《Water Resources Research》:Simulating Future Dynamics of a Groundwater-Fed Lake in Central Europe: Integrating Modeling and Machine Learning Approach
编辑推荐:
中欧淡水系统正日益面临气候变化与人为压力的威胁。本研究以大格利尼克湖(Lake Gro? Glienicke)为对象,探究该地下水补给湖的未来动态变化。研究人员采用经率定与验证的全集成水文模型HydroGeoSphere(HGS)模拟地下水-地表水相互作用,并
中欧淡水系统正日益面临气候变化与人为压力的威胁。本研究以大格利尼克湖(Lake Gro? Glienicke)为对象,探究该地下水补给湖的未来动态变化。研究人员采用经率定与验证的全集成水文模型HydroGeoSphere(HGS)模拟地下水-地表水相互作用,并以43组高分辨率EURO-CORDEX气候预测数据驱动模型。湖泊蒸发量通过能量平衡法估算,机器学习模型预测地下水开采量与哈弗尔河(Havel River)水位作为边界条件。元建模框架生成大样本集合以刻画不确定性并检验对气候输入的敏感性。2008–2023年基准期分析表明,仅约5%的降雨转化为地下水补给。未来预测呈现显著分异:湿润情景维持稳定的补给与湖泊水位;中位情景显示逐渐下降趋势;最干旱情景则预测2030年后补给近乎完全抑制,至2100年湖泊水位下降超过2米。2015年以来观测到的湖泊与地下水位下降趋近于集合下限包络线,暗示干旱状态正在显现。最干旱情景下,世纪末年湖泊蒸发量超过1000毫米,而中位与湿润情景未表现出显著蒸发趋势。季节动态发生转变:水位峰值由4月推迟至6月,秋季低水位期延长。世纪末湖泊水位差异超过4米,表明存在相当大的不确定性。辐射不确定性,特别是入射全球辐射,会传递至蒸发估算中。总体而言,变化的降水动态与持续干旱显现为关键外部驱动因素,而集成水文模型与机器学习框架揭示了这些驱动因素如何通过补给、地下水-湖泊交换以及开采相关边界条件影响湖泊韧性。
本研究聚焦于德国柏林-勃兰登堡地区的大格利尼克湖,探讨气候变化背景下地下水补给湖的未来动态响应。该地区年降水量处于德国最低水平,地下水长期支撑超过600万人口的用水需求。然而,自20世纪70年代以来,区域地下水位以年均1–3厘米的速度持续下降,大格利尼克湖近年来年降幅更超过10厘米。该区域水文系统受复杂河网、千余个湖泊及人工调控水体的综合影响,加之广泛地下水开采与百年褐煤露天采矿活动,使得气候与人类活动的交互作用对当地水文系统产生级联效应,土壤湿度降低、地下水位下降、地下水补给湖及小型河流受到不利影响。评估未来地下水体与湖泊的可持续性面临气候与水文模型及排放情景带来的显著不确定性,亟需采用能够充分表征水文过程的模型以降低结构不确定性。
全集成水文模型HydroGeoSphere(HGS)在单一紧密耦合框架内求解地表流、变饱和流与地下水流,在每个时间步长强制执行湖-非饱和带-含水层连续体的质量与水头一致反馈,这对于捕捉脉冲式补给与强季节性蒸发控制储水量和连通性的系统中的双向交换至关重要。同时,为应对多气候情景下的计算不可行性问题,研究人员构建了基于机器学习的替代模型作为元模型解决方案。
本研究的技术方法体系包括以下核心组成部分:基于HYRAS-DE-PR格点观测数据与DWD五站温度辐射数据建立历史气候驱动场;运用多维标度法(MDS)从43组EURO-CORDEX高分辨率气候预测集合中选取代表性湿润、中位与干旱情景;采用长短期记忆神经网络(LSTM)预测哈弗尔河水位边界条件;以人口增长趋势为代理估算未来地下水开采量;通过能量平衡法估算湖泊蒸发量,该方法基于净辐射与水体的热量含量变化计算自由水面蒸发;建立HGS全集成水文数值模型,模型包含16层共43,792节点与84,800个不规则三棱柱单元,水平分辨率近湖区域2米至平坦区500米,利用MODIS叶面积指数(LAI)数据表征植被季节动态;开发基于LSTM的元模型替代HGS进行大样本集合模拟,采用两阶段训练策略(通用训练加情景精细调优),输入为60个月降水和蒸散发序列,输出为次月地下水补给量;最终开展基于元模型的不确定性评估,生成1000组气候输入扰动集合进行敏感性分析。
研究结果部分首先呈现预测河流水平与地下水开采动态。LSTM预测的哈弗尔河水位在强人工调控下保持相对稳定,地下水开采预测则基于简单趋势与频率分析,存在多年代际动态无法复现的局限性。
在湖泊蒸发方面,干旱情景呈现温度与全球辐射显著上升趋势,蒸发量以每年2.88毫米的速率增长,气候水平衡(CWB)呈显著负趋势,最大年蒸发量突破1000毫米;中位情景各要素趋势微弱,蒸发无显著趋势,围绕710毫米/年波动;湿润情景温度上升但辐射下降,蒸发维持稳定,中位值约686毫米/年。
对地下水补给的影响研究表明,基准期年均补给量仅约21毫米,占年降雨量的5%。补给对降水序列高度敏感,呈现滞后响应与土壤湿度依赖特征,需多年连续湿润才能重建储水量。2018–2020年连续干旱使年补给降至约15毫米,且2020年后即使降水部分恢复,补给仍未反弹至2011年前水平。未来预测中,湿润情景补给维持稳定;中位情景中期可能发生衰退;干旱情景2030年后补给近乎完全抑制,月补给多低于1毫米。
湖泊水位动态模拟结果显示,湿润情景下水位全世纪相对稳定;中位情景呈逐渐下降趋势;干旱情景自2030年代起持续下降,世纪末降幅超过2米。季节动态方面,峰值水位由4月推迟至6月,秋季低水位期延长。43组气候预测集合的不确定性分析表明,2080–2085年间模拟水位最大差异超过4米,2015年后观测水位趋近于集合下限。
元模型分析表明,替代模型训练耗时2小时,1000次运行仅需27秒。验证期决定系数在干旱、中位、湿润情景分别为0.75、0.95和0.82。集合输出概率分布基本符合正态假设,仅在极端高补给年份出现轻微多峰性。置信区间狭窄且稳定,未观察到强非线性响应。
讨论部分,研究人员强调全集成模型捕捉湖-非饱和带-含水层连续体反馈的重要性,指出季节水位相位偏移必须通过耦合系统传递才能复现。人类活动引入的边界条件不确定性方面,LSTM预测在气候非平稳条件下可能存在训练空间外推风险,而开采路径基于人口增长的简化假设应视为情景而非精确预测。基准期分析揭示的5%降雨补给率与土壤湿度记忆效应表明,春季晚期干旱通过延迟土壤湿度恢复引入水文记忆,即使降水暂时增加也难以使系统快速恢复。最干旱情景与2015年后观测趋势的吻合暗示系统可能已向干旱状态转变,这与近期关于该系统可能存在环境临界点的研究发现一致。辐射相关变量的残余误差,特别是当前气候模型未充分考虑气溶胶动态效应导致的"亮ening"现象,会传递至蒸发估算中。元模型的大样本实验表明,湖泊响应对于中等程度的气候强迫扰动具有稳健性,支持了基于情景结论的可靠性。
研究结论部分指出,本研究将HGS全集成水文模型、能量平衡蒸发方案、机器学习边界条件模拟器与元建模框架相结合,评估了大格利尼克湖在广泛气候预测下的未来动态。基准期分析表明仅约5%降雨转化为地下水补给,且多年干旱期会抑制补给。近期春季晚期干旱降低了补给效率,引入的水文记忆效应延缓了系统恢复。未来湖泊轨迹强烈依赖于蒸发与地下水补给的平衡。中位与湿润情景指向相对稳定的水量平衡,而干旱情景产生持续下降,由降水减少、温度上升和辐射增强共同驱动。值得注意的是,该干旱轨迹与过去十年的观测行为高度一致,表明尽管所有情景仍具合理性,湖-含水层系统可能已在当前气候强迫下向干旱情景演变。研究凸显了气候影响评估中不确定性分析的重要性,辐射不确定性直接传递至蒸发估算。元模型结果显示出狭窄且稳定的置信区间,无强非线性或多峰性,表明湖泊响应对于强迫的中等扰动具有稳健性。这些发现表明,将基于过程的水文模型与机器学习和元建模工具相结合,可以提高气候影响评估中的计算效率与不确定性表征能力,该集成框架为评估其他受管理湖-含水层系统的淡水脆弱性提供了可转移途径。