量化气候变化和水库建设对汉江流域河流热力状况的影响因素

时间：2026年2月21日

来源：Journal of Hydrology

编辑推荐：

水温时空演变机制及其驱动因素研究。基于SWAT-HHO-LSTM模型框架，分析汉江流域丹江口水库下游水温变化，揭示气候变化与水库抬高的协同效应。研究发现，上游以水库影响为主，下游以气候变暖主导，SSP585情景下2076-2099年下游气候贡献率可达83%。气温与径流量为关键驱动因子，模型精度优于传统方法。

赵磊|王远坤|杨优|王森|王一旭|孟长青|张彦科|王东

华北电力大学水资源与水电工程学院，中国北京102206

摘要

河流温度制度日益受到气候变化和水库建设的共同影响，然而这些影响在时间和空间尺度上的具体机制仍不甚明了。本研究通过开发一个综合的SWAT-HHO-LSTM建模框架来解析这些因素，该框架结合了SWAT模型、改进的Harris Hawks优化增强型长短期记忆网络（HHO-LSTM）以及CMIP6的多情景气候预测。以汉江丹江口水库的下游流域为例，该框架能够对气候变化和水库抬高对长期河流水温（RWT）变化的影响进行归因分析。结果表明，HHO-LSTM模型在所有五个站点上的表现均优于传统LSTM模型，RMSE降低了2.5%至36.7%，而SWAT模型也取得了良好的性能。RWT的变化显示出气候变化的影响在时间上逐渐增强，空间上则从上游的水库主导调节转变为下游的气候驱动升温。特别是在SSP585情景下，到2076-2099年，气候变化将成为下游升温的主要驱动因素，某些区域的RWT变化中有高达83%可归因于气候变化。空间上，水库的冷却效应沿河流逐渐减弱。在水库附近（例如黄家沟），历史夏季温度下降了7.07℃，而在SSP585情景下预计将进一步下降超过10℃，最高温度出现时间推迟了多达65天。这些变化主要由水库抬高引起，解释了超过90%的温度变化。在更下游的向阳、黄泽和仙塘，水库的影响减弱，气候变化成为主要控制因素，在SSP585情景下约贡献了66-84%的总RWT变化。这些关于水库和气候变化对河流温度影响的时空转变的发现，可以为管理受调控河流的温度制度提供关键见解。

引言

河流水温（RWT）是控制淡水系统中广泛生态和生物地球化学过程的关键物理参数（Grey等人，2023年；Yang等人，2022年）。它直接影响氧的溶解度、养分循环、微生物活动以及代谢速率，从而影响水生物种的分布、群落结构和整个生态系统的功能（Grbić等人，2013年；Leach等人，2023年；Wade等人，2024年）。RWT的波动会降低对温度敏感的物种（如鱼类和大型无脊椎动物）的栖息地适宜性（Nguyen等人，2023年；Van Leeuwen等人，2023年），并通过降低溶解氧和增加毒性加剧污染影响（Shen等人，2024年；Zhou等人，2025年）。

近几十年来，气候变化和人为干预（尤其是水库建设和运行）已成为河流系统温度制度变化的主要驱动力（Xiao等人，2023年）。全球变暖导致全球许多流域的RWT持续上升，全球记录显示气候变化贡献了44%-80%的观测到的升温（Adamek等人，2023年；Xiao等人，2023年；Xiao等人，2022年）。北美和欧洲的证据证实了这种显著的河流升温及其相关的生态影响，例如适宜鱼类栖息地的收缩（Botero-Acosta等人，2022年；Fahy等人，2024年；Morales-Marin等人，2019年）。与本研究直接相关的是，过去30年中国长江流域也观察到了类似的上升趋势（Xiao等人，2023年）。同时，水库建设通过热分层和选择性取水改变了下游的RWT模式，常常导致季节性温度变化或延迟（Ahmad等人，2021年；Cai等人，2018年）。例如，三峡大坝在春季和初夏引起了降温，但在其他季节引起了升温，温度滞后可达40天（Cai等人，2018年；Xiao等人，2022年）。影响的规模和方向也可能有很大差异，例如在法国的卢瓦尔河流域，大型水坝使夏季温度降低了2℃，而小型池塘的累积效应则使其升高了2.3℃（Seyedhashemi等人，2021年）。这种复杂的相互作用凸显了严格区分和量化气候变化和水库建设对RWT动态相对贡献的必要性。

为了解析多种驱动因素，人们开发了先进的建模方法，包括基于物理的水热模型（Xiao等人，2022年）和数据驱动的方法，如机器学习技术（Fukś等人，2024年）。这些研究为生态水库管理提供了科学基础（Rojas-Aguirre等人，2025年；Yang等人，2023年）。随着人工智能的发展，数据驱动模型在水温预测方面取得了有希望的结果。深度学习模型，如长短期记忆（LSTM）、卷积神经网络（CNN）和CNN-LSTM等混合架构，由于能够捕捉复杂的时间依赖性而特别有效（Di Nunno等人，2023年；Heddam等人，2023年；Wade等人，2023年）。比较分析一致表明，这些方法通常比传统的基于物理的模型具有更高的准确性，RMSE显著更低（Chen和Xue，2024年；Piotrowski等人，2021年）。尽管取得了成功，但这些模型的性能面临两个主要挑战。首先，深度学习模型的预测准确性高度依赖于其架构选择和超参数，手动调整往往效率低下且不够理想。为了解决这个问题，各种元启发式优化算法越来越多地与机器学习模型结合使用在水文预测中。例如，粒子群优化（PSO）和遗传算法（GA）已被成功用于优化人工神经网络（ANN）和支持向量机（SVM）模型进行流量和水质预测（Diaconu等人，2024年；Xu等人，2022年）。然而，在河流温度预测的具体背景下，更新、更高效的算法（如Harris Hawk Optimization（HHO）的应用仍需进一步探索。其次，任何数据驱动模型的准确性从根本上取决于其输入变量的质量。研究一致表明，空气温度（AT）和流量（Q）是影响水温动态的两个主要因素（Lee等人，2020年；Wade等人，2023年）。尽管如此，许多现有模型仅依赖AT作为预测因子（Chen和Xue，2024年），忽略了流量的关键作用，这可能导致在受水库影响的河流或极端水文事件期间出现超过2℃的预测误差（Lee等人，2020年；Padrón等人，2025年）。仅基于温度的模型在流量变化的情况下存在结构偏差和鲁棒性降低的风险。

这些复杂驱动因素和建模局限性的结合在汉江流域（HJRB）尤为明显，这里是长江的重要支流，也是中国南水北调工程的主要水源。该流域的水文状况受到丹江口水库的显著影响，最近的水库抬高大幅改变了下游的水热条件，重塑了RWT的时空模式和生态功能（Wang等人，2022年）。先前的研究分别探讨了气候变化或水库对水文、栖息地和藻类水华的影响（Jin等人，2023年；Liu等人，2024年；Zhao等人，2023年）。然而，对于气候变化和水库调节共同作用下的河流温度响应仍存在理解不足，单变量模型在捕捉复杂温度动态方面存在局限性，以及对未来水温趋势的气候和人为影响的归因也不充分。

为了解决这些不足，本研究创新性地开发了一个SWAT-HHO-LSTM建模框架。这种综合方法旨在克服上述挑战：基于物理的SWAT模型提供可靠的流量数据，而HHO算法通过自动优化LSTM网络来应对超参数调整问题，使其能够捕捉空气温度、流量和水温之间的复杂非线性关系。研究重点关注四个核心目标：1）系统评估HHO-LSTM模型与十一个数据驱动模型的预测性能；2）建立SWAT径流模拟以提供可靠的输入数据；3）应用综合建模框架重现历史RWT变化并预测不同情景下的未来温度动态；4）定量归因气候变化和水库抬高对河流温度的独立和协同效应。

研究区域

汉江流域（HJRB）是长江最大的支流，横跨159,000平方公里，位于北纬30°8′至34°11′、东经106°12′至114°14′之间。汉江全长1577公里，年平均温度为15-17℃，年降水量在800至1300毫米之间。位于流域中部的丹江口水库是一个关键的水资源项目，支持防洪、灌溉、水电生产和南水北调工程。2013年水库抬高后，其水位从157米上升到176米。

水温模型的评估

模型性能使用关键指标（R²、NSE和RMSE）进行评估，测试结果总结在图3中，详细的训练-测试比较见图S1。在模型测试阶段，HHO-LSTM在所有模型中表现出最佳的预测性能（图3），显示出最小的训练和测试指标差距，证明了其出色的泛化能力。虽然标准LSTM模型在训练期间取得了有竞争力的分数，但其

气候变化和水库对河流温度制度的影响

河流温度制度日益受到气候变化和水库抬高的共同影响。在汉江流域，我们的发现与全球研究结果一致（Van Vliet等人，2013年；Xiao等人，2022年），并揭示了主导控制因素的明显时空转变：上游温度主要受水库抬高调节，而下游升温则越来越多地受气候变化控制。在全球范围内，气候变化占观测到的河流温度升高的44%-80%

结论

本研究开发了一个综合的SWAT-HHO-LSTM建模框架，用于模拟汉江流域的河流水温，并评估气候变化和水库抬高的时空影响。HHO-LSTM模型在所有五个站点上都表现出高预测准确性，R²和NSE值超过0.94，而SWAT模型可靠地捕捉了日径流数据，为温度模拟提供了坚实的水文基础。

主要发现是温度控制的明显时空转变

作者贡献声明

赵磊：撰写——审阅与编辑，撰写——初稿，可视化，监督，软件，资源，方法论，正式分析。王远坤：撰写——审阅与编辑，撰写——初稿，验证，项目管理，方法论，资金获取，正式分析，概念化。杨优：撰写——审阅与编辑，方法论，数据管理。王森：撰写——审阅与编辑，调查。王一旭：撰写——审阅与编辑，资源，方法论。