基于GRACE时变重力场模型研究印度河-恒河流域水储量变化

温志强,黄征凯,2

(1. 华东交通大学 土木建筑学院,江西 南昌 330013;2. 东华理工大学 江西省数字国土重点实验室,江西 南昌 330013)

0 引 言

随着全球人口迅速增长,人类对淡水资源的需求不断增加,很多国家和地区出现了不同程度的缺水问题.有效监测全球水资源分布和动态变化,并制定合理的开采和分配方案,已成为人们应对水资源短缺问题的必要手段.GRACE(Gravity Recovery and Climate Experiment)卫星计划的实施为全球水资源监测提供了新的观测方法,国内外相关学者陆续将其用于全球各大流域的水储量变化研究.廖梦思等[1]基于GRACE月重力场数据分析了洞庭湖流域陆地水储量时空变化特征,并指出降水是影响该区域陆地水储量变化的主要因素.联合GRACE和GLDAS(Global Land Data Assimilation System)水文模型可用于分析地下水变化,如罗志才等[2]利用GRACE反演了黑河流域陆地水储量的变化,扣除水文模型中的土壤水和雪水当量变化,并利用地下水测井数据对反演结果进行初步验证.

印度河和恒河流域是世界上人口最密集的地区之一,同样也面临着水资源短缺的问题,研究该区域水储量变化对于当地生态环境和经济发展均有重要意义.为此,众多学者陆续利用GRACE数据开展陆地水储量相关研究,如陈剑利等[3]利用时变重力场监测印度西北部地下水的长期变化,发现巴基斯坦部分城市的地下水储量变化对区域水储量有较大影响;Naresh等[4]结合GRACE和GLDAS数据研究印度地区地下水储量的变化,结果显示印度北部的地下水以16 mm/a的速率下降,并且指出在厄尔尼诺年的地下水下降速率加快,而在出现拉尼娜现象时地下水储量明显恢复.Tiwari等[5]联合GRACE数据与水文模型指出印度北部的陆地水的变化是地下水的抽取造成的.本文在已有研究成果的基础上,将研究范围扩大到整个印度河和恒河流域,利用GRACE月重力场模型分析了流域内从2002-2016年陆地水储量变化的时空分布特征,联合GLDAS 水文模型分离出地下水储量的变化,并结合气象水文资料解释了水储量变化的原因.

1 GRACE反演地下水储量变化原理

利用GRACE数据反演的地球质量变化在较短的时间尺度上被认为是水量变化引起的,因此GRACE广泛用于陆地水储量变化研究.利用GRACE数据解算等效水高的数学公式如下[6]:

(1)

利用GRACE月重力场模型获取的陆地水储量指的是所有水分的总和,包括地下水、土壤水、地表水、雪水当量、植被水、生物含水和其他因素等.陆地水储量平衡方程可表示如下:

ΔGWSC=ΔTWS-Δwater,

(2)

式中:ΔTWS是陆地水储量变化;ΔGWSC是地下水储量变化;Δwater是从水文模型中获取的各种水量变化(植被水、土壤水和雪水等).另外,由于地表水和生物含水量的量级远低于上述因素,文中未考虑该两项的影响.

2 研究区域概况

2.1 印度河-恒河流域地理概况

印度河和恒河流域是喜马拉雅山脉以南和印度高原之间的平原地区,也是印度次大陆最重要的人口聚集区和农作物产区.该区域位于北纬8°24′～37°36′、东经68°7′～97°25′,总面积约223万平方千米,由于北部被喜马拉雅山阻隔,形成了一个相对独立的地理单元,如图1所示.

图1 印度河-恒河流域地理概况

本文利用GRACE月重力场模型计算研究区域陆地水储量变化,并结合全球水文模型中的各水文要素分离地下水储量变化.其中,GRACE数据为美国德克萨斯大学研究中心(CSR)发布的GRACE-RL05月重力场模型(60阶),数据时间段为2002年4月-2016年7月(共155月),期间少数由于卫星加速度计异常导致的数据空白月份通过插值算法补充;水文模型选用空间分辨率为0.25°×0.25°的GLDAS全球水文模型,该水文模型提供了降水速率、蒸发速率、雪水当量和土壤水等水文同化数据,研究数据概述如表1所示.

表1 研究数据概述

2.2 降水和蒸发数据

研究区域中两个流域的气候具有显著的差异,恒河流域为典型的热带季风气候、全年干湿季分明,而印度河流域内主要是热带沙漠气候、全年高温少雨,恒河流域的降水量和蒸发量均大于印度河流域.图2为印度河-恒河流域月平均降水量和蒸发量时间序列图,图中恒河流域内的降水峰值和振幅都更大,受热带沙漠气候影响的印度河流域的降水量少且不稳定,如2009年和2014年均出现降水异常增加的现象.图3为利用水文模型数据进行趋势分析获取的区域降水和蒸发变化分布图,从图中可发现:研究区域中大部分地区的蒸发量呈增加态势,其中恒河流域南部速率最大;区域降水变化速率稍大于蒸发变化速率,但是多数地区趋于稳定或下降趋势,且恒河流域东部地区的降水量下降趋势最显著.

(a)印度河流域

(b)恒河流域图2 印度河-恒河流域内的降水量、蒸发量的时间序列

(a)降水量 (b)变化速率图3 2002-2016年印度河-恒河流域蒸发量

3 印度河-恒河流域水储量变化

由于受卫星轨道和环境模型等误差的综合影响,利用月重力场获取的质量变化中包含较大的误差.为此,需对GRACE数据进行精细的预处理工作,如利用SLR观测的C20值替换重力场模型的J2参数以消除系统偏差,通过去相关滤波P3M6和Fan滤波(滤波半径为300 km)的组合算法消除月重力场模型中的条带误差.经数据预处理后的球谐系数带入公式(1),解算出研究区域的等效水高,扣除GLDAS水文模型获取的(土壤水、植被水和冰雪)水量变化,即可得到流域内地下水储量变化信息.

水彩作品《四川峨眉》（图10）画面署款年代为“1947”。但是，李铁夫四川之行应是在1946年，这是笔误？还是一年后又画了一幅？显然存在争议。又有同游作画的学生温少曼先生③，他指出此画为现场写生，年代是李铁夫“乱签的”。

(a)陆地水储量变化率 (b)地下水储量变化率图4 印度河-恒河流域内的水储变化分布

图4为联合GRACE和GLDAS数据获取的2002-2016年印度河-恒河流域水储量变化分布图.其中,图4(a)为陆地水储量变化速率分布图,图中显示多数地区的陆地水储量呈下降趋势,在两个流域交界区域的下降速率最明显(约为18.5 mm/a),而恒河流域南部的陆地水储量缓慢增加.对比图3中的降水和蒸发数据,研究区域中部的月降水量减少、蒸发量增加现象也与该地区的陆地水储量下降相一致.图4(b)是扣除部分水文模型数据获取的地下水储量变化分布图,研究区域中部的地下水变化速率同样为负值,表明其地下水储量长期处于亏损状态,尤其在新德里及周边地区的最大下降速率达到27 mm/a.Xiang等[7]利用GRACE数据研究了青藏高原及周边的地下水储量变化,获取的地下水变化空间分布和数值与本文的结果基本一致.研究区域中的陆地水储量和地下水储量变化的空间分布高度重叠,且地下水储量下降速率稍高于整体水储量的变化速率,说明陆地水储量下降的主要贡献来自地下水储量的快速减少.

IQBAL等[8]指出巴基斯坦部分地区严重依赖地下水资源来满足农业灌溉用水的需求(约占供水总量的60%以上),地下水的不均衡和过度开发,导致地下水位下降和水质恶化等问题.Mohammad等[9]研究发现近年来喜马拉雅各大流域的地下水快速下降,并指出主要是在干旱季节对地下水的过度抽取造成的.结合本文的研究结果可发现,图4(b)中地下水亏损严重区域与印度和巴基斯坦的粮食主要产地高度重合,据此也验证了为满足农业灌溉所需而过度抽采地下水是该地区陆地水储量快速下降的主要原因.

印度河和恒河流域的平均水储量变化如图5-6所示,扣除季节信号后得到地下水变化异常时间序列(GWSC).图5示出印度河流域的陆地水储量变化未呈现明显的周期性规律,通过GRACE和GLDAS数据获取的水储量变化存在一定的差异,GLDAS获取的水储量为缓慢增长态势,而GRACE获取的水储量变化整体呈现为下降趋势(速率约为-4.4 mm/a).扣除水文模型的水储量得到的地下水储量下降趋势更加明显(达到-7.2 mm/a),据此再次验证了该区域整体水储量降低的主要贡献来自于地下水的快速减少.

(a)陆地水储量

(b)地下水储量图5 印度河流域的陆地水储量、地下水储量的时变序列

(a)陆地水储量

(b)地下水储量图6 恒河流域的陆地水储量、地下水储量的时变序列

如图6所示,恒河流域水储量均表现出显著的季节性信号,且两者计算结果的相关系数达到了0.95,通过趋势项分析得到恒河流域内的地下水下降速率为-4.7 mm/a.比较2009-2011年间以及2014年间流域内的地下水储量明显低于其他年份,在图2中相同时段恒河流域的降水量都出现低值,表明降水数据和地下水异常值在时间上具有较好的一致性.根据Naresh等[4]的研究,在2009-2011年出现较强的厄尔尼诺现象导致流域内降水的异常,同时陆地水储量和地下水也出现下降趋势.综上说明恒河流域内的水储量变化受到蒸发量的持续增加和降水减少的共同影响.

4 结 论

本文利用2002-2016年的GRACE-RL05月重力场模型计算印度河-恒河流域陆地水储量,并结合GLDAS水文模型提取地下水储量变化,并分析了水储量变化的时空分布特征及与蒸发量、降水量之间的关系,得出以下结论:

1)印度河-恒河流域多数地区水储量呈下降趋势,其中两流域交界处的新德里及周边地区下降速率最明显(达到27 mm/a),且地下水亏损严重区域与印度和巴基斯坦的粮食主要产地高度重合,由此可以合理推断该地区地下水快速下降的主要原因是农业灌溉中过度抽采地下水导致的.

致谢:感谢NASA提供的GRACE-RL05数据以及GLDAS-Noah模型.