近20年黄河源区陆地水储量增加及其可能原因分析

梁文涛，卫林勇，刘 懿，尹 航，韩振华

（1.中国水利水电科学研究院内蒙古阴山北麓草原生态水文国家野外科学观测研究站，北京 100038；2.河海大学水文水资源学院，南京 210098；3.水利部牧区水利科学研究所，呼和浩特 010020）

0 引 言

黄河源区位于“亚洲水塔”青藏高原的东部地区，是黄河流域生态保护与社会经济高质量发展的重要区段［1］。随着社会经济不断发展和人类活动的作用力加剧，黄河源区存在着严重的水资源问题，如湖泊萎缩、冰川冻土退化、植被覆盖度减少导致涵养水源能力下降［2］。陆地水储量由冰雪、湖泊、河流、土壤水和地下水等组成，是流域水平衡的关键参数，能够综合反映流域降水、蒸发和径流变化过程。了解陆地水储量的变化现状对黄河源区水资源的可持续决策和合理规划具有重要支撑作用。

由于在高海拔山区缺乏地面观测，它阻碍掌握陆地水储量的时空变异性。自2002年3月GRACE 卫星发射，其为全球范围的水储量监测提供了一种有用的手段和数据集［3］。目前，GRACE 产品结合GLDAS 数据已经被广泛用于调查区域陆地水储量变化，包括西非、印度半岛、塔里木河流域、长江流域以及黄河流域等［3-5］。已有研究表明陆地水储量在黄河流域2003年至2017年具有下降趋势［4］。但是，黄河流域局部地区的气候和水文差异性大。尽管许等人指出陆地水储量在黄河源区2003年至2008年呈增加趋势［5］。作为GRACE 产品的继承者，GRACE-FO 数据集也得到了很好的水文应用［6，7］。利用最新的更长时间序列的GRACE 产品，即联合GRACE 和GRACE-FO 数据集，揭示黄河源区陆地水储量演变特征有着与时俱进的意义，且该调查工作几乎处于空白状态。

本文利用机器学习模型，结合GRACE 和GRACE-FO 产品解析黄河源区2002年4月至2020年3月的陆地水储量演变规律、陆地水储量成分时间变化特征、以及陆地水储量与气象因素之间的联系。

1 研究区与数据

1.1 研究区域

黄河源区的地理位置介于东经95.5°～103.5°、北纬31.5°～36.5°之间，覆盖面积约13 万km2，横穿青海、四川和甘肃三省。黄河源区的地貌复杂，涵盖了冰川、冻土、湖泊、高山、盆地等地理特征；自然生境独特，以高寒植被为主。黄河源区地势西高东低，且绝大部分地区的海拔高于2 600 m；气候属于半干旱半湿润型，多年平均降水量从东南部（832 mm）向西北部（325 mm）逐渐降低且降水集中在夏季；气温东高西低且昼夜温差大，多年平均蒸散发量为240～764 mm（见图1）。源区自然资源丰富，是黄河流域重要的产流区和水源涵养区［8］。

图1 黄河源区的高程、降水和蒸散发空间分布Fig.1 Spatial distribution of elevation，precipitation and evapotranspiration in the source region of the Yellow River

1.2 数据来源

GRACE产品是由美国国家航空航天局（NASA）和德国航空航天中心联合研制的地球重力卫星数据［7］。在陆地上，GRACE提供垂直整合的陆地水储量变化观测资料，其值为各月陆地水储量减去2004年1月至2009年12月的月平均陆地水储量。目前，GRACE陆地水储量产品可以从德克萨斯大学空间研究中心（CSR）、德国地球科学研究中心（GFZ）和喷气推进实验室（JPL）获取。在它们之中，CSR RL06 mascon 产品是现阶段空间分辨率最高的陆地水储量数据集，其在1°等面积上提供0.25°网格数值，并已经频繁应用在小流域或小尺度区域的陆地水储量变化研究和干旱监测［6，7，9］。因此，本研究使用CSR GRACE/GRACEFO RL06 Mascon V2 产品，研究时期从2002年4月至2020年3月。对于GRACE 数据在时间序列上存在的数据缺失情况，其1个月或连续2 个月缺失的数值采用样条插值方法进行插补；由于GRACE 卫星被GRACE-FO 卫星更替所导致的数据鸿沟较长，本文利用长短期记忆网络模型对2017年7月至2018年5月连续缺失的GRACE数据进行修复。

GLDAS 数据是由NASA 与美国国家海洋和大气管理局基于先进数据同化技术共同开发的地表场信息产品，其包含了大量的水文变量数据［10，11］。GLDAS 同化系统能够融合卫星与地面观测数据，驱动不同的陆面模型。在这些陆面模型中，GLDAS Noah 陆面模式具有最高0.25°的分辨率，与GRACE CSR mascon 产品的空间分辨率一致。由此，本文选取2002年4月至2020年3月GLDAS Noah 模型估计的蒸散发、冠层水、雪水当量、4 层土壤水数据集，并基于水文模型用冠层水、雪水当量和土壤水资料叠加计算出GLDAS陆地水储量［10］。为了与GRACE卫星产品保持一致，GLDAS 逐月陆地水储量也减去2004年到2009年的月均值。GLDAS 陆地水储量已经被频繁用于验证GRACE陆地水储量数值的可靠性［3，9-11］。

黄河源区降水数据来自国家气象局2002年4月至2020年3月的中国地面降水0.5°格点数据集V2，该数据是基于大约2400 个气象站的观测资料利用薄盘样条插值方法生成的网格降水数据，其时间分辨率为1月、空间分辨率为0.5°［6］。本文利用双线性插值法将此数据集内插成0.25°分辨率的降水数据。

2 研究方法

2.1 长短期记忆网络模型

较先进的深度学习模型长短期记忆（LSTM）网络是一种特殊的循环神经网络，其主要作用在于改进传统的循环神经网络在记忆模块中学习长期依赖性的缺陷［6］。LSTM 神经元由输入层、隐藏层（包含细胞记忆的状态单元和删除冗余信息的遗忘门）、输出层组成，这些模块能够控制和调整网络的单元状态。关于LSTM 模型的具体结构和计算公式可参考文献［12］。LSTM 网络模型具有较高的模型拟合和学习能力，在干旱预测、地星降水产品融合、径流还原以及陆地水储量重建得到了较好的应用。因此，LSTM 模型可以作为复杂水文地质特征的黄河源区GRACE 陆地水储量修复的一种可行方案。本文主要调试LSTM 模型中的几个关键参数，即丢弃率、初始学习率、学习率和梯度阈值，最终确定其数值分别为0.2、0.005、0.2、1。

2.2 统计模型

皮尔逊相关系数（CC）法是用于估计给定n组两个变量（Gi，Si；i=1，2，…，n）间相关程度的一种统计学方法。它的计算公式如方程（1）所示，G和S分别表示两个变量的均值，CC表示两个变量的皮尔逊相关系数。CC的数值范围在-1至1之间，越接近于1，正相关程度越高，反之则负相关程度越高。皮尔逊相关系数可用于验证GRACE陆地水储量产品与GLDAS数据的一致性以及分析陆地水储量与气象因素之间的相关关系。另外，皮尔逊相关系数和纳什效率系数（NSE）也可用于评估LSTM 模型重建GRACE陆地水储量的可靠性。

最小二乘法是基于给定的n组数组对（xi，yi；i=1，2，…，n），以线性函数y=k x+b 估算的数据与yi之间最小化误差的平方和为准则，去寻找该组数组对最佳拟合公式的一种数学优化技术。其中，参数k为变量y随着时间x的变化趋势，若k＞0，表示因变量呈现增加的趋势，反之则呈现下降的趋势，它的数学表达式见方程（2）。本文利用最小二乘回归方法分析黄河源区陆地水储量、陆地水储量成分和气象因子在相应尺度上的变化趋势。

3 结果分析

3.1 陆地水储量变化趋势

为了填补GRACE 和GRACE-FO 数据记录中的缺失片段，以GLDAS 数据计算的陆地水储量、GLDAS 蒸散发、降水数据作为自变量，以GRACE 陆地水储量作为因变量，构建LSTM 模型。在研究期所有变量的月时间序列数据重叠时段共205 个月，考虑陆地水储量在时间上的变异性，采用随机抽样的方式获得194 个训练样本和11 个测试样本。该模型在训练期间的性能较高，并且在验证阶段也表现出良好的一致性，皮尔逊相关系数为0.923、纳什效率系数为0.816（图2）。这些结果体现了所建立的LSTM 模型可以用来填补GRACE 与GRACE-FO 之间的数据缺口。

图2 LSTM模型在测试期的性能Fig.2 Performance of LSTM model in the test period

为了验证GRACE 反演的陆地水储量数值的准确性，选用GLDAS 水文模型模拟的陆地水储量对其进行验证。图3 展示了黄河源区2002年4月至2020年3月GRACE和GLDAS估算的区域平均陆地水储量在月尺度上的变化过程。由图3 可知，GRACE 与GLDAS 估计的陆地水储量在幅度和时间上变化趋势基本上一致，两者的皮尔逊相关系数在GRACE时期为0.538、在数据鸿沟时段为0.936、在GRACE-FO 时期为0.436、在研究期为0.737。尽管如此，它们之间存在细微的偏差，GRACE 反演的结果波动范围为-76.7 至113.4 mm，而GLDAS 计算的范围为-83.7 至132.6 mm。这可能因为两者所包含的水文变量不一致，如GRACE产品含有的地下水和湖泊相关数值，而GLDAS陆地水储量数据不包括。总之，GRACE重力卫星反演的陆地水储量产品的可靠性有着很好的保障，可为黄河源区的陆地水储量变化分析提供较大潜力的数据集。

从图3 可以看出，黄河源区的陆地水储量在研究期间呈现先增加后降低再增加的变化过程，但整体上表现出增加趋势，线性斜率为0.198 mm/月。具体地，陆地水储量在2002年4月至2012年8月以0.267 mm/月的线性斜率缓慢地上升，在2012年9月至2016年9月以1.369 mm/月的线性斜率急剧地下降并在2016年9月出现最低的负值。然而，陆地水储量在2016年10月至2020年3月再次以3.124 mm/月的线性斜率回升，并且在GRACE-FO 时期所有月份均显示出盈余的状态，以及大部分月份的数值一般高于GRACE 时期的量值。这些结果相较于许等所报道的相关内容［5］，更能揭示该区域的陆地水储量历史变化状态。另外，陆地水储量也有明显的季节性变化特征，即，在旱季易出现亏损状态，而在湿季通常呈现盈余状态。这是因为具有季节性的降水、蒸散发、气温等因素直接促使陆地水储量发生相似的变化。

图3 基于GRACE与GLDAS产品的陆地水储量在月尺度上的变化Fig.3 Variation of terrestrial water storage based on GRACE and GLDAS products at a monthly scale

3.2 陆地水储量成分时间变化

详细的陆地水储量成分分析有助于更好地阐释陆地水储量的时空变化特征。地下水、土壤水和雪水当量是陆地水储量的主要成分［11］。这里的地下水数据是用GRACE 陆地水储量数值减去土壤水和雪水当量数值获得的［13］。由图4 可知，3 个陆地水储量成分的时间变化特征有着很大的差别，并表现出不同的增减趋势。详细地，雪水当量在研究期以0.008 mm/月的线性斜率平坦地增加，在个别月份出现较丰富的盈余状态，如在2011年11月达最高正值16.8 mm；它与陆地水储量的时间序列极为不一致。有趣地，土壤水的时间变化展示出明显的增加趋势，在2002年4月至2020年3月期间的线性斜率为0.398 mm/月；且它也有着先增加后降低再增加的变化趋势，与陆地水储量的时间变化有着高度的相似性，皮尔逊相关系数为0.731。相比于受气候变化影响敏感的雪水当量和土壤水，地下水呈现相反的趋势，其以0.209 mm/月的线性斜率下降，与陆地水储量的变化趋势方向不一致。因此，在3个陆地水储量成分中，土壤水是黄河源区的陆地水储量变化的主要贡献成分。

图4 地下水、土壤水和雪水当量变化趋势Fig.4 Variation trend of groundwater，soil moisture and snow water equivalent

3.3 水储量变化的气象因素分析

黄河源区的气候变化复杂，降水、蒸发等因素容易导致陆地水储量发生急剧变化。另外，陆地水储量对人类活动的响应也颇为敏感，但本文重点分析气象变量（降水和蒸散发）对源区陆地水储量的影响。

降水被认为是影响陆地水储量变化的最重要的气候因素之一。由图5 可以观察到，降水和蒸散发变量具有很强的年代周期性和年内季节性变化，在夏季和秋季降雨量大、蒸散发强，而春季和冬季降雨量小、蒸散发弱，导致陆地水储量也有着相似的演变特征。另外，降水在研究期间以0.017 mm/月的线性斜率略微增加，而蒸散发量有着-0.026 mm/月的线性斜率下降趋势。一般地，这两个变量与陆地水储量在季节性变化上有着紧密的一致性，均在旱、湿季分明。

图5 陆地水储量与月降水和月蒸散发的变化关系Fig.5 Variation relationship between terrestrial water storage and monthly precipitation and monthly evapotranspiration

降水和蒸散发在月尺度上趋势变化是微弱的，不易于直观发现陆地水储量与它们之间的联系。图6展示了陆地水储量与降水和蒸散发在年尺度上的变化关系。年降水量也有先增加后降低再迅速增加的趋势，而年蒸散发量缓慢地增加再急剧下降。图6（a）、6（b）显示，陆地水储量变化量和源区降水量之间存在统计上显著的正相关，皮尔逊相关系数为0.597、p小于0.05、线性斜率为2.52，即随着降水增加、陆地水储量变化量也增加。相反，在陆地水储量变化量和蒸散发之间存在负相关，皮尔逊相关系数为-0.219、线性斜率为-2，即陆地水储量与蒸散发量变化方向相反［见图6（c）、6（d）］。显而易见地，降水趋势增加是黄河源区陆地水储量增加的重要因素，而蒸散发量减少是该地区陆地水储量上升的可能原因。

图6 陆地水储量与年降水和年蒸散发的变化关系Fig.6 Variation relationship between terrestrial water storage and annual precipitation and annual evapotranspiration

气象因素对陆地水储量变化扮演着重要的角色。近20年来，降水量以0.017 mm/月的趋势增加是黄河源区陆地水储量增加的重要原因。降水是陆地水储量变化的主要天然补给来源［11］。在2016年之后，陆地水储量急剧上升，年降水也有快速增加的趋势。近年来气温上升，引起山顶上的积雪融化和多年冻土的融化，也会给陆地水储量带来一定量的补给［14］，但相对于降水量来说只是少量的。蒸散发是陆地水储量变化的主要自然消耗源。增加的气温，在其他区域会导致蒸散发量的增加，而蒸散发量在黄河源区整体上呈现下降趋势。因此，陆地水储量的增加是多种因素综合变化影响的结果。

4 结 论

（1）LSTM 模型在源区的GRACE 产品修复方面具有很好的可靠性，以及GRACE 重力卫星陆地水储量产品与GLDAS 水文模型模拟结果有着较好的匹配度，皮尔逊相关系数为0.737，可为黄河源区提供适用的水储量数据。

（2）研究时段，黄河源区的陆地水储量具有显著的季节性和先增加后降低再增加的变化趋势，整体上以0.198 mm/月的线性斜率上升。此外，土壤水的增加是陆地水储量增加的主要贡献成分。

（3）陆地水储量与降水有着显著的正相关，而与蒸散发之间存在负相关。因此，降水量增加是近20年来黄河源区陆地水储量上升的重要原因，而蒸散发下降是该区域陆地水储量增加的可能原因。

总体而言，本文联合GRACE 和GRACE-FO 重力卫星产品更深层次地了解黄河源区的陆地水储量演变特征及其原因，可为黄河流域生态保护和高质量发展政策提供更详细的黄河源区陆地水储量状况，以及未来区域水资源规划提供有力的参考。在未来研究中，则需进一步探讨陆地水储量变化对人类活动的响应，如土地利用、水库、取用水工程等，从而更合理地利用流域水资源，降低旱涝损失。