《Journal of Hydrology: Regional Studies》：A data-driven approach for assessing future resilience of Trasimeno Lake in central Italy under CMIP6 climate scenarios
编辑推荐：
研究人员首先基于历史水位记录刻画了当前可检测的趋势，随后利用长短期记忆（LSTM, Long Short-Term Memory）建模框架，以降雨和温度数据为输入，对未来至2100年的湖泊水位波动进行了预测。研究讨论了特拉西梅诺湖在四种代表性耦合模式比较计划第
研究人员首先基于历史水位记录刻画了当前可检测的趋势，随后利用长短期记忆（LSTM, Long Short-Term Memory）建模框架，以降雨和温度数据为输入，对未来至2100年的湖泊水位波动进行了预测。研究讨论了特拉西梅诺湖在四种代表性耦合模式比较计划第六阶段（CMIP6, Coupled Model Intercomparison Project - Phase 6）情景下的未来韧性，并量化了降水与温度未来预估的不确定性对水位预测的影响。针对均方根误差（RMSE, Root Mean Square Error）、偏差（BIAS）、皮尔逊相关系数（r）、平均绝对百分比误差（MAPE, Mean Absolute Percentage Error）和平均百分比误差（MPE, Mean Percentage Error）的性能阈值分别为0.30 m、0.04 m、0.72、9.76%和1.70%。优化后的模型被用于评估SSP1–2.6、SSP2–4.5、SSP3–7.0和SSP5–8.5情景下的未来湖泊水位动态。预测表明，相较于1961–2024年间观测到的-0.008 m/年的历史性下降趋势，水位下降速率可能增加约2倍（SSP2–4.5）、4倍（SSP3–7.0）和7倍（SSP5–8.5）。在这些情景下，通航性预计将成为日益频发的问题，且到本世纪末，水文条件预计将重现1958年严重干旱时期的水平。预测结果连同相关的不确定性定量评估结果一同呈现。
期刊来源：《Journal of Hydrology: Regional Studies》
研究背景
气候变化正使全球淡水生态系统面临前所未有的压力，对水资源可用性构成严重威胁。湖泊作为“气候变化哨兵”，其水量、水质、热力响应及生物群落均受到气温升高与降水格局改变的复合影响。其中，浅水湖泊因表面积大、水深浅的特征，对气候变化与人类活动的叠加胁迫表现出极高的脆弱性和较低的恢复力。意大利中部的特拉西梅诺湖（Trasimeno Lake）作为该国第四大湖泊，是一个典型的封闭型（endorheic）浅水系统，过去一个世纪该地区经历了显著的升温与降水减少。历史上，该湖曾遭遇严重的干旱危机，虽经人工调水干预得以缓解，但目前仍面临水位剧烈波动与总体水量减少的挑战。因此，开发能够精准预测未来湖泊水位演变的模型工具，对于制定具有韧性的水资源管理策略至关重要。
关键技术方法
研究人员采用了数据驱动的方法论，利用1961年至2024年的历史实测降雨、温度及水位数据开展研究。首先通过最小二乘线性趋势分析和曼-肯德尔（Mann–Kendall）检验评估历史水文气候趋势。核心建模框架采用长短期记忆（LSTM）神经网络，并利用贝叶斯优化（Bayesian Optimization）算法对模型超参数进行自动寻优，以提高模拟精度。未来气候输入数据来源于CMIP6（Coupled Model Intercomparison Project - Phase 6）框架下的CMCC-CM2-SR5模式，涵盖SSP1–2.6、SSP2–4.5、SSP3–7.0和SSP5–8.5四种共享社会经济路径情景。此外，研究通过对比历史期原位观测与CMIP6数据的差异，量化了输入数据不确定性对水位预测的影响范围。
研究结果
3.1. 历史趋势
历史数据分析显示，特拉西梅诺湖水位在1961–2024年间呈显著下降趋势，速率为-0.010 m/年。同期，年降水量呈不显著的减少趋势（-1.55 mm/年），而年均气温则呈极显著上升趋势（+0.04 °C/年），且升温速率高于区域平均水平。这表明湖泊正面临暖干化的气候背景。
3.2. LSTM模型优化
经过贝叶斯优化后的LSTM模型表现出良好的性能。在训练期（1961–2004）、验证期（2005–2014）和测试期（2015–2024）内，均方根误差（RMSE）分别为0.21 m、0.30 m和0.18 m；皮尔逊相关系数（r）在训练和测试期均超过0.91。模型在验证期的表现略低（r=0.72），但整体误差指标（BIAS最大为0.04 m）和相对误差指标（MAPE约为5%-10%）均证明了模型的可靠性。
3.3. 未来情景
未来预测显示，不同排放情景下的水位下降幅度差异巨大。在低排放的SSP1–2.6情景下，下降速率减缓至-0.003 m/年，维持通航能力。而在中高排放情景下，情况急剧恶化：SSP2–4.5情景下速率增至-0.015 m/年，SSP3–7.0增至-0.035 m/年，高排放的SSP5–8.5情景下则高达-0.055 m/年。具体而言，SSP2–4.5情景将在2080年代末重现1958年的极端干旱水位；SSP3–7.0情景将在2076年左右首次触及该阈值，并在2080年代末永久低于该水平；SSP5–8.5情景最为严峻，将在2060年代末达到危机水平，并在本世纪末导致湖泊接近完全干涸（水位降至251.7 m a.s.l.附近）。相应的湖泊面积也将大幅缩减，在SSP5–8.5情景下面积将减少超过80%。
3.4. 不确定性评估
不确定性分析表明，CMIP6降水数据的不确定性（平均MAPE为24.53%）对水位预测的影响通常大于温度数据（平均MAPE为5.14%）。由降水数据引入的水位不确定区间宽度在SSP1–2.6至SSP5–8.5情景下分别为1.26 m至2.18 m；由温度数据引入的不确定区间为0.80 m至2.52 m。随着排放强度的增加，不确定性的绝对值也随之增大。
讨论与结论
研究证实，除乐观的SSP1–2.6情景外，其他三种情景均将加剧特拉西梅诺湖的脆弱性。虽然CMIP6数据存在区域尺度的固有偏差，但其作为IPCC报告的基石，仍是目前最权威的气候预估参考。本研究的数据驱动方法相比传统物理模型，无需精确量化难以监测的农业取水量，因为人类活动的影响已隐含在历史水位数据中并被模型捕捉。然而，研究人员也指出，数据驱动模型在推断训练期未见的极端条件时存在局限性，需结合物理机制进行审慎解读。与依赖旧一代气候模式（如A1B）的早期研究相比，本研究利用最新的CMIP6情景并提供了明确的不确定性量化，预测的水位危机发生时间相对较晚，这归因于更新的气候预估数据与更先进的建模技术。研究结论强调，若不采取强有力的减排措施（SSP1–2.6以外），特拉西梅诺湖的通航功能将丧失，且面临生态崩溃的风险。这一成果为当地利益相关者（如翁布里亚大区政府）评估从蒙特多利奥（Montedoglio）水库调水等干预措施的紧迫性提供了关键的科学依据，同时也为地中海地区其他类似浅水湖泊的气候适应策略提供了范式。
