重建长期历史水文变化以支持德克萨斯州的生态流量

《River Research and Applications》：Reconstructing Long-Term Historical Hydrologic Alteration to Support Environmental Flows in Texas

　　

理解并量化水文变化（Hydrologic Alteration）对于有效的流域管理和生态保护至关重要。本研究开发了一个建模框架，利用公开的地理空间数据集预测德克萨斯州的参考水文（Reference Hydrology）并评估和模拟水文变化。研究人员采用两阶段随机森林回归（Random Forest Regression）方法，基于自然预测因子在测站位置模拟参考流量条件。变化被计算为观测值与这些模拟参考条件之间的偏差。第二组模型使用人为预测因子预测水文变化。参考水文模型表现良好（平均R² > 0.9），其中河流分类（Stream Classification）被识别为关键驱动因素。水文变化模型的性能变化较大（R²范围：0.45–0.89），土地利用变量在预测重要性中始终排名最高。预测的变化模式表现出空间和时间变异性，总体上随时间呈现盈余流量（Surplus Flow）条件增加的趋势，尤其在德克萨斯州东部。该建模框架能够大规模预测水文变化，并揭示其主要驱动因素，为预测未来发展对流量态（Flow Regime）的影响提供了有价值的工具。

**论文解读：重建德克萨斯州长期水文变化以支持生态流量管理**

**研究背景与问题**
淡水河流生态系统在有限空间内支持着极高的生物多样性，并提供供水、发电、娱乐、食物和水净化等关键生态系统服务。然而，人类活动带来的流量改变（Hydrologic Alteration）已成为河流系统的主要生态胁迫因子。流量被视为淡水生态系统的“主变量”（master variable），塑造物理栖息地、影响水质并构建生物群落。自然流态（Natural Flow Regime）是水生群落长期适应的水文条件组合，但人类活动在全球范围内显著改变了流态特征，损害了本地物种的生存。为了恢复自然流态，保护实践者常依赖基于科学的流量目标，其中广泛应用的方法是水文变化的生态限制（ELOHA）框架，该框架将量化的水文变化与生态响应关联以推荐流量目标。然而，ELOHA的实施面临数据需求庞大、参考条件难获取等限制。历史流量记录常受限于数据可用性，而空间替代时间方法所需的低人类影响站点日益稀缺。此外，现有研究多依赖静态参考条件，难以捕捉气候非平稳性和人为干扰的时间动态。德克萨斯州作为美国第二大州，拥有多样的地质和气候梯度，其河流自然具有暴涨特性，且因湖泊稀缺而建设了大量水库以满足供水需求，同时半干旱气候加剧了水资源可持续性的担忧。因此，迫切需要一种能够在大空间尺度上重建长期历史水文变化的方法，以识别变化驱动因子并支持水资源管理。

**研究内容与结论**
研究人员开发了一个建模框架，旨在重建德克萨斯州每条河流河段（stream reach）的长期历史水文变化。该框架利用最全面的公开地理空间数据集，通过一系列机器学习模型（如随机森林）识别参考测站，预测时空变化的参考水文，量化测站处的水文变化，并预测全州每条河段的历史变化水平。研究结果表明，自1938年起约90%的德克萨斯州河流已表现出流量改变迹象，且这一变化在时间上持续增加。自然景观变量（如河流分类、气候）能够可靠地预测参考水文条件，其中河流分类是第一阶段模型的最重要变量；而人为土地利用（尤其是农业和城市用地）被确定为水文变化的主要驱动因子。预测变化模式显示空间和时间差异性，东部德克萨斯州盈余流量（Surplus Flow）条件随时间显著增加。该研究为评估人类发展对流量态的影响提供了有力工具。论文发表在《River Research and Applications》。

**主要关键技术方法**
（不超过250字）研究人员采用两阶段随机森林回归（two-stage random forest regression）方法。第一阶段使用时间不变的自然预测因子（包括流域特征、长期气候平均值）和河流分类（Hydrologic Stream Classification）预测每个测站记录期的平均水文指数（HIT统计量）；第二阶段将第一阶段输出与年度气候变量结合，预测逐年参考水文值。为分类参考与非参考测站，研究人员利用随机森林分类器，基于60个流域特征（来自USEPA的StreamCat数据集、NHDPlusV2、国家水坝清单等）对399个未分类测站进行分类，并参考Falcone（2011）已有分类。随后，通过比较观测值与模型参考值计算水文变化（公式来自Eng等，2012）。最后，使用人为预测因子（包括年度水库库容、用水量、土地利用类型及静态人为变量）训练另一组随机森林模型，预测所有河段（n=585,497）的年度水文变化。样本数据来源包括德克萨斯州及邻州共923个USGS测站的日流量记录（1938-2020年），以及PRISM气候数据和EROS土地覆盖数据。

**研究结果**
**3.1 参考分类**：随机森林分类模型总体准确率为86%。非参考类别的精确率和召回率较高（0.88和0.96），而参考类别的召回率较低（0.39），表明模型遗漏了部分真实参考测站。水坝库容（Dam storage）是最重要的分类变量（Gini重要性0.155）。德克萨斯州测站数量在20世纪中期激增，非参考测站比例上升，1970年代后趋于稳定，且无测站从非参考恢复为参考状态。

**3.2 量化水文变化**
**3.2.1 参考水文模型**：最终模型性能优异，R²介于0.82（年最大流量日期）至0.97（年平均流量）之间，多数超过0.9。第二阶段（逐年预测）模型优于第一阶段（长期平均）模型，平均R²提高0.39。河流分类是第一阶段最重要的变量，其次是草地覆盖和气候变量；第二阶段中第一阶段输出最重要。

**3.2.2 计算水文变化**：变化值在不同指标和测站间差异显著。案例研究显示，韦科附近的布拉索斯河（Brazos River at Waco）从参考转为非参考后，日流量变异系数（ma3）的变化早期出现并稳定下降，而年平均流量（ma1）的变化在几十年后才显著。达拉斯附近的特里尼蒂河（Trinity River at Dallas）一直为非参考，但某些年份变化接近零，强调多指标评估的重要性。累积变化与测站数量增长趋势一致，1970年代后期和1980年代变化幅度小于1950年代。

**3.2.3 预测水文变化**：变化模型性能在指标间变化，R²范围0.47至0.90。土地利用变量（作物、牧场、城市用地）在所有流态分量中重要性最高。预测显示，仅约10%的河流年平均流量（ma1）保持在参考条件的10%以内，东部德克萨斯州盈余流量（正变化）水平自1938年至2020年翻倍，而消耗（负变化）相对稳定。

**讨论与结论**
讨论部分指出，本研究将参考条件作为每年变化的“移动目标”来处理气候非平稳性和人为干扰的时间动态，相较于以往的空间替代时间或固定冲击前方法提供了更精细的信息。水坝库容在参考分类中的高重要性符合预期，而土地利用在变化预测中的主导地位与McManamay等（2017）的研究一致。约90%河流变化超过10%的发现略高于以往估计（86%或80%），且盈余流量在湿润东部地区更常见，靠近大都市的河流也常出现年平均流量偏高。研究还讨论了气候与调控的交互作用对变化的影响。

研究结论部分翻译如下：
本研究证明了现有地理空间数据集在基于时间显式框架下，跨大尺度环境异质性区域模拟参考水文条件并量化水文变化的实用性。在该框架中，与参考条件的偏差主要与河流调控相关，而参考水文状况主要由河流分类决定，气候发挥补充作用。尽管水文变化的预测性能低于参考水文，模型结果表明人为土地利用对河段尺度变化施加最强影响，突显了间接的流域尺度驱动因子在改变流量中的作用。虽然该框架在德克萨斯州背景下开发，但可广泛迁移至其他拥有类似地理空间和水文数据集的区域，为评估和预测不同人为改造与监管程度下的水文变化提供一致基础。该框架扩展了现有文献，提供了识别关键气候、地形和人为驱动因子的手段，并基于情景评估未来土地利用和水资源开发可能的水文影响。