使用GRACE观察法诊断印度主要江河流域的陆地水储量变化外文翻译资料

英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

使用GRACE观察法诊断印度主要江河流域的陆地水储量变化

Aarti Soni, Tajdarul H. Syed

Department of Applied Geology, Indian School of Mines, Dhanbad 826004, Jharkhand, India

摘要:当今世界正面临着一个严峻的问题——淡水的短缺。由于人口增长，经济发展和快速工业化，由于其有限的性质，可再生淡水储备受到不断的压力。陆地水储存（TWS）评估作为淡水储备的统一度量，对于了解控制其可用性的水文和气候过程至关重要。在这项研究中，重力恢复和气候实验（GRACE）卫星的TWS变化结合2003 - 2012年期间的多平台水文观测进行分析。这里，主要目标是量化和归因于印度最大流域（Ganga，Godavari，Krishna和Mahanadi）的TWS和地下水储存的观测短期变异性。除了从GRACE获得的TWS变量和水平衡计算之间的值得赞扬的协议，结果突出了两者之间的一些重要的缺陷。尽管TWS的每月变化与降水高度相关，但每月TWS异常显示其同时存在1-2个月的滞后。地下水储量估算分析表明，恒河盆地（-1.28plusmn;0.20 mm /月）显着下降，但Mahanadi盆地实际上没有变化。相反，Godavari和克里希纳盆地的地下水储量分别以0.74plusmn;0.21毫米/月和0.97plusmn;0.21毫米/月的速率显示没有表增加。随后，为了评估准周期性，行星尺度，地球气候系统中的变化的影响，参考ENSO变率来评估地下水储存异常。结果表明，在所有盆地中，除了Ganga，地下水储存主要受ENSO影响，在ElNintilde;o（LaNintilde;a）事件期间大幅减少（增加）。在甘加盆地，地下水储存变化是指人类干预和自然气候变率的可能合并。

关键词：GRACE，陆地水存储，印度河流域，遥感，空间-时间变异性，ENSO

1.介绍

作为对储存在地球表面之上和之下的水的综合估计，陆地水存储（TWS）是地球和全球水文循环的关键组成部分。除了对水，能源和生物地球化学通量的控制（Famiglietti，2004; Syed等，2008），TWS对水资源评估，气候变化和生态系统动力学有重要的影响（Yeh和Famiglietti，2008）。

在人口增长，经济发展和快速城市化的背景下，印度水资源管理是一个严重的挑战。印度约50％的灌溉用水，超过80％的农村用水需求和将近50％的城市利用通过地下水提取得到维持（Kumar等，2005; Mall等，2006）。然而，最令人惊讶的是，地下水利用的爆炸性增长与地下水资源可利用的模式几乎没有关系。由于TWS推动了印度水利部门各种利益相关者的关键要素，因此对陆地淡水储存进行准确估计并表征其变异性至关重要。

在从GRACE卫星发布早期结果之前，水平衡研究中经常忽略TWS的变化，因为量化不显着，年际时间尺度和缺乏可靠的估计。自2002年推出以来，基于GRACE的TWS的分析在不同的空间尺度上进行，从实验水库（Tamaisiea等，2005）到大陆（Syed等，2008），具有不同的水文目标。在大多数情况下，TWS或者被用于水平衡计算中以估计水文通量（Syed等人，2010，2014），或者已经被分析为重要的水文逻辑状态（Crowley等人，2007; Syed等人 et al.，2008; Moiwo et al.，2009）。 最近，TWS已经被有效地用于获得地下水储存变化（Rodell等人，2009; Tiwari等人，2009; Famiglietti等人，2011; Chen等人，2014）。

在过去，一些研究已经观察到TWS信号及其相关的误差结构来表征世界上一些主要流域的水文变异性（Crowley等人，2006,2007; Rodell等人，2006; Syed et al.，2008; Zaitchik et al.，2008; Moiwo et al.，2009; Fersch et al.，2012）。这些研究通过使用土壤水分，雪水当量，中间区土壤水分和地下水的现场测量进一步扩展（Rodell和Famiglietti，2001; Yeh等，2006; Moiwo等，2009）。各种定量分析重现了大面积模型和基于GRACE的TWS估计的一致性。然而，考虑到空间分辨率的限制，GRACE数据在较小区域的一致性不令人满意（Seo等人，2009）。

来自全球土地数据同化系统（GLDAS）的不同地表模型（LSM）模拟是基于GRACE的TWS观测比较和验证的一个复杂部分（Syed等，2008）。GLDAS通过利用最先进的数据同化技术，提供了对单个LSM的离线模拟的显着改进，该技术结合了强迫变量的最佳可用观测（Rodell等人，2004）。 在数据同化过程中，利用各种卫星和地面观测产生地表状态/通量的最佳场。此外，来自GRACE的TWS现在被认为是一个重要的参数，用于改进水文模型模拟（Zaitchik et al.，2008; Lo et al.，2010）。

考虑到地下水变化对TWS变化的重要性，首先通过将GRACE与地表水和土壤水分的辅助测量相结合来研究监测地下水储存变化的可行性（Rodell和Famiglietti，2001）。因此，一些研究已经建立了使用类似技术计算地下水储存异常的能力（例如Rodell等，2006; Yeh等，2006; Famiglietti等，2011; Moore和Fisher，2012; ，2013; Lenk，2013; Voss et al.，2013; Castle et al.，2014）。这种方法一直是确定西北印度（Rodell等，2009）和加利福尼亚（Famiglietti等，2011）严重地下水枯竭地区的关键。

印度有限和脆弱的地下水储存正在枯竭，同时部门需求迅速增长。近年来，由于水胁迫条件的严重程度增加，印度的地下水枯竭受到了很多关注（例如Rodell et al.，2009; Tiwari et al.，2009; CGWB，2011; Chen et al. 2014）。尽管它的重要性，在过去的主要江河流域，从来没有分析过地下水储存和整个TWS。此外，这些盆地也是世界上人口密度最高的地区之一。

在本研究中，分析了印度四个最大流域（图1），即Ganga（861452平方公里），Godavari（302065平方公里），Krishna（258948平方公里）和Krishna地下水储量的时空变化马哈纳迪（139682平方公里）。这些盆地一共占据了该国总地理区域的近49％（http://www.nih.ernet.in）。这项研究的结果将对这些盆地内地表和地下水资源的多部门管理至关重要。特别是，本研究旨在（1）比较来自GRACE和水平衡计算的TWS变化;（2）了解TWS变化和主要水文通量之间的关系;（3）量化2003 - 2012年期间地下水储存趋势;（4）使用ENSO指数建立地下水储存变化的气候控制。

图1研究区地图显示了四个主要的印度河流域：（1）甘加（2）戈达瓦里（3）克里希纳和（4）马哈纳迪河流域。

2.数据

为了分析印度上述流域的陆地水储存行为，以及为了比较的目的，我们使用不同的水文通量和储存的辅助估计，详述如下。每个盆地的空间覆盖率从总径流积分路径（TRIP）数据集（Oki和Sud，1998）获得。

2.1陆地淡水储存（TWS）

十年的GRACE观测在推进各种水文和固体地球过程的科学方面发挥了重要作用。在低近极轨道上导航，GRACE卫星通过跟踪地球重力场的变化来提供对质量变化的精确估计。GRACE通过促进更好地了解地球表面以下水的运动，解决了与气候和全球水文过程相关的问题（Crowley等，2006; Rodell等，2006; Zaitchik等，2008; Grippa等人，2011; Famiglietti和Rodell，2013年），冰川和冰盖的质量变化（Tamaisiea等人，2005; Velicogna和Wahr，2006），雪质量变化（Frappart等人，2011）海平面变化（Leuliette和Miller，2009; NOAA，2013）和海流的变化（Wahr et al.，2002）。

为了估算每月，流域规模，陆地水存储异常（TWSA），地下水存储异常（GSA）和每月地面水存储变化（TWSC），我们使用GRACE Release-05（RL-05）德克萨斯大学空间研究中心（CSR）。数据集已经用200公里的高斯滤波器平滑，并且以60度截断。还包括所有最新数据增强技术的实现，以便提高观察到的TWS估计的精度（Swenson等人，2006）。TWS以当量水高度（以mm为单位）表示，以全局1°times;1°网格表示。这里我们使用GRACE数据的连续115个月（2003-2012年），除了2003年6月，2011年1月，2011年6月，2012年5月和2012年10月。

2.2土壤水分(SM)

这里我们使用来自各种陆面模型模拟的土壤水分数据。由气候预测中心（CPC）产生的土壤水分数据利用由从全球再分析的降水和表面温度的基于计量的观测驱动的单层水平衡模型。这种土壤水分数据可从1948年到现在，空间分辨率为0.5°times;0.5°（Fan和van den Dool，2004）。从GLDAS中的三种不同的陆地表面模型（即NOAH，可变渗透容量（VIC）和社区土地模型（CLM））获得另外的土壤水分估计。在该系统中，利用最好的吸收技术（Rodell et al。，2004），利用最佳可得的陆地表面观测资料估计数据来推动数值地表模型。根据每个土地表面模型中土层的数量，通过对每层的值进行积分来估算总土壤水分。GLDAS数据集的时间分辨率是3小时，从1979年到现在，在1°times;1°的空间分辨率。由于模型特征的较大变化，我们将这些估计的平均值表示为研究区域土壤水分的最佳可能表示。

2.3降水(P)

在这项工作中，降水量是作为两个独立估计的平均值计算的。这里使用的两个不同的全球月降水数据集是全球降水气候学项目（GPCP）和陆地降水重建（PREC / L）。GPCP估计是来自低轨道（微波）和地球同步（红外）卫星的降水和地表雨量计观测（Adler等，2003）的合并分析的结果。在本研究中，使用最新的GPCP数据（版本2.2），其可从1979年到现在以2.5°times;2.5°经度 - 纬度网格的空间分辨率获得。PREC / L数据可从1948年到现在，在1°times;1°纬度 - 经度网格。在这个每月全球降水分析中，使用最佳插值技术来同化从全球历史气候学网络（GHCN）和气候异常监测系统（CAMS）获得的降水量度观测数据（Chen et al.，2002）。

2.4土壤水分蒸发蒸腾损失总量(ET)

这里使用的唯一观测到的蒸散量（ET）数据是Mu等人2011年建立的改进MODIS算法与其早期版本（Mu等人，2007）的关系的实现。在一种新颖的方法中，利用来自MODIS卫星的植被特性和表面能量平衡分量的观测，在NASA的Terra和Aqua平台上，产生蒸散量的全球分析。Mu等人2011年开发的方法的细节涉及实现具有每日表面气象输入（蒸气压力赤字，进入的太阳辐射和空气温度）和计算遥感植被指数的物理模型。该数据集从2000年到2014年，空间分辨率为0.5°times;0.5°。ET的进一步估计从GLDAS中的陆面模型模拟获得，从1979年到现在，在1°times;1°纬度 - 经度网格。最后，所有这些估计的集合平均值在这里用于生成上述每个流域的月ET时间序列。

2.5径流(R)

由于缺乏对河流排放的连续观测，总径流被计算为来自相应盆地边界内的所有像素的表面和地下径流的总和。本研究中使用的表面和地下径流数据集是从GLDAS框架内的三种不同的陆地表面模型（NOAH，VIC和CLM）模拟获得的。

2.6气候指数

厄尔尼诺南方涛动（ENSO）是一种耦合的海洋 - 大气现象，其中ENSO的正相和负相代表赤道太平洋的厄尔尼诺和拉尼娜条件（5°N-5°S，170°-120°W ）。为了确定ENSO对印度河流域地下水储存变率的影响，我们使用BEST（Smith和Sardeshmukh，2000）和Nintilde;o3.4指数（Trenberth，1997）。虽然BEST指数的计算涉及利用压力和温度条件，但Nintilde;o3.4指数仅基于海面温度异常。 在本研究中，我们对气候指数和地下水储存异常时间序列应用中心12个月的移动平均滤波，以突出年际变率。

3.方法

为了研究印度河流域的水文储存行为，我们聚集了从各种遥感观测和模型模拟获得的各个地表通量和储量的多个实现。为了产生每月时间序列的降水，我们取GPCP和PREC / L数据的平均值。类似地，来自三个不同地表模型的结果被平均以获得总径流和ET估计。然而，在ET的情况下，在计算其平均值之前也考虑基于MODIS的估计。

在这项研究中，TWSC的盆地平均估计从GRACE获得，以及通过求解水平衡方程（方程（1））。大型陆地水平衡方程表示为：

△S=P-ET-R （1）

其中S，P，ET和R分别是陆地储水，降水，蒸散量和总径流量的变化。由于每月GRACE解决方案代表TWSA的列积分估计，TWSC的估计通过将TWSA从一个月到另一个进行区分来计算。在这里，我们使用特定日历月的气候学中值来替换GRACE重力数据中的缺失月份。

如前所述，地下水资源是在这里调查的人口稠密流域的人类福祉的关键。因此，上述每个河流流域的地下水储量被分析为短期变率和新出现的趋势。地下水和土壤水分是本研究中所考虑的流域中TWS的主要组成部分（Rode

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[26110]，资料为PDF文档或Word文档，PDF文档可免费转换为Word