《Journal of Hydrology》：Quantifying the attribution of ecohydrological degradation: a comparative deep learning approach in a changing environment
编辑推荐：
量化人类活动与气候变化对生态水文退化的协同影响，采用GRU模型重建哈拉兹流域48年（1976-2024）原始水文基线，揭示1996-2016年采矿活动加剧洪水峰值，2016年后水坝建设导致基流锐减，Hurst指数0.98证实系统从自然随机态转向人类主导的可预测模式，警示Shifting Baseline Syndrome误区，提出数据驱动归因框架作为非稳态环境修复基准。
阿里·阿克巴尔·埃阿特萨姆（Ali Akbar Eatesam）|霍斯罗·霍塞尼（Khosrow Hoseini）|霍贾特·卡拉米（Hojat Karami）
伊朗塞姆南大学（Semnan University）土木工程学院水工程与水力结构系
摘要
在集约化管理的水域中，量化生态水文退化的原因对可持续水资源管理来说是一个关键挑战。本研究分析了人为压力与气候变化对伊朗哈拉兹河流域（Haraz River Basin）的影响，该地区正在经历深刻而迅速的变化。通过使用门控循环单元（Gated Recurrent Unit, GRU）深度学习框架来重建受影响前的水文状况，我们生成了一个涵盖48年（1976-2024年）的稳健反事实情景，从而实现了动态的、多十年的归因分析。研究结果揭示了人类影响的两个明显阶段：第一阶段（约1996-2016年）主要是由采矿活动引起的地貌破坏，导致洪水峰值显著增加；第二阶段（2016年后）则表现为人为的洪水抑制和基流严重减少，这是大坝调节和大规模水资源抽取的明显迹象。归因分析证实，这些人为因素是关键水文指标变化的主要原因，例如最终十年总水量减少了11%。赫斯特指数（Hurst exponent）接近0.98，从统计上验证了该系统从自然随机状态向受人类控制的状态的转变。这些发现提醒我们警惕“基准线偏移综合症”（Shifting Baseline Syndrome, SBS），即流量调节可能被误认为是系统的恢复。我们得出结论，在非平稳的、受人类主导的环境中，数据驱动的反事实建模对于制定科学合理的恢复目标至关重要。
引言
水资源是社会经济稳定和生态系统完整性的基础，需要严格的管理策略来维持河流功能（Jiang等人，2021年）。然而，全球河流流域正日益表现出严重的水文退化现象，这主要是由于气候非平稳性和日益加剧的人为干扰之间的复杂相互作用（Pereira等人，2010年）。这些系统的恶化不仅仅是生态损失，还对区域水资源安全构成了紧迫威胁；因此，保护生态水文健康已从一个理论目标发展成为可持续发展的关键要求。尽管国际框架（如联合国生态系统恢复十年计划）倡导恢复自然流量机制（Cooke等人，2022年），但将这些高层次指导方针转化为特定流域的归因策略仍存在许多不确定性。尽管热力学约束从根本上改变了全球水循环（Dey和Mishra，2017年），但地方工程干预往往对流量变化产生主导影响。在受到严格调控的流域中，水库和取水设施的建立导致了显著的非平稳性，实际上掩盖了潜在的气候信号（Jiang等人，2011年）。
河流健康的监管概念源于1972年的美国《清洁水法》，该法案要求保护物理化学和生物完整性（Karr，1999年）。历史上，这种完整性是依据严格的原始标准来衡量的，即一个健康的流动系统应具有未受干扰的原始状态，能够维持自主的生态过程（Simpson和Norris，1999年；Schofield和Davies，1996年）。然而，科学共识已转向功能性视角，认识到在人类世背景下，生态系统评估必须包括提供基本服务的能力以及生物保护。这种功能性健康的核心是维持“生态流量”机制，这是水生稳定性的主要决定因素（Karr和Dudley，1981年）。然而，这种生态水文平衡日益脆弱；气候非平稳性和日益加剧的人为需求叠加在一起，从根本上改变了自然流量的变异性，使得满足环境流量要求变得复杂，并在水生群落中引发了连锁的营养效应（Reid等人，2019年；Stubbington等人，2022年）。因此，解决未来的水资源安全问题需要一种范式转变，即定量解析生态水文模式的变化并归因于变化环境中的驱动因素。
当代的水文模式变化不能仅仅归因于热力学气候强迫；人为工程活动经常对水文循环产生主导性的影响。正如Pereira等人（2010年）所指出的，这种双重压力导致了一个不稳定的生态水文状态，使得确保最低流量阈值变得越来越困难。因此，依赖静态的形态学假设或简化的恢复目标已不再可行。当前的科学需求是严格区分人为干扰如何扭曲生态水文基准线，从而创造一个不稳定的现实，这对水生生物多样性构成威胁（Palmer和Ruhi，2019年）。
区分人为足迹和气候噪声的方法通常遵循四种概念路径（Dey和Mishra，2017年）。理论方法通常利用水能平衡框架（如Tomer-Schilling假设或Budyko假设）来解析热力和水分相互作用（Yang和Yang，2011年；Wang和Hejazi，2011年）。或者，敏感性分析（Zhang等人，2017年）和直接观测对比（如配对流域研究（Bosch和Hewlett，1982年）或时间异常追踪（Zhao等人，2010年）也被用来分离人类影响。第四种也是最稳健的归因方法是通过水文建模来数字重建自然流量基准线，从而生成一个反事实自然情景。
在这一领域，数据驱动的算法已经开始显示出比传统基于物理的方法更高的效率，特别是在捕捉降雨-径流过程的非线性动态方面。虽然已经使用了支持向量机（Support Vector Machines）和随机森林（Random Forests）等模型，但循环神经网络（Recurrent Neural Networks, RNNs）在水文模拟中具有明显优势，因为它们能够通过延迟连接来编码时间依赖性（Yang等人，2019年）。特别是长短期记忆（Long Short-Term Memory, LSTM）网络通过保留长时间的输入-输出模式，解决了标准RNNs的梯度消失问题（Hochreiter和Schmidhuber，1997年），这对于模拟缓慢响应的过程（如融水动态和地下水补给）至关重要。实证证据支持了这种优势；LSTM在土壤湿度反演（Fang等人，2017年）方面优于统计方法，并且在估计大陆尺度上的日流量方面超过了概念模型的准确性（Kratzert等人，2018年）。
本研究通过提出一个综合深度学习重建与SBS概念的通用生态水文归因框架来填补这一空白。这种现象，即水力基础设施掩盖了生态退化的信号，在人类世中非常普遍，从加利福尼亚中央谷地、地中海沿岸到中国的高强度农业流域都有观察到。因此，这里使用哈拉兹河流域不仅仅是一个局部案例研究，而是一个快速水文转变的战略原型，用于验证这种方法的有效性。通过使用门控循环单元（GRU）网络来重建原始基准线，我们旨在展示这种数据驱动的方法如何能够普遍应用于严格区分人为因素和气候变异性，并在全球变化的环境中挑战过时的静态假设。
章节摘录
哈拉兹河流域
哈拉兹河流域位于伊朗北部（北纬35°20′–36°20′，东经51°30′–52°50′），是一个从中央阿尔博兹山脉南部高地延伸到里海沿岸的战略性水文气候过渡区（图1）。该流域地形异质性明显，气候梯度复杂，是研究山区流域动态和水文气候过程演变的理想自然实验室（Siadati等人，2010年）。
自然流量重建的模型选择
选择最佳架构来重建原始水文状况是基于包括传统机器学习和先进深度学习范式在内的严格模型比较。结果如表2所示，深度循环架构在捕捉哈拉兹流域复杂的非线性降雨-径流动态方面表现出卓越的性能，尤其是在未见过的测试数据集上。
GRU模型
讨论
本研究的结果揭示了过去四十年哈拉兹河流域内人为干扰的明显两阶段演变。第一阶段（约1996-2016年）的特点是地貌变化导致的洪水风险增加。在此期间，人类对洪水状况的改变是持续且显著的，2006-2016十年间人为因素对峰值流量的贡献增加了10.58立方米/秒（表4）。
结论
本研究的结果对全球受调控流域的水资源管理具有重大意义。尽管是在哈拉兹流域验证的，但所提出的框架将基于GRU的反事实建模与基准线偏移分析相结合，具有设计无关性，可以转移到其他数据稀缺、非平稳的流域。这些结果突显了SBS的危险性，即洪水抑制可能被误认为是系统的恢复。
未引用的参考文献
Fu等人，2007年；Tomer和Schilling，2009年；Zhang等人，2018年。
CRediT作者贡献声明
阿里·阿克巴尔·埃阿特萨姆（Ali Akbar Eatesam）：撰写——原始草稿、可视化、软件开发、数据整理。霍斯罗·霍塞尼（Khosrow Hoseini）：撰写——审阅与编辑、监督。霍贾特·卡拉米（Hojat Karami）：撰写——审阅与编辑、验证、监督。
资金
本研究未获得公共部门、商业部门或非营利部门的任何特定资助。
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。
