《Journal of Hydrology》：Multi-scale mapping of GDEs from remote sensing and field surveys in the Urumqi River–Chaiwopu Basin
编辑推荐：
摘要地下水依赖生态系统（GDEs）广泛分布于干旱和半干旱地区，提供关键的生态服务。然而，由于地理空间技术与实地测量技术整合不足，其精确识别和制图仍具挑战性。本研究选取长期干旱的终端年和最近一年进行分析，覆盖 2001–2023 年。我们采用了关键指标，包括植被覆盖度（FVC）
摘要
地下水依赖生态系统（GDEs）广泛分布于干旱和半干旱地区，提供关键的生态服务。然而，由于地理空间技术与实地测量技术整合不足，其精确识别和制图仍具挑战性。本研究选取长期干旱的终端年和最近一年进行分析，覆盖 2001–2023 年。我们采用了关键指标，包括植被覆盖度（FVC）、蒸散发与降水之差（ET-P）、地形湿度指数（TWI）和植被地下水可及性指数（VGUI）。应用 K-means 聚类算法进行分类，并在中国新疆乌鲁木齐河 - 柴窝堡盆地进行了空间叠加分析，以评估 GDEs 的空间分布和时间变化。通过整合湿地分布数据与实地调查对结果进行了验证。结果表明，被归类为“很可能”或“极可能”的 GDEs 区域主要集中分布在东大草滩、柴窝堡湖、盐湖及邻近地区，占潜在面积的 45.4%（4,197.89 km2）。基于湿地的验证产生了 84.1% 的生产者精度。随着时间的推移，被归类为“不太可能”或“极不可能”为 GDEs 的区域呈现增加趋势。在纳入 VGUI 后，典型区域的 41.0% 面积内，可能性等级降低，其中耕地和建设用地占此减少量的 64.9%。通过纳入基于实地的 VGUI 数据，本研究减少了灌溉等人为因素在典型区域 GDEs 识别中的干扰，实现了精细化制图。
引言
水资源对人类福祉至关重要，但由于人口增长、社会快速发展、全球变暖和长期干旱，水资源短缺已成为主要的全球挑战（Huang et al. 2019）。地下水占地球液态淡水的 96%（Duran-Llacer et al. 2022），既是宝贵资源又是生态缓冲，扮演着双重角色：它不仅是饮用水和灌溉的关键来源，也是减缓气候变化影响的缓解因子（Taylor et al., 2013, Scanlon et al., 2023, Eslamian and Eslamian, 2025）。在干旱和半干旱地区，地下水是自然植被的主要水源，也是人类社会和自然生态系统的关键支撑，但日益受到气候变化和过度开采的影响（Eamus et al., 2006, Mamattursun et al., 2022）。因此，识别地下水依赖生态系统（GDEs）——定义为依赖地下水满足其全部或部分水分需求的物种、生态群落和生境——对于理解生态水文敏感性、生态阈值和 GDEs 演化机制至关重要（Rohde et al. 2024; Liu and Liang 2020）。地下水为 GDEs 提供稳定的供水、温度调节和独特的化学条件（Rohde et al. 2021），支持多种生态系统类型，并支撑生物多样性维持、碳汇和污染物净化等核心生态服务（Yang and Liu, 2020, Link et al., 2023）。
目前关于 GDEs 的研究主要集中在识别与制图、风险评估、地下水 - 植被相互作用及管理策略上（Esteban and Dinar, 2016, Jeevarathinam et al., 2013, Martínez-Santos et al., 2021, Rohde et al., 2019）。在识别方法中，场域尺度的识别通常基于观测实验和实地调查（Hoogland et al. 2010），而区域尺度的识别通常依赖于遥感技术（Brim Box et al., 2022, Castellazzi et al., 2019）。例如，Rohde 等人采用随机森林机器学习模型实现了全球尺度的 GDEs 制图（Rohde et al. 2024a）。在区域尺度上，识别通常整合了归一化植被指数（NDVI）、叶面积指数（LAI）和地形湿度指数（TWI）等遥感指标，结合水位深度（WTD）、蒸散发（ET）和降水等水文气象数据（Liu et al., 2021, Xu et al., 2022）。然而，很少有研究系统地将实地测量数据与遥感数据结合，用于跨尺度的 GDEs 识别。遥感指标往往缺乏与植被根系深度和土壤质地等实地参数的耦合（Torres-García et al., 2021, Zurek et al., 2015），且仅依赖卫星指标会增加在灌溉农田和人类改造区域高估 GDEs 发生情况的风险。这降低了区域筛选和后续地下水管理的可靠性，意味着仅凭现有方法可能无法为受强烈干扰的干旱盆地中的 GDEs 验证提供足够的精度。
尽管在 GDEs 制图方面取得了广泛进展，但在人类活动频繁的干旱内陆盆地中，仍有三个关键科学空白尚未得到解决：(1) 仅靠遥感的 GDEs 识别是否会因灌溉农田、建成区以及供水与植被需求之间的空间不匹配而遭受系统性误分类？(2) 实地测量的地下水可及性信息能否有效校正基于遥感识别的偏差，并减少人为活动造成的假阳性？(3) 结合区域筛选和本地验证的多尺度框架能否更可靠地区分潜在的地下水相关生态系统和已确认的地下水依赖生态系统？我们的多尺度框架并不直接消除人为因素，而是通过尺度特定策略逐步减少其干扰：在区域尺度上，我们首先通过土地利用掩膜排除基岩山区和明显的建成区/耕地斑块，以划定人为干扰较低的潜在 GDEs 区域；在典型区域的本地尺度上，我们进一步引入基于实地调查的指数和详细的土地覆盖校正，以定量识别并降级区域潜在地图中保留的误分类灌溉农田和建设用地。乌鲁木齐河 - 柴窝堡盆地是天山北坡典型的干旱内陆盆地，具有地下水开采 intensive、用水冲突突出以及内陆湿地和沙漠绿洲等代表性 GDE 类型，是测试集成识别框架的理想区域。为了回答上述问题，本研究开发了一种结合地理空间技术与实地调查数据的集成识别方法，并将其应用于该盆地。本研究的主要贡献有四。首先，我们提出了植被地下水可及性指数（VGUI），将根系深度、毛细上升高度和地下水深度之间的物理关系整合到基于遥感的 GDEs 识别中。其次，我们通过连接区域潜在筛选与本地实地验证，开发了一个多尺度识别框架，能够实现潜在地下水相关生态系统与实地确认的 GDEs 之间的严格区分。第三，我们提供了盆地内 GDEs 空间分布和时间变化的长期（2001–2023）评估，填补了该典型内陆盆地的区域知识空白。第四，我们的分级分类结果为干旱内陆盆地的分层 GDEs 保护、生态地下水位管理以及保护工作提供了实用支持。
在解释结果时应考虑几个局限性。使用潜在蒸散发（PET）作为实际蒸散发（AET）的替代可能会引入表示实际植被用水的不确定性。基于土壤类型的毛细上升高度经验估计可能会影响 VGUI 计算，且监测点可能无法完全捕获地下水深度、植被条件和土地利用的本地异质性。我们在解释过程中承认这些局限性，并在讨论部分详细讨论。
章节摘要
研究区域
研究区域包括乌鲁木齐河和柴窝堡盆地，位于中国新疆维吾尔自治区中部，天山山脉北麓。总面积为 9,182 km2。
乌鲁木齐河发源于天山北坡卡拉乌琴山主峰，海拔 3,800 米。它向北流经乌鲁木齐市区，最终消失在准噶尔盆地南缘。河流长 214.3 公里且
潜在区域确定
基于现有研究，我们初步划分了与地下水相关性较高的区域，重点排除非 GDEs 区域，并将剩余区域识别为潜在 GDEs。如图 3a 所示，乌鲁木齐河和柴窝堡盆地的潜在区域主要位于柴窝堡盆地、乌鲁木齐河口、大板城地区及其北部、乌鲁木齐河下游和东大草滩地区。这些区域总面积
讨论
本研究整合了遥感、水文、气象和实地调查数据，使用包括 FVC、ET-P、TWI 和 VGUI 在内的多个指标评估 GDEs 的可能性。本研究仅通过 VGUI 验证地下水对植物根系的可达性；它不能直接证明地下水是植物实际使用的水源。未来研究应纳入直接证据，例如稳定同位素示踪、连续土壤水势监测和植物
结论
本研究介绍了一种新的地理空间方法，整合遥感、气象、水文和实地调查数据，以有效绘制 GDEs 并分析其时空变化。我们应用 K-means 算法对包括 FVC、ET-P、TWI 和 VGUI 在内的四个标准图层进行分类。其中，FVC、ET-P 和 TWI 用于识别潜在区域，2001、2006、2014、2020 和 2023 年的 GDEs 地图揭示了具有不同 GDE 可能性等级的区域（极可能，
资金来源
本研究得到中国国家重点研发计划支持，制造企业主控污染物优先控制技术体系与对策（编号：2022YFC3703104）。
CRediT 作者贡献声明
Ye Zhihao: 撰写 - 审阅与编辑，撰写 - 原稿，可视化，验证，软件，资源，方法论，正式分析，数据整理，概念化。Zhou Qiang: 监督，软件，资源，项目管理，正式分析，数据整理。Zheng Mingxia: 验证，监督，项目管理，调查，资金获取。Zhang Peng: . Sun Hao: 监督，项目管理，调查，正式分析。Zhang Xiaoyu: 项目
未引用参考文献
Gibso et al., 2022, Gow et al., 2015, Howard et al., 2023, Li et al., 2024, Otoo et al., 2024, Rohde et al., 2024b.
利益冲突声明
作者声明，他们不知道有任何可能影响本文报告工作的竞争性经济利益或个人关系。
致谢
感谢中国环境科学研究院水生态研究所和中国环境科学研究院环境基准与风险评估国家重点实验室为本研究提供技术支持和实验地点。感谢重庆交通大学江河海洋工程学院和北京中地宏科环境技术有限公司在实地调查中的帮助。
Ye Zhihao|Zhou Qiang|Zheng Mingxia|Zhang Peng|Sun Hao|Zhang Xiaoyu|Zhou Xin|He Liansheng|Huang Longhao|Meng Rui
