点尺度归因失灵：极端枯水的三重方法困境
长江中下游干流区域西起三峡出口、东至长江入海口，涵盖江汉平原、洞庭湖平原、鄱阳湖平原与长江三角洲，是我国经济社会发展、粮食安全保障与生态环境保护的核心区域。该区属典型亚热带季风气候，降水丰沛但时空分布不均，夏秋易涝、冬春易旱。在全球气候变化与高强度人类活动双重影响下，2022 年全流域特大干旱与频繁出现的「汛期反枯」现象，使极端枯水成为危及区域水安全与社会经济稳定的显著风险因素。
出口断面点尺度难以代表流域面上枯水
传统枯水典型年识别与归因多依据流域出口断面的点尺度数据。以同期大通站径流数据复核，75%、90%、95% 保证率下识别的典型年分别为 2004、1966 和 1997 年，而这些年份满足对应枯水条件的栅格占比分别仅为 13%、16% 和 5%，说明单站枯水状态无法表征上游与支流区域的实际情势，亦难以刻画驱动因子的空间异质性。
极端枯水年非连续，连续序列归因方法失效
既有研究多聚焦连续水文序列的整体变化归因，而极端枯水年份在时间上呈非连续分布，仅在部分年代出现，传统基于连续序列的归因范式在适用性方面面临挑战。与此同时，既有长江中下游径流归因成果多停留在气候变化与人类活动两大类的宏观贡献区分，尚未细化降水、气温、LAI 等自然因子对径流变化的独立贡献。
物理模型强参数依赖与人为干扰掩盖气候信号
SWAT、冰川水文模型等物理水文模型对参数获取与预处理要求较高，率定过程复杂，在数据稀缺地区应用局限明显。长江中下游径流又受三峡水库等水利工程调度影响显著，强人为干扰会掩盖气候信号。如何在规避复杂参数率定的同时融合数据驱动优势，实现极端枯水资源的定量预估，仍是当前研究的薄弱环节。
CNRD v1.0 天然径流格点
75% 较枯 · 90% 枯水 · 95% 极端枯水
0.25° × 0.25° 逐年序列
r1i1p1f1 同一运行试验
栅格识别—因子优选—残差修正：五步技术链路
论文提出一种耦合优化深度学习的非线性回归模型：先以非线性回归刻画驱动因子的线性、交互与非线性效应，再以基于差异创意搜索优化参数的 LSTM 网络模拟回归残差，从而在不依赖复杂物理参数率定的前提下，实现极端枯水的高精度模拟与未来情景预估。整体路线沿「栅格序列构建—典型年识别—相关性诊断—因子优选—情景预估」五步推进，兼具物理可解释性与数据驱动灵活性。
栅格径流深序列构建与典型年识别
基于 1961—2018 年天然径流深栅格数据，借助渔网构建与栅格采样技术获取具有空间连续性的极端枯水径流深序列。运用非参数核密度估计方法推算每个栅格单元年径流深的频率分布，据此反演 75%、90%、95% 保证率下的枯水径流深阈值，再统计各年份满足阈值条件的栅格占总栅格的比例，选取占比最大的年份作为典型年。该方法规避了皮尔逊III型、指数、耿贝尔等分布线型选择带来的结果不确定性。
线性与非线性相关性双重诊断
采用 Pearson 线性相关分析辨别各因子与枯水径流的相关性并以相关性网络图可视化，同时引入灰关联分析揭示非线性动态关联特征。针对因子间的多重共线性问题，进一步开展方差膨胀因子检验：海拔 6.95 与气温 6.91 属中度共线性，其余因子 VIF 均小于 5，LAI 为 1.54、降雨为 1.28，具有相对独立性，故保留原始变量建模，而不采用缺乏物理意义的主成分分析或不适配树模型的正则化方法。
随机森林驱动因子重要性排序
采用基于袋外样本的变量重要性计算方法，通过变量值被随机置换前后模型预测精度的损失评估因子重要程度。考虑到单次训练的偶然性，研究对模型进行 300 次重复抽样，变量重要性取 300 次模拟的平均值并计算标准差以评估稳定性。模型平均袋外样本决定系数为 0.63，各因子重要性标准差较小，且所有因子均通过 p<0.001 的显著性检验。
耦合优化深度学习的非线性回归模拟
非线性回归模型同时考虑常数项、线性项、交叉项与平方项对不同驱动因子组合下极端枯水径流深的回归影响，以序列前 70% 为率定期、后 30% 为验证期并记录残差；随后采用基于差异创意搜索优化参数的 LSTM 网络模拟该残差，通过遗忘门、输入门、输出门与状态变量迭代更新，最终将模拟残差叠加回原回归结果完成修正，得到耦合模型的最终模拟序列。
精度评价、因子组合优选与情景预估
采用纳什效率系数、均方根误差、平均绝对误差与平均绝对百分比误差 4 项指标评价各组因子组合的模拟精度，按相关性分析与重要性排序逐一剔除不重要因素并记录精度变化，据 NSE 的升降拐点确定最佳因子组合。最后以降水指标为判据识别 CMIP6 多模式多情景下的未来 95% 枯水典型年，驱动耦合模型预估其枯水资源量空间分布并通过空间插值求取面平均值。
四类驱动因子与六套气候模式
径流深数据取自国家青藏高原科学数据中心《中国天然径流量格点数据集 CNRD v1.0》，空间分辨率 0.25°×0.25°，经 ArcGIS 裁剪提取研究区。气象数据为国家气象科学数据中心 1 km 分辨率逐月降水、平均气温与潜在蒸散发数据集，空间分辨率 0.008 333 3°，时间跨度为 1901 年 1 月至 2024 年 12 月。干旱指数中 SPEI 基于气象站点观测的降水与气温计算，TVDI 基于 MODIS 的 NDVI 与 LST 特征空间模型生成；DEM 来源于地理空间数据云并视为静态地形边界条件，坡度由 DEM 在 ArcGIS 中提取；LAI 取自 CMIP6，经双线性插值重采样至 0.1°×0.1° 标准经纬网格。
六模式三情景与率定期划分
气候模式数据取自 CMIP6 的 ScenarioMIP，为保持模式间对比的公平性与一致性，仅使用同一运行试验 r1i1p1f1 的输出，共选取 ACCESS_ESM1_5、BCC_CSM2_MR、CAS_ESM2_0、CMCC_CM2_SR5、CMCC_ESM2 与 IPSL_CM6A_LR 六套模式；历史模拟时段 1850—2014 年用于模式偏差校正与验证，未来预估使用 2030—2100 年，情景为 SSP1-2.6 低排放、SSP2-4.5 中排放与 SSP5-8.5 高排放。回归模型按序列前 70% 率定、后 30% 验证划分，深度学习模型的期次划分与其保持一致，并通过 10 折交叉验证评估稳定性。
三档典型年、五元因子组合与枯水资源缩减
非参数核密度估计给出了三档保证率下的极端枯水典型年，栅格占比法显著优于出口断面点尺度方法；相关性诊断与随机森林重要性排序共同指向降水的主导地位与 LAI 的独特作用；因子优选后耦合模型的验证期 NSE 由 0.639 提升至 0.841，平均绝对百分比误差由 8.34% 降至 4.96%。在此基础上驱动模型对未来 3 种情景、6 套模式下的 95% 枯水典型年枯水资源量作出预估。
因子优选后耦合模型
优选前为 8.34%
随机森林 300 次均值
面平均枯水资源量基准
| 保证率 | 枯水等级含义 | 栅格法典型年 | 该年枯水栅格占比 | 大通站点尺度典型年 | 点尺度同年栅格占比 |
|---|---|---|---|---|---|
| 75% | 较枯 | 1966 年 | 40% | 2004 年 | 13% |
| 90% | 枯水 | 1978 年 | 49% | 1966 年 | 16% |
| 95% | 极端枯水 | 2011 年 | 64% | 1997 年 | 5% |
| 方案 | 驱动因子组合 | 验证期 NSE | 平均绝对百分比误差 | 结果说明 |
|---|---|---|---|---|
| 因子未优选 | 全部候选自然因子 | 0.639 | 8.34% | 受不重要因素干扰，耦合模型性能较差 |
| 因子优选后 | 降雨、气温、潜在蒸发、LAI、SPEI | 0.841 | 4.96% | 逐一剔除 TVDI、坡度、海拔后精度达拐点，NSE 提高 0.2 |
| 10 折交叉验证 | 同上优选组合 | 0.779 | — | 用于评估模型稳定性，平均 NSE 保持在 0.779 |
| 气候情景 | 排放特征 | 多模式识别的 95% 枯水典型年区间 | 平均枯水资源量 / mm | 相对历史基准变化 / mm |
|---|---|---|---|---|
| SSP1-2.6 | 低排放 | 2033—2078 年 | 753.23 | -27.19 |
| SSP2-4.5 | 中排放 | 2037—2089 年 | 741.29 | -39.13 |
| SSP5-8.5 | 高排放 | 2034—2095 年 | 766.51 | -13.91 |
| 历史极端枯水年 | 1961—2018 年实测 | 1968、1972、1984、1994、2006、2011 年均值 | 780.42 | 基准 |
栅格占比识别的典型年与历史干旱事件吻合
1966 年长江流域中下游降水量偏少，长沙、武汉等地降雨量远低于历史平均甚至低于有记载的最低水平；1978 年 6—8 月干旱影响江苏、浙江、安徽、江西、湖北、湖南等地；2011 年长江中下游发生严重冬春连旱，鄱阳湖水面主体及附近水域面积仅为历史同期多年平均的一半，部分地区干涸呈现「大草原」景象，三方面证据共同印证了识别结果的合理性与可靠性。
降雨主导，LAI 是极端枯水特有的显著负相关因子
降雨是极端枯水径流深的最强正相关因子，相关系数为 0.712，灰关联度达 0.965；LAI 为最强负相关因子，相关系数为 -0.119，灰关联度 0.948，其降低既减少冠层截留损耗、使有限降水更直接转化为有效产流，又减弱植被蒸腾耗水、增加土壤水盈余。与之对照，全序列平均径流仅有降雨 0.794、气温 0.138、SPEI -0.277 通过显著性检验，若仅按全序列分析则难以识别 LAI 的显著驱动作用。
未来枯水资源量普遍减少，高排放情景不降反升
三种情景下未来极端枯水年的平均枯水资源量均低于历史基准 780.42 mm，且空间分布格局较为一致。与 Guan 等关于常年径流长期平均变化的研究不同，本文 SSP5-8.5 情景的枯水资源量反而高于 SSP2-4.5 情景。这一差异源于本文聚焦极端枯水典型年而非常年平均，并引入 LAI 与 SPEI 等生态干旱指数，更充分地捕捉了生态因子对径流的影响，从而改变了单纯温度驱动的蒸散发抵消效应。
未来不同气候情景下的枯水威胁不容忽视，区域水资源管理亟需从被动抗旱转向主动适应；三情景枯水资源量较历史基准减少 13.91~39.13 mm。
从被动抗旱到主动适应：归因与预估的三点结论
研究突破了传统单站点分析的时空局限性，构建了耦合优化深度学习的非线性回归模型，实现了长江中下游极端枯水事件的精细化归因与高精度预估。该框架揭示了变化环境下极端枯水对影响因子的响应机制并完成未来枯水资源量的定量评估，为区域水资源适应性管理提供了科学支撑，也为物理机制复杂、资料稀缺流域的极端水文事件研究开辟了新路径。
三档保证率极端枯水典型年的栅格化识别
识别出长江中下游干流区域在 75%、90%、95% 保证率下的极端枯水典型年份分别为 1966 年、1978 年与 2011 年，对应枯水栅格占比为 40%、49% 与 64%，均与历史重大干旱事件高度相符。相较之下，出口断面点尺度方法识别的年份在栅格口径下占比仅 13%、16% 与 5%，印证了栅格占比法在区域代表性上的实质性改进。
五元核心驱动因子组合的响应机制
降水量是决定极端枯水径流深的首要因素，随机森林重要性达 42.45%，显著高于其他因子；气温与 LAI 的重要性位列第二、第三。气温、潜在蒸发、LAI 与 SPEI 共同构成核心驱动因子组合，其中气温与潜在蒸发线性相关性较小但灰关联度高达 0.944 与 0.946，表明其对极端枯水径流深的影响不可忽视，极端枯水情景对植被动态的敏感性明显强于长序列平均状态。
高精度模拟与未来枯水资源定量预估
因子优选有效排除了无关因子干扰，使耦合优化深度学习的非线性回归模型验证期 NSE 达 0.841、平均绝对百分比误差降至 4.96%，10 折交叉验证平均 NSE 为 0.779。据此预估 SSP1-2.6、SSP2-4.5、SSP5-8.5 情景下未来极端枯水年的平均枯水资源量依次为 753.23、741.29、766.51 mm，均低于历史基准 780.42 mm。
面向适应性管理的水资源风险支撑
研究揭示的响应机制与未来枯水资源量，可直接服务于长江中下游沿江两岸湖泊、湿地、地下水与引水灌溉的水资源配置与风险研判，支撑区域从被动抗旱转向主动适应的管理范式转型。方法层面，耦合优化深度学习框架规避了传统物理水文模型对参数率定与结构假设的强依赖，兼具物理可解释性与数据驱动灵活性，为无资料或资料稀缺流域的极端枯水研究提供了可复用的新路径。
人类活动缺位与模式不确定性
精度仍受三方面不确定性影响：其一，人类活动对枯水径流的影响复杂且难以量化，论文聚焦自然因子的独立贡献，未考虑水库调度、取用水等干扰；其二，CMIP6 各气候模式数据本身存在偏差与不确定性，即便取集合平均也无法完全消除；其三，不同的样本量、空间采样方式及驱动因子筛选结果亦会影响模拟性能。未来需强化多源遥感与地面观测的融合校验，深化气候变化与人类活动耦合胁迫下的枯水形成机理认知。