GWBASE：一种基于USGS井-站配对记录筛选地下水-基流耦合关系的算法

《Hydrology》：GWBASE: An Algorithm for Screening Groundwater–Baseflow Coupling Using Paired USGS Well and Streamflow Records

　　

地下水排泄贡献于河流基流，但耦合强度随流域而异，可迁移的定量方法有限。研究人员提出GWBASE，一种开源Python算法，在水文流域内配对美国地质调查局（USGS）监测井与流量站，并基于基流主导月份的月度ΔWTE（水位高程变化）–ΔQ（流量变化）记录，通过线性回归与互信息（MI，捕捉非线性与滞后依赖）对每个流量站点的耦合强度排序。研究人员将其应用于大盐湖流域（犹他州；约93000 km2，含8752口USGS井，1906–2025年）。GWBASE采用季节校正、井内回归作为首要估计，对四个末端站点流域排序；其中三个显示统计显著的地下水-基流耦合。排序依赖于指标：绝对量级（每英尺立方英尺）由大型Bear River流域主导，而归一化灵敏度与耦合紧密度识别较小Little Cottonwood Creek。流域尺度聚合（约每英尺流域平均下降4 cfs）由Bear River主导，且一旦传播流域级不确定性则与零无区分。由于全国地下水记录多为间歇性，GWBASE解析季节至年际储层耦合而非事件尺度交换。其最佳用途为筛选与排序流域尺度耦合，而非给出单一流域尺度系数。

研究背景与问题提出

基流是两次暴雨事件间由储存水缓慢释放维持的河川径流组分，直接反映地下水排泄状况，是气候变化与土地利用下流域健康的关键指示。地下水与地表水（GW–SW）交换方向可随水位与河床关系改变，水位下降会削弱基流甚至使补给河段转为漏失河段。现有衰退分析或数字滤波基流分割法仅从退水过程推断地下水贡献，未将水位观测与实测流量直接比对；既有研究多局限于单流域小样本案例、需本地率定的数值模型或仅评估储层变化而不分离基流组分。USGS虽拥有全国井-站长期并行观测，但从配对记录中直接诊断地下水-基流耦合的通用可迁移算法仍稀缺。为此，研究人员开发GWBASE算法，利用USGS井-站配对记录识别基流信号并量化耦合强度，论文发表于《Hydrology》。

主要关键技术方法

研究人员采用三类全国尺度数据源：USGS NWIS每日流量与水位（深度转WTE，即水位高程，以平均海平面为基准）、GEOGLOWS水文数据集提供的河网与流域边界。基流主导日（BFD）由已有机器学习分类器标注（BFD=1）。算法含九步：界定河网与末端流量站（terminal gage）、井点入多边形配对、井关联最近河段并记录河床高程、按3×IQR离群过滤及最少20次观测/3年记录筛井、PCHIP法插值为月度WTE、剔除均值WTE低于最近河床30 m以上井、仅聚合BFD日得月度ΔQ并与ΔWTE配对（要求流域内≥10口有效井）、计算相对变化ΔWTE与ΔQ、用线性回归（斜率即基流对水位变化灵敏度，Pearson r表线性关联）与互信息（MI）量化线性和非线性/滞后依赖；并提供六种Δ计算方案作敏感性检验，首要估计为季节校正井内固定效应回归。

研究结果

3.1 整体ΔWTE–ΔQ关系：Bear River流域池化月度回归斜率为5.507 cfs/ft，但r²仅0.002，低解释力源于跨井空间异质性而非无耦合，引出了井内校正必要性。

3.2 季节耦合格局：Bear River分季斜率均为正，夏季最高（9.06 cfs/ft），证实季节混淆使池化斜率低于单季。

3.3 互信息：Little Cottonwood Creek中位MI最高，Bear River/Weber/Provo较低；21.4%的Bear River井-站对线性弱相关但MI高于中位，证明MI补捉被线性相关遗漏的非线性依赖。

3.4 滞后与非滞后指标：线性r²在3月/6月/1年/5年滞后下几乎无增益；MI在5年滞后处增益最大，Little Cottonwood峰值最高，表明耦合在多年度含水层记忆尺度增强。

3.5 流域尺度关系：原始cfs/ft斜率受面积主导，Bear River最大；归一化斜率（ΔQ/Q₀对ΔWTE）下Little Cottonwood达约其余流域9倍，且标准化异常斜率（Method 6）最高（0.28），MI亦最高，三指标一致指认Little Cottonwood为单位灵敏度最强流域。四流域首要井内回归斜率求和约3.96 cfs/ft，95% CI跨零，故否定单一流域系数。

3.6 计算方法敏感性：Method 1（月度差）留季节周期致Provo呈负斜率；Method 2–6（年同比、同季年差、去季化连季差、滚动12月差、z分数异常回归）全为正，证实负值为季节混淆；所有方法r²均低，系多井池化固有异质所致。

3.7 首要耦合估计（季节校正井内固定效应）：四流域斜率皆正，Little Cottonwood/Weber/Provo显著，Bear River不显著；Little Cottonwood井内r²最高（0.11）且各滞后稳健，颠覆原始绝对值排序。

讨论与结论翻译

绝对强度（cfs/ft）由Bear River因面积居首，单位灵敏度由Little Cottonwood居首，两指标倒置说明筛查须双指标并行；线性回归留季节项会稀释甚至反转符号，MI为非冗余补充。独立Mann–Kendall（Hamed–Rao修正）趋势验证：Bear/Provo/Little Cottonwood水位与流量同降，Weber水位降但流量升且耦合近零，与GWBASE排序一致，证其为物理关联非配对假象。管理上，Bear River夏季耦合最强，多年度滞后暗示抽水影响具储层记忆；流域聚合系数CI跨零，管理输出应为逐流域排序。局限含：全国井记录间歇致仅解季节-年际耦合非事件尺度；未按含水层类型/筛管段筛选（USGS属性覆盖率低）；末端站识别需人工校正分水岭异常；30 m偏移与10井阈值依大盐湖调参。结论：GWBASE适宜作为筛查与排序流域尺度地下水-基流耦合的工具，而非产出单一流域尺度系数；绝对量与归一化灵敏度给出不同排名，前者显Bear River主导，后者显Little Cottonwood Creek耦合最紧。