基于GRACE模型的热带地区地下水可持续性分析

《Journal of Hydro-environment Research》：GRACE-based analysis of groundwater sustainability in the tropics

本研究针对亚利桑那州干旱地区，利用XGBoost机器学习模型预测未量测流域的基础流指数（BFI），结合长期观测数据揭示BFI的空间分布与气候变化、地形的关系，发现BFI总体呈下降趋势，尤其在夏季多雨和低坡度区域显著。

　　### 江西干地水资源研究：基于机器学习的基流指数（BFI）分析

#### 引言

干地地区是全球重要的水资源研究区域，覆盖了地球上约40%的陆地面积，包括干旱、半干旱、极端干旱和干半湿润系统。这些地区不仅承载着大量的自然生态系统，还居住着约20亿人口，构成了地球上最大的陆地生态系统之一。然而，随着城市化进程加快、农业活动扩展以及气候变化加剧了降水模式的变化，干地地区的水文挑战日益严重。水资源的稀缺性进一步受到气候变化和地下水过度开采的双重影响，这使得干地地区水资源管理面临巨大压力。

基流是河流流量中不受降水直接影响的持续部分，主要来源于地下水的补给。基流在维持季节性低流量、支持水生生态系统以及促进营养和化学物质的输送方面起着关键作用。然而，由于干地地区缺乏足够的监测站点，基流的精确评估变得尤为困难。此外，基流的时空变化性也使得其在不同区域表现出显著差异。随着地下水开采的增加和土地利用变化，基流的时间和水量受到影响，这进一步加剧了水资源的不确定性。

为了更全面地理解干地地区的地下水动态，有必要利用先进的分析方法来填补数据空白。基流指数（BFI）作为一种标准化的指标，用于衡量地下水对河流流量的贡献比例，是评估基流变化的重要工具。然而，BFI的计算通常依赖于仪器监测数据，因此在缺乏观测数据的地区，这一指标难以直接获取。为此，本研究采用机器学习方法，结合区域内的水文和气候变量，构建了一个预测模型，以估算干地地区未观测流域的BFI值。这不仅有助于更深入地理解地下水与地表水的相互作用，也为全球其他数据匮乏的干地地区提供了可复制的水文分析框架。

#### 方法

##### 研究区域

本研究聚焦于美国西南部的亚利桑那州，该州总面积约为295,253平方公里，地形和气候条件差异显著。亚利桑那州分为两个主要的地形区：东北部的科罗拉多高原和西南部的盆地与山脉地区，以及两者之间的中央高地。科罗拉多高原的平均海拔为1936米，年降水量约为580毫米，而盆地与山脉地区的平均海拔仅为490米，年降水量则低至200毫米。这种地形和气候的多样性导致了亚利桑那州水文条件的显著变化。

##### 数据来源

本研究使用了美国地质调查局（USGS）的国家水文信息系统（NWIS）提供的每日观测河流流量数据。为了确保数据的适用性，选取的站点需满足至少10年的记录长度，并排除那些存在超过30天数据缺失的站点。此外，直接位于主要调节设施（如水库、湖泊和分流点）下游的站点也被排除，因为这些站点的流量受人为管理影响较大。最终，本研究涵盖了205个符合标准的USGS水文站点，这些站点的记录长度范围从10年到112年，中位数为28年。

为了提高模型的准确性，我们还收集了其他关键数据，包括年降水量、年平均温度、参考蒸散发（ET_O）、流域面积、流域坡度以及不同土地覆盖类型。这些数据均来源于不同的地理信息系统（GIS）和遥感数据集，如PRISM气候数据集、TerraClimate数据集、USGS国家高程数据集（NED）以及美国国家土地覆盖数据库（NLCD）。通过将这些变量与流域边界对齐，我们能够更精确地预测BFI，从而更好地理解流域内的水文变化。

##### 基流分离

由于基流是地下水对河流流量的贡献，其计算通常依赖于基流分离技术。基流分离是一种将快速流量（quickflow）和慢速流量（base flow）分开的过程，不同的方法在不同条件下适用。本研究采用了一种单参数递归数字滤波方法，该方法基于信号分析中的递归数字滤波技术，能够有效地分离出高频和低频流量信号。尽管这种方法缺乏物理基础，但由于其易于自动化、客观性和可重复性，非常适合区域尺度的基流分析。

本研究中，基流指数（BFI）分为两种类型：年度BFI和长期BFI。年度BFI反映了基流的年度变化，而长期BFI则是年度BFI的平均值，代表了地下水对河流流量的长期影响。通过使用这种分离方法，我们能够更准确地计算出每个站点的基流贡献比例，并进一步分析其变化趋势。

##### 机器学习模型

为了预测未观测流域的BFI值，我们采用了eXtreme Gradient Boosting（XGBoost）算法。XGBoost是一种基于决策树的梯度提升算法，能够通过迭代纠正前一步骤的误差，从而提高预测精度。本研究使用XGBoost模型对205个水文站点的年度BFI数据进行训练，最终预测了亚利桑那州所有HUC 8流域的长期BFI值。

在模型训练过程中，我们对多个模型配置进行了测试，包括使用全集预测变量的模型、针对不同地形区的独立模型以及简化后的预测变量集合。通过SHAP（SHapley Additive exPlanations）值评估特征的重要性，我们选择了十个最重要的特征用于简化模型。这些特征包括流域平均海拔、土地覆盖类型、土壤类型、参考蒸散发、降水和温度等。简化模型在预测精度和效率方面均优于全集模型和区域模型，这表明其在实际应用中具有更强的泛化能力。

为了验证模型的性能，我们采用了10折交叉验证方法。在每一轮验证中，模型使用90%的数据进行训练，剩余的10%用于测试，直到所有数据都被用于验证。模型的主要性能指标包括R2值、均方误差（MSE）和均方根误差（RMSE）。结果显示，XGBoost模型在所有分类中表现出良好的预测能力，其整体R2值为0.764，均方根误差为0.129，百分比偏差为-5.6%。

#### 结果

##### 观测到的BFI

亚利桑那州205个观测站点的长期BFI值平均为0.32，表明地下水对河流流量的贡献比例约为32%。在高BFI区域，如格兰德峡谷和莫戈隆边缘，基流贡献较高，这可能与喀斯特地质结构、深部区域含水层以及高海拔地形有关。这些地区通常具有较高的地形降水和森林覆盖，有利于地下水的补给和流动。相反，在低BFI区域，如迪费恩斯高原和亚利桑那州南部，基流贡献较低，这可能与浅层地下水系统、低降水量以及高蒸散发需求有关。

##### 未观测流域的BFI预测

通过XGBoost模型，我们预测了亚利桑那州所有HUC 8流域的长期BFI值。预测结果显示，高BFI值主要出现在格兰德峡谷走廊和莫戈隆边缘，而低BFI值则分布在迪费恩斯高原和亚利桑那州南部。这些空间变化模式与地形区和降水梯度密切相关，上游的永久河流通常具有较高的BFI值。此外，模型预测的BFI值与观测数据之间的相关性较高，显示出良好的预测能力。

##### 特征重要性分析

在XGBoost模型中，特征的重要性通过SHAP值进行评估。结果显示，流域平均海拔是预测年度BFI的最关键因素，尽管它本身并不直接影响基流特性，但可以作为降水、温度和积雪持续时间等气候变量的代理。其他重要特征包括土地覆盖类型和土壤类型，其中高比例的常绿森林对BFI预测有正向影响，而高比例的草本植被和已开发土地则有负向影响。土壤类型A（低径流潜力，促进快速入渗）对BFI的影响较为复杂，而土壤类型C（中等高径流潜力）则对BFI有负面影响。

#### 讨论

##### 当前水文监测网络的局限性

亚利桑那州的现有水文监测网络在基流分析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，但这些站点主要关注峰值流量监测，而非低流量条件，这对基流研究至关重要。此外，许多非USGS的监测站点（如ALERT系统）主要用于洪水检测，而非监测持续的基流。虽然最近的USGS安装努力在改善低流量监测能力，但整体上仍存在不足。

##### 基流空间分布与环境因素的关系

基流的空间分布反映了不同的水文地质和气候驱动因素。高BFI区域通常具有裂隙岩层、喀斯特系统和深部区域含水层，这些因素促进了地下水向地表水的排放。同时，这些区域往往受益于高地形降水和森林景观，有助于地下水的补给和流动。相比之下，低BFI区域如迪费恩斯高原和亚利桑那州南部，由于浅层地下水系统、低降水量和高蒸散发需求，基流贡献有限。土地覆盖和土壤特性进一步调节了这些过程，高入渗土壤和永久植被更有利于基流的持续，而不透水地表和细粒土壤则抑制了基流。

##### 基流趋势与气候变量的关系

对观测站点的基流趋势分析显示，大多数站点的长期BFI值呈现下降趋势，尤其是在受季风主导的降水系统、温暖干燥的气候和低坡度流域中。这些下降趋势可能反映了气候变化带来的压力，特别是降水减少和蒸发需求增加。降水被确定为基流变化的主要驱动因素，而温度和蒸散发趋势则增加了变化的复杂性。温度对基流趋势的影响较弱，表明其作用受到其他环境因素的调节，强调了在保护地下水依赖生态系统时需要综合考虑气候和土地管理策略。

##### 未来研究方向

尽管本研究取得了显著成果，但仍有进一步改进的空间。例如，可以考虑引入更多与地下水资源相关的变量，如含水层特性、地下水深度和泉密度。此外，时间变量如积雪持续时间、前兆土壤湿度和湿润指数，也可以帮助捕捉基流对气候变化的滞后响应。在地下水开采和土地利用变化显著的地区，纳入人类活动的影响因素将有助于更准确地预测基流变化。这些改进需要在特定区域进行数据处理和验证，以确保模型的适用性和准确性。

#### 结论

亚利桑那州的长期平均BFI值约为0.32，表明地下水对地表水的贡献显著，但存在较大的空间差异。XGBoost模型在预测未观测流域的BFI值方面表现出色，其整体R2值为0.764，显示出良好的预测能力。高BFI区域如格兰德峡谷和莫戈隆边缘，显示出强大的地下水-地表水相互作用，而低BFI区域如迪费恩斯高原和亚利桑那州南部则反映出地下水贡献有限。

对基流趋势的分析表明，该地区基流值整体呈下降趋势，尤其是在受季风影响、温暖干燥和低坡度的流域中。降水被确定为基流变化的主要驱动因素，而温度和蒸散发则增加了变化的复杂性。这些趋势强调了亚利桑那州水文系统对气候变化的敏感性，并表明在未来的气候情景下，地下水补给可能面临更大的挑战。

本研究还揭示了亚利桑那州当前水文监测网络在监测基流过程方面的局限性，表明需要在该地区加强低流量监测设备的投入。此外，本研究展示的机器学习框架在其他数据匮乏的干地地区具有广泛的适用性，为水资源管理和气候适应策略提供了有价值的工具。通过提高对地下水-地表水相互作用的理解，特别是在气候变化条件下，本研究为解决干旱和半干旱地区的水文不确定性做出了重要贡献。