中国东北三省地下水储量时空变化特征及其影响因素分析

王子龙 孙昌鸿 姜秋香 刘传兴 单家珣

摘要：为完善区域地下水开发利用措施、规划区域地下水资源管理，利用GRACE卫星评估2002—2017年中国东北三省地下水储量变化规律。结合GRACE和GLDAS估算地下水储量变化，与实测地下水储量变化对比验证，并探究其影响因素。结果表明：GRACE模拟地下水储量变化与实测地下水储量变化相关性较强，为0.72;地下水储量在2013年盈余最大，2008年亏损最大，平均增长率为2.23 mm/a，秋冬两季有明显亏损，夏季发生盈余;地下水储量空间分布有明显差异性，2013年前东北少西南多，2013年后东北多西南少，黑龙江省变化较为明显，辽宁省和吉林省受旱灾影响亏损过多;降水量和农业用水量变化与地下水储量变化极显著相关，冬季地下水储量变化与降雪显著相关。研究东北三省地下水储量时空变化对中国乃至全球水资源优化配置和生态环境可持续发展具有参考价值。

关键词：地下水储量变化;GRACE;GLDAS;降水量;农业用水

中图分类号：P228;S127

文献标志码：A

文章编号：1001-6791（2023）03-0360-14

收稿日期：2023-01-04;

網络出版日期：2023-06-01

网络出版地址：https：∥kns.cnki.net/kcms2/detail/32.1309.P.20230531.1450.004.html

基金项目：国家自然科学基金资助项目（52179035）;黑龙江省自然科学基金资助项目（YQ2019E004）

作者简介：王子龙（1982—），男，山东胶州人，教授，博士，主要从事寒区水土资源高效利用方面研究。

E-mail：wangzilong2017@126.com

通信作者：姜秋香，E-mail：jiangqiuxiang2017@163.com

地下水作为水资源的重要组成部分，影响着作物生长、土壤质地以及生态环境平衡［1］。地下水储量作为衡量水资源量的重要评价指标之一，探究其时空变化情况及影响因素已成为亟须解决的科学问题［2］。此外，地下水储量的观测可用于地下水文研究和水文灾害预警［3］。因此，研究地下水储量变化特征对探究东北三省水储量时空分布及理解跨流域大尺度水资源优化配置有重要意义。

目前，相比于传统的地下水储量监测方法，重力反演与气候实验（Gravity Recovery and Climate Experiment，GRACE）卫星技术打破了传统地基观测成本高、气象站点监测结果分布不均等局限性，解决了大尺度水文数据获取难的问题，数据较为精确且监测尺度统一。国内外学者将GRACE卫星广泛应用于全球、区域和流域陆地水储量监测，进而计算地下水储量［4-6］。其中，国外学者针对流域范围的陆地水储量研究集中于亚马孙河流域和密西西比河流域，国内学者则关注于长江、黄河、雅鲁藏布江、黑河以及珠江等流域［7-10］。部分学者也通过监测欧洲和北极地区的陆地水储量来分析当地的水文气候特性［11-12］，开展对寒旱地区的地下水储量估算研究，如印度、中国北方地区及华北平原地区等［13-15］。

中国东北三省包括黑龙江省、辽宁省和吉林省，总面积约78万km2，分布范围为38°36′N—53°36′N，118°36′E—135°06′E，属温带大陆性季风气候，是中国重要的商品粮基地。地下水资源总量相对丰富，但地下水供水量基本消耗地下水资源一半左右，年际变化不稳定且空间分布不均，部分地区中度缺水［16］。因冬季寒冷，监测地下水较为困难，长期存在数据稀缺问题，对评估地下水资源和识别地下水影响因素有一定的限制。对于东北三省水储量的研究，大部分学者停留于利用GRACE卫星监测陆地水储量，分析地下水储量时空变化特征及其影响因素的研究仍然有限。

本文基于GRACE新一代数据产品RL06结合GLDAS水文模型反演地下水储量，并与基于实测地下水数据所估算的储量变化对比验证，通过离散小波变换法研究东北三省地下水储量的变化趋势，运用Mann-Kendall突变检验法分析地下水储量的季节变化，借助相关分析法和频谱图研究自然因素和人类活动对其变化的影响。

1 数据来源与处理方法

1.1 GRACE数据

GRACE卫星由美国国家航空航天局（NASA）和德国宇航中心（German Aerospace Center，DLR）合作研发，是监测并记录重力场变化的重力卫星［17］。主要为地球系统科学提供高分辨率平均时变地球重力场模型;利用GPS无线电掩星（Radio Occultation）技术获取全球温湿度剖面图;为研究海洋、冰川冰盖质量变化和水储量变化提供高精度的重力场模型［18］。

GRACE数据产品主要由美国得克萨斯大学空间研究中心（Center for Space Research，CSR）、德国地学研究中心（Geo Forschungs Zentrum，GFZ）和美国喷气动力实验室（Jet Propulsion Laboratory，JPL）3家机构对外开放，可在ICGEM（International Centre for Global Earth Models）中心下载（http：∥icgem.gfz-potsdam.de/series）。本文采用GFZ中心提供的RL06月重力场数据，扣除高频非潮汐大气和海洋的质量变化影响［19］，时间范围为2002年4月至2017年6月，共163个月（部分月份缺失），空间分辨率为1.00°×1.00°。

对GRACE月重力场数据进行预处理，运用海洋模型和GRACE Stokes系数所估算的1阶重力系数替换原有系数;采用高精度卫星激光测距（Satellite Laser Ranging，SLR）得到的月估计值替换原有的C20球谐系数。基于Swenson提出的去相关滤波器法去除GRACE数据南北条纹误差，以半径为300 km的高斯滤波平滑信号噪声，滤波后的数据截取为60阶次，由此计算出球谐系数，并去除沿海区域海平面信号泄露的影响。将球谐系数转换为空间分辨率更高的0.25°×0.25°栅格数据，同时利用gmt_cs2grid函数估算数据处理过程中的偏差和泄漏从而降低误差。上述处理过程基于冯伟设计的开源程序GRACE_Matlab_Toolbox（GRAMAT）［20］，完善部分代码后计算陆地水储量为等效水高度，单位为mm。

1.2 GLDAS数据

GLDAS（Global Land Data Assimilation Systems）是由美国国家航空航天局戈达德空间飞行中心（GSFC）与美国海洋和大气局国家环境预报中心（NCEP）联合研发提供［21］，数据可在美国宇航局戈达德地球科学数据和信息服务中心GES DISC下载（https：∥disc.gsfc.nasa.gov）。GLDAS数据集中包含CLSM和NOAH 2个陆面模型和VIC水文模型。本研究从GLDAS-2 NOAH模型数据中提取出逐月土壤水分数据，空间分辨率为0.25°×0.25°，时间序列为2002—2017年。

为削减GRACE后处理过程中信号和精度改变引起的误差，使其与真实陆地水储量近乎相似。对数据进行2种处理，一是将GLDAS格网数据进行同GRACE处理方法相同的滤波平滑处理，二是对0～2 m土层的土壤水分求和并距平。比较2种处理后的GLDAS模型数据，算得尺度因子可以反映出GRACE信号衰减幅度，其中距平处理得到的土壤水分变化即为土壤水储量变化。本文采用单一尺度因子恢复法，2种处理方法得到的GLDAS数据之间残差平方和最小时，计算得尺度因子为1.94。将其与GRACE估算的陆地水储量相乘，得到最终的陆地水储量变化估计值［22］。

1.3 实测地下水和影响因素数据

本文根据《中国地质环境监测地下水位年鉴》获取东北三省的地下水位实测数据，时间范围从2005—2015年共计119个月（部分月份缺失）。研究区实测地下水类型选取为潜水和承压水，选取的地下水位数据为地下水水位变幅。地下水实际监测点位于东北三省36个城市，共计56个监测点，基本覆盖整个研究区，部分监测点地下水位实测值如表1所示，研究区地下水位监测点位置分布如图1所示。

降水数据来源于中国气象数据网（http：∥data.cma.cn/）和国家青藏高原科学数据中心（http：∥data.tpdc.ac.cn/zh-hans/），2种数据的精度同为0.1 mm。本研究选取了位于黑龙江省的气象站降水量逐日变化资料，将其整理汇总为月度数据。基于较高分辨率的《中国1 km分辨率逐月降水量数据集（1901—2020）》获取吉林省和辽宁省的降水数据［23-24］。根据降水数据集计算得黑龙江省的月值降水量与气象站点的降水量较为相符，可用于计算东北三省的月度降水数据。

潜在蒸散发数据来源于国家青藏高原科学数据中心，本研究根据《中国1 km逐月潜在蒸散发数据集（1990—2020）》获取黑龙江省、吉林省和辽宁省的潜在蒸散发数据［25-26］，精度为0.1 mm。

地表径流数据来自GLDAS的CLSM陆面模型，时间分辨率为1 d，空间分辨率为0.25°×0.25°，时间范围为2003—2017年。将其整合处理为月值数据后，计算得地表徑流量。

人口数据来源于国家青藏高原科学数据中心的《全国各地区常住人口规模（2007—2018）》［27］和《全国各地区人口出生率、死亡率、自然增长率（2001—2008）》［28］。农业用水量数据来源于黑龙江省、吉林省和辽宁省的水资源公报。

1.4 数据处理方法

1.4.1 水量平衡原理

陆地水储量包含有地表径流量、地下水量、土壤水量、雪水储量及植被冠层储水量［29］。由于GLDAS监测植被含水量和冰川积雪储量变化量相对于陆地总水储量变化量微小，参考已有研究在计算水储量变化时将其忽略。同时地表水受水循环的作用处于相对稳定状态，探究水储量变化时也基本可以忽略［30-31］。由此，构建水量平衡方程如下：

式中：ΔSGW为地下水储量变化，mm;ΔSTW为陆地水储量变化，mm;ΔSSM为土壤水储量变化，mm。

为便于验证，需要给实测地下水数据乘以给水度，给水度反映的是含水层释水能力的强弱［32］。地下水实际监测点大部分位于松嫩平原、辽河平原和白城扇形地，含水层类型为松散岩类孔隙含水层，结合中国地质调查局所提供的含水层岩性给水度经验值，计算得区域平均给水度为0.26［33-34］。将观测的地下水位变幅插值平均，得到东北三省地下水位的月度数据。计算实测地下水储量变化量公式如下：

式中：ΔSGW，me为实测地下水储量变化，mm;H为地下水水位变幅月值，m。

1.4.2 评价方法

为评估模型的准确性，运用了皮尔逊相关系数（r）、均方根误差（ERMS）和标准化均方根误差（ENRMS）3种评价指标。r的绝对值越接近于1说明相关性越好;ERMS越小表示数据一致性越好;ENRMS有助于比较不同比例的数据集或模型，ENRMS越接近或小于10%时，模拟值和实测值的一致性较好，但当其大于30%时，模拟值和实测值一致性较差［35］。计算公式如下：

式中：X为实测值;Y为模拟值;Ymax、Ymin分别为模拟值的最大值和最小值；σX、σY分别为样本X和Y的标准差;n为样本个数。

1.4.3 Mann-Kendall突变检验法

Mann-Kendall（MK）检验是一种不受少数异常值影响的非参数统计检验，可用于判断水文气象数据的突变年份和变化趋势。通常给定显著性水平α=0.05，相应临界值U0.05=±1.96，UF和UB分别是按照时间序列正顺序和逆顺序计算出的统计序列。UF和UB在临界区内交点所对应的时间即为原时间序列突变开始的时间，当UF>0时序列呈上升趋势，反之呈下降趋势，位于临界值外时表示变化趋势显著［36］。

1.4.4 离散小波变换法

离散小波变换法（Discrete wavelet transform，DWT）是对连续小波变换的尺度、位移按2次方进行离散化得到的，也称为二进制小波变换，其中高频对应高时间分辨率，低频对应高频率精度，可在时间和频率上取得一定平衡。将时间序列分解为低频和高频部分，能有效判断时间序列中的潜在趋势，其中最大分解水平上的低频序列可用来表示时间序列的变化趋势［37］。

2 结果分析与讨论

2.1 地下水储量空间分布

对于东北三省地区有部分国内学者使用CSR和JPL机构提供的GRACE数据模拟陆地水储量变化，为保证准确性和更高的精度，本文获取CSR和JPL机构提供的数据，采取相同的处理方式估算地下水储量变化。分析其与实测地下水量的关系，实测地下水量与GFZ、CSR和JPL的ERMS分别为23.7 mm/月、24.8 mm/月和24.0 mm/月，其在研究区内的精度较好，且GFZ的信噪比值大于其他2种产品，由此可知GFZ产品更适用于东北三省的陆地水储量监测。

补充GRAMAT已有的代码程序，计算当年12个月数据的平均值，以此来代表该年水储量，再将16 a的年水储量距平，得到东北三省地下水储量年变化的空间分布，并运用克里金法进行空间插值如图2所示。地下水储量变化呈现出明显波动趋势，2002—2008年有逐渐下降趋势，2009年短暂上升后出现亏损状态，于2013年增加到最大后缓慢下降。整体空间上地下水储量在2013年前表现为南多北少，2013年后表现为南少北多。

2002—2012年东北部黑龙江省一带地下水储量减少，亏损最大区域位于小兴安岭地区、松嫩平原、三江平原以及东部山地一带；大兴安岭地区地下水储量相对稳定，对比多年平均长期处于弱增长状态；辽宁省、吉林省大部分地区和长白山地一带地下水储量变化相对较小，处于长期稳定状态。2013年研究区地下水储量达到峰值，在黑龙江省西北部增长最大，与该年东北三省洪灾受损严重地区较为吻合。2013年后辽宁省和吉林省部分地区受旱灾影响地下水儲量开始处于亏损状态且长期难以恢复至正常水平，亏损趋势逐渐向黑龙江省扩散；长白山地一带受洪灾影响较小，地下水储量在2013年短暂增长后重新归于稳定，仅在西南段有一定程度的亏损；黑龙江省大兴安岭地区地下水储量在2013—2017年间虽然存在相对缓慢的减少趋势，但较多年平均仍有一定盈余。

2.2 地下水储量时间变化分析

分析地下水储量变化量与实测地下水储量变化量的相关性（图3（a））。2002—2017年地下水储量与实测地下水储量变化量具有极显著相关性且相关系数为0.72，表明GRACE模拟的地下水储量变化可以很好地解释东北三省地下水变化。GRACE模拟地下水储量平均增长率为2.23 mm/a，实测地下水位变化也在逐年增长，平均增长率为3.19 mm/a。地下水储量变化具有时间差异性，在2013年底达到最大，为72.03 mm;在2008年初最小，为-79.36 mm;2012—2016年整体变化幅度相对多年平均有所增加。实测地下水储量变化幅度在-36～56 mm之间。根据图3（b）发现，实测地下水储量变化同ΔSSM具有一定程度的负相关，满足水量平衡原理，当某一时段土壤水储量减少时，实测地下水储量变化量处于增长状态。实测地下水储量变化同陆地水储量变化的趋势和波动更为一致，分析两者相关性，其相关系数为0.64，且呈极显著相关关系，说明根据GRACE模拟的陆地水储量中地下水储量占据其重要组成部分。

对地下水储量变化的时间序列进行MK突变分析（图3（c））和DWT趋势分析（图3（d），D5、D6分别表示分解层数为5和6的趋势）。由MK突变检验分析表明，地下水储量大部分时间呈下降趋势，在2011年底发生突变后呈现上升趋势并在2014年初显著上升。为更好地观察地下水储量变化的趋势，借助DWT将地下水储量序列分解为6个子序列，其中分解层数为6的低频重构序列反映的变化趋势同MK结果更为相符，趋势更加显著，由此可确定东北三省2002—2017年地下水储量总体呈波动趋势，先下降后上升最终趋于平稳。

分离出2002—2017年间东北三省季节性地下水储量变化，并通过MK法分析其趋势和突变时段（图4）。地下水储量呈现明显的季节性变化，振幅基本为±25 mm，与实测地下水储量有较好的一致性。春季ΔSGW在2002—2012年间波动较为明显并存在一定亏损，于2012年发生突变后呈现上升趋势;夏季ΔSGW趋势明晰，在2002—2010年间持续下降，于2010年发生突变后逐渐呈上升趋势，并在8月产生最大盈余，盈余24.83 mm;秋冬两季地下水储量在2002—2012年呈现持续下降趋势，其中秋季ΔSGW存在短期增加，冬季2月份发生最大亏损，亏损-19.04 mm，两季于2012年发生突变后逐渐恢复上升趋势，推测地下水储量减少的主要原因为该季节降水较少，而生产生活供水较大，需要地下水供给。

由图3（c）和图4可知，地下水储量在年际、春季、秋季和冬季的突变点均在2012年左右。根据中国气象局发布的气候事件，春季发生突变是由于黑龙江省该年春季土壤干旱程度最为严重，土壤湿度存在明显下降趋势；秋冬两季发生突变是由于秋季多个台风登陆引起的暴雨天气和冬季大范围暴雪天气，陆地水储量呈持续上升趋势。

2.3 地下水储量变化的影响因素探究

地下水参与水循环路径会受到降水入渗、地表径流入渗补给、河道排泄和潜水层蒸发等自然因素的影响，同时灌溉补给和地下水开采等人类活动也会对其造成影响。东三省被认为是农业重点发展区，其地下水作为农业用水中的重要部分会受到一定程度影响［38-39］。

运用皮尔逊相关分析法，分析自然因素和人为因素对地下水储量的影响。自然因素包括降水、潜在蒸散发、土壤湿度和地表径流，人为因素有人口数量和农业用水。由于人为因素缺乏相关月度数据，因此只比对自然因素与ΔSGW的月相关系数。由图5可知，自然因素与ΔSGW均存在极显著相关，其中，呈明显负相关的是土壤湿度，相关系数为-0.55，地表径流的相关性较小为-0.34；呈较明显正相关的是降水，相关系数为0.33。土壤湿度、降水和地表径流成为对ΔSGW影响较大的因素。在年相关关系中，人口数量与地下水储量变化量相关性不显著，但农业用水与ΔSGW显著相关，相关系数为0.58。

本文在探究地下水开采对地下水储量变化量的响应关系时，以2002—2011年松辽流域水资源公报所提供数据为例（其大部分区域均与研究区重合），分析发现松辽流域地下水开采量以0.58 mm/a的趋势增加，东北三省地下水储量变化量在同期虽处于下降趋势，但二者p值远大于0.05，无显著性差异。而且由于地下水系统的复杂性和非线性特征也会影响地下水开采对地下水储量变化量的响应关系，因此暂未考虑地下水开采对地下水储量变化量的影响。相对于地下水开采，农业用水与地下水储量变化量相关性最为明显，根据黑龙江省水资源公报可知，当地下水储量盈余时大部分被用于灌溉农田。

基于偏相关分析法研究冬季地下水储量变化与自然因素的相关关系，降水与其存在显著相关性，成为气象因子中的主导因素。探究土壤湿度、潜在蒸散发、地表径流、综合变量（包括前3种变量）和无变量情况下降水和ΔSGW的相关关系（表2）。5种情况下降水和ΔSGW均表现出极显著相关，且在排除地表径流因素的干扰时，其相关系数达到最高。土壤湿度对其相关性没有明显影响，而排除潜在蒸散发和综合因素的干扰后相关性明显下降，就对ΔSGW的影响而言，冬季潜在蒸散发与降水存在拮抗关系。由于东北地区冬季降水基本以降雪形态出现，所以冬季地下水储量变化在一定程度上受降雪变化影响。

如图6所示，借助降水数据发现降雪和地下水储量的变化趋势较为一致，有明显的周期性且年、半年周期一致，地下水储量变化量的振幅与降雪振幅较为相符。变化特征均呈先下降后上升的趋势，降雪在2012年底达到峰值，后续2013年底也有较大幅度增加，地下水储量随之在2013年底产生最大盈余。其中，2007年1月降雪量骤减现象并没有引起当月地下水储量的改变，但其1—2月明显地减少趋势对整体地下水储量变化产生了一定影响，即在2008年2月达最大亏损。

由图7可知，地下水储量、降水、地表径流、潜在蒸散发和土壤湿度均呈现出很明显的周期性变化，且各年、半年周期变化规律基本一致，地表径流因缺少部分数据在周期性上有些微差异。对地表径流影响较大的降水量与潜在蒸散发的年振幅分别为259.6 mm和500.4 mm，相较于其他气象因素的振幅差异明显;地下水储量年振幅与土壤湿度最为接近，在13～18 mm之间;地表径流年振幅最小，为4 mm。

地表径流在很大程度上受降水和潜在蒸散发的影响，尤其受潜在蒸散发影响产生较大损失。地下水储量的降水补给部分，在很大程度上被地表径流和潜在蒸散发消耗。ΔSGW、降水量、地表径流、潜在蒸散发和土壤湿度年振幅的ERMS分别为2.60、35.66、0.61、63.92和1.84 mm/月，由此分析ΔSGW和气象因子的ENRMS均在15.45%以下且差异性较小，表明ΔSGW和气象因子的频谱图较为可信。

综合相关系数和频谱图2种分析方法对比可知，自然因素中土壤湿度和降水量对ΔSGW的影响最明显，又因本研究ΔSGW是依据土壤湿度计算而来，所以降水成为地下水储量变化的主要影响因素。

2.4 降水量与地下水储量的时空分布关系分析

计算得到的东北三省2002—2017年月度降水数据如图8（a）所示，规律与趋势同降水量的变化基本一致，2013年降水量增加，同期ΔSGW也有显著上升。地下水储量对降水的响应存在一定延迟，不能及时反映季节性变化。在6—8月降水增加的背景下，地下水储量则延迟至7—10月开始改变，相较于每年降水量的最大值和最小值ΔSGW都有少许延迟。

分析降水量年际变化对地下水储量变化的影响。由图8（b）可知，降水量均集中在年平均值425.6 mm以下，说明该时段产生明显亏损，与同年ΔSGW有较好的一致性。降水累计3 a低于年均值，影响其对地下水的补给，从而在2008年初引起最大亏损。由图8（c）可知，降水量于2011年集中在年均值偏下处，存在一定的亏损，但在2012—2013年降水量基本集中在年均值附近，尤其是2012年下半年产生明显盈余，2012年和2013年上半年受异常值影响增加比较明显，盈余量一定程度上弥补2011年的亏损量，同期ΔSGW也有较强程度的增幅。降水量突然增加给东北三省带来了严重的洪水灾害，松花江流域发生了自1998年以來最大洪水。即使2014年降水量大幅减少，地下水储量变化量也在多年平均值之上。

利用克里金插值方法绘制GRACE反演地下水储量多年平均变化速率如图9（a）所示，2002—2017年地下水储量年均变化速率在空间上有明显差异性，大部分地区基本稳定，部分地区存在明显的增减趋势。在黑龙江省大兴安岭一带增长速率最大，最高达68.48 mm/a；在小兴安岭南部、三江平原西北部、松嫩平原东北部和吉林省西北部等地降低速率较大，最低达-65.39 mm/a；辽宁省、吉林省中部地区以及黑龙江省部分地区年均盈余和亏损达到平衡，地下水储量变化保持相对稳定。

根据降水数据集整理出2002—2017年降水量年均值，采用克里金插值法绘制其空间分布如图9（b）所示，研究时段内东北三省年均降水量在220～821 mm之间，自沿海地区向内陆地区逐渐减少。黑龙江省西部和吉林省西北部地区降水量最少，年均降水量在333 mm左右浮动；辽河平原和长白山脉西南段降水量较多，年均降水量在670～820 mm之间。对比年均地下水储量变化速率和降水量的空间分布，黑龙江西北部降水量相对较小，而地下水储量的年均变化速率有增有减，推测是由于松嫩平原蒸发量大于降水量引起的干旱导致；黑龙江省大兴安岭山地即使降水较少地下水储量依然存在增加趋势，推测其土壤涵养水源能力良好且蒸发量少，可在一定程度上降低水土流失；辽河平原和长白山脉西南段，降水量最大，地下水储量变化速率最稳定，推测其受暴雨影响，侵蚀程度和地表径流的提升速率相对东北三省其他地区更高。

3 结 论

本文基于GRACE卫星数据估算东北三省2002—2017年地下水储量变化，并与实测地下水储量变化进行对比验证，探究地下水储量的时空变化规律，并分析影响地下水变化的主要因素。主要结论如下：

（1） 地下水储量表现出多年波动变化趋势，其空间分布表现为2002—2012年东北少西南多，2013—2017年东北多西南少;东北三省地下水储量变化在2011年底显著增加，平均增长率为2.23 mm/a，在2013年底达最大盈余，并与实测值有极显著相关性;地下水储量秋冬两季有明显亏损，春季逐渐回升，夏季发生盈余。

（2） 降水和农业用水是影响地下水储量变化的主导因素。冬季降雪量变化密切影响地下水储量变化，在时间分布上有明显一致性。基于偏相关分析法能有效探究冬季降雪对地下水储量变化量的影响，但对于冬季潜在蒸散发对降雪和地下水储量变化的间接影响，需要更加详细的水文资料去分析。

（3） 虽然本文基于GRACE反演方法能有效估算东北三省地下水储量变化，但相对于地下水监测站仍无法提供更高分辨的监测数据，随着下一代卫星GRACE Follow-on的发射有望改善其空间分辨率以拓宽重力卫星在水文方面的应用。

参考文献：

［1］吴彬，杜明亮，穆振侠，等.1956—2016年新疆平原区地下水资源量变化及其影响因素分析［J］.水科学进展，2021，32（5）：659-669.（WU B，DU M L，MU Z X，et al.Analysis on the variation of groundwater resources and influencing factors in Xinjiang plain area from 1956 to 2016［J］.Advances in Water Science，2021，32（5）：659-669.（in Chinese））

［2］刘国纬.水文科学的基本问题及当代前沿［J］.水科学进展，2020，31（5）：685-689.（LIU G W.Basic problems and frontier of hydrology［J］.Advances in Water Science，2020，31（5）：685-689.（in Chinese））

［3］尹文杰，胡立堂，王景瑞.基于GRACE重力衛星的甘肃北山地区地下水储量变化规律研究［J］.水文地质工程地质，2015，42（4）：29-34.（YIN W J，HU L T，WANG J R.Changes of groundwater storage variation based on GRACE data at the Beishan area，Gansu Province［J］.Hydrogeology & Engineering Geology，2015，42（4）：29-34.（in Chinese））

［4］SINGH A，REAGER J T，BEHRANGI A.Estimation of hydrological drought recovery based on precipitation and Gravity Recovery and Climate Experiment（GRACE） water storage deficit［J］.Hydrology and Earth System Sciences，2021，25（2）：511-526.

［5］罗志才，李琼，钟波.利用GRACE时变重力场反演黑河流域水储量变化［J］.测绘学报，2012，41（5）：676-681.（LUO Z C，LI Q，ZHONG B.Water storage variations in Heihe River basin recovered from GRACE temporal gravity field［J］.Acta Geodaetica et Cartographica Sinica，2012，41（5）：676-681.（in Chinese））

［6］汪汉胜，王志勇，袁旭东，等.基于GRACE时变重力场的三峡水库补给水系水储量变化［J］.地球物理学报，2007，50（3）：730-736.（WANG H S，WANG Z Y，YUAN X D，et al.Water storage changes in Three Gorges water systems area inferred from GRACE time-variable gravity data［J］.Chinese Journal of Geophysics，2007，50（3）：730-736.（in Chinese））

［7］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.

［8］SWENSON S，WAHR J，MILLY P C D.Estimated accuracies of regional water storage variations inferred from the Gravity Recovery and Climate Experiment （GRACE）［J］.Water Resources Research，2003，39（8）：375-384.

［9］聂宁，张万昌，陈豪，等.长江流域水储量变化的时间变化特征及归因分析［J］.水科学进展，2021，32（3）：396-407.（NIE N，ZHANG W C，CHEN H，et al.Temporal variation characteristics and attribution analysis of terrestrial water storage change in the Yangtze River basin［J］.Advances in Water Science，2021，32（3）：396-407.（in Chinese））

［10］邓梓锋，吴旭树，王兆礼，等.基于GRACE重力卫星数据的珠江流域干旱监测［J］.农业工程学报，2020，36（20）：179-187.（DENG Z F，WU X S，WANG Z L，et al.Drought monitoring based on GRACE data in the Pearl River basin，China［J］.Transactions of the Chinese Society of Agricultural Engineering，2020，36（20）：179-187.（in Chinese））

［11］NIU G Y，SEO K W，YANG Z L，et al.Retrieving snow mass from GRACE terrestrial water storage change with a land surface model［J］.Geophysical Research Letters，2007，34（15）：L15704.

［12］ANDERSEN O B，SENEVIRATNE S I，HINDERER J，et al.GRACE-derived terrestrial water storage depletion associated with the 2003 European heat wave［J］.Geophysical Research Letters，2005，32（18）：109-127.

［13］RODELL M，VELICOGNA I，FAMIGLIETTI J S.Satellite-based estimates of groundwater depletion in India［J］.Nature，2009，460（7258）：999-1002.

［14］YIN W J，HU L T，JIAO J J.Evaluation of groundwater storage variations in Northern China using GRACE data［J］.Geofluids，2017，2017：1-13.

［15］HUANG Z Y，PAN Y，GONG H L，et al.Subregional-scale groundwater depletion detected by GRACE for both shallow and deep aquifers in North China Plain［J］.Geophysical Research Letters，2015，42（6）：1791-1799.

［16］张琦，李松森，夏慧琳.基于模糊综合评判模型的东北三省水资源承载力研究［J］.水土保持通报，2019，39（5）：179-188，193.（ZHANG Q，LI S S，XIA H L.A study on water resource carrying capacity of three provinces in Northeast China based on fuzzy comprehensive evaluation model［J］.Bulletin of Soil and Water Conservation，2019，39（5）：179-188，193.（in Chinese））

［17］ZHENG W，HSU H，ZHONG M，et al.Efficient accuracy improvement of GRACE global gravitational field recovery using a new Inter-satellite Range Interpolation Method［J］.Journal of Geodynamics，2012，53：1-7.

［18］吳庭涛，郑伟，尹文杰，等.地球卫星重力场模型及其应用研究进展［J］.科学技术与工程，2020，20（25）：10117-10132.（WU T T，ZHENG W，YIN W J，et al.Review of earth′s gravity field model and application from satellite［J］.Science Technology and Engineering，2020，20（25）：10117-10132.（in Chinese））

［19］徐永明.利用GRACE RL06时变重力场的水储量变化反演研究与应用［D］.徐州：中国矿业大学，2020.（XU Y M.Research on the recovery method of water storage variations and applications using GRACE RL06 temporal gravity filed［D］.Xuzhou：China University of Mining and Technology，2020.（in Chinese））

［20］FENG W.GRAMAT：a comprehensive Matlab toolbox for estimating global mass variations from GRACE satellite data［J］.Earth Science Informatics，2019，12（3）：389-404.

［21］RODELL M，HOUSER P R，JAMBOR U，et al.The global land data assimilation system［J］.Bulletin of the American Meteorological Society，2004，85（3）：381-394.

［22］李婉秋，王伟，章传银，等.利用GRACE卫星重力数据监测关中地区地下水储量变化［J］.地球物理学报，2018，61（6）：2237-2245.（LI W Q，WANG W，ZHANG C Y，et al.Monitoring groundwater storage variations in the Guanzhong area using GRACE satellite gravity data［J］.Chinese Journal of Geophysics，2018，61（6）：2237-2245.（in Chinese））

［23］彭守璋.中国1km分辨率逐月降水量数据集（1901—2020）［DB］.北京：国家青藏高原科学数据中心，2020.（PENG S Z.1-km monthly precipitation dataset for China （1901—2020）［DB］.Beijing：National Tibetan Plateau Data Center，2020.（in Chinese））

［24］PENG S Z，GANG C C，CAO Y，et al.Assessment of climate change trends over the Loess Plateau in China from 1901 to 2100［J］.International Journal of Climatology，2018，38（5）：2250-2264.

［25］彭守璋.中国1 km逐月潜在蒸散发数据集（1990—2021）［DB］.北京：国家青藏高原科学数据中心，2022.（PENG S Z.1 km monthly potential evapotranspiration dataset in China （1990—2021）［DB］.Beijing：National Tibetan Plateau Data Center，2022.（in Chinese））

［26］DING Y X，PENG S Z.Spatiotemporal trends and attribution of drought across China from 1901—2100［J］.Sustainability，2020，12（2）：477.

［27］青海省统计局.全国各地区常住人口规模（2007—2018）［DB］.北京：国家青藏高原科学数据中心，2021.（Qinghai Provincial Bureau of Statistics.Size of permanent resident population in different regions of China （2007—2018）［DB］.Beijing：National Tibetan Plateau Data Center，2021.（in Chinese））

［28］青海省统计局.全国各地区人口出生率、死亡率、自然增长率（2001—2008）［DB］.北京：国家青藏高原科学数据中心，2021.（Qinghai Provincial Bureau of Statistics.Birth rate，death rate and natural growth rate of population in different regions of China （2001—2008）［DB］.Beijing：National Tibetan Plateau Data Center，2021.（in Chinese））

［29］龍笛，李雪莹，李兴东，等.遥感反演2000—2020年青藏高原水储量变化及其驱动机制［J］.水科学进展，2022，33（3）：375-389.（LONG D，LI X Y，LI X D，et al.Remote sensing retrieval of water storage changes and underlying climatic mechanisms over the Tibetan Plateau during 2000—2020［J］.Advances in Water Science，2022，33（3）：375-389.（in Chinese））

［30］孙倩.基于GRACE和GLDAS的新疆水资源时空变化研究［D］.乌鲁木齐：新疆大学，2015.（SUN Q.GRACE and GLDAS data-based estimation of spatial variations in terrestrial water variations over Xinjiang［D］.Urumqi：Xinjiang University，2015.（in Chinese））

［31］STRASSBERG G，SCANLON B R，RODELL M.Comparison of seasonal terrestrial water storage variations from GRACE with groundwater-level measurements from the High Plains Aquifer（USA）［J］.Geophysical Research Letters，2007，34（14）：L14402.

［32］冉全，潘云，王一如，等.GRACE卫星数据在海河流域地下水年开采量估算中的应用［J］.水利水电科技进展，2013，33（2）：42-46，67.（RAN Q，PAN Y，WANG Y R，et al.Estimation of annual groundwater exploitation in Haihe River basin by use of GRACE satellite data［J］.Advances in Science and Technology of Water Resources，2013，33（2）：42-46，67.（in Chinese））

［33］康健.基于GRACE衛星数据反演贵州岩溶水储量变化［D］.北京：中国地质大学（北京），2016.（KANG J.Deriving Karst groundwater storage changes of Guizhou Province based on GRACE data［D］.Beijing：China University of Geosciences，2016.（in Chinese））

［34］王一平，王本明.东北平原区地下水资源的推求［J］.东北水利水电，2006，24（8）：35-36，46.（WANG Y P，WANG B M.Calculation of groundwater resources in Northeast Plain area［J］.Water Resources & Hydropower of Northeast China，2006，24（8）：35-36，46.（in Chinese））

［35］陶惠林，徐良骥，冯海宽，等.基于无人机数码影像的冬小麦株高和生物量估算［J］.农业工程学报，2019，35（19）：107-116.（TAO H L，XU L J，FENG H K，et al.Estimation of plant height and biomass of winter wheat based on UAV digital image［J］.Transactions of the Chinese Society of Agricultural Engineering，2019，35（19）：107-116.（in Chinese））

［36］SANG Y F，WANG Z G，LIU C M.Comparison of the MK test and EMD method for trend identification in hydrological time series［J］.Journal of Hydrology，2014，510：293-298.

［37］SANG Y F，SUN F B，SINGH V P，et al.A discrete wavelet spectrum approach for identifying non-monotonic trends in hydroclimate data［J］.Hydrology and Earth System Sciences，2018，22（1）：757-766.

［38］陈飞，徐翔宇，羊艳，等.中国地下水资源演变趋势及影响因素分析［J］.水科学进展，2020，31（6）：811-819.（CHEN F，XU X Y，YANG Y，et al.Investigation on the evolution trends and influencing factors of groundwater resources in China［J］.Advances in Water Science，2020，31（6）：811-819.（in Chinese））

［39］郭林茂，王根绪，宋春林，等.多年冻土区下垫面条件对坡面关键水循环过程的影响分析［J］.水科学进展，2022，33（3）：401-415.（GUO L M，WANG G X，SONG C L，et al.Analysis on the influence of underlying surface conditions in permafrost regions on the key water cycle processes at slope scale［J］.Advances in Water Science，2022，33（3）：401-415.（in Chinese））

Abstract：In order to improve regional groundwater development and utilization measures and to aid regional groundwater resource management，groundwater storage variability characteristics were assessed using GRACE data in three provinces of Northeast China from 2002 to 2017.GRACE and GLDAS data were combined to estimate groundwater storage variations.The estimated groundwater storage variations were verified using measured groundwater storage variations and the factors influencing groundwater storage variations were explored.The results showed that the correlation between groundwater storage variations estimated by GRACE and the measured groundwater storage variations was strong，with a correlation coefficient of 0.72.Groundwater storage variations increased significantly at the end of 2011，and the average growth rate was 2.23 mm/a.The largest surplus in groundwater storage was at the end of 2013，and the largest deficit was at the beginning of 2008.There was an evident loss in groundwater storage in the winter and autumn，and an evident surplus in the summer.Furthermore，there were differences in the spatial distribution of groundwater storage.In 2002—2012，there was less groundwater storage in the northeast than in the southwest，and in 2013—2017 there was more groundwater storage in the northeast than in southwest.There were evident groundwater storage variations in Heilongjiang Province.Furthermore，due to drought，there were significant losses in groundwater storage in Liaoning Province and Jilin Province.Groundwater storage variations were strongly correlated with changes in precipitation and had the strongest correlation with agricultural irrigation，with a correlation coefficient of 0.58.In the winter，groundwater storage variations were the most significantly correlated with snowfall，with a correlation coefficient of up to 0.426.By studying the spatiotemporal variability characteristics of groundwater storage in three provinces of Northeast China，this study aims to provide a reference for the optimal allocation of water resources and the sustainable development of the environment in China and globally.

Key words：groundwater storage;GRACE;GLDAS;precipitation;agricultural water