径流、沉积物产量和养分运输变得越来越重要[32,33]。这些属性包括土壤性质、土地利用（LU）和土地覆盖（LC）[34,35]，尽管坡度通常是主导控制因素。已经研究了DEM分辨率与单元和河道尺度上的坡度之间的关系，包括高分辨率数据集。然而，很少有研究系统地量化分辨率如何根据控制划分算法的关键参数影响单元和河段坡度的统计分布。在TOPAZ中，这些参数由关键源区（CSA）和最小源通道长度（MSCL）定义。本研究旨在调查来自不同来源的DEM分辨率的影响，以及控制流域划分和坡度分布的关键参数，并评估它们对一个小农林流域水文响应的影响。分析关注的范围是5米到30米的空间分辨率。使用TopAGNPS栅格工具进行流域划分，而AnnAGNPS用于生成模拟输出，以提供比较不同分辨率模型响应的定量指标。

2. 材料与方法
2.1. 研究区域
研究区域是位于葡萄牙大陆贝拉巴伊沙地区（7.170° W–7.149° W, 39.841° N–39.868° N）的伊达尼亚溪流域（见图1）。该流域面积约为1.90平方公里，周长为6.51公里。其方向为NNE–SSW，海拔范围从210米到248米。永久性渠道的排水密度为12.2米/公顷。地形主要是平坦到轻微起伏的，坡度通常在0%到4%之间。伊达尼亚溪是塔古斯河的第三级支流，发源于西班牙中部，向西流入大西洋的里斯本。图1. 伊达尼亚流域在葡萄牙的位置（a），以及其高程图和水文网络（c）。该流域主要由Cambisols和Luvisols土壤类型组成，Fluvisols土壤仅限于靠近河流的低洼地区（见图2）。该地区人口稀少，只有少量的农庄。它属于伊达尼亚灌溉项目的一部分，该项目覆盖约8000公顷土地，以其相对均匀的农业用地而著称。图2. 伊达尼亚流域的土壤类型（a）和土地利用（b）（圆圈表示有灌溉设施的表面）。种植系统包括冬季谷物（主要是小麦），以及灌溉作物如玉米、牧草、番茄和烟草。随着葡萄牙加入欧盟，农业实践在共同农业政策下发生了重大变化，导致种植强度的变化，进而影响了水资源利用、水文响应和土壤侵蚀率[36]。目前，流域及其周边灌溉区的土地利用以灌溉牧草为主，最近则是多年生作物，特别是杏仁园。自然区域由地中海灌木丛组成，主要包括Cistus ladanifer L.、Erica arborea L.、Lavandula stoechas L.和Phillyrea angustifolia L.，散布着Arbutus unedo L.、Quercus suber L.和Quercus ilex L. subsp. rotundifolia（Lam.）等树木。

2.2. 方法论
方法论框架包括两个主要组成部分：（i）数据预处理和流域划分，以及（ii）水文模拟和输出分析。第一个组成部分（图3的左侧）侧重于输入数据集的准备和流域配置的生成。流域划分由两个关键参数控制——关键源区（CSA）和最小源通道长度（MSCL）——如下所述。它们的组合产生了多种基于栅格的流域表示。图3. 从数据采集到水文建模输出的工作流程。收集并标准化了空间数据集（30米、10米和5米），包括栅格和矢量层。栅格化和划分生成了流域规模的输入，通过叠加土地覆盖和土壤数据在CA–MSCL框架内创建基于情景的地图。这些输入用于模拟水文响应，产生相应分辨率的径流、流出量和侵蚀输出，突出了空间细化对模型结果的影响。在第二个组成部分中，对每个划分情景进行水文模拟。模型输出，包括径流、流量（流出量）和土壤侵蚀，被用作评估流域离散化对模型响应影响的定量指标。划分结果进一步与研究区域的土壤地图集成，以确保模型输入的空间一致性。此外，分析中还纳入了三种假设的土地覆盖情景和两种极端事件强迫条件（图3的右侧）。这种方法能够系统地评估模型对表面特征和水文气候驱动因素变化的敏感性。

2.2.1. 数据收集
研究区域的地形信息来自1:2500比例尺的纸质地形图[37]。此外，还结合了来自Shuttle Radar Topography Mission（SRTM）[11]的1弧秒DEM。类似的的高程数据集也可从[38,39]获得，其空间分辨率与广泛使用的测绘平台中的常见分辨率相似。河流网络最初是根据1995年获取的航空影像由国家地理信息中心提供的正射影像划分的。该数据集随后通过2009年使用TRIMBLE GeoExplorer3设备进行的基于GPS的实地调查进行了细化，采用了差分校正。实地观察确认两个采集期间地形没有显著变化。因此，假设地形保持稳定，该数据集被认为代表了当前条件。

2.2.2. 数据预处理
所有地理空间数据均使用开源平台QGIS进行处理，采用EPSG:20790（里斯本/葡萄牙国家网格）投影坐标参考系统。研究区域的空间范围由以下坐标定义：N = 322′644米，S = 319′571米，W = 282′378米，E = 284′234米。为研究区域生成了三种空间分辨率为5米、10米和30米的栅格DEM。5米和10米的DEM是从纸质地形图提取的数字化等高线生成的，等高线间隔分别为1米和5米（见图4a,b）。使用GRASS库[40]的v.surf.rst函数对得到的矢量数据集进行了插值和平滑处理，参数设置为tension = 50和smooth = 1.5。1弧秒（约30米）分辨率的数字高程模型（DEM）（文件代码ALPSMLC30_N039W008，采用WGS84坐标系）来源于[41]（图4c）。所有数据集随后被重新投影到EPSG:20790坐标系，以确保分析过程中的空间一致性。图4显示了用于分析的地形信息，这些信息来自(a) 1米和(b) 5米的等高线，以及(c) 30米分辨率的栅格DEM。蓝线代表观测到的水网，粉色点表示流域的出口。三个不同分辨率的DEM分别为5米、10米和30米，对应的网格尺寸分别为371 × 615、186 × 307和62 × 102个单元格。基于摄影测量等高线数据生成的DEM（5米和10米分辨率）具有大约0.5米的水平精度和0.15米的垂直精度。相比之下，基于SRTM技术的DEM（30米分辨率）的空间精度较低，其水平和垂直精度分别为约10米和5米。

2.2.3 流域划分方法
水文划分用于生成合成河流网络，通常通过加入更高阶的河道元素来增强观测到的网络[42]。常用的GIS平台中提供了多种划分算法[43,44,45]，其中许多算法基于TOPAZ模型[46]。在本研究中，流域划分使用了TopAGNPS[47]，该软件是将TOPAZ模型集成到AGNPS建模框架中的实现[48]。
划分过程包括三个主要步骤：
- 流向分配：每个栅格单元根据最陡的坡度方向进行流向分配，使用D8算法将水流导向八个相邻单元格中的一个。
- 流动连通性分析：根据分配的流向将单元格连接起来，从而形成一个连续的排水网络。
- 河流定义和排序：应用Strahler河流等级分类方案，河流等级随着水流汇聚程度的增加而提高。低于用户定义阈值的单元格（例如，s < 6，根据初步分析确定）被排除，因为它们通常代表坡面径流而非永久性河道。

完成这些步骤后，用户指定一个出口点来划分流域及其相关的排水网络，向上游延伸到所有贡献单元格，包括源头单元格（Strahler等级=0）。得到的栅格表示随后被聚合成水文响应单元（单元格）和河流段，用于水文模拟（图5）。图5展示了Idanha流域的水文网络栅格表示。右侧显示了栅格单元格与河流段（黄色线条）。在一级河道中，子流域由三种类型的水文单元组成：单元格191负责排放前方的流域，单元格192和193分别负责排放主河道的右侧和左侧。

2.2.4 划分参数的敏感性分析
TOPAZ根据两个关键参数划分排水网络：临界源区（CSA），它定义了河道起始的贡献面积阈值；以及最小源河道长度（MSCL），它指定了初级河道的最小长度。先前研究广泛调查了CSA的影响[49,50]，研究范围涵盖了0.5至8平方公里的流域，并且它仍然是模型校准中的核心参数[51]。
为了评估DEM分辨率对流域结构的影响，对CSA和MSCL进行了敏感性分析。根据TOPAZ开发者的建议[52]，CSA值被设定为大于或等于10个栅格单元格，MSCL值至少是DEM空间分辨率的两倍。敏感性分析中考虑的参数值范围见表1。

2.2.5 水文建模
AnnAGNPS模型用于模拟农业和林业管理实践对水文化学过程的影响[53]。它通过整合关键组成部分（包括降水量、灌溉（及相关管理参数）、蒸散量、入渗量、地表径流和基流[54]来估算水量平衡。
地表径流是水文建模中的基本过程。在AnnAGNPS中，使用土壤保持服务曲线数（SCS-CN）方法[55]进行估算，该方法表示直接径流（Q）为Q = (P ? Ia)2/(P ? Ia ? S)，其中P为降水量，Ia为初始截留量，S为潜在最大保持量。保持量参数S根据曲线数（CN）计算得出：S = 25,400·CN ? 254，CN值来自基于水文土壤组的标准表格[55]。初始截留量Ia代表截留、凹陷储存、蒸发和径流生成前的入渗，通常通过比例系数λ与S相关联：Ia = λ · S，其中λ为初始截留系数。根据[56]，λ的范围可能在0.095到0.38之间，但在AnnAGNPS中通常假设为0.2。在这种假设下，径流方程简化为：Q = (P ? 0.2S)2/(P ? 0.8S)。关于SCS-CN方法在AnnAGNPS中的实现细节，请参见[54]（第6.1节）。
土壤侵蚀量（A）使用修正的通用土壤流失方程（RUSLE）[56]进行估算：A = R · K · LS · CP。
RUSLE公式基于几个关键因素：降雨侵蚀力（R）、土壤可蚀性（K）、坡长和坡度（LS），以及覆盖管理措施和保护措施因子（CP）。在本研究中，CP因子被设定为1，表示没有特定的保护措施。该模型采用单位面积方法，K因子在假设坡度和坡长均匀的条件下进行定义。
TopAGNPS生成一组栅格输出（总共18个），包括每个水文单元的LS因子。随后根据主导性标准为这些单元格分配土壤属性和土地利用/土地覆盖（LULC）信息。此外，模型还生成描述单元格和河流段物理和水利特性的输入模板文件，在执行AnnAGNPS模拟之前完成这些文件的准备。
土地覆盖数据进一步用于参数化关键的水力特性，特别是曼宁粗糙系数（n；表2）。表2列出了Idanha流域模拟中使用的曼宁系数，这些系数基于Engman[57]的建议值。河流段的几何形状通过三个变量进行参数化：顶部宽度、河谷宽度和流深。上游河流段的顶部宽度最小为1米，逐渐增加到流域出口处的最大3米。对于中间河流段，河谷宽度根据河流段长度和上游贡献河流段的最大宽度来确定。流深大约是河谷宽度的一半。假设河道床材料为沙子（Sand_Scour_Code = Y）。
为了评估短时降雨的影响，使用Neyman–Scott矩形脉冲模型生成了风暴事件。AnnAGNPS配置为模拟24小时的事件，时间分辨率为6分钟。考虑了两种高强度降雨情景（30毫米/小时和60毫米/小时），每种情景在三种不同的曲线数（CN）条件下进行评估：
- NAT：自然化条件（牧场；CN = 50）；
- DES：典型的扰动后环境（例如火灾后）的退化条件，特征是裸露的土壤（CN = 70）；
- TRO：“热带化”条件，由于土地废弃和气候变化导致植被覆盖增加（森林；CN = 30）。
AnnAGNPS（版本5.5）采用简化配置，仅包含基本输入，如天气数据、模拟设置、流域特征和土地管理。有意排除了高级模块和可选组件。具体来说，模型设置没有包含用户定义的水力几何系数、沟蚀过程（经典或短暂性）、湿地、水库、滑坡或详细的侵蚀子模型。此外，还省略了农业管理措施（如灌溉、施肥、农药施用和饲养场）以及额外的保护措施和基础设施元素（包括河岸缓冲带、等高耕作、条带种植、排水沟、池塘、水产养殖和点源污染）。版本5.5中没有应用任何校准参数或调整。
排除这些组件的主要考虑有两个方面。首先，现场观察表明，在研究区域内，积水和高地形成等过程并不相关。其次，采用简约的模型配置是为了最小化未校准参数带来的不确定性，因为这些参数可能会以非系统性和难以解释的方式影响模型输出。

3. 结果
3.1 流域划分
DEM分辨率和划分参数（CSA和MSCL）的影响在所有选定的指标中都很明显。特别是，水文单元的数量随着分辨率和参数组合的不同而有显著变化。
在最粗糙的分辨率（30米；图6a）下，单元格数量在13到149个之间。在中等分辨率（10米；图6b）下，单元格数量增加到83到1930个之间；而在最精细的分辨率（5米；图6c）下，单元格数量进一步增加到277到4809个之间。图6显示了使用30米、10米和5米分辨率的DEM将研究区域划分为子流域。相应的参数值分别为CSA = 5公顷和MSCL = 500米（a），CSA = 0.2公顷和MSCL = 50米（b），以及CSA = 0.05公顷和MSCL = 5米（c）。观测到的水网由蓝线表示。图5通过三种代表性配置展示了流域划分的相应变化。
划分参数对单元格坡度的估计有显著影响（图7）。在最高分辨率（5米）下，平均坡度约为6％，而在中等分辨率（10米）下，平均坡度降至约4％，减少了超过2个百分点。图7显示了平均坡度与水文单元平均面积之间的关系，并报告了基于单元格的标准偏差。平均坡度与贡献面积之间的关系受DEM分辨率的影响，可以用对数线性模型描述：slope = a + b log (area)，其中b ≈ ?0.003，表明每增加一个数量级，坡度大约减少1个百分点。与10米分辨率相关的数据被归类为异常值，因此从回归分析中排除。
河流段长度受DEM分辨率的强烈影响（图8），尽管这种关系呈现出近似线性的趋势。划分参数的变化导致河流段坡度的变化范围为1到4.5个百分点（绝对值）。这种行为表明，虽然河流段几何形状随分辨率可预测地变化，但坡度估计仍然对参数化敏感，反映了网络结构和地形平滑的综合作用。图8显示了平均坡度与河流段长度之间的关系。不同DEM分辨率下的平均坡度与河流段长度之间的关系可以用对数线性函数描述：slope = a + b log (length)，拟合系数b ≈ ?0.011，表明每增加一个数量级，坡度大约减少1.5个百分点。这种模式与已建立的地形尺度关系一致，即河道坡度与贡献面积和河道长度之间的关系，反映了河流系统在空间尺度增大时倾向于向更低的坡度调整。
划分过程产生的排水网络与观测到的网络大体一致。然而，较粗的分辨率导致河道分支的表示不足。在10米分辨率下（图9b），开始出现更细的结构元素；而在5米分辨率下（图9c），能够捕捉到更多小尺度特征。这些更高分辨率的表示为基于实地调查提供了更好的支持，包括识别以前未绘制的河流段和细化永久性排水网络（图9）。图9显示了观测到的自然河道网络（蓝线）与TopAGNPS生成的30米（a）、10米（b）和5米（c）分辨率下的水网。相应的CSA和MSCL参数值分别为5公顷和500米（左，a），0.2公顷和50米（中，b），以及0.05公顷和5米（右，c）。

3.2 水文模拟
图10总结了在上述划分配置下降雨量对流域响应的影响。该图展示了三种土地覆盖情景下的径流（图10a）、峰值流量（图10b）和土壤侵蚀（图10c）：自然化（NAT）、沙漠化（DES）和热带化（TRO）。三种不同情景下的模拟结果：自然化景观（NAT）、荒漠化景观（DES）和热带化景观（TRO）。误差条表示由于不同的CSA和MSCL值导致的径流（a）、峰值流量（b）和侵蚀（c）的变异性。彩色条表示在三种空间分辨率下模拟输出的范围（最小值–最大值）。结果针对降雨强度为30毫米/小时（左侧面板）和60毫米/小时（右侧面板）的情况进行报告。正如预期的那样，荒漠化情景（DES）产生的径流和峰值流量明显高于自然化（NAT）和热带化（TRO）情景，而后两者的响应大致相似。相比之下，模型在土壤侵蚀方面的输出对土地覆盖条件的敏感性较低。DES情景下流域出口处的显著更高峰值流量突显了植被丧失在增加径流生成中的作用，这对洪水风险有直接影响。

在每组内部比较模拟范围时，发现径流和侵蚀对划分参数的敏感性随着分辨率的提高而增加，而峰值流量则表现出相反的趋势。表3报告了图10中显示的结果对应的数值。在30毫米/小时的降雨情景下，NAT和TRO条件下的水文响应有限，侵蚀量（图10c）在0.2至0.5吨/公顷之间，径流量在0.06至0.1毫米之间，峰值流量在0.003至0.007立方米/秒之间。相比之下，DES情景下的响应显著更高：最小侵蚀值几乎翻倍，而径流量和峰值流量相对于其他情景增加了超过一个数量级。此外，30米分辨率下的最大侵蚀值（约0.6吨/公顷）大约是10米和5米分辨率下的1.5至2倍。表3总结了不同DEM分辨率、划分参数、土地覆盖情景以及两种降雨事件组合下的径流、侵蚀和峰值流量的最小值和最大值。在60毫米/小时的降雨情景下，所有指标都有显著增加。最大侵蚀量从约0.5吨/公顷增加到3吨/公顷，径流量从不到1毫米增加到约9毫米，峰值流量从低于0.05立方米/秒增加到超过2立方米/秒。虽然最小值在不同情景下相对一致（图10），但在5米分辨率下的最大峰值流量超过了较粗分辨率下的值。

尽管栅格化过程生成了5米分辨率的高质量DEM，但10米数据集对应的等高线密度较低，导致坡度值异常低，反映了地形表面的重建不足。这一现象在河道坡度分布中并未观察到。排除10米数据集后，划分结果与[24]的报告一致，他们观察到随着单元格大小从30米增加到180米，流路径长度减少了53.7%，平均坡度减少了20.9%。本研究观察到的坡度减小幅度也与之前的研究[58,59]一致，这些研究报道5米和10米分辨率之间的相对减小幅度约为10-20%，5米和30米分辨率之间的相对减小幅度为25-50%。Muthusamy等人[60]进一步支持了坡度表示的重要性，他们证明了河道坡度对水力过程有很强的控制作用，显著影响河道输水和流量模拟的可靠性。

鉴于AnnAGNPS的应用框架，这里的模型输出（径流、侵蚀和峰值流量）被解释为比较指标，而不是绝对估计值。在这方面，结果与[25]的报告一致，他们报告说随着单元格大小的增加（30-1920米），径流估计的可靠性显著降低。同样，Bhuyan等人[26]也强调了峰值流量估计对单元格大小的敏感性。Nazari-Sharabian等人[61]使用SWAT模型报告称，从12.5米DEM得出的径流估计仅比从30米和90米DEM得出的估计值高出0.74%和2.73%。相比之下，Rocha等人[62]在同一大小的流域上使用SWAT模型，没有发现季节性流量的统计显著差异。最后，分析强调了水文响应对假设的土地覆盖变化（如气候变化）或干扰事件（如野火）的敏感性。虽然在模拟的极端事件下对土壤侵蚀的影响相对有限，但径流和峰值流量都观察到显著增加。

水文建模在理解驱动洪水和滑坡等灾害的过程方面起着关键作用，这些灾害的频率和强度在气候变化条件下正在增加。在这种情况下，数字高程模型是一个基本输入，因为更高分辨率的数据集通常能更好地表示地形和相关的水文过程。然而，模型性能不仅仅受分辨率控制：数据来源、预处理程序和流域划分方法都对模拟输出有显著影响。本研究使用基于栅格的TOPAZ算法评估了DEM分辨率对小流域地形特征的影响，特别关注自动化划分对水文单元和河道段面积、长度和坡度的影响。结果表明，即使在像所考虑的这种低起伏的流域中，DEM分辨率也对坡度的平均值和变异性有明显影响。将分辨率从30米提高到5米，平均单元格坡度大约翻倍，而河道段坡度增加了四倍以上。使用AnnAGNPS模型评估了分辨率依赖性划分的水文影响。基于物理的水文模型需要大量的输入参数，这通常限制了它们的实际应用性和预测稳健性。在这项研究中，AnnAGNPS主要用作生成指标的工具，其输出被解释为基于情景的土地利用和土地覆盖变化分析中的比较指标（在极端降雨事件下，降雨强度为30和60毫米/小时）。模拟结果表明，自然化（NAT）和热带化（TRO）情景产生的响应相似，而荒漠化（DES）情景导致侵蚀、径流和峰值流量显著增加。这些发现证实了DEM分辨率对水文模拟有显著影响——这种关系在大流域中已经得到证实，但在小流域中仍然研究不足。分析突出了两个关键的方法论问题：预处理的敏感性：DEM分辨率和预处理选择会显著影响衍生的地形属性，可能在原始观测和模型输出中引入偏差；验证约束：数字化地形模型的验证仍然具有挑战性，因为准确划分参考河道网络和识别河道起点需要详细的现场知识，这些知识通常只能通过实地调查获得。

除了Idanha流域的特定案例外，这些结果对中小型流域的水文建模具有更广泛的意义，特别是在农林业和地中海环境中。流域划分和模型输出对DEM分辨率的强烈敏感性表明，在其他具有异质土地利用和显著人为影响的低起伏景观中也可能出现类似效应。在这种情况下，坡度和排水连通性的微妙变化会显著改变径流生成和沉积物输送，使用低分辨率DEM可能导致水文响应的系统低估。这对于洪水风险评估、土壤保护规划以及评估气候变化下的土地利用变化情景具有重要意义。此外，结果表明DEM分辨率的影响超出了地貌表示的范围，直接影响了用于环境管理和决策支持的过程模型的可靠性。尽管来自LiDAR和无人机平台的高分辨率高程数据的日益增多为提高模型性能提供了重要机会，但仅靠分辨率是不够的。因此，仔细考虑数据来源、预处理工作流程和模型参数化仍然至关重要。这项研究的发现有助于发展在不同环境背景下更稳健和可转移的水文建模实践。