南方7省市陸地水儲量動態(tài)變化主控因素研究

張昌偉，常 勇，羅 躍

（1. 河海大學地球科學與工程學院，江蘇 南京 210098； 2. 東華理工大學水資源與環(huán)境工程學院，江西 南昌 330013）

0 前 言

陸地水儲量（Terrestrial Water Storage， TWS）是儲存在地表以及地下的全部水分（積雪、冰川、土壤水、地下水、河流湖泊水以及生物水）等［1］，是陸地和全球水循環(huán)的重要組成部分［2］，也是人類賴以生存和發(fā)展的基礎。區(qū)域水資源的豐富程度一定程度上制約著當?shù)剞r(nóng)業(yè)和工業(yè)的發(fā)展，水儲量的劇烈變化也會引發(fā)當?shù)馗珊祷蚝闈碁暮Γ瑢Ξ數(shù)亟?jīng)濟和社會的發(fā)展具有重要影響。

傳統(tǒng)對陸地水資源量的監(jiān)測主要基于點狀測量，受限于有限的監(jiān)測點分布和復雜的地下狀況，很難獲得區(qū)域水儲量的動態(tài)變化監(jiān)測數(shù)據(jù)。自2002 年（Gravity Recovery and Climate Experiment）GRACE重力衛(wèi)星發(fā)射以來，基于陸地區(qū)域重力場提取的陸地水儲量距平（Terrestrial Water Storage Anomaly，TWSA），反映了地球陸地垂直方向上水儲量的異常變化［3］，能有效避免傳統(tǒng)方法的缺陷，為監(jiān)測全球或區(qū)域陸地水儲量變化提供了一種新的手段［4-6］。近年來，基于GRACE 衛(wèi)星獲取的TWSA 被廣泛用于監(jiān)測全球或區(qū)域尺度陸地水儲量的動態(tài)變化，在認識不同地區(qū)水資源變化趨勢以及影響因素方面展現(xiàn)出巨大的潛力。

氣候變化和人類活動為影響TWSA 動態(tài)變化的主要因素［7-10］，一方面氣候變化能改變水資源供給和排泄量，是決定區(qū)域水資源量豐富程度的關鍵因素；另一方面人類活動，如農(nóng)業(yè)灌溉、修建水庫、跨流域調水等，也會改變區(qū)域水循環(huán)過程，進一步影響TWSA的動態(tài)變化。在當前全球氣候逐漸變暖和人類活動不斷加強的背景下，分析區(qū)域TWSA 的動態(tài)變化及其主要控制影響因素對于正確認識未來TWSA的變化趨勢和制定合理的水資源管理策略都具有重要意義。盡管目前開展了大量有關TWSA 變化方面的研究，但大部分研究通常以大型流域為基本研究單元［5，11］，一定程度上忽略了流域內部的差異。同時氣候因子與TWSA 變化之間的關系也多采用簡單的相關性分析，缺少定量分析氣候因子對TWSA 變化的貢獻，進而評估人類活動對TWSA 的影響程度。鑒于此，選取南方7 省市（云南省、四川省、貴州省、廣西壯族自治區(qū)、重慶市、湖北省、湖南?。?，在網(wǎng)格尺度上分析TWSA 的動態(tài)變化趨勢，在研究TWSA 與不同氣候指標之間相關性的基礎上，進一步采用偏最小二乘回歸模型定量評價氣候因子對TWSA 動態(tài)變化的貢獻，分析南方7 省市不同區(qū)域TWSA 動態(tài)變化的影響因素，為該區(qū)域水資源管理和保護提供一定的依據(jù)。

1 研究區(qū)域、數(shù)據(jù)與方法

1.1 研究區(qū)概況

選取南方7省市為研究區(qū)，包括云南省、四川省、貴州省、廣西壯族自治區(qū)、重慶市、湖北省、湖南省。這些省市區(qū)絕大部分地區(qū)位于亞熱帶季風氣候，僅云南省南部局部區(qū)域屬于熱帶季風氣候，四川省西北部分地區(qū)屬高山高原氣候。研究區(qū)內地形起伏大，從向西向東逐漸由高原、山地逐漸轉變?yōu)榍鹆?、平原，降雨量豐富，年降雨量從東南向西北方向逐漸降低。除四川省西北部地區(qū)外，研究區(qū)絕大部分地區(qū)多年平均降雨量在800 mm以上，局部地區(qū)最高年降雨量可達2 000 mm，區(qū)內僅局部山區(qū)存在常年冰川和積雪。

整個研究區(qū)涵蓋了長江流域和珠江流域絕大部分上中游區(qū)域，水資源量豐富，基本無大面積地下水超采情況，但由于受亞熱帶季風氣候的影響，降雨時空分布極不均勻，降雨多集中在4-9 月。這些省市也是我國巖溶集中分布區(qū)域［12］，地下水水位往往暴漲暴跌［13］，該地區(qū)也是我國干旱和洪澇頻發(fā)地區(qū)［14，15］。研究區(qū)另一特點是水電站眾多，其中大型的水電站包括位于長江流域的三峽水電站、珠江流域的龍灘水電站以及2021 年開始發(fā)電的白鶴灘水電站，其中龍灘水電站庫容達273億m3；三峽水電站庫容393 億m3。這些水電站的庫容巨大，對于區(qū)域水資源量具有巨大的調蓄作用。研究這些省市陸地水儲量的動態(tài)變化及其主要影響因素對于該地區(qū)水資源綜合管理和預測未來氣候下水資源的動態(tài)變化具有重要意義。

1.2 數(shù)據(jù)來源

研究采用的TWSA 數(shù)據(jù)來自美國德克薩斯大學（Center for Space Research，CSR）空間研究所最新公布的第二版的CSR_GRACE_GRACE-FO_RL06 重力場模型數(shù)據(jù)［16］，該產(chǎn)品有效克服了傳統(tǒng)球諧系數(shù)因濾波而造成的泄露誤差，相對于前期傳統(tǒng)的球諧系數(shù)產(chǎn)品表現(xiàn)出更高的精度［17］。由于衛(wèi)星2002 年初進行軌道校準以及2016年底電池老化而導致的數(shù)據(jù)誤差，使得TWSA 不確定性小幅上升，其余時間皆穩(wěn)定在30 mm 左右。該數(shù)據(jù)的原始精度為1°×1°，整個研究區(qū)共含有160個網(wǎng)格。選取2002 年4 月至2017 年6 月期間GRACE 數(shù)據(jù)作為水儲量動態(tài)數(shù)據(jù)，由于GRACE 衛(wèi)星前期調試以及運行期間傳感器性能下降和功能不足問題，存在20 個月的數(shù)據(jù)缺失，采用李夫鵬重建的GRACE數(shù)據(jù)對缺失數(shù)據(jù)進行填補［18］。

為分析氣候因素對TWSA 動態(tài)的影響，選取國家青藏高原科學數(shù)據(jù)中心發(fā)布的中國區(qū)域地面氣候要素驅動數(shù)據(jù)集［19］，該數(shù)據(jù)集包含近地面氣溫、近地面氣壓、近地面空氣比濕、近地面全風速、地面向下短波輻射、地面向下長波輻射、地面降水量共7個氣候要素的月平均值，以下分別簡稱為氣溫、氣壓、比濕、風速、短波、長波以及降雨。為檢查該數(shù)據(jù)集的精度，初步將研究區(qū)中該數(shù)據(jù)集1981 年至2010 年期間降雨、氣溫、比濕數(shù)據(jù)與中國氣候數(shù)據(jù)網(wǎng)（http：∕∕www.nmic.cn∕）公開發(fā)布的中國氣候標準值月值數(shù)據(jù)中的相關網(wǎng)格數(shù)據(jù)進行對比，發(fā)現(xiàn)每個網(wǎng)格的相關系數(shù)均達到0.99 以上，顯示出該數(shù)據(jù)集在研究區(qū)較高的精度。除此之外，本文還選取由北京師范大學發(fā)布的全球陸表特征參量產(chǎn)品中的葉面積指數(shù)用于反應陸地植被的變化［20］。在這8個指標中，降雨為陸地水儲量的主要輸入量，而其他指標主要影響陸面蒸散發(fā)。這8種指標被選為陸地水儲量的潛在氣候驅動因子，均選取GRACE 數(shù)據(jù)的相同時段（2002.4-2017.6），同時采用簡單平均法尺度粗化至1°×1°的經(jīng)緯度網(wǎng)格月數(shù)據(jù)，與GRACE數(shù)據(jù)的空間和時間精度保持一致。

1.3 研究方法

采用Theil-Sen Median 方法分析每個網(wǎng)格陸地水儲量的變化趨勢和程度，對于時間序列（x1，x2，…，xn），斜率計算公式可表示為：

式中：Β為斜率；xi和xj分別為i、j時刻的TWSA 值；Median 為取中值函數(shù)。

采用基于局部回歸分析（locally weighted regression，LOESS）算法的季節(jié)趨勢分解（Seasonal-Trend-Loss，STL），對TWSA 進行分解，分別計算季節(jié)項與趨勢項相對于總信號方差的貢獻占比。STL是以魯棒局部加權回歸作為平滑方法的時間序列分解方法，分解周期性數(shù)據(jù)效果較好，適用于GRACE 數(shù)據(jù)［21］。STL可表示為：

式中：Xo為原始的時間序列；Xlong代表時間序列的長期趨勢；Xsea代表時間序列中所存在的周期性變化規(guī)律；Xres為殘差項。

互相關分析被用于研究不同氣候指標與TWSA之間的相關性程度，前期的大量研究表明TWSA 的動態(tài)變化一般滯后于氣候指標的變化，且滯后時間對于不同的氣候指標或在不同的地區(qū)均存在差異?？紤]到氣候指標的周期性，結合袁瑞強等在全球尺度上分析TWS 與氣候要素的時間滯后皆為2 或3 個月［22］，選取每個網(wǎng)格滯后時間3個月之內的相關系數(shù)的最大值表征該網(wǎng)格TWSA與氣候指標之間的最大相關性。每個網(wǎng)格相關系數(shù)的計算方法如下：

式中：k為滯后月數(shù)；n為數(shù)據(jù)個數(shù)；Gt和Qt為TWSA 和氣候指標的時間序列數(shù)據(jù)；σG和σQ分別為TWSA 和氣候指標的方差。選擇5%的顯著性水平對相關系數(shù)進行顯著性檢驗。

氣候變化與人類活動是影響TWSA 變化的主要因素，由于人類活動在區(qū)域尺度上對TWSA 的影響很難進行統(tǒng)計和分析，通過定量評估氣候指標對TWSA 動態(tài)變化的預測程度，可以在一定程度上間接了解人類活動對TWSA動態(tài)的影響?？紤]到不同氣候指標之間存在很強的相關性，選取偏最小二乘回歸模型定量評估氣候指標對TWSA動態(tài)的解釋程度。偏最小二乘回歸模型（Partial Least Squares Regression， PLSR）是多元線型回歸模型的擴展，可以同時實現(xiàn)多元線型回歸和主成分分析過程，特別適合當因變量比自變量有更多的變量，以及自變量存在多重共線性的情況。PLSR 算法主要包括以下步驟：首先，獲取自變量的氣候要素矩陣和因變量的TWSA 數(shù)據(jù)矩陣，進行標準化處理，得到自變量矩陣X和因變量矩陣Y。結合典型關聯(lián)分析以及主成分分析思想，求出第一對主成分，并分別建立Y和X對第一對主成分的回歸模型，隨后用該方程的殘差代替X和Y重復以上步驟，最終可建立以下偏最小二乘回歸方程：

式中：ωk為主成分的軸向量；βk為Y對因變量主成分回歸建模的回歸系數(shù)；k即為主成分個數(shù)。

對于每個網(wǎng)格，TWSA 作為PLSR 模型因變量，考慮最優(yōu)滯后時間的8 個氣候指標作為模型的因變量，采用決定系數(shù)R2來評估模型的模擬效果和留一法交叉驗證來最終確定最優(yōu)模型結構。除采用PLSR 模型評估氣候指標對TWSA 的預測能力外，PLSR 模型中每個氣候指標的回歸系數(shù)描述了PLSR 中的每個分量依賴于原始變量的權重，可用于評估不同氣候指標對TWSA動態(tài)變化的貢獻程度。

除采用互相關分析和PLS模型在月尺度上分析每個單元格不同氣候指標與陸地水儲量變化的關系外，研究還將每個氣候指標和陸地水儲量做13點滑動平均，一定程度上消除各指標的季節(jié)變化，分析它們在年尺度上的關系。

2 研究結果

2.1 TWSA變化的趨勢以及主導模式

2002 年至2017 年間，TWSA 在南方七省市中，75%的網(wǎng)格多年平均水儲量距平呈現(xiàn)明顯上升趨勢，在重慶、貴州和湖南省交界處上升幅度最大，平均增幅可達每年0.9 cm。在四川以及云南西部，TWSA則呈現(xiàn)出緩慢下降的趨勢，最大下降幅度為每年0.3 cm左右。

基于STL 法，將TWSA 分解為趨勢項、季節(jié)項以及殘差項，通過比較每個分量與總信號的方差，可以評估這3 個分量的相對貢獻。圖2展示了研究區(qū)TWSA 趨勢項與季節(jié)項方差的相對貢獻的空間分布，展現(xiàn)出明顯的區(qū)域規(guī)律。云南、四川中南部、廣西南部以及湖南湖北二省的東部季節(jié)項的方差貢獻占比皆大于50%，云南中西部占比達到最大為78.9%；趨勢項的方差占比則普遍小于35%，云南中西部最小占比為11.9%，反映出TWSA在這些區(qū)域以周期性季節(jié)變化為主。四川北部、貴州、重慶以及湖南湖北二省的西部季節(jié)項的方差貢獻占比皆小于50%，重慶、貴州、湖北和湖南四省市交界處占比最小達到26.1%；趨勢項的方差占比則普遍在30%～50%之間，四省市交界處這一區(qū)域最大貢獻可達48.5%。這表明TWSA 在這些區(qū)域受長期趨勢和季節(jié)變化的共同影響。

2.2 氣候指標與TWSA相關性分析

當考慮研究區(qū)氣候指標與TWSA 最大相關時，月尺度下80%以上的網(wǎng)格TWSA 與氣候指標之間均存在2～3個月的滯后時間，僅氣壓與TWSA 的滯后時間無明顯規(guī)律。年尺度下，80%以上的網(wǎng)格TWSA 與降雨、濕度和短波之間仍存在1～3 個月的滯后，與其他指標基本無滯后。圖3 顯示了不同時間尺度下研究區(qū)內不同氣候指標與TWSA 之間最大的相關系數(shù)，圖中僅顯示相關系數(shù)顯著性水平大于5%的網(wǎng)格。

在月尺度上，氣溫、長波、降雨、葉面指數(shù)和比濕5種指標在研究區(qū)呈現(xiàn)相似的相關系數(shù)空間分布特征，除在重慶市、貴州省、湖南省和湖北省交界處以及四川西北部15個網(wǎng)格存在相關系數(shù)低于0.5 外，其他區(qū)域5 種指標與TWSA 均較高的相關性，最大相關系數(shù)可達0.95。在這5 種指標中，比濕、氣溫、葉面積指數(shù)與TWSA 的相關系數(shù)要高于其他2 個指標，降雨并未顯示比其他指標更強相關性，僅在四省市交界處的相關性高于其他氣候指標。短波、風速和氣壓與TWSA 的相關關系明顯弱于其他指標。

當所有氣候指標和TWSA 采取13 點滑動平均一定程度上消除季節(jié)變化后，從年尺度分析TWSA 與氣候因素的互相關關系，不同氣候指標與TWSA互相關程度出現(xiàn)了明顯變化。比濕、長波以及葉面積指數(shù)總體上仍呈現(xiàn)明顯正相關，但與月尺度的相關系數(shù)相比，對應網(wǎng)格會降低0.1～0.5，其中長波與葉面指數(shù)與TWSA 相關系數(shù)的下降最為明顯，最大相關系數(shù)僅為0.71。在這四種指標中，降雨在絕大部分網(wǎng)格均呈現(xiàn)出與TWSA 最高的相關性，這也表明在年時間尺度上，TWSA在研究區(qū)80%以上的區(qū)域與降雨的關系最密切。對于其他指標，氣溫與TWSA 的相關關系最弱，45%網(wǎng)格沒有通過顯著性檢驗。90%網(wǎng)格的短波呈現(xiàn)負相關關系，氣壓的空間分布與之類似，負相關網(wǎng)格占據(jù)65%左右，但在貴州、湖南以及研究區(qū)域北部仍有正相關關系分布。風速整體上未呈現(xiàn)明顯的規(guī)律，正、負相關都有所體現(xiàn)，在研究區(qū)中部和東部地區(qū)與TWSA的相關程度較高，最大相關系數(shù)值可達0.84。

從TWSA 和8 種不同指標的相關性分析可以發(fā)現(xiàn)，在月時間尺度上，除研究區(qū)中部區(qū)域外，TWSA與多種指標均呈很強的相關關系，而在年時間尺度上，僅降雨與比濕與TWSA呈現(xiàn)較強的相關性，表明不同時間尺度下控制TWSA 的動態(tài)變化因素存在一定的差異。

2.3 偏最小二乘回歸模型擬合結果

圖4 為PLSR 模型評價結果，其中圖4（b）和圖4（d）僅顯示了每個網(wǎng)格貢獻前三的氣候指標，圓圈大小表示貢獻度的大小。從圖4中可以看出，月尺度下PLSR模型對研究區(qū)西部區(qū)域（整個云南省、四川省中南部）和東南部區(qū)域（廣西南部和湖南東部）的模擬結果較高，決定系數(shù)值R2均大于0.60，最大決定系數(shù)達0.92。與月尺度下互相關分析結果類似，PLSR模型對研究區(qū)北部和中部區(qū)域的擬合結果較差，最低R2值僅為0.17，表明在這些區(qū)域僅采用氣候指標不能很好的解釋TWSA的月動態(tài)變化。進一步分析每個氣候指標對陸地水儲量變化的貢獻，在65%網(wǎng)格中，比濕均為貢獻度最大的指標，最大貢獻度可達48.3%，同時氣溫在70%的網(wǎng)格尤其是研究區(qū)東部均在貢獻前三的指標中，而降雨僅在40%網(wǎng)格中進入貢獻前三。除此之外，在研究區(qū)南部和四川省，葉面積指數(shù)和長波對TWSA的變化起主要貢獻，其余氣候指標僅在局部網(wǎng)格中進入貢獻前三。

相對于月尺度的模擬結果，年尺度下PLSR 模型對云南省內TWSA 預測的決定系數(shù)略微降低，但對月尺度下預測結果較差的區(qū)域擬合結果明顯提高。除研究區(qū)三峽水庫附近的網(wǎng)格外，絕大部分網(wǎng)格的決定系數(shù)R2均大于0.6，研究區(qū)中部部分網(wǎng)格R2值可達0.91，表明在研究區(qū)大部分區(qū)域TWSA 的60%以上年尺度變化可以由氣候指標的波動來解釋。對比月尺度下不同指標對TWSA的貢獻，網(wǎng)格中降雨出現(xiàn)的頻率明顯增加，且降雨對TWSA 變化的貢獻通常排名第一或第二，研究區(qū)內75%以上的地區(qū)，降雨仍是影響TWSA 變化的重要氣候因素。除降雨外，比濕和氣溫也仍為半數(shù)網(wǎng)格中貢獻前三的氣候指標。在研究區(qū)中部及東部地區(qū)的網(wǎng)格中，風速為貢獻排名第一的氣候指標，其他氣候指標僅在局部網(wǎng)格為貢獻前三的指標。

3 討 論

互相關分析結果指出除研究區(qū)中部區(qū)域外，TWSA 月動態(tài)變化與研究區(qū)內多個氣候指標（除風速、短波輻射和氣壓外）均具有密切的相關性，結合TWSA變化主要模式分析結果，這均與這些氣候指標和TWSA在亞熱帶氣候影響下均呈現(xiàn)出明顯的周期性季節(jié)變化有關。圖5（b）為云南省一個網(wǎng)格（中心坐標為（25.5，100.5），具體位置見圖1中TWSA 和不同氣候指標在月尺度上的變化，這些指標均呈現(xiàn)出以年為周期的規(guī)律性變化，除風速外，在冬季出現(xiàn)最低值，在夏季達到最大值。然而，當采用13點滑動平均一定程度上降低不同指標的季節(jié)變化后，僅降雨和比濕與TWSA 呈現(xiàn)明顯的相關性，這也進一步驗證了TWSA月動態(tài)變化與大部分氣候指標的強相關性主要與周期性的季節(jié)波動有關。當進一步采用PLSR 模型分析每個指標對TWSA月動態(tài)變化的貢獻，發(fā)現(xiàn)相對于降雨和溫度，比濕在大部分網(wǎng)格中均為貢獻度最高的指標，表明比濕的月動態(tài)變化與TWSA的月變化最為接近。盡管研究區(qū)降雨在季風氣候下也呈現(xiàn)一定的季節(jié)變化，但其變化主要體現(xiàn)在豐水期，而枯水期TWSA主要受蒸散發(fā)的影響，降雨量的變化遠小于TWSA，這可能是導致降雨對TWSA 月動態(tài)變化貢獻度較低的原因。在年尺度下，70%以上網(wǎng)格中降雨為解釋TWSA 動態(tài)變化的第一貢獻因子，降雨仍為大部分區(qū)域TWSA長期變化的主控因素。

圖1 研究區(qū)域圖Fig.1 Map of the study area

圖2 TWSA變化趨勢、季節(jié)項以及趨勢項方差貢獻占比分布Fig.2 The TWSA changing trend and variance contribution of seasonal term and trend term to TWSA variance

圖3 月尺度和年尺度下TWSA與氣候指標之間的最大互相關系數(shù)分布圖Fig.3 Maximum correlation coefficients between TWSA and climate indicators in monthly and annual scales

圖4 不同尺度下每個網(wǎng)格PLSR模型的決定系數(shù)值和不同尺度下每個網(wǎng)格對TWSA變化貢獻前三的氣候指標分布Fig.4 Determination coefficient of each grid simulated by PLSR in different time scales， the top three climate factors of each grid that contribute to the TWSA variation in different time scales

圖5 2002-2017年不同網(wǎng)格TWSA與8種氣候要素變化圖Fig.5 Variations of TWSA and eight climate factors in two different grids from 2002 to 2017

PLSR 模型的結果顯示在月尺度上除四川省西北部部分網(wǎng)格外，研究區(qū)中部（貴州省、重慶市、湖北省和湖南省西部）模擬結果較差，R2值低于0.45，表明這些區(qū)域的TWSA 的變化可能受到人類活動的強烈影響。研究區(qū)中分布有長江與珠江兩大水系，地表水資源豐富且地表地形坡度大，該區(qū)域修建了大量的水電站，研究區(qū)中部分布有三峽和龍灘兩個大型水庫前期的研究也表明三峽、龍灘等特大型水庫蓄水期間會導致該地區(qū)重力異常增加［23］，蓄水量變化相當于該局部區(qū)域的80%以上的TWS變化［24］，這也反映了水庫蓄水會對TWSA 的變化造成顯著影響。因此，該區(qū)域水庫可能為研究區(qū)中部影響TWSA 月尺度變化的主要人為因素。相對而言，研究區(qū)其他區(qū)域PLSR 模型均展示了較好的模擬結果，大部分網(wǎng)格R2大于0.60，最大值可達0.92，表明這些區(qū)域TWSA 的變化與氣候波動基本一致，受人類活動影響較小。

為進一步分析TWSA 動態(tài)過程的影響因素，分別選取了貴州省和云南省某網(wǎng)格的TWSA、氣候指標的變化進一步分析。這兩個網(wǎng)格PLSR 模型的R2分別為0.21 和0.88，代表了是否主要受氣候波動控制下的TWSA 的變化。從圖5 中可以看出，當TWSA 主要受氣候波動影響時，TWSA 與大部分氣候指標的變化相似，表現(xiàn)出明顯的周期性且波動幅度較大。但是，當TWSA受到人類活動時，TWSA的周期性變化明顯減弱，除部分豐水年或枯水年出現(xiàn)明顯的峰值或谷值外，其他年份的波動都非常小，這可能主要與水庫消峰填谷的調控方式有關，一定程度上明顯削減了豐枯季陸地水儲量的季節(jié)波動幅度，相對于未受人為活動影響的地區(qū)表現(xiàn)出較弱的波動。這也說明該地區(qū)水庫的修建確實對于當?shù)胤篮榭购涤幸欢ǖ淖饔谩?/p>

當從年尺度分析氣候指標對TWSA 動態(tài)變化的預測能力時，結果顯示研究區(qū)中部絕大部分網(wǎng)格模擬結果均出現(xiàn)大幅提升，人為活動對年尺度TWSA動態(tài)變化的影響明顯減弱，僅三峽水庫集水區(qū)域的網(wǎng)格R2值仍相對較低，表明研究區(qū)大部分地區(qū)年尺度TWSA 變化仍主要受氣候變化的影響。一般情況下，水庫主要在豐水期攔截洪水，枯水期向下游放水，因此水庫蓄水庫容一般在一個水文年內主要為周期性波動，而在不同水文年內蓄水庫容的變化也取決于上游來水量的多少，即與氣候變化也存在一定的聯(lián)系。盡管水庫的連續(xù)性蓄水會導致陸地水儲量的持續(xù)增加，但這種蓄水情況一般僅發(fā)生在水庫運行初期，很難長時間影響陸地水儲量的年尺度變化。模擬結果也顯示三峽水庫集水區(qū)域內的網(wǎng)格年尺度TWSA變化仍一定程度上受到人為活動的影響，這可能與研究時段三峽水庫多次頻繁的蓄水活動有關。據(jù)百度百科資料記載，三峽水庫從2003 年6 月首次蓄水開始，2006 年9 月開始實行了第二次蓄水，隨后多年間多次啟動175 m 試驗性蓄水，研究時段內這種多次人為蓄水活動可能會對TWSA年尺度上的變化造成影響?？傮w上，PLSR模型在不同時間尺度上的模擬結果表明，研究區(qū)中部地區(qū)除三峽水庫附近區(qū)域外，研究時間內水庫僅對TWSA 月尺度的變化具有明顯的影響，而對于TWSA年尺度的變化影響相對較弱，氣候條件的變化仍是TWSA年尺度變化的主控因素。

分析過程中，PLSR 模型被選取用于分析氣候指標對TWSA的預測能力，作為一種線型回歸模型，當氣候指標與TWSA之間存在較強的非線性關系時，該模型很難準確評估氣候指標對TWSA 貢獻。我國南方地區(qū)廣泛分布大量的巖溶地貌，巖溶地區(qū)由于特殊的水文地質結構［25］，相對于非巖溶區(qū)水文過程更為復雜，氣候指標與TWSA之間可能存在強烈的非線性關系，采用PLSR 線型模型可能會一定程度上低估氣候指標對TWSA 動態(tài)的貢獻，高估人為因素對TWSA 的影響。除此之外，選取的CSR Mascon 提供的原始分辨率為1°×1°，但由于GRACE 的信號衰減，Mascon的分辨率仍然受到GRACE 的頻帶限制［26］，其實際的分辨率可能遠小于該精度，因此最后得出的結論僅用于認識區(qū)域上的空間變化規(guī)律認識，而不適用于解釋具體一個或幾個網(wǎng)格TWSA的影響因素。

4 結 論

基于8種不同的氣候指標和GRACE 重力衛(wèi)星數(shù)據(jù)，從網(wǎng)格尺度（1°×1°）上調查了我國南方7 省市區(qū)域上TWSA 動態(tài)變化的影響因素，相對于前期研究主要以大型流域為研究單元，以網(wǎng)格為基本研究單元有助于認識研究區(qū)內局部區(qū)域TWSA動態(tài)變化的影響因素。采用趨勢分析、主導模式分析、互相關分析和PLSR 模型詳細分析了不同氣候指標與TWSA 之間的相關性以及氣候指標對TWSA變化的解釋程度，主要得出以下結論。

（1）2002 年至2017 年期間，研究區(qū)內除云南省和四川省東部區(qū)域外，75%以上地區(qū)TWSA 均呈上升趨勢，在重慶、貴州和湖南省交界處上升幅度最大，平均增幅可達每年0.9 cm。云南、四川中南部、廣西南部以及湖南湖北二省的東部區(qū)域中，TWSA隨時間變化的主導模式為季節(jié)周期性變化；重慶、貴州、湖北和湖南四省市交界處，由長期趨勢引導的年際變化占據(jù)了TWSA變化的主導地位。

（2）除研究區(qū)中北部區(qū)域外，TWSA 月動態(tài)變化與大多數(shù)氣候指標呈良好的相關性，這主要由于研究區(qū)大部分地區(qū)受季風氣候影響，TWSA與氣候指標均呈明顯的季節(jié)變化有關，與比濕的動態(tài)變化相似度最高。而年尺度下，TWSA 的變化僅與降雨和比濕相關性較高，降雨為70%以上地區(qū)解釋TWSA 動態(tài)變化貢獻度最高的指標。

（3）在月時間尺度上，研究區(qū)中北部地區(qū)TWSA的動態(tài)變化明顯受到水庫消峰填谷調控的影響，整體上TWSA 的季節(jié)波動遠低于其他地區(qū)，15%網(wǎng)格的氣候指標僅能解釋陸地水儲量17%～28%的變化，而其他區(qū)域TWSA 動態(tài)變化仍主要受氣候條件的控制。進一步分析TWSA 年時間尺度變化時，研究區(qū)大部分地區(qū)TWSA 的變化仍主要受氣候波動的影響，水庫的影響相對較小，降雨為控制TWSA 年際變化的主控因素，陸地水儲量60%以上的變化可由氣候波動解釋，僅三峽水庫附近的TWSA年尺度的變化仍明顯受到人類活動的強烈影響。