《Ecohydrology》:Spatiotemporal Dynamics and Evolution of Groundwater-Dependent Ecosystems in the West Liao River Plain
编辑推荐:
摘要:地下水依赖生态系统(Groundwater-Dependent Ecosystems, GDEs)对半干旱区生态稳定至关重要,但受限于长期观测不足及模型可解释性欠缺,其识别与机制解析仍具挑战。以西辽河平原(West Liao River Plain)为研
摘要:地下水依赖生态系统(Groundwater-Dependent Ecosystems, GDEs)对半干旱区生态稳定至关重要,但受限于长期观测不足及模型可解释性欠缺,其识别与机制解析仍具挑战。以西辽河平原(West Liao River Plain)为研究区,研究人员构建了基于地下水埋深、植被图、土地利用/土地覆被(Land Use/Land Cover, LULC)、多源遥感及环境变量的机器学习框架,实现GDE动态制图——选用XGBoost而非随机森林(Random Forest, RF)重建2004年及2009–2022年GDE分布,并综合地下水埋深验证、SHapley Additive exPlanations(SHAP)解释、基于密度的空间聚类(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)、GDE动态类型划分及逻辑回归偏差分解(Logistic Deviance Partitioning)分析GDEs的时空演化与驱动机制。XGBoost分类性能良好,经时间泛化检验与埋深阈值敏感性分析予以支持。2009–2022年GDE面积呈先波动减少后有所恢复的态势,与平均地下水埋深呈显著负相关。SHAP分析确定生长季1 m土壤含水量(Soil Moisture, SM)、归一化差值物候指数(Normalized Difference Phenology Index, NDPI)变异系数(Coefficient of Variation, CV)(GS)及增强植被指数(Enhanced Vegetation Index, EVI) CV(GS)为优势预测因子,其中NDPI在低植被覆盖下具更强判别力。GDE众数地下水埋深为3.87 m,非GDE为3.94 m,表明多数GDE像素可能处于由地下水依赖向降水依赖过渡的混合水分利用状态。偏差分解显示:2009–2015年GDE退化与恢复均受气候变化主导;2016–2022年退化仍气候主导但人类活动贡献增强,而恢复过程表现出更强的人类活动控制特征。
论文解读:西辽河平原地下水依赖生态系统(GDEs)时空动态与演化机制研究
该研究发表于《Ecohydrology》。中国半干旱区普遍存在水资源短缺与生态系统脆弱性问题,地下水是维持植被生态的关键水源,地下水依赖生态系统(Groundwater-Dependent Ecosystems, GDEs)——依靠地下水维持生态功能、物种组成或系统结构的生态系统——在该区域尤为重要。西辽河平原历史上有广泛GDEs(河岸林、沼泽湿地、草甸),但近二十年来农业扩张与地下水超采导致水位下降,引发生态退化。已有研究多关注地下水埋深与植被指数关系或对比历史调查记录,对GDEs作为特定生态系统类型的空间识别与长时序演化尚缺乏深入探究。传统GDE识别方法包括野外调查(难区域推广)、GIS多准则评分(主观性强)、无监督分类(仅指示概率)及机器学习("黑箱"难解译)。此外,草原区低植被覆盖导致土壤背景干扰大,常用植被指数NDVI/EVI受限;以往GDE研究多为单时相,缺乏对动态转移与气候—人类活动—地下水过程的定量归因。为此,研究人员以引入抗土壤背景干扰的归一化差值物候指数(Normalized Difference Phenology Index, NDPI)的可解释机器学习框架,重建西辽河平原2004年及2009–2022年逐年GDE分布,解析其时空演化与驱动机制,回答GDE分布随埋深增加的时空变化、主导预测变量及其时变贡献、气候/人类活动/地下水过程对GDE转化的相对贡献三大科学问题。
主要关键技术方法:
研究人员以2004年中国植被图非地带性植被(草甸、灌丛等)且地下水埋深<3 m为高置信度GDE样本,地带性典型草原且埋深>4 m为高置信度非GDE样本(2004年为基准年),排除过渡带。选取植被(生长季NDPI与EVI的CV、8月NDPI与EVI多年CV)、气象(生长季实际蒸散ETa与降水P之比ETa/P)、土壤(生长季1 m深度土壤含水量Soil Moisture, SM、0–30 cm砂/粉砂含量及砂/黏比)、地形(地形湿度指数Topographic Wetness Index, TWI)四类共10个解释变量,动态变量用5年滑动窗口计算。对比Random Forest(RF)与XGBoost二分类性能,经Optuna超参优化、十折交叉验证与独立测试集评价,选XGBoost做2004年及2009–2022年逐年GDE识别。用Ordinary Kriging插值地下水埋深验证识别结果合理性,采用SHapley Additive exPlanations(SHAP)解析变量贡献与交互效应。基于DBSCAN聚类分析GDE簇质心迁移,按像素时序划分稳定GDE、稳定非GDE、退化GDE、恢复GDE等动态类型。在Logistic回归框架下做偏差分解(Deviance Partitioning),分离气候变化组(降水、ETa、SPEI、气温的时期变化与波动)与人类活动组(地下水开采代理——分部门用水量、距耕地/建设用地初始距离及其变化)的独立与共享贡献,引入地下水变量组(G)检验中介效应,并对2016–2022年恢复过程检验距建设用地距离的调节作用。
研究结果:
3.1 Identification of Dynamic GDE Distribution(GDE动态分布识别)
通过时间泛化验证(2010、2015年独立样本建模预测对比2004年模型)与地下水埋深阈值敏感性分析(GDE:<3 m vs 非GDE:>4 m为基线方案最优),确认XGBoost具良好稳定性与生态水文合理性。最终XGBoost测试集精度Accuracy=0.8396、AUC=0.8862、GDE召回率Recall=0.8357,优于RF。2009年GDE面积16919 km2(占51.62%),后波动下降至2020年最低10603 km2(33.33%),2022年略回升至13149 km2(41.44%)。GDE面积与平均地下水埋深呈强负相关(r=-0.87, p<0.001)。
3.2 Interpretability Analysis of GDE Identification Model Based on SHAP(基于SHAP的GDE识别模型可解释性分析)
SHAP全局重要性排序前三位为生长季1 m SM、NDPI CV(GS)、EVI CV(GS);静态土壤质地与TWI贡献较小。1 m SM在低位(<200×0.001 m3/m3)呈负效应(反映降水入渗主导、毛细上升弱),高位(215–235×0.001 m3/m3)呈正效应(反映浅层地下水支持)。NDPI CV(GS)呈倒U型——过低(休眠缺水)或过高(降雨脉冲响应)对应非GDE,适中对应GDE;EVI CV(GS)呈线性负相关(低变异倾向GDE)。随时间推移(2014年起),SM重要性下降,EVI CV(GS)升至首位,反映长期埋深增加削弱浅层SM对地下水可及性的代表性,植被动态指标判别权重上升。NDPI在低植被覆盖下判别力优于EVI(消融实验证实)。
3.3 Groundwater Depth Verification(地下水埋深验证)
2009–2022年插值地下水埋深R2=0.73、RMSE=1.83 m。GDE像素地下水埋深众数mode=3.87 m,非GDE mode=3.94 m,两者接近且重叠于~4 m区间,暗示多数GDE处于地下水依赖向降水依赖过渡的混合用水状态。高预测概率GDE对应较浅埋深,高预测概率非GDE对应较深埋深,与生态水文机理一致。
3.4 Spatiotemporal Evolution Characteristics of GDEs(GDEs时空演化特征)
DBSCAN识别出三个GDE簇(科尔沁左翼后旗—库伦旗一带、扎鲁特—科尔沁右翼中旗—通榆一带、阿鲁科尔沁—巴林右旗一带),质心随年份呈不同方向迁移(先东北/东南后回退或西北向)。2004–2022年GDE与非GDE互转占土地覆被转换的75.92%,表明演化主要为自然植被内部地下水依赖性调整。2009–2015年:退化GDE(3236 km2)>恢复GDE(1542 km2),稳定非GDE面积大于稳定GDE;2016–2022年:退化GDE(1557 km2)、恢复GDE(1374 km2)均减少,稳定非GDE增加,说明长期非GDE状态扩大。
3.5 Mechanisms of GDE Transition(GDE转化机制)
偏差分解显示:2009–2015年GDE退化(气候独立贡献9.72% vs 人类0.59%)与恢复(气候9.96% vs 人类0.86%)均气候主导,早期退化关联SPEI波动增大与降水波动,恢复关联降水增多与SPEI波动减小;2016–2022年退化仍气候主导(15.06% vs 人类2.94%)但人类活动贡献上升(地下水开采变化进入单变量贡献前列),恢复过程人类活动独立贡献(8.46%)超过气候(4.08%),主要受地下水开采波动减小、开采量降低及距建设用地距离变化影响。地下水中介分析表明2009–2015年地下水变化主要响应气候水文重组;2016–2022年恢复过程中地下水变量吸收人类活动解释力,反映压采—水位回升—GDE恢复链条。距耕地近更易退化(前期显著),距建成区近抑制恢复,且建成区邻近性调节人类活动压力对恢复的影响(远离建成区减弱开采波动的负效应)。
讨论与结论翻译:
讨论指出NDPI因纳入短波红外(Short-Wave Infrared, SWIR)波段有效压制裸土噪声,在低覆盖草原GDE识别中优于EVI;SHAP揭示模型捕捉了土壤质地—蒸散供需比—浅层SM—植被动态的非线性耦合与交互效应;~4 m地下水埋深为GDE与非GDE重叠的生态水文过渡带,代表混合水分利用状态与较高退化风险;驱动机制由早期气候主导转为后期气候—人类活动共同调控,后期恢复响应人类减采与管理措施。局限含样本为规则定义高置信度、未直接测定植被水源、缺根区水动力过程变量及1 km像元内异质性影响。
结论:(1)基于高置信度样本的XGBoost可稳定识别逐年GDE分布,性能优于RF;(2)2009–2022年GDE面积先波动减少后局部恢复,与平均地下水埋深显著负相关,空间上GDE簇表现收缩、破碎化与局部恢复,退化面积前期大于恢复面积;(3)SHAP表明GDE识别依赖浅层水分条件与植被动态信号,主导变量为1 m SM、NDPI CV(GS)、EVI CV(GS),NDPI在低植被覆盖下有更强判别力,随埋深增加与降水年际变异增强模型判别逻辑从依赖SM转向依赖植被动态指标;(4)地下水埋深验证显示GDE与非GDE在~4 m重叠,多数GDE处于地下水—降水依赖混合过渡态,高概率GDE对应浅埋深、高概率非GDE对应深埋深;(5)GDE转化具时段与过程差异——2009–2015年退化与恢复均气候主导;2016–2022年退化仍气候主导但人类活动贡献增强,恢复更多受人类活动控制,早期地下水变化主要响应气候重组,后期恢复中地下水改善更多反映人类活动压力减轻,建成区邻近性调节人类活动对恢复的影响;(6)管理上应关注~4 m敏感过渡带,将地下水开采管控、农用地边界管理与建成区生态缓冲纳入综合管理框架,本研究为半干旱区GDE长时序动态监测、生态水文机制识别与地下水资源管理提供可移植方法学参考。