美国本土城市区域市政用水特征表征

《Earth's Future》：Characterization of Municipal Water Uses in Urban Areas Across the Contiguous United States

　　

对市政用水需求的深入了解对于向可持续城市水管理转型至关重要。本研究利用综合城市水模型（Integrated Urban Water Model, IUWM）开发了一个市政用水需求模型，旨在估算并分析2005—2017年间美国本土（contiguous United States, CONUS）城市区域而非传统县级单元的城市用水模式。研究目标包括：对城市区域模型参数进行区域化，量化这些参数及相关预测不确定性，并探究CONUS各生态水文区域的市政用水强度。结果表明，通过分析总用水量、商业、工业与机构用水对居民用水比（Commercial, Industrial, and Institutional to Residential, CII/Res）以及社会-生态-水文因素，城市可划分为四个不同聚类：高总用水量和室外用水量的干旱城市；西部与干旱区域城市；大陆性和温带气候条件下的东部城市；以及具有高CII/Res比值的主要城市中心。结果还表明，用水强度和预测不确定性在不同区域和城市聚类间存在差异，受气候和人口因素共同影响。干旱城市和南部城市的不确定性最高，而人口密集地区的用水模式通常更可预测；相反，较小城市的用水估算变异更大、可预测性较低。区域化模型参数的使用改善了对更精细空间尺度上市政用水的评估，有助于水管理者更有效地决策，并促进更具韧性和可持续性的水管理。

研究背景与问题：美国和全球供水系统因人口快速增长和城市化而面临日益严峻的压力。2015年美国淡水取水量约3220亿加仑/天，其中约12%用于公共供水。虽然市政用水占全国取水总量比例不高，但直接关系城市韧性和可持续性。既有研究多依赖美国地质调查局（United States Geological Survey, USGS）提供的县级用水数据，这些数据在空间分辨率上与城市行政边界和供水服务区不一致，且常高估城市实际供水量，无法满足市政层面的规划需求。同时，气候变化和用水行为差异使市政用水预测带有高度不确定性。为此，研究人员基于Sharvelle等开发的综合城市水模型（IUWM），构建了面向美国本土（CONUS）城市区域的市政用水需求模型，论文发表在《Earth's Future》。

方法与数据（关键技术）：研究以Chinnasamy等建立的99个美国城市2005—2017年月度居民与CII用水数据为校准样本，并结合PRISM气候数据、国家土地覆盖数据库（National Land Cover Dataset, NLCD）、美国人口普查及经济数据。关键技术包括：采用因子分析（factor analysis, FA，一种数据降维方法）对81个变量降维；使用高斯混合模型（Gaussian Mixture Model, GMM，一种基于概率密度的聚类模型）按总用水量和CII/Res比值聚类；以Jaccard相似系数（集合交集与并集大小之比）识别与用水聚类重叠最高的变量组合；利用Sobol'全局敏感性分析和Pareto非支配排序筛选参数集，再通过贝叶斯方法得到各聚类的参数后验分布；在决策树、随机森林等方法中选取最优分类器，将未观测城市划入聚类；基于经验累积分布函数（empirical cumulative distribution function, eCDF）计算5%和95%分位数，以重标定展布（rescaled spread, RS，95%与5%分位数之差除以均值的相对不确定性指标）量化预测不确定性。

研究结果：
3.1 区域化结果
3.1.1 影响市政用水的关键解释变量识别
对81个变量进行因子分析后保留9个因子，累计解释约69.47%方差。每个因子中载荷最高的变量被选为代表变量，包括7月降水、7月饱和水汽压差、其他服务业雇员数等，这些变量可反映气候、社会经济、住房和土地覆盖等多维信息。
3.1.2 基于影响因素与用水聚类重合度的均质区域识别
研究人员用总用水量和CII/Res比值对观测城市进行GMM聚类，得到4个城市聚类：干旱高用水城市、西部及干旱区城市、东部温带大陆性气候城市、高CII/Res的密集中心城市。通过Jaccard相似系数比较，7月降水、7月饱和水汽压差和雇员数组合与用水聚类的重合度最高（Jaccard指数0.700），因此被选为区域化的变量组合。
3.1.3 不同聚类的IUWM参数区域化
在每个聚类内运行IUWM后，采用Sobol'敏感性分析与多目标Pareto排序筛选非支配参数解，并用贝叶斯似然函数计算参数后验累积分布。各聚类后验分布明显窄于先验分布，且彼此差异明显，表明参数具有区域特异性。
3.1.4 美国本土城市尺度市政用水估算国家模型构建
为将所有城市区域划入相应聚类，比较了6种机器学习方法，决策树表现最优（测试准确率0.90）。基于该分类，718个城市区域被划入聚类2，1839个划入聚类3，聚类1和4分别有13个和18个。模拟的5%和95%分位数区间能覆盖各聚类观测平均用水，表明区域化参数可靠。
3.1.5 各城市聚类的市政用水强度
对比人均用水量（liters per capita per day, LPCD）和单位不透水面用水量（ML/sq.km，百万升/平方千米不透水面）两种指标发现，ML/sq.km在各聚类的模拟与观测一致性更好；聚类1和2的用水强度较高，聚类3和4较低。用水强度随建成区比例增加而下降，但当开发比例超过约50%后下降趋缓或略升，说明单纯密度化无法持续压减用水需求。
3.2 美国本土城市区域的预测不确定性
重标定展布分析显示，聚类1和2（干旱地区）的不确定性最高，聚类3较低，聚类4最低。南部城市不确定性大于东北和中西部。人口低于10万的小城市RS均值最大，用水模式更不可预测；人口大于100万的城市不确定性最低。线性回归表明RS与LPCD正相关（R²=0.76, p=0.0002），与ML/sq.km负相关（R²=0.81, p=0.0001）。

讨论与结论：讨论指出，区域化参数框架能在比县级更精细的城市尺度上评估市政用水，为水管理者提供决策支持。研究还强调，室外用水是预测不确定性的主要来源，尤其在干旱区和小城市；提高建筑密度可降低用水需求，但可能加剧城市热岛效应，因此需将绿色基础设施纳入规划。研究得出以下结论：通过分析81个气候、社会经济和城市地理因子，7月饱和水汽压差、其他服务业（公共管理除外）雇员数和7月降水是决定市政用水模式的关键因素。市政用水预测不确定性在美国本土各区域存在差异，受地理和人口因素影响；人口少于10万的城市不确定性更高，主要源于室外用水变异性增强。未来水管理应重视室外用水管控，并鼓励高密度开发以减少城市用水需求；但同时需与城市规划协同，加入公园、绿地等自然解决方案以缓解城市热岛效应并提升城市韧性。该框架使研究人员和水管理者能够在所需空间单元应用区域化参数估算市政用水，结合气候、社会经济和土地利用变量，比传统县级分析更精细。未来研究将探索气候变化、城市增长、土地利用和水需求管理情景下的模型应用。