在高寒干旱地区,模拟和预测湖泊储水对气候变化的响应:以昆仑山北坡的典型湖泊为例
《Journal of Hydrology: Regional Studies》:Simulation and prediction of lake water storage response to climate change in a high-cold arid region: The case of typical lakes on the northern slope of the Kunlun Mountains
【字体:
大
中
小
】
时间:2026年04月24日
来源:Journal of Hydrology: Regional Studies 4.7
编辑推荐:
刘玉婷|陈妍宁|朱成刚|张书华|张启飞
中国喀什大学生命与地理学院,新疆维吾尔自治区帕米尔高原生物资源与生态学重点实验室
**摘要**
**研究区域**
昆仑山脉北部斜坡是青藏高原西北边缘的高寒干旱地区,其特征为极高山海拔(>4500米)、降水量低以及广泛的冰川
刘玉婷|陈妍宁|朱成刚|张书华|张启飞
中国喀什大学生命与地理学院,新疆维吾尔自治区帕米尔高原生物资源与生态学重点实验室
**摘要**
**研究区域**
昆仑山脉北部斜坡是青藏高原西北边缘的高寒干旱地区,其特征为极高山海拔(>4500米)、降水量低以及广泛的冰川覆盖(3.5%)。
**研究重点**
我们利用多源卫星数据集(Landsat、高度计和GRACE)和反向传播(BP)神经网络模型,重建了1990–2020年间典型湖泊对气候变化的响应,并预测了2021–2030年的变化趋势。
**新水文发现**
2003年后,湖泊面积显著扩大(+77.19%),湖泊数量增加(+162.79%)。其中,Ayagkumu湖的水量变化率最大,2003年后每年增加0.0418立方千米,而2003年前为每年-0.0071立方千米。月度尺度分析显示湖泊水量存在突变现象,2003年4月Aqqikkol湖水量显著增加。湖泊水量的季节性变化也很明显,暖季(5–9月)水量增长最快。BP神经网络的预测结果准确度较高(与实测值偏差±10%),证实了该模型的良好预测能力。GRACE数据的验证进一步证实了模型的可靠性(预测值与实测值相差0.0895立方千米/年 vs 0.0903立方千米/年)。这些发现有助于了解高寒干旱地区的水文过程,并为评估水资源脆弱性和制定适应策略提供科学依据。
**1. 引言**
湖泊是干旱地区水生生态耦合系统的核心(Yao等人,2022年),其空间和时间上的水量动态显著影响区域水循环以及生物多样性和生态屏障功能(Bosson等人,2023年;Tanguay等人,2023年)。昆仑山脉北部斜坡上的湖泊对气候变化高度敏感,其水位变化直接影响“亚洲水塔”地区的水资源分布(Li等人,2022年;Maurischat等人,2022年)。过去30年间,由于全球变暖和湿润化,高山湖泊系统的面积扩大,水位上升(Han等人,2024年;Xu和Zhang,2024年)。然而,这些积极变化的同时,深层次的生态风险也在加剧,如季节性水分失衡(Liu等人,2025年)、盐度梯度突然变化(Xie等人,2025年)以及水生生物群落的重组(Liu等人,2024a),凸显了高山湖泊系统对气候变化的脆弱性(Aichner等人,2022年)。因此,基于多源遥感数据模型结合分析湖泊水量演变的多尺度驱动机制,对干旱地区的水资源适应性管理至关重要。
遥感技术具有覆盖范围广和观测频率高的优势,已成为动态监测湖泊水量的重要手段(Akbas等人,2023年;de Klein等人,2025年;Girard等人,2025年)。MODIS、Landsat和Sentinel系列等多光遥感图像被广泛用于提取湖泊范围(Gebremichael等人,2022年;Zhang等人,2024年)。Topex/Poseidon、Jason、Envisat、ICESat和CryoSat-2的卫星高度计数据也被成功用于估算湖泊水位(Feng和Song,2024年;Istomina等人,2025年),结合这些水位测量数据与光学图像得到的湖泊面积数据,可通过水位-面积关系模型估算水量变化(Song等人,2023a;Aghayi等人,2023年)。例如,Yao等人(2024年)利用Landsat图像和ICESat及ICESat-2高度计数据重建了全球湖泊水位时间序列;Xu等人(2022年)利用多种高度计和光学图像数据估算了内蒙古湖泊的水量变化;Hou等人(2024年)整合了Landsat、Sentinel-2和多源卫星的高度计数据,估算了全球大量湖泊的历史和近实时水量。
目前,湖泊水文要素的监测已取得显著进展,但现有研究主要集中在湖泊年际或季节性变化特征的分析上,高时间分辨率(如月度尺度)的水量动态研究仍不足(Gebreegziabher等人,2024年;Minallah等人,2023年;Nyberg等人,2024年)。部分研究关注湖泊年内水文动态、利用多源遥感数据估算季节性水量波动(Wu等人,2024年)、特定月份的水量变化(Gourgouletis等人,2022年)以及关键月份的水量估算(Liu等人,2024b),但由于研究时间序列碎片化及缺乏长期连续的月度观测数据(尤其是昆仑山脉北部斜坡的湖泊),这些发现的功能有限。因此,建立长期、高精度的月度动态湖泊水量监测系统,并利用其揭示湖泊水量变化模式和驱动机制,成为一个亟需解决的科学问题。
本研究聚焦于中亚“水塔”的核心元素——昆仑山脉北部斜坡上的湖泊群,旨在通过提供月度监测数据弥补现有研究的不足。结合Landsat长期光学图像与Envisat、ICESat-1/2和CryoSat-2的多源高度计数据,构建了月度湖泊面积和水位时间序列,并据此建立水位-面积-体积关系模型,重现了1990–2020年研究区域湖泊的月度水量动态。结果还使用了GRACE重力卫星数据进行交叉验证。这些发现有助于系统揭示昆仑山脉北部斜坡湖泊月度水量的时空特征,为该地区的水资源可持续管理和生态环境保护提供科学依据和数据支持。
**2. 材料与方法**
**2.1. 研究区域概述**
昆仑山脉位于欧亚大陆内陆,平均海拔超过4500米,是青藏高原西北边缘典型的超高寒干旱地区(图1)。该地区冰川覆盖率为3.5%,是塔里木盆地南部的重要水资源保护区。气候具有强烈的大陆性特征,年降水量低,蒸发量达1800–2500毫米/年,日照时数2500–3000小时/年,无霜期170–200天,昼夜温差大。高山峡谷、冰川湖泊和脆弱的水生生态系统使该地区成为研究湖泊水量对气候变化响应的理想场所(Xia等人,2024年)。此外,还研究了30米分辨率的Landsat影像数据(δ = 15和30米),并且对于每个月(t),我们按照以下方式扰动了观测区域:St(m)~N(St,σS2)。通过自助重采样校准对被(Si, Hi)来估计系数不确定性,从而得到(a(m), b(m), c(m))。残差误差被表示为ε(m)~N(0,sε2),水位预测公式为:(10)?H?a(m)t(m)=(St(m))2+b(m)St(m)+c(m)+?(m)。此外,由于区域不确定性引起的水位不确定性使用一阶误差传播来近似:(11)σH≈dH/dSσS=2aS+bσS。每月的结果以中位数和2.5–97.5百分位数(95%区间)来表示。
3. 结果
3.1. 湖泊面积变化特征
3.1.1. 湖泊面积的时空变化和区域差异
1990年和2020年的湖泊统计数据显示,昆仑山北坡的湖泊数量和面积显著增加(图2)。具体来说,面积大于1平方公里的湖泊数量从43个增加到113个(增加了162.79%),湖泊总面积从1737.02平方公里增加到3077.90平方公里(增加了77.19%)。也观察到了区域差异。B区域的扩张最为明显,湖泊数量从15个增加到62个(增加了313.33%),总面积从95.39平方公里增加到344.89平方公里(增加了261.58%)。C区域的湖泊数量从8个增加到26个(增加了225%),总面积从27.49平方公里增加到133.77平方公里(增加了386.61%),这代表了介于B区域快速扩张和A区域缓慢变化之间的中间扩张模式。D区域的面积增加最多(增加了834.56平方公里),主要是由于面积大于100平方公里的大湖泊持续扩张。值得注意的是,尽管A区域的湖泊数量仅增加了2个,但该区域的湖泊面积却显著增加了55.12%。
下载:下载高清图片(161KB)
下载:下载全尺寸图片
图2. 昆仑山北坡湖泊面积的时空动态变化:(a) 1990年;(b) 2020年
3.1.2. 月尺度模型及其对湖泊面积变化的验证
基于1990–2020年间Landsat TM/ETM+/OLI的多源遥感数据,系统地提取了昆仑山北坡六个典型湖泊(Ayagkumu湖、Aqqikkol湖、Aksaichin湖、Jingyu湖、Surih Yilganing kol湖和Changhong湖)的月度面积序列。观察到月度面积序列之间存在强烈的时间相关性(平均决定系数(R2)=0.94),表明湖泊面积变化具有稳定的季节性模式。这种时间一致性使得能够为所有湖泊开发出可靠的单变量月尺度线性回归模型。因此,所有湖泊的R2值均大于0.9(范围:0.91–0.97),证实了模型的高可靠性,特别是在人类活动较少的地区。此外,基于月尺度模型,构建了1990–2020年的湖泊面积数据,并使用相关数据集验证了这些数据的准确性(图3)。所有拟合的单变量线性回归模型的斜率均大于0.9,R2值也高于0.9,表明重建数据与参考数据之间有很好的一致性。
下载:下载高清图片(383KB)
下载:下载全尺寸图片
图3. 湖泊面积变化观测结果的验证
研究区域内典型湖泊的月尺度湖泊面积增长率显示出显著的空间差异(图4),其中Ayagkumu湖的增长速度最快(1.55平方公里/月),其次是Aqqikkol湖(0.74平方公里/月)。Aksaichin湖和Jingyu湖表现出更为一致的趋势,增长率分别为0.36平方公里/月和0.37平方公里/月。相比之下,Surih Yilganing kol湖和Changhong湖这两种小湖泊的增长率有所不同,Changhong湖的面积增长速度是Surih Yilganing kol湖的三倍,为0.19平方公里/月。
下载:下载高清图片(565KB)
下载:下载全尺寸图片
图4. 1990–2020年间昆仑山北坡湖泊面积的时间变化
3.2. 月尺度拟合和湖泊水位分析
多颗高度计卫星Envisat、ICESat-1、Cryosat-2和ICESat-2显示,在2003–2020年间湖泊水位总体上升(图5(a))。值得注意的是,Keriya河流域的Changhong湖水位上升幅度最大(0.71米/年),而Hotan河流域的Surih Yilganing kol湖的水位上升幅度最低(0.03米/年)。这种差异可能归因于区域降水供应和地下水交换的差异。标准化箱线图分析(图5b)显示Changhong湖的水位较高且波动较大,四分位距(IQR)相对较大,为0.57。相比之下,Aksaichin湖的水位中位数较低(0.32米),IQR最小(0.19),表明水位较为稳定。Jingyu湖的水位中位数较高(0.55米),IQR较大(0.52),说明水位波动较大。Ayagkumu湖、Aqqikkol湖和Surih Yilganning kol湖的水位中位数相似(约为0.4米);然而,Surih Yilganning kol湖的IQR较大(0.39米),表明水位变化较大。对于1990–2003年期间(在ICESat-1数据可用之前),通过应用使用2003–2020年数据校准的湖泊特定水位-面积关系来估计水位。尽管高度计卫星具有水位监测能力,但其有效性受到空间和时间分辨率的限制。相比之下,Landsat资源卫星长期积累了高空间分辨率的数据,为研究湖泊水文要素提供了补充视角。
下载:下载高清图片(137KB)
下载:下载全尺寸图片
图5. 2003年至2020年间湖泊水位的变化。(a) 水位变化率;(b) 显示水位的箱线图
在这项研究中,我们采用了多源遥感数据融合方法,结合了高度计卫星的水位数据和从Landsat提取的湖泊面积信息,为Aqqikkol湖建立了一个水位-面积响应模型。如图6所示,该数学模型的拟合优度很高,R2 = 0.95(p < 0.05,95%置信水平),证明了其可靠性和稳定性。根据这个模型,1990年Aqqikkol湖的海拔为4255.70米时,其面积为350.11平方公里,到2020年时面积增加到590.91平方公里,海拔升至4266.75米,显示出明显的增长趋势。采用相同的方法框架,进一步为研究区域内的其他典型湖泊建立了水位-面积关系,并重建了历史水位数据。相关细节列在表2中。
下载:下载高清图片(722KB)
下载:下载全尺寸图片
图6. 湖泊面积与水位之间的关系
3.3. 湖泊蓄水量年际变化及使用GRACE数据的验证
基于先前获得的湖泊面积和水位数据,估计了1990–2020年间昆仑山北坡典型湖泊的蓄水量变化。如图7所示,研究区域内的湖泊总蓄水量在1990年至1991年间减少了0.048立方公里,但在2019年至2020年间增加了1.398立方公里,表明近年来湖泊有所扩张。此外,基于三个关键因素:(1) GRACE陆地水储量数据仅从2002年开始可用;(2) 所有研究湖泊的连续卫星高度计测量始于2003年;(3) 2003年后所有子区域的湖泊扩张速度加快,因此选择2003年作为临界阈值。分段时间分析进一步显示,在1990–2003年间,Ayagkumu湖、Aqqikkol湖、Aksaichin湖和Changhong湖的蓄水量变化相对稳定,年均变化率分别为?0.0071立方公里/年、+0.0063立方公里/年、+0.0038立方公里/年和+0.0058立方公里/年。相比之下,Jingyu湖和Surih Yilganing kol湖在此期间蓄水量增加更为显著,年均增长率分别为0.0124立方公里/年和0.0199立方公里/年。在2003–2020年间,所有湖泊的蓄水量变化率均有所增加。特别是Ayagkumu湖的蓄水量变化率最为显著,年均增长率为0.0418立方公里/年。与Ayagkumu湖地理位置相邻的Aqqikkol湖蓄水量变化率位居第二,年均增长率为0.0266立方公里/年。Changhong湖的蓄水量变化率最低,呈现轻微的负增长趋势(年均变化率为?0.0009立方公里/年)。
下载:下载高清图片(376KB)
下载:下载全尺寸图片
图7. 1990–2020年间昆仑山北坡湖泊的蓄水量变化
在空间模式和年际波动方面,D区域的Ayagkumu湖、Aqqikkol湖和Jingyu湖表现出相似的增长模式,其年度蓄水量增量在2018–2019年间分别达到0.997立方公里、0.578立方公里和0.423立方公里。然而,A区域的Aksaichin湖和Surih Yilganing kol湖表现出了不同的趋势。具体来说,Aksaichin湖在1990–2003年间变化较小,但在2003–2020年间波动加剧,尤其是在2006–2007年间年蓄水量增加最多(0.215立方公里)。相反,Surih Yilganing kol湖在1990–2003年间波动显著,并在1999–2000年间显示出最大的年蓄水量增加(0.574立方公里)。选择2003–2020年的GRACE月度数据来插补原始月度数据集中的缺失值,并应用光谱域滤波来抑制短期噪声和基线漂移。随后,处理后的月度数据被平均以生成年度ΔTWS序列。为了获得基于GRACE的年湖泊体积变化估计值,将年度ΔTWS乘以通过遥感提取的相应湖泊的年平均表面积。结果显示,使用GRACE数据估计的划定区域内的总蓄水量在2003–2020年间增加了约8.460立方公里,年均增长率为0.0903立方公里/年(图8)。此外,使用研究模型估计的研究区域内典型湖泊的总蓄水量在同一时期增加了16.264立方公里,年均增长率为0.0895立方公里/年。尽管我们的估计值与使用GRACE数据得到的估计值存在绝对差异(GRACE观测数据反映了总蓄水量(包括地下水、土壤水和冰)的变化,而我们的模型仅估计了湖泊表面水的蓄水量),但两者显示出高度一致的年均增长率,表明湖泊蓄水量变化与区域总蓄水量变化之间有很好的一致性。
下载:下载高清图片(381KB)
下载:下载全尺寸图片
图8. 2003年至2020年间昆仑山湖泊的蓄水量变化
尽管GRACE TWSA和我们的仅湖泊蓄水量估计值不可直接比较,但它们的多年增长率对于高寒干旱地区的封闭流域来说是物理上合理的,因为终端湖泊作为主要的水分汇集点,整合了正的水量平衡异常。然而,GRACE得出的湖泊尺度趋势对湖泊多边形周围的缓冲区大小敏感,这反映了GRACE数据的空间分辨率较低以及来自周围水文组分的信号泄漏/混合。此外,这种表面上的一致性可能部分归因于尺度不匹配和处理选择;因此,不能排除误差抵消或偶然对齐的可能性。因此,我们将GRACE数据用作独立的趋势级一致性检查,而不是作为仅湖泊蓄水量的严格验证方法。
3.4. 月尺度蓄水量的突发变化和季节性模式
为了探索月尺度湖泊蓄水量的动态特性,我们对1990–2020年间研究区域内典型湖泊的月度蓄水量变化序列进行了突发变化测试(图9)。因此,我们发现Aqqikkol湖在2003年12月至2004年1月期间存在一个极其显著的突发变化点(p < 0.01)。在此突发变化之前(即1990年2月至2004年1月),平均月度蓄水量变化为0.001立方公里,但在此之后(2004年1月至2020年12月),它显著增加到0.027立方公里(增加了26倍),表明该湖泊的水文状况发生了根本性变化。对于Ayagkumu湖,在2009年3月至4月期间也观察到一个显著的突发变化(p < 0.05)。在此突发变化之前(1990年2月至2009年4月),该湖泊的平均月度蓄水量变化为0.001立方公里。在此之后(2009年4月至2020年12月),其蓄水量突然增加到0.040立方公里。Aksaichin湖、Jingyu湖、Surih Yilganing kol湖和Changhong湖在2006年10月至11月、2002年12月至2003年1月、2011年7月至8月以及2013年2月至3月期间也观察到了潜在的突发变化期。无论如何,相应的p值分别为0.346、0.162、0.489和0.088,均大于0.05的显著性水平阈值,表明这些变化在统计学上并不显著。下载:下载高分辨率图片(428KB)下载:下载全尺寸图片图9. 1990年至2020年间湖泊月度水量变化的突然变化测试。此外,对研究区域内湖泊1990年至2020年的年度内水量变化分析显示出了显著的季节性特征(图10)。对于Kumkol Pendi地区的Ayagkumu、Aqqikkol和Jingyu湖泊,月度水量变化在温暖季节(5月至9月)显著增加,其中Aqqikkol湖泊在5月至6月、Jingyu湖泊在6月至7月以及Ayyagkumu湖泊在7月至8月的增幅最大。进一步地,Aksaichin和Surih Yilganing kol湖泊的年度内水量变化更为显著,Aksaichin湖泊在7月至8月的月平均增幅最大(标准差范围:0.010–0.067),而Surih Yilganing kol湖泊在6月至7月的增幅最大(标准差范围:0.013–0.058)。与其他湖泊相比,Changhong湖泊的月度水量变化更为稳定,其最大的月度水量变化和标准差分别出现在8月至9月期间。下载:下载高分辨率图片(206KB)下载:下载全尺寸图片图10. 1990年至2020年间昆仑山脉北坡湖泊月度平均水量变化。3.5. BP神经网络预测和不确定性评估为了预测未来湖泊动态,使用M-K测试和R/S分析对研究区域典型湖泊2000年至2020年的面积变化序列进行了趋势分析。结果详见表3。分析显示,Ayagkumu、Aqqikkol、Aksaichin、Jingyu和Changhong湖泊的面积变化呈现极显著的上升趋势(p<0.01,99%置信水平)。此外,这五个湖泊的H值均大于0.5,表明这些湖泊的面积变化具有很强的持续性,并且未来将继续上升。相反,根据M-K测试结果,Surih Yilganing kol湖泊未通过95%置信水平测试(Z=-0.21),表明其面积在研究期间呈不显著的下降趋势。然而,其H值(0.83)仍大于0.5,意味着其面积在未来将保持持续但下降的趋势。表3. 基于2000–2020年面积变化序列的湖泊面积变化趋势分析和预测。湖泊Z值M-K趋势H值可持续性未来趋势预测Ayagkumu 6.19 显著增加 0.94 持续增加Aqqikkol 6.31 显著增加 0.94 持续增加Aksaichin 5.89 显著增加 0.98 持续增加Jingyu 6.31 显著增加 0.93 持续增加Surih Yilganing kol -0.21 下降 0.83 持续下降Changhong 6.07 显著增加 0.95 持续增加使用1990–2020年的月度湖泊面积时间序列数据作为输入,建立了一个BP神经网络模型来预测未来10年(2021–2030年)湖泊面积的变化。BP神经网络模型的预测性能基于预测输出与实际目标值之间的相关系数(R值)进行评估,较高的R值表示更好的拟合和预测性能。以Ayagkumu湖泊为例(图11a),模型训练阶段的所有样本R值普遍较高,表明其训练和拟合能力良好。随后,使用训练好的模型预测结果显示,Ayagkumu湖泊的面积预计在未来10年内将以每年2.3729平方公里的速度继续增加(趋势预测的R2=0.7325)。使用相同的方法,还预测了Aqqikkol、Jingyu、Aksaichin、Surih Yilganing kol和Changhong湖泊未来10年的面积变化。下载:下载高分辨率图片(187KB)下载:下载全尺寸图片图11. 基于BP神经网络模型的Ayagkumu湖泊十年(2021–2030年)面积变化预测。然后,为了评估BP神经网络模型的实际预测准确性,将2021–2024年的预测湖泊面积与同一时期的实际遥感观测结果进行了比较(表4)。基于BP神经网络的Ayagkumu、Aqqikkol、Aksaichin、Jingyu和Changhong湖泊的预测结果(即每年面积变化趋势)与实际观测趋势一致。进一步计算预测值与观测值之间的相对偏差率发现,Ayagkumu、Aqqikkol、Aksaichin和Jingyu湖泊的预测面积略低于实际观测值,偏差率分别为-1.72%、-1.71%、-9.59%和-2.06%。相反,Changhong湖泊的预测面积略高于实际面积,偏差率为4.65%。对于Surih Yilganing kol湖泊,预测结果与实际观测结果略有不同,2023年的最小预测面积为63.71平方公里,而实际最小面积为67.94平方公里,总体偏差率为-6.19%。尽管存在预测偏差,BP神经网络模型表现出良好的稳定性,并充分捕捉和预测了研究区域湖泊面积变化的趋势。表4. 研究湖泊的预测数据与观测数据对比。湖泊名称 空单元 2021 2022 2023 2024 偏差率/% 训练R2 训练RMSEAyagkumu 预测 1103.76 1111.55 1117.61 122.57 -1.72 0.997 6.067 实际 1110.91 128.03 1161.16Aqqikkol 预测 594.03 596.76 599.06 600.97 -1.71 0.999 1.741 实际 596.62 603.76 11.326 20.71Aksaichin 预测 276.92 277.58 278.33 279.12 -9.59 0.993 2.130 实际 273.53 31.55 317.37Jingyu 预测 384.16 385.12 385.82 386.24 -2.06 0.997 1.295 实际 385.53 85.18 397.67405.42Surih Yilganing kol 预测 67.59 65.29 63.71 64.59 -6.19 0.988 0.567 实际 67.94 71.16 9.76Changhong 预测 78.39 79.14 79.53 79.71 4.65 0.989 1.198 实际 73.67 75.03 78.31将基于BP神经网络的十年预测与预先建立的湖泊面积-水位-水量关系模型结合起来,估计了2021至2030年研究区域内湖泊水量的变化。如图12所示,Ayagkumu湖泊预计在2021–2028年间将继续增加水量,其中2021年至2022年间增幅最大(0.2859平方公里)。2028年至2029年间预计会略有减少,最大减少量为0.0310平方公里。Aqqikkol和Aksaichin湖泊的水量也预计在整个预测期间持续增加,因此这两个湖泊预计将保持扩张状态。Jingyu湖泊的水量变化呈波动趋势,即增加-减少-增加的模式。预测显示2021–2026年为第一个增长期,2026–2028年为减少期,2026–2027年的年减少量最为显著(0.0016平方公里)。2028至2030年预计为第二个增长期。同样,Changhong湖泊也呈现增加-减少-增加的模式,预测显示2021–2027年为第一个增长期,2027–2029年为减少期,2027年的年减少量最为显著(1.6×10^-5平方公里)。对于Surih Yilganing kol湖泊,水量预计将呈现波动趋势,总体呈缓慢增加趋势,年平均增长率约为0.0085平方公里/年(线性回归相关系数r=0.55)。下载:下载高分辨率图片(218KB)下载:下载全尺寸图片图12. 使用BP神经网络预测的2021至2030年湖泊水量变化。4. 讨论4.1. 湖泊水量变化的机制本研究揭示了1990–2020年间昆仑山脉北坡典型湖泊的显著扩张趋势,表现为湖泊数量增加、湖泊面积扩大和水位上升。鉴于湖泊在区域水循环中起着关键作用,其水量动态的变化直接反映了进水与出水的动态平衡(Wang等人,2022b;Song等人,2023b)。1990–2020年期间湖泊总面积的扩张趋势与同期区域气候的显著变化密切相关。由于全球变暖,青藏高原及其周边地区经历了显著的变暖-湿润过程,特征是温度和湿度的显著增加(Zhou等人,2022)。作为青藏高原北部边缘的重要组成部分,昆仑山脉北坡对这一气候转变作出了明显响应,研究期间经历了快速供暖和降水量显著增加(Wang等人,2024)。气候变化通过多种途径深刻影响了研究区域湖泊的水量平衡。持续的快速区域变暖(图13a)是加速高山冰川和积雪融化的关键因素(Rounce等人,2023),目前,冰川融水的显著增加已成为湖泊的重要水源,有力推动了湖泊的扩张(Nie等人,2021)。然而,作为“固体水库”的冰川也有其局限性。随着它们不断缩小,融水流量将不可避免地超过冰川流量的阈值,导致其融水供应能力下降,可能导致湖泊水量减少(Yang和Bai,2024)。虽然温度升高理论上会加剧湖泊表面蒸发损失,但在研究期间,来自冰川融化和降水增加的总输入量明显超过了与变暖相关的蒸发损失和其他流出损失,从而导致湖泊净水量的持续增加(Wang等人,2025)。此外,湖泊扩张与温度和降水增加之间的显著正相关关系(Wang等人,2020)进一步强化了气候变化和湿润对高海拔干旱地区湖泊系统水分平衡的深远影响。观察到的湖泊扩张率存在显著的区域差异,表明局部因素也在调节区域气候变化响应中起着重要作用。这种空间异质性可能归因于冰川大小和覆盖范围的差异、不同的地下地质条件以及局部气候响应模式的微妙差异(Zhang等人,2021a)。研究表明,Ayagkumu湖泊的高速扩张与其上游流域冰川覆盖范围和融水贡献较大密切相关(Liu等人,2021)。相比之下,Surih Yilganing kol湖泊的扩张速度相对较慢,可能归因于多种因素,包括人类活动和有限的地下水补给(Li等人,2022)。相比之下,Changhong湖泊的扩张速度(0.19平方公里/月)几乎是Surih Yilganing kol的两倍,这可能表明Changhong湖泊更依赖于季节性降水和融雪的全面补给(Wang等人,2022a)。4.2. 与分析结果相关的不确定性本研究旨在利用遥感数据和模型模拟澄清昆仑山脉北坡典型湖泊对气候变化的响应,但结果受到多种不确定性的影响。这些不确定性主要源于数据不准确性、简化的模型结构以及未来气候预测中的固有变量。据报道,传统的湖泊水量平衡计算基于对各种湖泊进出水流的精确现场监测(An等人,2022);然而,在昆仑山脉北坡这种偏远恶劣的环境中建立和维护密集的观测网络具有挑战性。因此,本研究使用了遥感技术。具体来说,卫星高度计(如ICESat和Sentinel系列)和重力卫星(如GRACE及其后续任务GRACE-FO)提供了监测大范围和长时间序列湖泊水位、面积以及水量变化的宝贵手段(Sun等人,2020;Scanlon等人,2023)。尽管遥感数据提供了有价值的宏观视角,但其固有的局限性构成了重要的不确定性来源。首先,使用光学和雷达图像提取湖泊面积和水位时,数据产品的低空间分辨率使得难以捕捉到湖泊边界的细微变化。因此,短期水位波动可能未能被完全记录下来。大气条件(如云层和积雪覆盖)也可能影响分析数据的准确性(Lai等人,2024)。每月湖泊面积是从Landsat数据中提取的,并经过严格的云/冰质量筛选。缺失的月份通过线性插值进行了补充,每个湖泊(1990–2020年)和冬季(DJF)的观测月份(“obs”)与插值月份(“interp”)的比例如表5所示。表5. 每个湖泊的观测月份(“obs”)与插值月份(“interp”)的比例以及水位-面积反演中这些月份所占的份额(1990–2003年)。
湖泊 | Ayagkumu | Aqqikkol | Aksaichin | Jingyu | Surih Yilganing kol | Changhong |
-------|-------|-------|--------|---------|------------|
| 1990–2020 (月数) | 37 | 23 | 37 | 23 | 37 | 37 | 37 |
| 观测月份 (N) | 23 | 11 | 82 | 150 | 186 | 181 |
| 插值月份 (N) | 14 | 19 | 22 | 186 | 191 | 124 |
| 插值份额 | 0.379 | 0.5108 | 0.5968 | 0.50 | 0.664 |
| 1990–2003 (月数) | 168 | 168 | 168 | 168 | 168 | 168 |
| 观测月份 (N) | 105 | 74 | 44 | 88 | 46 | 132 |
| 插值月份 (N) | 63 | 94 | 120 | 84 | 107 | 136 |
| 插值份额 | 0.375 | 0.5595 | 0.7143 | 0.50 | 0.6369 |
| DJF 1990–2020 (月数) | 93 | 93 | 93 | 93 | 93 | 93 |
| 观测月份 (N) | 46 | 55 | 37 | 50 | 48 | 38 |
| 插值月份 (N) | 47 | 38 | 56 | 43 | 45 | 55 |
| 插值份额 | 0.5054 | 0.4086 | 0.6022 | 0.4624 | 0.4839 |
| DJF 1990–2003 (月数) | 42 | 42 | 42 | 42 | 42 | 42 |
| 观测月份 (N) | 22 | 28 | 12 | 24 | 17 |
| 插值月份 (N) | 20 | 14 | 30 | 18 | 25 |
| 插值份额 | 0.4762 | 0.3333 | 0.7143 | 0.4286 | 0.5952 |
| 1990–2003 在域月份 (N) | 16 | 15 | 12 | 27 | 19 |
| 1990–2003 外推月份 (N) | 15 | 21 | 15 | 15 | 14 | 11 |
| 在域份额 (1990–2003) | 0.0952 | 0.0893 | 0.0714 | 0.0833 | 0.1607 |
注:“插值份额”计算方法为 Ninterp / Nmonths。DJF 代表12月–1月–2月。“在域月份”和“外推月份”分别指用于重建1990–2003年水位的湖泊面积是否包含在校准的水位-面积范围内(表2)。
1990–2020年的插值比例在37.9%到66.4%之间,2003年之前的比例通常更高(Changhong湖甚至达到了80.95%),这表明该湖泊的不确定性较高。对湖泊面积、水位和储量的不确定性进行了传播分析。根据湖泊周长,Ayagkumu湖、Aqqikkol湖、Aksaichin湖、Jingyu湖、Surih Yilganing kol湖和Changhong湖的湖泊面积不确定性(σS)分别为4.667–9.334、2.485–4.969、2.558–5.115、1.865–3.730、0.655–1.311和1.924–3.848平方公里,这些范围的上下限分别对应δ = 15米和30米。此外,使用1990–2020年的面积数据,Aqqikkol湖和Ayagkumu湖的水位不确定性(σH)分别约为0.01–0.02米和0.05–0.31米,而Changhong湖在δ = 15米和30米时的不确定性分别为约0.13–1.16米和约0.26–2.32米(特别是在低面积外推阶段)。由于储水量变化ΔV同时受到面积S和水位H的影响,因此面积、重建的水位和插值的不确定性共同影响了ΔV。因此,冬季和以插值为主的时期被解释为置信度较低的时期。
GRACE/GRACE-FO卫星通过检测地球的时间变量重力场来推断区域总储水量变化,为理解区域水储动态提供了独特的视角(Chen等人,2022年)。然而,它们的空间分辨率相对较低(大约几百公里)。因此,当应用于地形复杂和水体分布不均匀的地区(如昆仑山北部)时,尤其是对于单个湖泊或小流域,反演结果的准确性会受到周围区域水文成分(如土壤水分、地下水和冰雪质量变化)的“泄漏”效应的影响(Wei等人,2021年)。这种信号混合可能导致对湖泊储水量变化的估计出现偏差。因此,本研究结果的准确性需要使用独立数据源进行进一步评估和改进。
我们的结果还受到模型模拟和预测相关不确定性的影响。尽管本研究中使用的模型与过去的湖泊储水量变化趋势吻合良好,但其预测能力取决于输入数据的准确性(特别是未来气候情景数据),以及模型本身的结构和物理过程的简化程度(Ozdemir等人,2023年)。高海拔地区的湖泊水文过程极其复杂,涉及强烈的冰川-永久冻土-湖泊相互作用以及潜在的湖泊-地下水交换。此外,准确描述这些复杂的耦合机制仍然具有挑战性,如果简化这些机制,可能会导致模拟结果与实际观测数据之间的偏差(Gan等人,2024年)。因此,在解释模型结果时需要考虑这些不确定性。
Changhong湖的校准域特别狭窄(S = 74.01–80.43平方公里),配对样本数量有限(N = 8)(表2)。此外,其1990–2003年的重建完全是在校准域之外的(在校域内的份额 = 0;表5)。因此,校准域外的敏感性变化可能导致外推偏差放大。对于这个湖泊,dH/dS = ?0.0068S + 0.6152在校准域(74–80平方公里)内产生了约0.07–0.11米·公里?2的偏差,但在S约为20平方公里时增加到约0.48米·公里?2,这意味着2003年之前的时期的外推风险较高。因此,Changhong湖2003年之前的重建水位和储水量被视为置信度较低的。此外,我们更强调基于不确定性范围的稳健定性模式,而不是精确的数值。
本研究中使用的BP神经网络是一个单变量时间序列模型,仅以月度湖泊面积为输入,旨在对历史记录中的近期趋势和季节性进行短期(10年)外推,而不是作为基于过程的模拟模型。因此,在气候非平稳、降水模式变化、加速变暖或冰川/融化贡献变化的情况下应用时,可能会违反这一假设,导致预测偏差。此外,将月度预测值聚合为年度平均值会平滑高频变异性,并可能低估事件尺度的异常情况。因此,我们的BP结果最适合用于短期预测,不应被视为长期预测。在未来的研究中,应结合明确的气候和水文预测因子,如ERA5-Land温度和降水数据、蒸发代理以及冰川/融化指数,使用多变量或混合框架来提高物理可解释性和稳健性。
5. 结论
通过使用多源遥感数据和基于模型的分析,本研究重建了1990–2020年间昆仑山北部代表性湖泊的月度水位和储水量动态,并探讨了2021–2030年的短期趋势。结果表明,在过去三十年中湖泊普遍扩张且储水量增加,在气候变暖和湿润的背景下,2003年后这种趋势明显加速。Landsat推导的湖泊面积与卫星高度计数据的结合有效重建了这一数据稀缺的高山地区的长期水文变化。月度湖泊储水量表现出明显的季节性和突变,增加主要集中在温暖季节,Aqqikkol湖和Ayagkumu湖的显著变化尤为明显。在区域尺度上,重建的多年趋势与GRACE推导的陆地储水量变化大体一致,而BP神经网络的结果表明大多数湖泊可能会在不久的将来继续其扩张趋势。
然而,也应注意一些局限性。历史水位重建受到水位-面积反演的不确定性影响,特别是当湖泊面积超出校准域时,这种情况在2003年之前经常发生,尤其是在Changhong湖。基于Landsat的月度面积重建还受到云层/冰层覆盖、观测缺失和插值的影响,冬季以及插值比例较高的时期不确定性会增加。此外,GRACE提供的是区域陆地储水量而非仅湖泊储水量;因此,比较结果受到尺度不匹配和可能的信号泄漏的影响。BP神经网络主要基于历史模式进行经验性短期预测,其性能在气候非平稳条件下可能会下降。因此,预测结果应被视为近期趋势,而非确定的长期预测。
作者贡献声明:
Qifei Zhang:可视化、正式分析、数据管理。
Chenggang Zhu:监督、项目管理、资金获取。
Shuhua Zhang:可视化、验证、调查、正式分析、数据管理。
Yuting Liu:写作-初稿、软件、资源、方法论、概念化。
Yanning Chen:写作-审阅与编辑、监督、方法论。
资助
本研究由第三次新疆综合科学考察项目(项目编号2021xjkk0100)、喀什大学校园级研究项目(项目编号2024)2880)、新疆自治区科技计划项目(项目编号2021D01B05)以及喀什大学校内项目(项目编号19(2643)资助。这项工作是“昆仑文化研究”项目的分阶段研究成果,该项目得到了新疆维吾尔自治区重大理论与实践问题研究计划的支持。
生物通微信公众号
生物通新浪微博
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