南水北调背景下汉江流域水分利用效率驱动机制的结构性重组:时空深度学习与像元级归因

《Water》:Structural Reorganization of Water Use Efficiency Drivers in the Hanjiang River Basin Under the South-to-North Water Diversion: Spatiotemporal Deep Learning and Pixel-Level Attribution

【字体: 大 中 小 】 时间:2026年10月22日 来源:Water 3.5

编辑推荐:

  跨流域调水通过改变水文过程和土地利用重塑了水分利用效率(WUE),但调水后WUE变化及驱动机制重组尚未得到定量刻画。本研究以汉江流域(南水北调水源区)为对象,采用卷积门控循环单元(ConvGRU)深度学习模型结合积分梯度(Integrated Gradient

  
跨流域调水通过改变水文过程和土地利用重塑了水分利用效率(WUE),但调水后WUE变化及驱动机制重组尚未得到定量刻画。本研究以汉江流域(南水北调水源区)为对象,采用卷积门控循环单元(ConvGRU)深度学习模型结合积分梯度(Integrated Gradients)方法,基于气象与多源遥感数据,对2000–2024年间九个驱动因子对WUE的像元尺度时空贡献进行定量分解。结果表明:(1)流域尺度WUE在2000–2024年间总体上升,但调水后增长率急剧下降(由0.0184 yr?1降至0.0045 yr?1),河道邻近区WUE下降是增速放缓的主导原因。(2)温度和植被土地覆被类型是最强的抑制性驱动因子,而耕地和水汽压是最强的促进性驱动因子;调水后kNDVI的归因增幅最大(+0.14),驱动力重心正由气候因子向植被和土地利用因子转移。(3)全流域42.26%的区域发生了主导驱动因子切换,上游重组最为剧烈;耕地主导面积由26.28%升至29.24%,kNDVI主导面积由9.09%近乎翻倍至16.64%,其扩张同时吸收了温度、辐射、耕地和植被土地覆被类型的主导权,呈现“多源汇聚”式重组格局。多种基线方案的敏感性分析证实了归因结论的稳健性。研究结果为调水背景下汉江流域生态与农业水资源管理提供了科学依据。
汉江流域水分利用效率驱动机制重组研究解读
一、研究背景与问题提出
水分利用效率(WUE)定义为总初级生产力(GPP)与蒸散量(ET)之比,是连接陆地碳循环与水循环的关键纽带,直接反映植被单位耗水所实现的碳固定效率,对评估生态系统对气候变化的响应、优化流域尺度水资源配置以及指导农业灌溉管理具有基础性意义。在气候变化与人类活动加剧的双重压力下,理解WUE的时空动态与驱动机制已成为生态水文学与全球变化研究交叉领域的前沿问题。
跨流域调水是对水源区WUE干扰最为剧烈的人为扰动之一。南水北调中线工程自2014年12月正式通水,年设计调水能力95亿m3,为世界上最大的跨流域调水工程。汉江流域作为中线工程水源区,贡献了其自然径流的相当比例。已有研究广泛记录了跨流域调水的生态效应,包括对生态健康和水电生产的影响、缓解区域水资源短缺的关键作用、重塑水源区生态系统服务供给格局等。然而,调水运行十余年后,汉江流域WUE如何变化、其驱动机制如何发生结构性重组,仍是亟需定量回答的科学问题。
现有WUE归因研究主要依赖两类方法:一类是偏相关分析、多元线性回归、主成分回归等统计方法,无法充分处理驱动因子间的非线性交互及时空自相关结构;另一类是XGBoost结合SHAP(SHapley Additive exPlanations)的机器学习方法,虽部分解决了非线性问题,但模型本身缺乏内在时空结构,将每个像元和每个年份视为独立观测。两类方法的共同局限在于将空间与时间维度割裂,而WUE驱动机制恰恰作用于时空交汇处。为此,本研究采用卷积门控循环单元(ConvGRU)模型,其卷积核在空间邻域共享参数以捕捉空间依赖性,门控循环结构通过隐状态跨时间步传播记忆以编码滞后效应,实现了在时空交汇处学习WUE响应函数。积分梯度(IG)方法随后将模型预测分解为因子级归因值,实现像元尺度上“何时、何地、何因子、多大程度”的四维定量分解。
二、研究设计与数据方法
研究以汉江流域(30–35°N,106–114°E)为对象,该流域为长江最大支流流域,面积约15.9万km2。南水北调中线工程自丹江口水库取水,水库控制流域面积9.52万km2,年设计调水量95亿m3,约占水库年均入库径流的四分之一;实际年均调水量约69亿m3,通水十年累计调水685亿m3。
研究使用2000–2024年五类遥感与气候数据:GPP和ET取自PML_V2产品(500 m分辨率);kNDVI(核归一化植被指数,kNDVI = tanh(NDVI2))由Landsat 5/7/8影像(30 m分辨率)计算;温度和降水取自GeoData数据集(1 km分辨率);短波辐射、水汽压和土壤湿度取自TerraClimate数据集(约4 km分辨率);土地利用数据取自中国土地覆被数据集(CLCD,30 m分辨率),含耕地、植被和城市三类。所有数据统一重采样至0.01°网格,共699,900个有效像元。
技术流程包括:多源数据预处理并组装为25年时空数据立方体,采用5年滑动窗口划分,输入ConvGRU模型预测WUE;模型训练后冻结,IG沿20步积分路径计算九个驱动因子在像元尺度的归因值,以各因子训练集均值作为基线。同时采用Sen斜率估计、Mann–Kendall趋势检验和分段线性拟合量化WUE时空变化特征。
三、主要研究结果
3.1 WUE时空格局。 汉江流域25年(2000–2024)平均WUE为2.68 gC kg?1 H2O,标准差0.64。高值区集中于西南上游,低值区分布于中游丹江口水库附近,下游呈高低交错格局。显著增加区占66.06%像元,显著退化区仅占4.71%。退化像元沿河道集中分布,以下游最为突出。以2015年为分界的分段线性拟合显示,调水前WUE增长斜率为0.0184 yr?1,调水后降至0.0045 yr?1,降幅达75%。距河道2 km内的区域(占流域14.1%)贡献了全流域增速放缓的30.0%,距河道5 km内(占33.1%)贡献了67.5%。河道5 km范围内调水后Sen斜率转负(?0.0059至?0.0028 yr?1),而10 km以外仍为正(+0.0111 yr?1),表明河岸带WUE确在下降而非仅增速放缓。
3.2 ConvGRU模型性能。 训练与验证损失约50轮后收敛。预测WUE与观测值拟合R2 = 0.87,RMSE = 0.18 gC kg?1 H2O,rRMSE = 9.7%。上、中、下游R2分别为0.89、0.84和0.88,性能未在任何地貌单元崩溃。残差空间自相关(Moran's I = 0.31)显著低于观测WUE场(I = 0.73)和气候学基线(I = 0.62),表明模型捕获了大部分空间结构。
3.3 驱动因子时间归因。 全期平均归因排序显示,温度(TMP)为最强负向驱动因子(均值?0.24),其次为植被土地覆被类型(VEG,?0.20)和土壤湿度(SOIL,?0.12);正向驱动因子为耕地(CRO,0.05)和水汽压(VAP,0.02)。调水前后对比显示,kNDVI归因增幅最大(+0.14),SOIL负向驱动增强(由?0.09至?0.15),CRO正向贡献收窄(由+0.06至+0.03)。因子轨迹分段回归显示,kNDVI归因斜率由调水前+0.007 yr?1升至调水后+0.010 yr?1,CRO由+0.003 yr?1升至+0.008 yr?1,TMP斜率由正转负。
3.4 驱动因子空间归因。 调水前,TMP和短波辐射(SRAD)主导上游,中游为CRO与VEG共主导,下游以CRO绝对主导。调水后,上游重组最为剧烈,kNDVI主导像元在原SRAD主导区大量出现;中游CRO主导向下游延伸;下游保持相对稳定,CRO主导进一步巩固。定量分析显示,42.26%的像元发生主导因子切换;在置信判据(两主导因子相对差距τ > 0.10)下,21.93%的像元发生可信切换。CRO主导面积由26.28%升至29.24%,kNDVI由9.09%近乎翻倍至16.64%(+83.1%),TMP由20.66%降至17.15%,SRAD由13.00%降至8.77%。弦图分析表明,TMP、CRO、VEG和SRAD是kNDVI扩张的四大来源,呈现“多源汇聚”式重组。上游切换率最高(46.1%),kNDVI主导面积增加12.5个百分点,主要来自SRAD、TMP和VEG;下游切换率最低(31.0%),CRO主导面积增加7.6个百分点,VAP(?3.8)和TMP(?3.7)退缩。
3.5 四时段时空异质性。 将2005–2024年划分为四个5年区间(P1: 2005–2009;P2: 2010–2014;P3: 2015–2019;P4: 2020–2024)独立计算IG归因。CRO、VEG、TMP在四个区间稳定占据前三,构成核心驱动结构;第四位发生轮换:P1为kNDVI,P2被SRAD取代,P3–P4恢复为kNDVI。kNDVI总归因从P1至P4增加51.7%,平均归因由P1的?0.14连续升至P4的+0.04,完成从抑制性向促进性因子的方向性转变。
四、讨论与结论
4.1 讨论。 调水后WUE增速75%的放缓主要由河道邻近区WUE下降所致,其空间聚集与调水诱发的水文改变方向一致:丹江口水库下泄减少降低下游河水位和河岸带地下水位,加剧河岸植被水分胁迫。驱动因子重组方面,调水后水文变化促使灌溉方式调整和作物类型替代,放大了CRO信号;水分受限条件下持续植被生长增强了WUE对绿度变化的敏感性。四时段分析中,2010–2014年SRAD取代kNDVI进入第四位,该时段短波辐射高于25年均值15%而水汽压和降水分别低于均值10%和6%,水碳交换受大气需求控制;2015年后辐射降至均值以下10%、水汽压升至均值以上12%、kNDVI升至均值以上23%,限制资源回归植被本身,绿度取代辐射成为主导因子。基线敏感性分析显示,均值与中位数基线间前四因子的空间Spearman秩相关达0.96–0.99,归因结论稳健。管理启示包括:沿汉江下游划定生态缓冲带并维持最小生态流量;提升灌溉效率、优化作物结构;将植被覆盖优化纳入流域水资源管理决策变量。方法局限方面,64 × 64像元分块训练导致补丁边界归因值受重叠平均影响,但该效应在聚合统计中基本抵消,不影响结论。
4.2 结论翻译。 本研究以汉江流域(南水北调中线水源区)为对象,采用ConvGRU时空深度学习模型结合IG像元级归因,定量刻画了2005–2024年间九个驱动因子对WUE变化的贡献。主要结论如下:(1)流域平均WUE在2000–2024年总体上升,但调水后增长率由0.0184 yr?1骤降至0.0045 yr?1,降幅75%;河道邻近区WUE下降是增速放缓的主因。(2)温度和植被绿度是最强负向驱动因子,耕地和水汽压是最强正向驱动因子;调水后驱动力重心由气候因子转向植被和土地利用因子;耕地主导面积由26.28%升至29.24%,kNDVI由9.09%近乎翻倍至16.64%,TMP由20.66%降至17.15%;全流域42.26%像元发生主导因子切换,上游重组最剧烈;上游由植被绿度驱动,中下游由土地利用驱动。(3)CRO、VEG和TMP在四个5年区间稳定占据前三,构成核心驱动结构;第四位在调水前夕发生轮换,SRAD被kNDVI取代;kNDVI平均归因完成由抑制性向促进性因子的方向性转变。(4)河道邻近区生态退化、耕地驱动效应持续增强、植被绿度驱动角色质变,共同定义了调水后WUE管理的三个优先方向:下游划定生态缓冲带、提升灌溉效率并优化作物结构、将植被覆盖优化纳入流域水资源管理决策变量。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号