基于GRACE-FO重力卫星数据反演西南地区的水储量变化

易琳，王柯，钱金菊，王冠，洪丹仪

广东电网有限责任公司 电力科学研究院，广州 510062

0 引言

随着经济发展以及城镇化速度加快，人类对水资源的消耗迅速增加，水资源短缺已成为全球性的关键问题。从时空上掌握水资源的变化对水资源的可持续利用具有重要的意义。传统的方法一般通过布设较为密集的地面水井站来获取水储量的变化，但水井站的建设与维护费时费力且费用较高，并不适合用于大范围区域内水储量变化的长期监测[1]。

2002年3月GRACE重力卫星的发射，为陆地水储量变化的反演提供了一种新的手段[2-4]。重力卫星检测到的时变地球重力场可以等价转换为地球的表面质量变化，而这些质量变化主要是由陆地水储量变化导致。目前，国内外已经有很多学者利用GRACE数据研究了全球不同区域内的水储量变化情况，Andersen et al.[5]采用GRACE数据反演了欧洲2002—2003年的陆地水储量变化，验证了GRACE反演水储量变化的可行性；Rodell et al.[6]结合GRACE数据和水文模型数据研究了印度地区2002—2008年的水储量变化，发现西北部地区的地下水消耗较为严重；钟敏等[7]采用GRACE数据研究了整个中国地区2003—2007年内的水储量变化，给出了包括华北平原、青藏高原、长江流域等在内的几个水储量变化较为明显的区域；Scanlon et al.[8]采用GRACE和水文模型数据反演了美国加州的地下储量变化，发现该地区在2006—2010年期间地下水消耗较为严重；Feng et al.[9]采用GRACE数据分析了2003—2010年华北平原的水储量消耗，得到该地区的年消耗量可达(-2.2±0.3)cm/a；谢小伟等[10]利用GRACE数据、水文模型数据以及气象数据研究了陕甘晋高原的水储量变化，发现采煤大省山西的水资源消耗异常严重。这些研究表明，GRACE卫星重力数据可以应用于大空间范围的水储量变化研究。但GRACE卫星设计寿命5 a，实际工作15 a，已经于2017年10月停止服务。GRACE-FO计划是GRACE卫星的延续，其工作原理、结构设计及载荷基本与GRACE相同。但关于GRACE-FO数据的应用研究，目前报导还较少。

本文采用最新发布的GRACE-FO卫星2018年6月至2019年9月的重力场模型数据以及GLDAS水文模型数据，并结合降水数据分析了陆地水、地表水以及地下水的储量变化的原因，研究了中国西南地区(包括云南、广西、贵州、四川及重庆)近一年内的水储量变化(图1)。

图1 研究区域分布图Fig.1 Distribution of study area

1 数据与方法

1.1 GRACE-FO数据反演陆地水储量变化

本文采用德克萨斯大学空间研究中心(CSR)发布的GRACE-FO卫星 Level 2的RL06月重力场模型，最高阶数为60，时间跨度为2018年6月至2019年9月，共14期数据(缺失两期)。尽管RL06月重力场模型采用了新的算法使得条带误差及高频噪声减小了很多，但剩余的误差依然不可忽视。因此本文仍然采用300 km的高斯滤波与去相关滤波相结合的方法对GRACE-FO进行处理。

重力场球谐系数计算陆地水储量变化的具体公式为[11]：

(1)

(2)

1.2 GLDAS数据获取地表水储量变化

本文中采用的地表水数据是从GLDAS水文模型中获得。GLDAS水文模型是美国宇航局的戈达德太空飞行中心(GSFC)和国家海洋和大气预报中心(NCEP)联合开发的一个高分辨率全球离线陆地模拟系统，共包含4个版本：NOAH、VIC、CLMv2和MOSAIC。本文主要是采用了GLDAS-NOAH版水文模型提供的4层土壤数据(0～0.1 m，0.1～0.4 m，0.4～1 m，1～2 m)及积雪数据，其空间分辨率为1°，时间分辨率为1个月。扣除了研究时间段内的平均值(作为基准)后，得到了2018年6月至2019年9月地表水的储量变化。

本文还采用了GLDAS得到的地表水作为先验信息计算尺度因子。对GLDAS得到的地表水数据进行球谐展开，截取前60阶；采用与GRACE-FO相同的滤波数据进行处理；利用最小二乘法拟合滤波前后的数据得到尺度因子。尺度因子的计算公式为：

M=∑(ΔSt-kΔSf)2

(3)

式中:ΔSt为GLDAS得到的地表水储量变化;ΔSf为对其进行滤波后的结果;k为当M最小时得到的尺度因子。通过计算得到的尺度因子为1.21。

1.3 地下水储量变化的获取

GRACE-FO反演得到的是总的陆地水储量变化，包含：地下水、土壤水、积雪水、地表径流、冰盖及植被水的总变化。其中，除地下水外，其他部分都属于地表水部分。因此可以从总的陆地水储量变化扣除地表水的变化得到地下水的变化。考虑到西南地区地表径流以及植被水的影响较小，本文中采用土壤水与积雪水的总变化作为地表水的变化。具体公式为：

ΔGWS=ΔTWS(ΔSM+ΔSWE)

(4)

式中:ΔGWS为地下水的储量变化;ΔTWS为GRACE-FO获取得到的陆地水储量变化;ΔSM和ΔSWE分别为GLDAS水文模型获取得到的土壤水和积雪水的储量变化。

2 实验与分析

2.1 时间序列分析

图2为西南地区陆地水储量变化、地表水储量变化、地下水储量变化以及月降水量在2018年6月至2019年9月间的时间序列对比图。很明显可以看出陆地水储量变化与地表水储量都呈现出明显的季节性，二者都在夏季和秋季呈现出明显的上升趋势，而在春季和冬季呈现出明显的下降趋势。与降水数据进行对比可以发现，二者的季节性变化主要是因为在夏季和秋季，区域内降水较多，对水资源的补充高于水资源的消耗；而在冬季和春季降水较少，农作物需要灌溉，降水对水资源的补充小于水资源的消耗，从而导致水储量呈下降趋势。

图2 陆地水、地表水及地下水储量变化与降水的对比图Fig.2 Comparison of changes in land water, surface water and groundwater reserves and precipitation

从整体趋势上可以发现2018年6月至2019年9月期间，地表水呈现出略微的增长趋势，而陆地水储量和地下水储量都呈现下降的趋势，其中地下水下降趋势更为严重，三者的年变化趋势分别为(0.29±0.36)cm/a、(-1.87±0.82)cm/a、(-2.15±0.96)cm/a；对比陆地水、地表水数据可以发现，陆地水与地表水呈现出较高的一致性，通过计算，两种时间序列的相关系数为0.7，年周期的相位差也仅有0.47 rad，这在一定程度上也可以表明GRACE-FO数据的可靠性。

与降水数据进行对比，可以发现2019年秋季降水较多，降水的增加导致地表水增长，但陆地水依然呈现出消耗的趋势，这可能是由人类活动所引起的地下水开采所致；除此之外，还可以发现陆地水和地表水的峰值相比降水的峰值要延后几个月，这主要是因为当降水大于一定量，即补充量大于消耗量时，陆地水和地表水都会呈现出上升的趋势，因此当降水峰值之后的几个月，陆地水和地表水依然呈现为增长。

2.2 空间变化分析

考虑到本文研究的时间段较短，因此采用2019年6月和7月的平均水储量与2018年6月和7月的水储量变化的差异来研究西南地区近一年内水储量在空间上的变化。

图3a-c分别为2019年6月和7月的平均陆地水储量、地表水储量以及地下水储量相对于2018年6月和7月平均值的差异。图3d为近一年内的降水累积量分布图。从陆地水储量变化的时间序列中可以得到整个西南地区在2019年6月和7月的平均值相比2018年6月和7月平均值减小了2.3 cm。但从图3中可以看出，整个区域内的陆地水储量在2019年并非都是降低：其中在云南省呈现出明显的降低，大约减少9.1 cm；而在广西却呈现出明显的增加，大约增加6.2 cm。

a.西南地区近一年内陆地水储量变化空间分布图; b.西南地区近一年内地表水储量变化空间分布图; c.西南地区近一年内地下水储量变化空间分布图; d.该地区近一年内的降水累积的空间分布图。图3 陆地水、地下水、地表水及降水数据的空间分布图Fig.3 Spatial distribution of land water, groundwater, surface water and precipitation data

陆地水储量、地表水储量以及地下水储量变化的空间分布都基本类似，都是在云南省呈现出了较为严重的降低，而在贵州省呈现出明显的增加。

与累计降水的空间分布图进行对比可以发现，广西、贵州以及四川西南部地区的累计降水较多，对应的陆地水储量、地表水储量以及地下水储量都呈现出增长的趋势，而在云南地区的累计降水相对较少，三种水储量都呈现出下降的趋势。说明在这些地区降水是影响水储量变化的主要因素。但在重庆以及四川东北部地区累计降水相对较低的情况下，仅地表水呈现出下降的趋势，陆地水储量及地下水储量并未如云南省一般呈现出严重下降趋势，这可能是因为该区域内的水资源消耗相对于云南省的水资源消耗较少，较少的降水可以在一定程度上弥补地下水资源的消耗。除此之外，本文中得到的云南省水资源严重消耗也与新闻报道云南省2019年严重干旱相吻合。

3 结论

(1)陆地水和地表水都呈现出明显的季节性变化，其中在夏季及秋季呈现出上升的趋势，而在春季和冬季呈现出下降的趋势。

(2)西南地区近一年内陆地水和地下水整体呈现出下降的趋势，其中在云南地区的水资源消耗较为严重。

(3)降水是陆地水和地表水季节性变化的主要原因，并且是2019年云南干旱的主要原因。