揭示墨累-达令盆地二十年间蒸发蒸腾作用的模式

《Journal of Hydro-environment Research》：Uncovering evapotranspiration patterns in the Murray Darling Basin over two decades

本研究基于高分辨率土地覆盖数据和MODIS、CMRSET两个AET数据集，分析了2001-2020年澳大利亚墨累-达令流域（MDB）的实际蒸散发（AET）时空变化特征。结果表明：CMRSET在干旱条件下能更准确区分自然植被（NTV）、人工栽培植被（CTV）和裸地（NS），其AET/P值普遍大于1，显示灌溉和土壤蓄水对蒸散发的补充作用；MODIS低估AET，尤其在灌溉密集区误差显著（如康达明流域）。空间上，AET/P变异性与降水梯度一致，东南部湿润区稳定性高，西北部干旱区受极端降水影响显著。验证了CMRSET在干旱区更适用于水资源管理，而MODIS在湿润区表现较好。提出需结合多源数据优化模型，制定区域适应性水管理策略。

　　### 澳大利亚墨累-达令盆地实际蒸散发研究：CMRSET与MODIS数据集的比较

#### 研究区域与背景

澳大利亚墨累-达令盆地（Murray-Darling Basin, MDB）是该国最重要的水资源供应地之一，面积超过100万平方公里，覆盖了昆士兰州、新南威尔士州、维多利亚州和南澳大利亚州，以及澳大利亚首都领地。该盆地拥有超过30,000公里的河流、溪流和小溪，其气候特征从北部的亚热带向南部的干旱气候过渡，且受到厄尔尼诺、拉尼娜、印度洋偶极子和南半球环流模式等气候驱动因素的显著影响。近年来，该地区经历了严重的干旱（如2001-2009年），以及随后的极端气候事件，如2019-2020年的丛林大火和2022-2023年的洪水。这些气候波动对农业和生态系统产生了深远影响，使得对实际蒸散发（Actual Evapotranspiration, AET）的研究变得尤为重要。

AET是水循环中的关键指标，反映了土地表面和植被对水分的消耗，其变化直接影响到区域的水资源可用性。因此，理解AET在气候变化和土地覆盖变化背景下的动态变化，对于确保该地区的长期经济和生态可持续性至关重要。本研究利用高分辨率土地覆盖数据，结合MODIS和CMRSET AET数据集，对2001至2020年期间 MDB 及其子流域的AET进行了分析。

#### 研究方法与数据来源

研究采用了来自Digital Earth Australia (DEA)的Level 3土地覆盖数据，具有25米的分辨率。这些数据基于联合国粮农组织（FAO）的土地覆盖分类系统（LCCS）版本2，具有全球适用性。DEA土地覆盖数据结合了Landsat卫星传感器数据中的定性和定量环境信息，从而对澳大利亚的土地覆盖进行了年度分类。本研究主要关注三种土地覆盖类型：Cultivated Terrestrial Vegetation（CTV，人工植被）、Natural Terrestrial Vegetation（NTV，自然植被）和Natural Bare Surface（NS，裸露地表）。

MODIS AET数据集提供了500米分辨率的年度AET估计值，包括潜在蒸散发（PET）和潜在潜热通量（PLE）等指标。CMRSET数据集则基于MODIS反射数据，结合澳大利亚气象局的每日气象数据，计算出具有30米分辨率和月度频率的AET值。通过将MODIS和CMRSET数据集的年度AET与相应的降水数据进行对比，研究计算了AET与降水（AET/P）的比值，并通过Jenks自然断点分类法对空间和时间变化进行了分析。

此外，研究还利用Mann-Kendall tau统计量和Sen斜率测试来分析AET的时间趋势，并采用单因素方差分析（ANOVA）和t检验来评估不同土地覆盖类型之间的AET差异。所有数据预处理和分析均在ArcGIS Pro中完成，确保了数据的空间一致性，并通过区域统计方法计算了各流域的平均参数值。

#### 研究结果与分析

在研究期间（2001-2020年），MDB的年平均降水量为428毫米，但年际间波动显著。其中，2010年的年均降水量达到810毫米，而2019年仅为231毫米。Kiewa、Mitta Mitta、Upper Murray和Ovens等流域的降水量较高，而Lower Darling、Lower Murray和Paroo等流域的降水量较低。这种降水的时空变化直接影响了AET的分布。

通过对比MODIS和CMRSET数据集，研究发现CMRSET在不同土地覆盖类型之间的AET区分度更强。例如，在CMRSET数据集中，NTV类别的平均AET为1.22毫米/天，而CTV类别的平均AET为1.10毫米/天，NS类别的平均AET则为0.77毫米/天。相比之下，MODIS数据集在大多数年份的AET均低于1毫米/天，尤其在NS类别中，MODIS低估了AET的值。这种低估可能导致了MODIS在估算水资源可用性方面的偏差，尤其是在干旱地区。

在AET/P比值方面，CMRSET数据集表现出更高的空间和时间变化性。在2017年之前，MODIS的AET/P比值均低于1，但在2017年之后，这一比值开始超过1。这表明MODIS在某些情况下可能高估了降水，低估了AET，而CMRSET则在大多数年份中都表现出AET/P比值大于1的趋势。这可能与灌溉活动和地下水提取等人为因素有关，这些因素在某些地区增加了AET的值，使得其超过自然降水。

进一步的统计分析表明，只有Kiewa和Mitta Mitta两个流域在2001-2020年间显示出AET的显著上升趋势。这种变化可能与土地覆盖的调整或管理实践的变化有关，例如在这些地区增加的森林种植或农业活动。相比之下，其他流域的AET变化相对稳定，甚至在某些情况下出现下降趋势，这可能与土地覆盖类型和降水变化有关。

#### 讨论：数据集的差异与影响

MODIS和CMRSET数据集在估算AET方面存在显著差异，这主要归因于它们在算法和数据分辨率上的不同。MODIS的算法依赖于植被指数（如NDVI和LAI），可能未能充分反映实际环境条件对AET的影响，尤其是在干旱和温带地区。因此，MODIS数据集在这些区域往往低估了AET的值，导致对水资源可用性的高估。相比之下，CMRSET数据集结合了更高分辨率的MODIS反射数据和气象数据，能够更准确地反映不同土地覆盖类型和降水条件下的AET变化。

此外，研究发现，CMRSET数据集在时间序列分析中表现出更高的AET/P比值，尤其是在2016年之后。这可能与连续的干旱季节有关，2016年之后MDB经历了12个连续的降水低于平均水平的季节，这是自1900年以来最长的干旱期之一。在这些干旱条件下，CMRSET数据集能够更准确地捕捉到AET的变化，尤其是在灌溉农业高度集中的地区，如Gwydir和Condamine流域。这些地区的AET/P比值较高，可能与地下水的利用和土壤水分的补充有关。

在空间分布上，AET和AET/P的比值在MDB中呈现出明显的东-西梯度。CMRSET数据集与降水模式高度一致，其空间相关性远高于MODIS。例如，CMRSET在20年平均降水与AET之间的空间相关性为0.70，而MODIS仅为0.27。这种差异可能反映了CMRSET在处理不同土地覆盖类型和降水条件时的更强适应性。

#### 土地覆盖对AET的影响

研究还探讨了不同土地覆盖类型对AET的影响。总体而言，AET的分布顺序为NTV > CTV > NS，这表明自然植被的蒸散发能力最强，其次是人工植被，最后是裸露地表。然而，降水是AET变化的主要驱动因素，尤其是在干旱地区，降水的时空变化显著影响了AET的波动。例如，在某些流域中，尽管土地覆盖类型不同，但AET和AET/P在统计上没有显著差异，这可能与土壤水分的储存、地形特征以及人为干预等因素有关。

在部分流域，如Goulburn-Broken、Kiewa、Mitta Mitta和Upper Murray，AET和AET/P的比值显示出较高的稳定性，这可能与这些地区的降水模式和土地覆盖类型较为一致有关。而在其他流域，如Border Rivers和Gwydir，AET和AET/P的比值在不同土地覆盖类型之间存在显著差异，这可能与这些地区的土壤水分供应和植被覆盖程度有关。

#### 研究意义与未来展望

本研究的结果对MDB的水资源管理和政策制定具有重要意义。CMRSET数据集在高分辨率和高频率方面优于MODIS，尤其是在干旱条件下，其对AET的估算更为准确。这使得CMRSET成为评估农业用水、湿地保护和政策优化的有力工具。然而，MODIS数据集在某些情况下仍显示出其优势，特别是在大面积的水体覆盖区域，其估算结果更为稳定。

为了进一步提高AET估算的准确性，未来的研究可以结合多种数据源，如直接树干液流测量、地下水监测和植被结构数据（如年龄和高度）。这些数据能够提供更详细的水分利用信息，有助于识别不同土地覆盖类型和管理实践对AET的影响。此外，研究还建议将CMRSET数据集整合到现有的水文模型（如AWRA-L或eWater Source）中，以增强模型对AET变化的捕捉能力。

#### 结论

本研究通过对MODIS和CMRSET数据集的比较，揭示了MDB中AET的时空变化特征及其与降水和土地覆盖类型的关系。CMRSET数据集在大多数情况下提供了更准确的AET估算，尤其是在干旱和水受限地区。尽管在某些流域中，AET和AET/P的比值在不同土地覆盖类型之间存在显著差异，但总体而言，降水是AET变化的主要驱动因素。因此，未来的研究和政策制定应更加关注降水模式的变化，同时结合高分辨率数据集和多源数据，以更全面地理解和管理该地区的水资源。