通过使用具有空间非连续采样的波纹传播网络，从高光谱图像中量化城市河流的水质变化

《Journal of Hydro-environment Research》：Quantify water quality variation of urban river from hyperspectral images through ripple propagation network with spatially inconsecutive sampling

亚利桑那州干旱区的水文研究显示，长期平均基础流指数（BFI）为32%，空间分布与地形、气候及土地利用密切相关。研究采用XGBoost机器学习模型，基于8位水系单元代码（HUC-8）整合气候、地形和土地覆盖数据，成功预测未测站BFI（R2=0.764），揭示降水是BFI时空变化的主因，而温度和蒸散发加剧了区域差异。数据显示，科罗拉多高原高BFI区与 karst 地质及高渗透土壤有关，而低BFI区多位于盆地与山脉低洼地带，存在显著年际下降趋势（16.1%站点），尤其受暖干气候和低坡度地形影响。研究成果为干旱区地下水评估提供了可扩展的模型框架。

　　在干旱地区，水资源的获取和管理一直是重要的挑战。本研究聚焦于美国西南部的亚利桑那州，这是一个具有显著气候、地形和水文地质差异的干旱地区。亚利桑那州覆盖面积约为295,253平方公里，包含了两个主要的地形区域：东北部的科罗拉多高原和西南部的盆地与山脉省，以及中间的中央高地过渡区。这种地形和气候的多样性导致了该地区水文条件的显著变化。科罗拉多高原以高海拔沙漠和山地林地为主，平均海拔约为1936米，年降水量约为580毫米。相比之下，盆地与山脉省的海拔较低，平均为490米，具有半干旱到干旱的气候，年降水量平均为200毫米。科罗拉多高原的冬季积雪融化是该地区许多河流的重要水源，尽管冬季降水仅占年降水量的30%，但提供了大部分自然水库的水量。

本研究利用美国地质调查局（USGS）的流速数据，结合多种气候和地形变量，对亚利桑那州的基流指数（BFI）进行了长期趋势分析，并开发了一个预测模型，用于估算未监测流域的BFI值。基流指数是衡量长期基流体积与总流量体积比值的指标，以百分比形式表示。BFI的计算依赖于基流分离技术，通常使用递归数字滤波器等方法。本研究采用了单参数递归数字滤波器技术，该方法已被广泛应用于多个研究中，具有较强的可重复性和客观性。

为了评估BFI的变化趋势，研究团队分析了亚利桑那州205个USGS水文监测站的长期数据，结合了降水、温度和参考蒸散发（ET?）的变化趋势。结果显示，降水是影响BFI变化的最强气候因素，而温度和蒸散发则增加了复杂性。值得注意的是，降水的减少与BFI的下降趋势密切相关，尤其是在受季风影响的流域、温暖干燥的气候区以及低坡度的流域中，这种趋势尤为明显。这些结果表明，气候变化对亚利桑那州的水文系统产生了显著影响，特别是在水资源紧张的地区。

研究团队使用了极端梯度提升（XGBoost）算法来预测未监测流域的BFI值。XGBoost是一种基于决策树的集成学习方法，能够通过不断迭代来优化预测精度。在模型训练过程中，团队利用了多种预测变量，包括气候数据、地形特征和土地覆盖类型等。通过SHAP（SHapley Additive exPlanations）方法评估了各预测变量的重要性，发现流域海拔是最关键的预测因子，这与之前的BFI研究结果一致。此外，土地覆盖类型和土壤特性也对BFI预测产生了显著影响，例如，高比例的常绿森林对BFI有积极影响，而高比例的草地和开发用地则有负面影响。土壤类型C由于较高的径流潜力，对BFI有负面影响，而土壤类型A由于其较低的径流潜力和良好的水分渗透能力，对BFI的影响较为复杂。

模型的性能评估显示，XGBoost在预测BFI方面表现出色，整体R2值为0.764，表明其在捕捉BFI变化方面具有较高的准确性。然而，模型在某些特定区域（如受季风影响和温暖干燥的流域）存在系统性低估的问题，这提示未来可能需要引入更多预测变量或优化区域水文表示来提高模型的性能。此外，模型还展示了在不同分类下的表现，例如，暖干气候区的BFI预测误差较大，这可能与该区域的高蒸发需求和低降水量有关。

研究结果还揭示了亚利桑那州BFI的空间分布模式。高BFI值主要出现在科罗拉多高原和格兰德峡谷区域，这些地区由于裂隙岩层、喀斯特系统和深层区域含水层的存在，地下水向地表水的排放较为显著。相反，低BFI值则出现在如Defiance高原和南部亚利桑那州这样的干旱低地，这些地区的地下水系统较为浅层或不连通，降水量低，蒸发需求高，导致基流贡献有限。土地覆盖和土壤特性进一步影响了这些过程，高渗透性土壤和常绿植被更有利于基流的持续，而不透水表面和细粒土壤则抑制了基流的形成。

此外，研究还分析了长期BFI变化趋势与气候变量之间的关系。结果显示，降水变化与BFI趋势的匹配率最高，约为53.17%，表明降水对基流的直接影响较大。温度和蒸散发趋势则表现出与BFI趋势相反的关系，即温度升高通常伴随着BFI的下降。这表明，尽管温度对基流的影响可能受到其他环境因素的调节，但整体上，温度变化仍然是影响基流的重要因素之一。

在讨论部分，研究团队指出，亚利桑那州现有的水文监测网络在监测基流方面存在一定的局限性。尽管近年来监测站点数量有所增加，但许多站点主要关注峰值流量监测，而非低流量条件下的基流研究。此外，一些非USGS的监测系统（如ALERT系统）主要针对洪水检测，而非持续的基流监测。因此，为了更全面地了解基流动态，有必要在低流量条件下增加监测站点的覆盖范围。

本研究的成果不仅适用于亚利桑那州，也为全球其他干旱和半干旱地区的水资源管理提供了新的思路。通过结合长期基流趋势分析和机器学习建模，研究团队建立了一个可转移的框架，用于理解地下水与地表水之间的相互作用。这种方法特别适用于数据稀缺的干旱地区，能够有效弥补传统监测手段的不足，为水资源评估和气候适应策略提供支持。然而，模型的泛化能力也受到区域水文地质条件的限制，因此在不同地区应用时可能需要调整预测变量和模型结构。

研究还指出，未来的研究可以进一步探索基流变化的驱动因素，包括地下水开采、土地利用变化和水库运行等人为因素。这些因素在水文系统中起着重要作用，尤其是在已经受到人类活动影响的流域。因此，整合这些数据对于更准确地预测基流变化至关重要。此外，引入时间变量（如积雪持续时间、前汛期土壤湿度和湿润指数）也有助于提高模型的预测能力，特别是在捕捉气候变化对水文系统的滞后响应方面。

总体而言，本研究为理解亚利桑那州及类似干旱地区的地下水与地表水相互作用提供了新的视角。通过长期基流趋势分析和机器学习模型的结合，研究团队不仅揭示了基流的空间分布和时间变化，还为未来水资源管理和气候变化适应策略提供了重要的数据支持和分析框架。这些成果对于干旱地区的可持续发展具有重要意义，尤其是在面对日益加剧的水资源紧张和气候变化带来的挑战时。