第5期：地下水科学前沿“测”略

冰川流域河网动力学研究进展与深化

学界普遍认为，流域河网具有高度动态的扩张与收缩特征，其变化过程受降水、积雪融水、冰川融水及地下水补给等多种水文气象因子的综合影响。河网的时空演变格局不仅塑造了流域水文过程，更调控着关键的生态与生物地球化学过程，包括栖息地连通性、物种相互作用、营养盐循环及泥沙输移。因此精准量化河网的扩张与收缩特征，对于理解流域尺度的生态系统功能至关重要。受制于观测数据的匮乏与冰冻圈-水文过程的复杂性，高山冰川流域的河网演变机制尚待阐明。为此，本研究采用最新研发的SWAT-GL模型，对瑞士阿尔卑斯山瓦索雷（Valsorey）流域过去19年的河网动态进行了模拟。研究首先基于2016—2022年的实测流量数据完成模型率定与验证，随后根据模型结果，发展了一套基于流量的指标体系，以刻画河网的扩张与收缩模式。

模拟结果显示，该流域河网动态具有强烈的季节与年际变化。季节性上，河网在冬季与早春发生显著收缩，影响范围高达50%，而至夏季融冰期则转为全连通状态。源头低序级溪流是水流间歇性最显著的区域，其断流概率平均比高级序溪流高出15%，且每年通常经历 2—3次断流，平均持续时间达30天。年际对比分析表明，丰水年径流量更高（4×10?m3），干涸面积（约0.2 km2）与河网收缩期更小；相比之下，枯水年径流量减少约40%，干涸面积则翻倍至0.40km2，收缩期显著延长。本研究表明，SWAT-GL模型能够有效刻画研究区的水文与冰冻圈耦合过程，模拟结果所揭示的强烈季节性与年际差异，凸显了高山河网对气候变率的高度敏感性。

面向卫星重力陆地水储量空间降尺度的动态软约束深度学习范式

GRACE（重力恢复与气候实验）和GRACE-FO（后续任务）这两个卫星重力测量项目，在过去二十年里让我们对全球陆地水储量变化有了更清楚的了解。不过，目前它们提供的数据一个月才能测一次，而且只能看到300公里以上的大范围变化，这种比较模糊的观测结果，让我们很难精确分析中小尺度的水文气象事件，以及一些更具体的气候和天气过程。

为了更精细地刻画区域尺度的水储量变化，本研究着手解决现有卫星数据空间分辨率不足的问题。研究团队以美国NASA喷气推进实验室提供的陆地水储量异常产品为基础（时间跨度为2002年4月至2022年12月），引入了一种先进的深度学习方法。通过让模型学习WaterGAP水文模型中蕴含的丰富时空规律，成功将原始数据的空间分辨率从300米提高到50公里，从而实现了从粗略到精确的数据降尺度处理。

本研究提出并应用一种新型动态软约束损失函数，在优化TWSA信号的过程中，自适应平衡低分辨率 JPLM观测值，与来自WGHM水文模型及ERA5再分析数据的高分辨率空间格局。内部验证表明，降尺度后的 TWSA在保留JPLM流域平均时间动态（趋势、季节性）的同时，相关分析与频谱分析结果显示其成功融合了 WGHM TWSA的高分辨率空间变率。对降尺度TWSA 产品的外部验证也表明，其能够捕捉由厄尔尼诺–南方涛动（ENSO）驱动的年际变化、冰川物质亏损趋势，在高分辨率波段与SMAP（土壤湿度主动–被动卫星）反演的地表土壤湿度具有频谱一致性，且预测能力与已有研究相当。

此外，与地下水井观测数据的对比验证表明，降尺度TWSA能够有效反映高强度开采含水层中长期地下水亏空的空间分布格局，相较于粗分辨率的JPLM TWSA，显著提升了亏空或补给信号的空间定位精度。

黄河上游溶解黑碳的通量、结构与来源动态：

自然与人为扰动的影响

河流溶解黑碳（DBC）在陆地与海洋环境之间大量输送，是全球碳循环的重要组成部分。这一巨大、缓慢循环的碳库的本质仍知之甚少，尤其是其对自然扰动和人为扰动的响应动态。本文研究了黄河上游溶解黑碳的季节与空间含量、稳定碳（δ13C）和放射性碳（Δ1?C）同位素组成，以及分子水平特征。黄河上游DBC年通量为3.052Tg，其中雨季1.933Tg、旱季1.119Tg，主要受径流量控制，而非DBC浓度。DBC的δ13C值分布均一，介于?24.39‰～?22.88‰之间，与黄河下游及河口观测值相近，表明δ13C信号主要受来源控制，生物地球化学过程引起的同位素分馏作用有限，不足以改变其作为来源示踪剂的核心作用。DBC的1?C年龄主要为1258±239 年，更符合生物质燃烧（78.69%～83.02%）来源，而非化石燃料燃烧；仅兰州河段Δ1?C值显著偏低，碳年龄更老。

研究结果对“河流溶解黑碳普遍年轻”这一观点提出了挑战，表明局地人类活动可显著改变DBC来源。在分子水平上，观测到五环核心结构与杂原子信号，反映了更强的人为输入。本研究表明，流域内自然与人为扰动可在局地尺度调控DBC的输出与组成，从而深化对DBC 归宿及其在全球碳循环中作用的认识。

高分辨率美国地下水位深度估算揭示可获取地下水的储量

本研究利用机器学习方法，首次绘制出美国大陆约30米分辨率的高精度地下水位深度分布图，有效填补了遥感观测与地面点数据之间的尺度鸿沟。研究团队基于1914至2023年间约100万个观测井的数据，训练随机森林模型，估算出北美地区地下水总储量约为30.65万立方公里（不确定性区间为29.19万至31.67万立方公里），这是目前分辨率最高的可获取淡水资源估算成果。

现有低分辨率的水文模拟和遥感手段，因无法捕捉地下水的空间变异性，在局部和大尺度估算中均存在系统偏差，也难以精准反映人为抽水的影响。本研究整合超百万地下水观测数据与气候、水文地质、地形等多维度输入，搭建随机森林模型，模型统计表现良好，且能隐含抽水的信号，其成果并非替代物理模型，而是作为补充完善美国淡水资源研究。

研究发现美国本土约40%区域地下水位浅于10米，16%浅于5米；低分辨率估算会使地下水总储量被低估 18%，浅层地下水的低估更为显著，还会丢失地下水局部汇聚等关键特征。研究还量化了估算的不确定性，发现美国西部干旱区的不确定性高于东部湿润区，农田区地下水位更浅且不确定性更低，局部尺度的不确定性对水资源管理影响显著。

研究同时指出，受观测数据时空分布不均的限制，现有估算仍存在一定不确定性。未来应加强地下水监测网络建设，并推动物理模型与数据驱动方法的深度融合。该成果成功弥补了遥感手段与点位观测之间的尺度差异，为水资源管理提供了关键性的多尺度信息支撑。