基于机器学习模型的德黑兰大都会水库入流基流贡献机制及驱动因子研究

为解决德黑兰大都会水资源管理中基流(BaseFlow, BF)动态机制不明的问题，研究人员通过机器学习建模分析了1999-2016年五座水库流域的基流贡献率(BFI 55-89%)及其驱动因子。研究发现深层土壤水分(SM0-290cm )与雪融水(Smelt)是基流主要驱动因素，随机森林模型(R2=0.90)和BFAST断点检测揭示了气候变化与人类活动对基流趋势的影响，为半干旱区水资源可持续管理提供了科学框架。

　　

随着全球气候变化和城市化进程加速，半干旱地区的城市水资源管理面临严峻挑战。德黑兰作为伊朗人口超过800万的特大城市，其72%的饮用水依赖周边五大水库的入流供给。然而，水库入流中基流(BaseFlow, BF)的贡献机制及其驱动因子长期缺乏系统研究。基流作为源自地下水、雪融水等延迟性水源的稳定径流组分，对维持干旱季节的水资源供给和生态系统健康至关重要。现有研究表明，基流占比(BaseFlow Index, BFI)在不同流域差异显著(31-86%)，且受气候变异和人类活动的双重影响，但针对德黑兰这类超大城市水源地的基流动态研究仍属空白。

为解析这一问题，国内研究人员对德黑兰供水系统的五大水库流域(Taleqan、Karaj、Latian、Lar和Mamlou)开展了长达18年(1999-2016)的水文观测研究。通过整合数字滤波、机器学习与时间序列分析技术，首次量化了基流对水库入流的贡献率，揭示了关键环境驱动因子及其响应机制，相关成果发表在《Journal of Hydrology: Regional Studies》。

研究采用三项关键技术方法：1) 基于Chapman-Maxwell数字滤波法的日尺度基流分离，并聚合为月尺度数据；2) 应用BFAST算法检测基流时间序列的趋势断点；3) 采用随机森林(Random Forest)模型评估14种水文气候因子(如SM_0-290cm
、Smelt、NDVI等)对基流的影响权重。数据源包括伊朗水资源管理公司的径流数据和ERA5-Land、FLDAS等多源遥感数据集。

4.1. 统计分析与基流分离
月尺度数据分析显示，五大流域降水呈现显著季节性差异，Taleqan站2月降水峰值达116.57mm，而Mamlou站8月仅3.76mm。Chapman-Maxwell法分离的基流量占径流总量的55-89%，其中Karaj站基流量最高(6.05m3/s)，且与Lyne-Hollick、Eckhardt等方法结果高度一致(CV<1)，验证了基流估算的可靠性。

4.3. 基流指数特征
BFI分析揭示显著季节规律：夏季(6-8月)BFI达峰值(0.76-0.95)，而春季因融雪径流导致BFI最低(0.37-0.62)。Lar流域年均BFI最高(0.95)，表明其水文系统对基流依赖性最强，而Mamlou流域(0.62)则显示更强的降雨径流特征。

4.4. 趋势断点检测
BFAST算法识别出人类活动与气候影响的明确信号：Mamlou站在2008年(大坝运营后2个月)出现基流趋势转折，而Latian站在2013年3月的断点与积雪消融期吻合。这些断点的趋势变化幅度达-5.22至-3.99，证实了工程干预和季节性气候因子的双重调控作用。

4.5-4.6. 驱动因子与机器学习建模
交叉相关分析显示，深层土壤水分(SM_0-290cm
)与基流相关性最强(CCF=0.887)，且响应无滞后；雪融水(Smelt)则呈现2-3月季节性滞后。随机森林模型进一步确认SM_28-100cm
在所有流域均为首要预测因子(权重0.392-0.610)，Karaj站的模型解释力最高(R2=0.90)。值得注意的是，植被指数(NDVI)与基流呈负相关，反映植被蒸腾对地下水的消耗效应。

该研究通过多方法融合，首次系统阐明了德黑兰水源地基流的时空变异规律及其驱动机制。研究证实：1) 深层土壤蓄水能力是维持基流的关键，SM_0-290cm
每增加1单位可使Karaj站基流提升48.2%；2) 雪融水的季节性补给使基流在干旱夏季仍保持较高贡献；3) 人类活动(如Mamlou大坝运营)可导致基流趋势发生不可逆转变。这些发现为半干旱区城市水资源管理提供了重要启示：应通过增强土壤入渗、优化水库调度等策略提升基流稳定性，而NDVI与基流的负相关关系提示需谨慎评估植被恢复工程的水文效应。

该研究的创新性在于将BFAST断点检测与机器学习相结合，突破了传统水文模型在非线性关系解析上的局限。研究成果不仅为德黑兰的水安全战略提供了科学依据，其"土壤水分-雪融水"双驱动框架也可推广至全球类似气候区的水资源评估。未来研究可进一步耦合地下水模型，量化不同气候情景下基流的长期演变趋势。