多变量约束下印度河流域水文与冰冻圈模拟：GESSI-3/ESSI-3与CNN–LSTM框架首次对比评估

《Geoscience Frontiers》：Advancing hydrological and cryospheric simulations in Indus River Basin: First comparative evaluation of GESSI-3/ESSI-3 and a CNN–LSTM deep learning framework

　　

冰川补给河流系统的水文模型对评估气候影响至关重要，但常规单变量校准（通常仅依据径流）可能掩盖关键气候敏感性与内部动态。为应对这一问题，研究人员在气候多样化的印度河流域（Indus River Basin, IRB）开展了基于过程与深度学习水文模型的首次多变量、全流域评估。使用相同气象强迫，研究人员将GESSI-3和ESSI-3模型与混合CNN–LSTM框架的性能进行比较，并利用2001—2024年径流、蒸散发（evapotranspiration, ET）、陆地水储量（terrestrial water storage, TWS）异常和冰川质量平衡（glacier mass balance, GMB）的独立观测对输出进行验证。结果表明，CNN–LSTM模型更一致地再现观测变率，尤其是在季节极端、高流量事件和水文储量快速变化期间。多变量分析揭示，径流变率主要受温度驱动，即使在受季风影响的下游流域也是如此；TWS的持续下降与持续增暖和长期储量耗竭相一致。该研究表明，依赖仅径流评估可能掩盖关键气候驱动转变，而纳入冰冻圈和水文约束可显著增强对大型冰川补给跨界流域气候变化影响的评估。

研究背景与目的：依赖雪冰融水的山区河流流域是气候脆弱的水文系统，增暖不仅改变径流大小，也改变其时序、变率和储量动态。IRB集冰川与季节性积雪融水、季风降雨、强烈地下水开采和人类流量调节于一体，上游印度河流域（Upper Indus Basin, UIB）为冰冻圈主导，下游印度河流域（Lower Indus Basin, LIB）常被视为季风驱动；但这种二分法可能掩盖温度驱动过程对径流和蒸散发（evapotranspiration, ET）的影响，且TWS反映冰冻圈变化、水文气候变率和人类用水综合效应。现有建模多依赖径流校准与评估，径流作为综合信号可能造成ET、TWS和冰川质量平衡（glacier mass balance, GMB）等分量过程的补偿误差，因而模型可能准确模拟径流却误代表水收支和气候敏感性。为此，Zahoor Ahmad等开展IRB全流域、多变量比较评估，以判断多变量评估是否改变仅径流评估结论、量化温度和降水在径流变率中的相对作用，并评估模拟水文响应与观测冰冻圈和储量变化的一致性。该论文发表于《Geoscience Frontiers》。研究使用相同气象强迫比较GESSI-3/ESSI-3与混合CNN–LSTM，并以径流、ET、TWS异常和GMB独立观测验证，得出CNN–LSTM更一致再现观测变率、径流变率主要受温度驱动、TWS持续下降与增暖和长期储量耗竭一致的结论；其意义在于表明仅径流评估会掩盖关键气候驱动转变，纳入冰冻圈和水文约束可强化大型冰川补给跨界流域气候变化影响评估。

关键技术方法：采用相同气象强迫，以GESSI-3/ESSI-3基于物理过程的分布式水文模型与混合CNN–LSTM深度学习框架对比；过程模型以36个水文站日径流校准，2001—2016年校准、2017—2024年验证，并用GLDAS ET、GRACE/GRACE-FO（CSR、JPL）TWS异常及GMB参考数据评估。CNN–LSTM以降水、温度、雪深、冰川掩膜、高程、坡度、土地覆盖和土壤属性等栅格预测因子训练，按70%/15%/15%划分，网格搜索学习率、批大小和LSTM单元数，采用dropout与早停。用STL–LSTM重建GRACE类TWS异常，并以流量历时曲线和水文过程线诊断。观测来源包括PMD 59个站、WAPDA与PMD 36个水文站、GLDAS、GRACE/GRACE-FO及GMB参考数据。

研究结果：
4.1 水文变量上的模型性能比较（Comparative model performance across hydrological variables）：通过径流、ET、TWS和GMB四类变量统计对比，CNN–LSTM总体优于GESSI-3/ESSI-3；UIB径流纳什效率系数（Nash–Sutcliffe efficiency, NSE）0.89对0.69，百分比偏差（percent bias, PBIAS）?3.61%对11.21%；LIB NSE 0.87对0.76，PBIAS ?0.27%；ET的NSE为0.89对0.71/0.67；TWS异常相关系数（correlation coefficient, CC）达0.94—0.96、NSE 0.87—0.93；GMB的CC为0.987—0.993、偏差<5%，GESSI-3的CC约0.88、偏差8%—10%。
4.2 印度河流域径流动态（Runoff dynamics across the IRB）
4.2.1 UIB径流情势（Runoff regime in the UIB）：通过日与季节径流模拟及温度—降水相关分析，UIB呈雪融主导情势（nival regime），冬季流量79.55 m³/s、夏季峰值12897.86 m³/s、JJA 4458.78 m³/s；径流与温度强正相关、与降水弱相关，CNN–LSTM更准确刻画温度—径流耦合。
4.2.2 LIB径流情势（Runoff regime in the LIB）：通过日与季节径流及相关分析，LIB为季风降水叠加滞后上游融水的混合情势，季风峰值超过26750 m³/s、冬季约570 m³/s、JJA 11055 m³/s；即使受季风影响，模拟径流与温度相关仍强于降水，CNN–LSTM更好捕捉季风峰值量级和时序。
4.3 冰冻圈与降雨来源对径流贡献（Contribution of cryospheric and rainfall sources to runoff）：通过两模型季节和年贡献分解及趋势分析，冬季雪融+降雨主导，夏季冰川融水成为主要来源；两模型均显示冰川贡献多年代际增强，SON趋势最强（GESSI-3斜率2.55、R²=0.813；CNN–LSTM斜率2.53、R²=0.856），雪雨贡献趋势较弱。
4.4 蒸散发动态（Evapotranspiration dynamics）：通过GLDAS ET对比，UIB ET受能量限制呈强季节循环（1.6至35 mm/yr），LIB ET受季风驱动（1.87至7.36 mm/yr）；CNN–LSTM更吻合GLDAS，过程模型呈正偏差和较小季节振幅。
4.5 TWS变率（TWS variability）：通过GRACE/GRACE-FO TWS异常对比，IRB TWS持续下降；CNN–LSTM与GRACE异常更一致，UIB平均差?0.36至+0.29 cm、标准差1.0—1.4 cm，LIB平均差?0.36至+0.24 cm、标准差0.9—1.3 cm；过程模型存在系统干偏差。
4.6 冰川质量平衡变率（Glacier mass balance variability）：通过与独立GMB参考数据对比，UIB GMB呈高年际变率，2005年约+0.14 m水当量（m water equivalent, m w.e.），2007—2010年最低?1.25至?1.32 m w.e.；CNN–LSTM重现瞬变事件，GESSI-3高估损耗至?1.30至?1.35 m w.e.；两模型均再现2010年后部分恢复和2022—2023年负平衡。
4.7 流量历时曲线（Flow Duration Curve, FDC）分析
4.7.1 UIB的FDC表现（FDC performance in the UIB）：通过15站年与季节FDC，高流量（超越概率<10%）约1000—6000 m³/s，CNN–LSTM捕捉空间差异和高值，GESSI-3低估；低流量（>40%）<100 m³/s时CNN–LSTM更接近；DJF低流量<200—400 m³/s均较好，MAM 600—1000 m³/s时CNN–LSTM占优，JJA 3000—6000 m³/s时GESSI-3低估，SON 500—1200 m³/s时二者趋同。
4.7.2 LIB的FDC表现（FDC performance in the LIB）：通过21站FDC，峰值达20000—35000 m³/s，CNN–LSTM更好再现上尾，ESSI-3低估极端流量；低流量<200—400 m³/s二者均满意；DJF <300—500 m³/s均较好，MAM 1000—3000 m³/s时ESSI-3偏离增大，JJA >20000—35000 m³/s时ESSI-3低估，SON 5000—10000 m³/s时二者趋同。

讨论部分总结：温度驱动的冰冻圈动态及相关储量变化构成IRB水文变率的主导控制；径流、ET、TWS和GMB整合分析可揭示单变量评估无法捕捉的系统尺度关系，并提供可迁移的冰川—积雪补给流域诊断框架。温度在UIB和受季风影响的LIB均组织径流情势，雪冰储存缓冲短期降水波动而放大持续增暖响应，降水—径流解耦意味着仅基于降雨的预估可能低估未来水文变化。过程模型与CNN–LSTM在相同强迫和相同基准下比较，性能差异主要反映模型架构和过程表达差异；CNN–LSTM更好再现极端和TWS，说明流域响应受温度、融水和地下储存间强非线性相互作用调节，其价值不仅是预报工具，也是诊断复杂山区流域水文气候敏感性的互补框架。TWS下降指示气候驱动储量耗竭，并可能受季风降水和地下水开采调节；ET、TWS和GMB的一致行为强化了储量与通量动态变化的解释；GMB趋势与高山区加速质量损失认识一致。水规划应优先考虑温度驱动变化，适应策略需关注融水时序、季节储量释放和下游对上游冰冻圈变化的持续敏感性，该框架适用于数据稀缺跨界流域气候影响评估。

研究结论翻译：本项研究证实，仅依赖径流诊断评估大型冰川补给河流系统的气候敏感性存在关键局限。通过在流域尺度整合径流、ET、TWS和GMB，研究人员证明IRB水文情势强烈受温度强迫的冰冻圈动态及相关储量变化影响。该范式将流域重新定义为完全耦合的气候—水文系统，并从根本上挑战其上、下游传统水文划分，表明水循环比先前认识更受热力学控制。系统模型比较揭示基本依赖性：气候影响的概念化本质上受模型架构约束。CNN–LSTM框架在多项指标上的优势（从LIB峰值流量到UIB GMB）表明，能够解析热强迫、融水生成和地下储存之间非线性耦合的框架，可产生对流域尺度水文响应对人为增暖的更一致预估。除这些进展外，关键不确定性仍存在，主要与高山区观测稀疏、深度学习输出的现象学性质以及临界增暖阈值（如1.5 °C、2.0 °C）下未解决的响应有关，需后续靶向研究。最终，本工作确立，在脆弱跨界流域开展稳健水安全评估需要基于系统的方法，整合多种水文和冰冻圈约束，而非仅依赖流量指标。此处建立的方法框架为非稳态气候条件下未来水文建模提供基准。