遥感反演2000—2020年青藏高原水储量变化及其驱动机制

龙笛; 李雪莹; 李兴东; 韩鹏飞; 赵凡玉; 洪仲坤; 王一鸣; 田富强

doi:10.14042/j.cnki.32.1309.2022.03.003

遥感反演2000—2020年青藏高原水储量变化及其驱动机制

doi: 10.14042/j.cnki.32.1309.2022.03.003

清华大学水沙科学与水利水电工程国家重点实验室，北京 100084

基金项目:

国家自然科学基金资助项目 92047301

第二次青藏高原综合科学考察专题 2019QZKK0105

详细信息

作者简介:
龙笛(1982—)，男，贵州贵阳人，博士，主要从事遥感水文水资源研究。Email: dlong@tsinghua.edu.cn

中图分类号: TV11

Remote sensing retrieval of water storage changes and underlying climatic mechanisms over the Tibetan Plateau during 2000—2020

State Key Laboratory of Hydroscience and Engineering, Tsinghua University, Beijing 100084, China

Funds:

the National Natural Science Foundation of China 92047301

the Second Tibetan Plateau Scientific Expedition and Research (STEP) Program 2019QZKK0105

摘要: 气候变化对青藏高原的水储量造成显著影响，严重威胁下游地区涉及10亿人口的水资源安全、水灾害防治和水生态保护。本研究集成多源卫星遥感(包括卫星重力、卫星测高、光学影像等)及相关反演融合算法和部分再分析数据，在前期工作基础上延长并生成了2000—2020年青藏高原各类水储量(湖泊、冰川、雪深和雪水当量、总水储量)变化数据，并分析其气候驱动机制。结果表明：① 2002—2020年间青藏高原外流区总水储量呈显著下降趋势(-10.90 Gt/a)，主要由冰川质量损失主导；内流区总水储量呈显著上升趋势(6.40 Gt/a)，其中湖泊水量扩张占主导。②青藏湖泊整体呈扩张趋势，并分为3个阶段：2000—2012年为平稳增长期(6.35 Gt/a)，2012—2017年为相对稳定期(1.42 Gt/a)，2017年后进入快速增长期(10.59 Gt/a)；湖泊水量变化与降水量变化一致性较高。③藏东南地区的冰川呈快速消融趋势(-4.50 Gt /a)，气温升高和降水年际波动是近年来该地区冰川后退的主要原因。④ 2016—2020年平均雪水当量较2001—2015年呈增加趋势，积雪变化主要受累积期平均气温和降水影响。
- 总水储量 /
- 湖泊水储量 /
- 冰川物质平衡 /
- 积雪深度 /
- 雪水当量 /
- 青藏高原
Abstract: Climate change has profound impacts on water storage over the Tibetan Plateau (TP). This may seriously threaten freshwater availability, disaster prevention, and ecological integrity for about 1 billion people living downstream. Here we integrate multisource remote sensing (including satellite gravity, satellite altimetry, and optical images) and related algorithms that were developed mostly by the authors to estimate changes in various water storage components over the TP during 2000—2020. Estimated water storage includes lake and glacier storage, snow depth and snow water equivalent, and total water storages (TWS). In addition, we examine underlying climatic mechanisms for these storage changes. Results show that : ① TWS shows a significant decrease (-10.90 Gt/a) for exorheic TP basins dominated by glacier retreat, but a marked increase (6.40 Gt/a) in endorheic basins reflected mostly by lake expansion in recent decades (2002—2020).② Lake storage over the TP shows an increasing trend during 2002—2020, and this trend can be divided into a stable growth period (2002—2012, 6.35 Gt/a), a relatively stable period (2012—2017, 1.42 Gt/a), and a rapid growth period (2017—2020, 10.59 Gt/a). Lake water storage changes show high consistency with precipitation variations. ③ Glacier mass over the Southeastern TP declined rapidly during 2002—2019 (-4.50 Gt/a). Rising temperatures and interannual variability in precipitation are the dominate climate factors that resulted in glacier retreat over this region. ④ Annual average SWE during 2016—2020 shows an increasing trend compared to that during 2001—2015. Changes in SWE are affected mostly by average temperature and precipitation during the snow accumulation periods.
- total water storage /
- lake water storage /
- glacier mass balance /
- snow depth /
- snow water equivalent /
- Tibetan Plateau
图 1 青藏高原及藏东南地理位置

Figure 1. Location information of the Tibetan Plateau and Southeastern Tibetan Plateau

下载: 全尺寸图片幻灯片

图 2 青藏高原52个大、中型湖泊累积水量与青藏高原内流区年降水量变化时间序列

Figure 2. Accumulated lake water storage change for 52 large and middle lakes and annual precipitation in the endorheic basin on the Tibetan Plateau

下载: 全尺寸图片幻灯片

图 3 青藏高原52个大、中型湖泊2000—2020年水量变化趋势

Figure 3. Spatial pattern of water storage trends of 52 large and middle lakes for 2000—2020 in the Tibetan Platean

下载: 全尺寸图片幻灯片

图 4 近3 a藏东南地区冰川表面高程季节变化

Figure 4. Seasonal time series of cumulative glacier elevation changes in the Southeastern Tibetan Plateau in recent three years

下载: 全尺寸图片幻灯片

图 5 2000—2020年藏东南地区冰川表面高程变化空间分布(0.5°×0.5°网格)

Figure 5. Spatial distribution of glacier elevation change during 2000—2020 in the Southeastern Tibetan Plateau

下载: 全尺寸图片幻灯片

图 6 青藏高原500 m分辨率雪深产品2001—2015年四季平均雪深空间分布

Figure 6. Spatial distributions of multi-year (2001—2015) averaged snow depth derived from a 500 m snow depth product for four seasons

下载: 全尺寸图片幻灯片

图 7 ERA5-Land产品2001—2015年四季平均雪深空间分布

Figure 7. Spatial distributions of multi-year (2001—2015) averaged snow depth derived from the ERA5-Land product for four seasons

下载: 全尺寸图片幻灯片

图 8 2001—2015年青藏高原500 m分辨率雪深产品和ERA5-Land产品平均雪深和雪水当量

Figure 8. Time series of regionally averaged snow depth and snow water equivalent over the Tibetan Plateau during 2001—2015 for a 500 m snow depth product and the ERA5 product

下载: 全尺寸图片幻灯片

图 9 2001—2015年和2016—2020年间ERA5-Land产品反映的青藏高原多年月平均雪水当量

Figure 9. Multi-year monthly averaged snow water equivalent derived from the ERA5-Land product for 2001—2015 and 2016—2020 over the Tibetan Plateau

下载: 全尺寸图片幻灯片

图 10 2002—2020年GRACE不同三级产品反演的青藏高原水储量变化趋势

Figure 10. Trends in total water storage over the Tibetan Plateau during 2002—2020 estimated from different GRACE solutions

下载: 全尺寸图片幻灯片

图 11 基于GRACE JPL-M获取的2002—2020年总水储量变化时间序列

Figure 11. Time series of total water storage changes over the Tibetan Plateau, Indus-Ganges-Brahmaputra, and Inner Tibetan Plateau basins during 2002—2020 estimated from GRACE JPL-M

下载: 全尺寸图片幻灯片

[1]	郑度, 姚檀栋. 青藏高原形成演化及其环境资源效应研究进展[J]. 中国基础科学, 2004, 6(2): 15-21. doi: 10.3969/j.issn.1009-2412.2004.02.003 ZHENG D, YAO T D. Progress in research on formation and evolution of Tibetan Plateau with its environment and resource effects[J]. China Basic Science, 2004, 6(2): 15-21. (in Chinese) doi: 10.3969/j.issn.1009-2412.2004.02.003
[2]	YAO T D, THOMPSON L, YANG W, et al. Different glacier status with atmospheric circulations in Tibetan Plateau and surroundings[J]. Nature Climate Change, 2012, 2(9): 663-667. doi: 10.1038/nclimate1580
[3]	ZHENG G H, YANG Y T, YANG D W, et al. Remote sensing spatiotemporal patterns of frozen soil and the environmental controls over the Tibetan Plateau during 2002—2016[J]. Remote Sensing of Environment, 2020, 247: 111927. doi: 10.1016/j.rse.2020.111927
[4]	ZHANG G Q, YAO T D, XIE H J, et al. Response of Tibetan Plateau lakes to climate change: trends, patterns, and mechanisms[J]. Earth-Science Reviews, 2020, 208: 103269. doi: 10.1016/j.earscirev.2020.103269
[5]	HUGONNET R, MCNABB R, BERTHIER E, et al. Accelerated global glacier mass loss in the early twenty-first century[J]. Nature, 2021, 592(7856): 726-731. doi: 10.1038/s41586-021-03436-z
[6]	LIU J F, CHEN R S. Studying the spatiotemporal variation of snow-covered days over China based on combined use of MODIS snow-covered days and in situ observations[J]. Theoretical and Applied Climatology, 2011, 106(3/4): 355-363.
[7]	刘洵, 金鑫, 柯长青. 中国稳定积雪区IMS雪冰产品精度评价[J]. 冰川冻土, 2014, 36(3): 500-507. https://www.cnki.com.cn/Article/CJFDTOTAL-BCDT201403003.htm LIU X, JIN X, KE C Q. Accuracy evaluation of the IMS snow and ice products in stable snow covers regions in China[J]. Journal of Glaciology and Geocryology, 2014, 36(3): 500-507. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-BCDT201403003.htm
[8]	姚檀栋. 青藏高原水-生态-人类活动考察研究揭示"亚洲水塔"的失衡及其各种潜在风险[J]. 科学通报, 2019, 64(27): 2761-2762. https://www.cnki.com.cn/Article/CJFDTOTAL-KXTB201927001.htm YAO T D. A comprehensive study of water-ecosystem-human activities reveals unbalancing Asian Water Tower and accompanying potential risks[J]. Chinese Science Bulletin, 2019, 64(27): 2761-2762. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-KXTB201927001.htm
[9]	IMMERZEEL W W, van BEEK L P H, BIERKENS M F P. Climate change will affect the Asian Water Towers[J]. Science, 2010, 328(5984): 1382-1385. doi: 10.1126/science.1183188
[10]	IMMERZEEL W W, LUTZ A F, ANDRADE M, et al. Importance and vulnerability of the world's water towers[J]. Nature, 2020, 577(7790): 364-369. doi: 10.1038/s41586-019-1822-y
[11]	CHEN D, XU B, YAO T, et al. Assessment of past, present and future environmental changes on the Tibetan Plateau[J]. Chinese Science Bulletin, 2015, 60(32): 3025-3035.
[12]	LI X Y, LIU L, LI H, et al. Spatiotemporal soil moisture variations associated with hydro-meteorological factors over the Yarlung Zangbo River basin in Southeast Tibetan Plateau[J]. International Journal of Climatology, 2020, 40(1): 188-206. doi: 10.1002/joc.6202
[13]	LIU X D, CHEN B D. Climatic warming in the Tibetan Plateau during recent decades[J]. International Journal of Climatology, 2000, 20(14): 1729-1742. doi: 10.1002/1097-0088(20001130)20:14<1729::AID-JOC556>3.0.CO;2-Y
[14]	BRUN F, BERTHIER E, WAGNON P, et al. A spatially resolved estimate of High Mountain Asia glacier mass balances from 2000 to 2016[J]. Nature Geoscience, 2017, 10(9): 668-673. doi: 10.1038/ngeo2999
[15]	MAURER J M, SCHAEFER J M, RUPPER S, et al. Acceleration of ice loss across the Himalayas over the past 40 years[J]. Science Advances, 2019, 5(6): eaav7266. doi: 10.1126/sciadv.aav7266
[16]	FORSYTHE N, FOWLER H J, LI X F, et al. Karakoram temperature and glacial melt driven by regional atmospheric circulation variability[J]. Nature Climate Change, 2017, 7(9): 664-670. doi: 10.1038/nclimate3361
[17]	FARINOTTI D, IMMERZEEL W W, de KOK R J, et al. Manifestations and mechanisms of the karakoram glacier anomaly[J]. Nature Geoscience, 2020, 13(1): 8-16. doi: 10.1038/s41561-019-0513-5
[18]	LI X D, LONG D, HUANG Q, et al. High-temporal-resolution water level and storage change data sets for lakes on the Tibetan Plateau during 2000—2017 using multiple altimetric missions and Landsat-derived lake shoreline positions[J]. Earth System Science Data, 2019, 11(4): 1603-1627. doi: 10.5194/essd-11-1603-2019
[19]	ZHANG G Q, YAO T D, XIE H J, et al. Increased mass over the Tibetan Plateau: from lakes or glaciers?[J]. Geophysical Research Letters, 2013, 40(10): 2125-2130. doi: 10.1002/grl.50462
[20]	汤秋鸿, 刘星才, 周园园, 等. "亚洲水塔"变化对下游水资源的连锁效应[J]. 中国科学院院刊, 2019, 34(11): 1306-1312. https://www.cnki.com.cn/Article/CJFDTOTAL-KYYX201911014.htm TANG Q H, LIU X C, ZHOU Y Y, et al. Cascading impacts of Asian Water Tower change on downstream water systems[J]. Bulletin of Chinese Academy of Sciences, 2019, 34(11): 1306-1312. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-KYYX201911014.htm
[21]	岩腊, 龙笛, 白亮亮, 等. 基于多源信息的水资源立体监测研究综述[J]. 遥感学报, 2020, 24(7): 787-803. https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB202007001.htm YAN L, LONG D, BAI L L, et al. A review on water resources stereoscopic monitoring systems based on multisource data[J]. Journal of Remote Sensing, 2020, 24(7): 787-803. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB202007001.htm
[22]	白亮亮, 曾超, 盖长松, 等. 基于高分卫星数据多时相重建的水体信息提取[J]. 水力发电学报, 2021, 40(2): 111-120. https://www.cnki.com.cn/Article/CJFDTOTAL-SFXB202102011.htm BAI L L, ZENG C, GAI C S, et al. Extraction of water body information from GF-1 satellite images using spatiotemporal reconstruction approach[J]. Journal of Hydroelectric Engineering, 2021, 40(2): 111-120. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SFXB202102011.htm
[23]	ZHAO F Y, LONG D, LI X D, et al. Rapid glacier mass loss in the Southeastern Tibetan Plateau since the year 2000 from satellite observations[J]. Remote Sensing of Environment, 2022, 270: 112853. doi: 10.1016/j.rse.2021.112853
[24]	DAI L Y, CHE T, XIE H J, et al. Estimation of snow depth over the Qinghai-Tibetan Plateau based on AMSR-E and MODIS data[J]. Remote Sensing, 2018, 10(12): 1989. doi: 10.3390/rs10121989
[25]	LI X Y, LONG D, HAN Z Y, et al. Evapotranspiration estimation for Tibetan Plateau headwaters using conjoint terrestrial and atmospheric water balances and multisource remote sensing[J]. Water Resources Research, 2019, 55(11): 8608-8630. doi: 10.1029/2019WR025196
[26]	SUN Z L, LONG D, YANG W T, et al. Reconstruction of GRACE data on changes in total water storage over the global land surface and 60 basins[J]. Water Resources Research, 2020, 56(4): e2019WR026250.
[27]	张镱锂, 李炳元, 郑度. 论青藏高原范围与面积[J]. 地理研究, 2002, 21(1): 1-8. https://www.cnki.com.cn/Article/CJFDTOTAL-DLYJ200201000.htm ZHANG Y L, LI B Y, ZHENG D. A discussion on the boundary and area of the Tibetan Plateau in China[J]. Geographical Research, 2002, 21(1): 1-8. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-DLYJ200201000.htm
[28]	HONG Z K, HAN Z Y, LI X Y, et al. Generation of an improved precipitation data set from multisource information over the Tibetan Plateau[J]. Journal of Hydrometeorology, 2021, 22(5): 1275-1295.
[29]	林芝地区气象局. 西藏林芝地区气象志[M]. 成都: 四川科学技术出版社, 2014. Nyingchi Regional Meteorological Bureau. Meteorological records of Nyingchi region, Tibet[M]. Chengdu: Sichuan Scientific & Technical Publishers, 2014. (in Chinese)
[30]	TAPLEY B D, BETTADPUR S, RIES J C, et al. GRACE measurements of mass variability in the earth system[J]. Science, 2004, 305(5683): 503-505. doi: 10.1126/science.1099192
[31]	HUANG Q, LONG D, DU M D, et al. An improved approach to monitoring Brahmaputra River water levels using retracked altimetry data[J]. Remote Sensing of Environment, 2018, 211: 112-128. doi: 10.1016/j.rse.2018.04.018
[32]	HUANG Q, LI X D, HAN P F, et al. Validation and application of water levels derived from Sentinel-3A for the Brahmaputra River[J]. Science China-Technological Sciences, 2019, 62(10): 1760-1772. doi: 10.1007/s11431-019-9535-3
[33]	LI X D, LONG D, HUANG Q, et al. The state and fate of lake ice thickness in the Northern Hemisphere[J]. Science Bulletin, 2022, 67(5): 537-546. doi: 10.1016/j.scib.2021.10.015
[34]	SUN M Z, GUO J Y, YUAN J J, et al. Detecting lake level change from 1992 to 2019 of Zhari Namco in Tibet using altimetry data of TOPEX/Poseidon and Jason-1/2/3 missions[J]. Frontiers in Earth Science, 2021, 9: 640553. doi: 10.3389/feart.2021.640553
[35]	LONG D, SHEN Y J, SUN A, et al. Drought and flood monitoring for a large Karst Plateau in Southwest China using extended GRACE data[J]. Remote Sensing of Environment, 2014, 155: 145-160. doi: 10.1016/j.rse.2014.08.006
[36]	MO S X, ZHONG Y L, FOROOTAN E, et al. Bayesian convolutional neural networks for predicting the terrestrial water storage anomalies during GRACE and GRACE-FO gap[J]. Journal of Hydrology, 2022, 604: 127244. doi: 10.1016/j.jhydrol.2021.127244
[37]	LONG D, CHEN X, SCANLON B R, et al. Have GRACE satellites overestimated groundwater depletion in the Northwest India aquifer?[J]. Scientific Reports, 2016, 6: 24398. doi: 10.1038/srep24398
[38]	ORSOLINI Y, WEGMANN M, DUTRA E, et al. Evaluation of snow depth and snow cover over the Tibetan Plateau in global reanalyses using in situ and satellite remote sensing observations[J]. The Cryosphere, 2019, 13(8): 2221-2239. doi: 10.5194/tc-13-2221-2019
[39]	BIEMANS H, SIDERIUS C, LUTZ A F, et al. Importance of snow and glacier meltwater for agriculture on the Indo-Gangetic Plain[J]. Nature Sustainability, 2019, 2(7): 594-601. doi: 10.1038/s41893-019-0305-3
[40]	刘宝康, 李林, 杜玉娥, 等. 青藏高原可可西里卓乃湖溃堤成因及其影响分析[J]. 冰川冻土, 2016, 38(2): 305-311. https://www.cnki.com.cn/Article/CJFDTOTAL-BCDT201602002.htm LIU B K, LI L, DU Y E, et al. Causes of the outburst of Zonag Lake in Hoh Xil, Tibetan Plateau, and its impact on surrounding environment[J]. Journal of Glaciology and Geocryology, 2016, 38(2): 305-311. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-BCDT201602002.htm
[41]	姚晓军, 刘时银, 孙美平, 等. 可可西里地区库赛湖变化及湖水外溢成因[J]. 地理学报, 2012, 67(5): 689-698. https://www.cnki.com.cn/Article/CJFDTOTAL-DLXB201205014.htm YAO X J, LIU S Y, SUN M P, et al. Changes of kusai lake in Hoh Xil region and causes of its water overflowing[J]. Acta Geographica Sinica, 2012, 67(5): 689-698. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-DLXB201205014.htm
[42]	BISKOP S, MAUSSION F, KRAUSE P, et al. Differences in the water-balance components of four lakes in the southern-central Tibetan Plateau[J]. Hydrology and Earth System Sciences, 2016, 20(1): 209-225. doi: 10.5194/hess-20-209-2016
[43]	LI G, LIN H. Recent decadal glacier mass balances over the Western Nyainqentanglha Mountains and the increase in their melting contribution to Nam Co Lake measured by differential bistatic SAR interferometry[J]. Global and Planetary Change, 2017, 149: 177-190. doi: 10.1016/j.gloplacha.2016.12.018
[44]	YANG K, LU H, YUE S Y, et al. Quantifying recent precipitation change and predicting lake expansion in the Inner Tibetan Plateau[J]. Climatic Change, 2018, 147(1/2): 149-163.
[45]	ZHOU J, WANG L, ZHANG Y S, et al. Exploring the water storage changes in the largest lake (Selin Co) over the Tibetan Plateau during 2003—2012 from a basin-wide hydrological modeling[J]. Water Resources Research, 2015, 51(10): 8060-8086. doi: 10.1002/2014WR015846
[46]	施雅风, 张祥松. 气候变化对西北干旱区地表水资源的影响和未来趋势[J]. 中国科学(B辑), 1995, 25(9): 968-977. https://www.cnki.com.cn/Article/CJFDTOTAL-JBXK199509011.htm SHI Y F, ZHANG X S. Climate change impacts on surface water resources in northwest arid area and the future trend[J]. Science in China (SerB), 1995, 25(9): 968-977. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-JBXK199509011.htm
[47]	FYFE J C, GILLETT N P, ZWIERS F W. Overestimated global warming over the past 20 years[J]. Nature Climate Change, 2013, 3(9): 767-769. doi: 10.1038/nclimate1972
[48]	HAN Z Y, LONG D, HAN P F, et al. An improved modeling of precipitation phase and snow in the Lancang River basin in Southwest China[J]. Science China-Technological Sciences, 2021, 64(7): 1513-1527. doi: 10.1007/s11431-020-1788-4
[49]	CHEN X, LONG D, HONG Y, et al. Improved modeling of snow and glacier melting by a progressive two-stage calibration strategy with GRACE and multisource data: how snow and glacier meltwater contributes to the runoff of the Upper Brahmaputra River basin?[J]. Water Resources Research, 2017, 53(3): 2431-2466. doi: 10.1002/2016WR019656
[50]	HAN P F, LONG D, HAN Z Y, et al. Improved understanding of snowmelt runoff from the headwaters of China's Yangtze River using remotely sensed snow products and hydrological modeling[J]. Remote Sensing of Environment, 2019, 224: 44-59. doi: 10.1016/j.rse.2019.01.041
[51]	WU B Y. Weakening of Indian summer monsoon in recent decades[J]. Advances in Atmospheric Sciences, 2005, 22(1): 21-29. doi: 10.1007/BF02930866
[52]	ZHAO H B, XU B Q, YAO T D, et al. Deuterium excess record in a Southern Tibetan ice core and its potential climatic implications[J]. Climate Dynamics, 2012, 38(9/10): 1791-1803.

[1]	韩松俊, 王旭, 刘亚平, 田富强. 青藏高原潜在蒸发时空变化的南北分异特征 . 水科学进展, 2023, 34(4): 490-498. doi: 10.14042/j.cnki.32.1309.2023.04.002
[2]	田富强, 李琨彪, 韩松俊, 南熠, 杨龙. 青藏高原东部流域径流偶极子时空变化规律 . 水科学进展, 2023, 34(4): 481-489. doi: 10.14042/j.cnki.32.1309.2023.04.001
[3]	高泽永, 牛富俊, 王一博, 王玮, 林战举, 罗京, 吕明侠. 青藏高原多年冻土区热喀斯特湖水文特征及环境效应 . 水科学进展, 2022, 33(2): 174-184. doi: 10.14042/j.cnki.32.1309.2022.02.002
[4]	柯贤敏, 欧安锋, 王玮, 牛富俊, 高泽永. 青藏高原热喀斯特湖与多年冻土的相互作用 . 水科学进展, 2022, 33(4): 542-552. doi: 10.14042/j.cnki.32.1309.2022.04.003
[5]	季芳, 范林峰, 匡星星, 邹一光, 郑春苗. 青藏高原多年冻土退化对蒸散发的影响 . 水科学进展, 2022, 33(3): 390-400. doi: 10.14042/j.cnki.32.1309.2022.03.004
[6]	刘扬李, 周祖昊, 刘佳嘉, 王鹏翔, 李玉庆, 朱熠明, 姜欣彤, 王康, 王富强. 基于水热耦合的青藏高原分布式水文模型——Ⅱ.考虑冰川和冻土的尼洋河流域水循环过程模拟 . 水科学进展, 2021, 32(2): 201-210. doi: 10.14042/j.cnki.32.1309.2021.02.005
[7]	周祖昊, 刘扬李, 李玉庆, 王鹏翔, 王康, 李佳, 朱熠明, 刘佳嘉, 王富强. 基于水热耦合的青藏高原分布式水文模型--Ⅰ.“积雪-土壤-砂砾石层”连续体水热耦合模拟 . 水科学进展, 2021, 32(1): 20-32. doi: 10.14042/j.cnki.32.1309.2021.01.003
[8]	曹伟, 盛煜, 吴吉春, 李静, 王生廷. 青藏高原坡面冻土土壤水分空间变异特性 . 水科学进展, 2017, 28(1): 32-40. doi: 10.14042/j.cnki.32.1309.2017.01.004
[9]	李志威, 余国安, 徐梦珍, 胡旭跃, 杨洪明, 胡世雄. 青藏高原河流演变研究进展 . 水科学进展, 2016, 27(4): 617-628. doi: 10.14042/j.cnki.32.1309.2016.04.017
[10]	杨玉忠, 吴青柏, 贠汉伯. 北麓河多年冻土区降水及河水稳定同位素特征分析 . 水科学进展, 2013, 24(6): 778-785.
[11]	胡列群, 黄慰军, 殷克勤, 熊玲, 何亚萍. 新疆冬季雪水资源估算及分布特征 . 水科学进展, 2013, 24(3): 326-332.
[12]	李春杰, 任东兴, 王根绪, 胡宏昌, 李太兵, 刘光生. 青藏高原两种草甸类型人工降雨截留特征分析 . 水科学进展, 2009, 20(6): 769-774.
[13]	张文纲, 李述训, 庞强强. 青藏高原40年来降水量时空变化趋势 . 水科学进展, 2009, 20(2): 168-176.
[14]	何晓波, 叶柏生, 丁永建. 青藏高原唐古拉山区降水观测误差修正分析 . 水科学进展, 2009, 20(3): 403-408.
[15]	钟海玲, 李栋梁. 河西内陆河流量对高原加热场强度的响应 . 水科学进展, 2008, 19(2): 179-183.
[16]	李元寿, 王根绪, 丁永建, 王一博, 赵林, 张春敏. 青藏高原高寒草甸区土壤水分的空间异质性 . 水科学进展, 2008, 19(1): 61-67.
[17]	王可丽, 江灏, 赵红岩. 中国西北地区水汽的平流输送和辐合输送 . 水科学进展, 2006, 17(2): 164-169.
[18]	张洪恩, 施建成, 刘素红. 湖泊亚像元填图算法研究 . 水科学进展, 2006, 17(3): 376-382.
[19]	王可丽, 江灏, 赵红岩. 西风带与季风对中国西北地区的水汽输送 . 水科学进展, 2005, 16(3): 432-438.
[20]	李栋梁, 张佳丽, 全建瑞, 章克俭. 黄河上游径流量演变特征及成因研究 . 水科学进展, 1998, 9(1): 22-28.

点击查看大图

图(11)

计量

文章访问数: 1475
HTML全文浏览量: 219
PDF下载量: 256
被引次数: 0

全文HTML

青藏高原被誉为“亚洲水塔”、“地球第三极”，平均海拔约4 000 m，是亚洲主要大河的发源地，包括亚洲重要的跨境河流印度河、恒河、雅鲁藏布江-布拉马普特拉河、怒江-萨尔温江、澜沧江-湄公河以及中国长江和黄河等。同时，青藏高原在亚洲气候系统的稳定和高原生态系统(山地森林、高寒草甸、高寒草原、农田等)的碳收支动态变化方面具有重要的生态安全屏障作用，是亚洲乃至北半球环境变化的调控器^[1]。以南亚季风及西风带为主导的大气环流^[2]和青藏高原独特的高山地形，共同形成了该地区丰富的水资源储量，区域内湖泊、冰川众多，湖泊群总面积约5万km²，占中国湖泊面积的一半以上，其中大于1 km²的湖泊数量接近1 400个^[3-4]，是世界上湖泊分布最密集的地区之一；共有冰川约7.7万条，总面积达8.3万km²，是除两极和格陵兰岛之外冰川数目最多的地区^[5]。其中，藏东南地区是中国最主要的海洋性冰川集中区，7 700余条冰川的面积超过7 200 km²。此外，青藏高原冬、春两季的季节性积雪覆盖范围广、深度较深、持续时间长，是中国三大稳定积雪区之一^[6-7]。青藏高原各类水储量(包括湖泊、冰川、积雪、冻土等)变化不仅与区域能量、大气循环密切相关，而且对亚洲主要大河的冰雪融水补给有重要影响，进一步对泛第三极地区的20多个国家和30多亿人口的生存发展具有重要意义^[8]。

气候变化对青藏高原具有显著而深刻的影响。研究表明，青藏高原是全球范围内对气候变化最敏感的地区之一^[9-10]。总体而言，近年来青藏高原正经历显著的变暖变湿趋势^[11-13]，持续性的气候变化使“亚洲水塔”水储量发生失衡^[8]，主要表现为藏东南地区冰川快速消融^[14-15]、喀喇昆仑地区冰川正平衡(即喀喇昆仑异常)^[16-17]、内流区湖泊显著扩张^[18-19]等。这些现象表明，“亚洲水塔”水储量及相关水文过程正发生深刻改变，冰湖溃决、冰崩、泥石流等自然灾害频率和强度不断增加，对“亚洲水塔”及泛第三极地区的水资源利用、水灾害防治和可持续发展带来一系列重大挑战^[20]。

区域水储量变化的地面观测手段极其有限。近年来在美国对地观测系统(Earth Observing System)、欧洲哥白尼计划(Copernicus Programme)哨兵(Sentinel)卫星系列、中国高分等重大对地观测计划开展下，遥感的时间、空间、光谱和辐射分辨率不断提高，水循环要素的反演算法不断发展，多卫星组网观测和数据融合技术不断成熟，为水储量变化的大范围时空动态监测提供了可能^[21-22]。本研究在作者前期工作及数据集的基础上^{[18, 23-26]}，集成卫星测高、ICESat-2(Ice，Cloud and land Elevation Satellite)陆冰产品、青藏高原500 m分辨率雪深产品、重力恢复与气候实验卫星(Gravity Recovery and Climate Experiment，GRACE)及其后续卫星GRACE-Follow On(GRACE-FO)等多源遥感信息，对部分水储量变化数据进行延长，并结合再分析数据，解析2000—2020年(以下简称近20 a)青藏高原湖泊水储量、冰川水储量、雪水当量和总水储量的变化及其气候驱动机制。本研究将对认识“亚洲水塔”各类水储量对气候变化的响应和驱动机制提供关键科学支撑，并为“亚洲水塔”失稳的适应性对策制定提供科学依据。

2. 基础数据

2.1. 湖泊水储量

本研究在前期工作基础上，使用了包括ICESat(2003—2009年)、Envisat(2002—2011年)、CryoSat-2(2010—2020年)和Jason-1/2/3(2002—2020年)系列等多源测高数据，补充延长了52个大、中型湖泊测高水位。利用Landsat 5/7/8影像(2002—2017年)提取上述湖泊岸线变化和面积变化，并分别用于生成光学水位和建立湖泊面积—水位关系^[18]。不同测高卫星覆盖的湖泊数量不同，ICESat覆盖42个湖泊，Envisat覆盖35个湖泊，CryoSat-2覆盖全部52个湖泊，Jason-1/2/3覆盖12个湖泊，光学水位覆盖全部湖泊。在各种测高卫星中，Envisat和Jason-1/2/3是传统的脉冲有限雷达测高卫星，地面足迹通常在2~4 km，其中Jason-1/2/3系列卫星拥有现有测高数据中最短的重访周期(10 d)；CryoSat-2是采用了InSAR技术的新一代雷达测高卫星，具有较小的地面足迹(沿轨道方向约300 m，垂直轨道方向约1.65 km)；ICESat是激光雷达测高卫星，地面足迹约170 m，具有较高的精度。Envisat和CryoSat-2数据均可从欧洲航天局(ESA)官网公开下载(https://earth.esa.int/eogateway)，Jason-1/2/3数据可通过AVISO+(Archiving，Validation and Interpretation of Satellite Oceanographic data)官网下载(https://www.aviso.altimetry.fr/en/home.html)，ICESat数据可通过美国国家冰雪数据中心(NSIDC)官网获取(https://nsidc.org/)。

2.2. 冰川表面高程

本研究利用测高卫星ICESat-2计算冰川表面高程变化^[23]。ICESat-2(观测时段为2018年10月至今)是ICESat的后续卫星，于2018年9月15日成功发射。其有效载荷是先进地形激光高度计系统(Advanced Topographic Laser Altimeter System，ATLAS)，是目前高程精度最高的星载激光雷达。ICESat-2的轨道高度为496 km，重访周期为91 d。ICESat-2发射3对(6束)激光束，每对光束包括一强一弱2束光。每个波束对之间的距离为3.3 km，同一波束对中强弱波束之间的距离为跨轨90 m，沿轨2.5 km。同一波束的相邻足迹点之间的距离为0.7 m。与ICESat相比，ICESat-2在数据覆盖密度、数据精度和空间分辨率方面都有显著提高。ICESat-2共有1 387条轨道覆盖整个地球表面，具有0.1 m的高程精度，可获取精细的冰面地形。本研究使用L3A陆冰高程数据(ATL06)，空间分辨率约为20 m，数据可通过美国宇航局(NASA)数据平台EARTHDATA(https://search.earthdata.nasa.gov/search)公开获取。

2.3. 积雪面积和雪水当量

本研究利用Dai等^[24]开发的青藏高原500 m分辨率雪深产品对青藏高原积雪时空变化规律进行研究。青藏高原500 m雪深产品综合利用了MODIS积雪面积、地表温度和被动微波亮度温度来反演雪深，利用地表温度与被动微波K和Ka波段水平极化亮度温度的关系，消除土壤对亮度温度差(TBD)的贡献，然后将被动微波格网上的TBD分配到有雪像元，最后利用TBD和雪深的关系提取雪深，得到的雪深产品分辨率和准确度都较高。此外，本研究根据由欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts，ECMWF)官网(https://www.ecmwf.int/en/era5-land)公开获取的ERA5-Land再分析资料，利用其月均积雪变量相关数据(雪深、雪密度、雪水当量)和上述500 m分辨率雪深数据进行对比，分析青藏高原积雪变化规律。ERA5-Land数据的空间分辨率为0.1°×0.1°，时间分辨率为1 h。

2.4. 总水储量

重力卫星GRACE(观测时段为2002年4月至2017年6月)及其后续卫星GRACE-FO(观测时段为2018年5月至今)的研制和发射，为陆地总水储量变化(以下简称总水储量变化，包括地表水储量(如冰川、湖泊、积雪等)、土壤水储量和地下水储量的总变化)的反演开辟了新途径。重力卫星由2颗完全一样的卫星构成，轨道距离地球约450 km，2颗卫星的距离约220 km，将双星之间的距离变化作为反演地球时变重力场的基本信息，可进一步获得由地球质量重分布引起的总水储量变化。重力卫星可提供月尺度，空间分辨率约10万km²(约300 km×300 km)的总水储量变化信息^[30]。本研究对比4种不同的GRACE三级产品在青藏高原的表现，包括2种基于球谐系数的网格产品(JPL-SH和CSR-SH)和2种基于质量浓度斑块(mascon)的网格产品(JPL-M和CSR-M)。其中，2种球谐系数产品为RL05版本，其名义分辨率为1°×1°；2种mascon产品为RL06版本，其名义分辨率分别为0.5°×0.5°(JPL-M)和0.25°×0.5°(CSR-M)。重建GRACE和GRACE-FO之间的缺失数据时，采用最新的GRACE JPL RL06版本。所有重力卫星数据均为总水储量相对于2004—2009年时段的距平值，可由NASA官网公开获取(http://grace.jpl.nasa.gov)。

3. 研究方法

3.1. 湖泊水储量变化

采用湖泊面积变化和湖泊水位变化观测计算湖泊水储量变化。湖泊面积的获取主要通过遥感影像识别湖泊边界，湖泊水位的获取可通过测高卫星直接观测。此外，可以通过对湖泊岸坡局部地形的分析，建立特定区域岸线位置与水位之间的关系来推求湖泊水位。本研究采用了基于卫星测高(测高水位)和基于光学影像的岸线变化(光学水位)2种方法来推求湖泊水位^[18]。

基于云平台GEE(Google Earth Engine)和水体指数法提取湖泊面积和岸线变化包括4个基本步骤：①构建包含湖泊边界/岸线的缓冲区；②构建水体指数；③在缓冲区内进行水体指数计算，并选取合适的阈值将水体指数灰度图二值化；④根据二值化图像计算水体面积后导出。常用的水体指数有归一化差异水体指数(NDWI)和改进的归一化差异水体指数(MNDWI)。其中，MNDWI可以更有效识别浑浊水体，更适用于夏季；NDWI可以一定程度区分湖岸的积雪和湖水，更适用于冬季。自动阈值的选取通常基于最大类间方差法，即大津法(Otsu′s Method)。

卫星测高最初应用于海平面和冰盖监测，近年来在内陆水体以及河、湖、冰研究中得到广泛应用^{[18, 31-33]}。雷达测高卫星数据通常还需要进行波形重定，目的是消除复杂地形引起的雷达回波信号异常，从而提高水位的反演精度。Huang等^[31]提出的50% Threshold and Ice-1 Combined(TIC)波形重定算法，在改进阈值法的基础上，优化了测高足迹的选取，并针对不同季节使用不同的阈值，该方法可以显著改善河湖水位的反演精度。在湖泊水位提取中，由于整体地形平坦、水位变动幅度较小，仅使用TIC算法的50%阈值模式即可满足应用需求。另一方面，不同的测高卫星轨道密度、重访周期以及精度各有不同，使用多源测高数据能够延长和加密湖泊测高水位序列，但往往需要消除不同传感器之间的系统误差。在获取多源雷达测高水位和光学水位后，可以通过比较数据重叠期的平均水位值，移除不同源测高水位之间的系统偏差^[18]。经与实测水位检验以及理论推导，修正系统误差后的光学和测高水位精度(均方根误差)均可达到0.2 m以内^{[18, 34]}。

通过建立湖泊岸线变化与同期测高水位之间的统计回归关系，可将岸线变化转化为水位信息，即光学水位。由于光学水位覆盖的时段最长，以光学水位为参照，通过比较数据重叠期的平均水位值，可将多源测高卫星数据之间的系统误差全部移除，形成时空一致性良好的高时间分辨率水位序列。获取湖泊水位和面积变化时间序列后，可以通过积分得到湖泊水量变化(常见的方法有台体公式，面积—水位关系积分得到体积—水位关系等)。

3.2. 冰川质量平衡

本研究利用ICESat-2 L3A陆冰高程(ATL06 V3)产品，计算藏东南地区的冰川表面高程变化^[23]。使用的参考DEM是最新发布的NASADEM(空间分辨率约30 m)，通过计算ICESat-2与NASADEM之间的高程差，即可得到2000—2019年间冰川表面高程变化值，进而求得冰川厚度的变化速率和冰川物质平衡。经与野外考察获取的GPS测点高程以及无人机获取的帕隆四号冰川超高分辨率DSM(数字表面模型)相比，ICESat-2数据在相同位置的高程误差在3 m以内，具有极高的精度。

$$\Delta h = {h_{{\rm{ICESat - 2}}}} - {h_{{\rm{NASADEM}}}} + {h_{\rm{p}}}$$ (1)

式中：Δh为冰川表面高程变化值；h_ICESat-2和h_NASADEM分别对应ICESat-2足迹点的高程值和对应NASADEM的高程值；h_p为NASADEM对冰川的穿透深度，在本研究中h_p=1.5 m。

$${R = \frac{{\Delta h}}{{\Delta t}}}$$ (2)

$${M = R\frac{{{\rho _{\rm{g}}}}}{{{\rho _{\rm{w}}}}}}$$ (3)

式中：R为冰川厚度变化速率；M为冰川物质平衡；ρ_g和ρ_w分别为冰川和水的密度，ρ_g=850 kg/m³。

3.3. 总水储量变化

3.3.1. 时间序列分解方法

本研究采用STL(Seasonal and Trend decomposition using Loess)时间序列分解方法，获取总水储量变化的长期趋势(式(4))，以消除季节性变化和残差对评估总水储量变化的影响。

$${S_{{\rm{tot}}}} = {S_{{\rm{lt}}}} + {S_{{\rm{sea}}}} + R$$ (4)

式(4) 将总水储量距平(S_tot)分解为长期趋势项(S_lt)、季节性变化(S_sea)和残差项(R)。对分解后的长期趋势项序列作线性拟合，可获取总水储量变化的趋势。STL以鲁棒局部加权回归作为平滑方法，被广泛应用于总水储量时间序列分析。

3.3.2. 重力卫星缺失数据重建

GRACE和GRACE-FO之间的数据缺失(2017年7月至2018年5月)，造成总水储量变化监测连续性不足。近年来，机器学习模型在水文研究中的应用日趋成熟，通过学习输入层及输出层变量之间的非线性相关关系，机器学习算法可以基于相关输入变量对重力卫星缺失数据进行重建^[35]。应用于重建重力卫星数据的机器学习算法经历了由相对简单的自回归移动平均模型(ARIMA)、多元线性及非线性回归模型(multiple linear and nonlinear regressions)向较复杂的人工神经网络(ANN)、深度神经网络(DNN)及卷积神经网络(CNN)发展。相关研究中，Mo等^[36]在全球尺度利用贝叶斯卷积神经网络对GRACE缺失数据进行重建，该研究参照Long等^[37]的方法将总水储量变化信号分解为趋势项和非趋势项，可改进前人研究中气候因子较难捕捉总水储量长期变化趋势的这一缺陷，提升重建结果的可信度。本研究补充Mo等^[36]的重建结果，用以分析2002—2020年完整的青藏高原水储量变化，具体实施步骤如下：

(1) 确定输入层变量。所有变量均由再分析资料ERA5-Land数据获取，包括降水、气温、模拟的总水储量距平(土壤水、雪水及冠层水储量的加和)，以及累积总水储量变化量(一段时间内总降水减去总蒸散及总径流)；

(2) 对输入层所有变量去除线性趋势，仅保留年际和季节性变化；

(3) 确定输出层变量。针对不同的GRACE三级产品，将对应的GRACE及GRACE-FO时间序列去除线性趋势，保留年际和季节性变化信号作为神经网络的目标变量；

(4) 基于贝叶斯卷积神经网络，依据输入的气候变量重建缺失时段总水储量年际和季节性变化信号；

(5) 缺失时段最终总水储量变化信号为第(3)步确定的线性趋势与第(4)步确定的年际和季节性变化信号的和。

5. 结论

本研究主要基于多源遥感反演(包括卫星重力、卫星测高和光学遥感影像等)对2000—2020年青藏高原各类水储量变化规律及其气候驱动机制进行了研究，主要结论如下：

(1) 气候暖湿化下降水量和冰川融水增加，引发了青藏高原湖泊水量整体上涨。52个大、中型湖泊水量变化过程分为3个阶段：2000—2012年为平稳增长阶段(6.35 Gt/a)，2012—2017年为相对稳定阶段(1.42 Gt/a)，2017年后进入快速增长阶段(10.59 Gt/a)。

(2) 受气温上升及其带来的降水相态改变等多种因素影响，藏东南地区的冰川在快速消融，达到-4.50 Gt/a，且有加快趋势。

(3) 2001—2015年间青藏高原多年平均雪水当量为13.6 cm，而2016—2020年间多年平均雪水当量为14.1 cm，增加了3.7%，积雪变化主要受累积期平均气温和降水影响。

(4) 在气温上升、南亚季风减弱和西风带增强综合影响下，青藏高原外流区总水储量下降速率达到-10.90 Gt/a，内流区总水储量则以6.40 Gt/a的速率上升。

在2000—2020年间，气候变化显著改变了青藏高原水储量的状态，由此带来水资源量改变及其上下游分配等问题将产生安全、生态、经济、政治连锁效应，制定全球和区域气候变化的减缓和适应性对策并付诸实践迫在眉睫。

参考文献 (52)

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

遥感反演2000—2020年青藏高原水储量变化及其驱动机制

doi: 10.14042/j.cnki.32.1309.2022.03.003

作者简介:
龙笛(1982—)，男，贵州贵阳人，博士，主要从事遥感水文水资源研究。Email: dlong@tsinghua.edu.cn

Remote sensing retrieval of water storage changes and underlying climatic mechanisms over the Tibetan Plateau during 2000—2020

计量

遥感反演2000—2020年青藏高原水储量变化及其驱动机制

doi: 10.14042/j.cnki.32.1309.2022.03.003

清华大学水沙科学与水利水电工程国家重点实验室，北京 100084

作者简介:
龙笛(1982—)，男，贵州贵阳人，博士，主要从事遥感水文水资源研究。Email: dlong@tsinghua.edu.cn

English Abstract

Remote sensing retrieval of water storage changes and underlying climatic mechanisms over the Tibetan Plateau during 2000—2020

State Key Laboratory of Hydroscience and Engineering, Tsinghua University, Beijing 100084, China

全文HTML

2.1. 湖泊水储量

2.2. 冰川表面高程

2.3. 积雪面积和雪水当量

2.4. 总水储量

3.1. 湖泊水储量变化

3.2. 冰川质量平衡

3.3. 总水储量变化

3.3.1. 时间序列分解方法

3.3.2. 重力卫星缺失数据重建

4.1. 2000—2020年青藏高原各类水储量变化

4.1.1. 湖泊水储量显著扩张

4.1.2. 藏东南地区冰川后退

4.1.3. 积雪深度和雪水当量

4.1.4. 总水储量

4.2. 水储量变化驱动机制

4.2.1. 湖泊

4.2.2. 冰川

4.2.3. 总水储量

目录

留言板

遥感反演2000—2020年青藏高原水储量变化及其驱动机制

doi: 10.14042/j.cnki.32.1309.2022.03.003

作者简介: 龙笛(1982—)，男，贵州贵阳人，博士，主要从事遥感水文水资源研究。Email: dlong@tsinghua.edu.cn

Remote sensing retrieval of water storage changes and underlying climatic mechanisms over the Tibetan Plateau during 2000—2020

计量

出版历程

遥感反演2000—2020年青藏高原水储量变化及其驱动机制

doi: 10.14042/j.cnki.32.1309.2022.03.003

清华大学水沙科学与水利水电工程国家重点实验室，北京 100084

作者简介: 龙笛(1982—)，男，贵州贵阳人，博士，主要从事遥感水文水资源研究。Email: dlong@tsinghua.edu.cn

English Abstract

Remote sensing retrieval of water storage changes and underlying climatic mechanisms over the Tibetan Plateau during 2000—2020

State Key Laboratory of Hydroscience and Engineering, Tsinghua University, Beijing 100084, China

全文HTML

2.1. 湖泊水储量

2.2. 冰川表面高程

2.3. 积雪面积和雪水当量

2.4. 总水储量

3.1. 湖泊水储量变化

3.2. 冰川质量平衡

3.3. 总水储量变化

3.3.1. 时间序列分解方法

3.3.2. 重力卫星缺失数据重建

4.1. 2000—2020年青藏高原各类水储量变化

4.1.1. 湖泊水储量显著扩张

4.1.2. 藏东南地区冰川后退

4.1.3. 积雪深度和雪水当量

4.1.4. 总水储量

4.2. 水储量变化驱动机制

4.2.1. 湖泊

4.2.2. 冰川

4.2.3. 总水储量

目录

作者简介:
龙笛(1982—)，男，贵州贵阳人，博士，主要从事遥感水文水资源研究。Email: dlong@tsinghua.edu.cn

作者简介:
龙笛(1982—)，男，贵州贵阳人，博士，主要从事遥感水文水资源研究。Email: dlong@tsinghua.edu.cn