基于机器学习的评估方法：研究印度中东部卡伦河流域气候变化与土地利用变化对水资源的影响

《Environmental and Sustainability Indicators》：Machine Learning Driven Assessment of Climate and Land Use Change Impacts on Water Resources in the Kharun River Basin, Central-Eastern India

水产量预测研究显示，XGBoost模型在Kharun流域表现最优（R2=0.95，NSE=0.89），其通过整合LULC变化（1992-2022）与CMIP6气候情景（SSP2-4.5和SSP5-8.5），揭示城市化与农业扩张导致季节性水文响应加剧，预计2100年水产量增幅达134.9%，提出绿色基建与智能监测等适应性策略。

　　本研究聚焦于气候变化和土地利用变化对水文响应的影响，特别是在印度中央地区的Kharun河流域。随着全球气候变化的加剧，水资源的可用性变得愈发不确定，特别是在那些降雨和气温变化显著的地区。水文变量中的水产量，即流域向下游输送的水量，对降水模式、蒸散发以及温度变化尤为敏感。因此，准确评估和预测水产量对于确保水资源安全、支持可持续农业以及增强生态系统的适应能力具有关键意义。

Kharun河流域是印度中央地区一个典型的半湿润流域，其水文状况与季风循环密切相关。近年来，该流域经历了显著的水文压力，主要表现为年际降雨量的波动增加以及平均气温的上升，特别是在季风前和季风后季节。这些变化对季节性水产量产生了深远影响，进而影响灌溉的可靠性、城市供水以及地下水的补给能力。面对这些挑战，传统水文模型虽然基于物理原理，但往往需要大量的输入数据和参数校准，这对于数据有限的地区而言存在局限。此外，这些模型可能难以有效捕捉气候与水文过程之间的非线性相互作用。因此，机器学习（ML）方法，如极端梯度提升（XGBoost）算法，因其在处理大规模数据集、捕捉复杂关系以及提升预测精度和计算效率方面的优势，正受到越来越多的关注。

随着卫星遥感技术和气候建模的进步，高分辨率数据集变得更加容易获取，这为数据驱动的建模工作提供了坚实的基础。特别是CMIP6（第六次耦合模式比较计划）提供的气候预测数据，为评估不同共享社会经济路径（SSPs）下的未来气候情景提供了有力支持。将这些数据与机器学习算法结合，能够有效预测气候变化对水产量的影响，从而为区域和流域尺度的水资源管理提供科学依据。

Kharun河流域位于印度中央地区的恰蒂斯加尔邦的中央平原，具有重要的生态和社会经济价值。该流域支持农业、城市供水以及生物多样性。然而，尽管其重要性，目前仍缺乏对土地利用/土地覆盖（LULC）变化、气候变化预测（CMIP6）和先进机器学习建模相结合的研究，以评估水产量和泥沙产量等水文响应。大多数现有研究依赖于传统的水文模型，如SWAT，而未探索XGBoost等高性能算法，后者能够更准确地捕捉气候、水文和土地利用之间的非线性关系。

本研究的必要性源于快速的土地利用变化和气候变化对水资源安全的双重压力。该流域正经历降雨季节性变化的增加、气温的上升以及土壤侵蚀和泥沙运输的加剧。这些变化可能影响水质，减少水库的储水能力。鉴于目前没有针对Kharun流域的综合建模框架来应对这些综合压力，迫切需要一种基于数据驱动、空间显式的评估方法，以支持适应性的水资源和土地管理策略。

通过将基于遥感的土地利用变化动态、机器学习驱动的水文建模以及未来气候情景分析相结合，本研究提供了对Kharun流域如何应对未来环境变化的新颖且高分辨率的理解。研究结果将满足本地管理需求，并为类似环境下流域影响评估的方法论进展做出贡献。

本研究旨在使用基于机器学习的建模框架，评估气候变化对Kharun河流域水产量的影响。为了实现这一目标，研究采用了集成的方法论框架，以评估土地利用/土地覆盖（LULC）动态和气候变量对水资源的影响。该方法分为四个阶段：（1）1992年至2022年的多十年土地利用变化检测；（2）对CMIP6气候预测数据进行降尺度处理，以确保其适用于流域；（3）使用机器学习模型进行水文建模，包括模型选择和优化；（4）在不同土地利用和气候条件下进行情景分析，以预测未来的水产量变化。所有分析均采用开源工具，如Google Earth Engine（GEE）用于遥感，以及Python（配合scikit-learn、XGBoost和xarray等库）用于机器学习和降尺度处理。在建模过程中，使用了每日数据，以确保在降水事件、温度波动和水文响应方面的时间精度。数据处理遵循开放访问仓库的伦理标准，以确保研究结果的可重复性。

研究中使用的机器学习模型包括极端梯度提升（XGBoost）、随机森林（RF）、人工神经网络（ANN）、支持向量机（SVM）和k近邻（k-NN）。这些模型均用于模拟水产量，并通过R2（决定系数）、纳什-sutcliffe效率（NSE）和百分比偏差（PBIAS）等评估指标进行比较。XGBoost在所有评估指标中表现最佳，其测试阶段的R2为0.95，NSE为0.89，PBIAS为14.98%。这些结果表明，XGBoost在预测精度和泛化能力方面优于其他模型。此外，XGBoost在测试阶段的表现优于训练阶段，说明其具备较强的泛化能力，这对于可靠的水文预测至关重要。

在对土地利用变化的分析中，研究发现，1992年至2022年间，Kharun流域经历了显著的转变。农业用地和城市用地的扩张尤为明显，特别是在Raipur和Durg地区。森林覆盖率下降，从1992年的4.86%降至2022年的2.77%。这种变化对流域的水文行为产生了重要影响，如增加了地表径流，减少了地下水补给。同时，水体面积略有增加，这可能是由于灌溉结构和小型水库的扩展所致。这些土地利用变化对水文响应产生了显著影响，特别是在地表径流和排水方面。未来在SSP2-4.5和SSP5-8.5情景下，水产量预计会持续上升，这表明水文循环可能变得更加剧烈。

为了确保土地利用分类的准确性，研究使用了参考地面真实数据和混淆矩阵进行评估。总体分类精度和Kappa系数用于衡量分类的可靠性。1992年的总体分类精度为91%，Kappa系数为0.89，表明大多数类别与参考数据高度一致。2002年的分类精度略有下降，但关键农业类别如高地稻田和低地稻田仍然保持较高的准确性。2022年的分类精度进一步提升，达到89%，Kappa系数为0.86，表明分类可靠性得到了加强。这些结果表明，土地利用分类在所有年份均具有可接受的精度，适合进行时间序列分析。

未来情景分析显示，水产量在SSP2-4.5和SSP5-8.5情景下均呈现上升趋势。在SSP2-4.5情景下，年水产量预计从历史基线的469.60 mm上升至2100年的1133.38 mm，增加了134.9%。而在SSP5-8.5情景下，水产量预计增加119.7%。这些变化在干旱季节尤为显著，如1月和5月的水产量可能增加超过400%。然而，6月的水产量却可能显著下降，这可能与季风开始时间的变化有关。9月的水产量在SSP5-8.5情景下出现显著下降，而10月至12月的水产量则显著增加，表明水文响应可能更加复杂。

研究还探讨了未来水产量变化的时空差异。在干旱季节，水产量的增加可能对农业用水产生积极影响，尤其是在雨季结束后。然而，同时出现的季风初期水产量减少可能增加水资源管理的不确定性，特别是在灌溉调度和水库管理方面。这些结果提示，未来可能需要更加灵活的水资源管理策略，以应对不断变化的水文条件。

从管理角度来看，研究结果强调了需要建立适应性的流域尺度水资源管理框架，以整合气候和土地利用因素。为了应对这些挑战，研究提出了三项优先策略：（1）发展绿色基础设施，如雨水花园、生物沟渠和透水铺装，以减少暴雨径流并增强地下水补给；（2）加强季节性水资源储存和节约措施，如建设检查坝、农田蓄水池和小型水库，以利用增加的季风产量并缓解干旱季节的水资源短缺；（3）实施土地利用监管和恢复措施，如在水文敏感的子流域中控制城市扩张，并在排水线上恢复植被缓冲区，以稳定径流和泥沙输送。这些策略的实施需要流域管理机构、城市规划部门和农业部门之间的协调合作。

本研究不仅为Kharun流域的水资源管理提供了科学依据，也为类似环境下的水文影响评估方法论发展做出了贡献。通过将机器学习与气候和土地利用变化分析相结合，为适应性流域管理提供了有力的工具。此外，研究还指出，尽管机器学习模型在预测能力方面表现出色，但其缺乏对水文过程的显式表示，这可能限制其在极端或非平稳气候条件下的解释能力。因此，未来的研究应考虑将机器学习与基于物理的模拟相结合，以增强模型的现实性和适用性。同时，还需要进一步探讨CMIP6全球气候模型（GCMs）的降尺度不确定性以及未来土地利用情景中的假设，以提高预测的稳健性。

综上所述，本研究为理解气候变化和土地利用变化对水文响应的影响提供了新的视角。通过XGBoost算法的高效预测能力，结合土地利用变化分析和未来气候情景模拟，研究揭示了Kharun流域在不同环境条件下的水文动态。这些发现对于制定适应性水资源管理策略、优化基础设施规划以及提升区域水资源安全性具有重要意义。未来的研究应继续探索机器学习与物理模型的结合，以更全面地评估气候变化对水文系统的影响，并为可持续发展提供更科学的决策支持。