EN中文

Journal of Geo-information Science >

2022 , Vol. 24 >Issue 5: 889 - 901

DOI: https://doi.org/10.12082/dqxxkx.2022.210519

Spatial-temporal Dynamics of Evapotranspiration and Its Components in Nine River Basins of China from 1980 to 2020 based on GlEAM-ET Products

  • YANG Zelong , 1, 2 ,
  • LI Yanzhong , 1, * ,
  • BAI Peng 2 ,
  • DU Shenwen 1 ,
  • HAO Yi 1 ,
  • QIAN Chang 1 ,
  • LI Chaofan 3
Expand
  • 1. School of Hydrology and Water Resources, Nanjing University of Information Science & Technology, Nanjing 210044, China
  • 2.Key Laboratory of Water Cycle and Related Land Surface Processes, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 3. School of Geography Science, Nanjing University of Information Science & Technology, Nanjing 210044, China
* LI Yanzhong, Email:

Received date: 2021-08-31

  Request revised date: 2021-11-04

  Online published: 2022-07-25

Supported by

Natural Science Foundation of China(51979263)

Natural Science Foundation of China(41701019)

Natural Science Foundation of China(42177436)

Innovation and Entrepreneurship Training Program for College Students in Jiangsu Province(202110300100Y)

Natural Science Foundation of Jiangsu Province(BK20201393)

Copyright

Copyright reserved © 2022.
Fold

Abstract

Evapotranspiration (ET) is the link of water exchange between land surface and atmosphere, and has an important effect on the water cycle and energy cycle. In the context of climate change and increasing anthropogenic activities, significant changes in ET have been detected over past decades, which has profoundly impacted the global water cycle system and climate system. Thus, accurate estimation of spatiotemporal variability of ET and its components under a changing environment is essential for water resources planning and management. In this paper, we used the GLEAM-ET dataset to investigate the spatial-temporal dynamics of ET and its components in nine river basins of China. The applicability of the GLEAM model is verified at multiple scales in China based on ET observations at 7 flux sites, ET_water based on water balance principle in 120 basins and the PML_V2 evapotranspiration product. The spatial and temporal patterns of ET and its components (i.e., vegetation transpiration Ec, retained evapotranspiration Ei, and soil evapotranspiration Es) are comprehensively analyzed in the context of revegetation. The results show that: (1) The GLEAM-ET product has a good applicability in nine major river basins in China, and its performance is related to the climate zone. The applicability in arid areas is better than that in humid areas. In addition, the GLEAM and PML_V2 models have a good correlation in nine major watersheds (R>0.7), and their distribution pattern and change trend are consistent overall; (2) From 1980 to 2020, the average ET of China is 416.88 mm, and the growth rate is 1.21 mm/yr. Both Ec and ET show a decreasing pattern from southeast to northwest, while Es shows a reverse trend. The Ec and ET show a significant increasing trend in the 9 major watersheds (p<0.001). The Ei and Es show a significant increase and decrease in the monsoon watersheds, respectively, and an insignificant decrease (p>0.05) and a significant increase trend in inland watersheds, respectively; (3) The proportion of each ET component obviously changes under the background of vegetation restoration. The change of Ec proportion is different from north to south. The Ec proportion decreases in the southern basin and increases in the northern basin. The proportion of Ei and Es increases and decreases, respectively, over all basins. The ET components in the Yellow River Basin respond most obviously to vegetation restoration, with Ec increasing by 5.21% and Es decreasing by 5.56%. These findings will help to provide guidance for water resource management and planning the formulation of ecological restoration policies on the Loess Plateau.

Key words： nine major watersheds; GLEAM model; applicability evaluation; evapotranspiration; soil evaporation; vegetation transpiration; spatiotemporal variability; vegetation restoration

Cite this article

YANG Zelong , LI Yanzhong , BAI Peng , DU Shenwen , HAO Yi , QIAN Chang , LI Chaofan . Spatial-temporal Dynamics of Evapotranspiration and Its Components in Nine River Basins of China from 1980 to 2020 based on GlEAM-ET Products[J]. Journal of Geo-information Science, 2022 , 24(5) : 889 -901 . DOI: 10.12082/dqxxkx.2022.210519

1 引言

蒸散发（ET）是地表水热平衡的关键要素[1],也是联系水、能量以及碳循环的纽带。全球尺度上,ET是除降水之外最大的水汽通量,约66%的陆表降水最终以ET的形式返回大气[2]。ET是一个非常复杂的水循环要素,受气候、植被、土壤和地形等因素的综合影响,具有高度的时空变异性。此外,ET包括植被蒸腾（Ec）、冠层截留（Ei）和土壤蒸发（Es）等多个组分[3],各组分间的比例分配关系复杂,控制因素多变。与降水、土壤水、径流等水循环要素不同,ET很难被直接观测,通常基于能量平衡（如涡度相关法）或水量平衡法间接观测[4]。但是目前ET观测站点较少,将点尺度的ET观测值推演至区域尺度存在较大的不确定性。因此,如何合理地估算区域大尺度的ET及其组分一直是水文领域研究的难点与重点[5]。
为弥补站点尺度ET观测的局限性,多种全球ET产品得到了快速的发展,包括遥感产品、再分析数据产品,陆面模式产品等[6]。其中,基于Priestley-Taylor公式的GLEAM-ET产品由于时间分辨率高、覆盖范围广等优点,被广泛应用。陈鑫涛等[7]在黄河流域对GLEAM、GLADS、ERA5三种ET产品的适用性进行了评估。结果表明,在流域尺度上,GLEAM、GLDAS、ERA5 这3种产品均表现良好,与基于水量平衡求得的ET参考值（ET_water）较为接近,其中GLEAM的偏差最小。Liu[8]选择了GLEAM、ZHANG、CSIRO 3种ET产品,与青藏高原16个流域ET_water相比较,结果显示,GLEAM在表征ET多年均值和年际变化方面表现最好。综上所述,GLEAM-ET产品在中国多个流域展现出较好的性能。
随着各类ET产品成为了分析区域ET的有效工具,诸多学者开始聚焦于中国地区的ET动态研究。詹云军等[9]借助GLEAM-ET产品,分析了1981—2017年长江流域蒸散发的时空特征。结果表明长江流域ET呈阶段性变化,其主要原因是日照时数下降速率减缓、植被指数增加速率升高。温媛媛等[10]基于MOD16-ET产品,对山西省2000—2014年ET展开研究。结果显示,ET的时空变化受若干气象因素影响,其在空间尺度上与降水、相对湿度显著相关,在时间尺度上与气温、降水最为密切。Ji等[11]利用PML_V2模型重点探讨了三峡库区蒸散发组分的影响因素,发现Ec、Ei、Es均受气温和水汽压差的影响,此外Ec、Es还受日照时数影响,Ei则受降水的影响。简而言之,目前相关研究多聚集于单个流域或区域尺度,缺乏全国尺度上的综合性评估。此外,在气候变化和一系列生态恢复措施的作用下,近年来中国许多地区的植被发生了显著“变绿”的趋势（如黄土高原地区）[12]。在植被恢复的背景下,ET及其组分会作何改变成为一个亟待解决的科学问题,而GLEAM模型可较为准确地估算Ec、Ei、Es等多个ET组分[13],能够在揭示ET的变化机理上发挥重要作用。
基于此,本文选择GLEAM-ET产品,① 从点尺度、流域尺度、产品交叉验证等多方面系统评估该产品的性能;② 阐明中国九大流域ET及其组分的时空变化格局;③ 以中国九大流域为研究对象,分析植被恢复背景下,ET及其组分的变化机理。本研究有利于揭示ET及其组分的时空演变格局,为中国水资源评价与管理提供参考及决策依据。

2 数据来源与研究方法

2.1 模型产品

2.1.1 GLEAM-ET产品
中国九大流域的空间分布如图1所示,分析九大流域ET的时空动态采用GLEAM模型的产品,该产品通过简易水平衡框架内对陆地ET和土壤水分模拟的获得,其利用卫星观测资料,分别对植被蒸腾、冠层截留、裸土蒸发、冰雪蒸发、水面蒸发5个主要组分进行估算。计算原理是在Priestley-Taylor等式的基础上,以地表净辐射和地表温度观测数据为输入,求得潜在ET,将其乘以由植被光学深度和根区土壤湿度模拟值解得的ET压力因子,转化为实际ET。GLEAM产品空间分辨率为0.25°,时间跨度为1980—2020年,时间分辨率为1 d,本文采用GLEAM v3.5a ET产品进行分析（ https://www.gleam.eu/）[14,15]。
图1 中国九大流域地理位置

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2019)1822号的标准地图制作,底图无修改。

Fig. 1 Geographical location of China and 9 major water resource level divisions

2.1.2 PML_V2-ET产品
PML_V2模型是在Penman-Monteith公式和光合速率-气孔导度模型计算的基础上[16],利用Google Earth Engine构建而成。本文借助PML_V2模型数据对GLEAM模型进行交叉验证,PML_V2产品数据集来源于国家青藏高原科学数据中心,时间跨度为2002年7月—2019年8月,空间分辨率为0.05°（ https://data.tpdc.ac.cn/zh-hans/data/48c16a8d-d307-4973-abab-972e9449627c/?q=PML_V2）。相较于GLEAM-ET产品,PML_V2产品空间分辨率更高,因此发布伊始便备受关注。诸多学者评估了PML_V2模型在中国的性能[17,18,19],结果均显示PML_V2-ET产品在中国具有较好的适用性。但由于数据时间序列较短,难以直接用于分析蒸散发在较长时间尺度上的演变,因此本文借助该产品辅助验证GLEAM-ET产品的性能。本文的主要研究技术路线见图2。
图2 技术路线

Fig. 2 Technical route

2.2 GLEAM-ET产品验证资料及方法

2.2.1 通量观测资料及处理方法
涡动相关系统测得的通量数据广泛应用于ET产品的评估。本文利用7个通量观测站点（图1）的地表温度和潜热通量数据,由式（1）计算得到ET。该数据为2006—2010年的逐月数据,其中内蒙古站和禹城站部分时段数据缺测,分别有59个和51个有效数据,其余站点无缺测,各有60个有效数据。通量观测数据来源于国家生态科学数据中心（ http://rs.cern.ac.cn/）,各站点的气候及生态类型见表1。
EC = LE λ , λ = 2.501 - 0.00236 × Ts × 10 6
式中： EC为通量站观测蒸散发/(mm/day); LE为潜热通量/(MW/m/day); Ts为地表温度/℃。
表1 7个通量观测站点气候及生态类型

Tab. 1 Climate and ecological types at 7 flux observation sites

站名 气候类型 生态类型
内蒙古站 温带大陆性气候 内蒙古温带草原生态系统
长白山站 温带季风气候 温带森林生态系统
禹城站 温带季风气候 农田
千烟洲站 亚热带季风气候 红壤丘陵区农林复合生态系统
鼎湖山站 亚热带季风气候 南亚热带森林生态系统
当雄站 高原山地气候 青藏高原农牧业
海北站 高原山地气候 青藏高原草甸带
2.2.2 流域水文气象数据及处理方法
降水数据来自中国气象局国家气象信息中心（ http://data.cma.cn/）,将日降水数据加和求得年降水量,并利用ArcGIS空间插值得到栅格数据,然后使用Arcpy由流域边界提取年均值。全国120个流域1980—2000年径流数据来自国家水利部汇编的水文年鉴[20]。九大流域在2003—2018年的降水径流资料来自中国水资源公报（ http://www.mwr.gov.cn/）。利用现有水文气象数据,由式（2）水量平衡原理计算得到各流域的ET_water。
ET _ water = P - Q - ∆ S
式中：P为降雨量/mm;Q为径流量/mm;△S代表土壤储水量的变化量/mm,计算 ET _ water多年均值时可忽略不计。
此外,根据干燥指数（AI）对流域气候干燥程度进行划分,干燥指数可由式（3）计算得到。在我国,当0<AI<1.5时认为是偏湿润地区,当AI>1.5时认为是偏干旱地区[21]。
AI = E T 0 P
式中：P为降水量/mm;ET0为潜在ET/mm,由式（4）FAO-56 Penman-Monteith估算[22]。
E T 0 = 0.408 ∆ R n - G + γ 900 T + 273 U 2 e s - e α ∆ + γ 1 + 0.34 U 2
式中： R n为地面净辐射/(MJ/m2/d);G为土壤热通量/(MJ/m2/d); γ为干湿计常数/(kPa/°C);T为日平均温度/°C; U 2为2 m高度处的风速/(m/s); e s为饱和水气压/kPa; e α为实际水汽压/kPa; ∆为水汽压曲线斜率/(kPa/°C)。
2.2.3 模型评价指标
本文选取相关系数（R）、偏差百分比（PBIAS）、均方根误差（RMSE）、Kling-Gupta效率系数（KGE）作为GLEAM模型的评价指标。KGE耦合了观测值（o）与模拟值（s）的相关系数（R）,均值（ μ）及标准差（ δ）,能够较为全面地评估GLEAM模型,其可通过式（5）求得。
KGE = 1 - R - 1 2 + α - 1 2 + β - 1 2
式中： α用于度量模拟值和观测值的相对可变性, α = δ s / δ o, β = μ s / μ o。 KGE越接近于1,模型效果越好。

2.3 LUCC数据

中国LUCC数据来源于中国科学院资源环境科学数据中心（ http://www.resdc.cn）,空间分辨率为1 km,时间分辨率为5年。本文利用1995和2020年中国LUCC数据,由Arcgis系统工具箱-空间分析工具-重分类-重分类工具,将原始LUCC栅格数据分为三类并重新赋值（耕地1,林草地10,其他类型100）。随后借助栅格计算器将2020年与1995年的LUCC数据相减,计算得到的栅格中,属性值为9的部分即为这一期间的退耕还林草区域。

2.4 趋势性检验与一致性检验方法

Mann-Kendall检验用于检验ET及其组分变化的显著性,计算得到检验统计量 Z,当 Z大于1.96、2.58、3.32时认为趋势显著、非常显著、极显著（对应p分别为0.05、0.01、0.001）。Kolmogorov-Smirnov检验可用于分析两个经验分布的一致性[23]。通过构造统计量 D n,与不同置信水平下的检验临界值相比较,若 D n小于检验临界值（p>0.05）,则认为两经验分布一致,否则不一致。

3 结果与分析

3.1 模型性能验证

3.1.1 流域尺度验证
借助中国120个验证流域（图1）的水文气象资料,依据水量平衡原理计算得到ET_water多年均值。将其与GLEAM模型进行对比验证,结果见图3。整体来看,GLEAM可以较为准确地反映ET_water在流域间的变化。ET与ET_water的相关性较好,R达到0.78。同时,GLEAM在少数湿润流域存在高估,偏差最大值达到521 mm。相比之下,干旱区流域ET与ET_water更为相符。120个流域的平均PBIAS为17%, KGE达到0.71,可以认为模型具有较高的可信度。同时,由于缺少120个流域在2000年后的水文资料,本文采用九大流域在2000年后的ET_water对其补充验证,计算得到 R=0.92,PBIAS=10.15%,KGE=0.77。GLEAM-ET产品在西南诸河流域低估了ET_water,而在其余流域均存在不同程度的高估。GLEAM-ET产品在东南诸河流域PBIAS最大,达到40.30%,在淮河流域PBIAS最小,仅有4.78%。
图3 对比GLEAM-ET产品与120个流域在1980—2000年的ET_water多年均值

Fig. 3 The multi-annual mean ET_water values of 120 watersheds were compared with GLEAM-ET products from 1980 to 2000

综上所述,GLEAM模型效果与流域的气候干燥程度有关,干旱地区的模拟效果好于湿润地区,这为不同气候区ET估算提供了参考依据。总体而言,GLEAM模型在流域尺度性能较好,达到了应用的水平。
3.1.2 PML_V2-ET性能验证
为表明PML_V2在中国具有较好的适用性,以借助PML_V2-ET对GLEAM-ET进行交叉验证,本文利用7个典型生态类型通量站的观测数据（EC）对PML_V2-ET产品进行点尺度评估,结果见图4。PML_V2-ET与EC在多数站点相关性较好（R>0.8）,其中千烟洲站和长白山站R最大,达到0.95。内蒙古站的相关性最差,R为0.66。各站点的PBIAS相差不大,除鼎湖山站外,其余各站PBIAS绝对值均小于30%。此外,PML_V2-ET在内蒙古站、禹城站、当雄站、海北站低估了EC,而在长白山站、千烟洲站、鼎湖山站高估了EC。其中,千烟洲站PBIAS最小,仅为0.52%;鼎湖山站的PBIAS最大,达到34%。PML_V2-ET与各站点EC的KGE均大于0.5,千烟洲站KGE最大,达到0.91。总体而言,PML_V2-ET产品在点尺度具有较好的适用性。
图4 对比PML_V2-ET产品与7个通量观测站点在2006—2010年的月观测值

Fig. 4 Monthly observations of PML_V2-ET products were compared with those of seven flux observation sites from 2006 to 2010

此外,本文计算得到了PML_V2-ET与EC的在各站点处的月际趋势,以验证EC时空变化趋势结果的合理性（表2）。整体来看,PML_V2-ET在点尺度月际趋势值上与EC较为一致,在内蒙古、海北站、禹城站出现趋势相反现象。在当雄站二者最为接近,差值仅为0.02 mm/month,在海北站二者差值最大,达到0.35 mm/month。总体而言,可以认为PML_V2-ET整体上捕获了站点尺度EC的结果。
表2 典型涡度相关观测EC与PML_V2-ET月际趋势对比分析

Tab. 2 Comparative analysis of intermonthly trend between EC and PML_V2-ET observed by canonical vorticity correlation

内蒙古 千烟洲 当雄 海北 禹城 长白山 鼎湖山
EC -0.18 0.22 0.14 -0.32 0.07 -0.10 0.25
PML_V2-ET 0.12 0.06 0.12 0.03 -0.03 -0.04 0.02
3.1.3 模型交叉验证
为了深入评估GLEAM模型对ET的模拟效果,本文借助PML_V2-ET产品对GLEAM-ET产品进行交叉验证,采用二者2003—2018年的模拟值,对比ET的空间分布格局,并计算得到了GLEAM-ET相对于PML_V2-ET的PBIAS,及二者在九大流域的KGE,结果见图5。
图5 GLEAM-ET与PML_V2-ET产品交叉验证

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2019)1822号的标准地图制作,底图无修改。数字1~9对应中国九大流域。

Fig. 5 Cross-validation of GLEAM and PML_V2 evaporative products

在季风区各流域,GLEAM-ET与PML_V2-ET空间分布较为相近,大部分地区PBIAS绝对值小于30%。GLEAM-ET在温带季风区流域相较于PML_V2-ET偏低（PBIAS<0）,而在亚热带季风区流域偏高（PBIAS>0）。同时,GLEAM-ET与PML_V2-ET在温带季风区流域相近度优于亚热带季风区流域。亚热带季风区流域PBIAS绝对值整体大于温带,温带季风区流域PBIAS绝对值多在20%以内,而亚热带季风区流域部分地区,如长江中下游流域,PBIAS绝对值达到20%~40%。二者在内陆区流域的差异相较于季风区更为突出,多数地区PBIAS位于-60%~ -20%区间内,在人迹稀少、测站不足的塔克拉玛干沙漠、青藏高原高海拔地区二者差异尤为明显,局部PBIAS绝对值大于75%。此外,二者在九大流域的平均PBIAS均小于30%,在亚热带季风区流域,GLEAM-ET相较PML_V2-ET偏高,在其他流域GLEAM-ET低于PML_V2-ET。其中长江流域PBIAS绝对值最小,仅为3.1%;西南诸河流域PBIAS绝对值最大,达到28.02%。整体来看,GLEAM-ET与PML_V2-ET在多数地区较为一致,尤在温带季风区流域最为相近。
图6(a)展示了2003—2018年,GLEAM-ET、PML_V2-ET与ET_water在九大流域的多年均值,图6(b)、图6(c)、图6(d)分别对比了2种ET产品的3种组分在该期间的多年均值。以ET_water为参照,GLEAM-ET与PML_V2-ET在大多数流域上均不同程度地高估了ET。GLEAM-ET与PML_V2-ET对比来看,GLEAM-ET在珠江流域、东南诸河流域大于PML_V2-ET,在其余流域均小于PML_V2-ET。3种蒸散发组分对比上,两产品的Ei最为相近,而Ec、Es偏差较大,具体表现为GLEAM-Ec除内陆河流域外均高于PML_V2-Ec,而GLEAM-Es在各流域均远小于PML_V2-Es。这主要是由于两产品在能量分配上有所差异,GLEAM产品多将能量分配在植被冠层,而PML_V2产品将部分能量分配到了地表土壤。综上可知,GLEAM模型模拟结果与PML-ET较为相符,本研究采用此模型具有合理性。
图6 对比2003—2018年,GLEAM-ET与PML_V2-ET产品在九大流域的各组分值

Fig. 6 The scores of GLEAM-ET and PML_V2-ET products in nine catchments were compared from 2003 to 2018

3.2 ET及其组分的空间变化格局

中国范围1980—2020年ET及其组分的空间变化格局如图7所示。ET与Ec均呈自东南向西北减小态势（图7(a),图7(m)）,ET多年均值为416.88 mm。Ei除在南方局部地区偏大外,整体分布较为均匀（图7(c)）。Es则在西北部分地区偏多,例如黄河中上游、内陆河流域等地（图7(i)）。变化趋势上,ET在中国以1.21 mm/a的速率呈极显著增加态势,但在大兴安岭部分地区存在极显著的减小趋势（图7(n),图7(o)）。Ec变化趋势与ET相同（图7(b),图7(c)）。Ei在东部季风区呈极显著的增加趋势,在西北内陆区呈不显著的减小趋势（图7(f),图7(g)）。Es则在东部季风区呈极显著的减小趋势,而在西北内陆区呈极显著的增加趋势（图7(j),图7(k)）。占比方面,Ec与Es占比呈相反态势。ET在东部季风区的主要组分为Ec,占比在70%以上（图7(d)）,而在西北内陆区Es为ET的主要组分,占比达到60% 以上（图7(l)）。Ec与Es呈现如此差异与中国气候特征及植被分布密切相关。东部季风区夏季易受来自海洋的暖湿气流影响,降水充沛,而暖湿气流受地形阻碍作用,难以深入内陆,因此西北内陆地区降水较为匮乏,进而导致蒸散量较小。此外,西北地区植被在降水胁迫作用下,难以发育,植被类型以浅根系植被为主[24],不易对太阳辐射进行有效拦截,进而使得地表可充分吸收太阳辐射,Es因之增加。最终产生上述Ec与Es空间分异的现象。
图7 中国蒸散发及其组分在1980—2020年的多年均值、年际变化趋势、显著性、比例分配空间格局

注：显著性图例中, +、 -代表增加或减少,1、2、3代表显著（p<0.05）、非常显著（p<0.01）、极显著（p<0.001）。该图基于自然资源部标准地图服务网站下载的审图号为GS(2019)1822号的标准地图制作,底图无修改。图中数字1~9对应中国九大流域。

Fig. 7 Spatial pattern of multi-annual mean, interannual variation trend, significance, and proportional distribution of evapotranspiration and its components in China from 1980 to 2020

九大流域的ET及其组分变化情况如图8所示。均值上,东部流域Ec、Ei整体大于西部流域,Es小于西部流域。其中,长江流域Ec,珠江流域Ei,黄河流域Es为所在组分最大值;内陆河流域Ec、Ei,东南诸河流域Es为所在组分最小值。趋势上,Ec除在松辽流域呈不显著减小趋势外,在其余流域均呈显著增加趋势,海河流域和黄河流域Ec增长速率明显高于其他流域,分别为1.89 mm/a、1.63 mm/a,呈极显著增长趋势。Ei在九大流域均增加,珠江流域Ei速率最大,达到1.08 mm/a,内陆河流域速率最小,仅为0.01 mm/a。Es在东南诸河、西南诸河及内陆河流域呈增加趋势,在其余流域呈减小趋势。占比上,Ec在季风区流域占比高于内陆流域,Es与之相反。Ec占比在海河、淮河、长江流域达到80%以上,而在内陆河流域仅为25.48%。Es则在黄河、西南诸河、内陆河流域占比较高,其中内陆河流域Es占比高达68.76%,为九大流域Es占比最大值。Ei占比空间分布差异有别于Ec、Es,具体表现为南部流域Ei占比大于北部流域,如长江、珠江、东南诸河等流域Ei占比明显高于其他流域。
图8 中国九大流域在1980—2020年的多年均值、年际变化趋势、比例分配值

注：*,**,***表示变化趋势显著（p<0.05）、非常显著（p<0.01）、极显著（p<0.001）。

Fig. 8 Multi-annual mean, value interannual variation trend and proportion distribution of nine major river basins in China from 1980 to 2020

3.3 植被恢复背景下,ET组分比例分配的变化

自20世纪末,我国开展了大规模的植被恢复工程,原有耕地区域大量转化为林草地。本文借助1995和2020年的LUCC数据（图9(a),图9(b)）,计算得到了该时段内的退耕还林区域,可知不同时期下,耕地和林草地分布未有显著差异。耕地主要分布在黄淮海平原、东北平原及四川盆地等地区（图9(a),图9(b)）。林草地分布更为广泛,除西北内陆地区及东部耕地区外,在各地均有分布。退耕还林区域主要集中于东部季风区,尤以黄河中游最为显著（图9(c)）。
图9 中国九大流域在1995—2020年的退耕还林草区域

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2019)1822号的标准地图制作,底图无修改。数字1~9对应中国九大流域。

Fig. 9 Vegetation restoration areas in nine major watersheds in the country from 1995 to 2020

随后,本文通过对比退耕还林前（1980—1994年,a组）与退耕还林时期（1995—2020年,b组）ET组分的变化情况,来揭示植被恢复背景下ET组分的变化机理。为消除年际降水变化对ET总量的影响,本文采用ET组分占比作为指标进行衡量,结果见图10。
图10 退耕还林草前后,中国九大流域ET组分比例分配的变化

注：横坐标1~9分别代表九大流域,a代表时间尺度为1980—1994年,b代表时间尺度为1995—2020年。例如：横坐标4a代表1980—1994年的黄河流域（4号）。

Fig. 10 Changes of ET component proportion distribution before and after returning farmland to forest and grassland in nine major river basins of China

Ec占比变化存在南北差异,南方流域Ec占比均减小,而北方流域均增加。长江流域、珠江流域、东南诸河流域和西南诸河流域的Ec占比分别减小1.74%、0.56%、1.61%、0.89%。北方流域以黄河流域增加最为显著,达到5.21%。九大流域Ei占比均增加,其中长江流域Ei占比增加最大,达到2.43%,内陆河流域增加最小,为0.11%。Es占比在各流域均减小,其中黄河流域减小最大,达到5.56%。
此外,本文通过Kolmogorov-Smirnov检验,对退耕还林前后的ET组分占比进行一致性分析,结果见表3。Ec在黄河流域等4个流域存在显著差异,Ei在海河流域、长江流域、西南诸河流域等6个流域存在显著差异,Es在9个流域均存在显著差异,东南诸河流域为极显著差异,海河流域等4个流域为非常显著差异,可见在植被恢复背景下,Es的变化更为普遍且剧烈。
表3 退耕还林草前后,对中国九大流域ET组分比例分配的一致性检验

Tab. 3 Consistency test of ET component proportion distribution in 9 major river basins in China before and after returning farmland to forest and grassland

流域编号 1 2 3 4 5 6 7 8 9
Ec/E 0.265 0.002** 0.420 0.003** 0.162 0.432 0.004** 0.097 0.009**
Ei/E 0.231 0.002** 0.002** 0.007** 0.008** 0.156 0.004** 0.002** 0.521
Es/E 0.005** 0.004** 0.045* 0.045* 0.001** 0.002** 0.000*** 0.037* 0.011*

注：*,**,***表示变化趋势显著（p<0.05）、非常显著（p<0.01）、极显著（p<0.001）。

4 讨论

4.1 GLEAM-ET产品性能评估

GLEAM-ET产品由于时空分辨率高等优点,被诸多学者验证使用。由于验证资料及研究区域有所不同,研究结果难免存在一定的差异。在点尺度评估上,本文发现鼎湖山等站点处PBIAS较大,该现象在Yang等[25]的研究中也有所体现。但该问题不应完全归因于GLEAM模型在相应站点的适用性差,通量观测数据本身也存在一定的误差。受采样误差、仪器测量误差、高频与低频湍流通量损失等因素的影响[26],通量站点观测的湍流通量总是低于有效能量。但由于数据资料有限,本文难以对各能量项进行闭合,所以结果显示为GLEAM在鼎湖山等站点高估了ET。在模型交叉验证上,本文通过对比GLEAM-ET与PML_V2-ET产品发现,不同产品间ET分布格局较为相符,而变化格局存在区域性差异。Bai P等[27]对比了GLEAM、NTSG、GLDAS 3种ET产品在中国的时空分布情况。结果同样表明, 3种ET产品在全国尺度上的时空分布较为相近,但在表征局部地区的变化趋势上仍存在一定的差异。对此,为了较为准确地度量ET的时空格局,当产品间存在较为明显的差异时,可以结合流域尺度评估结果,分流域遴选适用性最好的相应产品,最终综合多个产品分析得到的ET时空分布情况。对此,可借助多源数据融合方法（如贝叶斯）、机器学习算法（如LSTM等）,以提高ET估算的的精度,这对于探究我国不同气候区、水资源区的ET变化格局具有重要意义。

4.2 蒸散发组分比例分配的变化

ET变化作为水文循环中的重要一环,受气象条件、人类活动、植被恢复等多因素影响。由于我国多项植被恢复工程的开展[28],近年来植被恢复对ET的作用较为强烈[29],蒸散发及其组分可在植被恢复作用下发生显著变化[30]。Zhang等[31]指出在植被恢复背景下,由于土壤表面的阴影增加,Ec和Es也因之改变,陆地上Ec的总体增加量约为Es减少量的两倍。本文也发现了退耕还林前后,Ec、Ei占比增加,Es占比减小的现象。但该现象可能是由植被恢复、太阳辐射、温度变化等多种因素共同导致的,无法直接归因于植被恢复。若要定量分析植被恢复对蒸散发及其组分的作用,需借助相关模型控制气象要素,以进行对照分析实验。

4.3 不确定性与展望

本文严格把控数据源质量,并采取多种方法对GLEAM模型进行了综合性评估。在确保GLEAM模型在我国具有较好适用性的基础上,详细分析了植被恢复背景下,近40年来中国ET及其组分的时空演变格局,所得结论与诸多学者的研究成果相一致[27-32-33]。但是本研究仍存在一定的不确定性。首先,在点尺度验证上,通量站测得数据仅代表其附近几百米内的蒸散情况,而GLEAM-ET产品的空间分辨率约为625 km2,因此GLEAM在通量站处的格点数据较难与ET观测值完全相符。其次,借助水量平衡原理计算得到的各流域ET_water,易受降水数据的质量影响。在部分雨量站点稀疏的地区（如热带地区）,根据雨量站点测得数据插值得到的流域均值可能无法较好展现流域实际降水情况,因此降水输入的不确定性可能会对流域ET的估计,乃至模型的评估构成挑战。此外,蒸散发组分的验证工作一直是蒸散发估算的难点,由于缺少公认有效的ET组分实测数据,本文暂未对GLEAM产品的组分进行系统验证,这为本文研究分析带来了一定的不确定性。但是,本文作者尝试利用黑河流域大满站[34]同位素观测的蒸散发组分进行了验证,初步研究发现GLEAM产品的蒸散发组分与同位素的结果较为一致,GLEAM产品组分在该站具有一定的可信度。对于PML组分[31],产品已中国3个站点[35,36,37]进行了验证,得到了较为满意的结果。所以,虽然ET组分存在一定的不确定性,但对全国一级水资源区蒸散发组分的格局变化的结论影响有限。
本文借助GLEAM产品,探讨了近40年来中国九大流域的ET及其组分时空变化格局,在模型交叉验证的过程中发现,受制于模型机理及下垫面的差异,不同的模型产品在量化ET时可能存在各自的不确定性。为提高模型模拟精度,获得质量更好的ET数据集,可借助可靠性集合平均法（REA）[38]对多源数据进行融合,从而提高模拟数据的精准度。这对于准确度量ET,进而优化水资源配置具有重要意义。

5 结论

本文以中国九大流域为研究对象,利用通量观测数据、水文气象资料及PML_V2-ET产品,验证了GLEAM模型的性能,并在此基础上分析了1980—2020年九大流域ET的时空演变格局,相较现有研究,本文时空尺度更为广泛,并为不同气候区的ET研究提供了参考依据;同时有助于定性揭示ET对植被恢复的响应机理,为后续定量研究植被恢复对蒸散发的作用打下良好铺垫。具体结论如下：
（1）GLEAM-ET产品在中国九大流域具有较好的适用性。GLEAM模型在点尺度和流域尺度验证结果表明,GLEAM模型性能与气候类型有关,干旱区的性能优于湿润区。此外,GLEAM-ET与PML_V2-ET产品在九大流域相关性较好（R>0.7）,分布格局与变化趋势整体保持一致。
（2）在1980—2020年,全国尺度的ET均值为416.88 mm,增长速率为1.21 mm/a。Ec对ET的分布格局起着主导作用,二者均呈自东南向西北递减的分布格局,Es与其相反。近40年来,Ec、ET在9大流域呈极显著增加趋势（p<0.001）。Ei、Es在季风区流域分别呈极显著增加、极显著减小趋势;在内陆区流域呈不显著减小（p>0.05）、极显著增加趋势。
（3）在植被恢复背景下,ET组分比例分配发生变化,Ec占比变化存在南北差异,南方流域Ec占比均减小,北方流域均增加。Ei占比在各流域均增加,Es占比均减小。黄河流域ET组分对植被恢复的响应最为明显,Ec增加了5.21%,Es减小了5.56%。Es变化更为普遍且剧烈,植被恢复工程开展前后对比,Es占比在9个流域均存在显著差异,其中东南诸河流域Es占比存在极显著差异（p<0.001）,在海河流域等4个流域存在非常显著差异（p<0.01）。

感谢中国科学院地理科学与资源研究所的马宁和张永强老师对本文的指导。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Jung M, Reichstein M, Ciais P, et al. Recent decline in the global land evapotranspiration trend due to limited moisture supply[J]. Nature, 2010, 467:951-954. DOI: 10.1038/nature09396

DOI

[2]
魏光辉, 董新光, 杨鹏年, 等. 基于灰色关联分析与多元线性回归模型的水面蒸发预测[J]. 节水灌溉, 2010, 2:41-44.

[ Wei G H, Dong X G, Yang P N, et al. Study on water surface evaporation forecast based on multivariate linear regression model and gray relational analysis[J]. Water Saving Irrigation, 2010, 2:41-44. ]

[3]
Barbour M M, Hunt J E, Walcroft A S, et al. Components of ecosystem evaporation in a temperate coniferous rainforest, with canopy transpiration scaled using sapwood density[J]. New Phytologist, 2005, 165:549-558. DOI: 10.1111/j.1469-8137.2004.01257.x

DOI PMID

[4]
宋璐璐, 尹云鹤, 吴绍洪. 蒸散发测定方法研究进展[J]. 地理科学进展, 2012, 31(9):1186-1195.

[ Song L L, Yin Y H, Wu S H. Advancements of the metrics of evapotranspiration[J]. Progress in Geography, 2012, 31(9):1186-1195. ]

[5]
Wang K, Dickinson R E. A review of global terrestrial evapotranspiration: Observation, modeling, climatology, and climatic variability[J]. Reviews of Geophysics, 2012,50: Rg2005. DOI: 10.1029/2011RG000373

DOI

[6]
Liu W, Wang L, Zhou J, et al. A worldwide evaluation of basin-scale evapotranspiration estimates against the water balance method[J]. Journal of Hydrology, 2016, 538:82-95. DOI: 10.1016/j.jhydrol.2016.04.006

DOI

[7]
陈鑫涛, 邓超. 多种蒸散发产品在黄河流域的评估和融合[J]. 水电能源科学, 2021,39(5):5-8+57.

[ Chen X T, Deng C. Evaluation and integration of multiple evapotranspiration products in the Yellow River Basin[J]. Water Resources and Power, 2021, 39(5):5-8,57. ]

[8]
Wang G J, Pan J, Shen C C, et al. Evaluation of evapotranspiration estimates in the yellow river basin against the water balance method[J]. Water, 2018, 10:1884. DOI: 10.3390/w10121884

DOI

[9]
詹云军, 章文, 严岩, 等. 长江流域实际蒸散发演变趋势及影响因素分析[J]. 生态学报, 2021, 41(17):1-12.

[ Zhan Y J, Zhang W, Yan Y, et al. Analysis of actual evapotranspiration evolution and influencing factors in the Yangtze River Basin[J]. Acta Ecologica Sinica, 2021, 41(17):1-12. ]

[10]
温媛媛, 赵军, 王炎强, 等. 基于MOD16的山西省地表蒸散发时空变化特征分析[J]. 地理科学进展, 2020, 39(2):255-264.

DOI

[ Wen Y Y, Zhao J, Wang Y Q, et al. Spatiotemporal variation characteristics of surface evapotranspiration in Shanxi Province based on MOD16[J]. Progress in Geography, 2020, 39(2):255-264. ]

[11]
Ji Y Y, Tang Q Q, Yan L Y, et al. Spatiotemporal variations and influencing factors of terrestrial evapotranspiration and its components during different impoundment periods in the three gorges reservoir area[J]. Water, 2021, 13(15), 2111. DOI: 10.3390/w13152111

DOI

[12]
刘昌明, 李艳忠, 刘小莽, 等. 黄河中游植被变化对水量转化的影响分析[J]. 人民黄河, 2016, 38(10):7-12.

[ Liu C M, Li Y Z, Liu X M, et al. Impact of vegetation change on water transformation in the Middle Yellow River[J]. Yellow River, 2016, 38(10):7-12. ]

[13]
Miralles D G, De Jeu R A M, Gash J H, et al. Magnitude and variability of land evaporation and its components at the global scale[J]. Hydrology and Earth System Sciences, 2011, 15:967-981. DOI: 10.5194/hess-15-967-2011

DOI

[14]
Martens B, Miralles D G, Lievens H, et al. Gleam v3: Satellite-based land evaporation and root-zone soil moisture[J]. Geoscientific Model Development, 2017, 10:1903-1925. DOI: 10.5194/gmd-10-1903-2017

DOI

[15]
Miralles D G, Holmes T R H, De Jeu R A M, et al. Global land-surface evaporation estimated from satellite-based observations[J]. Hydrology and Earth System Sciences, 2011, 15:453-469. DOI: 10.5194/hess-15-453-2011

DOI

[16]
Zhang Y Q, Kong D D, Gan R, et al. Coupled estimation of 500 m and 8-day resolution global evapotranspiration and gross primary production in 2002-2017[J]. Remote Sensing of Environment, 2019, 222:165-182. DOI: 10.1016/j.rse.2018.12.031

DOI

[17]
Zhang X Z, Song P L. Estimating urban evapotranspiration at 10m resolution using vegetation information from sentinel-2: A case study for the beijing sponge city[J]. Remote Sensing, 2021, 13:2048. DOI: 10.3390/rs13112048

DOI

[18]
Li C C, Zhang Y Q, Shen Y J, et al. LUCC-driven changes in gross primary production and actual evapotranspiration in northern china[J]. Journal of Geophysical Research-Atmospheres, 2020, 125:6. DOI: 10.1029/2019JD031705

DOI

[19]
Wang L J, Wu B F, Elnashar A, et al. Synthesizing a regional territorial evapotranspiration dataset for northern china[J]. Remote Sensing, 2021, 13(6):1076. DOI: 10.3390/rs13061076

DOI

[20]
中华人民共和国水利部水文局. 中华人民共和国水文年鉴[M]. 中华人民共和国水利部水文局, 1980— 2000.

[ Hydrology Bureau Ministry of Water Resources, PRC. Hydrology Yearbook of the People's Republic of China[M]. Hydrology Bureau Ministry of Water Resources, PRC, 1980-2000. ]

[21]
郑红星, 刘静. 东北地区近40年干燥指数变化趋势及其气候敏感性[J]. 地理研究, 2011, 30(10):1765-1774.

[ Zheng H X, Liu J. Long-term trends of aridity index and its sensitivity to climate factors in Northeast China: 1971-2008[J]. Geographical Research, 2011, 30(10):1765-1774. ]

[22]
Allen R, Pereira L, Smith M. Crop evapotranspiration. Guidelines for computing crop water requirements[J]. Rome:FAO, 1998, 56:65

[23]
Albano A M, Rapp P E, Passamante A. Kolmogorov-smirnov test distinguishes attractors with similar dimensions[J]. Physical review E, Statistical physics, plasmas, fluids, and related interdisciplinary topics, 1995, 52:196-206. DOI: 10.1103/PhysRevE.52.196

DOI

[24]
焦伟, 陈亚宁, 李稚, 等. 基于多种回归分析方法的西北干旱区植被NPP遥感反演研究[J]. 资源科学, 2017, 39(3):545-556.

[ Jiao W, Chen Y N, Li Z, et al. Inversion of net primary productivity in the arid region of Northwest China based on various regressions[J]. Resources Science, 2017, 39(3):545-556. ]

[25]
Yang X Q, Yong B, Ren L L, et al. Multi-scale validation of gleam evapotranspiration products over china via chinaflux et measurements[J]. International Journal of Remote Sensing, 2017, 38:5688-5709. DOI: 10.1080/01431161.2017.1346400

DOI

[26]
Li Z Q, Yu G R, Wen X F, et al. Energy balance closure at chinaflux sites[J]. Science in China(Series D:Earth Sciences), 2005: 51-62. DOI: 10.1360/05zd0005

DOI

[27]
Bai P, Liu X M. Intercomparison and evaluation of three global high-resolution evapotranspiration products across china[J]. Journal of Hydrology, 2018, 566:743-755. DOI: 10.1016/j.jhydrol.2018.09.065

DOI

[28]
Bryan B A, Gao L, Ye Y, et al. China's response to a national land-system sustainability emergency[J]. Nature, 2018, 559:193-204. DOI: 10.1038/s41586-018-0280-2

DOI

[29]
刘昌明. 黄河流域水循环演变若干问题的研究[J]. 水科学进展, 2004, 15(5):608-614.

[ Liu C M. Study of some problems in water cycle changes of the Yellow River basin[J]. Advances in Water Science, 2004, 15(5):608-614. ]

[30]
李艳忠, 刘昌明, 刘小莽, 等. 植被恢复工程对黄河中游土地利用/覆被变化的影响[J]. 自然资源学报, 2016, 31(12):2005-2020.

[ Li Y Z, Liu C M, Liu X M, et al. Impact of the grain for green project on the land use/cover change in the Middle Yellow River[J]. Journal of Natural Resources, 2016, 31(12):2005-2020. ]

[31]
Zhang Y Q, Pena-Arancibia J L, McVicar T R, et al. Multi-decadal trends in global terrestrial evapotranspiration and its components[J]. Scientific Reports, 2016, 6:19124. DOI: 10.1038/srep19124

DOI

[32]
张永强, 孔冬冬, 张选泽, 等. 2003—2017年植被变化对全球陆面蒸散发的影响[J]. 地理学报, 2021, 76(3):584-594.

DOI

[ Zhang Y Q, Kong D D, Zhang X Z, et al. Impacts of vegetation changes on global evapotranspiration in the period 2003-2017[J]. Acta Geographica Sinica, 2021, 76(3):584-594. ]

[33]
贺添, 邵全琴. 基于MOD16产品的我国2001-2010年蒸散发时空格局变化分析[J]. 地球信息科学学报, 2014, 16(6):979-988.

DOI

[ He T, Shao Q Q. Spatial-temporal variation of terrestrial evapotranspiration in China from 2001 to 2010 using MOD16 products[J]. Geo-Spatial Information Science, 2014, 16(6):979-988. ]

[34]
Wen X F, Yang B, Sun X M, et al. Evapotranspiration partitioning through in-situ oxygen isotope measurements in an oasis cropland[J]. Agricultural and Forest Meteorology, 2016, 230:8. DOI: 10.1016/j.agrformet.2015.12.003

DOI

[35]
Kang S Z, Gu B J, Du T S, et al. Crop coefficient and ratio of transpiration to evapotranspiration of winter wheat and maize in a semi-humid region[J]. Agric Water Manage, 2003, 59:239-254. DOI: 10.1016/S0378-3774(02)00150-6

DOI

[36]
Liu C M, Zhang X Y, Zhang Y Q. Determination of daily evaporation and evapotranspiration of winter wheat and maize by large-scale weighing lysimeter and micro-lysimeter[J]. Agricultural and Forest Meteorology, 2002, 111:109-120. DOI: 10.1016/S0168-1923(02)00015-1

DOI

[37]
Liu W J, Li P J, Li H M, et al. Estimation of evaporation rate from soil surface using stable isotopic composition of throughfall and stream water in a tropical seasonal rain forest in xishuangbanna, china[J]. Acta Ecologica Sinica, 2006, 26:1303-1310. DOI: 10.1016/S1872-2032(06)60022-X

DOI

[38]
Giorgi F, Mearns L. Probability of regional climate change based on the reliability ensemble averaging (rea) method[J]. Geophysical Research Letters - GEOPHYS RES LETT, 2003, 30:31-31. DOI: 10.1029/2003GL017130

DOI

Options
Outlines

/

〈 〉