结合多种地下水水位变化分析方法，以表征复杂水文地质环境中的含水层动态及其驱动因素

《Journal of Hydrology》：Combining multiple groundwater hydrograph analyses to characterize aquifer dynamics and drivers in complex hydrogeological settings

　　Z. Chai|N.K. LeRoux|R.C. Jamieson|A.M. Hill|L.D. Somers|B.L. Kurylyk
加拿大新斯科舍省达尔豪斯大学土木与资源工程系及水资源研究中心

**摘要**
地下水位的波动揭示了含水层行为的关键方面，包括补给时间、储存动态以及对水文气候强迫的敏感性。然而，在地质不均匀和季节性变化显著的地区，解释这些波动仍然具有挑战性，而且我们缺乏基于地下水位曲线来表征含水层的标准方法。在本研究中，我们分析了加拿大新斯科舍省40个省级观测井13年（2011–2023年）的每日地下水数据，以表征地下水的空间和时间动态。我们提取了17个由水位曲线派生的指数来表征这些曲线和含水层，并应用时间序列分解方法来量化地下水波动的幅度、频率和时机。大多数观测井表现出一致的季节性模式，年水位中位变化范围为0.7米，主要周期约为365天。季节性成分占总变异量的平均值为54%，且在80%的观测井中是主要的变异模式。年地下水最大值的时间集中在春季或秋冬季节，这取决于补给主要受融雪还是降雨驱动。通过对水位曲线的聚类分析，我们发现了四组不同的含水层行为特征，这些特征与地质、井深和降水响应性有关。使用水位波动法对14个季节性动态明显的观测井进行了补给量估算，得出的年平均补给率为180–250毫米/年。冬季/早春时期的补给量占年补给总量的40%，但仅占年降水量的32%，表明在寒冷季节补给效率较高。这些发现证明了基于水位曲线分析在理解复杂水文地质环境下含水层功能和季节性补给动态方面的有效性，尤其是在降雪和降雨分配发生变化的情况下。

**1. 引言**
地下水维持着生态系统，支持农业和工业发展，并为全球约25亿人提供饮用水（Famiglietti, 2014; UNESCO, 2022）。气候变化加速通过改变地下水补给、海平面、地下水温度以及极端事件（包括气象干旱）的频率，对内陆和沿海地区的地下水数量和质量构成了严重威胁（Benz et al., 2024; Dao et al., 2024; Taylor et al., 2013; Zamrsky et al., 2024）。对地下水数量和质量的威胁推动了通过观测井网络进行地下水监测，但相关的地下水数据集往往仅经过简单的趋势分析。地下水水位曲线，即 confined 或 unconfined 含水层中地下水高度的时间序列记录，可以揭示含水层特性和动态，包括其对不同时间尺度上的气象强迫的响应（Haaf and Barthel, 2018; Peterson and Western, 2018）。这些记录反映了补给和排放过程，受到含水层属性（如水力传导性和储存系数）的调节。因此，地下水水位曲线可以提供关于含水层“功能、形态和驱动因素”的见解，类似于河流水位曲线所提供的流域信息（McNamara et al., 2018; Wagener et al., 2007）。在浅层、unconfined 含水层中，水位曲线通常在降雨或融雪后出现急剧上升，随后是指数衰减，这表明了排水和基流的作用（Solórzano-Rivas et al., 2024）。相比之下，confined 含水层可能由于与地表过程的分离程度较高而表现出减弱或延迟的响应，或者由于缺乏毛细孔隙储存能力而出现放大的水位波动（van der Kamp & Maathuis, 1991）。

除了提供关于含水层动态和特性的信息外，地下水水位曲线还可以为 unconfined 含水层提供定量补给量估算。水位波动法（WTFM）是一种简单有效的方法，用于根据观测到的水位上升来量化补给量（Healy and Cook, 2002; Becke et al., 2024）。尽管该方法经常在单个站点应用，但在区域尺度上的广泛应用仍然受到限制，部分原因是含水层属性、土地利用和补给来源的空间变化（Ireson & Butler, 2013），以及缺乏系统的方法来确定适合 WTFM 分析的观测井。与气候相关的趋势，如融雪时间的变动、降水模式的改变以及蒸发蒸腾量的增加，进一步复杂化了地下水响应的解释，特别是在降雨与降雪混合的地区（Cuthbert et al., 2019; Kennedy et al., 2017; Nygren et al., 2020）。尽管来自观测井网络的地下水水位时间序列数据集在全球范围内逐渐增多（Jasechko et al., 2024; Wang et al., 2025），但在地下水水位曲线分析方面的知识和实践仍然存在不足。这为进一步发展地下水水位曲线分析方法提供了机会，并有助于我们更深入地理解整个水文系统——特别是考虑到全球地下水储量的规模是地表水的两个数量级（Ferguson et al., 2021; Gleeson et al., 2016; Jasechko et al., 2024）。

与广泛应用于河流水位曲线分析的指数和分类方法相比，系统化的方法用于表征和分类地下水水位曲线模式仍不成熟（例如，Olden et al., 2012; Olden and Poff, 2003; Sawicz et al., 2011; Wagener et al., 2007）。地下水水位曲线与河流水位曲线的一个关键区别在于，河流水位曲线显示的是流域的流量随时间的变化，而地下水水位曲线显示的是水位（储存量）随时间的变化。大多数地下水水位曲线研究侧重于特定站点或探索性分析，而不是适用于多种含水层系统的通用方法（Bloomfield et al., 2015; Bloomfield and Marchant, 2013; Haaf and Barthel, 2018; Meggiorin et al., 2024）。基于相似性和数据驱动的分类方法（Bloomfield et al., 2015; Bosserelle et al., 2024; Haaf and Barthel, 2018; Wunsch et al., 2022）的最新进展为区域尺度应用奠定了基础。然而，特别是在水文地质复杂或数据稀缺的地区，地下水动态的时空变异性限制了我们解读区域动态或评估气候变化影响的能力（Cuthbert et al., 2019）。这一差距凸显了开发稳健且可扩展的技术的必要性，这些技术能够整合多种统计分析方法来分析水位动态和驱动因素，对地下水水位曲线进行分类，并揭示时空变异性的驱动因素（Barthel et al., 2022）。

我们在这项研究中的总体目标是利用现有的监测井网络数据，推进对地下水水位曲线分析和含水层特征的理解与应用。我们使用了加拿大新斯科舍省40个省级观测井的数据，该地区具有多样化的水文地质条件、混合的降雪-降雨模式以及明显的季节性变化。我们的目标是：（1）利用水文指数和时间序列分解来量化年际和年内地下水变化，以阐明时间模式；（2）应用基于指数的分类方法将水位曲线响应分组，并区分不同含水层的行为；（3）使用 WTFM 方法估算 unconfined 含水层中部分观测井的补给率，并探讨补给量和时机的变化如何反映潜在的含水层属性和补给来源（降雨 vs. 融雪）。这种综合方法为解释水位模式提供了坚实的基础，提供了关于地下水补给和储存过程的关键见解，并为他人如何从这些丰富但常见的地下水数据集中提取关键水文地质信息提供了示例。

**2. 研究区域、数据来源和分析方法**

**2.1 研究区域**
新斯科舍省（NS）位于加拿大大西洋沿岸（图1），面积达55,284平方公里，受到大西洋海洋的温和海洋性气候影响。新斯科舍省的地貌特征反映了其位于阿巴拉契亚北部地区，该省可分为三个主要区域：北部的高海拔布雷顿高地（图1a）、中部和西部的冰川低地和鼓丘地貌，以及大西洋沿岸的广泛而不规则的海岸线及河口系统（Milner, 2021）。超过13,000公里的海岸线、冰川沉积物、断裂的基岩系统以及不同的土壤渗透性共同构成了其复杂的水文地质特征（Kennedy et al., 2010）。

**2.2 数据来源**
每日地下水数据来自新斯科舍省地下水观测井网络，该网络由新斯科舍省环境与气候变化部门管理（2024年）。这40个观测井分布在全省不同的地下水区域（图1a, b）中，其中大多数位于沉积岩（n = 23）和变质岩（n = 11）环境中，仅有六个井位于火成岩和碳酸盐/蒸发岩地区。这些井在全省范围内广泛分布（图1a），南部和中部地区靠近社区和沿海区域的井密集度稍高（井坐标见表S1）。井的深度范围从7.6米到158.5米不等，平均深度为54米。大多数井（n = 33）的深度超过30米，有五个井的深度超过100米，这说明该网络主要监测基岩含水层的水文状况，因为覆盖层的厚度通常小于10–15米（Stea et al., 2006）。Smith等人（2023年）使用该网络的水温数据来表征新斯科舍省地下水热状态的模式、动态和空间分布，但迄今为止，该网络的水位数据尚未得到充分研究。虽然一些井的记录可以追溯到几十年前，但大多数井自2011年起都保持了连续的观测数据。因此，我们的分析采用了2011–2023年的数据。为了确保分析的连续性，对于地下水位记录中较短的间隔（≤10天），我们使用了线性插值方法进行填充（Heudorfer等人，2019年），而对于较长的间隔（>10天），则不进行插值，并在数据完整性允许的情况下保留原始记录。表1列出了观测井的名称、ID编号（图1显示了位置）、深度以及对应的加拿大环境与气候变化部（ECCC）气候站ID。

| 观测井名称 | 井ID | 井深度（米） | ECCC气候站名称 | ECCC气候站ID |
| --- | --- | --- | --- | --- |
| Greenwood | 01 | 7.6 | Greenwood A | 6354 |
| Fraser Brook | 02 | 18.3 | Upper Stewiacke | 44,363 |
| Wilmot | 03 | 18.3 | Kentville CDA CS | 27,141 |
| Murray Siding | 04 | 8.5 | Upper Stewiacke | 44,363 |
| Wolfville | 05 | 17.7 | Kentville CDA | 6375 |
| Truro | 06 | 91.4 | Debert | 42,243 |
| Monastery | 07 | 15.8 | Tracadie | 41,575 |
| Point Aconi | 08 | 30.5 | Sydney CS | 44,503 |
| Lawrewncetown | 09 | 53.3 | Lake Major | 27,742 |
| Durham | 10 | 75.3 | Caribou Point | 8990 |
| Kentville | 11 | 106.7 | Kentville CDA CS | 27,141 |
| Sydney | 12 | 100.6 | Sydney CS | 44,503 |
| North Grant | 13 | 45.7 | Tracadie | 41,575 |
| Stillwater | 14 | 36 | Malay Falls | 30,668 |
| Sheet Harbour | 15 | 45.7 | Upper Stewiacke | 44,363 |
| Hayden Lake | 16 | 48.8 | Sydney CS | 44,503 |
| Meteghan | 17 | 61 | Brier Island | 10,859 |
| Annapolis Royal | 18 | 62.5 | Kejimkujik | 16923 |
| Hebron | 19 | 45.7 | Brier Island | 10,859 |
| Ingonish | 20 | 45.7 | Ingonish Beach | RCS30,326 |
| Debert | 21 | 46.6 | Debert | 42,243 |
| Dalem Lake | 22 | 61 | Sydney CS | 44,503 |
| Amherst | 23 | 116.4 | Nappan Auto | 42,083 |
| Kelly River | 24 | 15.2 | Parrsboro | 43,183 |
| Atlanta | 25 | 53.5 | Kentville CDA CS | 27,141 |
| Sheffield Mills | 26 | 53.3 | Kentville CDA CS | 27,141 |
| Fall River | 27 | 61 | Lake Major | 27,742 |
| West Northfield | 28 | 48.8 | Kejimkujik | 16923 |
| Musquodoboit | 29 | 61 | Lake Major | 27,742 |
| Lewis Lake | 30 | 76.2 | Pockwock Lake | 6435 |
| Arisaig | 31 | 191.4 | Caribou Point | 8990 |
| Coldbrook | 32 | 70.7 | Waterville Cambridge | 6497 |
| Longpoint | 33 | 18.5 | Tracadie | 41,575 |
| Tatamagouche | 34 | 24.5 | Tatamagouche | 6927 |
| Pugwash | 35 | 61.6 | Nappan Auto | 42,083 |
| St.Peters | 36 | 112.8 | Port Hawkesbury | 48,668 |
| Smileys Park | 37 | 99.8 | Pockwock Lake | 6435 |
| Rainbow Heaven | 38 | 31.7 | Osborne head | DND43,404 |
| Maitland | 39 | 24.7 | Western Head | 6501 |
| Simms Settlement | 40 | 40.2 | Pockwock Lake | 6435 |

*同一气候站可能是多个观测井最近的气候站。补充表S1显示了这些井与相关气候站之间的距离。

气候数据来自加拿大环境与气候变化部（ECCC）。对于每个观测井，我们选择了最近且有数据覆盖时间范围的ECCC气候站（见表1），并使用R包中的weathercan函数提取了平均每日气温和日总降水量数据（LaZerte & Albers，2018年）。对于缺失的气温 ve 降水量值，应用了线性插值方法。

2.3. 数据分析方法
补充图S1概述了本研究使用的数据分析工作流程，每个步骤在以下小节中有详细说明。

2.3.1. 地下水水位图分析及水文地质指数的提取
为了评估地下水动态及其年际变化，我们从40个观测井（表1）中提取了2011年至2023年的连续每日水位记录。为了便于井与井之间的比较，我们将水位数据进行了z分数标准化处理（零均值和单位方差）。选择2014年作为参考年份，因为该年的所有井都有完整的水位数据，可以作为评估其他年份波动的基准。2014年的全省平均降水量为1330毫米，这在2010-2023年的平均值（1198±137毫米）的一个标准差范围内。季节性降水量也与长期趋势一致：春季、夏季和秋季的降水量都在典型年际范围内（季节平均值±1个标准差），而2014年的冬季降水量（平均1,101毫米）略高于这个范围的上限（1,024毫米）。总体而言，这些值表明2014年代表了典型的水文气候条件。

河流水位图分析通常涉及自动提取标准流量指数，如流量大小、变异性和季节性指标，以使用编程工具箱或软件包（例如Bond, 2022; Tang和Carey, 2017; Olden和Poff, 2003）来研究流域对气象因素的响应。据我们所知，目前尚不存在类似的地下水水位图分析工具。在Haaf和Barthel（2018年）以及Barthel等人（2022年）的工作基础上，我们使用了一套基于波动的指标（表2）来表征40个观测井的水位时间变化。选择这些水文地质指数是为了反映地下水波动的三个功能方面：（1）结构特征（例如标准差、自相关性）；（2）形状特征（例如振幅范围、主导周期性）；（3）分布特性（例如标准差、峰度）。所有17个指数都是使用R语言（R Core Team, 2024）在单个井的水平上，基于每日或月平均水位时间序列计算得出的。开发的R脚本可供其他人使用其他水位数据集进行类似的分析（见数据可用性部分）。

表2. 本研究中使用的水文地质指数总结。
| 类别 | 指标名称 | 描述 | 来源 | 计算日期 |
|-------------|-------------------------------------------|---------------------------------------------------------|----------------------|
| 结构 | 年最高水位平均日期 | 本研究 | |
| 年最低水位平均日期 | 本研究 | |
| 春季上升 | 1月至4月的平均季节性水位上升 | 本研究 | |
| 年际季节性 | 基于年度时间序列计算的年际季节性变化 | Baker等人，2004 |
| RBI | Richards-Baker指数，量化波动的突变性 | Baker等人，2004 |
| 季节性范围变化 | 季节性范围的年际变化 | Haaf & Barthel，2018 |
| 低脉冲持续时间 | 低于第25百分位的水位低脉冲的平均持续时间 | Olden & Poff，2003 |
| 高脉冲持续时间 | 高于第75百分位的水位低脉冲的平均持续时间 | Olden & Poff，2003 |
| 峰值锐度 | 相对于基线的峰值强度（振幅锐度） | Haaf & Barthel，2018 |
| 形状 | 高/低脉冲持续时间比 | 本研究 |
| 高频比率 | 高频能量与总能量的比率 | Heudorfer等人，2019 |
| 年度范围 | 第10百分位到第90百分位的平均年度范围，以减少短期异常的影响 | Haaf & Barthel，2018 |
| 光谱熵 | 测量信号不规则的谱熵 | Inouye等人，1991 |
| 主导周期 | 从谱分析得出的主导周期（以天为单位） | Torrence & Compo，1998 |
| 分布 | 所有年份的平均标准差 | Haaf & Barthel，2018 |
| 峰度 | 平均峰度，表示尾部的厚重或尖锐度 | Haaf & Barthel，2018 |
| 双峰系数 | 表示向双峰趋势的模态系数 | Freeman & Dale，2013 |

*谱分析包括了有无预处理线性去趋势步骤的情况。由于去趋势对结果影响不大（见补充图S2），因此后续呈现的光谱熵结果是未经去趋势处理的分析结果。

2.3.2. 季节-趋势分解及季节性影响的量化
使用LOESS（STL）（Cleveland等人，1990）对每个井的标准化日时间序列进行了季节-趋势分解，以评估季节周期在地下水位波动中的相对重要性。STL是一种稳健的时间序列分解技术，它将观测信号分为三个组成部分：一个捕获年内重复模式的季节性成分、一个反映长期变化的趋势成分，以及一个代表短期变化和噪声的残差成分。分解使用的是R基础统计包中的stl()函数，季节窗口设置为12个月，基于标准日历年份内的月度变异性（1月至12月）。为了最小化对异常值和突然水位变化的敏感性，采用了稳健拟合方法。

2.3.3. 地下水水位图分类和分组解释
通过对行为相似的水位图进行分组或分类，可以洞察含水层属性和驱动力的区域模式。为了根据地下水波动行为对井进行分类，采用了基于指数的聚类方法。首先使用z分数转换对所有17个水文地质指数进行了标准化处理，以确保尺度的一致性。位于Point Aconi（井08）和Fall River（井27）的井由于其异常大的水位范围（高达4.8米），在聚类前被移除，以避免结果偏斜，从而留下38个井进行分析。然后对标准化指数进行了主成分分析（PCA）（Jolliffe，2002），以降低维度并突出主要的变异性模式。保留了前两个主成分，并用作K均值聚类（Hartigan & Wong，1979）的输入。聚类数量通过轮廓分析（Rousseeuw，1987）确定。

此外，还探索了基于季节波动模式的另一种分组策略。具体来说，使用STL分解进行了季节性模式分类。对每个井的季节性成分进行了标准化处理，然后进行了PCA和K均值聚类，以便根据年内波动结构对井进行分组。关于这种聚类方法的更多细节包含在补充材料中。

为了解释得到的簇，评估了每个组的地理位置、地质环境、井深度和降雨响应。降雨响应使用了R基础中的lagged Spearman等级相关性函数（cor()），考虑了最多7天的滞后。这种方法旨在作为短期耦合指标。虽然测试了更长的滞后时间，但相关性迅速下降，对于大多数井来说，超过大约5-7天后的相关性接近零；而较长的时间窗口由于降雨事件的重叠而降低了解释性。这种方法常用于表征补给时间和含水层的响应性（例如Heudorfer等人，2019年）。

2.3.4. 使用水位波动方法估算非限制性含水层的补给量
地下水补给量是使用WTFM方法估算的，该方法将水位上升与非限制性含水层的有效补给量相关联（Meinzer和Sterns，1929；Healy和Cook，2002）。该方法假设水位（ΔH）的偶发性上升直接反映了补给事件：
(2) Rtj = S × ΔHtj，
其中R(tj)是时间t0到tj之间的补给量（米），S是非限制性含水层的储水量（特定产水率），ΔH(tj)是由于补给引起的水位上升（米）。这种方法最适合浅层非限制性含水层，因为这些含水层的水位波动主要反映了降水或融雪的补给。限制性含水层通常不适合这种方法，因为它们可能与地表分离，且储水量低且具有弹性储存特性（Freeze & Cherry，1979）。因此，WTFM方法应用于表S4中分类为非限制性含水层的14个井（组（1）。

为了从背景趋势中分离出补给信号，采用了Nimmo和Perkins（2018）提出的异常主衰退方法。该方法包括三个步骤：（1）识别不受补给影响的地下水下降时段；（2）使用线性回归方程（3）对这些时段拟合一个主衰退曲线；（3）将补给事件量化为主衰退曲线以上的偏差。
(3) dHdt = ρ1 × H + ρ0
在方程（3）中，dHdt是地下水下降速率（米/天），H是每个衰退期间的平均水位（米），ρ0和ρ1是经验回归系数（Heppner & Nimmo，2005）。

补给深度是每年计算的，储水量值基于相对狭窄的范围得出，该范围是根据岩石学特征确定的（Fetter，2001），详见表4。补给量是根据储水量的上下限来估算的，以评估不确定性。衰退曲线参数没有用于进一步约束储水量估计（Shevenell，1996），因为衰退行为还取决于其他因素，包括渗透率、含水层几何形状和边界效应，这些在研究中是未知的。分析是在R（v4.3.1；R Core Team，2024）中使用的，脚本改编自美国地质调查局对WTFM方法的实现（Nimmo & Perkins，2018）。

除了估算年度总补给量外，还量化了无融雪期间和融雪主导补给期间的相对补给贡献。利用新斯科舍省典型融雪期（包括仲冬融雪）的知识，将1月至4月之间的补给事件主要归因于融雪驱动，将5月至12月之间的补给事件主要归因于降雨驱动。年度补给量相应地进行了划分，并计算了每个井的多年平均百分比。当补给事件跨越相邻月份时（例如，4月底到5月初），相关的补给量根据每个月份内的天数进行了比例分配。尽管冬季也可能发生降雨驱动的补给，但这种简单的二分分类对于每个井的主要补给驱动因素（融雪与降雨）和时间（冬季与暖季）的一阶分析是有用的。

3. 结果
3.1. 地下水水位图特征和指标
从2011年到2023年，40个观测井的水位显示出清晰且一致的季节性波动（图2）。为了描述这些模式，我们量化了17个水文地质指数，这些指数描述了波动幅度、时间和形状，详见表3和补充表S2。大多数井显示出稳定的水位条件，27个井的年均变化范围低于1米。所有井的年均变化范围的中位数为0.7米，排除了两个异常值（井08和27），它们的变化范围明显更大（分别为3.7米和4.8米）。

下载：下载高分辨率图像（2MB）
下载：下载全尺寸图像
图2. 所有40个井的标准化水位时间序列。2014年的数据（蓝色线条，所有井都有完整数据）叠加在其他年份（2011-2013年，2015-2023年）的时间序列上（灰色显示）。红色和蓝色点分别标记了2014年最高和最低水位的时刻。每个子图都包含了相应的井ID标签（见表1）。（关于图例中颜色参考的解释，读者请参考本文的网页版本。）表3总结了17个基于水文图表的指数（定义见表2）在所有40口 groundwater well中的统计信息（中位数、四分位数范围、最小值和最大值）。基于时间的指标以年份中的天数（DOY）或天数为单位报告；基于幅度的指标（春季上升、年变化范围和标准差）以米为单位；所有其他指数都是无量纲的。完整的井水位指数值请参见补充表S2。

| 指数 | 中位数 ± IQR | 最小值 | 最大值 |
|----------------------------|---------------|--------------|--------------|
| 年最小值日期（DOY） | 240 ± 15 | 174 | 266 |
| 年最大值日期（DOY） | 158 ± 70 | 98 | 242 |
| 春季上升（m） | 0.03 ± 0.12 | 0.08 | 0.68 |
| 年际季节性 | 0.24 ± 0.28 | 0.04 | 1.98 |
| RBI | 0.13 ± 0.09 | 0.02 | 0.67 |
| 季节性变化范围 | 0.80 ± 0.85 | 0.22 | 5.45 |
| 低脉冲持续时间（天） | 18.3 ± 18.2 | 3.19 | 1.5 |
| 高脉冲持续时间（天） | 9.4 ± 10.2 | 2.46 |
| 峰值尖锐度 | 0.04 ± 0.04 | 0.01 | 0.16 |
| 高/低脉冲持续时间比 | 0.55 ± 0.51 | 0.13 | 2.22 |
| 高频比 | 0.08 ± 0.12 | 0 | 0.5 |
| 年变化范围（m） | 0.70 ± 0.74 | 0.26 | 4.8 |
| 标准差（m） | 0.88 ± 0.12 | 0.65 | 0.97 |
| 均值峰度 | 2.62 ± 0.99 | 1.87 | 0.3 |
| 双峰系数 | 0.59 ± 0.06 | 0.50 | 0.78 |
| 光谱熵 | 3.25 ± 0.48 | 2.31 | 3.88 |
| 主导周期（天） | 366 ± 43 | 343 | 375 |

水文图表模式在不同年份间总体是一致的（见图2）。许多井（例如，井04和井05）显示明显的季节性周期，地下水位在冬季或春季达到峰值，在夏季下降，并在秋季逐渐恢复。即使季节性较弱的井（如井09）也表现出规律的年内波动。平均而言，最大地下水位出现在6月中旬（儒略日162），而最小值出现在8月末（儒略日236）。年最小值的时间在各个井和年份之间相对稳定，大多数井在夏末（7月至9月）达到最低水位。这种模式与夏季高蒸发量和有限的补给量大致一致，无论是浅层还是深层井都表现出这种现象，尽管在深层井中季节性信号通常较弱且不那么明显。相比之下，年最大值的时间变化较大。许多井（例如，井3、井12和井18）在春季达到最大水位，而其他井（例如，井16、井22和井28）则在秋季或初冬达到最大值（见图2）。因此，整个网络的平均最大值时间反映了春季的趋势，但由于11月和12月出现的几个后期峰值而有所偏移。

年地下水位最高值的时间在各个井之间存在空间差异，总体趋势是在较高纬度地区峰值出现得更早，而与井的海拔高度没有明显关系（见图S3）。这种纬度模式与气候驱动的补给机制大致一致：较冷的地区，如北布列塔尼（井12），可能受到春季融雪的强烈影响。相比之下，較暖和、纬度较低的地区（如南海岸，例如，井28）的峰值时间变化更大，取决于降水的季节性分布。在秋季或初冬降雨量较大的年份，这些井的峰值出现得较晚。需要注意的是，这些水文图表时间指标综合了补给动态和特定位置的储存及渗透性的影响，因此相对于降水，在深层含水层中可能会延迟或减弱。正如后面章节（4.2和4.4）所详细讨论的，直接将深层井的水文图表时间归因于补给机制和时间是具有挑战性的。

我们还研究了地下水区域（地质）和土地利用对水文图表季节性（范围和最大值及最小值时间）的影响。除了最大值时间外，各类别之间的变化通常较小且没有系统性（见图S4）。例如，沉积岩中的井通常比其他地下水区域的井更早达到峰值（见图S4）。

光谱分析确认几乎所有井都表现出明显的年度周期性，峰值功率集中在334到374天之间（表3中的主导周期）。然而，季节性波动的幅度在不同年份之间有所差异。短期波动强度在各个井之间差异很大，这反映在Richards-Baker指数（RBI；表3）中，该指数量化了短期地下水位变化的相对幅度。数值范围从11.5到170.2，中位数为59.9，表明地下水位对降雨、融雪或机械负荷（例如，积雪或季节性土壤湿度变化）等短期驱动因素的响应速度和强度存在显著差异。

3.2. 使用LOESS进行季节趋势分解来量化季节性影响
图3展示了应用STL分解分离季节性、趋势和残差成分的两个井（13和32）的代表性结果。选择这两个井是为了代表对比明显的季节性比率（高 vs. 低），并且因为它们都有相对完整的数据记录。井13表现出明显的季节性信号，季节性比率为0.77，表明大多数变化是由季节性周期驱动的。相比之下，井32的季节性模式较弱，长期趋势更为明显，只有25%的方差归因于季节性成分。在所有40口井中，季节性比率范围从0.23到0.77，平均值为0.54，表明季节性过程平均占总变异性的超过一半。在32口井中（80%），季节性成分解释的方差超过了趋势或残差项，使其成为主要的变异模式。其余8口井则以趋势为主，表明长期影响更为显著。总体而言，虽然某些井中存在可能与气候变化相关的长期趋势，但在大多数地点，季节性驱动仍然是地下水位动态的主要因素（见图S5和S6）。由于数据记录较短，无法对与气候变化相关的长期趋势进行更详细的分析，因为此类分析通常需要30年以上的数据（例如，Bloomfield等，2019年；Dars等，2025年）。

下载：下载高分辨率图像（561KB）
下载：下载全尺寸图像

图3. 两个示例井（13和32）的地下水位STL分解：(a) 井13（North Grant）和(b) 井32（Coldbrook）。每个井的原始序列被分解为季节性、趋势和残差成分。所有井的STL成分分别显示在补充图S5（季节性）和S6（趋势）中。顶部两行使用了不同的垂直刻度。

3.3. 地下水水文图表分类
为了更好地理解地下水行为并辅助补给量估计，根据主成分分析和K-means聚类将17个水文指数（第2.3.3节）进行分组（称为组）。前两个主成分解释了总方差的55%。第一个成分与短期波动强度密切相关，如RBI、高频比和脉冲持续时间指标的高负荷所示。第二个成分主要反映了整体波动幅度和季节性振幅，年变化范围、标准差以及季节性极端值的时间都有较大贡献（见表S3）。图4展示了每个组的标准化地下水位时间序列。组1包括具有规律季节性波动的井，全年响应适中且一致。组2具有类似的结构，但振幅较低，补给响应较弱。组3的特点是频繁且剧烈的波动。组4显示出对比鲜明的季节性特征，地下水位通常在冬季下降，春季逐渐上升。

下载：下载高分辨率图像（188KB）
下载：下载全尺寸图像

图4. 根据PCA和K-means分类将地下水位按组别分组（标准化时间序列，2014年），使用指标（表2）。灰色线条表示每组内的单个井，蓝线代表组平均值。每组的井ID列在补充表S4中（关于图例中颜色参考的解释，请参阅本文的网页版本）。

这些不同组的水文图表动态差异反映在水文图表指数中（见图5）。组1和组3的RBI值较高，中位数分别为0.13和0.21，表明短期响应更频繁且不规则。年地下水位最小值的时间在组1-3中一致（儒略日240-250），而组4的冬季最小值出现得更早。对于组2和组4，地下水位峰值通常在春季出现，通常在儒略日110到120之间。相比之下，组1和组3的地下水位峰值出现的时间范围较广，从秋季末到初春。这种变异性导致组平均儒略日较高，四分位数范围也更宽。总体而言，这种分类捕捉并区分了地下水动态的关键方面，包括幅度、频率和季节性时间。结合多个指数有助于识别原始水文图表中不易察觉的主要时间模式。

下载：下载高分辨率图像（199KB）
下载：下载全尺寸图像

图5. 盒状图显示了四个水文图表指数在各组中的分布：a) RBI，b) 年最小地下水位儒略日，c) 年最大地下水位儒略日，d) 春季上升。表2提供了指数定义。

基于季节性模式聚类的分类结果（第2.3.3节）见补充表S5和图S7。尽管方法不同，基于指数和STL的分类结果之间有相当大的吻合度（见图6）。超过一半的井在这两种方法中被分配到相同的组，特别是在组1和组3中。值得注意的是，基于指数分类中被分配到组4的所有井也都被STL分类分配到组4，进一步证明了该组的独特性。

下载：下载高分辨率图像（443KB）
下载：下载全尺寸图像

图6. 基于指数方法和STL方法的 watergraph 分类结果比较。每列显示了聚类井的空间分布、按组的地质组成、井深度分布以及每组和两种分类方法之间的降水量与地下水位的相关性。

4. 地下水分类中的水文地质和空间模式
图6总结了地下水分类结果的空间和水文地质背景，比较了三种分类方法的井分布、地质环境、井深度以及与降水的相关性。基于指数的分类中的组（1）和组（3）由相对较浅的井组成，与降水的相关性较强（0.2-0.3），这与快速且直接的降水响应一致。组1主要由沉积岩井组成，表现出稳定且幅度适中的季节性波动。相比之下，组（3）包含更多的变质岩和火成岩井，显示出高频变异性，可能由破裂主导的流动和低储水性引起。所有深度小于20米的井都属于组（1），进一步证实了其代表浅层非承压含水层的解释。相比之下，组2和组4由较深的井组成，与降水的相关性较弱（0.1-0.15），表明响应较慢或更加缓冲，可能是由于水文地质分离或更深的流动路径。尽管两组都主要由沉积岩地质组成，但组4因其独特的季节性模式而脱颖而出，水位通常在冬季达到最低点，随后在春季逐渐上升。这种行为可能反映了延迟的补给机制，如融雪渗透。

代表性井的降雨响应模式进一步说明了这四个组之间的差异。对于每个组，展示了一个示例井，以示该组典型的降雨响应行为（见图7）。组1（井04）对降雨事件表现出强烈且即时的响应。组2（井21）对降雨事件的响应基本不存在。组3（井28）对降雨事件的响应频率较高，但不一致。相比之下，组4（井31）的响应较弱且不规律，仅在补给事件期间偶尔出现波动。

下载：下载高分辨率图像（356KB）
下载：下载全尺寸图像

图7. 四个示例井（04、21、28和31）的地下水位水文图表和每日降水量，每个井代表基于指数分类的一个不同水文图表组。数据显示了2022年10月的情况。

总体而言，基于指数的分类有效地将行为相似的水文图表聚类在一起，并基于含水层深度、岩性和补给动态捕捉了水文地质的差异。其与基于STL的分类结果的高度一致，特别是在最不同的组中，进一步增强了其可靠性。组级之间的地质、降水响应和波动行为的差异指出了塑造该地区地下水动态的主要物理控制因素。

4.1. 使用水位波动方法对分类后的水文图表进行补给量估计
由于研究区域的地质复杂（见图1b），并不总是能够明确哪些井符合用于表征地下水补给量和动态的WTFM（Water Table Fluctuation Method）的非承压含水层标准。这是其他地质复杂区域中WTFM普遍面临的问题。前面章节中进行的水文图表分类并没有直接指示含水层类型，但地下水水文图表提供了有用的间接参考。在基于指数的分类中，第1组中的井表现出明显的季节性波动，并对降水事件有强烈的响应。尽管该组井的平均深度约为42米，但几乎有一半（14口井中的6口）的深度不到20米，包括数据集中大多数最浅的井。虽然该组也包含较深的井（例如，Lewis Lake的深度为76.2米），但水位对降水的快速响应表明这些井与浅层补给源有直接联系。鉴于这些特征，认为该组适合使用WTFM方法进行地下水补给量估算。14口井的估算补给量在不同地点之间差异很大，平均值约为每年202毫米。Wolfville的估算补给量最高（247-309毫米/年），而Sheffield Mills的估算补给量最低（92-114毫米/年）。所有井的估算补给量通常在100-300毫米/年之间，大多数集中在180-250毫米/年。为了评估这些估算的可靠性，我们将它们与Kennedy等人（2010年）基于基流分析得出的补给量进行了比较（图1a，表4）。Kennedy等人（2010年）报告的补给量平均为每年249毫米，高于本研究的平均值。然而，基于基流分析的估算（对所选基流分离方法敏感）揭示的是流域平均补给量，这些补给量最终会贡献给河流流量。相比之下，我们基于井的数据更反映了局部补给情况，也可能捕捉到渗透到与地表水不连通的深层含水层系统的补给量。尽管两种方法之间存在这些差异，但14口井中有9口的补给量范围仍然重叠（表4），表明两者具有总体一致性。

**表4. 第1组（基于指数的分类）井的储水能力（特定产水量）和WTFM估算的补给量范围，以及Kennedy等人（2010年）估算的补给量范围。**
| 井名 | 井ID | 储水能力范围（%） | 补给量范围（毫米/年） | Kennedy等人（2010年）估算的补给量范围（毫米/年） |
| -------------- | -------- | ------------ | ----------------------- | ---------------- |
| Greenwood | 01 | 25–30 | 15–19 | 12 |
| Fraser Brook | 02 | 20–25 | 14–18 | 21 |
| Wilmot | 03 | 25–30 | 22–26 | 8 |
| Murray Siding | 04 | 20–25 | 15–18 | 8 |
| Wolfville | 05 | 20–25 | 24–30 | 9 |
| Truro | 06 | 20–25 | 10–13 | 18 |
| Meteghan | 07 | 10–15 | 9–14 | 3 |
| Annapolis Royal | 08 | 20–25 | 18–23 | 7 |
| Ingonish | 09 | 20–25 | 15–20 | 25 |
| Dalem Lake | 10 | 22–25 | 13–17 | 2 |
| Sheffield Mills | 11 | 20–25 | 9–11 | 4 |
| Musquodoboit | 12 | 20–25 | 19–28 | 6 |
| Lewis Lake | 13 | 20–25 | 24–32 | 8 |
| Smileys Park | 14 | 15–20 | 22–27 | 2 |
| * | | | | |

**注：**
- 储水能力值假设无限制条件，并根据井记录中的岩性信息由Fetter（2001年，第79页）推导得出。井06、18和30可能因深度较大而不具备无限制条件（见表1）。

为了进一步评估补给量的季节性特征，我们检查了14口选定井中雪融驱动（1月至4月）和降雨驱动（5月至12月）期间的相对贡献（表5）。平均而言，40%的年补给量发生在雪融季节，个别值范围为34%至48%；其余60%归因于降雨季节的补给（范围：52%至66%）。这些结果强调了冬季和早春过程在地下水补给中的重要作用。

**表5. 14口无限制含水层井的地下水补给量（来自WTFM）和降水量的季节性分配（部分井共享同一气象站数据）。**
| 井ID | 雪季补给量（总补给量的%） | 雨季补给量（总补给量的%） | 雪季降水量（总降水量的%） | 雨季降水量（总降水量的%） |
| -------------- | ------------------ | ------------------ | ------------------ | ------------------ |
| 01 | 43.5 | 73 | 31 | 69 |
| 02 | 23 | 96 | 13 | 69 |
| 03 | 44 | 55 | 31 | 69 |
| 04 | 45 | 55 | 31 | 69 |
| 05 | 40 | 60 | 31 | 69 |
| 06 | 39 | 63 | 12 | 87 |
| 07 | 18 | 44 | 56 | 37 |
| 08 | 30 | 70 | 18 | 44 |
| 09 | 42 | 58 | 35 | 65 |
| 10 | 34 | 66 | 34 | 66 |
| 11 | 33 | 67 | 26 | 43 |
| 12 | 35 | 73 | 30 | 70 |
| 13 | 29 | 42 | 58 | 35 |
| 14 | 34 | 66 | 33 | 66 |
| | | | | |

**注：**
- 冬季（1月至4月）降水量占年总降水量的平均比例为32%（范围：28%至37%），而5月至12月降水量的比例为68%。补给量比例与降水量输入大体一致，尽管降雨产生的补给效果不如降雪。

## 5. 讨论
### 5.1. 与以往的水文图分类研究的比较
我们的分类框架建立在以前使用地下水水文图来识别含水层行为和补给动态的工作基础上，但整合了多种方法以提高解释性。与早期的基于指数的地下水分类研究（Bloomfield等人，2015年；Heudorfer等人，2019年；Giese等人，2020年）类似，我们首先开发了一套定量水文图指数，并利用PCA和聚类来识别特征性的波动模式。一个关键区别在于，我们有意使用了一个更小、更易于理解的指数集（17个），而之前的大规模样本框架是从超过60个候选指数开始的（Heudorfer等人，2019年；Giese等人，2020年），以表征广泛的动态成分。在我们的案例中，减少指数集是为了限制冗余，并使组描述符对区域解释和后续补给分析保持透明。

除了基于指数的特征描述外，我们还结合了季节趋势分解来明确量化对地下水变化性的季节性贡献。STL以前已被用于将地下水位水文图分解为季节性、趋势性和残差成分，以支持含水层行为的解释（例如，Lafare等人，2016年；Coyler等人，2022年）。在这里，我们专注于季节性成分本身，并研究可归因于季节性的变化比例，作为可解释的轴，以帮助在聚类之前区分与补给机制相关的动态。

在分类结果层面，先前的研究表明，有意义的类别数量强烈依赖于预期的应用和粒度。例如，基于光谱变异性的方法以前被用来将水文图分为三个广泛的类别，分别由年际、年内或年内变异主导（Haaf & Barthel，2018年），或者用于识别不同的波动特征和地质水文控制因素（Heudorfer等人，2019年）。在另一端，对841个水文图进行的系统视觉分类产生了一个细粒度的层次结构（82种类型被聚集成28个子组和9个组），突出了可观察模式的丰富性和细节与可重复性之间的权衡（Barthel等人，2022年）。我们的四组解决方案比高度细分的类型学更粗略，但比仅基于频率主导的类别更为具体。

我们的方法通过量化季节性変化的比例，并将这一扩展框架应用于直接将具有不同补给行为的分类组与混合降雪-降雨降水机制的情境联系起来，从而超越了传统的水文图指标分析。鉴于由于冬季变暖，新斯科舍省降雪-降雨分配的预测变化（Li等人，2025年；McCrystall等人，2021年；Strong等人，2025年），这样的研究具有高度相关性。

### 5.2. 季节性变化性和对补给行为的控制
冬季/早春的高值和夏末的低值反映了有效补给和净流量的季节性变化。夏季，高蒸散作用和土壤水分亏缺减少了或停止了向地下含水层的渗透，而地下水向溪流和湿地的排放继续进行。当排放量超过补给量时，地下水资源减少，水位下降，产生季节性下降。在某些地点，尤其是在新斯科舍省进行灌溉的夏季，抽水也可能起到一定作用。然而，我们预计抽水影响较小，因为（1）该网络的观测井位置通常选择在远离高抽水率的地方；（2）人口密度（18.4人/平方公里）和相关面积标准化的水需求较低。例如，先前的研究表明，新斯科舍省的地下水抽取率相对于可用的地下水来说通常非常低（Kennedy等人，2010年）。STL分解显示，在80%的井中，季节性成分占地下水水位变化性的主要部分。这些发现强化了季节性气候驱动因素（特别是雪融和蒸散作用）在温带和寒带气候过渡区塑造地下水行为中的重要性。季节性比例为0.54，与美国东北部浅层含水层报告的50-70%的季节性信号范围一致（Li等人，2015年），表明在不同的温带地质环境中季节性控制机制具有可比性。

冬季/早春的补给量占年总补给量的40%，而年降水量的比例仅为32%。冬季和早春补给量增加可能有几个因素的贡献。这些因素包括蒸散作用减少、雪融的时间和持续时间与高强度降雨的对比，以及积雪作为水库的作用，向季节性湿润的土壤释放更大且更持续的水分脉冲。这些机制得到了先前研究的支持，这些研究强调了融化时间、降水阶段和土壤湿度条件对不同气候和地形条件下补给动态的影响（Hammond等人，2019年；Harrison等人，2021年）。这一发现也与一项基于全球同位素的研究结果一致，该研究表明，在平均温度低于零度的寒冷月份，补给含水层的降水比例可高出1.3-5倍（Jasechko等人，2017年）。然而，我们的结果表明，尽管雪融驱动的补给效率较高，但大部分补给仍由降雨引起。我们承认，由于深层含水层中渗透和地下水水位之间的滞后，使用地下水水文图的时间来区分雪融和降雨驱动的补给可能具有挑战性。在世界上某些地方，这种滞后可能长达数十年（例如，Hocking和Kelly，2016年；Hellwig等人，2020年），特别是在具有深层地下含水层和长非饱和带停留时间的地点。不过，我们的补给时间讨论主要集中在第1组（表4），这些主要是浅层含水层，具有相对较浅的地下水位和与降水 strong 相关性。此外，网络中的许多深层井没有经过大深度范围的筛选，因此可能整合了多个含水层或隔水层单元的水力信号，使得评估输入（补给）和响应（水位）之间的深度依赖性滞后时间变得复杂。

四个识别出的水文图组不仅在波动幅度和频率上有所不同，而且在气象响应性上也存在差异。浅层无限制含水层对降水表现出明显且即时的响应，而深层或潜在受限的含水层则显示出更为平缓或延迟的响应。如果将地下水水位波动乘以储水能力来表示补给（见WTFM中的公式（2）动态，这些相对模式会更加明显，因为受限含水层的S值可能比无限制含水层低几个数量级。Peterson和Western（2018年）也描述了类似的一般模式，他们发现深层裂隙含水层中补给响应的滞后和季节性的减弱经常同时发生。我们的第4组特征是冬季最低值和春季渐进上升，因此与一个更缓冲的系统一致，在这个系统中，雪融驱动的补给被冻结的地面和非饱和带储存所延迟和/或减弱（Ireson等人，2013年；Hayashi，2013年）。

### 5.3. 对补给估算和地下水管理的启示
我们基于分类的方法的一个优点是它能够通过识别最有可能反映无限制、对补给有响应的井来指导补给估算。使用WTFM估算的第1组井的补给量大多在每年180至250毫米之间。如前所述，这些估算与之前通过水文图分离得出的区域补给量（Kennedy等人，2010年）大体一致，尽管我们研究中的整体平均补给量较低（表4）。除了之前提到的通过基流分离估算的空间平均补给量与WTFM应用于单个井的点估算之间的差异（第3.5节）外，WTFM被认为是保守的，因为它倾向于通过排除缓慢或扩散的渗透来低估补给量（Healy和Cook，2002年）。尽管存在这些方法上的差异，但研究之间在量级上的一致性支持了我们补给估算的区域适用性。

通过将定量指标、季节性分解和基于模式的分类与地理空间变量（例如图5、图6和S3-S6）联系起来，本研究提供了一个可转移的框架，用于潜在地识别具有高补给响应性的未监测地点，并解释地质多样性景观中的地下水行为。虽然之前的研究通常单独应用一种分类方法，但我们的综合方法平衡了统计稳健性和地质水文解释性，支持了在气候变化条件下改进的地下水监测、补给估算和脆弱性评估。

预计的气候变化给新斯科舍省等寒冷地区的地下水补给估算和管理带来了重大挑战。预计气温升高将加剧夏季的蒸散作用，并减少冬季的降雪积累，从而减少雪融对补给的贡献（例如，Atawneh等人，2021年；Meixner等人，2016年）。由于我们的结果显示寒冷季节的补给效率较高，未来向更多降雨主导的降水机制的转变可能导致总体补给量减少。在北欧，已经报告了地下水补给季节性的变化，其中主导的补给期已从以雪融为主的春季补给转变为冬季补给增加（Nygren等人，2020年；Wright和Novakowski，2020年）。未来工作的局限性与机会

我们在加拿大东部一个寒冷的沿海地区开发的用于分类不同年际和年内地下水动态的框架存在一些局限性，这些局限性也为未来的研究提供了机会。首先，我们主要依赖于地下水位数据以及有限的气候和地质变量，这限制了我们对含水层行为的机制性理解（D’Aniello等人，2019年；Lerner和Harris，2009年）。通过结合直接获取的含水层水力特性数据（如通过抽水试验或潮汐信号分析得到的含水层透过率和特定产水量）以及土地覆盖和地下岩性的数据集，可以提高分类的稳健性和可解释性。此外，由于缺乏抽水记录，我们无法明确考虑地下水抽取的影响。尽管在整个数据集中没有观察到一致的抽水模式特征（例如，突然的水位下降和快速恢复与补给事件不一致），但局部抽取仍可能对个别水文图产生微小影响。例如，井08在夏末出现了异常波动（图2），但由于没有附近的抽水记录，我们无法确定这种行为是由抽水还是其他局部因素引起的。其异常大的水位范围也导致该井被排除在聚类分析之外。

另一个局限性是，我们基于滞后降水量与水位之间相关性的分析（以及相关的第一组WTFM分析）隐含了一个相对较短的相位滞后假设。这一假设对于浅层、非承压含水层来说是合理的，但在较深或缓冲效果更好的含水层中，这种假设可能不成立，因为在这些含水层中，响应可能会延迟和减弱。未来的工作可以使用非饱和带测量数据以及多级地下水水文图来明确研究深度依赖的滞后现象。对非饱和带水流的数值模拟也有助于进一步约束这些滞后响应，并为解释结果提供更具机制性的依据。此外，尽管研究区域有广阔的沿海地带和密集的河流网络，但河流和潮汐对浅层沿海含水层的影响并未得到明确评估。尽管聚类结果与距离海岸或河流的距离没有明显关联，但局部潮汐和河流效应可能对地下水位动态产生影响（Irvine等人，2024年；Ataie-Ashtiani等人，2001年）。使用更高频率的地下水位数据（而非每日数据）进行的研究可以整合潮汐指数和河流-含水层相互作用，并可能利用这些波动来量化含水层的水力扩散性（Huang等人，2025年；Zhang等人，2021年）。

新斯科舍省共有六个地下水区域，但目前只有四个区域设置了观测井（图1）。观测井主要集中在沿海地区，而内陆地区，特别是卑诗北部中央地带和高地地区的代表不足。研究这些地区的地下水动态有助于确保关键的水文地质环境得到充分覆盖，并有助于更好地理解区域地下水流动和补给模式。这些地点未来可能为扩展省级监测井网络提供机会。此外，将多级监测井纳入省级网络将有助于分析深度依赖的过程，包括补给与地下水位之间的关系。

最后，我们将补给分为雪融驱动期（1月至4月）和雨季驱动期（5月至12月）的简化划分并未考虑温度变化的区域差异或雪融时间的差异以及冬季中期的融化情况，这可能导致偏见。通过引入温度阈值、积雪数据或水文建模来细化补给归属可以提高准确性，并揭示补给机制的空间变异性。通过有针对性的数据整合和方法论改进来解决这些局限性，可以增强该框架的适用性，并为在气候变化条件下的地下水动态提供更深入的见解。

6. 结论

本研究分析了2011至2023年间加拿大新斯科舍省40个观测井的日地下水位记录，以评估地下水波动，分类水文图及相关含水层行为，并通过结合水文图指数、时间序列分解和聚类技术估计地下水补给量。地下水位表现出明显的年度周期，整个网络中的夏末水位最低值相对一致，但最高值的时间变化较大，这可能取决于雪融或降雨补给的相对占比。季节趋势分解和季节性比率表明，季节性过程解释了大多数监测含水层水位变化的大部分（54%）。

基于17个指数的水文图分类揭示了四个行为组，这些组反映了与井深度和水文地质环境相关的含水层动态差异。这些组为区域比较提供了可解释的基础，并为补给量估算提供了实用的筛选步骤。例如，第一组井的特点是季节性波动适中且水位与降水量之间的相关性较强，非常适合使用水位波动法估算补给量。这些井的水位波动估算值通常在每年180至250毫米之间，与基于基流分析的补给量估算值大体一致，雪融在年补给量中的占比（40%）高于其年降水量中的占比（32%），这与寒冷季节较高的补给效率相符。这些发现对于一个预计将经历明显变暖、降雪量减少和冬季中期融化增加的地区具有意义。 episodic master recession方法进一步支持了相对于背景退水行为的补给事件时间的识别。

研究的局限性包括辅助信息不完整（如抽水数据、积雪和非饱和带测量数据）、潜在的海洋或河流影响在日尺度上未得到解决，以及水位波动应用中存储系数的不确定性。尽管如此，综合使用指数、分解和分类方法为解释新斯科舍省及其他具有长期监测的异质含水层系统的地下水驱动和响应动态提供了一种可转移的工作流程。这种方法使得在不同水文地质环境、补给季节性和气候变化条件下的地下水敏感性评估成为可能。未来的研究可以通过考虑更多气候条件和地质环境下的水位模式来进行扩展，包括具有多层含水层-隔水层的系统。

7. 手稿准备过程中生成式AI和AI辅助技术的声明

在准备本手稿的过程中，作者偶尔使用ChatGPT进行语言编辑。使用该工具后，作者根据需要对内容进行了审查和编辑，并对发表文章的内容承担全部责任。

未引用的参考文献
Colyer等人，2022年；Kurylyk和Hayashi，2017年；新斯科舍省环境和气候变化部门，2025年。

CRediT作者贡献声明
Z. Chai：撰写 - 审查与编辑、撰写 - 原稿、可视化、验证、方法论、调查、正式分析。
N.K. LeRoux：撰写 - 审查与编辑、资源管理、正式分析、数据管理。
R.C. Jamieson：撰写 - 审查与编辑、项目管理、资金获取、概念化。
A.M. Hill：撰写 - 审查与编辑、方法论、调查。
L.D. Somers：撰写 - 审查与编辑、资源管理、项目管理、资金获取。
B.L. Kurylyk：撰写 - 审查与编辑、撰写 - 原稿、监督、资源管理、项目管理、方法论、概念化。