关于改进 GRACE-TWSA 重构以评估水库调控区干旱及其主导因素

《Physics and Chemistry of the Earth, Parts A/B/C》：On the improved reconstruction of GRACE-TWSA for assessing droughts and their governing factors in a dam-regulated region

　　

•人工神经网络（ANN）提高了重建精度，相关系数（CC）为 0.93–0.99，纳什效率系数（NSE）为 0.80–0.99，均方根误差（RMSE）为 1.18–4.31 厘米。
•纳入地表水储量（SWS）和地下水储量（GWS）可使模型性能（RMSE）提升高达两倍。
•该提出的模型优于先前的重建模型，并能最好地捕捉干旱期间的水分损失。
•厄尔尼诺 - 南方涛动（ENSO）在 12–48 个月尺度上强烈调节干旱，而印度洋偶极子（IOD）/太平洋十年涛动（PDO）的影响主要小于 18 个月。
•卡纳塔克邦北部内陆地区经历了最长、最严重的干旱（49 个月；严重程度 -56.7）。

引言

干旱是一种极端且不可预测的自然事件，可能造成广泛的多维度损害 (Apurv et al., 2017; Mishra and Singh, 2010)。它通常由长时间的降水不足引起，影响的空间范围比任何其他自然灾害都大 (Oladipo, 1985; Wilhite et al., 1985)。印度的经济增长依赖于农业部门，易旱区面积约为 68%，频繁的干旱事件尤其影响西北部和南部半岛地区 (Rathore et al., 2014)。Poonia 等人 (2021) 分析了 1982 年至 2013 年间印度各地河流流域的干旱模式，发现印度南部的河流流域比其他地区更容易发生频繁干旱。这些反复发生的干旱事件导致了农作物歉收和随后的农业收入减少，这是导致半岛地区各地农民自杀发生率较高的主要原因之一，超过了该国其他地区观察到的比率 (Bageshree et al., 2022; Parida et al., 2018)。此外，气候变化预测表明，在可预见的未来，印度半岛和中西部地区的干旱发生次数可能会增加 (Ojha et al., 2013)。因此，表征过去的干旱对于理解和量化历史模式、影响和脆弱性至关重要，从而改善预测准确性、风险缓解策略和针对反复干旱事件的长期韧性。

印度的德干高原（DP）位于北回归线和赤道之间，主要以半干旱气候和热带体制为特征。该地区独特的地理和气候特征，包括其不稳定的年际季风模式、坚硬岩石地质以及高达 1700 至 1950 毫米的高潜在蒸散发，使其特别容易遭受干旱。人类活动进一步加剧了水库的压力，加剧了这种脆弱性 (Bhunia and Patra, 2024; Perrin et al., 2012; Van Loon et al., 2016)。此外，德干高原的五个气象分区——中央马哈拉施特拉邦、卡纳塔克邦北部内陆、马拉特瓦达、雷亚拉萨卡和特伦甘纳邦——通常被称为雨影区 (Narkhedkar et al., 2015)——接收到的降雨量显著较低，大约只有西高止山脉迎风侧的 20%。这使得它们极易受到西南季风不稳定性的影响，因此更容易遭受干旱 (Gregory, 1987; Rao, 1976)。因此，德干高原的有效干旱缓解需要对区域干旱状况进行仔细监测和评估。

传统的干旱监测通常依赖于基于站点的水文和气象数据。然而，这种方法不太适合具有区域环境空间异质性的大地理区域，因为它需要插值技术来估算干旱的空间分布，这可能会在分析中引入不确定性和空间偏差。此外，缺乏足够的原位测量、连续记录的不可用性以及数据透明度及其访问政策的限制控制了上述干旱监测的整体方法 (Bhunia and Patra, 2024; Rodell et al., 2018)。遥感技术的最新进展提供了连续记录和空间广泛覆盖，使卫星产品成为地面观测的重要补充。广泛使用的干旱指数，如标准化降水指数（SPI; McKee et al., 1993）、标准化土壤湿度指数（SSI; Hao and AghaKouchak, 2013）、标准化径流指数（SRI; Shukla and Wood, 2008）、帕尔默干旱严重程度指数（PDSI; Palmer, 1965）和标准化降水蒸散发指数（SPEI; Vicente-Serrano, 2010），以前是使用原位和/或模拟水文数据计算的，但遥感现在允许从卫星检索变量（例如，降水估计值、土壤湿度）派生出这些指数中的许多。各种从卫星遥感派生的与干旱相关的变量，如地表土壤湿度（SSM）、归一化植被指数（NDVI）和蒸散发，已被用于全球干旱监测 (Aadhar and Mishra, 2017; Anderson et al., 2011; Bolten et al., 2009; Kogan, 1995; Mishra and Singh, 2010; Sepulcre-Canto et al., 2014; Tucker and Choudhury, 1987; Zhou et al., 2010)。然而，上述基于遥感的干旱指数通常关注复杂水文循环的单一方面，使其对其中特定层级敏感 (Zhao et al., 2017a)。此外，仅基于例如降水或地表水观测来评估干旱事件是不可靠的，因为深层水库的水分流失可能在地表水干涸后很久仍在继续 (Leblanc et al., 2009)，这突显了对综合和整体监测工具的需求。

2002 年美国国家航空航天局（NASA）和德国航空航天中心（DLR）联合发射的重力恢复与气候实验（GRACE）卫星任务，通过测量陆地水储量（TWS）的变化，为区域到全球尺度的综合干旱监测提供了一种变革性工具。TWS 包括给定陆地区域所有水储量组成部分的变化，即地下水、土壤湿度、地表水、雪/冰和生物量 (Longuevergne et al., 2013)。这为水文学家提供了关于综合干旱指数的实际见解 (Reager and Famiglietti, 2009)，近年来也提出了几种基于 GRACE 的新干旱指数 (Sinha et al., 2017; Thomas et al., 2014; Xiong et al., 2022; Yi and Wen, 2016; Yirdaw et al., 2008; Zhao et al., 2017b)。在众多此类指数中，我们采用了两个优于其他常用指数的选定指数。这些包括基于去趋势 GRACE 检索 TWS 的综合气候偏差指数（CCDI）和干旱严重程度指数（DSI）。Sinha 等人 (2019) 引入了 CCDI，这是一种新型干旱指数，全面解决了气象、水文、农业和人为干旱事件的发生问题。2020 年，Liu 等人 (2020) 开发了基于 GRACE 的 DSI，以消除非气候因素对干旱估计的影响，更准确地反映真实的干旱状况。尽管这些指数已被广泛应用于全球和区域尺度 (Kashani and Safavi, 2025; Long et al., 2014; Lopez et al., 2020; Lu et al., 2022; Seka et al., 2022; Song et al., 2024; Sun et al., 2018; Zhu and Zhang, 2022)，几项研究利用 GRACE 观测结果调查了印度的干旱、地下水枯竭和 TWS 变率 (例如，Panda and Wahr, 2016, Sinha et al., 2017; Satish Kumar et al., 2021; Nandi and Biswas, 2024; Aon et al., 2024)。然而，大多数现有研究主要关注地下水干旱、地下水枯竭或区域水储量变化，而基于 GRACE 的综合干旱评估的应用仍然相对有限。此外，这些评估中的许多局限于 GRACE 时代，由于大约一年的间隔期（2017 年 7 月至 2018 年 5 月），无法提供跨越 GRACE–GRACE-FO 过渡期的连续干旱表征。据我们所知，没有研究量化过德干高原与干旱相关的水分损失，在那里人为干预强烈影响陆地水储量动态。与干旱相关的储量枯竭的后果可能超出了水文系统，影响植被状况、农业生产、水库可用性和家庭供水。之前的研究和区域评估记录了德干高原不同地区发生重大干旱期间的大规模农作物损失、植被胁迫、地表水资源枯竭和饮用水短缺。然而，现有证据通常局限于特定地区、部门或干旱事件，很少在基于综合 TWS 的干旱状况和相关陆地水损失的背景下进行检查。因此，量化与干旱相关的水分损失并在记录的部门后果背景下解释已识别的事件，可以提供对区域干旱严重性的更全面视角，并支持水资源管理、缓解和适应策略。虽然量化干旱特征和相关水分损失对于评估干旱影响至关重要，但理解控制干旱变率的气候机制对于改善干旱准备工作和长期水资源管理同样重要。厄尔尼诺 - 南方涛动（ENSO）、太平洋十年涛动（PDO）和印度洋偶极子（IOD）等大规模气候模式影响印度次大陆的区域降水模式、蒸散发和水储量动态。因此，调查这些遥相关模式与干旱变率之间的关系可以提供关于水文极端气候驱动因素的宝贵见解，并有助于改善干旱监测、预报和可持续水资源规划能力。

尽管 GRACE 已成功用于分析全球不同空间尺度的干旱状况，但它有其局限性，包括空间分辨率粗糙和数据延迟短 (Forootan et al., 2019)。此外，一个重大挑战是大约一年的间隔数据间隙（2017 年 7 月至 2018 年 5 月）以及由于电池和维护问题导致的间歇性间隙 (Ahmed et al., 2019)。由于准确的干旱分析需要连续且足够长的数据记录，因此重建该数据间隙对于两个主要原因至关重要。首先，更长的数据记录通常有助于实现更精确的水文气象分析。其次，它使得能够预测水文极端事件，包括干旱和洪水，这对于缓解和灾害控制至关重要。

几项研究已采用各种方法重建间隙。通常，所有可用方法可分为三类：传感器依赖方法、插值方法和水文气候驱动方法 (Wang et al., 2021)。基于传感器的方法通常涉及利用 Swarm 测量来弥合这两颗卫星任务之间的现有数据间隙 (Forootan et al., 2020; Teixeira da Encarna??o et al., 2020; Richter et al., 2021)。然而，由于该方法在重建低阶信号方面的局限性，它无法匹配 GRACE 的精度和时空分辨率。一些研究利用三次样条插值法 (Shen et al., 2022) 和多通道奇异谱分析（MSSA）(Kondrashov and Ghil, 2006)（一种突出的插值方法）来弥合间隔间隙 (Guo et al., 2018; Wang et al., 2020; Wang et al., 2021; Yi and Sneeuw, 2021)。然而，重建数据的准确性是有限的，因为这种基于 MSSA 的方法无法提供关于重建数据的新见解，其结果取决于可用数据的相关程度。由于人工神经网络（ANN）和水文气候模型的进步，水文气候驱动方法（也称为数据驱动方法）成为弥合 GRACE(-FO) 基础 TWS 数据间隙的最合适方法。这些数据驱动方法从根本上在基于 GRACE 的 TWSA 与水文气候和水储量变量（如温度、降水、土壤湿度、气候指数、海表温度、植被指标等）之间建立关系，随后预测 GRACE TWSA 数据间隙 (Li et al., 2020; Long et al., 2014; Yin et al., 2023)。Long 等人 (2014) 应用一个简单的 ANN 模型，利用温度、降水和土壤湿度数据来预测 TWSA，以监测中国西南喀斯特高原的水文极端事件。Li 等人 (2020) 使用 ANN 重建基于 GRACE 的 TWSA 数据，利用不同的气候数据集，例如地表温度、大规模气候指数、降水、海表温度等。他们在全球 26 个河流流域取得了显著的标准差（STD）范围，从 9 毫米到 42 毫米。Yin 等人 (2023) 使用 11 个气象和两个水文变量以及两个植被指标（即光诱导荧光和叶面积指数）和土地利用/土地覆盖数据作为机器学习模型的输入，以重建这两颗卫星任务之间的间隙。同样，几种复杂的数据驱动机器学习方法已被用于重建 GRACE(-FO) 数据间隙。例如，Sun 等人 (2019) 利用深度卷积神经网络模拟了 NOAH 模型估计的 TWS 和基于 GRACE 的 TWS 之间的差异。随后，他们利用开发的模型填补了印度上空的 11 个月数据间隙，使用降水、温度和 NOAH-TWS 数据。通常，大多数数据驱动重建方法要么依赖于过于复杂的框架，要么包含大量输入变量，特别强调降水和蒸散发等水文通量。然而，这些研究通常忽视关键的水储量水库——特别是地下水储量（GWS）和地表水储量（SWS）——这些水库受到人为干预的强烈影响。

鉴于 GRACE 观测捕捉到了气候信号和人为信号，省略这些关键存储组件会显著损害重建 TWSA 中人为效应准确归因，从而限制水文极端事件评估的可靠性。Bhunia 和 Patra (2024) 证明，在 DP（一个大坝基础设施密集且水管理活动强烈的地区），SWS 在 TWS 变化中起着重要作用。他们的分析基于组分贡献率方法，还确定了 GWS、SWS 和土壤水分储量（SMS）是该地区 TWS 动态的主要贡献者。因此，本研究专注于使用简单的经典 ANN 模型和六个水文气象变量重建 TWSA 数据，包括这些存储水库，即 SMS、水库水储量（RWS；用作受管理 SWS 的代理，下文称为 SWS）和 GWS 作为输入变量，针对印度一个受大坝调节的地区。然后，本研究旨在检查这个简单模型与一些使用过于复杂框架或大量输入变量的知名重建数据集相比，能否以及如何准确地预测 TWSA 数据。总之，本研究的主要目的是开发和评估一种改进的基于 ANN 的框架，用于在 GRACE–GRACE-FO 观测间隙期重建 TWSA，以便在受高度管理的流域中实现更可靠的干旱评估。特别强调将受人为敏感的存储组件，即 GWS 和 SWS，明确纳入重建框架。具体而言，研究旨在 (1) 使用简单的经典 ANN 框架和少量但经过战略选择的水文气象变量重建 GRACE–GRACE-FO 观测间隙期的 TWSA，(2) 评估受人为敏感的存储组件（此处为 GWS 和 SWS）对重建性能的贡献，(3) 评估现有公开可用重建 TWSA 数据集和提出的基于 ANN 的重建在德干高原干旱评估中的适用性，以及 (4) 使用重建的 TWSA 产品表征德干高原的干旱事件及相关水损失。此外，本研究调查了干旱动态与主要遥相关因子之间的关系，以增进对该地区水文极端气候驱动因素的理解。通过使用 DP 作为案例研究，本研究提供了更广泛的见解，说明了在 TWSA 重建和干旱评估中纳入受人为影响的存储组件的重要性，特别是在经历强烈人为水文变化的地区。

章节片段

研究区域

研究区域涵盖德干高原（DP），这是印度半岛最大的高原，从东经 73°34'12" 延伸至 84°44'36"，从北纬 11°41'23" 延伸至 22°56'53"，覆盖约 658,468 平方公里的地理区域（图 1）。它由两座山脉环绕，西部为西高止山，东部为东高止山。DP 的北部边界与恒河平原由 Satpura 和 Vindhya 山脉分隔。该地区的平均海拔约为 600。

源自 GRACE 和 GRACE-FO 的 TWSA 数据

陆地水储量异常（TWSA）的估计依赖于垂直积分水柱的变化，这些数据来源于 GRACE 对地球重力场的月度测量（Chen 等，2004；Save 等，2012）。这里，我们使用了得克萨斯大学空间研究中心（CSR）提供的月度 CSR RL06 v02 mascons（质量浓度解）产品，空间分辨率为 0.25°×0.25°（Save 等，2020；可在 http://www2.csr.utexas.edu/grace/ 获取）。不同于传统的

方法论

本研究采用的整体方法论框架如图 2 所示。个别方法论组件将在以下小节中描述。

基于 ANN 的 TWSA 评估及其他重建数据比较

六个水文气象变量，即降水（P）、蒸散发（ET）、土壤水分储量（SMS）、水库水储量（受管理 SWS 的代理）、地下水储量（GWS）和多变量 ENSO 指数（MEI），被用作 ANN 模型的输入数据。这里，需要注意的是，海岸 AP 和东 MP 没有 RWS 数据，因此这两个地区的 TWSA 重建是使用其余五个输入变量进行的。

统计分析

局限性与未来研究

尽管所提出的框架在 DP 上展示了改进的 GRACE-TWSA 重建和增强的干旱评估，但应承认几项局限性。首先，RWS 被用作受管理 SWS 组件的代理，因为德干高原所有地表水体长期、空间一致的观测数据未公开可用。水库数据集包含具有连续月度存储观测的主要监测水库，但不包括众多中型...

结论

这里，德干高原（DP）及其 11 个气象子区域的干旱使用 CCDI 和 GRACE-DSI 指数进行了表征。在此之前，TWSA 时间序列使用 ANN 模型和六个关键输入变量进行了重建，包括 SWS 和 GWS，这些对于像 DP 这样具有显著人为干预的地区尤为重要。这个简单 ANN 的性能与已建立的重建数据集进行了评估。研究进一步强调了 SWSC 的作用...

CRediT 作者贡献声明

Partha Sarathi Bhunia: 撰写 – 初稿，可视化，软件，方法论，调查，数据整理，概念化。Abhishek Abhishek: 撰写 – 审查与编辑，可视化，验证，监督，资金获取，方法论

未引用的参考文献

Central Water Commission, 2019; Chen 等，2026; Ghaseminejad 和 Uddameri, 2020; Kogan, 1995; Narkhedker 等，2015; Save, 2020; Vicente-Serrano 等，2010; Wilhite 和 Glantz, 1985; Yang 等，1.

数据可用性

本研究中使用的数据均公开可用。

作者信息

印度罗尔基理工学院土木工程学院，罗尔基 -247667
Partha Sarathi Bhunia, Abhishek

利益竞争

作者声明，他们没有已知的竞争财务利益或个人关系，这些可能会影响本报告的工作。

伦理批准

不适用。

参与同意

不适用。

出版同意

不适用。

资助

作者感谢印度罗尔基理工学院提供的资助（资助编号 IPDF–101005）以开展此项工作。

利益竞争声明

作者声明，他们没有已知的竞争财务利益或个人关系，这些可能会影响本报告的工作。

Partha Sarathi Bhunia|Abhishek