《Water Resources Research》：Spatiotemporal Drivers of Runoff Event Timescales: An Event-Based Clustering Approach Applied to 388 Catchments in the Contiguous United States
编辑推荐：
径流对降雨事件的响应取决于前期湿润状况和流域属性。响应的一个主要特征是径流事件时间尺度，此处定义为事件体积与峰值径流率之比。由于事件时间尺度本质上反映了径流事件形状（例如，延长型或骤发型），分析该指标及其主要驱动因子有助于识别流域中快速和慢速的径流生成机制。然
径流对降雨事件的响应取决于前期湿润状况和流域属性。响应的一个主要特征是径流事件时间尺度，此处定义为事件体积与峰值径流率之比。由于事件时间尺度本质上反映了径流事件形状（例如，延长型或骤发型），分析该指标及其主要驱动因子有助于识别流域中快速和慢速的径流生成机制。然而，评估不同气候区事件时间尺度时空变异性及其控制因素的大样本研究仍然稀缺。在此，研究人员量化了水文气象事件条件和物理流域属性如何影响气候对比鲜明流域中的径流事件时间尺度。研究人员基于干旱指数，在美国本土388个无雪流域中分别针对湿润和干旱气候类型进行了事件分析。研究人员证明，事件时间尺度的时空驱动因子在湿润组和干旱组之间存在显著差异。在湿润流域中，时间尺度的时变性主要由降雨事件特征决定，特别是降雨事件持续时间。虽然在干旱组中降雨特征也很重要，但前期土壤湿度在预测干旱流域的时间尺度方面比湿润流域更为重要。流域中位数时间尺度受地形、土壤和气候属性的影响。诸如流域面积等物理属性在湿润流域中最为重要，而平均潜在蒸散发对干旱流域中位数时间尺度的影响最强。研究结果暗示，事件时间尺度的潜在控制因素随流域气候类型而变化。
**论文解读：径流事件时间尺度的时空驱动因子——基于事件聚类方法在美国本土388个流域的应用**
**研究背景与问题**
流域尺度的水文过程具有高度复杂性，因为每个流域的物理和气候属性独一无二，且降雨等水文气象强迫随时间变化。尽管这种独特性和变异性使得流域功能的泛化变得困难，但根据水文功能对流域进行分组仍具有重要意义，例如用于发展新水文理论、预测无资料流域的水文过程或水文建模任务。以往研究主要基于季节到年际径流情势或长期水文特征（如基流指数）来划分流域组。然而，在短时间尺度（小时到天）上，径流对降雨的响应是整合性的水文特征，包含上游水流过程、流域蓄水和物理属性的信息。径流响应的幅度和形状在不同流域间存在空间变异性，同时也因水文气象强迫和流域湿度状态的变化而在同一流域内存在时间变异性。径流事件时间尺度（定义为径流事件体积与峰值径流率之比）是反映径流形状的关键指标，可以提供关于快速和慢速径流生成机制（如超渗产流或地下水补给）的见解。然而，以往研究主要关注湿润环境（如奥地利、德国、英国、新西兰），缺乏对干旱流域的考察，且气候类型间的差异分析不足。此外，对于哪些物理和气候属性主要控制时间尺度的空间变异性，已有研究结果不一致（例如，流域面积和坡度的作用）。因此，本研究旨在回答以下问题：（1）哪些水文气象事件条件解释了流域内径流事件时间尺度的变异性（时间变异性）？（2）跨流域，哪些物理和气候属性是流域中位数事件时间尺度的主要预测因子（空间变异性）？（3）在湿润和干旱气候下，事件时间尺度的时空控制因素有何异同？
**研究内容与结论**
研究人员利用美国本土388个无雪流域的CAMELS和Caravan数据集，首先通过降雨-径流事件识别工具提取每个流域的径流事件，并计算事件时间尺度（Ts）。随后，基于Ts对每个流域内的径流事件进行层次聚类（Ward连接法），将其分为短、中、长三类不同的径流形状。接着，针对湿润组（干旱指数?<1，n=283）和干旱组（?≥1，n=105），分别分析时间变异性（水文气象事件条件的影响）和空间变异性（物理与气候流域属性的影响）。时间变异性分析中，在每个流域内建立随机森林分类器，以水文气象事件条件（表2）为预测变量，事件聚类结果为目标变量，评估特征重要性，并结合Spearman秩相关分析。空间变异性分析中，分别对湿润组和干旱组建立随机森林回归模型，以物理和气候属性（表1）为预测变量，流域中位数Ts为目标变量，同样计算特征重要性和Spearman秩相关。
主要结论如下：在时空控制因素上，湿润组和干旱组存在显著差异。时间变异性方面，降雨事件特征（尤其是降雨事件持续时间Pdur）在绝大多数流域中是最重要的预测因子，但前期土壤湿度（ASM）在干旱组中的重要性显著高于湿润组。空间变异性方面，流域中位数Ts受地形、土壤和气候属性共同控制，但影响程度不同：湿润组中流域面积和土壤属性（如饱和导水率、粉粒含量）更为重要，而干旱组中平均潜在蒸散发（PET）和黏粒含量起主导作用。该研究发表在《Water Resources Research》。
**主要技术方法**
研究人员采用以下关键技术方法：（1）基于Tang and Carey (2017)开发的工具箱进行降雨-径流事件识别，并附加五步质量控制步骤（参照Zheng et al., 2023）；（2）使用层次凝聚聚类（Ward连接法）将每个流域内的径流事件按事件时间尺度（Ts）分为短、中、长三类；（3）利用随机森林分类器评估每个流域内水文气象事件条件（包括降雨强度、降雨量、降雨持续时间、前期土壤湿度、前期基流）对事件聚类归属的重要性，并计算Spearman秩相关；（4）利用随机森林回归器评估物理和气候流域属性（地形、植被、土壤、地质、气候五类）对流域中位数Ts的预测能力，结合Spearman秩相关分析方向。数据来源为CAMELS数据集（Addor et al., 2017; Newman et al., 2015）和Caravan数据集（Kratzert et al., 2023），涵盖美国本土388个流域。
**研究结果**
**4.1 事件时间尺度聚类及其空间格局**
通过质量控制，每个流域平均每年识别出2至19个径流事件，高事件数流域主要位于美国东部和东南部，低事件数流域位于中南部和西南部。所有流域的事件时间尺度中位数（Ts）范围约为2至18天。聚类后，短Ts流域主要位于密西西比河中游谷地、俄亥俄谷地和西墨西哥湾沿岸，长Ts流域位于北部大平原和太平洋西北部。
**4.2 事件时间尺度的时间变异性：水文气象事件条件**
**4.2.1 各流域的水文气象驱动因子**：随机森林分类器在所有流域的平均预测准确率为0.64。平均而言，降雨事件持续时间Pdur是事件聚类（短、中、长Ts）最重要的条件，其次是最大降雨强度Pmax和平均降雨强度Pint。在95%的流域中，降雨衍生条件是最重要的预测因子，而前期基流BF或不同深度的前期土壤湿度ASM仅在5%的流域中占主导。Pdur和Pmax在太平洋西北部、墨西哥湾沿岸、密西西比河中游和俄亥俄谷地尤为重要，而Pint在中央大平原和北部大平原重要性高。BF和ASM在南部太平洋边界和谷地地区重要性较高，但ASM总体重要性较低。
**4.2.2 湿润与干旱流域的比较**：湿润组位于太平洋西北部及大平原东部至东海岸，干旱组主要位于大平原和南部太平洋海岸。Wilcoxon检验显示，除ASM3外，几乎所有水文气象条件的重要性在两组间存在显著差异。降雨条件（Pdur、Pmax、Pvol）在湿润组中重要性更高，而前两层土壤ASM在干旱组中更重要。Spearman秩相关表明，Ts与Pdur正相关（湿润组更强），与Pint和Pmax负相关，与所有湿度变量正相关（干旱组更强）。
**4.3 事件时间尺度的空间变异性：物理与气候流域属性**
湿润组中位数Ts约3.8天，干旱组约3.2天。随机森林回归模型在湿润组和干旱组的R2分别为0.52和0.43。在湿润组中，最重要的流域属性是流域面积，其次为饱和土壤导水率和粉粒含量；Spearman秩相关显示黏粒含量与Ts的相关系数绝对值最大（ρ=-0.42）。在干旱组中，最重要的属性是平均PET，其次为黏粒含量和面积；Ts与黏粒含量相关系数最高（ρ=-0.63），其次与饱和导水率（ρ=0.48）、降水季节性（ρ=0.41）和平均PET（ρ=-0.40）显著相关。
**讨论与结论**
**5.1 时空控制因素**
时间变异性方面，无论气候类型，降雨事件特征主导了Ts的时间变异性。高降雨强度导致短Ts，表明快速压力波传播和浅层流路激活；长降雨持续时间导致长Ts，表明缓慢排水或高蓄水能力。在干旱组中，前期土壤湿度对Ts的额外影响更显著。空间变异性方面，湿润组中流域面积是重要预测因子，面积大导致长Ts；干旱组中平均PET是最强预测因子，高PET对应短Ts，表明高蒸发损失。土壤属性（如黏粒含量）在两组中均重要，高黏粒导致短Ts（低导水率），高导水率导致长Ts（深层流路贡献）。
**5.2 更广泛的意义**
湿润与干旱组的区分揭示了事件时间尺度时空控制因素的显著差异，强调了针对不同气候组分析短期事件特征的价值。在无资料流域，基于本研究训练的随机森林模型可估计流域中位数Ts，或通过聚类方法预测事件形状（短、中、长），有助于改进径流响应预测。
**5.3 方法挑战与数据局限**
随机森林模型在个别流域分类准确率较低，可能需更多或更高质量的数据（如土壤湿度）。假设三个聚类可能丢失极端事件信息。日尺度数据可能忽略快速过程，未来需小时尺度数据。土壤属性来自STATSGO聚合，存在不确定性。ERA5-Land土壤湿度在干旱区表现较差，相关关系需谨慎解释。
**6 总结与结论**
径流事件时间尺度定义为事件径流体积与峰值径流率之比，是衡量径流形状的指标，提供流域快速和慢速径流过程的综合信息。本研究通过事件聚类方法结合随机森林模型和相关性分析，评估了美国本土388个流域径流事件时间尺度的时空驱动因子，并比较了湿润与干旱组的差异。时间上，降雨事件特征在湿润组中最为重要，而干旱组中前期土壤湿度相关性更强但降雨特征仍具影响。空间上，流域中位数时间尺度主要受地形、土壤和气候控制，但控制程度不同：湿润组中物理属性（面积、土壤）更关键，干旱组中气候属性（平均PET）作用更大。总体而言，研究结果支持盛行气候塑造流域景观特征、进而导致降雨-径流过程及其事件时间尺度时空控制因素差异的假设。基于分析，考虑关键时空驱动因子并应用训练好的随机森林模型，可改进无资料流域的事件时间尺度预测。本研究结论有助于理解不同气候流域的径流事件时间尺度，并为无资料流域的预测提供潜在应用。
