恒河流域干旱加剧与状态转变：LULC-光谱归因、ET/PET分异与偏差校正的CMIP6集合预估（2000–2100）

《Journal of Hydrology: Regional Studies》：Aridity intensification and regime transition in the Ganga Basin: LULC-spectral attribution, ET/PET divergence, and bias-corrected CMIP6 ensemble projection (2000–2100)

　　

研究区域：恒河流域（Ganga Basin）是印度约860,000 km2的区域，养育着超过5亿居民。该流域从喜马拉雅湿润源头延伸至半干旱的印度河-恒河平原。先前的研究发现2000–2021年间存在一个悖论：地表水面积增加、水分指数下降以及干旱指数（AI）上升同时出现，但缺乏机理解释。研究聚焦：本研究通过整合MODIS-LULC、MODIS-ET、ERA5-Land-PET以及32模型CMIP6集合（在SSP2–4.5和SSP5–8.5情景下），对观测到的水文气候趋势进行归因，并预测未来的干旱演变轨迹。分析测试包括：Mann-Kendall检验、偏相关分析、一阶泰勒分解、变点-收敛检验和delta偏差校正。区域新的水文认知：森林扩张（+428 km2/年，Z = 5.25，p < 0.001）和城市扩张（+27 km2/年，Z = 6.49，p < 0.001）分别是NDWI和MNDWI下降的最强独立偏相关因素。实际蒸散发（ET）增加，潜在蒸散发（PET）减少，所有LULC类别的ET/PET比值均上升，这主要归因于灌溉扩张。AI分解表明降水增强是AI趋势的主要驱动因素（占73.1%）。变点检验显示2010–2011年发生了统计显著的干旱状态转变（Pettitt p = 0.014）。CMIP6集合显示普遍存在+0.202的湿偏差，且偏差校正后无年际预测能力（r = -0.079，p = 0.78）。在SSP2–4.5和SSP5–8.5情景下，集合平均预估显示干旱指数呈现上升的气候轨迹，并在两种情景下间歇性接近亚湿润阈值。

**论文解读：恒河流域干旱加剧、状态转变及其归因与预估研究**

**研究背景、问题与意义**

全球变暖背景下，干旱——定义为降水量与潜在蒸散发（PET）之比——是决定陆地生态系统水分可利用性、生态功能及河流流域农业生产力的基本因素（Middleton and Thomas, 1992; Feng and Fu, 2013）。在南亚降水年际变率大且农业用水需求极高的流域，理解干旱趋势尤为关键。然而，大多数大型河流流域中降水增强与潜在蒸散发下降的相对贡献尚不明确（Trenberth et al., 2014; Knutti and Sedlá?ek, 2013）。尽管已有全球尺度的干旱指数（AI）趋势分解研究（Feng and Fu, 2013），但尚未应用于恒河流域（Ganga Basin），导致该流域水文气候主导驱动因素未解。此外，仅考虑气候驱动因素不足以解释流域干旱趋势，因为土地利用/覆盖变化（LULC）同时改变地表能量平衡、水分分配及卫星观测的流域湿度光谱特征（Gogoi and Vinoj, 2025; Lin et al., 2022）。遥感光谱水分指数（如NDWI和MNDWI）被广泛用于监测大型河流系统地表水动态，但流域平均光谱指数同时受所有土地覆盖类型信号影响，LULC变化可通过改变近红外（NIR）和短波红外（SWIR）反射率系统性驱动光谱指数变化，而与实际水可用性无关（Liu et al., 2020; Sekertekin and Bonafoni, 2020）。然而，LULC变化对光谱指数趋势的贡献尚未通过偏相关分析从气候强迫中分离出来。同时，LULC变化（尤其是灌溉农业扩张）改变了感热与潜热平衡，驱动实际蒸散发（ET）轨迹偏离潜在蒸散发（PET）估计（Soni and Syed, 2021）。在密集灌溉流域，实际蒸散发是最大水通量，ET/PET比值是灌溉增强土壤水分（超出降水供给）的直接指标（Siebert et al., 2010; Pokhrel et al., 2012）。已有研究报道农业区ET/PET上升伴随PET下降，但灌溉驱动的土壤水分富集可能使雨养类（森林、草地）的ET也超出降水维持水平（Biemans et al., 2013; MacDonald et al., 2016）。因此，若不刻画ET动态，AI趋势分解将不准确。未来趋势预测需要能再现驱动条件的全球气候模型（GCM），但CMIP6模型在印度河流域存在系统性的降水湿偏差（Gusain et al., 2020）、土壤水分模拟不足（Liu et al., 2024），需要进行偏差校正（Mishra et al., 2020）。论文发表在《Journal of Hydrology: Regional Studies》。

**主要关键技术方法**

1. **LULC变化趋势与偏相关分析**：利用MODIS MCD12Q1（2001–2022，500 m分辨率）提取各类面积，采用Mann-Kendall检验和Theil-Sen斜率检测趋势；通过残差回归法计算LULC类面积与流域平均NDWI/MNDWI的偏相关系数（控制年降水变率）。
2. **蒸散发动态与ET/PET分异**：基于MODIS MOD16A2GF（间隙填充，500 m，8天合成）计算月实际ET，与ERA5-Land PET（Hargreaves-Samani方法）计算ET/PET比值；按LULC类别分层提取ET，分析趋势及与土壤水分（ERA5-Land层1和层2）的Pearson相关性。
3. **干旱指数分解与状态转变检测**：采用UNEP（1992）公式计算年AI（CHIRPS降水/ERA5-Land PET），通过一阶泰勒展开将AI异常分解为降水和PET贡献；应用CUSUM、Pettitt和贝叶斯二分割三种独立方法检测变点（要求收敛于±2年窗口）。
4. **CMIP6偏差校正与未来预估**：使用NASA NEX-GDDP-CMIP6 32模型输出（历史、SSP2–4.5、SSP5–8.5），计算每个模型的Hargreaves-Samani PET（缺少tasmax/tasmin的模型采用Thornthwaite法）；通过delta调整（模型历史期AI均值与观测AI均值之差）进行偏差校正；计算集合平均及四分位范围，分析亚湿润阈值（AI≥0.50）的首次持续跨越年份。

**研究结果**

**4.1 LULC变化与光谱指数**
通过MODIS MCD12Q1年数据（2001–2022）分析，研究人员发现7个LULC类别呈现显著一致趋势：城市扩张+27 km2/年（Z=6.49, p<0.001），森林+428 km2/年（Z=5.25, p<0.001），湿地+44 km2/年（Z=4.12, p<0.001），水体+31 km2/年（Z=4.74, p<0.001）；草地急剧减少-757 km2/年（Z=-4.91, p<0.001），裸地-75 km2/年（Z=-5.58, p<0.001），灌丛-55 km2/年（Z=-4.60, p<0.001）；耕地无显著趋势（Z=0.90, p=0.37）。早期（2001–2010）与晚期（2011–2022）的转移矩阵验证了结构性重组：森林增长+21.8%，湿地+21.1%，城市+2.1%。偏相关分析（控制年降水）表明：城市扩张与NDWI偏相关r=-0.868（p<0.001），水体扩张r=-0.678（p<0.001），森林增加r=-0.682（p<0.001）；城市扩张与MNDWI偏相关r=-0.583（p=0.003）。耕地与NDWI或MNDWI无显著偏相关。这表明流域平均光谱湿度的下降是LULC变化（尤其是森林NIR反射率升高和城市SWIR反射率升高）导致的地表信号，而非水文干旱信号。

**4.2 蒸散发与土壤水分**
ET/PET分异分析揭示：流域平均实际ET显著增加+6.03 mm/年（Z=3.39, p=0.001），ERA5-Land PET显著下降-9.91 mm/年（Z=-2.73, p=0.006），两者趋势方向相反且均显著。ET/PET比值上升+0.0029/年（Z=3.71, p=0.0002）。所有五类LULC（草地、耕地、森林、城市、裸地）ET均显著增加，且雨养类（森林、草地）ET在去除降水信号后仍保持正异常。土壤水分（SM）层1和层2均显著增加，雨养类SM与ET在异常序列上高度相关（Forest: r=+0.71, Grassland: r=+0.68, p<0.001）。SM与NDWI原始负相关（r=-0.572, p<0.001）在控制植被活动后逆转为正（r=+0.583, p<0.001），证实流域尺度水分与光谱解耦。这表明灌溉系统通过地下水和回归流实现景观尺度水分再分配，使所有土地覆盖类型（包括雨养类）ET超额增加，而光谱指数主要响应植被冠层而非土壤湿度。

**4.3 干旱分解与状态转变**
一阶泰勒分解表明降水增强贡献AI变异的73.1%，PET下降贡献26.9%。9个复合强迫年（2008, 2011, 2013, 2017, 2019–2022, 2024）均集中在2008年后。三种变点检测方法收敛于2009–2011年区间（CUSUM最大偏差在2010年，Pettitt在2011年K=116 p=0.014，贝叶斯分割在2009年）。AI均值从转变前0.388跃升至转变后0.477（+0.089, t=-4.02, p=0.0005）。转变后均值接近半干旱/亚湿润边界（AI=0.50），有7个亚湿润年（转变前为零）。这表明2010–2011年发生了统计显著的干旱状态转变，由降水增强主导。

**4.4 CMIP6偏差与未来干旱预估**
32模型NEX-GDDP-CMIP6集合显示普遍正偏差：平均偏差+0.202（范围+0.088~+0.337），低偏差模型包括CanESM5（+0.088）、IITM-ESM（+0.134）、IPSL-CM6A-LR（+0.114）。经delta偏差校正后，集合平均偏差降至0，RMSE改善68%，但偏校正后集合平均与观测年AI的Pearson相关系数r=-0.079（p=0.78），表明无年际预测能力。偏差校正后的集合平均轨迹在SSP2–4.5和SSP5–8.5情景下均间歇性跨越亚湿润阈值（AI≥0.50），但两种情景下在2100年前均未持久维持亚湿润流域平均状态。这种永久性亚湿润阈值跨越的缺失主要是多模型平均抑制年际变率所致，而非低转变风险。

**4.5 水文气候响应的空间异质性**
沿经度分带分析（西区<80°E，中区80–84°E，东区>84°E）表明：西区所有水文气候变量（降水、ET、PET、ET/PET、AI、SM）均呈显著趋势，并检测到状态转变（AI转变前均值0.272，转变后0.403，t-test p<0.001）；中区仅ET增强和ET/PET分异显著；东区（亚湿润，均值AI=0.617）无显著水文气候趋势，但NDWI下降显著（Z=-5.07, p<0.001），证实光谱干燥信号由地表修改驱动。

**讨论与结论**

讨论部分指出，城市扩张速率与文献报道一致（Seto et al., 2011; Nagendra et al., 2018），森林增长可能包含人工林和次生林，需谨慎解释。耕地面积饱和表明农业集约化转向灌溉密度和复种指数提升（Ladha et al., 2003）。偏相关高值（最小可检测|r|=0.423）反映了共有时间尺度结构，但Granger因果检验因样本量不足（n=21）不显著，故关联而非严格因果。PET下降的物理驱动因子包括入射太阳辐射下降（-10.30 MJ/m²/年，Z=-2.69, p=0.007）和相对湿度上升（+0.218%/年，Z=+3.43, p=0.001），表明气溶胶引起的变暗和灌溉引起的大气增湿效应。ET增加趋势在多产品间稳健（MOD16A2GF、PML V2.2a、TerraClimate均显示正斜率），PET下降在FAO-56 PM和Hargreaves-Samani方法下均显著。所有LULC类别的ET普遍增加是景观尺度灌溉反馈的体现，与地下水文献（MacDonald et al., 2016）一致。SM-ET异常相关的高值（r~0.70）证实了年际水分耦合。光谱-土壤水分解耦分析确认植被物候（雨季冠层密度升高NIR反射率）是负SM-NDWI关系的原因。干旱状态转变的西区集中与季风增强文献（Shah and Mishra, 2016; Pant et al., 2023）和洪水频率增加（Arora et al., 2024）一致。CMIP6湿偏差与已有评估（Gusain et al., 2020; Almazroui et al., 2020）吻合，IITM-ESM低偏差归因于其对印度季风的更好表现（Krishnan et al., 2020）。偏差校正后无年际技能是delta方法的理论局限（Maraun, 2016），因此投影应视为气候轨迹而非逐年预测。Hargreaves-Samani与FAO-56 PM PET的敏感性分析显示两者年际信号高度一致（r=+0.987），但绝对阈值接近度对PET公式敏感。

**结论翻译**
本研究提出一个多源遥感和再分析结合的恒河流域综合水文气候归因与预估框架，包含32模型偏差校正CMIP6集合，以回答2000–2024年间光谱指数下降、蒸散发分异和干旱状态转变三个研究问题。主要有四点结论。第一，流域平均NDWI和MNDWI下降是地表变化信号，而非水文干旱信号。最强独立偏相关因子是森林扩张（+428 km²/年，Z=5.25，p<0.001）和城市扩张（+27 km²/年，Z=6.49，p<0.001），分别与近红外（NIR）和短波红外（SWIR）反射率的系统性改变相关。流域耕地面积约在2010年达到饱和，农业集约化从面积扩张转向灌溉密度和种植强度。该观察对方法学的启示是：在南亚河流流域，下降的NDWI和MNDWI值不应被解释为水稀缺的证据，而应首先通过偏相关框架分离地表贡献。第二，实际蒸散发（ET）在全流域上升（+6.03 mm/年，p=0.001），潜在蒸散发（PET）下降（-9.91 mm/年，p=0.006）。多产品交叉比较确认趋势方向不依赖于产品选择。PET下降需要紧急调查：分析ERA5-Land再分析方法对PET计算的依赖、潜在的风速减弱和入射辐射下降，以及灌溉导致湿度增加的可能性。所有五类土地覆盖（包括雨养森林和草地）的ET均上升，且去除降水信号后ET异常仍显著，符合灌溉基础设施全流域土壤水分富集的预期。雨养类别的异常土壤水分-ET耦合（r~0.70，p=0.001）表明灌溉回归流是合理机制，但需空间建模证实。该灌溉-ET反馈未在CMIP6地表方案中明确模拟，应优先改进。子流域分析确认状态转变集中于西区（<80°E），该区降水增强、ET增强、PET下降和土壤水分富集均统计显著；东区亚湿润区（AI均值0.617）无水文气候趋势但NDWI下降最强，强化了光谱干燥信号的地表归因。第三，通过三种方法收敛于2010–2011年的变点，证实统计显著的干旱状态转变（Pettitt p=0.014），AI均值从转变前0.388增至转变后0.477。这最好地描述为亚湿润年份频率的显著且持续增加——从2011年前为零到之后七年。一阶泰勒近似量化降水增强为AI变异的关键驱动因子（占73.1%），复合强迫年集中于2008年后。偏差校正的CMIP6预估显示SSP2–4.5情景下2020年代中期和SSP5–8.5情景下2030年代初期出现间歇性亚湿润阈值跨越，但两种情景在2100年前均未在集合平均层面维持永久性亚湿润流域平均状态。第四，对32个CMIP6模型的系统测试显示它们存在普遍湿偏差（平均+0.202，范围+0.088至+0.337），偏差校正后无年际预测能力（r=-0.079，p=0.78）。这提供了流域尺度的具体证据，表明未进行充分偏差特征化的原始CMIP6结果不应直接用于恒河流域水资源评估。低偏差模型簇（CanESM5、IITM-ESM、IPSL-CM6A-LR）被推荐作为未来性能加权集合预估的可信子集。这些发现对流域政策制定有直接意义。已确立的干旱状态转变和CMIP6预估表明恒河流域正转向一个与现有水分配系统定义不同的水文气候状态。仅将消耗性用水归因于灌溉农业的流域尺度水核算框架低估了总蒸发损失，因为所有土地覆盖类别的ET都在上升。城市水基础设施规划应意识到增长的不可渗透地表具有可能被误解为水文胁迫信号的光谱监测线索。基于未经偏差校正的原始CMIP6预估的气候适应计划将导致系统性地更湿的未来，与观测轨迹不符。在本文框架基础上进行恒河流域综合CMIP6偏差校正和模型性能评估被确定为下一阶段研究的优先事项。