Page 7 - 2023年第54卷第3期

储量变化取距平值后的集合平均，可以计算得到地下水储量变化。
Δ ＴＷＳ ＝ Δ ＳＷＳ ＋ Δ ＳＭＳ ＋ Δ ＧＷＳ （１）
式中：Δ ＴＷＳ、Δ ＳＷＳ、Δ ＳＭＳ和 Δ ＧＷＳ分别为总水储量变化、地表水储量变化、土壤水储量变化和地
下水储量变化在研究时段的距平值，ｍｍ。
流域水量平衡计算如式（ ２）所示，其中降水 Ｐ和调水 Ｄ为流域水量的输入项，蒸散 ＥＴ和入海流
量 Ｑ 为流域水量的输出项，流域水量输入项和输出项的差值表示流域总水储量变化。
ｏｕｔ
Δ ＴＷＳ ＝ Ｐ ＋ Ｄ － ＥＴ － Ｑ ｏｕｔ （２）
式中：Δ ＴＷＳ为 流 域 水 储 量 变 化，ｍｍ?ａ；Ｐ为 降 水 量， ｍｍ?ａ；Ｄ为 调 水 量，ｍｍ?ａ； ＥＴ为 蒸 散 量，
ｍｍ?ａ；Ｑ 为入海流量，ｍｍ?ａ。
ｏｕｔ
２．３ ＳＴＬ时间序列分解 地下水储量变化包括由气候和人类活动引起的长期趋势变化，以及由地下
水补给（如降水）和开采（灌溉取用水）引起的季节性变化 ［２７ － ２９］ 。本研究使用 ＳＴＬ（ＳｅａｓｏｎａｌａｎｄＴｒｅｎｄ
ｄｅｃｏｍｐｏｓｉｔｉｏｎｕｓｉｎｇＬｏｅｓｓ）时间序列分解方法 ［３０］ ，获取地下水储量时间序列的长期趋势变化（式（３）），
以消除地下水储量的季节性变化和残差对地下水储量评估的影响。长期变化趋势包括线性变化趋势和
对应该线性变化趋势的距平值，该距平值表示时间序列的年际变异性 ［３１］ 。与 Ｘ１１等 ［３２］ 传统的分解方
法相比，ＳＴＬ时间序列分解方法可以处理月和季数据，以及任何形式的具有时间变异的季节性变化，
并且对异常值具有鲁棒性，即使时间序列中出现异常值也不会影响对其趋势和季节性的分解结果。
Ｄ ＝ Ｔ＋ Ｓ＋ Ｒ ｔ （３）
ｔ
ｔ
ｔ
式中：Ｄ为原始的时间序列；Ｔ为长期变化趋势；Ｓ为季节性周期项；Ｒ为次季节性残差。
ｔ
ｔ
ｔ
ｔ
２．４ 数据及处理方法 本文使用的数据包括以下 ４类：（１）４种 ＧＲＡＣＥ数据（ＪＰＬ和 ＣＳＲＭａｓｃｏｎｓ三
级产品；ＪＰＬ和 ＣＳＲＳＨ二级产品）；（２）３种 ＧＬＤＡＳ土壤水储量模拟结果（ＧＬＤＡＳ － ２．１中的 Ｎｏａｈ和
ＶＩＣ模式，和 ＧＬＤＡＳ － ２．２中的 ＣＬＳＭ模式）；（３）两种全球水文模型（ＷＧＨＭ 和 ＰＣＲ － ＧＬＯＢＷＢ）的地
表水、土壤水和地下水储量模拟结果；（ ４）《海河流域水资源公报》，采用平原区浅层地下水储量变
化、入海流量、外调水供水量、农业?工业?生活?生态用水量等。数据的相关特征及用途说 明如表 １
所示。

表 １ 本研究所用数据及相关特征列表
空间覆盖度和 时间跨度和
类型 数据?模型版本和级别 用途说明
网格分辨率 时间分辨率
ＧＲＣＴｅｌｌｕｓＪＰＬＭａｓｃｏｎｓ，ＲＬ０６，Ｌｅｖｅｌ － ２００３年 １月—
全球，０．５°
３ｇｒｉｄｄｅｄ ２０２０年 １２月，月 反演研究区总水储量变化
重力卫星 ２００３年 １月— （ ＪＰＬＳＨ Ｌｅｖｅｌ － ２和 ＣＳＲ ＳＨ
ＣＳＲＭａｓｃｏｎｓ，ＲＬ０６，Ｌｅｖｅｌ － ３ｇｒｉｄｄｅｄ 全球，０．２５°
（ ＧＲＡＣＥ? ２０２０年 １２月，月 Ｌｅｖｅｌ － ２ 产品用于尺度因子方
ＧＲＡＣＥ 全球，从频率域投 ２００３年 １月— 法；ＪＰＬＭａｓｃｏｎｓＬｅｖｅｌ － ３和
ＪＰＬＳＨ，Ｌｅｖｅｌ － ２
Ｆｏｌｌｏｗ － Ｏｎ ） 影到空间域，１° ２０２０年 １２月，月 ＣＳＲＭａｓｃｏｎｓＬｅｖｅｌ － ３产 品 即
全球，从频率域投 ２００３ 年 １月— 为质量块方法获得的产品）
ＣＳＲＳＨ，ＲＬ０６，Ｌｅｖｅｌ － ２ｇｒｉｄｄｅｄ
影到空间域，１° ２０２０年 １２月，月
ＧＬＤＡＳ － ２．１Ｎｏａｈ土 壤 水 分 输 出 （土 壤
分四层：第一层 ０～１０ｃｍ，第二层 １０～ ２００３ 年 １月—
全球陆表，０．２５°
４０ｃｍ， 第 三 层 ４０～１００ｃｍ， 第 四 层 ２０２０年 １２月，月
全球陆面 获取研究区土壤水储量变化，
１００～２００ｃｍ）
同化系统 采用 ３个 陆 面 模 式 土 壤 水 分
ＧＬＤＡＳ － ２．１ＶＩＣ土壤水分输出（土壤分
（ ＧＬＤＡＳ） ２００３年 １月— 模拟结果 各 自 取 距 平 值 后 的
三层：表层 ０～３０ｃｍ，第 二 层 和 第 三 全球陆表，１°
陆面模型 ２０２０年 １２月，月 集合平均
层的厚度随网格变化）
ＧＬＤＡＳ － ２．２ＣＬＳＭ 根 区 土 壤 水 分 输 出 ２００３年 ２月—
全球陆表，０．２５°
（ ０～１００ｃｍ） ２０２０年 １２月，月

— ２ ５ ７ —