《Atmosphere》:Future Streamflow Projections in a Semi-Arid Mountain Basin Using Machine Learning and CMIP6 Climate Scenarios: The Case of the Zat River (Morocco)
编辑推荐:
理解气候变化如何改变半干旱地区的河流径流对于可持续水资源管理至关重要。本研究利用一个混合框架评估了扎特河流域(摩洛哥高阿特拉斯山脉)的未来径流,该框架结合了机器学习降雨–径流建模、CMIP6多模型气候强迫、模拟径流的月度分位数映射后处理以及一项探索性温度敏感性
理解气候变化如何改变半干旱地区的河流径流对于可持续水资源管理至关重要。本研究利用一个混合框架评估了扎特河流域(摩洛哥高阿特拉斯山脉)的未来径流,该框架结合了机器学习降雨–径流建模、CMIP6多模型气候强迫、模拟径流的月度分位数映射后处理以及一项探索性温度敏感性评估。研究人员汇编了1962年2月至2024年8月间的月尺度水文气候观测数据,包括降水、气温、参考蒸散量和径流。1962–2005年用于模型开发,2006–2014年窗口用于时间顺序验证,而更近期的观测数据用于对气候驱动模拟的补充评估。研究人员比较了四种算法:梯度提升回归器(GBR)、基于直方图的梯度提升回归器(HGBR)、随机森林(RF)和多层感知器(MLP)。使用NSE、KGE、RMSE、MAE和R2评估性能。GBR提供了最佳的验证性能(NSE = 0.71,KGE = 0.80,R2 = 0.72)。随后,所选模型在SSP2-4.5和SSP5-8.5情景下以CMIP6预估作为强迫,模拟至2100年的径流。分位数映射应用于模拟径流,而非分别应用于降水、气温和参考蒸散量。多模型集合表明存在持续的干燥趋势:相对于历史基线且不进行额外的温度敏感性调整,预计到2081–2100年,SSP2-4.5情景下年平均径流将下降约12.1%,SSP5-8.5情景下下降约27.3%。在使用径流–温度敏感性系数0.04 °C?1的探索性敏感性情景下,预计降幅分别增加至约23.3%和44.1%。然而,偶发的高流量事件仍有可能发生,这表明未来将转向较低的平均流量,同时伴随持续的水文极端事件。
**基于机器学习与CMIP6情景的半干旱山区流域未来径流预测研究解读——以摩洛哥扎特河为例**
**1. 研究背景与意义**
半干旱山区流域是全球对气候变化最敏感的水文系统之一,其径流过程受积雪形成与消融时间、陡峭地形梯度及高度季节性的降水格局共同控制。摩洛哥高阿特拉斯山脉是该国最重要的“水塔”之一,支撑着坦西夫特河和乌姆埃尔雷卜亚河流域近70%的地表水资源。然而,近期气候趋势显示显著增温、干旱频率加剧、积雪减少以及山地冰冻圈资源萎缩,直接威胁下游农业、生活与生态用水安全。扎特河流域作为坦西夫特河水系的一条支流,对豪兹平原的季节性供水至关重要,但其水文平衡对气候扰动高度敏感。气候预估表明,到21世纪末北非将升温2–6 °C,降水减少10–30%,这预计将通过增强的蒸散、减少的土壤湿度和提前的融雪产生非线性水文影响。传统概念模型和物理模型在数据受限的非平稳条件下存在参数可转移性和数据需求方面的局限,而机器学习方法能够从观测中捕捉非线性关系和水文记忆,为半干旱高阿特拉斯流域提供了一种补充性建模途径。该研究旨在开发并评估一个集成机器学习、CMIP6多模型气候强迫和径流后处理的框架,以量化扎特河流域至2100年的径流变化,为气候适应性水资源规划提供依据。
**2. 主要技术方法**
研究人员采用混合框架,整合了1962年2月至2024年8月间的月尺度降水、气温、参考蒸散量和径流观测数据(径流数据来自坦西夫特水文学盆地机构监测网络),将1962–2005年用于模型开发,2006–2014年用于时间顺序验证,2016–2024年用于补充评估。研究比较了四种机器学习算法:梯度提升回归器(GBR)、基于直方图的梯度提升回归器(HGBR)、随机森林(RF)和多层感知器(MLP),并使用NSE、KGE、RMSE、MAE和R
2评估性能。研究采用了水文信息特征工程,包括干旱指标、水分盈余、标准化干旱指标、交互项、前后期降水指数(API)、1–12个月滞后变量和季节谐波变量。模型校准后,使用16个CMIP6全球气候模型在SSP2-4.5和SSP5-8.5情景下进行未来径流模拟,并对模拟径流应用月度分位数映射后处理,此外还开展了径流–温度敏感性系数(α = 0, 0.02, 0.04, 0.06 °C
?1)的探索性分析。
**3. 主要研究结果**
**3.1 机器学习降雨–径流模型的性能**
在1962–2005年校准期和2006–2014年时间顺序验证窗口内,GBR表现出最佳的验证性能(NSE = 0.71,KGE = 0.80,RMSE = 1.61 m
3 s
?1,MAE = 1.17 m
3 s
?1,R
2 = 0.72),优于RF(NSE = 0.52)、HGBR(NSE = 0.38)和MLP(NSE = 0.10)。MLP虽然校准期NSE接近1.00,但验证性能大幅下降,表明存在过拟合。GBR显示出最均衡的校准–验证行为,因此被保留用于气候驱动模拟。月度分位数映射将校准期RMSE从0.076降至0.028 m
3 s
?1,但并未改善验证期效率(NSE从0.720变为0.714),表明其作为分布后处理步骤而非提高样本外技能的手段。
**3.2 气候驱动模拟与近期观测的对比评估**
在2016–2024年补充评估期间,SSP2-4.5和SSP5-8.5情景下的多模型气候驱动模拟能够再现径流的总体时间变率,但在极端事件期间存在明显偏差。集合平均跟踪了月径流的总体演变,而观测序列在多次洪水事件中显示出更尖锐和更大的峰值,这与使用空间平均的月尺度气候强迫平滑了短期降水极值有关。SSP2-4.5下ACCESS-CM2与观测最为吻合,SSP5-8.5下EC-Earth3-Veg-LR表现最佳,但这些比较仅为描述性,不构成正式的GCM技能排名。
**3.3 SSP2-4.5和SSP5-8.5下的未来径流预估**
在无额外温度调整(α = 0)的参考模拟中,SSP2-4.5情景下到2081–2100年集合中位数径流变化为?12.1%(P10–P90:?13.4%至?10.0%),所有16个GCM均预估减少;SSP5-8.5情景下显示出更强且更持续的减少,中位数变化在2021–2040年为?30.4%,2041–2060年为?27.1%,2061–2080年为?22.4%,2081–2100年为?27.3%(P10–P90:?30.8%至?21.3%)。敏感性分析表明,温度敏感性参数α影响变化幅度但不改变变化方向:在α = 0.04时,SSP2-4.5下降幅度增至?23.3%,SSP5-8.5增至?44.1%;在α = 0.06时,降幅分别达?27.5%和?50.3%。
**3.4 特征重要性分析**
基于验证样本的置换重要性评估显示,滞后ET0是最主要的预测变量族(平均NSE下降0.291),其次是滞后降水(0.107)和前后期降水指数(0.102)。在单个变量层面,滞后1个月的ET0产生最大的验证NSE下降(0.243),其次为λ = 0.98的API(0.098)和λ = 0.90的API(0.065),强调了蒸散发需求、前期湿度和延迟响应在径流预测中的作用。
**3.5 讨论与结论**
研究讨论指出,预估的径流下降与半干旱山区流域的水文功能一致:积雪作为自然水库,在变暖条件下以降雨形式降落的冷季降水比例增加、积雪积累减少和融雪提前,削弱了季节性储存和旱季延迟释放。与地中海地区已有研究相比,无调整的SSP2-4.5估算低于Milano等报道的区域范围(约25–50%),无调整的SSP5-8.5估算位于该范围内,而α = 0.04的SSP5-8.5敏感性估算接近其上端。研究结论表明,在SSP2-4.5和SSP5-8.5情景下,扎特河流域世纪末中位数径流分别减少12.1%和27.3%(α = 0时),在α = 0.04时分别增至23.3%和44.1%。预估的径流下降对水资源管理具有重要影响,尤其是在需求高且依赖地表水的地区,增强气候适应性管理策略、提高用水效率和加强水文监测系统至关重要。该研究证明了将长序列水文气候记录、水文信息特征工程、机器学习模型和多模型气候强迫相结合的数据驱动框架在数据受限山区流域的价值,未来研究应与概念模型和物理模型进行直接基准比较,并纳入更高分辨率的降水和积雪信息。