GRACE Downscaling Reconstruction Data Analysis of Drought in Chinese Mainland from 2002 to 2022

ZHANG Dong, LI Qiong, SU Yong, AN Zhang-yuan

PDF(8842 KB)
节水灌溉
China Rural Water and Hydropower ›› 2025 ›› (3) : 44-54. DOI: 10.12396/znsd.241048

GRACE Downscaling Reconstruction Data Analysis of Drought in Chinese Mainland from 2002 to 2022

Author information +
History +

Abstract

The low spatial resolution of the time-varying gravity field model data provided by GRACE and its successor satellite GRACE Follow-On limits its application in high-resolution long-term drought monitoring. In order to solve this problem， the XGBoost machine learning method was used to carry out downscale reconstruction of the changes in terrestrial water storage in mainland China from 2002 to 2022， and the GRACE TWSA with a resolution of 0.1 ° was generated for nine major basins in China. The modeling effects of different basins were compared. Then， the GRACE-DSI drought index based on GRACE data was compared with the traditional drought index scPDSI and SPEI， and the spatial distribution characteristics of different grades of drought in nine major basins in China were analyzed. Finally， the drought events in nine major basins in China and the spatial distribution of drought in 2022 were monitored.The results show that except for the inland river， the performance of the other eight watershed downscaling reconstruction models is better， and the consistency between GRACE TWSA and NOAH TWSA is further improved after downscaling reconstruction. The correlation between GRACE-DSI after downscaling reconstruction and scPDSI and SPEI drought index was also significantly enhanced. The frequency of drought in the middle and lower reaches of the Yellow River Basin， the Haihe River Basin and the Pearl River Basin is high and mainly light drought. Similarly， the frequency of drought in the southern part of the Songliao River Basin is also high， but it is mainly characterized by moderate drought and light drought. In addition， the proportion of light drought and moderate drought in the nine major basins is close， and the proportion of heavy drought and extreme drought is different. The proportion of heavy drought in the Huaihe River Basin and the Songliao River Basin is the highest， which is 14 % and 13.4 % respectively. The proportion of extreme drought in the Yangtze River Basin is the highest， which is 16.5 %， while the proportion of extreme drought in the Haihe River Basin is the lowest， which is only 6.1 %. From 2002 to 2022， most of the severe drought events occurred in the northern basins， and 3 of the top 6 drought events occurred in the Songliao River Basin； compared with scPDSI and SPEI， the spatial variation of drought monitored by GRACE-DSI is more consistent with the actual situation. However， since GRACE data represent all water changes， glacier melt water may lead to underestimation of GRACE-DSI.

Key words

GRACE time-varying gravity field model / terrestrial water storage changes / drought in China's nine major river basins / machine learning downscaling

Cite this article

EndNote

Ris (Procite)

Bibtex

Download Citations
ZHANG Dong , LI Qiong , SU Yong , AN Zhang-yuan. GRACE Downscaling Reconstruction Data Analysis of Drought in Chinese Mainland from 2002 to 2022. China Rural Water and Hydropower. 2025, 0(3): 44-54 https://doi.org/10.12396/znsd.241048

0 引 言

干旱是最常见的自然灾害之一，对环境、农业和经济等领域具有灾难性影响［1］。因此，准确描述干旱事件的发生、持续时间和严重程度极为重要。目前监测全球干旱严重程度的传统方法主要是利用相应的干旱指数作为衡量标准［2］，例如使用气象数据和土壤湿度数据计算的自校准帕默尔干旱指数（Self-Calibrating Palmer Drought Severity Index，scPDSI）以及结合降水和潜在蒸散发数据计算的标准化降水蒸散指数（Standardized Precipitation Evapotranspiration Index，SPEI）。然而，传统的干旱指数通常集中在多方面水文循环的特定角度，只对水文循环的特定层敏感［3］。重力恢复和气候实验（Gravity Recovery and Climate Experiment，GRACE）卫星可以反演陆地水储量的变化，反映水资源在各类水通量中的变化情况［4］。因此，相比于传统的干旱指数，基于GRACE的干旱指数GRACE-DSI可以更加准确对干旱事件进行监测和量化。然而，GRACE卫星提供的时变重力场数据分辨率较低，国内外学者对基于GRACE数据的干旱研究限制在1°×1°或者更低的空间分辨率［5-7］，为了更好的利用GRACE数据对中小尺度流域进行高分辨率的干旱研究，需借助降尺度方法来提高GRACE反演数据成果的精度。
在GRACE时变重力场反演陆地水储量变化的降尺度研究中，较多的学者使用了基于全球水文模型的线性回归方法［8， 9］，然而，陆地水储量的变化受到气候、环境以及人类活动等多重因素的影响，简单的线性回归方法无法准确捕捉这些复杂的变化模式。近年来，机器学习模型在处理复杂非线性问题中表现优异，已成为GRACE数据降尺度的重要方法之一。SEYOUM等［10］基于非参数的人工神经网络模型，结合多种水文变量，将美国北部高平原地区GRACE数据降尺度到0.25°格网，表明降尺度结果与NOAH模型的陆地水储量异常（Terrestrial Water Storage Anomaly，TWSA）具有较好的相关性，机器学习降尺度方法成功再现了由气候和人为影响引起的陆地水储量变化。CHEN等［11］利用随机森林、支持向量机、人工神经网络和多元线性回归模型，结合降水量等6个水文变量，将中国东北地区的总储水量和地下水储量降尺度到0.25°格网，结果表明，随机森林模型测试集精度指标优于其他模型，并且在时间序列上，降尺度数据与地下观测井数据具有较强的相关性。ALi等［12］利用极端梯度提升（Xtreme Gradient Boosting，XGBoost）和随机森林模型将GRACE数据从1°格网降尺度到0.25°格网，并利用原位测量数据验证，表明这两类降尺度模型的结果相当。此外，GRACE-FO（GRACE Follow -On）任务的延迟，也导致GRACE和GRACE-FO之间出现了11个月的数据缺失，这限制了GRACE数据的长期监测应用。国内外多位学者使用机器学习模型来重构缺失数据，均表明机器学习模型在实现缺失数据重构时具有良好的性能［13-15］。
上述对GARCE数据降尺度成果的应用主要集中在陆地水储量变化方面，而缺失高分辨率的GRACE降尺度数据进行干旱研究，同时GRACE与GRACE-FO之间的缺失数据也限制了对干旱的长期研究。此外，降尺度和缺失数据重构在以往的研究中通常被视为两个独立的问题。鉴于此，本文结合多种水文气象数据，使用XGBoost机器学习模型同时完成降尺度和缺失数据重构工作，生成中国九大流域2002-2022年0.1°×0.1°的高分辨率GRACE TWSA；利用降尺度重构前后的GRACE-DSI与scPDSI、SPEI干旱指数进行比较，分析不同干旱指数的干旱频率空间分布特征；最后，对中国九大流域的干旱事件进行研究，并监测了中国2022年夏秋连旱的空间变化。

1 研究区域与数据

1.1 研究区概况

中国地理辽阔，涵盖了广泛的地形类型和气候条件。受季风影响，呈现出多样化的气候特征。东南沿海地区气候温和湿润，降水充沛，水资源丰富。而西北内陆地区则干旱缺水，属于典型的大陆性气候。降水在空间和时间上分布极不均匀，呈现出从东南向西北逐渐减少的趋势，形成了湿润、半湿润、半干旱和干旱等多种气候区域。雨季通常集中在夏季和秋季，而旱季则主要出现在春季和冬季。西部和北部地区位于温带大陆性和高原气候区，这些地区的特点是降水相对较少，而气温波动较大。根据水资源的空间分布，中国科学院资源与环境科学与数据中心将中国大陆划分为九大流域片：海河流域、淮河流域、松辽河流域、珠江流域、西南诸河、东南诸河、内陆河、长江流域和黄河流域。中国九大流域片及其所在区域示意图如图1所示。
Fig.1 Schematic diagram of China's nine major river basins

图1 中国九大流域示意图

注：基于国家地理信息公共服务平台[审图号:GS(2024)0650号]地图绘制而成,底图无修改。

Full size|PPT slide

1.2 GRACE和GRACE-FO数据

本文采用了德克萨斯大学空间研究中心发布的Level-2 RL06时变重力场模型，覆盖了2002年4月至2022年12月共216个月的数据。研究时间段内，GRACE和GRACE-FO分别存在20和2个月的数据缺失，采用3次样条插值进行填补。此外，两颗卫星之间仍存在11个月的长期数据缺失。在球谐系数转换为等效水高变化时，进行了滤波等一系列后处理，具体步骤包括替换C20项与１阶项［16， 17］，进行冰川均衡调整［18］，使用300 km的高斯滤波和去相关滤波［19， 20］，以减小高阶项之间的相关噪声，并消除南北条带误差。

1.3 水文气象数据

（1）GLDAS数据。全球陆面数据同化系统（Global Land Data Assimilation System，GLDAS）提供了多种陆面模型的数据，包括Noah、CLM、VIC、Mosaic和Catchment［21］。本文选择了GLDAS Noah 2.1模型的土壤湿度、雪水当量和植被冠层含水量之和作为NOAH TWSA。
（2）ERA5-Land数据。ERA5-Land是欧洲中期天气预报中心制作的全球高分辨率格网数据集，其0.1°×0.1°的网格分辨率提供了详细的地表水文气象数据［22］。本文选用了ERA5-Land提供的土壤湿度、土壤温度、蒸发、径流和雪水当量数据作为机器学习降尺度重构模型的预测因子。
（3）GPM降水量与NDVI数据。全球降水观测计划（Global Precipitation Measurement，GPM）提供了精确估算地球大部分表面降水量的数据，本文使用了IMERG月度07版本三级产品数据，其空间分辨率为0.1°×0.1°。归一化植被指数（Normalized Difference Vegetation Index，NDVI）数据来自Terra卫星的MODIS每月植被指数（MOD13C2）6.1版产品，其空间分辨率为0.05°×0.05°，为了与其余预测因子分辨率保持一致，将其降采样为0.1°格网。GPM降水与NDVI同样作为机器学习降尺度重构预测因子。

1.4 传统干旱指数数据

干旱指数是对旱情的定量化表达，用于评估和监测干旱情况。本文选取了scPDSI和SPEI两种干旱指数。SPEI由VICENTE-SERRANO等人于2010年提出，SPEI结合了降水量和潜在蒸发量，能全面地评估干旱事件的影响［23］。scPDSI是WELLS等（2004年）对帕默尔干旱强度指数（PDSI）的改进版本，主要用于反映农业干旱。相比其余干旱指数，scPDSI更综合地考虑了温度、降水、土壤类型等自然要素，并关注当季降水量和水分供求对下一季的影响，广泛应用于农业生产和水资源管理［24］。本文使用的scPDSI和SPEI分别来自东英吉利大学气候研究所和全球SPEI数据库，空间分辨率均为0.5°×0.5°，其中scPDSI数据为单一时间尺度，SPEI数据则使用了3、6、12个月3种时间尺度。

2 原理与方法

2.1 机器学习降尺度重构

XGBoost是一种结合了可扩展增强算法和集成机器学习方法的技术。它通过多次迭代将多个弱学习器组合成一个更强、更准确的学习器，可以有效地克服过拟合问题［25］。GRACE时变重力场模型存在分辨率较低和数据缺失两个主要问题，在以往的研究中，降尺度和缺失数据重构是两个独立的过程。本文将这两个过程合并为一个问题，使用XGBoost机器学习方法同时完成降尺度和缺失数据重构，具体数据处理步骤如图2所示。
Fig.2 Downscaling reconstruction steps

图2 降尺度重构步骤

Full size|PPT slide

首先将被预测因子降采样至1°×1°空间分辨率，在该分辨率下将GRACE TWSA与预测因子进行训练，本文选取了降水量、蒸散量、径流量、土壤温度、土壤湿度、雪水当量和NDVI共7个预测因子，这一选择来源于以上预测因子与陆地水储量的密切相关［9， 26-28］。使用研究区域内75%的数据作为训练集，25%的数据作为测试集评估模型，使用k折交叉验证优化模型参数，计算测试集的R、NSE和RMSE对模型精度进行评估。在选择最优的模型后，使用0.1°格网的高分辨率预测因子输入模型重构长期0.1°格网的TWSA。如果重构时间段内存在1°×1°的GRACE TWSA数据，则使用重构值与真实值的残差，通过克里金插值进行修正，此举便可得到降尺度数据，对于不存在1°格网数据的时间段，则直接使用重构的0.1°格网数据作为降尺度数据。该过程由于同时具有降尺度和重构流程，因此本文将此过程称为降尺度重构。

2.2 基于GRACE数据的干旱指数

Thomas等提出了一种基于GRACE数据的干旱指数GRACE-DSI［2］，计算公式为：
GRACE-DSIi,j=TWSAi,j-TWSA¯jσj
式中： i和 j表示年和月； TWSA¯j为整个时间序列 j月TWSA的平均值； σj为GRACE-DSI在 j月的标准差。
干旱事件严重程度指数使用干旱发生期间GRACE-DSI的累计值，公式如下：
Se(t) =M(t) D(t)
在计算区域的干旱事件严重程度时，为了避免未发生干旱区域对干旱事件产生影响，本文仅选取研究区域内GRACE-DSI小于阈值的数据计算干旱事件的严重程度。其中 t为干旱事件的序号， Se为干旱事件的严重程度，M为GRACE-DSI赤字期开始以来的平均赤字，D为干旱事件持续的时间。

2.3 降尺度重构评估参数

为了对九大流域降尺度重构模型性能评估，使用了均方根误差（RMSE）、相关系数（R）、纳什效率系数（NSE）3个评价指标评估。计算公式如下：
RMSE=∑i=1N(Xi-Yi)2N
R=∑i=1N(Xi-X¯)(Yi-Y¯)∑i=1N(Xi-X¯)2∑i=1N(Yi-Y¯)2
NSE=1-∑i=1N(Yi-Xi)2∑i=1N(Xi-X¯)2
式中： Xi和 Yi表示真值和预测值的第 i个观测值； X¯和 Y¯为平均值；N为样本总数。

3 结果与分析

3.1 降尺度重构中国九大流域陆地水储量变化

图3展示了中国九大流域降尺度重构模型测试集散点图及评估指标。在九大流域中，内陆河的模型性能表现最差，相关性仅为0.61，纳什系数也只有0.36。内陆河主要位于新疆、西藏、青海、甘肃和内蒙古，这些区域地理环境复杂多样，面积广大，使用水文气象数据进行模拟可能存在困难。除内陆河外，其他流域的相关性均大于0.7，纳什系数大于0.5，表明这些流域在预测上具有较高的准确性和适应性。在其余八大流域中，珠江流域、东南诸河、淮河流域、长江流域和松辽河流域的测试集性能较高，相关性均大于0.8。相较之下，海河流域、黄河流域和西南诸河的表现略差。
Fig.3 Scatter plot of evaluation of downscaling reconstruction model in nine major river basins in China

图3 中国九大流域降尺度重构模型评估散点图

Full size|PPT slide

2002-2022年中国九大流域降尺度重构前后的GRACE TWSA以及GLDAS NOAH模型的TWSA如图4所示，降尺度重构数据与GLDAS NOAH数据具有极高的一致性，2002-2022年中国大陆区域陆地水储量的长期趋势变化为-0.32 mm/a，整体呈现均衡状态。在九大流域中，海河流域、淮河流域、西南诸河、内陆河和黄河流域的陆地水储量呈现长期减少的趋势，其趋势变化分别为每年-3.9、-1.62、-3.98、-1.5和-2.56 mm/a，松辽河流域、珠江流域、东南诸河和长江流域呈现长期增加的趋势，其趋势变化分别为2.98、2.52、1.52和1.91 mm/a。
Fig.4 Downscaling reconstruction of TWSA and NOAH TWSA time series of nine major river basins in China

图4 中国九大流域降尺度重构TWSA和NOAH TWSA时间序列图

Full size|PPT slide

表1对比了降尺度重构前后的TWSA数据与NOAH数据。首先，分析了2017年7月至2018年6月期间填补数据与NOAH数据的一致性，结果显示，除内陆河R和NSE较低外，其余八大流域中，降尺度重构数据与NOAH数据具有较高的一致性，表明重构后的数据在这些流域具有较好的模拟效果。其次，对整个研究时间段内的降尺度重构数据与NOAH数据进行比较，以此评估降尺度重构数据在长时间跨度上的性能和可靠性。结果显示，中国九大流域在降尺度重构后，R和NSE均有提高，RMSE均有降低，这表明降尺度重构后，GRACE数据与NOAH数据的一致性更高。
Tab.1 Evaluation index table of China's nine major river basins before and after downscaling reconstruction

表1 中国九大流域降尺度重构前后评估指标表

缺失数据重构 降尺度重构前 降尺度重构后
R NSE RMSE R NSE RMSE R NSE RMSE
海河流域 0.8 0.51 1.93 0.15 -0.01 6.24 0.25 0.05 5.26
淮河流域 0.91 0.31 1.73 0.75 0.56 3.33 0.79 0.61 3.14
松辽河流域 0.61 0.38 1.63 0.91 0.72 2.85 0.91 0.79 2.45
珠江流域 0.94 0.7 2.17 0.79 0.43 3.47 0.82 0.61 2.87
西南诸河 0.98 0.81 1.99 0.91 0.56 3.35 0.95 0.9 1.57
东南诸河 0.75 0.08 1.87 0.78 0.57 2.88 0.82 0.67 2.55
内陆河 0.52 0.07 0.5 0.08 -0.42 2.13 0.15 -0.03 1.47
长江流域 0.99 0.97 0.42 0.83 0.43 2.09 0.87 0.69 1.53
黄河流域 0.87 0.54 2.29 0.1 -0.03 3.99 0.13 0.12 3.41
然而，海河流域、内陆河和黄河流域降尺度重构前后与NOAH数据的一致性不高，相关性均不超过0.3，NSE均小于0.2。通过图4可见，GRACE TWSA显示海河流域、内陆河和黄河流域在过去21年中陆地水储量均呈现不同程度的下降趋势，而NOAH数据并未存在明显的下降趋势。由于海河流域、内陆河和黄河流域是中国地下水亏损较严重的地区，GRACE TWSA包括了全部水分的变动，可以监测到地下水的变化，而NOAH数据仅反映地表水的变化，这导致这些流域的NOAH数据与GRACE数据的一致性不高。此外，从图4可以观察到，相比于GRACE数据，这三大流域的NOAH数据均存在早期低估和晚期高估的现象，地下水的长期亏损可以解释这一现象。与此对应，西南诸河的陆地水储量亏损较这三大流域更为严重，但其地下水亏损不显著，因此与GLDAS NOAH数据更为接近。

3.2 降尺度重构GRACE-DSI与多种干旱指数对比分析

利用GRACE-DSI对干旱事件进行研究时，去除长期趋势和季节项可以更准确地捕捉干旱过程［29］。因此，在本研究中，GRACE-DSI、scPDSI和SPEI均去除了长期趋势和季节项。图5展示了中国九大流域降尺度重构的GRACE-DSI、scPDSI以及3类时间尺度SPEI的时间序列变化。从图中可以看出，降尺度重构前后GRACE-DSI与其余干旱指数之间具有较高的一致性。表2计算了降尺度重构前后GRACE-DSI与其余干旱指数的相关性，结果显示降尺度重构前后的GRACE-DSI与scPDSI和SPEI的相关性较好，尤其是在降尺度重构后，相关性更高，这表明降尺度重构后的数据可以更好地捕捉中国区域的干旱。
Fig.5 Comparison of GRACE-DSI and various drought indices in nine major basins in China

图5 中国九大流域降尺度重构GRACE-DSI与多种干旱指数对比

Full size|PPT slide

Tab.2 The correlation between GRACE-DSI and various drought indices before and after downscaling reconstruction of nine major river basins in China

表2 中国九大流域降尺度重构前后GRACE-DSI与多种干旱指数相关性

降尺度前 降尺度后
scPDSI SPEI-03 SPEI-06 SPEI-12 scPDSI SPEI-03 SPEI-06 SPEI-12
海河流域 0.57 0.14 0.25 0.50 0.59 0.17 0.29 0.51
淮河流域 0.66 0.33 0.44 0.64 0.67 0.35 0.46 0.64
松辽河流域 0.69 0.37 0.48 0.62 0.73 0.44 0.56 0.68
珠江流域 0.72 0.65 0.76 0.69 0.74 0.71 0.79 0.72
西南诸河 0.49 0.39 0.48 0.55 0.53 0.46 0.55 0.56
东南诸河 0.66 0.64 0.69 0.55 0.66 0.67 0.71 0.58
内陆河 0.37 0.16 0.21 0.31 0.45 0.24 0.27 0.32
长江流域 0.54 0.67 0.69 0.51 0.58 0.70 0.71 0.53
黄河流域 0.41 0.21 0.26 0.46 0.51 0.33 0.38 0.55
在大多数流域中，降尺度重构后的数据与scPDSI具有较高的相关性。在图5中，中国九大流域中3种干旱指数均显示了振幅和相位基本一致，但scPDSI对干旱的反应更为敏感，这导致了scPDSI相对于GRACE-DSI和SPEI出现高估或低估的情况。此外，在大多数流域中，随着SPEI时间尺度的增加，与GRACE-DSI的相关性也逐渐增强。总体而言，3种干旱指数在内陆河一致性较低，其余流域降尺度重构后GRACE-DSI与scPDSI和SPEI-12的相关性均大于0.5。
为了准确量化中国区域的干旱情况，本文通过PDSI的气象干旱等级标准［30］，将scPDSI划分为无旱、轻旱、中旱、重旱和特旱5个等级。按照此标准，中国不同等级干旱占比为无旱69.3%、轻旱17%、中旱9%、重旱3.4%和特旱1.3%。为了保证文中3类干旱指数描述的不同等级干旱占比保持一致，按照以上不同干旱等级占比，表3重新制定了GARCE-DSI与3种不同时间尺度SPEI的干旱等级划分表。
Tab.3 China's drought classification table

表3 中国干旱等级划分表

scPDSI GRACE-DSI SPEI-03 SPEI-06 SPEI-12
无旱 （-1，+∞） （-0.5，+∞） （-0.5，+∞） （-0.6，+∞） （-0.5，+∞）
轻度 （-2，-1］ （-1，-0.5］ （-1.1，-0.5］ （-1.1，-0.6］ （-1，-0.5］
中旱 （-3，-2］ （-1.6，-1］ （-1.6，-1.1］ （-1.6，-1.1］ （-1.6，-1.1］
重旱 （-4，-3］ （-2.2，-1.6］ （-2.1，-1.6］ （-2.1，-1.6］ （-2.0，-1.6］
特旱 （-∞，-4］ （-∞，-2.2］ （-∞，-2.1］ （-∞，-2.1］ （-∞，-2.0］
图6将GRACE-DSI、scPDSI以及3个时间尺度的SPEI在无旱、轻旱、中旱、重旱和特旱标准下分别从小到大等距分为低、中、高3个层次，以此对比无旱、轻旱、中旱、重旱和特旱在中国大陆的空间分布差异。GRACE-DSI数据显示，黄河流域中下游、海河流域、珠江流域的干旱发生频率较高。这些区域轻旱、中旱、重旱和特旱的频率依次降低，表明这些区域干旱频发，但以轻旱为主。松辽河流域南部和西部及其相邻的内陆河东部区域、淮河流域南部部分区域干旱频率也较高，但松辽河流域南部与相邻的内陆河东部主要表现为中旱和轻旱，松辽河流域北部虽然干旱频率较低，但主要表现为重旱。西南诸河南部干旱频率高于北部，比较突出的是南部中旱频较高，北部特旱频率较高。内陆河干旱频率较低的区域主要集中在南部、内蒙古西南部和北部部分区域，这3个区域干旱均以特旱为主。长江流域干旱频率较低，但整个流域均有一定的特旱占比，中上游重旱频率高于下游，下游轻旱频率较高。
Fig.6 Spatial distribution of three drought indexes with different grades of drought in mainland China

图6 中国大陆3种干旱指数不同等级干旱空间分布

注：基于国家地理信息公共服务平台[审图号:GS(2024)0650号]地图绘制而成,底图无修改。

Full size|PPT slide

图7通过计算特定干旱等级下不同流域0.1°格网的GRACE-DSI的均值所占全部流域均值的比例，统计了轻旱、中旱、重旱和特旱在中国九大流域的频率分布。在中国九大流域中，轻旱和中旱的占比接近，淮河流域和松辽河流域的重旱占比较高，分别为14%和13.4%，明显高于其余流域，九大流域特旱差异最大，长江流域特旱占比最高达16.5%，其次为西南诸河与内陆河，占比分别为14.4%和13.8%，而海河流域的特旱比例最低仅为6.1%。不同类型干旱指数在一定程度上具有相似性，但在不同区域的表现存在差异。例如，黄河流域、海河流域和松辽河流域南部的干旱中，scPDSI与GRACE-DSI的差异较大，而与SPEI的表现更为接近。但在整个中国区域，SPEI的轻旱、中旱和重旱的高频区域面积远大于GRACE-DSI和scPDSI。这种差异可能是由于各干旱指数所考虑的因素不同，GRACE-DSI主要基于卫星观测的陆地水储量变化，反映的是整体水资源的变化情况。scPDSI则考虑了温度、降水和土壤湿度等因素，而SPEI更关注降水量和潜在蒸发量。
Fig.7 Frequency distribution of mild， moderate， severe and exceptional drought in nine major river basins in China based on the GRACE-DSI drought index

图7 基于GRACE-DSI干旱指数的轻旱、中旱、重旱和特旱在中国九大流域频率分布

Full size|PPT slide

3.3 降尺度重构GRACE-DSI监测中国九大流域干旱事件

图8展示了2002-2022年中国九大流域的严重干旱事件以及轻旱、中旱、重旱和特旱的月占比变化。当连续3个月GRACE-DSI小于一个固定阈值，且受灾面积≥20%时，通常认为干旱事件发生，而干旱事件的阈值却没有一个固定标准，本文使用了表3干旱等级分级表中-0.5（轻旱）与-1（中旱）作为阈值，在图8中记为干旱事件严重程度I和II。由图可知，当使用-0.5作为阈值时，内陆河干旱事件严重程度较高，对比轻旱、中旱、重旱和特旱的频率，其干旱事件严重程度产生了明显高估。因此本文使用-1作为干旱事件严重程度的阈值。
Fig.8 Downscaling reconstruction data to monitor drought events in nine major river basins in China

图8 降尺度重构数据监测中国九大流域干旱事件

Full size|PPT slide

总体来看，图8中松辽河流域、淮河流域和东南诸河的干旱事件次数较少仅监测到7次干旱事件，珠江流域和黄河流域监测到8次，海河流域和长江流域监测到9次，西南诸河和内陆河分别监测到10次和12次。表4展示了中国九大流域干旱事件严重程度排名前30的事件，其中松辽河流域、黄河流域、海河流域和淮河流域均发生过严重的干旱事件，图8中可以看出这些流域发生过严重的重旱和特旱，且主要分布在中国北方区域。尤其是松辽河流域，在排序前6的干旱事件中有3次发生在松辽河流域，其余流域则是偶尔发生严重较低的干旱事件。此外，图8中西南诸河、内陆河、长江流域和黄河流域几乎全年受到轻旱影响。东南诸河和珠江流域重旱和特旱也具有较高的比例，但干旱发生持续时间短于北方流域，因此未监测到特别严重的干旱事件，但2018年以来，东南诸河和珠江流域的干旱发生频率明显增加，尤其是珠江流域，重旱和特旱的比例显著上升。
Tab.4 Ranking of severity of drought events in China's nine major river basins （top 30）

表4 中国九大流域干旱事件严重程度排序（前30）

序号

流域

名称

开始

时间

持续

月份

严重

程度

 序号

流域

名称

开始

时间

持续

月份

严重

程度
1 松辽河流域 2007-07 19 -29.0 16 黄河流域 2022-05 8 -13.1
2 黄河流域 2016-02 16 -25.3 17 淮河流域 2013-07 9 -13.1
3 海河流域 2019-04 17 -25.1 18 长江流域 2011-04 8 -12.8
4 淮河流域 2019-05 14 -21.9 19 东南诸河 2003-10 9 -12.7
5 松辽河流域 2017-07 14 -20.3 20 海河流域 2002-09 8 -11.9
6 松辽河流域 2011-09 12 -18.8 21 长江流域 2022-07 6 -11.7
7 西南流域 2009-09 12 -18.4 22 东南诸河 2013-07 8 -11.6
8 珠江流域 2021-01 11 -16.6 23 西南流域 2021-01 7 -10.9
9 淮河流域 2002-08 10 -16.4 24 东南诸河 2022-07 5 -10.0
10 内陆河 2021-05 10 -16.2 25 内陆河 2002-01 6 -9.8
11 黄河流域 2002-08 10 -16.2 26 内陆河 2014-12 6 -9.6
12 海河流域 2015-08 11 -15.8 27 西南流域 2022-07 6 -9.2
13 珠江流域 2009-09 9 -14.0 28 长江流域 2003-11 6 -9.2
14 长江流域 2002-9 8 -13.6 29 西南流域 2016-8 5 -8.9
15 内陆河 2022-5 8 -13.6 30 珠江流域 2022-8 5 -7.9
2022年夏秋季，中国水旱灾害防御公报显示中国南方经历了严重的干旱，长江流域更是发生了自1961年有实测记录以来最严重的气象水文干旱［31］。从图8可以看出，珠江流域、西南诸河、东南诸河、内陆河以及长江和黄河流域都受到了这次干旱事件的影响，尤其是东南诸河和长江流域以特旱为主，这在干旱事件中极为罕见。图9展示了2022年7月至12月中国大陆降尺度重构前后GRACE-DSI、scPDSI和SPEI-06干旱指数以及降水量和土壤温度的月距平空间变化。在0.1°格网的GRACE-DSI中，相比于原始1°的GRACE-DSI，能够更加清晰地观察到干旱的细微变化情况。例如，松辽河流域东北部在2022年7月至10月之间，在降尺度重构前未曾监测到干旱，而在降尺度重构后则监测到了干旱，这与其他干旱指数的表现更加一致。GRACE-DSI、SPEI和SCPDSI展现出相似的空间变化特征，显示出2022年中国干旱主要发生在长江流域及其周边区域，与长江流域夏秋连旱相符。3种干旱指数均显示，松辽河流域、海河流域、淮河流域以及珠江流域表现出极为湿润的情况，与水旱灾害防御公报中松辽河流域发生的洪水以及珠江流域受到台风影响相一致。
Fig.9 Spatial distribution of three drought indexes and monthly anomaly of precipitation and soil temperature in Chinese mainland from July to December 2022

图9 中国大陆2022年7-12月3种干旱指数以及降水和土壤温度月距平的空间分布

注：基于国家地理信息公共服务平台[审图号:GS(2024)0650号]地图绘制而成,底图无修改。

Full size|PPT slide

在2022年7月至12月，GRACE-DSI显示，干旱在7月份主要分布在长江流域的上游和中部，而到了8月和9月，干旱范围扩大至除金沙江上游外整个流域。随后，10月和11月，汉江及其周围地区的干旱开始减弱，同时四川、云南、贵州3省交界处的大部分区域也出现了干旱的减弱趋势，到了12月，长江流域的旱情得到一定的缓解。从2022年7月开始，长江流域一直经历着降水亏损，这种情况持续到了10月，11月开始出现了轻微的降水恢复。与此同时，在7月和8月，松辽河流域、海河流域、淮河流域以及珠江流域的降水量明显增加，这与GRACE-DSI监测到的干旱情况相一致，且GRACE-DSI大约存在一个月的滞后。这表明降水是导致此次干旱事件发生的重要原因，这与HU等（2024）的研究一致［32］。而scPDSI和SPEI干旱指数显示，2022年7-12月干旱在逐渐增强，最严重的干旱发生在11月与12月，这与真实情况存在差异。此外在青藏高原南部区域，GRACE-DSI主要表现为无旱和轻旱，而scPDSI和SPEI则主要表现为重旱和特旱。在中国西部，7-11月的土地温度均高于距平值，这可能导致青藏高原的冰川融水增加，从而导致该区域的GRACE-DSI监测到更加湿润的情况。

4 结 论

GRACE时变重力场模型数据由于空间分辨率较低且存在数据缺失，对长期高分辨率水文干旱的研究具有一定困难。因此，本研究采用了XGBoost机器学习方法对中国九大流域的GRACE数据进行了降尺度重构。在九大流域中，除内陆河外，其余八大流域的降尺度重构效果良好。与降尺度重构前相比，降尺度重构后的数据与GLDAS NOAH数据具有更高的一致性。降尺度重构后的GRACE-DSI与scPDSI、SPEI两种干旱指数的一致性更高。
在中国九大流域中，黄河中下游、海河流域和珠江流域的干旱频率较高，主要呈现为轻旱。松辽河流域南部和西部以及相邻的内陆河东部区域的干旱频率也较高，但松辽河流域南部主要表现为中旱和轻旱。此外，西南诸河南部干旱频率高于北部，南部中旱频率较高，但特旱频率低于北部，内陆河干旱频率较低的区域以特旱为主。中国九大流域轻旱、中旱的占比接近，淮河流域和松辽河流域的重旱占比较高，分别为14%和13.8%，长江流域特旱占比最高达16.5%，而海河流域的特旱比例最低仅为6.1%。
中国九大流域中严重的干旱事件基本发生在中国北方的松辽河流域、黄河流域、海河流域和淮河流域，在排序前6的干旱事件中有3次发生在松辽河流域。此外，西南诸河、内陆河、长江流域和黄河流域几乎所有月份都受到轻旱影响。自2018年以来，东南诸河和珠江流域的干旱发生频率明显增加，尤其是珠江流域，重旱和特旱的比例显著上升。此外降尺度重构的GRACE-DSI相比于scPDSI和SPEI，与干旱实际情况更加一致。但GRACE数据由于反映的是水文干旱，其监测到青藏高原区域的冰川融水可能对该区域的干旱监测造成低估。

References

Publishing order | Descend order by publishing year | Descend order by cited within
1
PEI W， TIAN C Z， FU Q， et al. Risk analysis and influencing factors of drought and flood disasters in China［J］. Natural Hazards， 2022，110（3）：1 599-1 620.
本文引用 [1]
2
THOMAS A C， REAGER J T， FAMIGLIETTI J S， et al. A GRACE-based water storage deficit approach for hydrological drought characterization［J］. Geophysical Research Letters， 2014，41（5）：1 537-1 545.
本文引用 [2]
3
ZHAO M， GERUO A， VELICOGNA I， et al. Satellite observations of regional drought severity in the continental United States using GRACE-based terrestrial water storage changes［J］. Journal of Climate， 2017，30（16）：6 297-6 308.
本文引用 [1]
4
HUMPHREY V， RODELL M， EICKER A. Using satellite-based terrestrial water storage data： A review［J］. Surveys in Geophysics， 2023，44（5）：1 489-1 517.
本文引用 [1]
5
ZHANG D， ZHANG Q， WERNER A D， et al. GRACE-based hydrological drought evaluation of the Yangtze River Basin， China［J］. Journal of Hydrometeorology， 2016，17（3）：811-828.
本文引用 [1]
6
RAWAT S， GANAPATHY A， AGARWAL A. Drought characterization over Indian sub-continent using GRACE-based indices［J］. Scientific Reports， 2022，12（1）：15 432.
7
陈国庆， 张昊， 朱仟. 中国长江流域典型区域地下水干旱预测研究［J］. 中国农村水利水电， 2023（4）：114-124.
CHEN G Q， ZHANG H， ZHU Q Research on groundwater drought prediction in typical areas of the Yangtze River Basin in China［J］. China Rural Water Resources and Hydropower， 2023（4）：114-124.
本文引用 [1]
8
ZHANG D， LIU X M， BAI P. Assessment of hydrological drought and its recovery time for eight tributaries of the Yangtze River （China） based on downscaled GRACE data［J］. Journal of Hydrology， 2019，568：592-603.
本文引用 [1]
9
YIN W J， HU L T， ZHANG M L， et al. Statistical downscaling of GRACE-derived groundwater storage using ET data in the North China Plain［J］. Journal of Geophysical Research （Atmospheres）， 2018，123（11）：5 973-5 987.
本文引用 [2]
10
SEYOUM W M， MILEWSKI A M. Improved methods for estimating local terrestrial water dynamics from GRACE in the Northern High Plains［J］. Advances in Water Resources， 2017，110：279-290.
本文引用 [1]
11
CHEN L， HE Q S， LIU K， et al. Downscaling of GRACE-derived groundwater storage based on the random forest model［J］. Remote Sensing， 2019，11（24）：2 979.
本文引用 [1]
12
ALI S， KHORRAMI B， JEHANZAIB M， et al. Spatial downscaling of GRACE data based on XGBoost model for improved understanding of hydrological droughts in the Indus Basin irrigation system （IBIS）［J］. Remote Sensing， 2023，15（4）：873.
本文引用 [1]
13
LAI Y， ZHANG B， YAO Y B， et al. Reconstructing the data gap between GRACE and GRACE follow-on at the basin scale using artificial neural network［J］. Science of the Total Environment， 2022，823：153 770.
本文引用 [1]
14
XIONG J H， YIN J B， GUO S L， et al. Continuity of terrestrial water storage variability and trends across mainland China monitored by the GRACE and GRACE-Follow on satellites［J］. Journal of Hydrology， 2021，599：126 308.
15
BRINGELAND S， FOTOPOULOS G. Analysis of gap filling techniques for GRACE/GRACE-FO terrestrial water storage anomalies in Canada［J］. Journal of Hydrology， 2024，630：130 644.
本文引用 [1]
16
SUN Y， RIVA R， DITMAR P. Optimizing estimates of annual variations and trends in geocenter motion and J2 from a combination of GRACE data and geophysical models［J］. Journal of Geophysical Research： Solid Earth， 2016，121（11）：8 352-8 370.
本文引用 [1]
17
CHENG M K， RIES J C， TAPLEY B D. Variations of the Earth’s figure axis from satellite laser ranging and GRACE［J］. Journal of Geophysical Research： Solid Earth， 2011，116（B1）：B01 409.
本文引用 [1]
18
RICHARD PELTIER W， ARGUS D F， DRUMMOND R. Comment on “an assessment of the ICE-6G_C （VM5a） glacial isostatic adjustment model” by Purcell et al［J］. Journal of Geophysical Research： Solid Earth， 2018，123（2）：2 019-2 028.
本文引用 [1]
19
SWENSON S， WAHR J. Post-processing removal of correlated errors in GRACE data［J］. Geophysical Research Letters， 2006，33（8）：L08 402.
本文引用 [1]
20
WAHR J， MOLENAAR M， BRYAN F. Time variability of the Earth’s gravity field： Hydrological and oceanic effects and their possible detection using GRACE［J］. Journal of Geophysical Research： Solid Earth， 1998，103（B12）：30 205-30 229.
本文引用 [1]
21
RODELL M， HOUSER P R， JAMBOR U， et al. The global land data assimilation system［J］. Bulletin of the American Meteorological Society， 2004，85（3）：381-394.
本文引用 [1]
22
MUÑOZ-SABATER J， DUTRA E， AGUSTÍ-PANAREDA A， et al. ERA5-Land： A state-of-the-art global reanalysis dataset for land applications［J］. Earth System Science Data， 2021，13（9）：4 349-4 383.
本文引用 [1]
23
VICENTE-SERRANO S M， BEGUERÍA S， LÓPEZ-MORENO J I. A multiscalar drought index sensitive to global warming： The standardized precipitation evapotranspiration index［J］. Journal of Climate， 2010， 23（7）：1 696-1 718.
本文引用 [1]
24
WELLS N， GODDARD S， HAYES M J. A self-calibrating palmer drought severity index［J］. Journal of Climate， 2004，17（12）：2 335-2 351.
本文引用 [2]
25
CHEN T Q， GUESTRIN C. XGBoost： A scalable tree boosting system［C］. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining， 2016：785-794.
本文引用 [1]
26
ZHANG Y F， HE B， GUO L L， et al. The relative contributions of precipitation， evapotranspiration， and runoff to terrestrial water storage changes across 168 river basins［J］. Journal of Hydrology， 2019，579：124 194.
本文引用 [1]
27
HIRSCHI M， SENEVIRATNE S I， ALEXANDROV V， et al. Observational evidence for soil-moisture impact on hot extremes in southeastern Europe［J］. Nature Geoscience， 2011，4：17-21.
28
TSANG L， DURAND M， DERKSEN C， et al. Review article： Global monitoring of snow water equivalent using high-frequency radar remote sensing［J］. The Cryosphere， 2022，16（9）：3 531-3 573.
本文引用 [1]
29
LIU X F， FENG X M， CIAIS P， et al. GRACE satellite-based drought index indicating increased impact of drought over major basins in China during 2002–2017［J］. Agricultural and Forest Meteorology， 2020，291：108 057.
本文引用 [1]
30
国家质量监督检验检疫总局， 中国国家标准化管理委员会. 气象干旱等级： GB/T 20481—2017 ［S］. 北京： 中国标准出版社， 2017.
本文引用 [1]
31
中华人民共和国水利部. 水利部公布《2022中国水旱灾害防御公报》［EB/OL］. 2023-11-08
http：//www.mwr.gov.cn/sj/tjgb/zgshzhgb/202311/t20231108_1691367.html
本文引用 [1]
32
HU Y P， ZHOU B T， WANG H J， et al. Record-breaking summer-autumn drought in Southern China in 2022： Roles of tropical sea surface temperature and Eurasian warming［J］. Science China Earth Sciences， 2024，67（2）：420-431.
本文引用 [1]
PDF(8842 KB)

173

Accesses

0

Citation

Detail
Sections
Recommended
鄂公网安备 42010602001274号　鄂ICP备14015464号-1
Website Copyright © China Rural Water and Hydropower.
Tel: (027)68776133　Fax: xsdbjb@188.com　
Powered by Beijing Magtech Co. Ltd.

/

〈 〉