基于VIC 和MLP-ANN 模型重建中國陸地水儲量數(shù)據(jù)

摘要： 基于GRACE 重力衛(wèi)星的產(chǎn)品數(shù)據(jù)為大尺度的陸地水儲量研究提供了重要支撐，但由于數(shù)據(jù)長度有限，無法滿足長序列研究需求?；跉庀蠛退挠^測數(shù)據(jù)，利用可變下滲容量曲線（VIC）模型在中國十大水資源分區(qū)構(gòu)建了流域水循環(huán)模型，基于模型輸出的土壤水和雪水儲量，并結(jié)合氣象觀測數(shù)據(jù)，構(gòu)建了基于多層感知器的人工神經(jīng)網(wǎng)絡(luò)模型（ MLP-ANN），重建了中國地區(qū)1980—2018 年高分辨率（ 0.25°）的陸地水儲量距平（ TWSA）月尺度數(shù)據(jù)集，并利用2003—2018 年的GRACE 數(shù)據(jù)對重建的TWSA 進行評估。結(jié)果表明：①VIC 模型總體具有較好的模擬效果，且濕潤流域的模擬精度優(yōu)于半干旱流域；②重建的TWSA 在空間分布上與GRACE 數(shù)據(jù)高度一致，可以較好地捕捉到絕大部分流域TWSA 的年際變化特征及趨勢；③1980—2018 年，TWSA 在華北平原、遼東、松花江西部、西南及西北部分地區(qū)呈顯著下降趨勢（gt;5 mm/a），而顯著上升趨勢主要集中在西部的少部分地區(qū)（gt;20 mm/a）。重建的TWSA 數(shù)據(jù)可為中國地區(qū)的水文氣象研究提供數(shù)據(jù)支撐。

關(guān)鍵詞： 陸地水儲量；GRACE；VIC 模型；人工神經(jīng)網(wǎng)絡(luò)；數(shù)據(jù)重建；十大水資源分區(qū)

中圖分類號： P46 文獻標志碼： A 文章編號： 1001-6791（ 2024） 05-0711-15

陸地水儲量（ Terrestrial Water Storage，TWS）包括地表水（湖泊、河流、水庫、沼澤和濕地中的水）、地下水、土壤水、雪水和植被冠層水儲量[1]，是全球水文循環(huán)的重要組成部分。由于TWS 與水文循環(huán)中相關(guān)水通量之間的依賴性，陸地水儲量距平（Terrestrial Water Storage Anomaly，TWSA）可用于監(jiān)測極端水文事件的時間變異性[2]。因此，準確估算TWSA 的時空分布，有助于理解陸地水循環(huán)和極端水文事件演變，對水資源高效管理和水災(zāi)害防御具有重要意義[3]。

重力恢復與氣候?qū)嶒灒℅ravity Recovery and Climate Experiment，GRACE）衛(wèi)星是由美國國家航空航天局和德國航空中心合作發(fā)射的定量觀測地球重力場變化的遙感衛(wèi)星，可探測中長空間尺度的TWS 變化，其優(yōu)勢在于不受下墊面條件的限制，可以得到全球分布均勻且觀測尺度統(tǒng)一的數(shù)據(jù)，在地下水儲量、蒸散發(fā)、冰蓋冰川質(zhì)量估算等方面[4-7] 應(yīng)用廣泛，為大尺度的水循環(huán)研究提供了重要數(shù)據(jù)支撐[8]。此外，由于GRACE 可以監(jiān)測TWS 的異常信號，在干旱和洪水監(jiān)測、水資源評價等方面[9-12] 同樣具有巨大潛力。

然而較短的觀測時段（ 2002 年3 月至今）限制了GRACE 在長時間尺度上的應(yīng)用。為此，國內(nèi)外學者利用GRACE 衛(wèi)星數(shù)據(jù)、實測氣象、水文數(shù)據(jù)及陸面模型輸出結(jié)果，采用機器學習和水文模擬等技術(shù)重構(gòu)了多個區(qū)域的長序列TWS 數(shù)據(jù)集，如亞馬孫流域、長江流域、青藏高原、中國西北地區(qū)以及全球區(qū)域[13-17]。聶寧等[14] 聯(lián)合GRACE 觀測及水文模擬，重建了1988—2012 年長江流域逐月TWS 變化數(shù)據(jù)；Li 等[17] 將機器學習與分解技術(shù)（ 統(tǒng)計分解和時間序列分解） 相結(jié)合， 使用多種氣象指標作為驅(qū)動數(shù)據(jù)， 重構(gòu)了長序列（1979—2020 年）全球TWSA 數(shù)據(jù)集（分辨率為0.5°×0.5°）。但目前的TWS 重建研究主要集中在區(qū)域或流域尺度，少部分大尺度（如全球） TWS 重建數(shù)據(jù)雖然覆蓋中國地區(qū)，但空間分辨率一般較低，不能滿足中國地區(qū)更精細尺度的研究需求，且數(shù)據(jù)的可靠性仍待進一步檢驗。

本文基于觀測氣象和水文數(shù)據(jù)，利用可變下滲容量曲線（ Variable Infiltration Capability，VIC）模型在中國地區(qū)構(gòu)建流域水循環(huán)模型，基于模型輸出的土壤水及雪水當量，并結(jié)合觀測氣象數(shù)據(jù)，構(gòu)建基于多層感知器（ Multilayer Perceptron，MLP）的人工神經(jīng)網(wǎng)絡(luò)（ Artificial Neural Network，ANN）預測模型MLP-ANN，重建中國地區(qū)長序列（ 1980—2018 年）、高分辨率（ 0.25°）的TWSA 月尺度數(shù)據(jù)，以期為中國地區(qū)的水文及氣候變化影響評估等研究提供數(shù)據(jù)支撐。

1 研究區(qū)域與方法

1.1 研究區(qū)域概況

中國由松花江、遼河、西北諸河、黃河、海河、淮河、西南諸河、長江、東南諸河、珠江等十大水資源分區(qū)組成（圖1）。地勢西高東低，呈階梯狀分布，形成了以季風氣候和溫帶大陸性氣候為主的氣候區(qū)。受地勢和氣候的多重影響，降水時空分布極不均勻，空間上從西北向東南遞增，全國多年（ 1980—2018 年）平均年降水量約609 mm，年內(nèi)分配不均，夏季（6—8 月）降水量（310 mm）約占全年降水量的51%，年均氣溫約6.4 ℃，總體上隨著緯度降低而上升。受降水影響，中國水資源時空分布極為不均，近年來在氣候變暖的影響下，水資源短缺和洪澇災(zāi)害等極端事件風險進一步加劇[17]。

1.2 資料數(shù)據(jù)

1.2.1 GRACE 數(shù)據(jù)

質(zhì)量塊（Mascon method）方法是目前利用GRACE 衛(wèi)星數(shù)據(jù)反演TWS 的主要方法之一[18]。目前基于質(zhì)量塊方法反演的GRACE 數(shù)據(jù)產(chǎn)品主要有3 種： CSR Mascons（ CSR-M） [19]、JPL-Mascons（ JPL-M） [20] 以及美國國家航空航天局戈達德空間飛行中心（ Goddard Space Flight Center， GSFC） 推出的GSFC-Mascons（ GSFC-M） [21]。其中JPL-M 和CSR-M 的原始分辨率分別為3°×3°和1°×1°，使用尺度因子校正后，分辨率分別為0.5°×0.5°和0.25°×0.25°[22]。

GRACE 觀測分為GRACE-1 和GRACE-2 時期（ 2002 年4 月至2017 年6 月）和后續(xù)衛(wèi)星 GRACE-FO 的觀測期（ 2018 年5 月至今） 。對于2017 年7 月至2018 年5 月的間斷期， 本文采用鐘玉龍等[23] 重構(gòu)的中國區(qū)域TWSA 數(shù)據(jù)，該數(shù)據(jù)考慮了Mascon 產(chǎn)品的季節(jié)項和趨勢項，具有理想的精度。此外，GRACE 衛(wèi)星由于設(shè)備故障等原因還存在14 個月的缺測期（ 2003-06、2011-01、2011-06、2012-05、2012-10、2013-03、2013-08、2013-09、2014-02、2014-07、2014-12、2015-06、2015-10 和2015-11），但連續(xù)缺測期均不超過2 個月，對此均采用線性插值方法對數(shù)據(jù)進行補齊。本文采用GRACE CSR-M、間斷期重構(gòu)數(shù)據(jù)及GRACE-FO 3 段數(shù)據(jù)集（ 2002 年4 月至2018 年12 月）對重建的TWSA 進行評估，TWSA 由全時段的TWS 數(shù)據(jù)減去2004—2009 年平均值得到。

1.2.2 VIC 建模數(shù)據(jù)

構(gòu)建VIC 模型的氣象驅(qū)動數(shù)據(jù)（日降水、日最高和最低氣溫、每日風速）來自國家青藏高原科學數(shù)據(jù)中心的中國區(qū)域地面氣象要素驅(qū)動數(shù)據(jù)集（ 空間分辨率為0.1°×0.1°） 。該數(shù)據(jù)集以Princeton 再分析數(shù)據(jù)、GLDAS 數(shù)據(jù)、GEWEX-SRB 輻射數(shù)據(jù)和TRMM 降水數(shù)據(jù)為背景場，融合了中國氣象局常規(guī)氣象觀測數(shù)據(jù)制作而成[24]。所使用氣象數(shù)據(jù)的時段為1979 —2018 年， 以上所有數(shù)據(jù)均通過線性插值把空間分辨率降到0.25°×0.25°上。所需的植被參數(shù)來自于馬里蘭大學開發(fā)的全球1km 分辨率土壤覆蓋類型數(shù)據(jù)[25]，土壤參數(shù)來自于世界土壤數(shù)據(jù)庫（Harmonized World Soil Database）[26]。

本文收集了十大水資源分區(qū)17 個水文站點的觀測流量數(shù)據(jù)，其中，西北諸河鶯落峽站的數(shù)據(jù)來自中國冰川凍土沙漠科學數(shù)據(jù)中心，東南諸河圩仁站和海河灤縣站的數(shù)據(jù)來自全球入海河流的月徑流量數(shù)據(jù)集[27]，其他水文站點的數(shù)據(jù)來自原水利部水文信息中心。

此外，還搜集了GLEAM V3.5a 蒸散發(fā)產(chǎn)品，用于評估VIC 模型的蒸散發(fā)模擬效果。GLEAM V3.5a 數(shù)據(jù)由荷蘭阿姆斯特丹大學研發(fā)[28]，采用Priestley 和Taylor 方程計算潛在蒸發(fā)，然后基于微波植被光學深度觀測和根區(qū)土壤濕度估計，利用乘法蒸發(fā)應(yīng)力因子將裸土、高冠層和矮冠層土地的潛在蒸發(fā)轉(zhuǎn)換為實際蒸發(fā)量。

1.3 研究方法

1.3.1 VIC 模型

VIC 模型是由華盛頓大學、加利福尼亞大學伯克利分校以及普林斯頓大學共同研制的大尺度分布式水文模型，模型初期為2 層的土壤蓄水模型（VIC-2L）[29]。為了刻畫表層土壤水動態(tài)變化過程和上下層土壤水的擴散過程，Liang 等[30] 在最上層土壤重新劃分出一個10cm 的頂薄層，構(gòu)建了3 層土壤蓄水模型（VIC-3L）。該模型可同時進行能量和水量平衡模擬，也可只模擬水量平衡，在網(wǎng)格上輸出徑流深、土壤水、蒸發(fā)等變量，網(wǎng)格內(nèi)的徑流量經(jīng)過Lohmann 匯流模型演算得到流域出口斷面流量。近年來該模型已被廣泛應(yīng)用于水文模擬和洪澇評估中[31-32]。

本文在17 個水文控制站點（表1）分別構(gòu)建日尺度VIC 模型，模型范圍涵蓋中國十大水資源分區(qū)，空間分辨率為0.25°×0.25°。由于圩仁、灤縣、花園口和鶯落峽站點為月徑流數(shù)據(jù)（表1），因此，這些站點在月尺度上進行模型率定。依據(jù)水文資料的時間長度，模型校準期和驗證期設(shè)定如下：哈爾濱站的校準期和驗證期分別為1980—1995 年和1996—2002 年，鐵嶺站的校準期和驗證期分別為1996—2001 年和2001—2007 年，其余站點的校準期和驗證期分別為1980—2000 年和2001—2008 年。

VIC 模型主要參數(shù)包括可變蓄水容量曲線形狀參數(shù)（ B）、3 層土壤厚度（ D1、D2、D3）、基流最大出流量（Dm）、基流量占Dm 的比例（DS）和下層土壤含水量與最大土壤含水量的比值（Ws）。本文利用Morris 試驗進行參數(shù)敏感性分析，發(fā)現(xiàn)B、D1 和D2 的敏感性顯著大于其他參數(shù)。因此在模型校準時，首先對這3 個參數(shù)進行率定，然后再對其余的參數(shù)進行率定，參數(shù)率定采用SCE-UA 算法[33]。

1.3.2 ANN 模型

ANN 是一種基于對大腦和神經(jīng)系統(tǒng)理解的非參數(shù)建模技術(shù)，核心思想是建立一組預測變量和目標變量之間的函數(shù)映射關(guān)系，適合對任何非線性物理系統(tǒng)的因果關(guān)系進行建模。目前已被廣泛用于水文和水資源領(lǐng)域，如預測流量、地下水位和TWSA 時間序列[34-36]。

本研究在網(wǎng)格尺度上構(gòu)建MLP-ANN 模型[36]。所構(gòu)建的模型有1 個輸入層、1 個隱藏層和1 個輸出層，模型的輸入包括月土壤濕度、雪水儲量、降水、最高和最低氣溫。由于隱藏層包括若干個隱藏神經(jīng)元，本文通過試錯法將隱藏神經(jīng)元的數(shù)量設(shè)為7，然后利用線性傳遞函數(shù)構(gòu)建隱藏層到輸出層之間的連接關(guān)系。

本文在每個格點上率定MLP-ANN 模型參數(shù)，采用2003 —2018 年CSR-M 數(shù)據(jù)對模型進行訓練和驗證，其中， 2002 年4 月至2012 年4 月為模型訓練期， 2012 年5 月至2015 年8 月為模型驗證期， 2015 年9 月至2018 年12 月用于測試訓練后模型的性能，最后利用驗證的MLP-ANN 模型重建1980 年1 月至2018 年12 月中國地區(qū)的TWSA 序列。

1.3.3 模型評價方法

參考相關(guān)文獻[31-32]，采用納什效率系數(shù)（ENS）、確定性系數(shù)（R2）、平均相對誤差（EMR）、皮爾遜相關(guān)系數(shù)（r）和中心均方根誤差（ERMS）等指標對水文模擬結(jié)果和重建的TWSA 進行評估。

1.3.4 趨勢分析方法

Mann–Kendall（M-K）趨勢檢驗方法是檢測水文氣象時間序列中單調(diào)趨勢統(tǒng)計顯著性的有效工具[37-38]，由于其不需要遵循一定的分布且不受異常值干擾而受歡迎。本研究利用M-K 趨勢檢驗和Sen's 斜率估計評估水文氣象因子的趨勢變化，顯著性水平設(shè)為0.05。

2 結(jié)果與分析

2.1 水文氣象模擬精度評估

在中國十大水資源分區(qū)構(gòu)建VIC 模型，選取7 個水資源分區(qū)內(nèi)9 個水文站點的日流量模擬與觀測進行對比，結(jié)果如圖2 所示。對于絕大部分站點來說，VIC 模型可以很好地再現(xiàn)日徑流過程以及年際變化特征，只在某些站點（ 如橫石站） 的少數(shù)年份存在低估洪峰的現(xiàn)象。除鐵嶺站外， 其他8 個站點的ENS 和R2 均大于0.71， EMR 均控制在±17% 以內(nèi)， 模型模擬效果較好。鐵嶺站在驗證期的ENS 和R2 雖然相對較低（ 分別為0.63 和0.64），但誤差較?。‥MR=3.93%），主要體現(xiàn)在春季融雪徑流偏低，這也說明VIC 模型在模擬融雪徑流轉(zhuǎn)化方面仍存在一定不足。

為了進一步驗證模型的可靠性，本文選取漢口站、王家壩站、花園口站及江橋站作為對應(yīng)流域的參數(shù)驗證站點，4 個站點采用所在流域內(nèi)其他站點相同的參數(shù)方案，以探究同一套參數(shù)方案在不同站點的適應(yīng)性。表2 統(tǒng)計了17 個水文站月徑流模擬的評估結(jié)果。由表2 可知，模型的R2 和ENS 在珠江、西南諸河、東南諸河及長江等南方濕潤流域均大于0.9， EMR 控制在±7.5% 以內(nèi)； 淮河、西北諸河、遼河及松花江等流域的ENS 和R2 分別達到0.84 和0.88 以上，EMR 控制在±15% 以內(nèi)；黃河流域的唐乃亥站和海河流域的灤縣站模擬效果略差，ENS 分別為0.81 和0.72，R2 分別為0.90 和0.73，略有低估現(xiàn)象（ EMR 分別在? 22% 和? 12% 左右）。長江流域漢口站移用大通站的參數(shù)方案后，ENS 和R2 均在0.95 以上，EMR 控制在? 3.28%；淮河流域王家壩站移用吳家渡站的參數(shù)方案， 松花江流域江橋站移用哈爾濱站的參數(shù)方案， 這2 個站點的ENS 雖然略低（ 0.66），EMR 略大（ ? 30% 左右），但R2 仍然保持在0.74 以上；黃河流域花園口站移用唐乃亥站的參數(shù)方案后，ENS 為0.65，但R2 較高（0.73），EMR 相對較?。? 10.93%）?？偟膩碚f，同一套參數(shù)方案在相同流域不同站點具有較好的適應(yīng)性，且濕潤流域的適應(yīng)性強于半干旱流域。

利用GLEAM 蒸散發(fā)產(chǎn)品對模擬的月蒸散發(fā)進行評估（表2），可以發(fā)現(xiàn)模擬的蒸散發(fā)與GLEAM 產(chǎn)品之間的相關(guān)系數(shù)在所有的水資源分區(qū)均大于0.94，ERMS 均控制在13 mm 以內(nèi)?？傮w來看，蒸散發(fā)模擬精度較高，從流域水平衡理論可以推斷，模型輸出的土壤濕度和雪水儲量適用于預測TWSA。

2.2 基于MLP-ANN 模型的TWSA 模擬評估

2.2.1 TWSA 空間分布評估

以月降水、月最高和最低氣溫，以及VIC 模型輸出的月土壤濕度和月雪水儲量作為MLP-ANN 模型的輸入，通過訓練模擬2003—2018 年的TWSA 月序列。

圖3 對比了MLP-ANN 模擬的多年平均（2003—2018 年）TWSA 與基于CSR-M 和JPL-M 模擬的TWSA 空間分布?？梢钥闯?， 基于MLP-ANN 的TWSA 空間分布與CSR-M 高度一致。與CSR-M 相比， MLP-ANN 的TWSA 空間連續(xù)性更好，可以較好地模擬出青藏高原北部及東部地區(qū)的正TWSA 以及南部地區(qū)的負TWSA，并且可以表征出華北平原中部TWSA 下降幅度大于南北兩側(cè)的空間特征。圖4 為MLP-ANN 模擬的TWSA 與CSR-M 的相關(guān)系數(shù)以及MLP-ANN 模型ENS 的空間分布。由圖4 可以看出，MLP-ANN 與CSR-M 在中國大部分地區(qū)具有較高的相關(guān)性，尤其在西南、東南、東北和西北部分區(qū)域的相關(guān)性更強（ r gt; 0.7）；另外中國西南、東南、東北以及西北部分地區(qū)的ENS（gt; 0.6）也明顯高于其他地區(qū)。

2.2.2 TWSA 年際變化評估

進一步在時間序列上（ 2002 年4 月至2018 年12 月）將MLP-ANN 的模擬結(jié)果與CSR-M 進行對比，結(jié)果如圖5 所示。MLP-ANN 可以較好地捕捉到長江、東南諸河、西南諸河、珠江、松花江等流域TWSA 的年際變化特征，與CSR-M 的一致性總體較高；而在遼河、西北諸河、黃河及海河等半干旱流域，MLP-ANN 雖然能捕捉到TWSA 的下降趨勢， 但在極值模擬方面稍有欠缺， 例如， MLP-ANN 低估了西北諸河2005 年8 月TWSA 的最大值，高估了2015 年2 月TWSA 的最小值；在海河流域，MLP-ANN 低估了2010 年以前的TWSA，高估了2015 年以后的TWSA，其原因可能是所構(gòu)建的MLP-ANN 模型沒有考慮人類活動對TWS 的影響所致。

從評估指標來看，MLP-ANN 與CSR-M 的r 均大于0.79，ERMS 均小于62 mm，其中，西南諸河的r 最大（0.878），而西北諸河的ERMS 最?。?.19 mm）?？偟膩碚f，MLP-ANN 可以較好地再現(xiàn)TWSA 的變化趨勢。

2.3 1980—2018 年TWSA 時間變化特征

基于構(gòu)建的MLP-ANN 模型，結(jié)合1980—2018 年的月降水、最高氣溫、最低氣溫、土壤濕度及雪水儲量等數(shù)據(jù)， 在網(wǎng)格尺度上重建1980 —2018 年的TWSA 月時間序列（ TWSA-Recon） 。圖6 展示了1980 —2018 年十大水資源分區(qū)TWSA 的年際變化序列，圖7 為1980—2018 年TWSA 趨勢值的分布特征（至少16a 的趨勢值）。如圖6 所示，南方流域如長江、東南諸河、西南諸河和珠江流域的TWSA 的年際波動明顯小于北方的流域，其原因可能是受南北方降水波動的差異所致，西北諸河和海河流域的TWSA 在2000 年以前處于相對平穩(wěn)的波動期，2000 年以后先是波動上升隨后波動下降。

從趨勢來看（圖7），同一流域不同時段的趨勢差異較大，表明TWSA 的趨勢變化對研究時段長度具有較高的敏感性。具體來說，長江流域在1991—2016 年均呈現(xiàn)顯著降低趨勢（約10 mm/a），僅在2001—2018 年呈現(xiàn)顯著上升趨勢（圖7（ g） ）；東南諸河在1991—2016 年期間呈現(xiàn)顯著降低趨勢（ lt; 10 mm/a），僅在2002—2018 年呈顯著上升趨勢（約20 mm/a，圖7（h））；西北諸河、黃河、海河及淮河的TWSA 在2000 年之前變化較小，趨勢值在±10 mm/a 之間，但進入21 世紀后，4 個流域的TWSA 顯著下降（圖7（ c）—圖7（ f） ）；西南諸河流域在1992 年后呈持續(xù)下降狀態(tài)，其中1986 —2018 年呈現(xiàn)顯著下降趨勢（ gt; 25 mm/a，圖7（ i） ）；松花江的TWSA 在1986 —2011 年間呈現(xiàn)出顯著的下降趨勢（ 最大超過20 mm/a） ， 21 世紀以來呈不顯著的上升趨勢（圖7（ a） ） ； 遼河及珠江流域的TWSA 一直呈現(xiàn)上下波動狀態(tài)， 大部分時段內(nèi)的變化趨勢具有顯著性（ p lt;0.05），珠江流域除了在1981—2005 年趨勢不顯著外，1991—2015 年呈顯著下降趨勢，21 世紀后呈顯著上升趨勢（圖7（j））。

2.4 1980—2018 年TWSA 及水文氣象因子趨勢的空間分布

圖8 為1980—2018 年TWSA 趨勢的空間分布。由圖8（ a）可知，TWSA 趨勢量級呈現(xiàn)出較強的空間異質(zhì)性，絕大部分地區(qū)的TWSA 呈不顯著變化趨勢（±5 mm/a 之內(nèi)），其中，海河及黃河部分區(qū)域、遼河東部、松花江西部及西北諸河部分區(qū)域呈5～40 mm/a 的顯著下降趨勢（p lt; 0.05），西南諸河部分區(qū)域呈大于40 mm/a 的顯著下降趨勢（ p lt; 0.05），這主要是由于降水減少（圖8（ b） ）以及蒸散發(fā)增強（圖8（ c） ）導致。而在青藏高原北部以及新疆西北等地區(qū)，由于降水顯著增加（圖8（ b） ），導致TWSA 呈顯著上升趨勢（ gt; 20 mm/a）。與降水相似，徑流深在大部分地區(qū)呈不顯著的變化趨勢，而在西北部分地區(qū)由于降水增加導致徑流深顯著增加（lt; 2 mm/a）。

3 討 論

本文重建的TWSA 數(shù)據(jù)在趨勢上與各地區(qū)的研究結(jié)果具有較好的一致性[15，39-40]。如龍笛等[15] 研究表明，TWS 在青藏高原外流區(qū)呈顯著下降趨勢，而在內(nèi)流區(qū)呈顯著增加趨勢，與本文的結(jié)果基本一致，這主要是由外流區(qū)的冰川質(zhì)量損失以及內(nèi)流區(qū)的湖泊擴展所致[15]。

本文采用CSR-M 數(shù)據(jù)對MLP-ANN 模型進行訓練，需要指出的是，CSR-M 數(shù)據(jù)存在一定的不確定性，如表3 所示， 對于大部分流域來說（ 如長江、西南諸河及珠江流域） ， 基于水平衡估算的陸地水儲量變化（TWSC）與CSR-M 的TWSC 在西南諸河、珠江、長江、淮河相關(guān)性較高（gt;0.65），且ERMS 較小（lt; 22 mm），但在其他部分地區(qū)（如松花江、遼河、西北諸河、東南諸河）存在較大的差異，這種差異一部分歸因于CSRM數(shù)據(jù)的不確定性，另一部分歸因于VIC 模型的不確定性。

VIC 模型的不確定性主要體現(xiàn)在以下幾個方面。首先，由于觀測資料缺乏，部分流域僅有1 個水文站點用于模型率定（如西北諸河和遼河），然后將參數(shù)移植到整個流域，水文分區(qū)從三級跨越到二級，此過程忽略了下墊面的空間異質(zhì)性以及不同地區(qū)水文現(xiàn)象的差異性。在模型結(jié)構(gòu)方面，VIC 模型未考慮冰川模塊，這可能給青藏高原等高海拔地區(qū)的TWSA 重建帶來一定的不確定性，已有研究發(fā)現(xiàn)青藏高原東南部等地區(qū)近年來的冰川物質(zhì)減小對TWS 變化起主導作用[41]。另一方面，由于融雪模塊考慮不足[42]，導致模型模擬的徑流在北方流域（如在松花江的江橋站和黃河的唐乃亥站）存在低估現(xiàn)象（表2）。此外，模型在人類活動（如梯級水庫調(diào)蓄、農(nóng)業(yè)灌溉等）對流域水平衡影響方面也考慮不足，這可能給受人類活動影響較大地區(qū)的水文模擬帶來一定的偏差。針對以上問題，未來需進一步完善融雪和冰川模塊，加入考慮人類活動影響的參數(shù)化方案，為模型提供更準確的驅(qū)動數(shù)據(jù)，進一步提高TWSA 的預測精度。

在模型率定方面，由于缺乏土壤水等觀測數(shù)據(jù)，本文只采用徑流觀測數(shù)據(jù)對模型率定和驗證，但這并不能完全保證土壤水和雪水儲量各組分模擬的準確性[43]。未來可采用多源數(shù)據(jù)產(chǎn)品對模型輸出的徑流、土壤水和雪水儲量進行分步校準，以提高模型的模擬精度。

4 結(jié)論

本文基于GRACE 重力衛(wèi)星和水文氣象觀測數(shù)據(jù)，利用VIC 和MLP-ANN 模型構(gòu)建了陸地水儲量預測模型，重建了中國地區(qū)長序列（1980—2018 年）、高分辨率（0.25°）的陸地水儲量月尺度數(shù)據(jù)，評估了中國地區(qū)及十大水資源分區(qū)陸地水儲量的時空演變趨勢。主要結(jié)論如下：

（ 1） VCI 模型表現(xiàn)出較好的水文模擬效果，在日尺度上可以較好地再現(xiàn)水文過程及年際變化特征；在月尺度上，所有站點的效率系數(shù)均達到0.65 以上，且濕潤流域的模擬效果優(yōu)于半干旱流域。

（2）重建的陸地水儲量與CSR-M 數(shù)據(jù)高度一致，在空間變化上的連續(xù)性優(yōu)于CSR-M，兩者的相關(guān)性在中國西南、東南、東北和西北區(qū)域較高，且可以較好地捕捉到絕大部分流域TWSA 的年際變化特征，其中南方濕潤地區(qū)的模擬效果優(yōu)于遼河、西北諸河、海河等半干旱地區(qū)。

（ 3） 1980—2018 年，南方濕潤地區(qū)陸地水儲量的年際波動小于北方半干旱流域；其中華北平原、遼東、松花江西部、西南及西北部分地區(qū)的陸地水儲量呈顯著下降趨勢（ gt;5 mm/a），而顯著上升趨勢主要出現(xiàn)在西部部分地區(qū)（gt;20 mm/a）。

參考文獻：

[1]CHAO N F，JIN T Y，CAI Z S，et al. Estimation of component contributions to total terrestrial water storage change in the Yangtze Riverbasin[J]. Journal of Hydrology，2021，595：125661.

[2]ASOKA A， MISHRA V. Anthropogenic and climate contributions on the changes in terrestrial water storage in India[J]. Journal ofGeophysical Research （Atmospheres），2020，125（10）：e2020JD032470.

[3]RODELL M，F(xiàn)AMIGLIETTI J S，WIESE D N，et al. Emerging trends in global freshwater availability[J]. Nature，2018，557（7707）：651-659.

[4]龍笛，楊文婷，孫章麗，等. 海河平原地下水儲量變化的重力衛(wèi)星反演和流域水量平衡[J]. 水利學報，2023，54（ 3）：255-267. （ LONG D， YANG W T， SUN Z L， et al. GRACE satellite-based estimation of groundwater storage changes and water balanceanalysis for the Haihe River basin[J]. Journal of Hydraulic Engineering，2023，54（3）：255-267. （in Chinese））

[5]王子龍，孫昌鴻，姜秋香，等. 中國東北三省地下水儲量時空變化特征及其影響因素分析[J]. 水科學進展，2023，34（ 3）：360-373. （WANG Z L，SUN C H，JIANG Q X，et al. Analysis of spatiotemporal variation characteristics of groundwater storage and theirinfluencing factors in three provinces of Northeast China[J]. Advances in Water Science，2023，34（3）：360-373. （in Chinese））

[6]PAN Y，ZHANG C，GONG H L，et al. Detection of human-induced evapotranspiration using GRACE satellite observations in the HaiheRiver basin of China[J]. Geophysical Research Letters，2017，44（1）：190-199.

[7]VELICOGNA I，MOHAJERANI Y，GERUO "A，et al. Continuity of ice sheet mass loss in Greenland and Antarctica from the GRACE and"GRACE follow‐on missions[J]. Geophysical Research Letters，2020，47（8）：e2020GL087291.

[8]TAPLEY B D，WATKINS M M，F(xiàn)LECHTNER F，et al. Contributions of GRACE to understanding climate change[J]. Nature ClimateChange，2019，5（5）：358-369.

[9]鄧梓鋒，吳旭樹，王兆禮，等. 基于GRACE 重力衛(wèi)星數(shù)據(jù)的珠江流域干旱監(jiān)測[J]. 農(nóng)業(yè)工程學報，2020，36（20）：179-187.（DENG Z F，WU X S，WANG Z L，et al. Drought monitoring based on GRACE data in the Pearl River basin，China[J]. Transactions ofthe Chinese Society of Agricultural Engineering，2020，36（20）：179-187. （in Chinese））

[10]冉艷紅，鐘敏，陳威，等. 利用GRACE-FO 重力衛(wèi)星探測2019 年長江中下游極端干旱[J]. 科學通報，2021，66（1）：107-117.（RAN Y H，ZHONG M，CHEN W，et al. Monitoring the extreme drought in the middle and lower reaches of the Yangtze River in 2019from GRACE-FO satellites[J]. Chinese Science Bulletin，2021，66（1）：107-117. （in Chinese））

[11]張珂，鞠艷，李致家. 金沙江流域?qū)嶋H蒸散發(fā)遙感重建及時空特征分析[J]. 水科學進展，2021，32（ 2）：182-191. （ZHANGK，JU Y，LI Z J. Satellite-based reconstruction and spatiotemporal variability analysis of actual evapotranspiration in the Jinshajiang Riverbasin，China[J]. Advances in Water Science，2021，32（2）：182-191. （in Chinese））

[12]阮永健，吳秀芹. 基于GRACE 和GLDAS 的西北干旱區(qū)地下水資源量可持續(xù)性評價[J]. 干旱區(qū)研究，2022，39（3）：787-800.（ RUAN Y J， WU X Q. Evaluation of groundwater resource sustainability based on GRACE and GLDAS in arid region of NorthwestChina[J]. Arid Zone Research，2022，39（3）：787-800. （in Chinese））

[13]NIE N，ZHANG W C，ZHANG Z J，et al. Reconstructed terrestrial water storage change （ΔTWS） from 1948 to 2012 over the Amazonbasin with the latest GRACE and GLDAS products[J]. Water Resources Management，2016，30（1）：279-294.

[14]聶寧，張萬昌，陳豪，等. 長江流域水儲量變化的時間變化特征及歸因分析[J]. 水科學進展，2021，32（ 3）：396-407. （NIEN，ZHANG W C，CHEN H，et al. Temporal variation characteristics and attribution analysis of terrestrial water storage change in theYangtze River basin[J]. Advances in Water Science，2021，32（3）：396-407. （in Chinese））

[15]龍笛，李雪瑩，李興東，等. 遙感反演2000 —2020 年青藏高原水儲量變化及其驅(qū)動機制[J]. 水科學進展，2022，33（ 3）：375-389. （LONG D，LI X Y，LI X D，et al. Remote sensing retrieval of water storage changes and underlying climatic mechanisms overthe Tibetan Plateau during 2000—2020[J]. Advances in Water Science，2022，33（3）：375-389. （in Chinese））

[16]YANG P，XIA J，ZHAN C S，et al. Reconstruction of terrestrial water storage anomalies in Northwest China during 1948–2002 usingGRACE and GLDAS products[J]. Hydrology Research，2018，49（5）：1594-1607.

[17]LI F P， KUSCHE J， CHAO N F， et al. Long-term （ 1979-present） total water storage anomalies over the global land derived byreconstructing GRACE data[J]. Geophysical Research Letters，2021，48（8）：e93492.

[18]鄒賢才， 金濤勇， 朱廣彬. 衛(wèi)星跟蹤衛(wèi)星技術(shù)反演局部地表物質(zhì)遷移的MASCON 方法研究[J]. 地球物理學報， 2016，59（ 12）：4623-4632. （ZOU X C，JIN T Y，ZHU G B. Research on the MASCON method for the determination of local surface mass fluxwith Satellite-Satellite Tracking technique[J]. Chinese Journal of Geophysics，2016，59（12）：4623-4632. （in Chinese））

[19]SAVE H， BETTADPUR S， TAPLEY B D. High-resolution CSR GRACE RL05 mascons[J]. Journal of Geophysical Research（ SolidEarth），2016，121（10）：7547-7569.

[20]WIESE D， YUAN D， BOENING C， et al. JPL GRACE and GRACE-FO Mascon ocean， ice， and hydrology equivalent water height. Ver.RL06Mv02 [DS/OL].（2019-03-06）[2023-05-01]. https：//doi.org/10.5067/TEMSC-3MJ62.

[21]LOOMIS B D， LUTHCKE S B， SABAKA T J. Regularization and error characterization of GRACE mascons[J]. Journal of Geodesy，2019，93（9）：1381-1398.

[22]張嵐， 孫文科. 重力衛(wèi)星GRACE Mascon 產(chǎn)品的應(yīng)用研究進展與展望[J]. 地球與行星物理論評， 2022， 53（ 1） ： 35-52.（ ZHANG L，SUN W K. Progress and prospect of GRACE Mascon product and its application[J]. Reviews of Geophysics and PlanetaryPhysics，2022，53（1）：35-52. （in Chinese））

[23]鐘玉龍，馮偉，鐘敏，等. 中國區(qū)域基于降水重構(gòu)陸地水儲量變化數(shù)據(jù)集（2002—2019）[DS]. 北京：國家青藏高原科學數(shù)據(jù)中心， 2021. （ ZHONG Y L， FENG W， ZHONG M， et al. Dataset of reconstructed terrestrial water storage in China based onprecipitation （2002-2019） [DS]. Beijing：National Tibetan Plateau / Third Pole Environment Data Center，2021. （in Chinese））

[24]HE J， YANG K， TANG W J，"et al. The first high-resolution meteorological forcing dataset for land process studies over China[J].Scientific Data，2020，7（1）：25.

[25]HANSEN M C， DEFRIES R S， TOWNSHEND J R G， et al. Global land cover classification at 1 km spatial resolution using aclassification tree approach[J]. International Journal of Remote Sensing，2000，21（6/7）：1331-1364.

[26]NACHTERGAELE F， VELTHUIZEN H V， VERELST L， et al. Harmonized world soil database （ hwsd） [DS]. Rome： Food andAgriculture Organization of the United Nations，2009.

[27]DAI A. Dai and trenberth global river flow and continental discharge dataset[DS/OL]. （2017-06-08）[2023-05-01]. https：//doi.org/10.5065/D6V69H1T.

[28]MARTENS B， MIRALLES D G， LIEVENS H， et al. GLEAMv3： satellite-based land evaporation and root-zone soil moisture[J].Geoscientific Model Development，2017，10（5）：1903-1925.

[29]LIANG X，LETTENMAIER D P，WOOD E F，et al. A simple hydrologically based model of land surface water and energy fluxes forgeneral circulation models[J]. Journal of Geophysical Research：Atmospheres，1994，99（D7）：14415-14428.

[30]LIANG X， WOOD E F， LETTENMAIER D P. Surface soil moisture parameterization of the VIC-2L model： evaluation andmodification[J]. Global and Planetary Change，1996，13（1）：195-206.

[31]張利平，陳小鳳，張曉琳，等. VIC 模型與SWAT 模型在中小流域徑流模擬中的對比研究[J]. 長江流域資源與環(huán)境，2009，18（ 8）：745-752. （ZHANG L P，CHEN X F，ZHANG X L，et al. A compare application research of VIC model and SWAT model in themid-small valley flow simulation[J]. Resources and Environment in the Yangtze Basin，2009，18（8）：745-752. （in Chinese））

[32]黃國如，武傳號，劉志雨，等. 氣候變化情景下北江飛來峽水庫極端入庫洪水預估[J]. 水科學進展，2015，26（ 1）：10-19.（HUANG G R，WU C H，LIU Z Y，et al. Prediction of extreme floods of the Feilaixia Reservoir in the Beijiang River basin under climatechange[J]. Advances in Water Science，2015，26（1）：10-19. （in Chinese））

[33]DUAN Q Y，SOROOSHIAN S，GUPTA V K. Optimal use of the SCE-UA global optimization method for calibrating watershed models[J].Journal of Hydrology，1994，158（3）：265-284.

[34]KASHANI M H，ALI GHORBANI M，DINPASHOH Y，et al. Integration of Volterra model with artificial neural networks for rainfallrunoffsimulation in forested catchment of Northern Iran[J]. Journal of Hydrology，2016，540：340-354.

[35]DALIAKOPOULOS I N， COULIBALY P， TSANIS I K. Groundwater level forecasting using artificial neural networks[J]. Journal ofHydrology，2005，309（1/2/3/4）：229-240.

[36]LONG D，SHEN Y J，SUN A，et al. Drought and flood monitoring for a large Karst Plateau in Southwest China using extended GRACEdata[J]. Remote Sensing of Environment，2014，155：145-160.

[37] KENDALL M G. Rank correlation methods[M]. 4th ed. London：Griffin，1975.

[38] MANN H B. Nonparametric tests against trend[J]. Econometrica，1945，13（3）：245-259.

[39]SU X L，PING J S，YE Q X. Terrestrial water variations in the North China Plain revealed by the GRACE mission[J]. Science China EarthSciences，2011，54（12）：1965-1970.

[40]姚朝龍，李瓊，羅志才，等. 利用廣義三角帽方法評估GRACE 反演中國大陸地區(qū)水儲量變化的不確定性[J]. 地球物理學報，2019，62（ 3）：883-897. （YAO C L，LI Q，LUO Z C，et al. Uncertainties in GRACE-derived terrestrial water storage changes overmainland China based on a generalized three-cornered hat method[J]. Chinese Journal of Geophysics，2019，62（3）：883-897. （in Chinese））

[41]ZHAO F Y， LONG D， LI X D， et al. Rapid glacier mass loss in the Southeastern Tibetan Plateau since the year 2000 from satelliteobservations[J]. Remote Sensing of Environment，2022，270：112853.

[42]GOU J J，MIAO C Y，SAMANIEGO L，et al. CNRD v1.0：a high-quality natural runoff dataset for hydrological and climate studies inChina[J]. Bulletin of the American Meteorological Society，2021，102（5）：E929-E947.

[43]CHEN X，LONG D，HONG Y，et al. Improved modeling of snow and glacier melting by a progressive two-stage calibration strategy withGRACE and multisource data：how snow and glacier meltwater contributes to the runoff of the Upper Brahmaputra River basin？[J]. WaterResources Research，2017，53（3）：2431-2466.