陆地水循环的加速与减速：非二元性及时空差异

《Earth's Future》：Terrestrial Water Cycle Acceleration-Deceleration: Non-Binary and Space-Time Divergent

水循环变化研究：基于全球3614个集水区的观测数据和机器学习模型，量化了降水、径流和蒸散发近40年（1980-2020）的变化。结果显示51%的集水区或土地面积呈现两通量加速/减速反向组合，27.5%完全减速，21.5%完全加速。时空异质性显著，挑战了空间替代时间方法的有效性，验证了机器学习模型在跨时空分析中的潜力。

　　本研究通过使用观测数据和机器学习模型，分析了全球陆地水循环中降水、径流和蒸散发等主要水文过程的变化趋势及其组合。研究时间跨度从1980年至2020年，覆盖了3,614个水文流域，这些流域分布在除南极洲以外的所有大洲。此外，研究还与四组全球数据集进行了比较，这些数据集涵盖了1,561个流域，时间范围为1980年至2010年。研究发现，这些水文过程的变化并非简单的加速或减速，而是呈现出复杂多样的组合模式，包括两个过程加速而第三个减速，或者相反的情况。这一发现对理解全球水循环的动态变化以及其对社会和生态系统的影响具有重要意义。

水循环的加速或减速通常被理解为一种二元变化模式，但本研究显示，这种观点并不全面。事实上，全球陆地面积中，只有约20%到28%的流域经历了所有三个水文过程的同步加速或同步减速。大多数流域呈现出两者的加速或减速与第三者的相反变化。例如，51%±7%的流域或陆地面积（基于数据集a和b）以及56%±4%的流域或陆地面积（基于数据集c）中，两个水文过程呈现出加速或减速，而第三个则相反。这种复杂的变化模式表明，传统的“空间对时间”替代方法在处理时间变化时可能不够适用，因为空间变化和时间变化的驱动因素和影响机制存在显著差异。

研究还强调了不同数据集和模型对水文变化的描述可能存在差异，这些差异不仅体现在变化的方向上，还体现在变化的幅度上。例如，某些数据集可能显示降水的减少，而另一些则显示其增加。这种差异可能源于数据来源的不同，以及模型在不同区域的适用性。研究进一步指出，这些变化的不确定性需要通过综合多个数据集和模型的分析来评估。机器学习模型的引入，使得这种复杂性得到了更精确的量化和解释。

为了提高对时间变化的建模能力，研究采用了多种机器学习算法，并结合了不同类型的解释变量，包括水文气候变量、地形变量、土地利用/覆盖变量、土壤变量以及人类活动相关的变量。通过评估这些变量的组合效果，研究发现最佳的模型组合包括基本的水文气候变量（如降水、温度、短波辐射和相对湿度）、地形变量（如平均坡度）以及土地利用/覆盖变量（如叶面积指数）。这些变量共同作用，对径流变化和蒸散发变化具有重要影响。研究还表明，虽然增加更多的解释变量可能会提升模型的性能，但同时也可能引入更大的不确定性，因此需要在变量选择上进行权衡。

模型解释方面，研究采用了Shapley值技术，以量化各个解释变量对径流变化的边际贡献。结果表明，降水的变化（ΔP）及其季节性变化（ΔP_amp）以及平均短波辐射（ΔISW）是径流变化的主要气候驱动因素。降水的增加与径流的增加之间存在正相关，而短波辐射的减少则与径流的减少相关。这表明，降水的变化是影响径流变化的首要因素，而其他变量如相对湿度和叶面积指数的变化也对径流变化具有显著影响。此外，研究还发现，土地利用/覆盖的变化，如叶面积指数的变化，是影响蒸散发变化的重要因素。随着气候变化和人类活动的加剧，土地利用变化对水文过程的影响变得越来越显著。

研究还分析了全球范围内的水文过程变化趋势。结果表明，全球平均来看，降水呈现轻微的减少趋势（ΔP = -21.5 mm/year），而径流则呈现轻微的增加趋势（ΔR = +10.1 mm/year），蒸散发则呈现显著的减少趋势（ΔE = -31.5 mm/year）。然而，这些趋势在不同区域表现出高度的异质性。例如，在热带地区，降水的减少与径流的增加和蒸散发的减少呈现出相反的变化方向；而在温带和极地地区，降水的减少与径流的减少和蒸散发的减少则趋于一致。这种异质性表明，水文过程的变化不仅受到全球气候变化的影响，还受到局部地形、土地利用和人类活动的深刻影响。

在区域层面，研究进一步揭示了不同水文过程变化的组合模式。例如，在约58%的非重叠流域中，降水、径流和蒸散发的变化呈现出两种过程加速而第三种减速的模式，而在51%的流域或陆地面积中，这种模式也占主导地位。此外，研究还指出，全球范围内的水文变化趋势在不同数据集和模型之间存在显著差异，这表明对水文变化的理解仍存在较大不确定性。这些不确定性可能源于局部水文变化的复杂性和多样性，以及不同模型对这些变化的捕捉能力不同。

研究还强调了空间平均和时间平均之间的差异。例如，某些数据集可能显示降水的减少趋势，而另一些则显示其增加。这种差异可能反映了空间平均和时间平均在描述水文变化时的不同侧重点。空间平均更关注大尺度的水文变化，而时间平均则更关注局部变化的动态过程。因此，在解释水文变化时，需要明确区分空间和时间尺度，以及不同数据集的适用性。

此外，研究还探讨了水文变化与气候和人类活动之间的关系。例如，降水的变化与温度变化和相对湿度变化之间存在复杂的相互作用，而土地利用/覆盖的变化则对蒸散发和径流的变化产生显著影响。研究还指出，某些地区的变化趋势可能与全球气候变化趋势相悖，这表明水文变化的驱动因素是多方面的，包括自然因素和人为因素。

研究还评估了不同模型在预测水文变化方面的性能。结果表明，尽管某些模型在空间变化预测方面表现良好，但在时间变化预测方面却存在较大差距。例如，空间模型在预测径流变化时的R2值为0.33，而时间模型的R2值为0.56，表明时间模型在捕捉水文变化的动态过程方面具有更高的准确性。此外，研究还发现，机器学习模型的集成方法（如LASSO）在预测水文变化方面表现优于单一模型，这表明模型的组合和多样性在提高预测精度方面具有重要作用。

总体而言，本研究揭示了全球水循环变化的复杂性和多样性。降水、径流和蒸散发的变化并非简单的二元模式，而是呈现出多种组合形式。这种复杂性挑战了传统的“空间对时间”替代方法的适用性，同时也表明，针对水文变化的建模和预测需要更精细的模型和数据。研究提出的机器学习模型集成方法为解决这一挑战提供了新的思路，也为未来研究提供了重要的工具和框架。此外，研究还强调了对水文变化的准确理解和量化对社会和生态系统的保护和适应具有重要意义，因此需要进一步加强相关领域的研究和数据收集。