西南近50年實際蒸散發反演及其時空演變

李匯文,王世杰,,白曉永,,*,唐 紅,操 玥,,王明明,吳路華

1 中國科學院地球化學研究所,環境地球化學國家重點實驗室,貴陽 550081 2 中國科學院地球化學研究所,貴州省科技廳普定喀斯特研究綜合試驗站,安順 562100 3 中國科學院地球化學研究所,月球與行星科學研究中心,貴陽 550081 4 中國科學院大學,北京 100049

中國西南地形地貌極其復雜,其生態系統多樣而復雜,該區域是研究地表復雜過程與生態系統演變規律的關鍵區域,同時,也是我國非常重要的生態屏障區。因此,開展西南生態安全格局形成機制、演變機理等方面的研究具有典型性、代表性與緊迫性[1]。實際蒸散發(Actual Evapotranspiration,ETa)包含水面、土壤蒸發和植被蒸騰3個方面,是全球水循環系統中影響著水體、土壤、植被和大氣之間水交換過程的重要媒介,是影響全球生態系統及全球變化的重要因素[2],在區域乃至全球生態安全格局的形成及演變過程中扮演著不可或缺的角色。同時,蒸散發是衡量生態系統活力的重要指標之一,也是探討區域生態系統空間格局組成的主要參數之一,是區域及全球生態環境循環系統中不可忽視的組成部分,在多類研究中都扮演著極其重要的角色[3- 4]。因此,要想全面了解西南地區水循環過程、生態系統能量轉換以及生態安全格局演變機制,就必須對長時間尺度的ETa有充分的掌握[5],特別是對其時空演變特征和驅動因素進行系統的分析。

然而實際蒸散發不能在大尺度上(國家、區域、洲等)被直接觀測[6]。因此到目前為止,針對中國西南月尺度下長時間跨度,特別是過去近50年的ETa數據非常欠缺,這就使得全面解析西南地區生態安全格局及其演變的相關研究面臨著數據缺失的困境。因此,本研究擬從反演中國西南近50年來的ETa數據出發,對其空間格局、時空演變規律以及影響因子空間特征進行探討,以期為西南生態安全格局的形成機制及演變機理相關研究提供基礎數據和理論支撐。本文充分利用東英吉利大學氣候研究中心(Climatic Research Unit,University of East Anglia,CRU)提供的1966年至2016年月尺度下的9類氣象水文數據及GLDAS Noah 2.1同化數據集提供的2000年至2016年月尺度下的ETa數據,結合機器學習中擁有較高可靠性和魯棒性的隨機森林算法(RF)對西南地區陸面月尺度ETa進行逐像元反演,結合解釋方差百分數(PVE)、袋外誤差均方值(MSEOOB)和均方根誤差(RMSE)評價方法以及與其他典型數據集對比的方法對模型和反演結果進行精度評價,并對中國西南ETa的空間格局及時空演變特征進行分析。在此基礎上,利用因子置換重要性評價模型(PIM)對特征因子進行重要性評價,得到基于像元的影響因子空間分布特征。本研究不僅為研究西南生態安全格局及其形成機理提供了長時間尺度的基礎數據支撐,也為生態安全演變特征等方面的研究提供了對氣候變化的響應等方面的參考。

1 數據和方法

1.1 研究區

為全面解析中國西南ETa時空演變特征,本研究以西南地區(21°06′—39°20′N,78°22′—112°02′E)為研究對象,包括西藏、青海、四川、重慶、貴州、廣西、云南。研究區內涵蓋丘陵、高原、盆地、山地等復雜地貌,是我國山地最為集中的區域之一,這也是西南地區生態安全格局復雜而重要的原因之一。研究區內涵蓋了13種氣候類型,又以南部的南亞熱帶季風雨林氣候、東部的中亞熱帶季風性常綠闊葉林氣候以及西部的亞寒帶寒帶草原氣候為主(圖1),研究區內分布有8個主要的水文分區[7](圖1),年均溫在0—24℃之間,年降雨量在600—2300 mm范圍內[8]。本研究行政區劃來源于國家科技基礎條件平臺-國家地球系統科學數據共享服務平臺(http://www.geodata.cn)。

圖1 研究區內氣候帶和水文區劃Fig.1 Spatial distribution of climate types and hydrologic regionalization in study area圖中代碼對應的具體氣候及水文區劃類型名稱請查看表1

氣候類型代碼Climate code氣候帶類型Climate type水文區劃代碼Hydrologic regionalization code水文區劃Hydrologic regionalization9暖溫帶大陸性草原氣候Ⅲ秦巴、大別山北亞熱帶多水區10暖溫帶大陸性荒漠氣候Ⅳ東南亞熱帶、熱帶豐水地區11北亞熱帶季風性落葉闊葉、常綠闊葉林氣候Ⅴ西南亞熱帶、熱帶多水區12中亞熱帶季風性常綠闊葉林氣候Ⅵ滇西、藏東南亞熱帶、熱帶豐水區13南亞熱帶季風雨林氣候Ⅷ西北山地中溫帶、亞寒帶、寒帶平水、少水地區14熱帶雨林、季風雨林氣候Ⅸ西北盆地溫帶、暖溫帶干涸地區15溫帶落葉闊葉林氣候Ⅹ青藏高原東部和西南部溫帶平水地區16溫帶森林草原氣候Ⅺ羌塘高原亞寒帶、寒帶少水地區17溫帶草原氣候18溫帶荒漠氣候19亞寒帶草原氣候20寒帶草原氣候21寒帶荒漠氣候

1.2 數據來源與處理

本研究使用到的1966年至2016年月尺度下的9類氣象水文特征因子數據來自于東英吉利大學氣候研究中心CRU發布的TS 4.0數據集[9]。包括月降雨量(MPR)、云覆蓋百分數(CCP)、月均氣溫日較差(DTR)、月霜日頻率(FDF)、月均溫(MAT)、月均日最低溫(TMN)、月均日最高溫(TMX)、月降雨頻率(WDF)、月均水汽壓(VAP),數據集的空間分辨率為0.5°(表2)。CRU數據在全球多類研究中得到了廣泛的應用,其精度和適用性也在多項研究中得到了驗證[10- 12]。

為計算西南地區近50年月尺度下的實際蒸散發數據,本研究以2000年1月至2016年12月GLDAS Noah 2.1西南地區實際蒸散發數據為基準[13]。GLDAS結合衛星和地面觀測資料,采用陸面模型(LSM)和數據同化技術為相關研究提供了多類型的高精度數據集,已成為全球變化與水循環等研究的重要數據源之一[13]。GLDAS Noah 2.1版本數據在1.0和2.0版本基礎上,充分利用全球資料同化系統(Global Data Assimilation System,GDAS)發布的大氣分析資料、分類的全球降水氣候學項目(the disaggregated Global Precipitation Climatology Project,GPCP)發布的降雨數據和美國空軍氣象局農業氣象模擬系統(the Air Force Weather Agency′s AGRicultural METeorological modeling system,AGRMET)提供的輻射數據集以及修正的地表輻射收支數據集(Surface Radiation Budget,SRB),對前期版本中主要存在的北半球短波下行通量異常和降雨數據異常問題導致的結果偏差較大等問題進行了修正[14]。該數據集較高的精度使得其在相關研究中得到了肯定和廣泛的應用[15- 16]。

表2 使用到的數據的屬性信息

1.3 方法

1.3.1 基于隨機森林算法的ETa回歸模型構建

隨機森林算法(RF)[17]利用bootsrap 重抽樣方法[18]從原始樣本中抽取多個樣本,對每個 bootsrap 樣本進行決策樹建模, 然后組合多棵決策樹的預測, 通過投票或者計算每棵決策樹輸出結果的均值得到最終的分類或回歸預測結果。大量理論和實踐研究都證明了RF算法具有很高的精度和穩定性, 對異常值和噪聲具有很好的容忍度, 且不容易出現過擬合[19],在機器學習、數據挖掘等領域被給予了很高的評價[20- 21]。Cernadas等對179種主流的分類算法進行了測試評價,其結果顯示隨機森林算法是這些算法中表現最優異的[22]。

首先以獨立同分布的隨機向量Θt組成樹形結構分類器{h(X,Θt),t=1,…,N},從本研究中影響ETa的9類特征數據集中隨機有放回地抽取定量的訓練樣本,對于每個樣本集進行決策樹建模,然后組合多棵決策樹的預測,通過計算t棵決策樹{h(X,Θt)}的預測均值得到最終的ETa預測值。對于待測樣本集合X(ETa特征因子集),其對應樣本最終的結果(Yk)按下式計算：

(1)

式中,Yk表示隨機森林算法對第k個待測樣本特征因子集的計算結果,argave(·)表示取均值,ht(·)表示第t棵決策回歸樹的計算結果,xk|(·)表示第k個待測ETa對應的輸入樣本(該待測ETa對應的全部特征因子集),第t棵決策樹基于xk的各影響因子特征參數,結合該棵決策樹對應的回歸擬合函數ft計算得到對應的ETa。

在自變量X(即各特征因子)和因變量Y(即ETa)組成的集合中,隨機抽樣出的訓練集(Xi,Yi)相互獨立,隨機森林算法整體的預測結果精度用回歸預測向量h(X)的泛化誤差均方值來描述。其定義為：

EX,Y(Y-h(X))2

(2)

式中,Y為訓練樣本集X對應的實際值,h(X)表示模型對樣本集X的預測值。EX,Y(·)2算子表示：

(3)

為評估計算結果的精度,模型首先采用可靠的精度估計方法,即基于式(2),模型利用未參與決策森林構建的袋外樣本數據(out of bag,OOB),對袋外數據的預測均方誤差(Mean Squared Error of OOB,MSEOOB)進行計算：

(4)

(5)

1.3.2 特征因子重要性評價模型

在本研究中,針對逐像元構建的隨機森林回歸模型,采用基于置換法的因子重要性評價模型(the permutation importance measure,PIM)對每個像元的9類因子的重要性進行評價,最終篩選出每個像元上最重要的影響因子。

對各獨立像元的9類因子中的因子Xj進行重要性評價的方法為將該因子的所有值進行隨機置換,該因子的重要性指標則通過由于置換該因子導致的預測結果精度的改變來確定。原因在于如果該因子純粹是由隨機噪聲組成,那么預測結果的精度將不會因為隨機置換該因子的值受到影響[23]。因此,某棵回歸樹t上因子Xj的重要性VI(t)(Xj)由以下公式定義：

VI(t)(Xj)=∑i∈Bt[L(Tt(xi),yi)-L(Tt(xi,πj),yi)]

(6)

式中,Bt為未參與第t棵回歸樹訓練的所有OOB樣本,L(Tt(xi),yi)為在第i個袋外樣本集的因子Xj未置換前第t棵回歸樹對第i個袋外樣本的預測精度,L(Tt(xi,πj),yi)為在因子Xj被隨機置換為xi,πj之后的預測精度。回歸模型預測精度L(·)由均方根誤差決定：

(7)

(8)

在本研究中對于每一個像元對應的9類因子進行了逐像元的重要性計算,最終選擇PIM值最大的因子作為該像元上影響ETa的最重要的決定性因子。

1.3.3 RMSE誤差分析

為了對模型精度進行進一步的檢驗,研究采用了目前使用較廣的均方根誤差指數(root mean square error, RMSE)對模型回歸擬合結果進行逐像元地分析,RMSE值越低說明模型的擬合結果精度越高。RMSE計算公式如下：

(9)

式中,ETaact為實際蒸散發量,ETasim為模型擬合結果,n為樣本容量。

2 結果與分析

2.1 實際蒸散發數據集精度評價

2.1.1 模型訓練精度評價

通過對研究區內2000年1月至2016年12月的所有GLDAS Noah 2.1 ETa數據和對應像元上的9類氣象水文特征因子進行逐像元的RF模型訓練,針對每一個像元都構建了獨立的RF模型,即每個像元都基于204組樣本(17年×12月,每組數據由對應月份的ETa數據和該像元對應的9類氣象水文特征因子組成),每個像元RF模型均由500棵回歸決策樹組成,每棵回歸決策樹由隨機選取的80%個樣本數據集進行訓練得到,剩下的20%的袋外數據集用于對模型訓練過程的精度進行評價。為評價每個像元對應的RF回歸模型精度,首先對各像元對應的隨機袋外數據集進行了預測結果泛化誤差分析,模型MSEOOB空間分布如圖2。其次,為進一步評價各個模型在對應像元上的回歸擬合能力,對每個模型的解釋方差百分數PVE進行了計算,其空間分布如圖2所示。

圖2 基于像元的RF模型袋外樣本預測均方誤差MSEOOB及解釋方差百分數PVE空間分布Fig.2 Spatial distribution of MSEOOB and PVE for each pixel of the established RF model

模型整體的MSEOOB均值為4.14,標準偏差僅為3.73,說明模型對于袋外數據的擬合預測結果偏離程度非常小,即模型在所有像元上的訓練情況較好,模型穩定性及可靠性較高,多類領域的研究也充分證明了RF模型的穩定性和可靠性[23]。此外,根據MSEOOB的等級百分比分布(圖3)可知,98.7%的像元對應RF模型的MSEOOB指數都在15.7以內,即袋外數據預測誤差不超過3.9 mm/月,這說明基于像元的RF模型訓練精度比較高。

對于模型PVE指數,其總體均值為99.36%,標準偏差僅為0.33,這同樣說明模型整體的擬合性能比較穩定,模型較強的擬合能力和魯棒性在多種領域也得到了廣泛的驗證[24]。從PVE的等級百分比分布(圖3)可知,有超過98.3%的像元對應RF模型的PVE參數大于98.5%,這同樣說明了模型的泛化能力較強。因此,MSEOOB和PVE 2個參數初步證明了RF模型可以適用于西南地區1966年至2016年的實際蒸散發擬合計算。

2.1.2 模型預測精度評價

為評價模型的預測精度,首先利用構建的基于像元的RF模型對2000年1月至2016年12月所有原始GLDAS Noah 2.1 ETa數據集的每個像元進行了擬合計算,采用RMSE指數對每個像元的回歸擬合結果進行精度驗證(圖3)。

圖3 基于模型對2000年1月至2016年12月實際蒸散發(ETa)數據進行擬合的RMSE空間分布及MSEOOB、RMS、PVE各等級面積占比柱狀圖Fig.3 Spatial distribution of RMSE for each pixel predicted by the established RF model from January 2000 to December 2016 and the area percentage bar graphs of each classification of MSEOOB, RMSE and PVE圖中ETa：實際蒸散發,actual evapotranspiration；MSEOOB：袋外數據的預測均方誤差,Mean Squared Error of data Out Of Bag；RMSE：均方根誤差 Root Mean Square Error；PVE：解釋方差百分數,Percentage of Variance Explained

在像元尺度上,RF模型對于2000年至2016年月尺度擬合結果的RMSE指數均值為1.04 mm/月,標準偏差為0.52,總體而言模型的擬合精度較高,RMSE的空間分布與MSEOOB的空間特征基本一致。從RMSE的等級百分比分布(圖3)可知,98.38%的像元對應RF模型的擬合誤差低于2.5 mm/月,這充分說明了構建的RF模型其精度和穩定性的可靠。因此,基于該構建的模型對研究區1966年至2016年月尺度上的實際蒸散發進行擬合計算是可靠的。利用上述構建的基于像元的RF模型,對研究區1966年至2016年月尺度下的實際蒸散發數據進行了逐像元的擬合計算,為充分驗證計算結果的準確性,通過與2000年1月至2016年12月的GLDAS 2.1版本原始ETa數據及2001年1月至2014年12月的MODIS MOD16數據和1966年1月至2010年12月的GLDAS 2.0版本ETa數據[13]進行了月均值的統計對比驗證(圖4)。

擬合結果及對比數據集都表現出了一致的季節變化特征,與生長季物候特征基本一致,夏秋季節達到峰值,春冬季節為低谷。在2000年至2016年的數據對比中,擬合結果與計算基準數據集GLDAS 2.1的重合度非常高,擬合結果與GLDAS 2.1數據集的R2系數達到了0.99(圖5),說明模型的可靠性和精度是非常高的,這也與MSEOOB、RMS、PVE三個參數表征的模型特征一致。在2000年至2014年與MOD16數據集的對比中可見,MOD16數據集在1月左右的低谷區域與擬合結果、GLDAS 2.1、GLDAS 2.0數據之間都存在一定的偏差,相關研究表明,在蒸散發過程較弱的11月到次年3月,MOD16 ETa產品在中國流域存在普遍性高估的問題[25],這可能是研究區內MOD16在1月左右的低谷區域表現出顯著的偏高原因,擬合結果與MOD16數據集的R2系數雖然達到了0.95(圖5),但從斜率和截距可知,2套數據在趨勢上保持了高度的一致性,但是在量級上還是存在一定差別。從1966年至2010年區間內擬合結果與GLDAS 2.0數據集的對比情況可知,擬合結果與GLDAS 2.0數據集基本吻合,1999年之前在低谷區域擬合結果較GLDAS 2.0數據集略高,在2000年之后,GLDAS 2.0數據集較擬合結果和2.1版本數據集在峰值區域相對偏低,這主要是因為GLDAS Noah 2.1版本數據在1.0和2.0版本基礎上,對前期版本中主要存在的北半球短波下行通量異常和降雨數據異常問題導致的結果偏差較大等問題進行了修正[14]。從擬合結果與GLDAS 2.0數據集的散點圖可知,其R2系數超過了0.89(圖5),說明擬合結果在2000年之前的可信度和精度是較高的。

圖4 1966年至2016年ETa月均值擬合計算結果與GLDAS 2.1版本、GLDAS 2.0版本及MOD16 ETa數據的對比Fig.4 Comparison of fitted monthly ETa with data from GLDAS 2.1, GLDAS 2.0 and MOD16 in study area from 1966 to 2016

圖5 1966年至2016年ETa月均值擬合計算結果與GLDAS 2.1版本、GLDAS 2.0版本及MOD16 ETa數據的散點圖對比Fig.5 Scatter diagram of fitted monthly ETa with data from GLDAS 2.1, GLDAS 2.0 and MOD16 in study area from 1966 to 2016

2.2 實際蒸散發時空演變特征

2.2.1 ETa空間分布格局

ETa對陸地水儲量具有巨大的影響[26],也是影響陸地干旱狀況的重要因子[27],因此明確ETa空間分布格局對于解析區域乃至全球水循環系統及干濕狀況在空間上的分布特征具有重要的意義。而對ETa在各季節內的空間分布特征進行了解可以更透徹地明確ETa對氣候的調節作用以及對農業等的影響[28]。鑒于此,研究基于計算得到的研究區內1966年至2016年月尺度ETa數據,通過計算各個季度的ETa均值以全面了解研究區ETa在空間上的演變特征。由于受到太陽輻射、植被、溫度、降水、以及地形地貌等因素的綜合影響,在各個季節上,研究區ETa整體上表現出隨著緯度的降低而增加的特征(圖6)。

不同季節中國西南的ETa空間分布差異較為明顯,各季節平均ETa的順序為：夏季(6—8月,66.3 mm/月)>秋季(9—11月,37.9 mm/月)>春季(3—5月,34.3 mm/月)>冬季(12—2月,21.2 mm/月),各季節內ETa均值分別占到年內ETa的41.52%,23.73%,21.48%,13.27%。在空間上, ETa從西北高原地區向東南沿海區域逐步增加,研究期間春季最大平均ETa約為81.3 mm/月,夏季最大平均ETa在所有季節最高,達到了123.8 mm/月,而秋季的最大平均ETa為101.7 mm/月,冬季的最大平均ETa在所有季節最低,為75.4 mm/月。在秋季和冬季,ETa高值區域主要分布在云南和廣西南部,在夏季,ETa高值區域幾乎覆蓋了四川、重慶、廣西、云南和廣西以及西藏和青海的東南區域。夏季的ETa分布相對其他季節而言其最級都相對更大。在研究期間,ETa隨著季節的變化從春季到夏季先呈現出由東南向西北逐步增加的態勢,夏季到冬季則呈現出從西北向東南減弱的特征。然而,在全年尺度上,西藏和青海西北部,ETa始終保持較低的值域范圍,這和該區域干旱特性是密切相關的[29]。值得注意的是,ETa對于區域乃至全球的氣候變化尤其是干旱極其重要[30],因此對西南干旱區域,特別是西北山地中溫帶、亞寒帶、寒帶平水、少水地區,西北盆地溫帶、暖溫帶干涸地區,青藏高原東部和西南部溫帶平水地區以及羌塘高原亞寒帶、寒帶少水地區,充分掌握其ETa的時空特征對評估生態系統和水資源的現狀與演變規律,以及制定適應政策是至關重要的。

2.2.2 ETa時空演變特征

以緯度為基準,通過對研究區每個月的ETa擬合結果進行緯度帶的均值計算,計算結果如圖7所示,橫坐標代表研究期間各個月份對應的ETa在各個緯度上的均值,縱坐標為對應的緯度區間。在橫向上,即以時間演變為基準,ETa在每年的7、8月份左右達到最大值,在1、2月份左右為最低值,并呈現起伏的周期特征。在縱向上,即以空間坐標為基準,同樣可以得出與圖5相同的結論,即ETa隨著緯度的降低而增加。從1966年至2016年,ETa最大值呈現出逐步增加的趨勢,而最小值則呈現出減小的趨勢。在2000年以前預測結果的緯度均值相對于2000年之后的緯度均值而言,在春季和冬季像元的純度相對較低,而在夏季則表現出了較高的一致性,這可能是由于CRU部分歷史數據的不確定性造成的[31]。

圖7 研究區1966年1月至2016年12月實際蒸散發ETa緯度均值分布Fig.7 Mean ETa in latitude of each month in study area from January 1966 to December 2016

2.3 特征因子空間格局分析

利用2000年1月—2016年12月每個像元的ETa及該像元上對應的9類因子,采用PIM方法對各個像元上的9類因子的重要性進行評價,最終篩選出每個像元上最重要的影響因子,其空間分布如圖8。

根據研究區最重要因子面積百分數占比情況(圖8),在整個研究區,CCP是占比最高的影響因子(54.78%),主要分布在西藏、青海、廣西、四川西北地區、貴州東南地區,其次為DTR(17.67%),主要分布在四川、重慶、貴州與云南的交接地帶,FDF(8.27%)與VAP(7.46%)相差不大,FDF主要集中分布在西藏西部,VAP除了研究區少量的零散分布外,在西藏、四川和云南交界區域有較為集中的分布；TMX(5.75%)幾乎全部集中分布于云南境內,是影響云南ETa計算最主要的因子,其他的因子在研究區分布則較為零散。在西藏、青海及廣西,云覆蓋百分數是占比最大的因子,在川渝及貴州,月均氣溫日較差是占比最大的影響因子,同時云覆蓋百分數也具有較高的占比,而在云南,月均日最高溫則是占比最大的因子。在所有區域,云覆蓋百分數都有顯著的占比情況,說明在各個區域利用RF模型對ETa進行計算時,云覆蓋百分數的重要性都是非常高的,因為云覆蓋百分數直接影響到地表及植被冠層所接收到的太陽輻射[32],從而影響蒸散發的量級,因此該數據的準確性和可靠性對于模型計算結果的精度具有較高的影響。大量研究表明,氣溫日較差與實際蒸散發呈現出正相關關系[33],是影響蒸散發的主要影響因子之一[34- 35]。對于西藏、青海及川渝地區,特別是川藏交界等干旱區域[36],月均水汽壓在這些區域較為集中地分布,其原因在于,對于干旱區域,月均水汽壓虧缺和土壤水分一樣重要,它直接決定了蒸散發的量級[37]。對于較為濕潤的云南區域,月均最大氣溫直接決定了蒸散發的量級。

圖8 基于像元的最重要影響因子空間分布及其百分比Fig.8 Spatial distribution of the most important factor in each pixel and the percentage of each factor圖中影響因子縮寫中英文含義請查看表2

為了對研究區內的ETa特征因子分布有更全面而系統地了解,對研究區內各氣候類型與水文區劃下的最重要因子面積百分數占比進行了統計,如表3、表4。

表3 各氣候類型像元尺度最重要因子面積百分數占比

表中氣候類型代碼所對應氣候類型請查看表1,因子類型簡寫含義請查看表2

表4 各水文區劃像元尺度最重要因子面積百分數占比

表中水文區劃代碼所對應水文區劃類型請查看表1,因子類型簡寫含義請查看表2

研究區各個氣候帶內最主要的影響因子具有不同的空間分布特征,除了北亞熱帶與中亞熱帶最重要的特征因子為月均氣溫日較差(DTR)以及熱帶雨林、季風雨林氣候最重要的特征因子為月均日最高溫(TMX)外,其他氣候帶最主要的特征因子均為云覆蓋百分數(CCP)。值得注意的是,若根據分布面積考慮前3類最重要的因子,可以發現以溫帶森林草原氣候與溫帶草原氣候為分界線,該界線以北的寒冷干旱區域ETa主要受云覆蓋百分數(CCP)、月霜日頻率(FDF)與月均水汽壓(VAP)共同驅動,而該界線以南溫暖濕潤區域的ETa則主要受云覆蓋百分數(CCP)、月均氣溫日較差(DTR)與月均日最高溫(TMX)共同驅動。

對于水文區劃,平水、少水及干涸區域來說最主要的影響因子為云覆蓋百分數(CCP),秦巴、大別山北亞熱帶多水區與西南亞熱帶、熱帶多水區最主要的影響因子為月均氣溫日較差(DTR),東南亞熱帶、熱帶豐水地區主要以云覆蓋百分數(CCP)為主,滇西、藏東南亞熱帶、熱帶豐水區則主要以月均日最高溫(TMX)為主。在豐水、多水區與少水、平水區的分界線(即Ⅹ與Ⅴ的交界線),亦即以橫斷山脈為分界,可以看到橫斷山脈以南的豐水區的ETa主要受云覆蓋百分數(CCP)、月均氣溫日較差(DTR)與月均日最高溫(TMX)共同驅動,而橫斷山脈以北的少水區域主要受云覆蓋百分數(CCP)、月霜日頻率(FDF)與月均水汽壓(VAP)共同驅動,該結論與按照氣候帶分區探討基本一致。不可忽視的是,無論是在豐水區還是少水區,云覆蓋百分數(CCP)都是所有因素中最主要的驅動因子。

3 結論與討論

3.1 討論

本文基于GLDAS 2.1及CRU數據集, 對中國西南地區1966—2016年月尺度的實際蒸散發數據進行了逐像元反演計算,結合MSEOOB、PVE及RMSE評價方法以及與其他典型數據集對比的方法對模型和反演結果進行了充分的精度評價。在此基礎上,對中國西南地區ETa的空間格局及時空演變特征進行了分析。實際蒸散發對生態安全格局的形成及演變過程有著極其重要的影響,因此,在長時間尺度上對ETa數據的空間格局及其時空演變特征有充分的了解對充分明晰生態安全格局的形成機制及演變機理有著極其重要的參考價值。

通過分析各個因子對于實際蒸散發數據計算的重要程度,可以在空間上辨析影響ETa計算的特征因子,這些因子并沒有包含所有影響ETa的因素,如NDVI等,但研究已經在長時間尺度限制的基礎上充分考慮了所有可能影響ETa的因素。在不同的地理、地質條件下,影響ETa的因素不同,如云覆蓋百分數在研究區內各個區域都有顯著的占比情況,這是因為云覆蓋百分數直接影響到地表及植被冠層所接收到的太陽輻射,從而影響ETa的量級；此外,對于西藏、青海及川渝地區,特別是川藏交界等干旱區域,月均水汽壓較為集中地分布,其原因在于,對于干旱區域,月均水汽壓虧缺和土壤水分一樣重要,它直接決定了蒸散發的量級。明晰中國西南不同氣候類型、水文區劃下的影響因子,能夠系統地了解區域安全格局形成機制以及其演變過程機理。此外,對于開展生態區劃、生態功能區劃以及生態紅線劃定等相關工作也提供了指標和參數選擇的科學支撐。因此,辨析最關鍵的影響因素對全面了解ETa的演變和區域生態安全格局的形成和演變機理是至關重要的。

3.2 結論

(1)對中國西南地區近50年陸面月尺度ETa數據進行逐像元反演,構建了1966年至2016年各月尺度的實際蒸散發數據集,模型整體的MSEOOB均值為4.14,標準偏差僅為3.73,模型整體PVE參數均值為99.36%,標準偏差僅為0.33,充分說明了模型整體具有較高的穩定性、可靠性和較高的泛化能力。此外模型對于2000年至2016年月尺度擬合結果的RMSE指數均值僅為1.04 mm/月,標準偏差為0.52,總體而言模型的擬合精度較高。

(2)通過與GLDAS 2.1、2.0版本ETa數據集及MOD16 ETa數據對比,擬合結果與GLDAS 2.1數據集的R2系數達到了0.99,與MOD16數據集的R2系數達到了0.95,與GLDAS 2.0數據集的R2系數超過了0.89,充分說明了擬合結果在研究期間的可信度和精度是較高的。

(3)研究區ETa整體上表現出隨著緯度的降低而增加的特征,不同季節上中國西南的ETa空間分布差異較為明顯。在空間上,ETa從西北高原地區向東南沿海區域逐步增加。ETa隨著季節的變化從春季到夏季先呈現出由東南向西北逐步增加的態勢,夏季到冬季則呈現出從西北向東南減弱的特征,然而,在全年尺度上,西藏和青海西北部,ETa始終保持較低的值域范圍。從1966年至2016年,ETa最大值呈現出逐步增加的趨勢,而最小值則呈現出減小的趨勢。ETa在每年的7、8月份左右達到最大值,在1、2月份左右為最低值,并呈現起伏的周期特征。

(4)研究區內,以橫斷山脈為界,橫斷山脈以南的豐水區的ETa主要受云覆蓋百分數(CCP)、月均氣溫日較差(DTR)與月均日最高溫(TMX)共同驅動,而橫斷山脈以北的少水區域主要受云覆蓋百分數(CCP)、月霜日頻率(FDF)與月均水汽壓(VAP)共同驅動,而無論是在豐水區還是少水區,云覆蓋百分數(CCP)都是所有因素中最主要的驅動因子。