基于Budyko假设的昌马河流域径流变化归因分析

图1 研究区位置示意图

Fig.1 Location of the study area

1.2　数据来源

1965—2015年的月尺度径流数据来源于昌马堡水文站；降水量（precipitation，PCP）、平均气温（temperature，TMP）数据来源于CN05.1格点数据集^［27］，采用Penman-Monteith公式计算相应的潜在蒸散发（potential evapotranspiration，ET₀）^［28］，土壤水分（soil water， SW）数据来源于ERA5-Land数据集^［29］，叶面积指数（Leaf area index， LAI）数据来源于GLASS LAI数据集（http：//www.glass.umd.edu）；雪盖面积（snow cover extent，SCE）和雪深（snow depth，SD）数据来源于国家冰川冻土沙漠科学数据中心的中国逐日无云积雪面积数据集和中国逐日积雪深度长时间序列数据集^［30-31］，3期土地利用数据（1980、 2000年和2020年）来源于中国科学院地理科学与资源研究所数据共享中心（https：//www.resdc.cn）。

2 研究方法

2.1　Mann-Kendall 趋势检验

本研究采用非参数的Theil-Sen斜率估计量化水文气象要素的变化趋势，采用Mann-Kendall（M-K）趋势检验确定变化趋势的显著性，显著性水平为 $α$ =0.05，该方法不要求检验样本服从特定的概率分布，且检验结果直观准确，不受少数异常值干扰^［32］。径流突变年份的识别对于分离气候变化和人类活动对径流的影响具有重要意义，综合考虑影响径流变化的多个影响因子的突变特征，采用M-K趋势检验方法确定径流的突变时期^［8］。Thei-Sen斜率估计和M-K趋势检验的详细计算过程见文献［32-33］。

2.2　连续小波变换

小波分析方法能够揭示出隐含在时间序列中的多种变化周期，被广泛应用于水文气象要素的周期性识别^［21］。对于具有相同采样间隔 $δ_{t}$ 的离散时间序列 $x_{i}, i = 1, \dots, n$ ，连续小波变换（The continuous wavelet transform， CWT）的计算公式可表示为^［34-35］：

W_{i} (s) = \sum_{j = 0}^{N - 1} x_{j} c (s) {Ψ_{0}}^{*} (\frac{t_{j} - t_{i}}{s})

（1）

式中： $W_{i} (s)$ 为小波变换系数； $Ψ_{0}$ 为Morlet小波变换函数；*为共轭复数； $S$ 为尺度因子； $t_{i}$ 为平移因子； $c (s)$ 为归一化因子。

2.3　Budyko假设

基于Budyko假设对径流变化进行归因分析。假设长时间尺度下，闭合流域内多年平均降水量等于多年平均径流量与实际蒸散发量之和，水量平衡方程可表示为：

R = P - E T

（2）

基于Choudhury-Yang水热耦合方程，长时间尺度下的实际蒸散发量可表示为^［12-13］：

E T = \frac{P ∙ E T_{0}}{{(P^{ω} + E T_{0}^{ω})}^{1 / ω}}

（3）

式中：ET₀为潜在蒸散发； $ω$ 为下垫面特征参数，与土地利用类型、土壤、植被等密切相关。

结合公式（2）和（3），水量平衡公式可表示为^［12-13］：

R = P - \frac{P ∙ E T_{0}}{{(P^{ω} + E T_{0}^{ω})}^{1 / ω}}

（4）

径流作为降水、潜在蒸散发和下垫面特征参数的函数， $R = f (P, E T_{0}, ω)$ ，径流变化量的微分方程可表示为^［12-13］：

\frac{d R}{R} = \frac{\partial R / R}{\partial P / P} \frac{d P}{p} + \frac{\partial R / R}{\partial E_{0} / E_{0}} \frac{d E T_{0}}{E T 0} + \frac{\partial R / R}{\partial ω / ω} \frac{d ω}{ω}

（5）

式中： $\frac{\partial R / R}{\partial P / P}$ ， $\frac{\partial R / R}{\partial E_{0} / E_{0}}$ ， $\frac{\partial R / R}{\partial ω / ω}$ 分别表示径流对降水、潜在蒸散发、下垫面的弹性系数。

假设 $ϕ = E T_{0} / P$ ，径流对降水、潜在蒸散发和下垫面的弹性系数可表示为^［12-13］：

ε_{P} = \frac{(1 + ϕ^{ω})^{1 / ω + 1} - ϕ^{ω + 1}}{(1 + ϕ^{ω}) [(1 + ϕ^{ω})^{1 / ω} - ϕ]}

（6）

ε_{E T_{0}} = \frac{1}{(1 + ϕ^{ω}) [1 - (1 + ϕ^{- ω})^{1 / ω}]}

（7）

ε_{ω} = \frac{l n (1 + ϕ^{ω}) + ϕ^{ω} l n (1 + ϕ^{- ω})}{ω (1 + ϕ^{ω}) [1 - {(1 + ϕ^{- ω})}^{1 / ω}]}

（8）

基于突变检验结果，将研究期划分为基准期和变化期，降水、潜在蒸散发和下垫面变化导致的径流变化 $Δ R_{x}$ 可表示为^［12-13］：

Δ R_{x} = ε_{x} \frac{R}{x} ∆ x

（9）

式中： $x$ 表示 $P 、 E T_{0}$ 和 $ω$ 。

降水、潜在蒸散发和下垫面变化对径流变化贡献率 $η_{x}$ 的计算公式为^［12-13］：

η_{x} = \frac{Δ R_{x}}{Δ R} \times 100 %

（10）

2.4　交叉相关和小波相干

采用交叉相关分析方法研究径流与影响因子之间的相关性^［36］。径流作为气候变化和人类活动综合作用下的产物，通过将径流时间序列向后逐渐移动S个单位，计算Pearson相关系数，基于最大相关系数确定径流对影响因子的滞后效应。滞后时长S的交叉相关系数表达式为^［37］：

R (X, Y, S) = \frac{1}{N - S} \sum_{t = 1}^{N - S} \frac{(X_{t} - μ_{x}) (Y_{t} - μ_{y})}{σ_{x} σ_{y}}

（11）

式中： $σ$ 和 $μ$ 分别表示标准偏差和均值；S为移动长度，单位为月，范围为0~11。

双变量小波相干（The wavelet transform coherence， WTC）和多变量小波相干（The multiple wavelet coherence， MWC）能够探究不同时间尺度下径流对单个影响因子和多个影响因子组合的响应关系^［35］。

给定两个时间序列X和Y，相应的连续小波变换分别为 $W_{i}^{X} (s)$ 和 $W_{i}^{Y} (s)$ ，WTC的计算公式如下^［35］：

R_{n}^{2} (s) = \frac{{|S (s^{- 1} W_{i}^{X Y} (s))|}^{2}}{S (s^{- 1} {|W_{i}^{X} (s)|}^{2}) \cdot S (s^{- 1} {|W_{i}^{Y} (s)|}^{2})}

（12）

W_{i}^{X Y} (s) = W_{i}^{X} (s) \cdot W_{i}^{Y *} (s)

（13）

式中： $R_{n}^{2}$ 表示两个时间序列之间的相干性，0表示不相干，1表示完全相干；S为平滑算子；*表示共轭复数； $W_{i}^{X Y} (s)$ 表示时间序列X和Y的交叉小波变换。

MWC的计算公式如下^［35］：

ρ_{m}^{2} (s, τ) = \frac{{\overset{⃡}{w}}^{Y, X} (s, τ) {\overset{⃡}{w}}^{X, X} {(s, τ)}^{- 1} {\overset{⃡}{w}}^{Y, X} {(s, τ)}^{*}}{{\overset{⃡}{w}}^{Y, Y} (s, τ)}

（14）

式中： ${\overset{⃡}{w}}^{Y, X} (s, τ)$ 为响应变量 $Y$ 和预测变量 $X$ 之间的平滑交叉小波功率谱矩阵； ${\overset{⃡}{w}}^{X, X} (s, τ)$ 为多个预测变量 $X$ 之间的平滑自和交叉小波功率谱矩阵； ${\overset{⃡}{w}}^{Y, Y} (s, τ)$ 为响应变量 $Y$ 的平滑小波功率谱矩阵；*表示共轭复数。

3 结果与分析

3.1　突变特征

径流量与影响因子的M-K突变检验结果如图2所示，曲线UF和UB的交点表示径流量或影响因子的突变点，临界值分别为 $\pm$ 1.96，显著性水平为 $α = 0.05$ 。在研究时段内，除雪盖面积和雪深之外，径流量与其他影响因子均在2000年左右发生显著性突变，突变的前后顺序依次为：平均气温（1996年）、径流量（1999年）、潜在蒸散发量（2000年）、叶面积指数（2000年）、土壤水分（2001年）、降水量（2007年）。研究结果表明，昌马河流域的气候条件和下垫面条件在2000年左右相继发生突变，因此，本研究将2000年前视为基准期，2000年后视为变化期。

图2

图2 径流和影响因子的M-K突变检验

Fig.2 M-K mutation test of runoff and impact factors

3.2　趋势特征

1965—2015年，径流量呈显著增加趋势（1.13 $\times$ 10⁸ m³/10a，P0.05）。气象因子中，除潜在蒸散发量在1961—2018年呈不显著增加趋势（3.13 mm/10a，P=0.13），降水量和平均气温均表现为显著增加趋势（P0.05），变化趋势分别为11.3 mm/10a和0.33 ℃/10a（图3）。与下垫面特征相关的因子中，土壤水分和叶面积指数在相应时期内均表现为显著增加趋势（P0.05），变化趋势分别为0.31%/10a和0.025/10a；1981—2018年，雪盖面积表现为显著减少趋势（247.18 km²/10a，P0.05），雪深表现为不显著增加趋势（0.64 mm/10a，P=0.41）。

图3

图3 径流和影响因子的Theil-Sen斜率和Mann-Kendall显著性检验

Fig.3 Theil-Sen slope and Mann-Kendall test of runoff and impact factors

考虑径流量和影响因子的突变特征，径流量和影响因子在首次突变前后的变化趋势如图3所示，鉴于雪盖面积的突变年份为1982年，不再分析雪盖面积突变前后的变化趋势。对比径流量、降水量、潜在蒸散发量、平均气温、土壤水分和叶面积指数突变前后的变化趋势可知，昌马河流域气候和下垫面特征在2000年左右出现“跳跃式”突变，气候特征表现为变暖和增湿趋势，与西北干旱区的气候特征一致^［38-39］。

3.3　周期特征

径流在8~16个月尺度下存在显著的周期性变化；在32、64、128个月尺度下，虽未达到5%显著性水平，但具有较高的功率谱，存在“丰”、“枯”的交替变化。降水量、潜在蒸散发量和平均气温均在8~16个月尺度下具有显著的周期性变化，其余尺度下的功率谱较小，没有明显的周期性变化。土壤水分、叶面积指数、雪盖面积和雪深均在8~16个月尺度下的功率谱较高，具有显著的周期性。此外，叶面积指数2000年后的4~8个月尺度下，表现出显著的周期性特征；土壤水分、雪盖面积和雪深在32、64和128个月尺度下的功率谱相对较高，与径流在时、频域上变化基本一致（图4）。

图4

图4 径流和影响因子的连续小波谱

注：粗实线表示相对于红噪声的5%显著性水平；浅色区域表示受边缘效应影响区域；颜色表示功率谱强弱

Fig.4 Continuous wavelet transforms of runoff and impact factors. Thick contours denote 5% significance levels against red noise； pale regions denote the cone of influence where edge effects might distort the results； the color denotes the strength of wavelet power

3.4　径流变化归因分析

相较于基准期，变化期的多年平均径流量、降水量、潜在蒸散发量和径流系数分别增加了35.1 mm、26.2 mm、24.6 mm、0.087，在影响因子综合作用下，流域内产水能力明显提高；下垫面特征参数和干燥指数减少、径流系数增加，表明研究区气候特征表现为暖湿化趋势（表1）。

表1 基准期和变化期水文气象要素的特征值及弹性系数

Table 1 Statistics in hydro-climatic variables and elasticity coefficient of streamflow to P， ET₀， and ω in two periods

时期	$\bar{R}$ /mm	$\bar{P}$ /mm	$\bar{E T_{0}}$ /mm	$ω$	$\bar{R}$ / $\bar{P}$	$\bar{E T_{0}}$ / $\bar{P}$	弹性系数（ $ε_{X}$ ）
时期	$\bar{R}$ /mm	$\bar{P}$ /mm	$\bar{E T_{0}}$ /mm	$ω$	$\bar{R}$ / $\bar{P}$	$\bar{E T_{0}}$ / $\bar{P}$	$ε_{p}$	$ε_{E T_{0}}$	$ε_{w}$
基准期(1965—2000年)	78.4	283.4	833.4	0.95	0.28	2.94	1.69	-0.69	-1.59
变化期(2001—2015年)	113.5	309.6	858.0	0.80	0.367	2.78	1.53	-0.53	-1.33
差值	35.1	26.2	24.6	-0.15	0.087	-0.16	-0.16	0.16	0.26

注： $R ¯$ ：多年平均径流量； $P ¯$ ：多年平均降水量； $E T 0 ¯$ ：多年平均潜在蒸散发量； $ω$ ：下垫面特征参数； $R ¯$ / $P ¯$ ：径流系数； $E T 0 ¯ / P ¯$ ：干燥指数； $ε X$ ：径流对变量X的弹性系数，X表示P，ET₀和 $ω$ 。

在基准期和变化期，径流对降水量、潜在蒸散发量和下垫面特征参数的弹性系数均表明径流与降水量呈正相关、与潜在蒸散发量和下垫面呈负相关（表1），径流对降水量的敏感性最高，其次为下垫面特征参数和潜在蒸散发量。弹性系数差值结果（表1）表明，降水量每增加1%，径流的增加量由基准期的增加1.69%降低为变化期的增加1.53%；潜在蒸散发量每增加1%，径流的减少量由基准期的减少0.69%降低为变化期的减少0.53%；下垫面特征参数每增加1%，径流的减少量由基准期的减少1.59%降低为变化期的减少1.33%。

计算的径流变化量ΔR_c与观测的径流变化量ΔR_o的结果基本一致，差值为-5.52 mm，表明基于Budyko假设的径流变化归因分析结果具有较高的可信度。降水量、潜在蒸散发量和下垫面引起的径流变化量分别为14.68、-1.72、27.66 mm，贡献了径流增加的33.31%、-3.90%、62.79%（表2）。降水和下垫面对径流变化表现为积极影响，潜在蒸散发表现为消极影响。由此可知，下垫面变化是引起径流变化的主要因素，降水变化对径流的影响比潜在蒸散发的影响更加明显。

表2 昌马河流域降水量、潜在蒸散发量和下垫面对径流变化的贡献率

Table 2 Contribution of P， ET₀， and ω to runoff change

基准期	变化期	ΔR_o/mm	ΔR_P /mm	Δ $R_{E T_{0}}$ /mm	ΔR_ω /mm	ΔR_c/mm	贡献率/%
基准期	变化期	ΔR_o/mm	ΔR_P /mm	Δ $R_{E T_{0}}$ /mm	ΔR_ω /mm	ΔR_c/mm	CON_p	$C O N_{E T_{0}}$	CON_w
1965—2000年	2000—2015年	35.10	14.68	-1.72	27.66	40.62	33.31%	-3.90%	62.79%

注：ΔR_X 和CONx分别表示变量X导致的径流变化量和对径流变化的贡献率，X为P，ET₀和 $ω$ ；ΔR_o和ΔR_c分别表示观测和计算的径流变化量。

4 讨论

4.1　下垫面变化对径流的影响

内陆河山区流域下垫面变化主要包括冰川退缩、积雪变化、冻土退化、植被覆盖变化等，在气候变化和人类活动的双重作用下影响下垫面的产汇流状况和蒸散发条件。土地利用变化在一定程度上能够表征人类活动对下垫面的影响，被广泛应用区分气候变化和人类活动对径流影响的研究^［9-10］。昌马河流域1980—2020年土地利用的空间分布和统计结果如图5A~D所示，未利用地和草地是最主要的地类，面积总和占比分别为48.7%~50.2%和48.0%~50.2%，其他地类总的面积占比仅为1.1%~1.7%，建设用地和耕地面积总和占比为0.026%~0.073%，且主要分布在流域下游地区。土地利用转移结果如图5E、F所示，1980—2020年和2000—2020年发生地类转移的面积占比分别为0.1%和5.2%，且主要集中在草地和未利用地之间。以上分析表明，研究区内土地利用转移较少，放牧强度较弱，地形和土壤性质基本不变，故本研究认为人类活动对下垫面的影响可忽略不计。因此，研究区下垫面变化，例如，地类转移（图5）、土壤水分增加、叶面积指数增加、雪盖面积减少（图3）、冰川面积和储量的损失（表3）很大程度上受暖湿化气候影响。

图5

图5 1980（A）、2000（B）、2020年（C）昌马河流域土地利用类型空间分布；1980、2000年和2020年土地利用类型统计值（D）；1980—2000年（E）和2000—2020年（F）年的地类转移状况

Fig.5 Land cover classification maps over the study area in 1980 （A）， 2000 （B） and 2020 （C）； Land cover classification proportions （D）； Land use change over the study area between 1980 and 2000 （E） and between 2000 and 2020 （F）

表 3 1960s/1970s—2020年昌马河流域冰川变化特征

Table 3 Glacier change over the study area between 1970s and 2020

时期	冰川面积 /km²	冰川数量	冰储量/km³
FCGI(1960s—1970s)	494.46^[21]	505^[21]	30.58^[21]
1990年	481.07	503	28.07
1995年	456.28	506	26.64
2000年	437.39	505	25.51
2005年	421.24	505	24.57
SCGI(2005—2010年)	415.29^[21]	501^[21]	24.81^[21]
2010年	414.12	506	24.13
2015年	401.14	520	23.31
2020年	384.05	519	22.80

注：冰储量计算参考Liu等^［40］提出的V-A经验公式。FCGI：中国第一次冰川编目数据集（First Glacier Inventory of China，FCGI）；SCGI：中国第二次冰川编目数据集（Second Glacier Inventory of China，SCGI）。

4.2　气候变化对径流的影响

降水量、平均气温、潜在蒸散发量、土壤水分、叶面积指数的增加趋势，雪盖面积的减少趋势，径流系数明显增加，干燥指数明显减小均表明昌马河流域气候正在经历变暖和增湿的趋势，降水量和下垫面变化对径流的正贡献能够抵消温度升高导致蒸散发增强所引发的负贡献。

径流量与当月降水量、平均气温、土壤水分、叶面积指数之间的相关性最强，相关系数分别为0.82、0.71、0.63、0.89；与1个月前的潜在蒸散发量之间的相关性最强，与6个月前的雪盖面积和雪深的相关性最强（图6）。径流与影响因子的最大相关系数由强到弱依次为叶面积指数、降水量、平均气温、土壤水分、潜在蒸散发、雪盖面积、雪深；径流与降水量、平均气温、土壤水分、叶面积指数之间的滞后时长不足1个月，滞后潜在蒸散发量1个月，滞后雪盖面积和雪深6个月。

图6

图6 径流与影响因子的交叉分析

注：Lag0~Lag 11表示径流滞后影响因子0~11个月；显著性P0.05，标记为**；显著性P0.1，标记为*

Fig.6 The interrelation between runoff and influencing factors.Lag0-Lag 11 denotes the impact of runoff lagging behind influencing factors by 0 to 11 months. Significance P0.05， marked as **； significance P0.1， marked as *

叶面积指数与径流的相干性最强（WTC：0.89；PASC：54.48%），其次为降水量（WTC：0.90；PASC：46.67%）和土壤水分（WTC：0.85；PASC：41.82%），显著相干区域主要分布在4~16个月尺度下；平均气温、潜在蒸散发量、雪盖面积和雪深与径流显著相干区域集中在8~16个月尺度下（表4和图7）。径流与多因子组合之间的小波相干结果如表5和图8所示，对径流影响最大的双因子组合和三因子组合分别为LAI-SW（MWC2：0.95；PASC：60.65%）和LAI-SW-SCE（MWC2：0.98；PASC：58.87%）。相较于单因子LAI与径流的小波相干结果，LAI-SW或LAI-SW-SCE组合在32、64和128个月尺度下与径流的相干性进一步增强，能够更好地解释径流的变化。虽然MWC的值随着因子组合数量的增加而增大，但PASC值未明显增加，主要是因为：①新增变量方差已被其他变量解释^［41］；②小波相干的显著性阈值随因子组合数量增加而增大^［42］。上述结果均表明，下垫面与径流量的变化密切相关，气候变化引起的下垫面变化能够在更大程度上解释径流的变化。

表 4 径流与单个影响因子之间的小波相干分析的统计值

Table 4 Coherence between runoff and individual influencing factor

	PCP	ET₀	TMP	SW	LAI	SCE	SD
WTC	0.90	0.89	0.91	0.85	0.89	0.83	0.85
PASC	46.67%	29.99%	25.04%	41.82%	54.48%	15.85	18.05

注：WTC：显著相干区域的平均小波相干值；PASC：显著相干区域的百分比面积。PCP为降水量，ET₀为蒸散发量，TMP为平均气温，SW为土壤水分，LAI为叶面积指数，SCE为雪盖面积，SD为雪深。

图7

图7 径流与单个影响因子之间的小波相干谱

注：粗实线表示相对于红噪声的5%显著性水平；灰色区域表示受边缘效应影响区域；颜色表示相干性强弱

Fig.7 Wavelet coherence between runoff and individual influencing factor. Thick contours denote 5% significance levels against red noise； pale regions denote the cone of influence where edge effects might distort the results； the color denotes the strength of coherence

表5 径流与多个影响因子组合之间小波相干分析的统计值

Table 5 Coherence between runoff and multiple influencing factor

双变量	MWC2	PASC/%	三变量	MWC3	PASC/%
LAI-SW	0.95	60.65	LAI-SW-SCE	0.98	58.87
LAI-SCE	0.94	55.23	LAI-SW-PCP	0.98	58.03
LAI-PCP	0.95	53.40	LAI-SW-ET₀	0.98	55.55
LAI-ET₀	0.95	51.75	LAI-SCE-PCP	0.98	54.60
PCP-SW	0.95	51.24	LAI-SCE-ET₀	0.97	54.31
PCP-ET₀	0.95	51.19	LAI-SW-SD	0.97	54.29
LAI-SD	0.94	50.03	LAI-PCP-ET₀	0.98	53.11
LAI-TMP	0.95	47.23	LAI-SCE-TMP	0.97	51.84
PCP-SCE	0.96	44.40	LAI-PCP-SD	0.98	51.78
PCP-SD	0.95	40.47	LAI-SW-TMP	0.98	51.38
PCP-TMP	0.95	39.30	LAI-SCE-SD	0.97	49.20

注：此处只列出双因子和三因子组合中PASC值最大的10个组合；MWC2/3：显著相干区域的平均小波相干值；PCP为降水量，ET₀为蒸散发量，TMP为平均气温，SW为土壤水分，LAI为叶面积指数，SCE为雪盖面积，SD为雪深。

图8

图8 径流与组合影响因子之间的小波相干谱

注：双因子组合（上），三因子组合（下）；粗实线表示相对于红噪声的5%显著性水平；灰色区域表示受边缘效应影响区域；颜色表示相干性强弱

Fig.8 Wavelet coherence between runoff and multiple influencing factors. Thick contours denote 5% significance levels against red noise； pale regions denote the cone of influence where edge effects might distort the results； the color denotes the strength of coherence

4.3　不足与展望

上述研究表明，下垫面变化对径流变化的贡献率最大，气候变化对下垫面植被、冰川、积雪、冻土等的影响可能是导致径流变化的主要原因。下垫面变化受到气候变化和人类活动双重影响^［7，43］，而本研究未能进一步定量化分析气候变化导致的下垫面变化（植被/冰川/积雪/冻土变化）对径流变化的影响。此外，流域植被生长向好的趋势、叶面积指数与径流之间存在很好一致性的结论似乎与植被覆盖度增加可以有效减少地表径流和泥沙量的研究结论相矛盾^［44-47］，植被变化对径流的影响机制还有待进一步深入研究。

5 结论

径流与影响因子的突变性、趋势性和周期性结果表明，昌马河流域气候和下垫面条件均在2000年左右相继发生突变，表现为“跳跃式”突变，气候特征总体上表现为暖湿化的趋势。

基于Budyko假设的径流归因分析结果表明，昌马河径流对降水量变化的敏感性最高，其次为下垫面特征参数和潜在蒸散发；气候变化和下垫面变化分别贡献径流量变化的37.31%和62.79%，下垫面植被/冰川/积雪/冻土变化是导致径流变化的主要原因，人类活动对下垫面变化的影响相对较小，气候变化是导致下垫面变化的主要原因。

交叉相关分析和小波相干分析的结果表明，叶面积指数是与径流变化最相关的影响因子，其次为降水量和土壤水分；气候变化引起下垫面变化能够在更大程度上解释径流变化，对于径流预测具有重要意义。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

冯起，龙爱华，王宁练，等.

西北内陆区水资源安全保障技术集成与应用

［J］.人民黄河，2019，41（10）：103-108.

[2]

丁永建，赵求东，吴锦奎，等.

中国冰冻圈水文未来变化及其对干旱区水安全的影响

［J］.冰川冻土，2020，42（1）：23-32.

[3]

Chen

Y N

， Li

B F

， Li

，et al.

Water resource formation and conversion and water security in arid region of Northwest China

［J］.Journal of Geographical Sciences，2016，26（7）：939-952.

[4]

汤秋鸿，兰措，苏凤阁，等.

青藏高原河川径流变化及其影响研究进展

［J］.科学通报，2019，64（27）：2807-2821.

[5]

常启昕，孙自永，潘钊，等.

高寒山区河道径流的形成与水文调节机制研究进展

［J］.地球科学，2022，47（11）：4196-4209.

[6]

王磊，刘虎，雍斌，等.

陆地冰冻圈水文过程的研究现状及展望

［J］.北京师范大学学报（自然科学版），2023，59（3）：489-496.

[7]

余国安，岳蓬胜，张晨笛，等.

藏东南地区的河流水文研究：进展与挑战

［J］.科学通报，2024，69（3）：394-413.

[8]

Dey

， Mishra

Separating the impacts of climate change and human activities on streamflow：a review of methodologies and critical assumptions

［J］.Journal of Hydrology，2017，548：278-290.

[本文引用: 3]

[9]

宋晓猛，张建云，占车生，等.

气候变化和人类活动对水文循环影响研究进展

［J］.水利学报，2013，44（7）：779-790.

[10]

董磊华，熊立华，于坤霞，等.

气候变化与人类活动对水文影响的研究进展

［J］.水科学进展，2012，23（2）：278-285.

[11]

尹振良，冯起，刘时银，等.

水文模型在估算冰川径流研究中的应用现状

［J］.冰川冻土，2016，38（1）：248-258.

[12]

Choudhury

B J

Evaluation of an empirical equation for annual evaporation using field observations and results from a biophysical model

［J］.Journal of Hydrology，1999，216（1/2）：99-110.

[本文引用: 7]

[13]

Yang

H B

， Yang

D W

， Lei

，et al.

New analytical derivation of the mean annual water‐energy balance equation

［J］.Water Resources Research，2008，44（3）：2007WR006135.

[本文引用: 7]

[14]

Konapala

， Mishra

A K

Three-parameter-based streamflow elasticity model：application to MOPEX basins in the USA at annual and seasonal scales

［J］.Hydrology and Earth System Sciences，2016，20（6）：2545-2556.

[15]

孙莉茹，毕华兴，马志瑾，等.

1951-2020年黄河上中游径流变化特征及归因分析

［J］.北京林业大学学报，2024，46（1）：82-92.

[16]

Xin

J L

， Sun

X Y

， Liu

，et al.

Quantifying the contribution of climate and underlying surface changes to alpine runoff alterations associated with glacier melting

［J］.Hydrological Processes，2021，35（3）：e14069.

[17]

梁鹏飞，辛惠娟，李宗省，等.

基于Budyko假设的党河径流变化归因

［J］.中国沙漠，2023，43（3）：210-219.

[18]

张晓晓，张钰，徐浩杰.

疏勒河上游径流年内分配变化规律分析

［J］.人民黄河，2014，36（6）：58-60.

[19]

贾玲，张百祖，牛最荣，等.

疏勒河上游径流变化与预测分析

［J］.干旱区研究，2022，39（5）：1588-1597.

[20]

王学良，陈仁升，刘俊峰，等.

1956-2021年疏勒河流域主要河流出山径流变化及成因分析

［J］.干旱区研究，2022，39（6）：1782-1792.

[21]

孙美平，张磊，姚晓军，等.

1954-2016年疏勒河上游径流变化特征及影响因素

［J］.冰川冻土，2022，44（2）：657-666.

[本文引用: 8]

[22]

李洪源，赵求东，吴锦奎，等.

疏勒河上游径流组分及其变化特征定量模拟

［J］.冰川冻土，2019，41（4）：907-917.

[23]

Zhang

Z H

， Deng

S F

， Zhao

Q D

，et al.

Projected glacier meltwater and river run-off changes in the upper reach of the Shule River Basin，north-eastern edge of the Tibetan Plateau

［J］.Hydrological Processes，2019，33（7）：1059-1074.

[24]

J K

， Li

H Y

， Zhou

J X

，et al.

Variation of runoff and runoff components of the upper Shule River in the northeastern Qinghai-Tibet Plateau under climate change

［J］.Water，2021，13（23）：3357.

[25]

Zhou

J X

， Ding

Y J

， Wu

J K

，et al.

Streamflow generation in semi-arid，glacier-coverd，montane catchments in the upper Shule River，Qilian Mountains，northeastern Tibetan plateau

［J］.Hydrological Processes，2021，35（8）：e14276.

[26]

Guo

W Q

， Liu

S Y

， Xu

J L

，et al.

The second Chinese glacier inventory：data，methods and results

［J］.Journal of Glaciology，2015，61（226）：357-372.

[27]

吴佳，高学杰.

一套格点化的中国区域逐日观测资料及与其它资料的对比

［J］.地球物理学报，2013，56（4）：1102-1111.

[28]

Allen

Richard G

， Pereira

Luis S

， Raes

Dirk

，et al.Crop Evapotranspiration-Guidelines for Computing Crop Water Requirements［M］.Rome，Italy： Food and Agriculture Organization of the United Nations，1998.

[29]

Muñoz-Sabater

， Dutra

， Agustí-Panareda

，et al.

ERA5-Land：a state-of-the-art global reanalysis dataset for land applications

［J］.Earth System Science Data，2021，13（9）：4349-4383.

[30]

Che

， Li

， Jin

，et al.

Snow depth derived from passive microwave remote-sensing data in China

［J］.Annals of Glaciology，2008，49：145-154.

[31]

Hao

X H

， Huang

G H

， Che

，et al.

The NIEER AVHRR snow cover extent product over China：a long-term daily snow record for regional climate research

［J］.Earth System Science Data，2021，13（10）：4711-4726.

[32]

Hamed

K H

Trend detection in hydrologic data：the Mann-Kendall trend test under the scaling hypothesis

［J］.Journal of Hydrology，2008，349（3/4）：350-363.

[33]

C Y

， Hao

J S

， Zhang

G T

，et al.

Runoff variations affected by climate change and human activities in Yarlung Zangbo River，southeastern Tibetan Plateau

［J］.Catena，2023，230：107184.

[34]

Zhang

， Xu

C Y

， Jiang

，et al.

Possible influence of ENSO on annual maximum streamflow of the Yangtze River，China

［J］.Journal of Hydrology，2007，333（2/4）：265-274.

[35]

， Miao

C Y

， Duan

Q Y

，et al.

Multiple‐wavelet coherence of world's large rivers with meteorological factors and ocean signals

［J］.Journal of Geophysical Research：Atmospheres，2019，124（9）：4932-4954.

[本文引用: 4]

[36]

Ukasha

， Ramirez

J A

， Niemann

J D

Temporal variations of NDVI and LAI and interactions with hydroclimatic variables in a large and agro‐ecologically diverse region

［J］.Journal of Geophysical Research：Biogeosciences，2022，127（4）：e2021JG006395.

[37]

Chen

， de Jeu

R A M

， Liu

Y Y

，et al.

Using satellite based soil moisture to quantify the water driven variability in NDVI：a case study over mainland Australia

［J］.Remote Sensing of Environment，2014，140：330-338.

[38]

陈亚宁，李忠勤，徐建华，等.

中国西北干旱区水资源与生态环境变化及保护建议

［J］.中国科学院院刊，2023，38（3）：385-393.

[39]

张强，杨金虎，王朋岭，等.

西北地区气候暖湿化的研究进展与展望

［J］.科学通报，2023，68（14）：1814-1828.

[40]

Liu

S Y

， Sun

W X

， Shen

Y P

，et al.

Glacier changes since the Little Ice Age maximum in the western Qilian Shan，Northwest China，and consequences of glacier runoff for water supply

［J］.Journal of Glaciology，2003，49（164）：117-124.

[41]

， Si

B C

Technical note：multiple wavelet coherence for untangling scale-specific and localized multivariate relationships in geosciences

［J］.Hydrology and Earth System Sciences，2016，20（8）：3183-3191.

[42]

E K

， Chan

Geophysical applications of partial wavelet coherence and multiple wavelet coherence

［J］.Journal of Atmospheric and Oceanic Technology，2012，29（12）：1845-1853.

[43]

包文，段安民，游庆龙，等.

青藏高原气候变化及其对水资源影响的研究进展

［J］.气候变化研究进展，2024，20（2）：158-169.

[44]

C J

， Mu

X M

， Gao

，et al.

Distinguishing the effects of vegetation restoration on runoff and sediment generation on simulated rainfall on the hillslopes of the loess plateau of China

［J］.Plant and Soil，2020，447（1/2）：393-412.

[45]

Guo

X X

， Du

， Gao

，et al.

Response of runoff-sediment processes to vegetation restoration patterns under different rainfall regimes on the Loess Plateau

［J］.Catena，2024，234：107647.

[46]

Tan

X Y

， Jia

Y W

， Yang

D W

，et al.

Impact ways and their contributions to vegetation-induced runoff changes in the Loess Plateau

［J］.Journal of Hydrology：Regional Studies，2024，51：101630.

[47]

Shi

， Li

Z B

，et al.

Effects of grass vegetation coverage and position on runoff and sediment yields on the slope of Loess Plateau，China

［J］.Agricultural Water Management，2022，259：107231.