基于水平衡框架与人工神经网络的印度河流域径流估算：多源卫星与模型数据的融合应用

针对印度河流域(IRB)水文数据稀缺、降水(P)和蒸散发(E)不确定性高的难题，本研究创新性结合水平衡框架与人工神经网络(ANN)，筛选MERRA2和ERA5等最优水文气候数据集，实现径流(Q)高精度估算（IRB区R2=0.87，UIB区R2=0.96），为数据稀缺流域的水资源管理提供新范式。

　　

在全球气候变化和人类活动加剧的背景下，大型河流流域的水资源管理面临严峻挑战。印度河流域(Indus River Basin, IRB)作为横跨四国的跨境流域，其水文过程受到高山冰川、季风降雨和密集灌溉系统的多重影响。然而，该流域存在观测数据稀缺、降水与蒸散发估算不确定性高等问题，传统水文模型难以准确模拟径流动态。尤其在上印度河流域(Upper Indus Basin, UIB)等高海拔地区，地形复杂性和冰雪融水过程进一步增加了径流预测的难度。

针对这一科学难题，清华大学的研究团队在《Journal of Hydrology: Regional Studies》发表了一项创新研究。该研究首次将水平衡框架与人工神经网络(Artificial Neural Network, ANN)相结合，利用GRACE卫星观测的陆地水储量变化(Terrestrial Water Storage, TWS)及多源水文气候数据，开发了适用于数据稀缺流域的径流估算方法。

研究采用三项关键技术：1）通过水平衡闭合误差分析筛选最优数据集（比较TRMM、GPM-IMERG等5种降水产品和MERRA2等4种蒸散发数据）；2）应用比例再分配法(Proportional Redistribution, PR)校正水平衡组分偏差；3）构建具有残差连接的深度前馈ANN模型（含温度、雪融通量等辅助变量），分别训练IRB和UIB的径流预测模型。

研究结果揭示：

1. 数据集优选：MERRA2的降水(P)和蒸散发(E)组合在IRB表现最佳（闭合误差0.06 mm/d，R2=0.64），而UIB则适用ERA5降水与MERRA2蒸散发组合（闭合误差-0.07 mm/d）。
2. 径流估算性能：ANN模型在UIB表现尤为突出，采用偏差校正数据与辅助变量的组合实现R2=0.96、Nash-Sutcliffe效率(NSE)=0.92；IRB因人类活动干扰，直接应用水平衡方程效果较差（R2=-0.08），但ANN模型仍保持R2=0.87。
3. 关键驱动因子：SHAP分析显示IRB径流主要受蒸散发驱动（反映灌溉影响），而UIB则依赖陆地水储量变化ΔS（体现冰川融水贡献）。

讨论指出，该方法突破了传统水文模型在数据稀缺区域的局限性：

• 技术创新：通过GRACE TWS与多源数据融合，解决了高山区域观测数据不足的瓶颈。
• 管理应用：在UIB等自然主导流域，水平衡方程可直接用于径流估算；而在IRB等人类活动强烈区域，ANN模型能有效捕捉灌溉等人为干扰。
• 扩展潜力：模型框架可适配其他跨境流域，为《巴黎协定》下的水资源适应性管理提供科学工具。

该研究不仅为印度河流域的水资源评估提供了新方法，更开创了"卫星观测+机器学习"的水文研究范式，对全球类似流域的可持续管理具有重要借鉴意义。