利用地貌特征和随机森林算法对斯洛文尼亚喀斯特含水层系统的水文功能进行建模

《Journal of Hydro-environment Research》：Modeling hydrological functioning of karst aquifer systems in Slovenia using geomorphological features and random forest algorithm

干涸地区地下水-地表水关系研究：基于亚利桑那州机器学习模型的基础流指数时空分异与趋势分析，揭示地形、土地利用和降水对地下水贡献的驱动机制，为全球干旱区水文评估提供新方法。

　　在干旱地区，水资源的可持续管理是全球面临的重大挑战之一。美国亚利桑那州作为一个典型的干旱和半干旱地区，其独特的地理和气候条件使其成为研究地下水与地表水相互作用的重要案例。本文探讨了亚利桑那州的基流指数（Base-Flow Index, BFI）的空间分布模式、长期趋势以及通过机器学习方法预测未测流域的BFI，从而为水资源评估和气候变化适应策略提供科学依据。

### 亚利桑那州的地理与气候特征

亚利桑那州位于美国西南部，总面积约为295,253平方公里，涵盖了从高海拔的科罗拉多高原到低海拔的盆地与山脉地区，以及中间的中央高地过渡区域。这种多样的地貌和气候条件导致了亚利桑那州在水文和气候方面的显著差异。科罗拉多高原的平均海拔约为1936米，气候较为凉爽，年降水量约为580毫米。而盆地与山脉地区则具有较低的海拔，平均约为490米，气候以半干旱和干旱为主，年降水量约为200毫米。中央高地的地形和水文气候特征则介于两者之间，增加了该州的复杂性。

亚利桑那州的水文系统在季节和空间上表现出显著的差异。夏季，该地区受到北美季风的影响，出现局部且强烈的对流性降雨；冬季，则由太平洋锋面系统带来地形降雨。尽管季风降雨可以占年降雨量的50%，但由于蒸发和干旱前的土壤特性，大部分降雨转化为径流。因此，94%的亚利桑那州河流是间歇性或暂时性的，这使得对基流的直接观测和分析变得困难。

### BFI的定义与计算

基流指数（BFI）是衡量长期基流体积与总径流体积比例的指标，通常以百分比表示。BFI的计算依赖于基流分离技术，这使得其值受到所用方法的影响。本文采用了一种单参数递归数字滤波方法，这种方法在信号分析中用于区分高频的快速径流和低频的基流。虽然该方法缺乏物理基础，但由于其易于自动化、客观和可重复，适合于区域尺度的研究。

基流的分离过程通常包括对每日流量数据进行处理，以识别基流部分。通过这种技术，研究者能够获得每年的基流指数，并进一步计算长期的基流指数，即每个站点在记录期间的基流指数平均值。这种长期基流指数为评估地下水对地表水的贡献提供了重要的视角，特别是在气候变化和人类活动影响显著的区域。

### 数据与方法

为了研究亚利桑那州的基流指数，本文使用了美国地质调查局（USGS）的水文数据。选择的流速计需满足一定的标准，例如至少10年的记录长度，以确保数据能够反映气候的变异性。此外，排除了那些因缺少数据而无法进行有效分析的站点，以及那些受到明显人为调控影响的站点，如科罗拉多河流域的站点，因为它们的流量受到《科罗拉多河协定》的管理。

数据的选取不仅限于流速数据，还包括气候变量（如年降水量和温度）和地理特征（如海拔、坡度和土地覆盖类型）。为了提高模型的可解释性和减少计算负担，研究者对预测变量进行了降维处理，并利用SHAP（SHapley Additive exPlanations）值评估了每个变量对BFI预测的重要性。最终的模型使用了十个最重要的变量，以提高预测的准确性和效率。

### 机器学习模型的构建与验证

本文采用了一种先进的机器学习算法——极端梯度提升（XGBoost），以预测未测流域的BFI。XGBoost是一种梯度提升算法，通过构建决策树的集合，逐步修正前序树的误差，从而提高预测的准确性。模型的训练数据来自7724个站点的年基流观测值，每个观测值代表一个站点在特定年份的基流指数。

为了验证模型的性能，研究者使用了10折交叉验证方法，确保模型在不同数据子集上的稳定性和可靠性。模型的整体R2值为0.764，表明其在预测基流指数方面具有较高的准确性。然而，模型在某些分类中出现了系统性低估（负百分比偏差），特别是在季风主导和温暖干燥的气候条件下。这些偏差提示研究者在未来的模型优化中需要考虑更多的预测变量，以更好地捕捉区域内的复杂基流动态。

### 结果分析

通过分析仪器测站的基流指数，研究者发现亚利桑那州的基流指数存在显著的空间差异。高基流指数区域，如大峡谷和莫戈隆边缘，通常具有破碎的岩石、喀斯特系统和深层区域含水层，这些特征促进了地下水向地表水的排放。这些地区还受益于较高的地形降雨和森林景观，有助于水分的渗透和补给。

相反，低基流指数区域，如Defiance高原和南部亚利桑那州，往往具有浅层或不连续的地下水系统、较低的降水量和较高的蒸发需求，这些因素限制了基流的贡献。土地覆盖和土壤特性进一步调节了这些过程，高渗透性土壤和常绿森林更有利于持续的基流，而不透水表面和细粒土壤则抑制了基流。大峡谷区域的基流指数下降趋势与上游补给区向更干旱的河流段的过渡一致，突显了水文地质环境对基流动态的重要性。

### 气候趋势与基流变化

对仪器测站的基流指数趋势分析显示，该州大部分地区的基流指数呈现下降趋势，尤其是在季风主导、温暖干燥和低坡度流域。这些下降趋势可能反映了气候压力的加剧，提示这些地区对地下水枯竭和地表水短缺更为敏感。降水被确定为基流变化的最强驱动因素，而温度和蒸散发趋势则增加了复杂性。

值得注意的是，虽然温度与基流趋势之间存在一定的相关性，但这种影响可能被其他环境因素所缓和。这表明在干旱地区，综合考虑气候和土地管理策略对于保护依赖地下水的生态系统至关重要。此外，海拔被确认为最重要的预测变量，这一发现与以往在新西兰、澳大利亚和美国大陆其他地区的研究结果一致，进一步验证了其作为气候条件代理变量的有效性。

### 讨论与未来展望

现有的亚利桑那州水文观测网络在监测基流方面存在局限性，主要因为其设计和监测目标偏向于峰值流量而非低流量条件。虽然近年来USGS和其他机构增加了测站数量以满足监管需求，如《清洁水法》的要求，但这些测站大多关注于洪水检测，而非持续的基流监测。因此，未来的水文监测应更加注重低流量条件，以更好地理解基流的动态变化。

本文的机器学习模型在预测未测流域的基流指数方面表现出色，其整体R2值为0.764，表明模型在不同地理和气候条件下具有较强的泛化能力。然而，模型在某些区域仍存在系统性低估的问题，这提示研究者需要进一步优化模型，可能通过引入更多的预测变量或改进区域水文表征。例如，地下水特性（如含水层属性、地下水深度和泉密度）等变量可能对基流产生重要影响，但由于在研究区域内数据的缺乏，这些变量未能被纳入模型。

此外，模型的构建和验证过程也强调了时间变量的重要性，如积雪期长度、前一时期的土壤湿度和湿润指数。这些变量能够捕捉到气候变异对水文响应的滞后效应，从而提高基流指数预测的准确性。在水文条件受到人为干扰的地区，如地下水抽取或土地利用变化，引入这些数据将有助于更精确地模拟基流动态。

### 结论

综上所述，亚利桑那州的长期平均基流指数约为0.32，表明地下水对地表水流量的贡献显著，但存在较大的空间差异。通过机器学习模型，研究者成功预测了未测流域的基流指数，这为干旱地区的水资源评估和管理提供了重要的工具。然而，研究也揭示了现有水文观测网络的局限性，强调了在这些地区进行低流量监测的必要性。

此外，研究结果表明，降水是影响基流变化的最强驱动因素，而温度和蒸散发则增加了复杂性。这些趋势突显了亚利桑那州水文系统对气候变异性高度敏感，预示着在未来的气候变化情景下，地下水依赖型生态系统可能面临更大的脆弱性。因此，本文不仅为亚利桑那州的水资源管理提供了科学支持，也为全球其他干旱和半干旱地区的类似研究提供了借鉴。

最后，本文的机器学习框架在数据稀缺的干旱地区具有广泛的适用性，特别是在水文条件受到气候变化和土地利用变化影响的地区。通过结合长期基流趋势分析和XGBoost模型，研究者为理解和预测地下水与地表水之间的相互作用提供了一个可转移的框架，有助于制定更有效的水资源管理和气候适应策略。