婁永才，郭青霞

（山西農(nóng)業(yè)大學資源環(huán)境學院，山西 太谷 030801）

目前隨著點源污染得到有效的治理，非點源污染成為造成環(huán)境污染的首要因素，是目前治理環(huán)境污染的關鍵。AnnAGNPS模型是眾多非點源污染模型中應用最為廣泛和成功的模型之一，是量化和治理非點源污染的重要工具[1-2]。模型所需參數(shù)眾多，結構復雜，參數(shù)和輸入信息的不準確性會直接導致模型對非點源污染模擬的不確定性。對AnnAGNPS進行不確定性分析是識別模型不確定性來源和度量不確定性的過程。模型的不確定性主要來源于三個方面：模型自身結構的不確定性、模型參數(shù)的不確定性、模型輸入信息的不確定性[3]。對于模型自身結構的不確定性目前很難對其進行準確量化評價，一般通過在模型開發(fā)中對結構進行改進或模型的選擇比較來間接地降低不確定性。因此如何準確量化參數(shù)對模型各輸出變量不確定性的貢獻成為當前迫切需要解決的問題之一。然而目前對參數(shù)進行敏感性分析[4-7]的研究較多，而進一步考慮參數(shù)對模型輸出變量不確定性的影響相對較少。傳統(tǒng)的敏感性分析不能完整描述模型參數(shù)的空間分布形態(tài)[8]，且存在敏感度低但不確定性高的參數(shù)對模型模擬結果的影響可能大于敏感度高但不確定性低的參數(shù)的現(xiàn)象[9]，敏感性分析只能給出定性結果，無法給出定量結果，因此并不能為準確識別模型的重要不確定性來源提供全面的信息。

本文以典型的黃土丘陵溝壑區(qū)——岔口小流域為例，在參數(shù)敏感性分析的基礎上，嘗試采用一階誤差分析法（FOEA）和自助法（Bootstrap）對比分析參數(shù)的不確定性程度以及對模型輸出變量的不確定性的貢獻，以期識別重要的不確定性參數(shù)，提高模型參數(shù)的量化能力，降低模型參數(shù)維度以及模擬結果的不確定性，進而提高模型效率，以便于模型進一步在流域內(nèi)推廣應用[10]。

1 材料與方法

1.1 研究區(qū)概況

岔口小流域位于山西省西南部，是永和縣、石樓縣、隰縣三者的接壤地帶。流域面積131.91 km2，地處東經(jīng) 110°38′01″~110°50′02″、北緯 36°47′26″~36°57′14″，平均海拔1184 m。研究區(qū)屬于典型的暖溫帶半干旱大陸性季風氣候，四季分明，日照時間長，多年平均8.6℃，多年平均降水530.9 mm，多集中在7—9月三個月，約占全年降雨量的62.25%。流域內(nèi)河流屬于季節(jié)性河流，豐水期形成歷時很短的洪水徑流并且徑流中攜帶大量泥沙及營養(yǎng)物質。研究區(qū)位于典型的黃土丘陵溝壑區(qū)，流域內(nèi)溝壑縱橫，支離破碎。流域土壤質地以粉沙質壤土為主，濕陷性較大。研究區(qū)主要包括6種土地利用類型：耕地、園地、林地、草地、水域、居民點，其中林地、草地所占比重較大。流域內(nèi)無較大城鎮(zhèn)分布、無大型養(yǎng)殖場和工業(yè)企業(yè)，因此點源污染可以不用考慮。流域內(nèi)產(chǎn)業(yè)結構單一，以農(nóng)業(yè)生產(chǎn)為主，經(jīng)濟發(fā)展遲緩。研究區(qū)示意圖見圖1~圖3。

1.2 AnnAGNPS模型簡介

AnnAGNPS（Annualized Agricultural Non-point Source Pollution Model）是一種基于日為固定步長對流域一個時間段內(nèi)每天累計的地表徑流、土壤侵蝕、營養(yǎng)鹽流失等進行連續(xù)模擬的分布式參數(shù)模型[16-17]。該模型由美國農(nóng)業(yè)部研發(fā)并廣泛應用于農(nóng)業(yè)非點源污染研究。其特點包括四個方面：物理概念模型；輸入?yún)?shù)簡單；計算效率高；能夠對流域進行長期模擬監(jiān)測。

模型包括水文、土壤侵蝕、污染物遷移等模塊?；A數(shù)據(jù)庫主要有：氣象、地形、土壤、土地利用數(shù)據(jù)庫。研究選用的流域地形數(shù)據(jù)來源于分辨率為10 m的DEM柵格數(shù)據(jù)。參考流域第二次全國土地調查土地利用現(xiàn)狀數(shù)據(jù)，以2013年QuickBird影像為底圖進行全流域野外實地調查，并最終生成2013年1∶5萬流域土地利用狀況圖。徑流曲線數(shù)參考其取值條件和流域不同的土地利用方式、土壤類別、植被覆蓋等確定；流域內(nèi)作物、田間管理和肥料數(shù)據(jù)主要通過入戶調查和實地采樣實測獲得；蓄水壩數(shù)據(jù)通過岔口小流域壩系工程設計文本和實地調查獲得；土壤數(shù)據(jù)以1∶5萬永和縣土壤圖矢量化得到；土壤理化性質主要通過實地采樣獲得。其中，土壤可蝕性k值是根據(jù)土壤粒徑含量并參考諾莫圖獲得；氣象數(shù)據(jù)為2001—2013年永和縣氣象站逐日氣象資料數(shù)據(jù)（露點溫度、云覆蓋、每日地面太陽輻射等通過經(jīng)驗公式間接獲得[18-20]）和流域內(nèi)設立的3個雨量監(jiān)測站實測數(shù)據(jù)。根據(jù)流域實際情況，最終確定CSA和MSCL值分別為5 hm2和100 m，將流域劃分為8121個子流域（圖4）。在上述基礎上將模型所需基礎信息數(shù)據(jù)導入模型輸入編輯器，最終生成Climate.inp和AnnAGNPS.inp，岔口小流域AnnAGNPS模型初步建成。

在模型適應性檢驗[21]的基礎上，基于模型機制結構，同時兼顧模型操作運算情況，針對可能對模型輸出結果有影響的參數(shù)，篩選出與SCS曲線系數(shù)方程、R USLE方程、營養(yǎng)鹽輸出模擬過程等有關的10個參數(shù)進行敏感性和不確定性分析。各參數(shù)取值如表1所示。

圖1 岔口小流域位置Figure 1 Location of the Chakou watershed

圖2 研究區(qū)土壤類型Figure2 Soil typein thestudy area

圖3 研究區(qū)2013年土地利用狀況Figure3 Statusof land usein thestudy areain 2013

圖4 岔口小流域子流域劃分圖Figure 4 The subwatershed of the study watershed based on DEM

1.3 參數(shù)不確定性分析

1.3.1 參數(shù)敏感性分析

摩爾斯分類篩選法是目前常用的敏感性分析方法之一，相比于其他方法，其簡單易懂，且計算量較小，特別適用于參數(shù)較多的復雜模型。經(jīng)過少量模型計算從而確定參數(shù)的定性排序，識別出相對重要的敏感性參數(shù)以達到簡化模型的目的。其不足之處在于僅給出定性結果，無法給出定量結果[10]。在確定模型參數(shù)敏感性大小上摩爾斯分類篩選法相對簡單有效。本文采用修正的摩爾斯分類篩選法，在默認各參數(shù)之間相互獨立的情況下，選擇其中一個參數(shù)作為隨機變量，在該變量閾值范圍內(nèi)隨機改變變量值，并將其代入模型從而得到不同的模擬結果，最終運用基準值來判斷各變量對輸出值的影響程度[1]。

表1 模型參數(shù)及取值Table 1 Model parametersand values

式中：S為敏感性判別因子；Qi和Qi+1為第i次和第i+1次模型模擬輸出值；Q0為參數(shù)率定后模型模擬初始值或基準值；Pi和Pi+1為第i次和第i+1次模型運算參數(shù)值相對于率定后參數(shù)值的變化百分率；n為模型運行次數(shù)。

1.3.2 FOEA方法

FOEA作為一種不確定分析方法，目前較多的應用于水文模型的不確定性研究。與傳統(tǒng)的敏感性分析不同，F(xiàn)OEA在分析過程中不僅考慮了參數(shù)的敏感性，還考慮了參數(shù)的不確定性。該方法可以確定由每個隨機輸入變量引起的模型輸出的不確定性。這種方法來源于泰勒在平均值附近的一系列展開式，僅取一階微分[12]：

式中：Y為模型模擬輸出值；f（X）為模型模擬輸出值的計算公式；Xe為展開點的矢量。

FOEA中展開點通常設置為平均值或一個中值。因此，公式的期望值和方差可以近似計算為：

式中：Cov（Xi，Xj）為參數(shù)XiXj的協(xié)方差，表示兩參數(shù)之間的相關程度；m、n為參數(shù)X的個數(shù)。

假設所有參數(shù)之間都是相互獨立的，公式（4）可以表示為：

參數(shù)對總的輸出變量的貢獻可以表示為：

式中：SCi為輸入?yún)?shù)敏感性的平方乘以參數(shù)方差，該式可以識別和排列特定參數(shù)對模型輸出的重要性程度。

每個不確定參數(shù)對模型總輸出方差的貢獻可以表示為：

式中：C表示貢獻率，%；TV表示總方差。

如果參數(shù)對總方差的貢獻率超過5%[13]，則認為參數(shù)是模型不確定性的來源。計算離差系數(shù)（CV）值，該數(shù)值表示數(shù)據(jù)的離散程度或不確定性程度。

1.3.3 Bootstrap方法

Bootstrap方法又稱自助法，是Efron于20世紀70年代末提出的。該方法是一種通過重復抽樣方法構造自助樣本的統(tǒng)計方法，特別適用于無法采用常規(guī)方法對參數(shù)進行區(qū)間估計、假設檢驗等[14]。

本文嘗試在參數(shù)敏感性分析的基礎上利用Bootstrap方法對參數(shù)進行不確定性分析。以參數(shù)標準差S作為總體標準差σ的估計值；以參數(shù)均值作為總體均值的估計值；采用變異系數(shù)評估參數(shù)的不確定性程度；采用貢獻率來評估參數(shù)對模型模擬輸出結果不確定性的貢獻率。具體步驟為：（1）采用Bootstrap方法對參數(shù)θ在給定范圍內(nèi)進行隨機取樣1000次，得到 1000個參數(shù) θ*；（2）將 1000個參數(shù) θ*代入模型得到1000個不同的輸出結果Y*（t）；對Bootstrap樣本[θ*，Y*（t）]進行驗證；（3）求取樣本[θ*，Y*（t）]的均值和標準差。

為了定量地表示出參數(shù)組合中每個參數(shù)對不確定性的貢獻程度，本文引入了一階誤差分析方法中貢獻率（Pcv）的概念[15]，計算公式可以表示為：

式中：cvi表示參數(shù)組合中第i個參數(shù)的變異系數(shù)。

2 分析討論

2.1 參數(shù)敏感性分析

采用修正的摩爾斯分類篩選法進行敏感性分析，計算結果如表2所示。

由表2可以看出，除降雨侵蝕因子外，其余參數(shù)對模型輸出結果均有不同程度的影響。對模型模擬輸出結果最為敏感的參數(shù)是徑流曲線數(shù)，呈明顯正相關；溝道曼寧系數(shù)和田間持水量對模型輸出結果呈明顯負相關。具體來看，對徑流影響最大的是徑流曲線數(shù)，S值為10.23，其次是田間持水量，S值為-5.44，其他參數(shù)對徑流影響較弱或者無影響。對泥沙量影響最大的是徑流曲線數(shù)，S值為7.12，其次是土壤蝕因子，S值為1.70，此外，耕作管理因子、水土保持因子和地形因子對泥沙輸出量也相當敏感，這與修正的通用土壤流失方程RUSLE中產(chǎn)沙量主要影響因子相吻合。對總氮、總磷影響最大的是徑流曲線數(shù)，S值分別為5.35、5.02，其次是土壤侵蝕因子，S值分別為1.41、1.60，再次是耕作管理因子，S值分別為1.32、1.58。對總有機碳影響最大的是徑流曲線數(shù)，S值為7.70，其次是田間持水量，S值為-1.80，再次是水土保持因子，S值為1.67。在黃土丘陵溝壑區(qū)，土壤有機碳流失主要以泥沙為承載體被帶走，土壤侵蝕造成了有機碳在泥沙中富集，且富集比大于1[22]，因此對泥沙敏感程度高的參數(shù)對總有機碳的敏感度也高。

表2 參數(shù)敏感性計算結果Table2 Parameter sensitivity calculation results

表3 影響模型輸出結果不確定性的參數(shù)Table 3 Parameters that affect the uncertainty of the model output

2.2 基于FOEA方法的參數(shù)不確定性分析

采用FOEA方法對參數(shù)進行不確定性分析，計算結果如表3所示。

由表3可知，徑流曲線數(shù)對9個輸出變量均有顯著影響，其中對徑流、總有機碳、泥沙影響最顯著，不確定性貢獻率分別為99.99%、98.93%、97.84%?；适┯昧亢蛷搅髑€數(shù)是總氮較為重要的不確定性參數(shù)，不確定性貢獻率為99.46%。對于溶解態(tài)氮，化肥施用量是最為重要的不確定性參數(shù)，不確定性貢獻率為99.51%。徑流曲線數(shù)、化肥施用量、地形因子是吸附態(tài)氮、總磷、溶解態(tài)磷、吸附態(tài)磷較為重要的不確定性參數(shù)，不確定性貢獻率為99.67%、99.64%、99.65%、99.64%。

由表2和表3可知，參數(shù)敏感性與不確定性排序并不一致，某些參數(shù)敏感性程度高但不確定性卻低，例如總氮的不確定參數(shù)中，化肥施用量的參數(shù)敏感性系數(shù)為0.26，但其不確定性貢獻率高達89.56%，而敏感性系數(shù)為5.35的徑流曲線數(shù)的不確定性貢獻率只有9.89%。在其他輸出結果的不確定參數(shù)中同樣存在這樣的現(xiàn)象。這充分表明敏感性低但不確定性高的參數(shù)對模型模擬結果的影響可能大于敏感度高但不確定性低的參數(shù)?；贔OEA分析，可以看出對模型輸出結果的不確定性有顯著性影響的只有少數(shù)幾個參數(shù)，而其余參數(shù)影響較小或者沒有影響。

圖5 參數(shù)對不同土地利用類型不確定性貢獻率Figure 5 Thecontribution of parameterstothe uncertainty of different land use types

為了確定參數(shù)對不同土地利用類型的影響，根據(jù)公式（6）和公式（7）分別計算了每個參數(shù)對不同土地利用類型不確定性的貢獻率，結果如圖5所示。

由圖5可知，徑流模擬中，徑流曲線數(shù)是各類土地利用類型不確定性的主要來源，其他參數(shù)對各地類影響較小或者無影響，這表明徑流曲線數(shù)對各地類產(chǎn)匯流起決定性的作用。泥沙模擬中，除水域外，徑流曲線數(shù)對其他土地利用類型影響顯著；地形因子也是耕地不確定性來源，這主要與耕地中占比較大的坡耕地坡度較大、土質疏松、暴雨季節(jié)最易發(fā)生土壤侵蝕有關?？偟M中，化肥施用量是耕地和園地不確定性來源，這主要與耕地和園地施用較多的復合肥有關；徑流曲線數(shù)是林地、草地、水域、居民點等不確定性來源，這四類用地無氮肥施入，氮流失主要與土壤氮庫有關，且流失形式以溶解態(tài)為主；土壤飽和導水率和地形因子對居民點影響也較大，流域居民點用地受地形影響坡度起伏變化較大，植被覆蓋度低，零散禽畜養(yǎng)殖廢棄物、居民生活污水、垃圾存在隨意排放現(xiàn)象，在雨季居民點用地地表產(chǎn)流速度較快，且攜帶大量污染物?？偭啄M中，徑流曲線數(shù)對各地類均有不同程度的影響，其中對林地、草地不確定性影響最大，這主要與林草地所占流域面積最大有關；同總氮模擬一樣，化肥施用量是耕地和園地不確定性來源，土壤飽和導水率和地形因子也是居民點不確定性來源；此外，地形因子也是耕地、草地、居民點等不確定性來源。

本文采用離差系數(shù)來表示模型模擬輸出結果不確定性的大小，離差系數(shù)越高，表明輸出結果不確定性越大。計算結果如表4所示。

由表4可知，徑流和泥沙離差系數(shù)分別為最小和最大，CV值分別為1.12%、11.81%，表明在模型輸出結果中徑流具有較小的不確定性，泥沙具有較大的不確定性。模型模擬輸出結果不確定性排序為泥沙>總氮>總磷>徑流。

2.3 基于Bootstrap方法的參數(shù)不確定性分析

在參數(shù)敏感性分析的基礎上，利用Bootstrap方法計算參數(shù)對模擬結果不確定性的貢獻率。計算結果如表5所示。

由表5可知，總體上對模型不確定性具有重要影響的參數(shù)主要是：徑流曲線數(shù)、地形因子、土壤侵蝕因子、耕作管理因子和水土保持因子。

表4 離差系數(shù)計算結果Table4 Calculation resultsof deviation coefficients

表5 不確定性參數(shù)及其貢獻率Table 5 Uncertainty parameters and contribution rates

具體來說，影響模型徑流輸出不確定性的重要參數(shù)是徑流曲線數(shù)和田間持水量，這兩個參數(shù)對徑流不確定性貢獻率為97.3%。徑流曲線數(shù)、土壤侵蝕因子、地形因子、耕作管理因子、水土保持因子是影響模型泥沙以及氮磷營養(yǎng)鹽輸出不確定性的主要參數(shù)，其不確定性貢獻總和為82.66%、89.09%、90.52%?；适┯昧?、田間持水量、溝道曼寧系數(shù)對溶解態(tài)氮的影響較大，其不確定性貢獻率總和為29.62%，這一方面與流域內(nèi)較多的使用含無機氮比例較高的復合肥有關，另一方面與流域氮流失主要以溶解態(tài)氮為主有關。泥沙和氮磷的不確定性參數(shù)較為一致表明：泥沙是氮磷輸出的載體，即在短時暴雨事件下氮磷輸出形態(tài)通常以泥沙結合態(tài)為主，泥沙的不確定性直接影響和決定氮磷等營養(yǎng)物輸出的準確性。通過Bootstrap分析也發(fā)現(xiàn)參數(shù)的敏感性大小與不確定性大小排序并不一致，某些參數(shù)敏感性程度高但不確定性低。但主要不確定性參數(shù)與敏感性較大的參數(shù)較為一致。

綜上所述，徑流曲線數(shù)對模型輸出結果的不確定性影響最大。流域內(nèi)的河流屬于季節(jié)性河流，枯水期河道內(nèi)幾乎沒有水，夏季多短時強降雨易造成水土、氮磷等營養(yǎng)物流失，因此徑流是流域泥沙、氮磷流失的外在驅動力。對泥沙負荷模擬計算不確定性影響較大的是徑流曲線數(shù)、地形因子、土壤侵蝕因子、耕作管理因子、水土保持因子。流域土壤質地以粉沙質壤土為主，濕陷性較大，雨季易造成侵蝕。根據(jù)閆勝軍[23]研究可知流域土壤侵蝕主要集中在坡耕地、坡度較大的低覆蓋草地，且監(jiān)測期間流域坡改梯工程的實施對土壤擾動強烈，新修梯田土質疏松、植被覆蓋度低、受自然環(huán)境影響大，容易造成水土流失。對總氮、總磷負荷模擬計算不確定性影響較大的是徑流曲線數(shù)、化肥施用量、耕作管理因子、地形因子、土壤侵蝕因子、水土保持因子。流域氮磷流失主要來源于施肥和土壤氮磷庫即由于泥沙的流失引起，隨著施肥量的增加，氮磷等污染物負荷也相應增加。在雨季農(nóng)民通過撒施的方式對農(nóng)作物進行追肥，這種方式導致農(nóng)作物對氮磷吸收利用率低，使得大量氮磷等營養(yǎng)物質通過徑流和泥沙進入環(huán)境中，造成環(huán)境污染。耕地粗放型的經(jīng)營方式也增加了氮磷等營養(yǎng)物質流失的風險。

采用FOEA和Bootstrap方法進行不確定性分析，所得結論與研究區(qū)實際情況基本吻合，這表明采用這兩種方法應用于模型不確定性分析具有可行性。基于兩種分析方法識別出重要的不確定性參數(shù)：一方面能提高模型參數(shù)的量化能力，為模型參數(shù)調試提供主要方向，節(jié)省參數(shù)調試時間，從而有利于降低模型不確定性；另一方面為流域水土流失和非點源污染的治理提供參考和決策依據(jù)。

3 結論

敏感性分析表明對模型模擬輸出結果最為敏感的參數(shù)是徑流曲線數(shù)，呈明顯正相關；溝道曼寧系數(shù)和田間持水量對模型輸出結果呈明顯負相關。參數(shù)的敏感性大小與不確定性大小排序并不一致，這表明敏感性分析并不能為準確識別模型的重要不確定性參數(shù)提供全面的信息。

FOEA和Bootstrap的分析結果表明，水文參數(shù)對模型模擬計算的不確定性貢獻最大，泥沙和氮磷等營養(yǎng)物的不確定性參數(shù)較為一致，因而流域水文和土壤侵蝕過程的模擬成為模型校準、降低不確定性的關鍵。土壤侵蝕因子和地形因子在一定時間內(nèi)發(fā)生變化的可能性極小，因此，結合岔口小流域的實際情況，在控制和治理流域內(nèi)水土流失以及非點源污染時應著重考慮徑流曲線數(shù)、施肥措施、農(nóng)田管理方式和水土保持情況。

目前基于不同數(shù)學理論的不確定性分析方法有很多，所選的不確定分析方法不同對研究結果產(chǎn)生的影響也不盡相同。為了提高模型預測的精度，綜合分析模型輸出的不確定性，需要更加系統(tǒng)地研究不確定性分析方法，可以綜合運用不同的研究方法，多途徑、多方法地綜合分析并合理選用。

[1]王曉利,姜德娟,張 華.基于AnnAGNPS模型的膠東半島大沽河流域非點源污染模擬研究[J].農(nóng)業(yè)環(huán)境科學學報,2014,33（7）：1379-1387.WANGXiao-li,JIANGDe-juan,ZHANGHua.Simulation of non-point source pollution in Dagu watershed,Jiaodong Peninsula Based on AnnAGNPSmodel[J].Journal of Agro-Environment Science,2014,33（7）：1379-1387.

[2]涂宏志,侯 鷹,陳衛(wèi)平.基于AnnAGNPS模型的葦子溝流域非點源污染模擬研究[J].農(nóng)業(yè)環(huán)境科學學報2017,36（7）：1345-1352.TU Hong-zhi,HOU Ying,CHEN Wei-ping.Simulation of non-point sourcepollution in Weizigou watershed with AnnAGNPSmodel[J].Journal of Agro-Environment Science,2017,36（7）：1345-1352.

[3]廖 謙,沈珍瑤.農(nóng)業(yè)非點源污染模擬不確定性研究進展[J].生態(tài)學雜志,2011,30（7）：1542-1550.LIAO Qian,SHEN Zhen-yao.Uncertainties in agricultural non-point sourcepollution simulation：Research progress[J].Chinese Journal of E－cology,2011,30（7）：1542-1550.

[4]席 慶,李兆富,羅 川.基于擾動分析方法的AnnAGNPS模型水文水質參數(shù)敏感性分析[J].環(huán)境科學,2014,5（35）：1773-1780.XI Qing,LI Zhao-fu,LUO Chuan.Sensitivity analysis of AnnAGNPS model′s hydrology and water quality parameters based on the perturbation analysis method[J].Environmental Science,2014,5（35）：1773-1780.

[5]鐘科元,陳 瑩,陳興偉,等.基于農(nóng)業(yè)非點源污染的桃溪流域日徑流泥沙模擬[J].水土保持通報,2015,35（6）：131-134.ZHONG Ke-yuan,CHEN Ying,CHEN Xing-wei,et al.Simulation of daily runoff and sediment load in Taoxi watershed based on AnnAGNPS model[J].Bulletin of Soil and Water Conservation,2015,35（6）：131-134.

[6]Li A M,Yang H Z,Gui X A．GIS-based decision makinganalysisof nonpoint source pollution management in Zhangxi River Watershed[C]//3rd International Conference on Bioinformatics and Biomedical Engineering．Beijing：ICBBE,2009：1-6.

[7]王 威,楊海真,王少平,等.流域非點源分布式模型AnnAGNPS參數(shù)的不確定性研究[J].四川環(huán)境,2004,5（27）：44-48.WANG Wei,YANG Hai-zhen,WANG Shao-ping,et al.Study on the uncertainty of the parameters in annualized agricultural non-point sourcemodel for river watershed[J].Sichuan Environment,2004,5（27）：44-48.

[8]余 紅,沈珍瑤.非典源污染不確定性研究進展[J].水資源保護,2008,24（1）：1-5.YU Hong,SHEN Zhen-yao.Uncertainty of non-point source pollution[J].Water Resources Protection,2008,24（1）：1-5.

[9]Melching C S,Willy B.Uncertainty in coupled nonpoint source and stream water-quality models[J].Water Resources Planning and Management,2001,127（6）：403-412.

[10]宋曉猛,張建云,占車生,等.水文模型參數(shù)敏感性分析方法評述[J].水利水電科技進展,2015,6（35）：105-112.SONGXiao-meng,ZHANGJian-yun,ZHANChe-sheng,et al.Review of methods of parameter sensitivity analysis in hydrologic modeling[J].Advances in Science and Technology of Water Resources,2015,6（35）：105-112.

[11]郝芳華.流域非點源污染分布式模擬研究[D].北京：北京師范大學,2003.HAO Fang-hua.Distributed simulation of non-point source pollution in watershed[D].Beijing：Beijing Normal University,2003.

[12]Shen ZY,Qian H,Yu H,et al.Parameter uncertainty analysis of nonpoint source pollution from different land use types[J].Science of the Total Environment,2010,408（8）：1971-1978.

[13]余 紅,沈珍瑤.三峽水庫大寧河流域非點源污染參數(shù)的不確定性分析[J].中國環(huán)境科學 2007,27（4）：554-558.YU Hong,SHEN Zhen-yao.Analyzing parameter uncertainty of the non-point sourcepollution in Daning River of the Three Gorges Reservoir area[J].China Environmental Science,2007,27（4）：554-558.

[14]馬世典,江浩斌,吳 狄,等.基于Bootstrap方法的自動泊車系統(tǒng)精度評價研究[J].機械設計,2014,12（31）：71-74.MA Shi-dian,JIANGHao-bin,WUDi,et al.Study on accuracy assessment for auto-parking system based on Bootstrap[J].Journal of Machine Design,2014,12（31）：71-74.

[15]Shen Z Y,Hong Q,Yu H,et al.Parameter uncertainty analysis of the non-point source pollution in the Daning River watershed of the Three Gorges Reservoir Region,China[J].Science of the Total Environment.2008,405（1/2/3）：195-205

[16]Sarangi A,Cox CA,Madramootoo CA.Evaluation of the AnnAGNPS Model for prediction of runoff and sediment yields in St Lucia watersheds[J].Biosystems Engineering,2007,97（2）：241-256.

[17]田耀武,黃志霖,肖文發(fā).基于AnnAGNPS模型的三峽庫區(qū)秭歸縣非點源污染輸出評價[J].生態(tài)學報,2011,31（16）：4568-4578.TIANYao-wu,HUANGZhi-lin,XIAOWen-fa.Assessment of nonpoint source pollution export from Zigui County in the Three Gorges Reservoir area using the AnnAGNPSmodel[J].Acta Ecologica Sinica,2011,31（16）：4568-4578.

[18]李 碩,劉 磊.AnnAGNPS模型在斂水河流域產(chǎn)水、產(chǎn)沙的模擬評價[J].環(huán)境科學,2010,31（1）：50-57.LIShuo,LIULei.Evaluation of AnnAGNPSmodel for simulation water and sediment yield in the Lianshui River watershed[J].Environmental Science,2010,31（1）：50-57.

[19]曹 文,申雙和.我國太陽日總輻射計算方法的研究[J].南京氣象學院學報,2008,31（4）：589-591.CAO Wen,SHEN Shuang-he.Estimation of daily solar radiation in China[J].Journal of Nanjing Institute of Meteorology,2008,31（4）：589-591.

[20]何慶堂.氣象學[M].北京：中國林業(yè)出版社,1986：52-90.HE Qing-tang.Meteorology[M].Beijing：China Forestry Press,1986：52-90.

[21]閆勝軍,郭青霞,閆 瑞,等.AnnAGNPS模型在黃土丘陵溝壑區(qū)小流域的適用性評價[J].水資源與水工程學報,2016,27（1）：13-19.YANSheng-jun,GUOQing-xia,YANRui,et al.Suitability evaluation of AnnAGNPSmodel in Chakou watershed of typical loess hilly region[J].Journal of Water Resources and Water Engineering,2016,27（1）：13-19.

[22]賈松偉,賀秀斌,陳云明,等.黃土丘陵區(qū)土壤侵蝕對土壤有機碳流失的影響研究[J].水土保持研究,2004,111（4）：88-90.JIA Song-wei,HEXiu-bin,CHENYun-ming,et al.Effect of soil erosion on soil organic carbon loss on the loess hilly areas[J].Research of Soil and Water Conservation,2004,111（4）：88-90.

[23]閆勝軍.岔口小流域AnnAGNPS模型驗證和坡改梯生態(tài)效益分析[D].山西：山西農(nóng)業(yè)大學,2014.YAN Sheng-jun.Validating the AnnAGNPSmodel in the Chakou watershed and analyzingthe ecological benefit of turning slopeland to terrace[D].Shanxi：Shanxi Agricultural University,2014.