《Journal of Hydrology: Regional Studies》：A novel approach to uncertainty-conscious long-term streamflow reconstruction in ungauged basin combining machine learning and dendro-hydrological indicators
编辑推荐：
自然径流数据对水文建模、水资源规划、气候变化适应以及水电基础设施的设计与运行至关重要。然而，加拿大北部及受调控的流域（如Abitibi河流域）往往缺乏自然径流记录，或记录稀疏、短暂，并进一步受到人类活动的影响。长期且空间一致的自然径流数据的匮乏，为决策者和水电
自然径流数据对水文建模、水资源规划、气候变化适应以及水电基础设施的设计与运行至关重要。然而，加拿大北部及受调控的流域（如Abitibi河流域）往往缺乏自然径流记录，或记录稀疏、短暂，并进一步受到人类活动的影响。长期且空间一致的自然径流数据的匮乏，为决策者和水电管理带来了重大挑战。利用树轮年代学和考虑不确定性的长期水文建模对自然径流进行稳健重建，可为识别历史趋势、评估风险、指导长期运行与规划策略提供有价值的工具。尽管水文建模近期取得了进展，但在受调控流域中整合多种互补方法以重建长期自然径流的研究仍然有限。与长期水文建模相关的关键挑战可归为三大类：（1）缺乏用于率定的自然观测径流数据；（2）不确定性，包括数据不确定性、参数不确定性和结构不确定性；（3）缺乏长期输入和径流数据。本研究旨在弥补基于机器学习的自然化方法、多模型水文集合模拟与独立树轮水文验证之间的差距，这些方法很少被整合到受调控流域长期自然径流重建的统一框架中。研究目标是重建自然径流情势，而非对受水库运行或其他人类干预改变后的流量观测进行自然化。因此，该框架仅依赖地貌和气象信息，使用在大量无调控流域数据集上训练的机器学习（ML）模型来估计水文模型的参数。研究提出了一个五步组合框架以提高历史流量模拟的稳健性和可靠性：（1）为克服率定数据缺乏的问题，首先使用ML算法基于物理气候属性预测简单概念模型（GR4J-CemaNeige）的参数集，提供有效的初始自然径流估计；（2）由于简单模型可能无法完全捕捉流域过程的复杂性，且参数不确定性本身不能解释模型结构不确定性，进一步使用基于ML的自然径流模拟来率定Raven建模平台中的五个水文模型；（3）率定后，使用ERA5-Land再分析数据作为气象输入，将集合模拟扩展至1950–2023年；（4）采用洪水年轮记录和自然流动河流的观测径流数据进行验证；（5）最后对重建集合进行趋势分析。本研究的创新性在于使用机器学习估计水文模型参数以进行自然化、在多模型水文集合中整合不确定性表征以进行长期重建，以及在受调控流域背景下使用树轮水文洪水年轮指标对重建径流进行独立验证。具体目标为：（i）使用基于机器学习的参数估计重建受调控流域的长期自然径流；（ii）使用多模型集合框架纳入参数和结构不确定性；（iii）使用独立树轮水文指标和受调控观测验证重建径流；（iv）使用层次贝叶斯建模量化自然径流的长期趋势。研究区为加拿大安大略省东北部的Abitibi河流域，位于47°–51°N和78°–82°W之间，流域面积27,300 km2，分为六个子流域。该地区经历湿润大陆性气候，冬季寒冷多雪，夏季温暖潮湿。由于Abitibi河主河道大部分受调控，现有仪器径流记录主要代表受调控条件，不能直接用于表征自然径流情势，这促使研究人员使用水文模拟和来自自然流动河段的独立古水文记录。研究结果表明：模拟径流与来自自然流动河流的树轮洪水代用指标之间存在强一致性，验证了重建的稳健性以及树轮代用指标独立验证水文模拟的潜力；检测到年和春季流量均呈显著增加趋势，凸显了在水管理和基础设施规划中持续评估和考虑变化的水文基线的必要性；基于集合的不确定性分析进一步凸显了多模型集合在缺乏自然变异性仪器记录时提供可信水文模拟和置信区间的价值。研究结论指出，理解自然径流的历史变异性和长期趋势对于社会适应气候驱动的流情势变化至关重要。随着加拿大仍为世界最大水电生产国之一，稳健的径流模拟对于确保支持土地利用规划、水库管理、水力发电的水和能源资源的可靠性尤为重要。更广泛地说，该框架为水电运营商、流域管理者和政策制定者提供了可适应的解决方案。随着气候和土地利用压力加剧，稳健的、不确定性感知的径流重建对于保障未来水和能源资源至关重要，尤其是在长期自然流量记录稀少和/或受调控的北方和温带流域。除水电应用外，所提出的方法还可支持气候影响评估、生态流量管理以及旨在量化全球缺资料地区水文气候变异性的跨学科研究。
本研究针对加拿大受调控且资料稀缺的Abitibi河流域缺乏长期自然径流记录的问题，整合机器学习、多模型水文集合模拟与树轮水文指标，开展长期自然径流重建与不确定性评估。研究背景在于，自然径流数据对水文建模、水资源规划及水电基础设施运行至关重要，但加拿大北部受调控流域往往缺乏自然径流记录，现有记录稀疏且受人类活动影响，难以区分自然变异性与人为效应。现有多模型集合研究多局限于有观测时期，很少涉及受调控流域的长期重建，且树轮水文代用指标作为独立验证数据集在集合重建框架中的整合仍然有限。研究人员开展了以下工作：利用三种机器学习算法（ANN、RF、LGBM）基于675个无调控流域的物理气候属性训练，预测GR4J-CemaNeige模型参数以生成初始自然径流；以这些模拟作为伪观测，在Raven平台上率定五种水文模型（GR4J-CemaNeige、HBV-EC、HMETS、MOHYSE、SAC-SMA），构建15成员集合；利用ERA5-Land再分析数据将模拟扩展至1950–2023年；采用洪水年轮记录和自然河流观测进行验证；并使用层次贝叶斯模型量化长期趋势。研究得出，模拟径流与自然流动河流的洪水年轮代用指标呈强一致性，年和春季流量自1950年以来呈显著增加趋势，多模型集合能提供可信的水文模拟和不确定性区间。其重要意义在于为受调控和缺资料流域的长期水资源规划与水电管理提供了不确定性感知的实用框架。
研究人员为开展本研究采用的关键技术方法包括：基于物理气候属性的机器学习参数估计方法，使用ANN、RF和LGBM三种算法在675个无调控流域数据库上训练并以四折交叉验证和独立测试集评估，用于估计GR4J-CemaNeige模型参数；基于Raven建模平台的多模型集合模拟，率定五种水文模型构建15成员集合；使用RDRS v2.1和ERA5-Land再分析数据集提供气象输入；采用洪水年轮记录（包括平均早材导管面积MVA、导管数量N及洪水年轮相对频率F1、F2）进行独立验证；以及层次贝叶斯线性模型进行趋势分析。研究所用洪水年轮记录来源于Nolin et al. (2021a)，水文站数据来自加拿大水调查局。
研究结果方面：在模型性能与验证部分，通过与洪水年轮记录比较得出，模拟春季流量与三个树轮采样点（HAR、DPL、LAR）的洪水年轮相对频率在1950–2017年共同期内呈显著相关，45个检验关联中41个统计显著，相关系数范围为0.35至0.72，1960年（近250年最严重春季洪水）对应模拟最高春季流量，1979、1989、2013和2014等主要洪水年份也被模拟良好追踪；通过流量历时曲线比较得出，15成员集合在受调控观测面前表现出较大变异性，高流量时几乎全部模拟超过受调控流量曲线，中值流量范围内部分GR4J和HBV配置与观测曲线较为吻合，SAC-SMA模拟偏离明显，春季流量期平均CRPS为171.75 m3/s；通过滞后相关分析得出，GR4J_ANN（0.790）、SAC-SMA_ANN（0.774）和SAC-SMA_LGBM（0.737）相关性最高，15个集合成员中4个呈正滞后、7个呈负滞后、4个零滞后，表明模型结构和率定方法影响模拟流量的量级和时序。在趋势分析部分，通过层次贝叶斯线性模型得出，年和春季流量后验分布均为单峰正偏，年流量后验平均趋势为1.91 m3/s/年（相对基线均值435.07 m3/s每十年增加4.39%），春季流量为2.67 m3/s/年（相对春季基线均值817.42 m3/s每十年增加3.27%），两者95%最高密度区间（HDI）均完全位于零以上，分别为[0.62, 3.06]和[0.81, 4.63]，表明增加趋势具有高后验概率的统计可信度。在不确定性评估部分，通过集合中位数与百分位范围分析得出，Amos站按面积比缩放流量与集合中位数在1950–2023年总体一致，常位于四分位距内，但1960、1967和1979等高流量年缩放流量超过75百分位，1988和2008年低于25百分位；CRPS年尺度为49.39 m3/s、日尺度为130.44 m3/s、春季流量期为207.17 m3/s，随 temporal 分辨率细化而增大；通过可靠性图得出，曲线在50%以上名义置信水平紧密跟随1:1对角线，低置信水平（10%–40%）存在轻微欠覆盖，表明集合略微欠离散但总体可靠性合理。
讨论部分总结：研究指出机器学习参数估计依赖训练数据集的代表性，转移至水文气候不同区域时可能引入不确定性；框架专为重建自然流量条件而非再现受调控径流动态而设计；土地利用变化（如森林采伐）除静态流域属性外未被显式表征，可能贡献不确定性；洪水年轮代用指标虽提供独立验证，但代用指标—径流关系也可能反映生态和站点特定影响。未来研究可扩展至更多模型结构、在相关处纳入人类干预补充信息、整合更多水文气候代用指标、评估框架向其他受调控或缺资料流域的可转移性，以及研究未来气候情景下流量趋势的非线性或非平稳行为。研究结论译为：本研究提升了在高度受调控和资料有限流域中模拟与评估长期自然流量的能力，为应对气候变化的水资源管理提供了实用框架。研究人员将机器学习（ANN、RF、LGBM）与水文建模（GR4J、HBV、HMETS、MOHYSE、SAC-SMA）结合于15成员集合模拟框架，重建了Abitibi河流域74年日自然流量，该流域因广泛流量调控而缺乏自然径流变异性的仪器记录。模拟流量与来自自然流动河流、Abitibi河两个源头子流域及邻近流域的树轮洪水代用指标之间发现强一致性，证明了重建的稳健性以及树轮代用指标独立验证水文模拟的潜力。年和春季流量均检测到显著增加趋势，也凸显了在水管理和基础设施规划中持续评估和考虑变化的水文基线的必要性。基于集合的不确定性分析进一步凸显了多模型集合在缺乏自然变异性仪器记录时评估变化方面提供可信水文模拟和置信区间的价值。尽管所提框架表现良好，若干假设在解释重建自然径流时值得考虑：机器学习参数估计依赖训练数据集的代表性，转移至水文气候不同区域时可能引入不确定性；框架专为重建自然流量条件而非再现受调控径流动态而设计；流域土地利用变化（如森林采伐）除用于参数估计的静态流域属性外未被显式表征，可能因此贡献重建自然径流的不确定性；此外，尽管洪水年轮代用指标提供过去自然高流量条件的独立验证，代用指标—流量关系也可能反映生态和站点特定影响。未来研究可扩展集合至更多模型结构、在相关处纳入人类干预补充信息、整合额外水文气候代用指标，或评估框架向其他受调控或缺资料流域的可转移性。研究未来气候情景下流量趋势的潜在非线性或非平稳行为也将进一步加强长期水资源评估。理解自然径流的历史变异性和长期趋势对于社会适应气候驱动的流情势变化至关重要。由于加拿大仍是世界最大水电生产国之一，稳健的径流模拟对于确保支持土地利用规划、水库管理、水力发电的水和能源资源的可靠性尤为重要。更广泛地说，该框架为水电运营商、流域管理者和政策制定者提供了可适应的解决方案。然而，框架的可靠性可能取决于训练流域对研究区域的代表性，以及气象输入的一致性和人类干预对流量情势不断演变的影响，凸显了未来研究和改进的途径。随着气候和土地利用压力加剧，稳健的、不确定性感知的径流重建对于保障未来水和能源资源至关重要，尤其是在长期自然流量记录稀少和/或受调控的北方和温带流域。除水电应用外，所提出的方法还可支持气候影响评估、生态流量管理以及旨在量化全球缺资料地区水文气候变异性的跨学科研究。
