龙川河流域草地、农田与林地蒸散发（ET）的时空变异、环境关联及土地利用特异性估算模型（2001—2020年5—9月）

《Agronomy》：Spatiotemporal Variations and Environmental Correlates of Evapotranspiration Across Land-Use Types in the Longchuan River Basin

　　

长期蒸散发（evapotranspiration, ET）信息对于与大型调水工程相关的流域水资源评估具有重要意义。该研究利用2001—2020年5—9月的多源遥感数据，刻画了龙川河流域（Longchuan River Basin）草地、农田和林地的ET变异及ET–环境关联。ET时间变异使用所有重叠该时期的MOD16 8 d合成数据评估；同时，利用逐像元Pearson相关评估13个环境变量，并利用筛选的预测因子建立土地利用特异性ET估算模型。平均日ET总体从5月增加至8月，并在9月下降。长期5—9月平均日ET在林地最高（3.12 mm d^?1），其次为流域平均（2.24 mm d^?1）、农田（1.87 mm d^?1）和草地（1.33 mm d^?1）。总初级生产力（gross primary productivity, GPP）是三种土地利用类型中的主导相关因子，并且在去除月气候循环和进一步去趋势后仍保持主导。验证集决定系数（coefficient of determination, R²）、均方根误差（root mean square error, RMSE）和归一化均方根误差（normalized root mean square error, NRMSE）分别为：草地0.84、0.23 mm d^?1和17.49%；农田0.84、0.32 mm d^?1和16.94%；林地0.78、0.41 mm d^?1和13.22%。这些发现为土地利用特异性ET评估和水资源管理提供了长期基线。

龙川河流域位于云贵高原中部、楚雄彝族自治州内，是滇中引水工程楚雄段代表性汇水区。蒸散发（evapotranspiration, ET）由土壤蒸发和植物蒸腾组成，是土壤–植物–大气连续体（soil–plant–atmosphere continuum, SPAC）中的重要水通量，连接陆面水能交换与水文循环，并受降水、土壤水分、植被生长和大气需求影响。不同土地利用类型的冠层结构、根系吸水、地表能量分配和管理措施不同，导致ET差异。然而，在龙川河流域这类地形复杂、季风季节性显著、土地利用异质的山区流域，长期、土地利用特异性的ET特征及其与植被、热力、水文和空气动力变量的关联尚未充分表征。已有MOD16、GLEAM、GLDAS、PML、SEBS、TSEB等遥感或模型方法，物理模型在异质陆面可能性能下降，数据驱动方法较复杂；多元线性回归更直接且可解释。因此，研究人员以龙川河流域草地、农田和林地为对象，开展2001—2020年5—9月ET时空变异、环境关联和估算模型研究，旨在提供土地利用特异性ET基线，服务水资源评估与管理。研究得出：ET呈5—8月增加、9月下降季节格局；林地ET最高，其后为流域平均、农田和草地；GPP是三种土地利用类型的主导相关因子，且去除季节循环和趋势后仍主导；土地利用特异性模型具有较好估算能力。其意义在于为复杂山区流域生态用水、农业需水和调水工程相关水资源评估提供基线。

关键技术方法（不超过250字）：研究人员使用2001—2020年5—9月多源遥感数据。ET来自MODIS/Terra Net Evapotranspiration Gap-Filled 8-Day L4 Global 500 m SIN Grid产品（MOD16A2GF, Collection 6.1），经Google Earth Engine获取；土地利用来自MCD12Q1 Collection 6.1的IGBP LC_Type1年度数据，林地定义为IGBP 1–5类、草地10类、农田12类。13个环境变量来自MODIS、CHIRPS降水、ERA5-Land气象等，统一到500 m分析网格，并以每月15日或最近观测进行时间匹配。在像元尺度计算Pearson相关，采用Bonferroni校正p < 0.05/13，比较绝对相关系数识别主导相关因子；进行土地覆被时间一致性≥80%、≥90%、月气候异常和去趋势敏感性分析。选取前三预测因子建立土地利用特异性多元线性回归，按80%训练、20%验证，以R²、RMSE、NRMSE评价，并诊断VIF、Breusch–Pagan和HC3稳健标准误。样本来源为上述遥感产品年度掩膜和时空对齐观测，无额外独立样本队列。

3.1 不同土地利用类型平均日ET的时间变化。通过所有重叠5—9月的MOD16 8 d合成数据并按重叠天数加权，研究人员发现平均日ET总体从5月升至8月、9月下降。长期5—9月平均日ET为林地3.12 mm d^?1、流域平均2.24 mm d^?1、农田1.87 mm d^?1、草地1.33 mm d^?1。草地和农田从5月至8月明显增加，9月下降；林地5—8月保持较高且稳定。年际异常显示2010年四序列均为负异常，2016—2018年草地、农田和流域多为正异常，2020年林地和流域正异常较大。

3.2 ET与环境变量最大相关系数的空间分布。通过逐像元Pearson相关并作Bonferroni校正，草地、农田和林地分别有96.85%、98.58%、98.07%的有效像元显著。最大相关系数范围分别为草地?0.95至0.99、农田?0.96至0.99、林地?0.90至0.99；三种土地利用类型均以正相关为主，负相关仅局部出现，农田和草地相关系数范围略宽于林地。

3.3 不同土地利用类型ET的主导相关因子。通过比较13个环境变量绝对相关系数，GPP在草地、农田和林地中均为主导相关因子，分别占92.77%、97.19%和98.73%。次级相关因子具有土地利用特异性：草地主要为增强植被指数（enhanced vegetation index, EVI）和地表温度（land surface temperature, LST），农田主要为EVI和水分胁迫指数（moisture stress index, MSI），林地主要为叶面积指数（leaf area index, LAI）和风速（wind speed, WS）。土地覆被时间一致性≥80%时，GPP主导比例升至99.39%、99.87%、99.96%；≥90%时仍为99.25%、99.94%、99.94%。去除月气候循环后，GPP主导比例分别为92.95%、97.26%、99.20%；进一步去趋势后仍为89.99%、95.46%、97.44%。

3.4 ET估算模型性能。利用前三预测因子构建模型：草地采用GPP、EVI、LST；农田采用GPP、EVI、MSI；林地采用GPP、LAI、WS。验证集R²、RMSE、NRMSE分别为草地0.84、0.23 mm d^?1、17.49%；农田0.84、0.32 mm d^?1、16.94%；林地0.78、0.41 mm d^?1、13.22%。训练与验证差异较小。所有预测因子p < 0.001，95%置信区间不含零，方差膨胀因子（variance inflation factor, VIF）为1.00–2.52，无明显共线性；Breusch–Pagan检验显示异方差，但标准化残差绝对值大于3者仅0.83–1.16%，故采用HC3稳健标准误。GPP系数在三个模型中均为正；草地EVI为正、LST为负；农田EVI为正、MSI为负；林地LAI和WS均为正。预测ET随遥感ET增加，多数样本接近1:1线，高值区部分预测值低于遥感ET。

讨论部分总结：4.1 季节性ET差异。研究人员认为，ET季节格局与区域水文气候和植被发育一致：5月冠层有限，6—8月温度、辐射、降水与植被生长促进蒸发蒸腾，9月热力下降和植被后期阶段使ET降低。林地ET较高与其发达冠层、较大叶面积和较强根系吸水有关；农田ET与作物物候、冠层、管理和水分条件相关；草地ET较低，可能因冠层覆盖和叶面积较低，且对降水和土壤水分更敏感。流域平均整合了不同土地利用类型的ET量级和空间范围。4.2 GPP主导关联与土地利用特异性次级相关因子。GPP在三种土地利用类型中均占主导，反映其与光合活动、冠层功能和生物量生产相关，并与植被蒸腾密切相关。但GPP和ET共同响应辐射、温度、降水和土壤水分，因此应解释为统计关联，而非单向因果。去除月气候循环和趋势后GPP仍主导，说明关联并非仅来自共享季节性或长期趋势；但比例下降，尤其草地，说明共享季节植被发育贡献部分关联。次要相关因子中，草地EVI和LST反映局部植被与地表热力条件；农田EVI和MSI反映作物冠层发育和水分胁迫；林地LAI和WS反映叶面积和空气动力交换。4.3 模型适用性、局限性与管理启示。三预测因子模型性能稳定，草地和农田优于林地；林地较低性能可能与其复杂冠层或林下结构、深根吸水、地形异质和混合像元有关。局限性包括：相关和回归为统计关联而非因果；MOD16 ET与MOD17 GPP并非完全独立，可能共享植被信息、气象强迫和算法假设；逐像元相关未显式考虑空间依赖；遥感ET受空间分辨率和地表异质性影响；MCD12Q1为单类别像元，时间一致性不等于像元纯度；CHIRPS和ERA5-Land原生分辨率较粗，未进行高程降尺度或站点偏差校正。管理上，流域水资源评估不应仅依赖全流域平均，应分别评估林地、农田、草地生态用水、农业需水和干旱敏感性；农田水管理应关注作物旺盛生长期和水分胁迫期。未来需用独立ET或GPP数据、通量塔或其他ET产品验证，并探索随机森林、XGBoost、LightGBM、SHAP、偏相关、结构方程模型以及更高分辨率遥感、地形、土壤和管理信息。

研究结论（译）：（1）平均日ET呈明显季节格局，通常从5月增加至8月，并在9月下降。长期5—9月平均日ET以林地最高（3.12 mm d^?1），其次为流域平均（2.24 mm d^?1）、农田（1.87 mm d^?1）和草地（1.33 mm d^?1）。（2）GPP是草地、农田和林地ET的主导相关因子，而主要次级相关因子因土地利用类型而异。在去除月气候循环和进一步去趋势后，GPP的主导性总体保持，表明GPP–ET关联并非仅由共享季节变化或长期趋势造成。（3）土地利用特异性ET估算模型捕获了较多ET变异，草地和农田总体优于林地。总体而言，结果为龙川河流域土地利用特异性ET评估和水资源管理提供了长期基线。