频率域视角下岩溶水文过程的关键频率、相位差、因果机制与机器学习模型研究

这篇研究通过小波分析（Wavelet Analysis）将降水与岩溶泉流量信号转换至时频域，识别关键频率（1年、6.5年、15年）及相位差，结合Liang-Kleeman信息流量化因果关联，并构建因果机器学习模型。成果揭示娘子关泉域岩溶含水层中快速流（fast flow）与中慢速流（intermediate slow flow）主导降水-泉流信息传递（占比61%-76%），且超采使1年频率信息流降低63%，模型预测精度优于传统深度学习。

　　

Highlight

岩溶含水层作为层级多孔介质，其地下水流动与泉流量响应呈现多时间尺度特征。降水通过入渗穿透地层到达泉口时，因多级孔隙结构导致泉流量响应延迟，表现为多频率变化。将非线性非平稳序列转换至时频域后，可便捷提取关键频率（如1年、6.5年、15年周期），并量化相位差（时间滞后）。

Time-lags identification at critical frequencies between precipitation and spring discharge

图6展示了娘子关泉流量与7个雨量站降水的交叉小波分析（XWT）时频域功率谱变化。红色高功率谱区标识出1年、6.5年和15年关键频率。岩溶含水层的复杂水文结构（如管道-裂隙网络）导致不同频率下响应时间差异：1年频率对应快速流（<1月滞后），6.5年频率反映中速流（约2年滞后），15年频率则表征慢速流（>5年滞后）。相位差分析进一步揭示，高发育区管道流（conduit flow）主导高频响应，而低发育区裂隙流（fracture flow）延迟显著。

Conclusions

本研究通过时频域方法解析了岩溶水文过程的多尺度动力学：1）1年频率信息流强度远超其他频率（贡献率>60%），且超采使其衰减63%；2）因果机器学习模型嵌入频率特异性约束后，泉流量预测均方根误差（RMSE）降低22%；3）方法体系可推广至其他异质性含水层系统，为水文过程机理解析与智能预测提供新范式。