《Water Resources Research》：Small and Medium-Sized Inland Waterbodies: Water Volume Predictions and Flood Implications
编辑推荐：
本文针对小型（<10 ha）和中型（10–100 ha）内陆水体（SIWBs/MIWBs）水量监测难题，开发了一种基于遥感与气候数据的机器学习模型（R2=0.94），实现了印度Adyar-Chennai流域914个水体1988–2023年月尺度水量估算及至2050年未来预测。研究发现流域水体储量近35年下降约59.6%，城市化与蒸气压上升是主因。通过新型塘堰溢流指数（TOI）识别新建水体位点，提出“加深现有水体1m+新建90个水体”方案可使流域洪峰流量降低102%，为基于自然解决方案（NbS）的洪水防控提供新范式。
历史水量模型构建与验证
研究通过86个水体的实地测深数据与LANDSAT卫星影像反演的动态水面面积（1988–2023年），构建了随机森林（RF-Vol）机器学习模型。该模型以水面面积为唯一预测变量，在Adyar-Chennai流域（ACB）的914个水体中实现了总体R2=0.94的精度，显著优于全球模型（CL模型，R2=0.57）和区域模型（VK模型，R2=0.24）。模型在巴西Riacho do Sangue流域的迁移验证中同样表现良好（R2=0.70），表明其适用于全球半干旱区类似流域。
水量变化趋势与驱动机制
1988–2023年间，ACB流域水体总储量从约228.47百万立方米（MCM）降至92.23 MCM，降幅达59.6%，其中小型（SIWBs）与中型水体（MIWBs）衰减尤为显著。相关性分析表明，城市化导致的植被减少（SIWBs周边建设用地增加39%）与气候因子（蒸气压上升7%）是水量下降的主要驱动。大型水体（LIWBs）虽总体储量较大，但同样受农业扩张与城市渗透影响呈现下降趋势。
未来水量预测与不确定性
基于CMIP6气候情景的降水驱动模型（RF-Fut）预测，2024–2050年SIWBs与MIWBs储量将继续衰退（湿情景下降24%–31%）。模型特征重要性显示，降水量对小型水体影响权重达55%，而中型与大型水体更受自身地理特征（TankID）主导。未来预测的不确定性（约23%）主要源于气候数据降尺度偏差，但模型通过10,000次自助法量化了误差范围。
塘堰溢流指数与新建水体选址
研究提出新型塘堰溢流指数（TOI），综合历史洪水持续时间、淹没比例、重现溢流事件及建设用地变化率四大指标，识别出ACB流域内90个新建水体候选位点（包括81个SIWBs、8个MIWBs和1个LIWB）。这些水体可新增11.32 MCM储水能力，使流域总调蓄潜力提升8%–10%。
洪水缓解情景模拟
针对2015年特大洪水事件（峰值流量2,382 m3/s）的模拟表明：若无水体调蓄（Sce.1），洪峰流量将翻倍；若恢复水体最大储水能力（Sce.2），洪峰可削减37%；深化现有水体1米（Sce.3）可降低洪峰96%；结合新建水体（Sce.4）则可实现洪峰完全吸纳（-102%）。这一结果验证了小型水体在流域尺度洪水调控中的关键作用。
创新与局限
本研究首次实现了中小型内陆水体长期动态水量的高精度估算与预测，突破了传统遥感手段在小型水体监测中的时空分辨率限制。提出的TOI指数为基于自然解决方案（NbS）的洪水管理提供了空间优化工具。未来需结合SWOT卫星等新型遥感数据，优化水体互联水文效应，提升模型在复杂城市水文系统中的适用性。
