天津市水资源与水环境重点实验室李雪副研究员近日在Journal of Hydrology上发表了题为“Using a two-step downscaling method to assess the impact of climate change on total nitrogen load in a small basin”的学术论文。该研究首次提出耦合机器学习和流域污染空间负荷模型技术,用于评估未来气候变化对我国新安江流域总氮污染物的影响。
新安江作为千岛湖的主要供水水源,是国内首个跨省生态补偿试点,具备极高的生态和战略价值。该区域的氮磷污染问题主要来自农业面源,受气候显著影响。因此,准确评估未来气候变化对新安江水资源和水环境的影响,对实现流域高质量管理至关重要。目前,受限于新安江流域面源污染分布的多样性和地形地貌的复杂性,传统的集总式模拟方法无法全面揭示流域污染的空间结构变化,而开展高精度空间分布模拟又受到气象数据空间精度不足的限制。为了克服这一挑战,李雪副研究员及其团队提出了一种改进的卷积神经网络技术,对全球多源气候模式(GCM)数据进行了创新性的二步降尺度分析,从而实现了对低分辨率气象数据的超分辨处理,如图1所示:
图1 针对GCM数据的二步降尺度技术路线
基于二步降尺度获取的新安江流域高分辨率气象数据,与空间属性回归模型(SPARROW)联用,能够对未来不同气候情境下新安江流域各子流域区域的总氮污染贡献强度进行精确的空间分析,如图2所示。上述研究结果能够识别未来可能影响水质的重点敏感区域,并诊断不同区域的潜在污染成因和关键环境问题,为实现区域高质量水环境管理提供了关键技术支撑。
图2 未来不同气候变化情境下新安江流域总氮污染负荷变化空间分布
该工作由米乐平台、清华大学、天津城建大学的科研人员合作完成。李雪副研究员为第一作者,沙健助理研究员为通讯作者,米乐平台为第一完成单位。本研究得到国家重点研发项目(2022YFC3202701)及清华大学水沙科学与水利水电工程国家重点实验室开放基金项目(sklhse-2021-B-07)资助。
论文链接:https://doi.org/10.1016/j.jhydrol.2023.130510