湿润亚高山森林蒸腾/蒸散发比率长期变化特征及其驱动机制解析

针对高海拔湿润亚高山森林区蒸腾(T)与蒸散发(ET)动态关系不清的问题，研究人员采用机器学习模型与广义非线性互补原理模型，揭示了2005-2021年生长季T/ET比率下降趋势(-0.01 yr-1 )，发现净辐射(Rn )、气温(Tair )等因子对T/ET的多尺度调控作用，为气候变化下亚高山水文循环预测提供理论依据。

　　

在全球气候变化背景下，亚高山森林作为重要的水源涵养区，其水分循环过程对区域生态安全具有关键作用。蒸散发(ET)作为森林水文循环的核心环节，由土壤蒸发、植被蒸腾(T)和冠层截留组成，其中蒸腾过程直接关联植物光合作用与碳循环。然而，在低温高湿的亚高山区域，长期缺乏对T及其占ET比例(T/ET)动态变化的系统研究。现有研究多集中于干旱或高温地区，且T/ET估值存在显著差异（0.20-0.90），这与植被类型、气候特征及方法学差异密切相关。更关键的是，气象因子对T/ET的调控效应是否具有时间尺度依赖性，以及持续变暖如何影响湿润区的T/ET，仍是亟待解决的科学问题。

针对这些空白，中国科学院成都山地灾害与环境研究所等单位的研究人员，以贡嘎山亚高山针叶林为研究对象，创新性地结合三种机器学习模型（随机森林、支持向量回归和多层感知器）与广义非线性互补原理模型，利用2017-2018年实测T数据与2005-2021年气象观测，重建了17年生长季T与ET序列。研究发现：机器学习模型在T模拟上显著优于传统Penman-Monteith模型，日均T为1.18±0.14 mm d^-1
，且呈显著下降趋势(-2.46 mm yr^-1
)。T/ET均值为0.46±0.03，2016年后以0.01 yr^-1
速率显著下降。多尺度分析揭示，净辐射(R_n
)、风速、水汽压亏缺(VPD)和相对湿度(RH)对T的影响权重随日、月、年尺度变化，而T/ET变化主要受气温驱动。该成果发表于《Agricultural and Forest Meteorology》，为预测气候变暖下亚高山区水资源响应提供了关键参数。

关键技术方法
研究团队通过以下方法体系实现突破：1）基于2017-2018年树干液流监测数据构建T实测数据集；2）采用随机森林(RF)、支持向量回归(SVR)和多层感知器(MLP)三类机器学习算法训练T模拟模型；3）结合广义非线性互补原理模型估算ET；4）利用2005-2021年气象数据（包括R_n
、T_air
、VPD等）驱动模型进行长期模拟；5）通过偏相关分析和敏感性检验解析驱动因子贡献度。

主要研究结果

1. 机器学习模型优于传统方法
对比分析显示，三类机器学习模型在T模拟中的纳什效率系数(NSE)均超过0.85，显著高于Penman-Monteith模型(0.72)。其中RF模型表现最优，能有效捕捉亚高山环境下的非线性响应关系，如低温对气孔导度的阈值效应。

2. 蒸腾的长期下降趋势
2005-2021年生长季T总量均值为217.60±17.76 mm yr^-1
，但以每年2.46 mm的速率显著递减。月尺度分析发现，7月T降幅最大(-0.38 mm month^-1
)，这与同期VPD上升和RH下降密切相关。

3. T/ET比率的时间异质性
尽管年降水量始终>1400 mm，T/ET仍呈现阶段性变化：2016年前无显著趋势，之后显著下降。日尺度上T/ET与R_n
正相关(r=0.51)，年尺度则与T_air
负相关(r=-0.63)，说明高温通过增强土壤蒸发降低T/ET。

4. 多尺度驱动机制解析
发现气象因子影响存在明显尺度效应：日变化中R_n
主导T波动(贡献度41%)，而年际变化中T_air
解释率达58%。特别值得注意的是，当T_air

5°C时，每升高1°C导致T/ET降低0.03。

结论与意义
该研究首次系统揭示了湿润亚高山森林T/ET的长期下降趋势及其气候驱动机制。结果表明，尽管该区域降水充沛，但持续变暖仍会通过改变能量分配（增加土壤蒸发）降低T/ET比例。这一发现修正了传统认知——在干旱区T/ET通常随干旱加剧而下降，而本研究证实高湿环境下升温同样会导致T/ET降低。方法论上，建立的机器学习模型框架为复杂地形区水文模拟提供了新工具。实践层面，成果直接支撑亚高山流域水资源预测模型，并为评估全球变暖对山地生态系统服务功能的影响提供科学依据。正如通讯作者Genxu Wang强调的："未来气候情景下，亚高山区可能面临蒸发需求增加与植被用水效率下降的双重压力，这要求我们重新审视现有生态保护策略。"