《Journal of Hydrology》:A dual-method, multi-scale causal framework reveals seasonal shifts in hydrological causality of a headwater catchment
编辑推荐:
本研究构建多时间尺度整合分析框架,结合CEEMDAN分解与CCM/PCMCI双方法共识策略,揭示石谷岭流域水循环要素(降水、土壤湿度、地下水等)的时空依赖性因果机制。发现土壤湿度作为核心枢纽,其因果影响强度随时间尺度变化呈现季节性差异,雪期土壤湿度→地下水→径流的主导路径与雪-free期多要素互馈机制形成鲜明对比,为复杂水文系统因果解析提供新范式。
Juan Yu|Yaling Zhang|Hanxu Liang|Hu Liu|Jintao Liu|Carlos R. Mello|Chongli Di|Li Guo
中国四川大学水资源与水电学院水力学与山地河流工程国家重点实验室,成都610000
摘要
理解水循环各组成部分之间的因果关系对于阐明控制水文过程的物理机制和改进预测模型至关重要。然而,现有的方法通常仅限于单一时间尺度,并且缺乏方法上的交叉验证,这可能导致模糊或矛盾的结论。为了解决这些问题,本研究建立了一个稳健的因果推断框架,该框架将多时间尺度分析与基于共识的双方法策略相结合。该框架应用于一个源头流域(Shale Hills),使用每小时的数据来研究降水量(P)、径流量(Q)、土壤湿度(SM)、地下水位(GW)、蒸散量(ET)和积雪深度(SD)。数据被划分为以积雪为主的时期(2009年11月至2010年4月)和无积雪时期(2010年5月至10月)。通过完全集合经验模态分解与自适应噪声(CEEMDAN)对时间序列进行分解,以分离日尺度、周尺度、十年尺度和月尺度上的动态变化。然后使用两种互补的方法来识别因果关系:Convergent Cross Mapping(CCM),该方法擅长检测非线性耦合;以及PCMCI算法,该方法适用于高维条件独立性测试。只有两种方法都验证的关联才会被保留,因果强度通过CCM的交叉映射技巧(ρ)来量化。我们的研究结果表明,因果相互作用具有尺度依赖性,随着时间尺度的增加,复杂性降低。主要的因果路径是P → SM → (GW) → Q,在所有尺度上都表现出较强的因果强度(>0.55)。土壤湿度成为一个关键枢纽,动态地连接系统各组成部分。值得注意的是,在无积雪期间,径流生成机制发生了季节性变化:虽然SM和GW都对Q有很强的因果影响(>0.6),但在以积雪为主的条件下,SM → Q的关联更强(0.74)。通过将时间尺度分解与多方法因果推断相结合,本研究建立了一个可转移的框架,用于解决尺度依赖的水文相互作用和机制变化,从而更深入地理解复杂流域中的水循环过程。
引言
理解水文循环对于水资源管理和区域水资源安全至关重要(He和James,2021)。源头流域作为河流径流的主要来源,是陆地水循环中的关键区域(Chen等人,2024)。因此,解析这些区域水文成分之间的因果关系对于阐明水循环的物理驱动因素、推进径流生成知识、开发先进的预测模型(Molina等人,2022;Molina等人,2025)以及制定有效的管理策略(Strohmenger等人,2022)至关重要。
目前对水文相互作用的研究主要依赖于相关性分析(例如,皮尔逊系数和相关性网络)和回归技术(Nguyen和Santos,2024)。虽然这些方法在量化统计关联方面有效,但它们在建立真正的因果关系方面存在固有的局限性(Altman和Krzywinski,2015;Yasmin和Sivakumar,2018)。这一局限性至关重要,因为水循环中的相互作用是因果性的,一个组成部分的变化直接由另一个组成部分的动态引起(Jiang和Kumar,2019)。此外,了解这些因果关系的方向性和时间滞后对于阐明潜在的物理机制至关重要。
鉴于气候变化、土地利用变化和人类干扰下水文系统的复杂性和非平稳性不断增加(Abbott等人,2019),这种方法论上的差距变得越来越明显。在这种情况下,基于相关性的方法无法很好地捕捉水循环中的方向性因果关系和时间滞后响应(Che等人,2019)。因此,持续依赖传统技术会阻碍真正因果关系的识别,并影响对流域过程的准确描述。
现有研究往往关注成对或有限的多元素关系,忽视了整体的系统级视角。以往的研究通常考察了植被对侵蚀和径流的调节(Tang等人,2021;Xiao等人,2024)、地下水对流量的贡献(Ziaee和Abedini,2023),或者降雨模式(Iwasaki等人,2021)和土壤湿度动态对径流的影响(Li等人,2023;Nkiaka等人,2024)。对多个相互关联的组成部分之间的交互动态进行综合研究仍然很少。这种狭隘的关注方式有可能误判水循环的关键驱动因素,并扭曲对系统相互作用的评估,从而限制了对机制的理解。因此,需要综合多元素因果分析,将孤立的见解整合到一个连贯的交互框架中(Chen等人,2024)。这种方法为澄清因果链、量化因果交互强度以及深化预测水文建模所需的机制理解提供了变革性的途径(Ul Hasan等人,2025)。
存在多种从观测数据中推断因果关系的方法,大致可以分为以下几类(Goodwell等人,2020;Runge等人,2023):(1)线性/非线性自回归模型,例如Granger因果关系(GC,Granger,1969)和传递熵(TE,Barnett等人,2009);(2)基于图的方法,例如PC算法(Spirtes和Glymour,1991)和贝叶斯因果建模(BCM,Molina等人,2022;Molina等人,2025);以及(3)基于延迟嵌入的方法,例如Convergent Cross Mapping(CCM,Sugihara等人,2012)。其中,CCM和PCMCI(结合了Pearl提出的瞬时条件独立性测试的PC算法,Spirtes等人,2001)特别适用于非线性水文系统。然而,它们在方法上有根本性的差异。CCM基于非线性动态系统理论(Deyle和Sugihara,2011),在识别非线性因果关系方面表现出色,尤其是在数据有限的情况下,但可能面临高计算复杂性和受未观察到的混杂因素引起的虚假因果关系的影响(Bonotto等人,2022)。而PCMCI利用了两步因果网络学习框架(即PC算法与条件独立性测试相结合)(Deyle和Sugihara,2011;Sugihara等人,2012;Takens,1981),能够高效分析高维多元素数据集(Pearl,2009;Runge等人,2019a;Spirtes等人,2001),但其性能可能受到强非线性的限制、严格的数据要求(例如平稳性和足够的数据长度)以及可能遗漏真实因果关系的影响(Goodwell等人,2020;Meyfroidt,2016)。因此,单独应用任何一种方法到复杂系统中都可能产生不同的结果,这突显了从单一方法获得稳健、基于共识的理解的挑战。
另一个关键的局限性是,水文因果分析主要局限于单一时间尺度(Bonotto等人,2022)。然而,水文过程发生在从快速风暴响应到长期季节性和气候变化的连续时间尺度上。单一时间尺度的关注掩盖了关键的跨时间尺度机制和反馈。重要的是,因果推断本质上是尺度依赖的,导致看似不同的发现。例如,虽然Zhao等人(2024)发现春季/夏季的浅层土壤湿度(SM)对降水量(P)的因果效应有4-6天的滞后,但Wang等人(2018)报告称SM → P的因果关系有一个月的滞后。这些对比结果突显了时间尺度的依赖性,而不是矛盾。因此,跨时间尺度的因果分析对于识别特定尺度的驱动因素和阐明控制短期与长期因果关系的机制差异至关重要。
为了解决多元素、多时间尺度分析和方法论不一致性的研究空白,本研究提出了一个新颖的集成因果分析框架。该方法将时间尺度分解与双方法因果推断相结合。CCM因其对非线性动态耦合的敏感性而被采用(Bonotto等人,2022;Ye等人,2015),而PCMCI则因其在中元素系统中的条件独立性测试效果而被采用(Runge等人,2019b)。通过仅保留两种方法都验证的关联,可以最小化假阳性和方法特定的伪影,从而比单一方法应用提供更可靠的真实因果相互作用描述。这种共识策略直接利用了每种方法的互补优势,增强了鲁棒性。
该框架使用美国宾夕法尼亚州的Shale Hills流域进行了验证。通过将其结果与已建立的流域相互作用理解进行对比(Fan等人,2020;Guo等人,2019;Liu等人,2020)来评估结果的可靠性。本研究旨在:(1)开发并展示一个涵盖多个时间尺度上多元素相互作用的因果分析框架;(2)识别关键水文过程的主要时间尺度和季节性变化;(3)阐明径流生成路径的季节性变化及其控制因素。通过将尺度分解与双方法因果验证相结合,该框架超越了量化关系的范围,系统地揭示了具有明确时空特征的物理机制链。
部分摘录
多元素、多时间尺度因果分析方法
为了克服源头流域中水文元素因果推断的方法论限制,本研究开发了一个框架,将多元素、多时间尺度分析与稳健的因果验证相结合。
首先,使用完全集合经验模态分解与自适应噪声(CEEMDAN)进行时间尺度分解。该过程从原始时间序列中分离出内在模态函数(IMFs),代表不同的频率成分
研究区域
本研究在美国宾夕法尼亚州中部的Shale Hills流域进行(40°39.87′N,77°54.40′W),面积达7.9公顷(图2)。流域内的坡度陡峭(高达25-48%),山脊狭窄。海拔范围从256米到310米,局部平均海拔为300米(Ma等人,2011)。Shale Hills流域的气候属于温带湿润气候。长期(>100年)的月平均温度最低
流域水循环中的多尺度因果动态
从原始每小时数据中得出的因果网络揭示了不同的季节性交互模式(图3,图4)。在无积雪期间,Q、GW和SM表现出强烈的相互因果作用,因果强度大于0.62(图3a)。相比之下,在积雪期间,GW和SM、Q和GW以及SM和SD之间存在双向因果关系。其中,GW和SM之间的因果关系最强(SM → GW,强度:0.65;GW → SM,强度:0.63),而其他源头流域中水循环的主要过程和机制
对水文循环元素的多尺度分析表明,P-SM-(GW)-Q路径在源头流域中占主导地位,其中土壤湿度(SM)是一个不可或缺的水文枢纽(图7,表1)。这一发现与其他许多关于世界各地山区小流域的研究结果一致,例如Ye等人(2023)在另一个地震后山区小流域的观察结果也非常一致。他们也强调了SM的核心作用结论
本研究建立了一个新颖的多尺度因果推断框架,用于揭示源头流域中P、SM、GW、Q、SD和ET之间的时间动态,明确区分了以积雪为主和无积雪时期的情况。主要发现如下:
(1)水文因果关系本质上是尺度依赖的,交互的方向和强度随时间尺度而变化。在月尺度上,主导的因果关系最为明显,揭示了关键的响应滞后和
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
致谢
本研究得到了中国国家重点研发计划(2023YFD1901203)和国家自然科学基金(42571035)的支持。我们衷心感谢美国国家科学基金会的Critical Zone项目,该项目之前支持了Susquehanna/Shale Hills Critical Zone Observatory。野外数据收集在Penn State的Stone Valley Forest进行,该森林由Penn State的Forestland Management Office支持和管理