《Ecological Indicators》:Research on attribution and prediction of runoff changes in loess gully areas based on SWAT and machine learning models
编辑推荐:
径流演变是影响黄土沟壑区区域生态安全和水土资源可持续利用的关键问题。研究人员选取芮河流域(Rui River Basin, RRB)作为研究区,构建了趋势检验、模型耦合、归因分析和情景预测的研究框架,系统揭示了径流的时空演变规律。基于SWAT模型及其输出数据,
径流演变是影响黄土沟壑区区域生态安全和水土资源可持续利用的关键问题。研究人员选取芮河流域(Rui River Basin, RRB)作为研究区,构建了趋势检验、模型耦合、归因分析和情景预测的研究框架,系统揭示了径流的时空演变规律。基于SWAT模型及其输出数据,研究人员开发了XGBoost分位数回归(XGBoost-QR)模型进行径流模拟对比,展示了物理机制与机器学习模型集成的优势,并利用情景分离法量化了气候变化和人类活动对径流变化的贡献。最后,将CMIP6(BCC-CSM2-MR)气候情景和土地利用与土地覆被变化(LUCC)模式预测整合到SWAT模型中,预测了2022年至2040年的径流趋势。结果表明:(1)华亭(HT)、安口(AK)和袁家庵(YJA)的降水量增加(6.60–10.50 mm/10a),而年径流总体减少(0.004–0.04 × 108 m3/10a),突变发生在1990年和2009年。(2)耦合模型提高了整体模拟精度,人类干预是驱动径流变化的主导因素,贡献率为42.86% ~ 73.69%,而LUCC的贡献率介于16.67%和45.71%之间。(3)从2022年到2040年,在SSP1–2.6、SSP2–4.5和SSP5–8.5情景下,年径流呈增加趋势(0.01–0.44 m3/s·10a)。通过多模型集成和多情景分析,本研究为黄土沟壑区水土资源协调调控和生态适应性管理提供了科学依据。
**论文解读:基于SWAT和机器学习模型的黄土沟壑区径流变化归因与预测研究**
**研究背景与现存问题**
黄土沟壑区是黄河流域生态脆弱区,水土流失严重、生态修复与农业灌溉活动密集,径流演变直接关系到区域生态安全与水土资源可持续利用。然而,气候变化(降水、温度、蒸散发变化)与人类活动(如水库调节、土地利用变化、农业灌溉)的复合作用导致水文过程非平稳性增强,使径流归因与预测面临巨大不确定性。现有方法存在局限:传统统计法难以刻画非线性关系;Budyko水能平衡法忽略水储量变化;机器学习模型虽能捕捉非线性但缺乏物理约束;单一物理模型(如SWAT)在极端事件和复杂驱动下精度有限。因此,整合物理机制与数据驱动方法、量化各驱动因子贡献、并预测未来情景成为亟待解决的科学问题。该论文以芮河流域(RRB)为典型研究区,旨在构建集成趋势检验、模型耦合、归因分析与情景预测的研究框架,为黄土沟壑区水土资源协调调控提供科学依据。论文发表在《Ecological Indicators》。
**主要技术方法(不超过250字)**
研究人员基于1975–2022年气象、水文、LUCC(土地利用与土地覆被变化)及DEM(数字高程模型)数据,构建了物理-数据耦合框架。关键方法包括:(1)采用SWAT模型(基于物理机制的半分布式水文模型)模拟径流,并通过SUFI-2算法进行参数率定与不确定性分析;(2)基于SWAT输出变量(如子流域进出流、气象变量、LUCC信息)与实测径流,构建XGBoost分位数回归(XGBoost-QR)耦合模型,以提高模拟精度并提供不确定性区间;(3)利用情景分离法(固定气象或LUCC)量化气候变化与人类活动(包括LUCC及其他人类活动)对径流变化的贡献率;(4)结合PLUS模型(斑块生成土地利用模拟模型)预测未来LUCC格局,并选用CMIP6中BCC-CSM2-MR气候模式数据(经分位数映射降尺度与偏差校正),驱动SWAT模型预测2022–2040年径流趋势。样本数据来源包括甘肃省水文站(HT、AK、YJA)月径流与降水数据、国家气象信息中心日值数据等。
**研究结果**
**4.1 径流演变与气候因子的趋势特征**
**4.1.1 年际趋势**:1975–2022年,HT、AK、YJA三站年径流呈不显著下降趋势(斜率分别为-0.02、-0.04、-0.004 ×10
8 m
3/10a),降水呈不显著增加(6.60–10.50 mm/10a),潜在蒸散发(PET)显著增加(约1.28 mm/a)。累积距平法与Pettitt检验一致表明径流在1990年和2009年发生突变。
**4.1.2 年内趋势**:径流季节分配呈“先增后减”,洪季(7–10月)径流占比62.13%–63.88%,夏季下降最快。非均匀系数(Cv)、集中度(Cn)等指标揭示上游年际波动较弱,中游波动增强,下游(YJA)径流恢复最显著。
**4.2 LUCC趋势与预测**
1980–2020年,草地与耕地为主要类型(占比48.82%和38.21%),建设用地显著增加(27.44 km2增至66.97 km2),主要源于耕地与林地转化。PLUS模型预测显示,自然发展情景下至2035年耕地持续减少(累计53.52 km2),建设用地增加31.30 km2,中覆盖草地增加,高、低覆盖草地减少,呈现“斑块填充”式城镇化扩张。
**4.3 归因分析**
XGBoost-QR模型在校准期拟合精度高(R2=0.99, NSE=0.98),但验证期泛化能力下降(NSE=0.71–0.85)。SWAT模型在校准与验证期稳定性较好,R2≥0.62,NSE≥0.58。基于SWAT的情景分离结果表明:在变化期I(1991–2009),气候变化贡献率在HT、AK、YJA分别为56.52%、39.34%、30.99%,人类活动贡献率分别为43.48%、60.66%、69.01%;变化期II(2010–2022)人类活动贡献率升至65.00%–72.09%。LUCC贡献率在YJA最大(40.85%),其他人类活动(如灌溉、取水、水库调节)在AK贡献突出(42.62%)。XGBoost-QR归因结果(HT、AK、YJA人类活动贡献52.00%、58.51%、72.14%)与SWAT高度一致,验证了人类活动主导径流变化且存在空间异质性。
**4.4 基于CMIP6数据的径流预测**
**4.4.1 未来降水与温度趋势**:经偏差校正,BCC-CSM2-MR模型在降水模拟中表现最优(r>0.58)。2024–2040年,RRB呈暖湿化趋势,温度增幅大于降水,SSP5–8.5情景下HT升温达1.69°C。
**4.4.2 未来径流预测**:耦合自然LUCC演变与BCC-CSM2-MR气候数据,SSP1–2.6、SSP2–4.5、SSP5–8.5情景下年径流均呈增加趋势(0.01–0.44 m3/s·10a),SSP2–4.5增量最大。洪季径流占比下降(SSP5–8.5下降8.52%–10.13%),非洪季径流增加,春、冬季径流增幅最大,表明径流季节分配趋于均匀化。
**讨论与结论总结**
讨论部分指出,SWAT模型敏感性分析中河道渗漏参数(TRNSRCH)最敏感,其次为地下水与土壤水参数,表明模型能较好表征研究区径流形成过程。但变化期II的P-factor低于推荐值,提示人类活动加剧时段模型不确定性增加。未来径流预测中,降水增加是主要驱动,但增温引起的蒸散发增强可能部分抵消降水效应;LUCC中耕地减少与建设用地扩张进一步改变产流条件。研究存在局限性:未完全量化多种人类活动影响;仅依赖单一气候模型与自然LUCC情景,可能低估不确定性。最后,研究结论总结如下:(1)1975–2022年,HT、AK、YJA年降水呈不显著增加,年径流分别以0.02、0.04、0.004 ×10
8 m3/10a速率下降,径流在1990年和2009年发生两次突变。(2)人类活动是下游径流变化的主要驱动因子。XGBoost-QR模型估算的HT、AK、YJA人类活动贡献率分别为42.86%–71.42%、60.00%–66.67%、69.57%–73.69%;SWAT模型估算分别为43.48%–65.00%、60.66%–71.43%、69.01%–72.09%。1991–2022年,LUCC对三站径流变化的贡献率为16.67%–45.71%。(3)2022–2040年,在SSP1–2.6、SSP2–4.5、SSP5–8.5情景下,全流域径流呈增加趋势(0.01–0.44 m3/s·10a),SSP2–4.5情景增量最大。洪季径流通常减少,而春季和冬季径流呈增加趋势。