西喜马拉雅山区一个流域的融雪动态与气候变化对河流流量的影响
《Science of The Total Environment》:Snowmelt dynamics and stream flow response to climate change in a mountainous basin, western Himalaya
【字体:
大
中
小
】
时间:2026年08月07日
来源:Science of The Total Environment CS18.8
编辑推荐:
摘要
雪是喜马拉雅水文循环中的关键组成部分,它维持着河流流量、补充地下水、让泉水重新活跃、保持土壤湿度,并为各种依赖水的行业提供支撑。然而,气候变暖正在减少季节性积雪覆盖范围并改变融雪时间,这增加了融雪、降雨和地下水对河流流量的相对贡献的不确定性,也使得未来水资源状况的预测变
摘要
雪是喜马拉雅水文循环中的关键组成部分,它维持着河流流量、补充地下水、让泉水重新活跃、保持土壤湿度,并为各种依赖水的行业提供支撑。然而,气候变暖正在减少季节性积雪覆盖范围并改变融雪时间,这增加了融雪、降雨和地下水对河流流量的相对贡献的不确定性,也使得未来水资源状况的预测变得困难。为了解决这一科学问题,我们将24年的卫星观测得到的积雪数据与2020–2023年间通过实地采集的降雨、降雪、地下水和河流水样的稳定同位素数据(δ18O和δ2H)相结合,同时还运用了融雪径流模型(SRM)。这种综合分析方法使我们能够研究在当前及未来气候情景下,西喜马拉雅山区流域的长期积雪动态以及河流流量形成过程。长期趋势分析(2000–2023年)显示,该地区的积雪覆盖面积显著减少,减幅为每年3.31平方公里,这一下降速度超过了其他一些喜马拉雅地区的报告数值。贝叶斯混合分析结合SRM模型表明,夏季河流流量主要由融雪驱动(占比61±3.2%),冬季则主要由地下水决定(占比62±2.5%),而春季的河流流量则主要来自降雨(占比37±2.3%)。从全年来看,融雪仍是河流流量的主要来源,占比为52–60%,其次是地下水,占比为24–28%。基于CMIP6气候预测结果,在不同的社会经济路径情景下进行的未来河流流量模拟显示,融雪时间将提前,且河流流量在季节间的分布将从夏季向春季转移。在SSP2–4.5情景下,21世纪末的峰值流量预计会增加约8–15%,而在SSP5–8.5情景下则会上升约20–40%,同时夏末的流量将会下降。这些研究结果凸显了依赖融雪的喜马拉雅流域对气候变暖的脆弱性,也强调了需要采取适应性水资源管理措施以及具有气候适应能力的农业规划,以降低季节性供水风险。
引言
山脉被广泛视为全球的“水塔”,它们储存并释放大量淡水,为上下游的生态系统提供支持(Somers, 2019; Immerzeel et al., 2020)。地形抬升会增加山区的降水量,其中很大一部分以季节性积雪和冰川冰的形式存在,从而调控着各大河流流域的流量时间、规模和稳定性(Somers, 2019; Scott et al., 2019, 2020; Immerzeel et al., 2020)。喜马拉雅地区是极地以外冰冻圈占比最高的区域之一,那里有广阔的季节性积雪和冰川覆盖区(约40,000–60,000平方公里),对这些区域而言,冰冻圈对南亚地区的淡水季节性分配起着至关重要的控制作用(Bajracharya et al., 2019; Kraaijenbrink et al., 2021; Lutz et al., 2022)。在以积雪为主的高海拔喜马拉雅流域,季节性积雪是维持旱季流量的主要自然储水层,同时也为农业、水电开发以及各类社会经济活动提供支持(Li et al., 2020)。然而,近期研究表明,兴都库什-喜马拉雅地区整体呈现升温趋势,与此同时,降水的形式也在发生变化,积雪覆盖面积不断减少,融雪时间提前,径流模式也发生改变,这些都影响了冰冻圈与水文系统之间的关联(Berghuijs et al., 2014; Bajracharya et al., 2019; Dharpure et al., 2021; Lutz et al., 2022; Dhaubanjar et al., 2023; Bhardwaj et al., 2025)。对于那些缺乏永久性冰川冰作为缓冲、只能依靠冬季积累的积雪来维持流量的以积雪为主的流域来说,这些影响尤为严重(Bookhagen and Burbank, 2010; Dahlke et al., 2014; IPCC, 2014; Qazi et al., 2019; Chiphang et al., 2020)。因此,对积雪动态进行长期观测对于理解在当前及未来气候条件下的河流流量形成以及季节性水资源状况至关重要(Snehmani et al., 2016; Bouamri et al., 2021; Dixit et al., 2024)。
卫星获取的多年积雪数据能够提供较为准确的积雪覆盖面积估算值,将这些数据与地面水文观测数据以及基于物理过程的水文模型相结合,有助于更准确地判断融雪时间和径流形成情况(Viste and Sorteberg, 2015; Snehmani et al., 2016; Shukla et al., 2017)。基于CMIP6社会经济路径情景的气候预测进一步表明,气候变化导致的降雪向降雨转变、融雪开始时间提前以及积雪持续时间缩短,都将显著影响喜马拉雅流域的径流强度和季节性特征(Krishnan et al., 2019; Tang et al., 2022; Bajracharya et al., 2023)。这类变化可能会增加早季的流量,降低夏末的基流水平,进而干扰灌溉安排、水电生产以及生态流量维持机制(Barnett, 2005; Lutz et al., 2016; Dhaubanjar et al., 2023)。
为了解释山区流域的径流形成机制以及河流流量的来源,人们已经采用了许多传统方法,包括水文测量、水文图分析、水量平衡评估,以及基于物理原理或经验规律的水文模型(Dunne and Black, 1970; Bonell and Fritsch, 1997; Hooper, 2001; Uhlenbrook and Hoeg, 2003; Shaman et al., 2004; Vitvar et al., 2005; Buttle, 2006; Sidle, 2006; Berman et al., 2009; Paniconi and Putti, 2015; Chen et al., 2019)。尽管这些方法能够为了解流域水文响应和径流动态提供重要信息,但它们往往依赖于间接推断,难以明确区分融雪、降雨和地下水各自的贡献程度,尤其是在那些存在多种水流路径相互作用的复杂高山环境中(Mosley, 1979; Uhlenbrook and Hoeg, 2003; Laudon et al., 2004; Bonell et al., 2006; Assaf, 2007; Birkel et al., 2010; Bourdin et al., 2012; Dahlke and Lyon, 2013)。
稳定水同位素(δ18O和δ2H)为量化融雪、降雨和地下水对河流流量的相对贡献提供了有效的基于过程的分析框架,因为同位素特征能够反映海拔差异带来的分馏效应、水分来源的差异以及地下水的混合过程(Craig et al., 1963; Lide et al., 2005; Jeelani et al., 2013; Ala‐aho et al., 2017; Kirchner and Allen, 2020; Rai et al., 2021)。通过贝叶斯混合分析方法对时间序列的同位素数据进行解读,可以实现对不同来源水体的季节性区分,进而更深入地了解水文系统的连通性(Cable et al., 2011; Kirchner et al., 2020; He et al., 2020; Lone et al., 2021; Dai et al., 2022; Andraos, 2024; Popp et al., 2025)。近期在喜马拉雅流域开展的研究表明,同位素时间序列在识别径流来源的季节性变化以及验证融雪时间预测方面具有重要作用(Ahluwalia et al., 2013; Singh et al., 2021; Roy et al., 2024; Lone and Jeelani, 2024; Bhagwat et al., 2025)。像融雪径流模型(SRM)这样的温度指数模型,由于对数据要求较低且性能稳定,被广泛用于以积雪为水源的流域的预报工作以及气候敏感性分析中(Chen et al., 2017; Avesani et al., 2025; Rawat et al., 2025)。当结合卫星获取的积雪覆盖面积数据,并通过独立的同位素证据进行验证时,基于示踪剂的SRM模型能够更准确地判断融雪时间、各水源的贡献程度以及未来河流流量的变化趋势(Jain et al., 2010; He et al., 2019; Vinze et al., 2023)。尽管在积雪覆盖测绘、同位素水文学以及融雪建模方面已经取得了不少进展,但在非冰川化的喜马拉雅流域中,针对融雪时间和河流流量来源的综合性示踪剂分析仍然较为有限。
本研究旨在填补这一空白,通过整合长期的卫星积雪数据、稳定水同位素数据以及SRM模型,深入理解在当前及未来气候条件下,喜马拉雅山区流域的积雪动态及其对河流流量形成的影响。具体而言,我们首先量化积雪覆盖面积的长期变化趋势,其次利用贝叶斯同位素混合分析方法,确定融雪、降雨和地下水对河流流量的季节性贡献比例,最后基于CMIP6的气候预测结果,在SSP2–4.5和SSP5–8.5两种情景下模拟未来的河流流量变化。我们假设,河水中同位素的季节性变化反映了水源贡献方式的系统性转变,而积雪覆盖面积的长期减少会导致融雪开始时间提前,融雪季节缩短,同时夏末的流量也会下降。通过整合多源观测数据与基于气候驱动的融雪模型,本研究为理解由融雪驱动的水文过程提供了可借鉴的见解,也为在以积雪为主导的喜马拉雅流域制定适应气候变化的水资源管理策略提供了依据。
研究区域
费罗兹波拉流域位于北纬33°54′00″至34°12′30″、东经74°18′00″至74°48′00″之间。该流域的面积约为454平方公里,海拔范围在1520米至4390米之间(见图1)。费罗兹波拉河流经该流域约51公里后,在巴勒穆拉县的特里科尔巴尔村汇入杰赫勒姆河。该流域的上游排水网络呈树状分布,向下流则逐渐变为近似平行的结构。有两个主要的……
水样采集与分析
在2020年至2023年期间开展的野外调查中,我们从费罗兹波拉流域共采集了428份水样,用于稳定水同位素分析。这些水样包括:降雨样本140份、降雪样本75份、地下水样本73份以及河水样本140份。为了了解该流域的特征,我们使用ArcGIS 10.4.1软件处理了高山区数字高程模型(HMA-DEM,分辨率为8米),以此得出海拔变化情况并提取出流域的排水网络。
地理坐标
积雪动态与河流流量形成
每月的积雪覆盖面积在1月至2月达到峰值,约为70%,即约240平方公里;3月时有所下降,约为45%,即约155平方公里;而8月和9月则降至年度最低值,分别为1.31%,即约4.5平方公里,以及0.62%,即约2.14平方公里。图2展示了该地区温度、降水量、积雪覆盖情况以及河流流量的季节性变化规律。在冬季(1月至2月),降水主要以降雪形式出现,因此整个流域都会被厚厚的积雪覆盖。从3月开始,随着气温上升,降雪逐渐减少,……
积雪减少与河流流量响应
通过对积雪覆盖、稳定水同位素以及水源贡献方面的空间和时间变化进行观察,我们可以更好地理解费罗兹波拉流域中影响河流流量形成与变化的各类水文过程。图2表明,季节性升温在河流流量形成过程中起着重要作用。从春季开始,随着气温上升,降水形式逐渐从降雪转变为降雨。在这一过渡时期,降雨量的增加进一步加剧了……
结论
在本研究中,我们整合了24年的卫星积雪数据、2020–2023年间采集的降雨、降雪、地下水及河流水样的稳定水同位素数据(δ18O和δ2H),同时还运用了融雪径流模型(SRM),旨在研究西喜马拉雅山区流域的积雪动态,并量化其对该地区河流流量形成的影响。通过MODIS卫星获得的积雪覆盖面积数据表明,该地区的积雪覆盖面积出现了显著的长期下降趋势。
致谢
本研究得到了印度政府科技部的阿努桑丹国家研究基金会(ANRF)的支持,项目编号为CRG/2022/004353。第一作者还感谢印度科技部在INSPIRE奖学金计划下提供的资金支持,奖学金编号为IF: 190574。此外,作者们还要感谢印度气象部门提供的气象数据,以及位于古尔马格的查谟和克什米尔缆车公司(JKCCC)在高山积雪研究过程中给予的 logistical支持。
作者简介
比拉尔·A·巴特 | 吉·吉拉尼 | 苏海尔·A·洛恩
印度克什米尔大学地质系,斯利那加-190006