将统计方法和机器学习方法结合起来，用于预测黄河流域典型粗砂地区的沉积物输运情况

《Journal of Hydro-environment Research》：Integrating statistical and machine learning approaches for sediment transport prediction in a typical coarse sandy region of the Yellow River Basin

亚利桑那州干湿地区基流指数（BFI）时空分异特征及机器学习预测模型研究，揭示BFI平均32%，高值区（>0.9）集中于科罗拉多高原喀斯特地貌区，低值区（<0.2）位于盆地与山脉低地，气候变化（降水减少、升温）和地表覆被（森林/草本比例）显著驱动BFI下降趋势，构建XGBoost模型可精准（R2=0.764）预测未测站BFI，为干旱区水资源管理提供新工具。

　　### 研究背景与意义

在地球的陆地表面中，干旱地区占据着重要的比例，涵盖了从干旱、半干旱、超干旱到干亚湿润等多种气候条件。这些地区不仅面积广阔，而且容纳了大约20亿人口，构成了最大的陆地生态系统之一。然而，干旱地区面临日益严峻的水文挑战，这些问题受到城市化、农业扩张以及气候变化对降水模式的加剧等多重因素的影响。随着气候变化的持续发展，这些地区的水资源短缺情况正变得愈发严重，特别是在地下水开采加剧的背景下，水文系统的脆弱性进一步凸显。因此，理解和预测干旱地区的地下水与地表水之间的相互作用对于水资源管理和适应气候变化策略具有重要意义。

在干旱地区，地下水是维持生态系统和人类生活的重要资源。由于地表水的季节性和不稳定性，地下水往往成为长期维持河流流量的关键因素。基流（Base Flow）指的是在没有径流的情况下，河流流量中持续的部分，主要来源于地下水的补给。基流指数（Base-Flow Index, BFI）是一种衡量基流在总流量中所占比例的指标，通常通过水文图的分离技术来计算。然而，由于监测站点的分布不均，许多未监测的流域（Ungauged Basins）缺乏基流数据，这限制了对地下水影响的全面理解。本研究旨在通过分析亚利桑那州的长期基流模式，并结合机器学习方法，预测未监测流域的基流指数，从而填补这一数据空白，为全球干旱地区的水资源评估提供新的视角。

### 研究区域与方法

亚利桑那州位于美国西南部，面积约为295,253平方公里，地理环境复杂，涵盖了科罗拉多高原（Colorado Plateau）和盆地与山脉（Basin and Range）两大地貌区域，以及两者之间的过渡带——中央高地（Central Highlands）。这种地貌多样性导致了该州在不同区域的水文条件存在显著差异。科罗拉多高原以高海拔沙漠和山地森林为主，平均海拔约为1936米，年降水量约为580毫米，而盆地与山脉地区则较低，平均海拔约490米，气候较为干燥，年降水量仅为200毫米左右。由于这些地区的水文特征各异，因此需要针对具体流域进行研究。

本研究采用美国地质调查局（USGS）提供的日观测流量数据，并结合多种数据源，包括降水、温度、参考蒸散发（ET_O）以及地貌和土地覆盖数据，以建立基流指数（BFI）的预测模型。通过使用递归数字滤波器（Recursive Digital Filter）进行基流分离，研究团队计算了205个监测站点的长期基流指数。为了提高模型的预测能力，研究团队采用了一种先进的机器学习算法——极端梯度提升（XGBoost），并结合地理和气候变量，以估算未监测流域的基流指数。此外，研究还分析了降水、温度和蒸散发等气候变量与基流趋势之间的关系，以评估气候变化对基流的长期影响。

### 基流的时空变化

研究结果表明，亚利桑那州的长期基流指数平均为0.32，意味着约32%的河流流量来源于地下水补给。这一数值在不同区域存在显著的空间差异。例如，格兰德峡谷（Grand Canyon）和莫戈隆边缘（Mogollon Rim）等地区显示出较高的基流指数，这些区域的地质特征（如裂隙岩层和喀斯特系统）促进了地下水向地表水的快速流动。而在干旱的低地，如迪法恩斯高原（Defiance Plateau）和南部地区，基流指数较低，这反映了这些地区地下水补给的不足以及高蒸发需求对基流的抑制作用。

时间趋势分析进一步揭示了基流的变化模式。研究发现，大部分监测站点的基流指数呈现下降趋势，特别是在受季风影响的流域、温暖干燥的气候区以及坡度较低的区域。这些趋势可能与气候变化引起的降水减少和温度上升有关。降水是影响基流指数变化的最强气候因素，而温度和蒸散发的变化则增加了这一过程的复杂性。总体而言，这些趋势表明亚利桑那州的水文系统对气候变化具有较高的敏感性，特别是在那些地下水依赖度较高的地区。

### 机器学习模型的应用与验证

为了预测未监测流域的基流指数，研究团队采用了一种基于XGBoost的机器学习模型。该模型通过使用流域特征作为预测变量，如海拔、土地覆盖类型和土壤类型，来估算年度基流指数。模型的验证结果显示，其预测能力较强，整体R2值达到0.764，表明模型在预测基流指数方面具有较高的准确性。然而，模型也表现出一定的系统性低估（negative pbias），特别是在季风主导和温暖干燥的流域中，这可能与模型中未考虑的变量有关，如土壤含水量、积雪持续时间和土地利用变化等。

研究团队还对不同分类组的模型性能进行了分析，包括气候分类（如温暖湿润和温暖干燥）、地貌区域（如盆地与山脉和科罗拉多高原）以及坡度分类（高坡度和低坡度）。结果显示，虽然在某些分类组中模型表现优异，但整体上仍存在改进空间。例如，在温暖干燥的分类组中，模型的pbias值达到-11.9%，表明该类流域的基流指数被低估。因此，未来的研究可以考虑引入更多的变量，如地下水深度、含水层特性以及人类活动的影响，以提高模型的预测精度。

### 基流预测与水文动态的关系

通过模型预测，研究团队还绘制了亚利桑那州8位水文单元代码（HUC 8）的长期基流指数分布图。结果显示，高基流指数主要出现在科罗拉多高原的上游流域，而低基流指数则集中在盆地与山脉地区的低地。这些空间变化模式与水文地质条件和降水梯度密切相关。例如，高降水地区的基流指数较高，这反映了地下水补给的充足。相反，低降水地区的基流指数较低，这表明地下水的补给受到限制。

此外，研究还发现，土地覆盖和土壤类型对基流指数具有显著影响。高森林覆盖率和高渗透性土壤（如土壤类型A）有助于维持较高的基流指数，而低植被覆盖和低渗透性土壤（如土壤类型C）则抑制了基流的形成。这些结果强调了土地利用和土壤特性在干旱地区水文动态中的重要性。因此，在进行水资源管理和气候适应策略时，需要综合考虑这些因素。

### 研究的局限性与未来方向

尽管本研究取得了显著成果，但仍存在一些局限性。首先，现有的监测网络在干旱地区的覆盖率较低，这限制了对基流动态的全面理解。其次，模型在某些特定区域的表现不佳，可能由于缺乏足够的数据或未考虑重要的水文变量。此外，气候变化和人类活动对基流的影响尚未完全量化，特别是在地下水开采加剧的背景下。

未来的研究可以进一步优化模型，引入更多变量以提高预测精度。例如，可以考虑加入地下水深度、含水层特性以及人类活动的影响，如地下水开采和土地利用变化。同时，研究还可以扩展到其他干旱地区，以评估该模型的普遍适用性。此外，通过整合更多的气候和水文数据，可以更全面地理解干旱地区的水文动态，并为水资源管理和气候变化适应策略提供科学依据。

### 结论

本研究通过分析亚利桑那州的长期基流指数模式，并结合机器学习方法，为干旱地区的水资源评估提供了新的视角。研究结果表明，亚利桑那州的基流指数平均为0.32，地下水对地表水的贡献显著，但存在较大的空间差异。模型的预测能力较强，但仍有改进空间，特别是在某些特定区域和分类组中。这些发现不仅有助于理解亚利桑那州的水文动态，也为全球干旱地区的水资源管理和气候变化适应策略提供了重要的参考。未来的研究应进一步优化模型，引入更多变量，并扩展到其他干旱地区，以全面评估地下水与地表水之间的相互作用及其对气候变化的响应。