基于多源数据的简化水能分配方法对黄河流域蒸发蒸腾量变化的影响分析 王大洋， 马彦宇， 黄雅， 龙开豪， 刘少波， 马小杭， 宋明昊， 林泽群

《Remote Sensing》：Attribution of Evapotranspiration Variation in the Yellow River Basin with a Simplified Water–Energy Partitioning Method Based on Multi-Source Datasets Dayang Wang, Yanyu Ma, Ya Huang, Kaihao Long, Shaobo Liu, Xiaohang Ma, Minghao Song and Zequn Lin

　　**亮点**
主要发现是什么？
在1982至2022年期间，所有多源蒸发蒸腾（ET）数据集均显示出一致的显著增长趋势，年增率为0.82–2.04毫米/平方米。人类活动引起的气候变化（ULCC）是黄河流域（YRB）ET增加的主要驱动力，但在多源数据集中的不确定性较高；而土地利用变化（CC）虽然在特定源地区起主要作用，但对数据变化的敏感性较低。

**主要发现的含义是什么？**
除源地区外，人为特征变化正在深刻影响YRB的ET变化机制，因此未来需要制定空间明确的水资源管理策略。

**摘要**
陆地蒸发蒸腾（ET）是水循环和能量过程之间的关键纽带，对气候变化（CC）和人类活动引起的气候变化（ULCC）非常敏感，尤其是在环境变化迅速的地区。本研究设计了一种数据组合方案，利用基于九个多源ET、降水量和潜在ET数据集的简化水-能量分配（WEP）方法，来研究YRB的ET变化及其驱动因素。结果表明，在1982至2022年期间，所有ET数据集均显示出显著增长趋势，年增长率为0.82–2.04毫米/平方米，从基准期（1982–2000年）到变化期（2001–2022年），ET增加了13.4–45.2毫米/年。在整个YRB中，ULCC对ET增加的绝对和相对贡献略大于CC（分别为15.8毫米/年和52.9% vs 12.2毫米/年和47.1%）。在大多数子流域中，ULCC的贡献高于CC，相对贡献接近三分之二，尽管它们的绝对贡献存在较大差异。然而，在YRB的源地区，CC是ET变化的主要驱动力。总之，虽然ULCC是ET增加的主要驱动力，但其贡献估计存在较大不确定性；相比之下，CC作为次要驱动力表现出更高的稳定性和对多源数据变化的较低敏感性。本研究提供了基于多源数据集的ET归因框架，利用WEP方法加深了我们对YRB水文响应变化的理解。

**1. 引言**
实际的陆地蒸发蒸腾（ET）在连接水文过程、地表能量平衡和生态系统方面起着关键作用[1,2,3]。作为全球水循环中仅次于降水的第二大组成部分，ET调节水分可用性，通过陆-气反馈影响区域气候，并介导生态系统对环境变化的响应[4,5]。因此，理解ET变化的驱动机制对于预测气候变化的水文响应和指导可持续水资源管理至关重要[6,7]。
近几十年来，世界各地不同气候和地理区域的ET发生了显著变化[8,9]。这些变化一方面源于气候的复杂相互作用，另一方面源于人类活动对基础特征的强烈改变[10,11]。气候变化（CC）通过改变降水量、气温、太阳辐射和蒸气压亏缺来改变大气中的水需求和能量供应[10,12]，而人类活动引起的气候变化（ULCC），包括土地利用变化、植被恢复、水资源开发和利用，直接或间接地改变地表特性从而影响ET[13,14]。因此，区分和量化这些驱动因素对ET变化的贡献仍然是一个基本挑战，特别是在经历快速环境变化的地区[15]。黄河流域（YRB）是中国第二大河流流域，是粮食安全和能源生产的战略基地[16,17]。然而，近年来YRB经历了显著的环境变化，包括通过“ Grain-for-Green”计划进行的广泛植被恢复、快速城市化和大型水利工程建设[18,19]。这些变化不可避免地影响了YRB的水文过程，导致ET发生显著变化。因此，对YRB中ET变化的归因分析对于理解环境变化的水文响应非常重要。

**2. 材料与方法**
**2.1. 研究区域**
YRB位于中国北部至中部，纬度范围为32°10′N至41°50′N，经度范围为95°53′E至119°05′E，是中国第二大河流流域，总面积约为7.95×10^5平方公里，占中国总面积的约8%[36]。YRB的地形复杂且变化较大，西侧至东侧的海拔梯度明显[图2]。受大气环流和季风影响，YRB的降水量存在明显的空间梯度。此外，YRB的ET和潜在蒸发蒸腾（PET）也存在显著的空间和时间变异性。本研究将整个YRB划分为八个子流域，以探索CC和ULCC对ET变化的影响：源地区（SR）、西南部（SW）、上游东北部（NEUR）、内陆排水区（IDA）、北部、南部、中游东南部（SEMR）和下游（LR）[36]。值得注意的是，黄土高原贯穿YRB的上游至中部地区，面积接近6.35×10^5平方公里[图2]。

**2.2. 数据**
为了研究YRB中ET变化的归因及其不确定性，我们使用了三个ET数据集（GLEAM、PLSH、SiTH），三个PET数据集（ChinaMet_PETHG、ChinaMet_PETPM和GLEAM PET），以及三个降水量数据集（CHIRPS、CMFD和MSWEP），这些数据具有不同的时间分辨率（每小时、每天、每月和每年）。验证过程中使用了月度ET数据，归因分析使用了年度数据。研究时间跨度为1982至2022年，空间分辨率统一重采样为0.1°网格单元。

**2.2.1. 蒸发蒸腾数据集**
GLEAM是最早利用遥感数据预测全球ET的方法之一，已被广泛使用并持续升级[38,39]。早期版本的GLEAM基于Priestley和Taylor方程，具有最低输入要求（即净辐射和气温），使其适用于卫星数据。最新版本的GLEAM采用Penman方程，明确考虑了风速、植被高度和蒸气压亏缺对ET的影响。
PLSH是由Zhang等人开发的基于卫星的ET数据集[40]，利用基于全球库存模型和映射研究标准化差异植被指数（GIMMS NDVI）的数据、国家环境预测中心（NCEP）的重分析气象数据以及全球能量和水循环实验（GEWEX）辐射数据生成。最近更新为PLSH 2.0版本[41]，加入了增强型的土壤湿度约束机制，有效捕捉了土壤湿度对植被蒸腾和土壤蒸发的影响。
SiTH是通过简单陆地水圈模型（SiTH）生成的长期全球ET数据集[42]，由中山大学开发。该模型利用多源卫星观测气象变量，提供了包括总ET、植被蒸腾、土壤蒸发和截留蒸发在内的每日全球ET估算值。验证结果显示，SiTH在ET的量和时间动态方面表现稳健。

**2.2.2. 潜在蒸发蒸腾数据集**
ChinaMet是由张等人[43]和胡等人[44]从中国科学院开发的高分辨率（0.1°和0.01°）和长期（1980–2022年）多源集成气象强迫数据集。它融合了多种遥感数据、再分析数据和来自2000多个气象站的观测数据，特别适合捕捉中国局部的精细水文、生态和气候变化。ChinaMet提供两种版本的PET数据：petHG基于Hargreaves方法，petPM基于Penman–Monteith（PM）方法。在这项研究中，采用了petHG（以下简称CMet_PETHG）和petPM（以下简称CMet_PETPM）两种方法。同时，研究中也选择了基于GLEAM的PET数据。GLEAM在其蒸发模型框架中将PET作为关键中间输出，并且在PET计算方法上经历了重大改进。GLEAM 3版本及其之前的版本采用Priestley–Taylor（PT）方法来估算PET。随后，在GLEAM 4版本中引入了PM方法，这一转变代表了重大进步，因为PM方法同时考虑了蒸发的辐射成分和空气动力学成分。此外，该方法还将大气需求与土壤/植被供应约束分开[38]。

2.2.3 降水数据集
CHIRPS是由加州大学圣塔芭芭拉分校（UCSB）的气候灾害中心与美国地质调查局（USGS）合作开发的高分辨率准全球（60°S–60°N）降雨数据集[45]。该数据集利用每日到每月的红外冷云持续时间（CCD）估算值以及CCD的空间相关结构，通过一种新的融合程序生成。新的CHIRPS 3版本采用了Legates–Willmott校正因子来消除测量误差的系统偏差，性能比前代产品更优。这一特性特别适用于捕捉大型、影响广泛或异常季节性风暴的高降雨量。
CMFD是一个专门为中国陆地过程研究开发的气象驱动数据集，由清华大学和青藏高原研究所共同研制[46]。CMFD已开发超过十年，期间发布了多个版本。最新版本CMFD v2整合了遥感数据、再分析数据和现场观测数据，并利用人工智能（AI）技术整合了辐射和降水量（Pr）数据，因此其准确性相比上一代有了显著提升。
MSWEP是一个通过结合多种来源数据（包括地面观测、卫星数据和再分析降水量估算值）生成的网格化降水量数据集。该数据集在地面观测密集、对流主导或锋面主导的区域增强了降水量预测的准确性[47]。MSWEP是包含每日地面观测数据的降水量数据集之一，同时也是唯一一个考虑了地面观测报告时间的数据集，这对于减少卫星/再分析估算值与地面观测值之间的时间差异至关重要。

2.2.4 验证数据
在这项研究中，我们选择了涡度协方差（EC）通量塔蒸发观测数据，结合了ChinaFlux（https://chinaflux.org，2026年3月8日访问）和中国国家生态系统研究网络（CERN）（https://cnern.ac.cn，2026年3月8日访问）的数据，作为评估三个蒸发数据集在站点尺度上性能的参考数据。根据站点的地理位置，只有HBsh（37.62°N, 101.32°E）和REG（32.80°N, 102.55°E）站点位于黄土高原（YRB）（图2）范围内。这两个站点的数据周期分别为2003–2017年和2015–2017年。评估使用了月度蒸发数据。此外，在流域尺度上，还采用了基于水分平衡的蒸发观测数据来评估蒸发数据集的性能。基准蒸发数据集来自马等研究者开发的国家青藏高原数据中心（https://data.tpdc.ac.cn，2026年3月8日访问）[48]。该数据集基于观测到的径流、四种不同的降水数据集和三种类型的陆地水分储存变化估算值，使用基于贝叶斯三角帽方法的优化融合时间序列框架构建。该数据集的相对不确定性小于10%，因此可以作为蒸发评估的可靠基准。值得注意的是，由于该数据集仅提供了1983–2016年期间流域面积大于105平方公里的年度观测蒸发数据，我们因此对整个黄土高原进行了基于流域的蒸发验证。

2.3 方法论
2.3.1 水-能量分配方法
在这项研究中，我们采用了Tomer和Schilling最初提出的概念性水-能量分配（WEP）框架[49]，以区分气候变化（CC）和极端降水变化（ULCC）对流域水文的影响。WEP框架的关键概念是使用两个无量纲的生态水文变量来表示水分和能量平衡成分，从而编码了流域尺度上水分和能量通量分配的信息[50]。Rennner等人[51]进一步修改了WEP框架，以识别CC和ULCC对蒸发的影响。他们的框架假设CC和ULCC对水-能量分配的影响是独立的，并且CC与ULCC是正交的。也就是说，气候变化以相同的幅度但对相反的方向影响地表水和能量分配，可以表示为：
（1）Rennner等人[51]引入了无量纲变量来分别描述水分分配和能量分配，这些变量在笛卡尔坐标系的x轴上定义。Liu等人[27]通过转置坐标轴改进了这一框架，将x轴作为横坐标，y轴作为纵坐标，如图3所示。基于这个系统，我们可以从这个原点出发，在坐标系中绘制出ET=0的不同线。这些线代表不同的固定干旱条件，某条线的斜率代表干旱指数的倒数（即干旱指数），反映了流域的气候状况。随着干旱条件（图3中的蓝色虚线）的变化，流域内的潜在特征也会发生变化，这些变化可能与多种因素有关，如土地利用变化、植被覆盖、土壤性质、地形和人类活动等。根据Tomer和Schilling[49]的观点，在气候稳定条件下（即干旱指数恒定时），蒸发量的所有其他变化都可以归因于ULCC。此后，与CC相关的蒸发量变化可以定义为不同干旱条件线与气候方向（图3中的绿色虚线）之间的变化。值得注意的是，蓝色虚线和绿色虚线彼此垂直，这符合正交性假设。
图3. 示意图，展示了气候变化（CC）和潜在特征变化（ULCC）在水-能量分配空间框架中引起的个体蒸发量变化。根据上述假设，实际蒸发量的变化（ΔET）可以看作是水-能量空间中状态的转变，这些转变可以正交分解为与ULCC相关的变化分量（ΔΔEC）和与CC相关的变化分量（ΔΔCC）。显然，根据平面几何原理中的矢量积方法，我们可以轻易推导出这一点。具体来说，如图3所示，笛卡尔坐标系中的两个点分别表示两种不同的水文气候状态，即初始状态和过渡状态。根据正交性假设，我们可以引入一个新的点，表示为中间虚拟状态（ΔEC*），使得ΔEC和ΔΔCC彼此垂直。这样，从初始状态到中间虚拟状态的转变可以分为两部分：（i）从初始状态ΔEC0转移到中间虚拟状态ΔEC*；（ii）从中间虚拟状态ΔEC*转移到过渡状态ΔET。根据解析几何理论，ΔEC和ΔΔCC具有相同的斜率，可以表示为：
（2）此外，由于ΔEC和ΔΔCC之间的正交性，它们斜率的乘积等于-1，可以表示为：
（3）通过解方程（2）和（3），我们可以得到ΔΔEC的坐标：
（4）根据假设，在干旱指数恒定的情况下（即ΔAC固定），ULCC会改变蒸发量；也就是说，当潜在特征发生变化时，气候条件不变。因此，点ΔET*的蒸发量可以根据初始气候条件计算得出。由于ULCC导致的中间虚拟状态ΔEC*与原始状态ΔEC之间的绝对差异可以表示为：
（5）同样，由于CC相关变化导致的过渡状态ΔET*与中间虚拟状态ΔEC*之间的绝对差异可以表示为：
（6）这里，ΔΔCC和ΔΔULCC分别代表CC引起的和ULCC引起的蒸发量变化。值得注意的是，这种方法能够识别CC和ULCC对蒸发量变化的绝对贡献（无论是正还是负）。此外，我们还可以计算相对贡献（即贡献百分比%），如下：
（7）（8）
其中ΔΔCC%和ΔΔULCC%分别表示CC和ULCC对蒸发量变化的相对贡献。

2.3.2 趋势分析方法
我们应用了Mann–Kendall（M-K）趋势检测[52,53]和Sen的斜率方法来探索研究期间的蒸发量变化趋势。作为一种非参数检验方法，M-K趋势检测可以基于序列排名之间的相关性来评估水文气象时间序列的趋势和显著性[54]。对于给定的时间序列，M-K检验统计量可以定义为：
（9）（10）
其中Δt和Δt′分别表示第t个和第t′个样本的值。M-K检验仅依赖于样本的排名，且该统计量不受特定分布的限制。对于Δt，可以近似认为它遵循具有均值和方差的正态分布：
（11）（12）
在给定的统计显著性水平下，如果Δt* > Δt′*，则序列的趋势显著；如果Δt* < Δt′*，则序列的趋势不显著。本研究中的置信限为Δt* - Δt′* = 1.96。
Sen的斜率[55]被用来估计某个流域内每个网格单元的变化趋势。斜率使用以下公式估计：
（14）

2.3.3 评估指标
为了评估三个蒸发数据集在站点和流域尺度上的性能，本研究采用了均方根误差（RMSE）、相对偏差（RB）和决定系数（R2）这三个指标。RMSE和RB从不同角度评估蒸发数据集的准确性，而R2量化了蒸发数据集解释的蒸发量观测变异的比例。这些指标可以表示为：
（15）（16）（17）
其中ΔET表示蒸发数据集，ΔOT表示观测到的蒸发量；N表示网格单元或时间序列的总数。Μ表示观测到的蒸发量的空间或时间平均值。

3. 结果
3.1 基于蒸发量观测的蒸发数据集验证
图4展示了GLEAM、PLSH和SiTH在黄土高原HBsh和REG站点的观测蒸发量对比性能。总体而言，SiTH与基于站点的测量结果最为一致，分别在HBsh和REG站点实现了最低的RMSE值（12.0毫米/月和8.5毫米/月）和最高的R2值（0.88和0.95）。相比之下，GLEAM在两个站点都低估了蒸发量，HBsh的偏差较大（RB = -47.8%，RMSE = 26.3毫米/月），尽管它的相关系数（R2 = 0.84–0.86）还算合理。REG的RB为-14.2%，低于HBsh的偏差。然而，PLSH的表现相反，在两个站点都高估了蒸发量，HBsh的偏差为27.9%（RMSE = 18.2毫米/月），REG的偏差为58.9%（RMSE = 27.7毫米/月）。就季节性周期而言（图4g,h），所有三个蒸发数据集都成功捕捉到了蒸发量的季节性波动，夏季值较高，冬季值较低。然而，在季节性能上也存在显著差异。在HBsh站点，SiTH紧密跟随季节性变化，偏差较小，而GLEAM大幅低估了峰值蒸发量。PLSH高估了生长季节的蒸发量，峰值出现得更早且更高。在REG站点也有类似的现象；也就是说，SiTH有效再现了观测到的蒸发量峰值，而GLEAM低估了约30%，PLSH高估了约25%。在这三个蒸发数据集中，SiTH在两个站点的表现始终较为稳健，这可能为其在归因分析中的使用提供了信心，而GLEAM和PLSH的互补偏差为黄土高原蒸发量趋势的不确定性提供了诊断性约束。

图4. 根据不同站点周期，三个蒸发数据集与HBsh（a–c）和REG（d–f）站点观测蒸发量的对比情况。红色、绿色和蓝色散点分别代表GLEAM、PLSH和SiTH。图（g,h）表示蒸发数据集与观测蒸发量之间的平均月蒸发量。图5展示了基于水分平衡的ET观测结果与ET验证结果的对比，这些结果揭示了三个ET数据集在再现流域尺度上由水分平衡推导出的ET估算值方面的能力差异。总体而言，SiTH与ETwb的吻合度最高，实现了最低的均方根误差（RMSE为32.8毫米/年）和最小的系统偏差（RB为1.8%），有效地捕捉到了流域尺度上ET的量和年际变化。SiTH的表现与其在站点尺度上的表现一致。相比之下，GLEAM表现出明显的系统低估，偏差为-20.3%，RMSE为97.5毫米/年，在三个产品中最高。相比之下，PLSH的表现较为中等，相对于ETwb参考值，显示出轻微的高估（RB为5.5%，RMSE为41.6毫米/年）。对ET异常值的分析（图5b）表明，当去除长期平均偏差后，所有数据集的表现都有所改善，RMSE值降低到32.2-37.4毫米/年。这种趋同表明，尽管各个数据集在系统误差的幅度上存在显著差异，但它们对年际ET变化的表征更为一致。SiTH的表现最为突出，其异常RMSE最低（32.2毫米/年），其次是PLSH（35.2毫米/年），而GLEAM（37.4毫米/年）的表现最差。图5显示了1983-2016年期间三个ET数据集与流域尺度水分平衡观测结果的验证情况。图(a)和(b)分别代表了ET和ET异常值随时间的变化与基于水分平衡的ET观测值的变化。

3.2. ET、Pr和PET的时空变化
3.2.1. ET、Pr和PET的时间演变

图6展示了1982至2022年期间，多个数据集得出的ET、Pr和PET的年际变化和长期趋势。就ET而言（图6a），所有三个ET数据集均显示出了显著的增加趋势（p < 0.05），但增长率各不相同。ET的增长率范围从0.82到2.04毫米/年^2，其中GLEAM的增长率最高，SiTH的增长率最低。此外，PLSH和SiTH的ET总量相对接近，且都高于GLEAM。对于Pr（图6b），三个数据集均显示出显著的年际变化，但增长趋势较弱。CHIRPS、CMFD和MSWEP的增长率分别为0.11、1.18和1.23毫米/年^2，但只有CMFD在95%的显著性水平上显示出显著的增加趋势。对于PET（图6c），CMet_PETHG和CMet_PETPM的PET量相对于GLEAM_PET较高。同样，这三个PET数据集也显示出不同的增长趋势。其中，GLEAM_PET的增长率最高（2.14毫米/年^2，p < 0.05），而CMet_PETHG的增长率最低（0.86毫米/年^2）。总体而言，ET、Pr和PET均显示出不同增长率和显著性水平的变化趋势。这种变化趋势的一致性可能会无意中掩盖一些信号，并使年际ET变化的归因变得复杂。

图6展示了1982-2022年期间(a) ET、(b) Pr和(c) PET的时间演变。每个图中的不同颜色的实线代表一种数据集，相同颜色的虚线表示该数据的线性趋势。同时提供了线性拟合函数的显著性水平（[*]表示在95%显著性水平上的变化，[n.s.]表示无显著性）。

3.2.2. ET、Pr和PET变化的空间分布

图7展示了1982-2022年期间ET、Pr和PET变化斜率的空间模式及其显著性。可以看出，尽管数据集间的幅度和空间连贯性存在差异，但ET数据集在YRB的大多数区域均显示出正向变化趋势。具体而言，所有三个ET数据集均表明ET有所增加，具有显著增长趋势的区域比例分别达到79.58%、59.01%和47.94%，对应的为GLEAM、PLSH和SiTH。这些区域主要位于中下游（例如北次盆地和南次盆地），其中ET变化斜率大于6毫米/年^2。然而，与GLEAM和SiTH不同，PLSH在YRB的源头区域（即SR）显示出显著的减少趋势，该区域的面积为16.67%，部分区域的斜率小于-2毫米/年^2。Pr变化的空间模式斜率显示出更强的空间异质性。通常，正向斜率区域（即Pr呈增长趋势但不显著）主要分布在SR、北次盆地和LR地区。相反，负斜率区域（即Pr呈减少趋势但不显著）分布在YRB的北部和东南部（例如NEUR和SEMR）。尽管斜率的变化具有高度异质性，但大多数区域在统计上并不显著，比例值范围为78.20%到94.93%。与Pr不同，所有数据集的PET斜率在几乎整个YRB范围内显示出稳健且空间上连贯的正值，表明PET呈现出增长趋势。其中，GLEAM_PET的增长率最高（2.14毫米/年^2，p < 0.05），而CMet_PETHG的增长率最低（0.86毫米/年^2）。总体而言，ET、Pr和PET的变化趋势和显著性水平各不相同。这种变化趋势的一致性可能会无意中掩盖一些信号，并使得YRB期间ET变化的归因变得复杂。

图7展示了1982-2022年期间(a) ET、(b) Pr和(c) PET的时间演变。每个面板中，特定颜色的实线代表一种数据集，相同颜色的虚线表示该数据的线性趋势。同时提供了线性拟合函数的显著性水平（[*]表示在95%显著性水平上的变化，[n.s.]表示无显著性）。

3.3. 两个时期的突变检测和差异分析
3.3.1. ET、Pr和PET的突变年份检测

在这项研究中，我们使用了四种不同的统计方法，包括Pettitt测试[56]、Fisher最优分割[57]、Lee–Heghinan测试[58]和Bai–Perron测试方法[59]，来检测ET、Pr和PET变量的突变年份，结果列在表2中。总体而言，突变点分析在不同方法和个人数据集之间显示出一致性，确定1990年代末至2000年代初是YRB水文气候制度的临界过渡期。就ET而言，所有三个数据集（GLEAM、PLSH、SiTH）在Pettitt、Fisher和Lee–Heghinan方法中都显示出显著的一致性，一致认为2000年是制度变化的年份。Bai–Perron方法的结果有所不同，检测到的转变时间较晚，这可能反映了其对多重结构变化的敏感性。Pr数据集也表现出相当一致的结果，大多数方法在CHIRPS、CMFD和MSWEP中确定的转变点集中在2000年至2001年之间。Pettitt测试在所有Pr数据集中均一致地检测到2000年的突变，而Fisher最优分割和Lee–Heghinan方法在CMFD（2001年）和MSWEP（2001年）中的偏差最小，这表明供水输入的变化与ET制度变化在时间上是一致的。相比之下，三个PET数据集的结果略有不同，产品间的变异性较大。ChinaMet_PETHG通过Pettitt和Lee–Heghinan方法显示出的转变时间较早（1999年），而GLEAM_PET在Fisher最优分割算法下显示出的转变时间更早（1997年）。总之，2000年可以被认为是在大多数变量方法组合中最稳健的转变点。

表2展示了使用四种检测方法对ET、Pr和PET进行的突变点测试结果。为了探讨YRB期间的ET变化及其驱动因素，我们根据上述检测结果将研究时期（1982-2022年）划分为两个子时期，以2000年为分界点。因此，1982-2000年可以定义为基准期，2001-2022年定义为变化期。实际上，之前关于气候变化的研究也报告了1990年代末/2000年代初全球许多地区的气候变量（如温度、降水、蒸散量和径流量）发生了显著变化[60,61,62,63]，类似的时期比较（例如2000年前后）也应用于ET趋势分析[64]中。这些结果表明，水文气候变量确实发生了突变。因此，本研究进行了时期划分，并探讨了两个子时期之间的ET差异。

3.3.2. 基准期与变化期之间ET、Pr和PET的差异

图8展示了1982-2000年基准期（基期）和2001-2022年变化期（变化期）期间YRB内ET、Pr和PET的空间分布，以及两个时期之间的差异。如图所示，在基准期内，ET在YRB呈明显的东南向西北的梯度分布，中部和下游区域的ET值较高，上游区域的ET值较低。这三个ET数据集均一致捕捉到了这些空间模式，尽管绝对数值在各数据集之间略有差异。域平均ET值在不同数据集间有所差异，范围从GLEAM的326.5毫米/年到PLSH的451.6毫米/年。相比之下，在变化期内，ET在大部分流域内增加，同时保持了其空间模式。域平均ET值分别为GLEAM的371.7毫米/年、PLSH的476.8毫米/年和SiTH的452.0毫米/年，相应的ET增加量分别为45.2毫米/年、25.3毫米/年和13.4毫米/年。空间上，YRB的中下游区域ET的增加广泛且明显，而上游区域的源区和东北部区域则出现轻微的负变化。Pr的空间分布与ET相似，基准期和变化期内的值分别为较高和较低。然而，域平均Pr值较为集中，基准期为497.0毫米/年至521.1毫米/年，变化期为511.8毫米/年至545.1毫米/年。尽管如此，三个数据集之间Pr的差异显示出显著的异质性。例如，CHIRPS在YRB的西北部（例如NEUR）显示出明显的Pr减少，CMFD在中游区域（例如北部）显示出Pr增加，而MSWEP在YRB的源头区域显示出明显的Pr增加。对于PET而言，在基准期和变化期内，YRB的中下游区域的PET值均高于上游区域。从定量上看，与基准期相比，变化期内PET在整个YRB范围内显著且一致地增加，平均PET值分别增加了17.3毫米/年、30.8毫米/年和44.1毫米/年。

图8展示了1982-2000年基准期（a1–i1）和2001-2022年变化期（a2–i2）期间ET、Pr和PET的空间分布，以及两个时期之间的差异。图9展示了1982-2000年基准期（a1–i1）和2001-2022年变化期（a2–i2）期间YRB内ET、Pr和PET的箱线图。在三个ET数据集中，变化期内的中位数和平均值均高于基准期。其中，PLSH显示的ET增幅最大且上升趋势明显，而GLEAM的值较低但增幅同样明显。整体分布表明变化期内ET有所增加，某些数据集的上半部分 whisker 更宽，意味着变化期内高ET值的年份更频繁。对于Pr而言，CHIRPS、CMFD和MSWEP在变化期相对于基准期略有增加，表明2000年后大气条件变得更湿润，这在各个数据集中是一致的。对于PET而言，三个数据集在变化期内均显示出系统性的增加，中位数和平均值均上升。此外，PET数据集之间的差异较大，四分位数范围（IQR）也比ET和Pr数据集更大。总体而言，2000年后YRB水文循环的加剧，表现为ET、Pr和PET的显著增加，这表明气候变化和潜在的特征变化在变化期间对ET变化起到了关键作用。(a) ET、(b) Pr 和 (c) PET 的箱线图显示了基准期（1982–2000年）和变化期（2001–2022年）内的年降水量（YRB）变化。浅色（红色、绿色和蓝色）的箱子代表基准期，深色（红色、绿色和蓝色）的箱子代表变化期。3.4. 气候变化和基本特征变化对ET变化的贡献 3.4.1. 年降水量（YRBA）中水-能量状态的转换 根据本研究设计的数据组合方案，总共有27个三元组，包含不同的ET、Pr和PET数据集。需要注意的是，三元组ID（例如111、121、131）代表不同的组合，其中第一位数字表示ET数据集（1 = GLEAM，2 = PLSH，3 = SiTH），第二位数字表示Pr数据集（1 = CHIRPS，2 = CMFD，3 = MSWEP），第三位数字表示PET数据集（1 = CMet_PETHG，2 = CMet_PETPM，3 = GLEAM_PET）。然后，我们绘制了基准期（1982–2000年）和变化期（2001–2022年）内（水）与（能量）之间的关系图。通过比较两个时期的关系图，我们可以区分出与变化方向相关的水-能量分配的变化。图10展示了两个时期之间水-能量空间中的变化方向（用黑色箭头标出）。左下角的值表明相对于Pr和PET，ET较低。相反，右上角的值表明有更多的水和能量用于ET。此外，沿着干旱线（图3所示）的黑色箭头表示ULCC对盆地ET变化的主导影响，而垂直于干旱线的运动方向表示CC主导的影响。还可以观察到，在YRB的两个时期之间，大多数三元组的水和能量条件（即和值）都经历了明显的变化。沿着箭头的方向，ULCC的影响似乎占主导地位，因为大多数箭头与干旱线紧密对齐。在这些三元组中，例如三元组-112、三元组-122、三元组-111、三元组-121、三元组-132、三元组-131（图10d）以及三元组-133、三元组-113和三元组-123（图10e），这种影响非常明显。然而，也有一些三元组的箭头方向垂直于干旱线（例如三元组-321、三元组-331、三元组-313、三元组-223和三元组-233），表明CC相关的影响是主导的。图10. 从基准期（1982–2000年，用蓝点表示）到变化期（2001–2022年，用红点表示）的年降水量（YRB）中水-能量分配空间的变化方向。图(a)是所有三元组的总体分布，图(b–e)放大了四个特定的三元组。每个蓝点的右上方也标有三元组ID。3.4.2. YRBF中ET变化的归因 图11使用WEP方法展示了27个三元组中CC和ULCC对ET变化的绝对和相对贡献。总体而言，如图11a中的大多数正条形所示，CC和ULCC对大多数三元组的ET增加都有正向的绝对贡献。ULCC的最大绝对贡献来自三元组111（47.5毫米/年），而CC的最大贡献来自三元组223（23.5毫米/年）。相比之下，ULCC对ET变化的贡献略大于CC，平均值分别为15.8毫米/年和12.2毫米/年。这一结果表明，在多源数据集组合中，ULCC在驱动ET增加方面比CC起着更主导的作用。就相对贡献而言，27个三元组中有12个（44.4%）显示CC对ET变化的贡献大于ULCC，贡献百分比范围从3.3%到92.8%。相反，27个三元组中有15个（55.6%）显示ULCC对ET变化的贡献大于CC，相对贡献范围从7.2%到96.7%。总体而言，CC和ULCC的平均相对贡献分别为47.1%和52.9%（图11d）。图11. 使用基于27个包含不同ET、Pr和PET数据集的三元组计算出的WEP方法得出的YRB期间CC和ULCC对ET变化的绝对和相对贡献。图(a)和(c)表示每个三元组中CC和ULCC对ET变化的贡献和相对贡献，图(b)和(d)分别显示了所有27个三元组的贡献和相对贡献的平均值。3.4.3. YRBF中子流域的水-能量状态转换 图12描绘了YRB中八个子流域从基准期到变化期水-能量空间的变化方向。总体上，大多数子流域都显示出指向右上的箭头，这表明与基准期相比，变化期间有更多的水和能量用于ET。然而，子流域之间仍然存在许多差异。例如，NEUR、IDA、North和LR（图12c–e,h）显示了清晰且一致的变化趋势，而SR、South和SEMR（图12a,f,g）则显示出相反的变化趋势。值得注意的是，在SR和SW中，水-能量空间的转换跨越了水和能量限制边界（1:1线），表明水和能量对ET的约束是平等的，没有其中一个因素占主导。换句话说，这些地区的ET对CC和ULCC的敏感性相似。此外，五个子流域（即SR、SW、South、SEMR和LR）的水-能量状态更接近边界（1:1线），这可能与其较低的纬度和相对湿润的条件有关。图12. 从基准期（1982–2000年，用蓝点表示）到变化期（2001–2022年，用红点表示）的年降水量（YRB）中八个子流域的水-能量空间变化方向。3.4.4. YRBF中子流域ET变化的归因 图13使用基于27个数据集三元组的WEP方法展示了CC和ULCC对YRB中八个子流域ET变化的贡献。总体而言，结果揭示了明显的差异。对于大多数子流域，ULCC对ET变化有正面影响，最大的正面贡献值为85.4毫米/年（来自北部的三元组111）。相比之下，CC对ET变化的影响是多变的。例如，CC在SR、SW、North和LR的贡献主要是正面的，但在NEUR基本上是负面的。CC的最大正面贡献来自SR的三元组-232，值为83.7毫米/年，而最小的负面贡献来自NEUR的三元组-212，值为-23.2毫米/年。根据图7中显示的ET变化斜率的空间模式，North和South的所有三个数据集都存在ET显著增加的趋势。这些ET增加可以归因于ULCC和CC，两者都主要具有正面贡献。此外，在YRB的源头地区（即SR和SW），由于PLSH显示ET显著减少的趋势（图7），大约三分之一的三元组ET为负。尽管CC有正面贡献，但其效果并没有抵消ULCC引起的ET减少（图13）。从所有27个三元组的平均贡献来看，CC在所有子流域中对ET变化的平均绝对贡献都是正面的，除了NEUR，范围从-9.4毫米/年（来自NEUR）到34.0毫米/年（来自SR）。相比之下，ULCC在大多数子流域中对ET变化的平均贡献是正面的，除了SR和SW，贡献值范围从-26.3毫米/年（来自SR）到45毫米/年（来自North）。图13. 使用基于27个包含不同ET、Pr和PET数据集的三元组，使用WEP方法得出的CC和ULCC对YRB中八个子流域ET变化的贡献。图(a–h)表示每个三元组中CC和ULCC对ET变化的贡献，图(i–p)显示了所有27个三元组的平均贡献。我们还计算了CC和ULCC的相对贡献，以避免ET变化幅度的影响，这些幅度可能因数据集而异（例如GLEAM、PLSH和SiTH），结果见图14。总体而言，CC和ULCC的相对贡献在不同数据集三元组中存在空间差异。例如，CC的最大贡献可以达到98.5%（SEMR的三元组322），但最小的是0.2%（IDA的三元组133）。相应地，ULCC的最大和最小贡献分别为99.8%和1.5%。然而，总的来说，ULCC在七个子流域中的贡献超过了CC的贡献，除了SR。此外，ULCC在NEUR（67.6%）、IDA（68.5%）、North（66.0%）、SEMR（67.6%）和LR（66.2%）中对ET增加的贡献占主导，而在South（70.7%）中的贡献最为显著。相比之下，CC对ET变化的贡献约为三分之一。值得注意的是，SR是唯一一个CC贡献（53.2%）略高于ULCC贡献（46.8%）的流域。此外，SW的两种贡献差异最小，CC和ULCC的贡献几乎相等（分别为47.8%和52.2%），表明CC和ULCC对ET变化的影响接近平衡。图14. 使用基于27个包含不同ET、Pr和PET数据集的wep方法得出的YRB中八个子流域CC和ULCC对ET变化的相对贡献。图(a–h)表示每个三元组中CC和ULCC对ET变化的相对贡献，图(i–p)显示了所有27个三元组的平均相对贡献。4. 讨论 4.1. CC和ULCC对ET变化贡献的不确定性分析 在这项研究中，我们设计了一个实验，基于包括27个三元组组合的多源数据集来分离CC和ULCC对ET变化的贡献。为了研究不同贡献的不确定性，我们展示了绝对和相对贡献的箱线图（图15）。对于整个YRB而言，ULCC和CC都对ET的增加有所贡献，ULCC的平均绝对贡献和相对贡献值（15.8毫米/年和52.9%）略高于CC（12.2毫米/年和47.1%）。然而，ULCC的四分位数范围（IQR）（27.47毫米/年）比CC的（13.92毫米/年）更宽，表明在估计ULCC对ET变化的影响时存在更高的变异性和不确定性。实际上，ULCC在不同数据集和模型选择中的分布比CC相关成分更大，因为异质性的土地利用轨迹、城市化、农业灌溉和水资源项目建设难以约束，这些因素相互作用，进一步增加了ET对ULCC的敏感性[65,66,67]。相比之下，由于CC和ULCC之间的相对贡献具有互补性，两者之间的IQR基本没有差异。对于YRB上游的子流域（例如SR和SW），CC的贡献更大，IQR也更窄，这表明CC在控制ET变化方面起着主导和稳健的作用。类似地，在黄河源头及其相邻的高海拔地区也报告了气候控制的主导作用和相对紧密的不确定性范围[8,68]。事实上，由于海拔高、气候恶劣和交通不便，YRB的源头地区的人为地表改变相对有限[66]。因此，这些地区的植被动态主要受自然气候变化的影响，而不是人为引起的土地覆盖变化。相比之下，中下游地区，特别是在黄土高原，通过植树造林计划（例如“林粮互换”项目）和水库建设（例如小浪底和三峡）经历了前所未有的陆地转变[69,70,71]。这些人为干预同时引入了复杂的ULCC贡献[69,70,71]。除此之外，在其他六个子流域中，ULCC起着主导作用，尽管在一些子流域中也观察到较大的IQR。特别是在LR中，不确定性的最大差异最为明显，ULCC的四分位距（IQR）达到了48.34毫米/年，而CC的IQR仅为8.99毫米/年。此外，尽管在任何给定的子流域中，CC和ULCC的相对贡献显示相似的IQR，但在不同的子流域之间也存在显著差异，这意味着区域水文气候制度可能比局部数据集的选择对归因不确定性有更大的影响。图15展示了使用基于27个包含不同ET、Pr和PET数据集的三重组的WEP方法，计算得出的CC和ULCC对YRB及其子流域内ET变化的贡献及其相对贡献的箱形图。

4.2. YRB期间ET增加的主要驱动力
ET在连接水循环和能量平衡中起着关键作用，受到多种多样因素的影响。这些因素通常可以分为两大类：气候变化和潜在特征变化[72,73]。与CC相关的因素通常包括降水、气温、太阳辐射、蒸发压差和风速[74,75]，而与ULCC相关的因素主要涉及植被绿化（例如，叶面积指数（LAI）、归一化植被指数（NDVI）和增强植被指数（EVI））、土地覆盖类型、光合有效辐射比例（FPAR）、土壤湿度和人类活动。在本研究中，所有三个ET数据集均显示出了YRB期间的显著增长趋势，这与先前的研究结果一致[9,76,77,78]。此外，大多数子流域显示ULCC的贡献大于CC，这也与YRB期间的先前研究结果相符。Wang等人[9]发现，LAI是ET增加的主要驱动力，其对ET增加的相对贡献率为51.16%，90%的域面积的ET增加是由于LAI引起的，这与本研究中ULCC的贡献率相当。此外，Liu等人[76]发现，在YRB的中游地区，LAI的增加主要导致了ET和蒸腾量的增加；因此，潜在的地表变化贡献了168.3%的ET增加。实际上，植被绿化在影响YRB期间的ET增加方面起着至关重要的作用。值得注意的是，黄土高原是中国实施生态恢复项目的重点区域之一[79,80]。为了应对黄土高原日益严重的土壤侵蚀问题，中国自20世纪90年代以来实施了各种项目，如“退耕还林”计划。在1999年至2013年期间，由于实施了造林项目，黄土高原地区的植被覆盖率从31.6%增加到59.6%[80]。在本研究中，我们调查了GIMMS NDVI的空间分布及其变化趋势，如图16所示。可以看出，NDVI呈现出从东南向西北的明显梯度，其中最高的植被覆盖率（NDVI > 0.5）集中在YRB的中下游地区，而向半干旱的西北方向逐渐稀疏。此外，YRB的大部分区域都显示出正的NDVI趋势，其中最明显的绿化趋势（坡度 > 2 × 10^-3/年^2）发生在YRB的中下游地区，除了YRB的源头区域。这种植被恢复的空间集中与1999年启动的“退耕还林”计划的核心实施区域相吻合。变化趋势显著性分布（图16c）证实，68.49%的流域显示出统计学上显著的NDVI增加，而显著减少的趋势区域较少（9.39%），表明植被绿化是稳健且空间上连贯的。通过计算ET-NDVI关系的时间演变，我们进一步验证了ULCC（这里主要指植被绿化）对ET增加的贡献（图16d）。在基准期（1982–2000年），ET和NDVI之间的相关系数为中等（0.45–0.63）。然而，在变化期（2001–2022年），这些相关系数显著增强，达到0.59–0.81。因此，可以推断出，造林确实能够增强区域生态系统的生态服务功能，包括碳封存和土壤水分保持，但它也可能由于植物根系的水分提取而削弱供水能力，从而导致ET增加（即土壤水分损失）。图16展示了YRB地区植被绿化及其与ET的空间关系。图中的面板分别表示：(a) 多年（1982–2022年）平均NDVI，(b) NDVI的变化坡度，(c) 带有面积比例插图的趋势显著性，以及(d) 基准期（1982–2000年）和变化期（2001–2022年）ET数据集与NDVI之间的皮尔逊相关系数。

4.3. WEP方法的验证、优势与局限性
为了验证WEP方法的有效性及其基本的正交性假设，我们还使用了广泛认可的、基于物理的Budyko-Fu框架，基于27个数据集三元组推导出CC和ULCC的贡献。这可以视为一种独立的分析，以交叉验证基于WEP方法获得的归因结果。结果如图17所示。就绝对贡献而言，Budyko-Fu方法估计ULCC和CC的平均绝对贡献值分别为16.0毫米/年和11.9毫米/年，与WEP方法的结果（ULCC为15.8毫米/年，CC为12.2毫米/年）非常相似。此外，Budyko-Fu计算出的相对贡献值（ULCC为53.3%，CC为46.7%）也与WEP的结果（ULCC为52.9%，CC为47.1%）非常接近，表明这两种方法一致地将ULCC识别为多源数据集组合中的主要驱动力。实际上，WEP方法的主要优势在于其简化的几何方法，该方法假设CC和ULCC是独立且正交的。几何WEP结果与非线性Budyko分析解之间高度一致，表明正交性假设在YRB地区是成立的。这些独立结果证明了WEP框架可以作为更复杂的水文模型或基于Budyko的分解方法的可靠且高效的替代方案。

4.4. ET变化归因分析的挑战与未来方向
尽管近年来在ET归因方面取得了显著进展，但仍存在一些关于ET归因结果稳健性和可靠性的挑战。首先，由于ET的多个子过程及其相互作用的内在复杂性，ET变化的归因仍然是一个根本性的挑战[3,87]。当前的归因框架，包括基于Budyko的方法和水-能量分配方法，不可避免地将这些复杂过程简化为单一的集成变量[88,89]。虽然这种简化便于实际应用，但掩盖了各个过程的差异响应。未来的归因工作应旨在使用同位素技术、涡度协方差分配和基于遥感的方法，将ET分解为其组成部分（例如，蒸腾作用、土壤蒸发和截留损失），在进行归因分析之前。这样可以实现对变化驱动因素的更机械性的归因。其次，与复杂的水文模型相比，WEP方法基于分析几何原理提供了一个简单的解析解，无需模型校准或参数估计[27]，从而减少了计算负担并避免了与模型结构和参数化相关的不确定性[86]。第三，WEP框架能够有效识别CC和ULCC对ET变化的绝对贡献，保留了变化方向的信息，这对于检测两个因素之间的补偿效应特别有价值。因此，所有这些优点都超越了传统的基于Budyko的方法[27]。在局限性方面，首先，WEP方法的关键假设是CC方向垂直于干旱指数线，这本质上是用线性近似表示非线性的Budyko关系。这种处理可能无法捕捉到真正的非线性分区行为，尤其是在极端条件下。此外，正交投影可能会生成一个超出范围的中间虚拟状态点；因此，这种方法不建议用于接近极端水资源限制或能量限制条件的某些流域，可能会导致不可靠的归因结果[49,51]。其次，WEP方法将所有影响ET的因素分为两部分，即CC和ULCC，并分别计算它们的贡献。与多元线性回归分析和偏相关分析[82,83]不同，WEP方法提供了水-能量（）空间中的显式图形框架，以直观区分CC引起的变化和ULCC引起的变化。此外，正交分解使得解释流域在不同水文气候状态之间的转换变得直接。第三，随着人工智能（AI）技术的发展，一些可解释的AI算法（如Kolmogorov–Arnold Network（KAN）、SHAP（Shapley Additive Explanations）和LIME（Local Interpretable Model-agnostic Explanations）已经出现，可以精确量化每个驱动因素对ET的贡献。因此，结合基于物理机制的方法和基于XAI的多因素分析方法可能会在未来为这个问题提供更有效的解决方案。第三，为了确保使用WEP方法所需足够的样本量，我们为整个流域采用了固定的断点，这可能在一定程度上引入了对CC和ULCC贡献的系统性偏差。因此，未来的研究可以探索移动窗口或局部自适应断点方法，以获得更精细的变异和归因结果。

4.5. 尽管近年来在ET归因方面取得了显著进展，但ET归因结果的稳健性和可靠性仍存在一些挑战。首先，由于ET的多个子过程及其相互作用的内在复杂性，ET变化的归因仍然具有根本性的挑战[3,87]。当前的归因框架，包括基于Budyko的方法和水-能量分配方法，不可避免地将这些复杂过程简化为综合参数。例如，潜在特征将植被动态、土壤性质、地形和人为干扰封装为一个单一的集成变量[88,89]。虽然这种简化便于实际应用，但它掩盖了各个过程的差异响应。未来的归因工作应旨在使用同位素技术、涡度协方差分配和基于遥感的方法，将ET分解为其组成部分通量（例如，蒸腾作用、土壤蒸发和截留损失），然后再进行归因分析。这样可以实现对变化驱动因素的更机械性的归因。其次，影响因素的多样性与时空尺度上的数据异质性相结合，给统计归因结果带来了相当大的不确定性。例如，对于降水，空间分布的异质性、估算方法的多样性以及测量的不确定性可能对ET减少产生重大影响[90,91,92]。此外，应用于同一流域的不同方法可能会产生不同的甚至矛盾的结果。例如，Chang等人[93]报告称，土壤湿度是青藏高原ET变化的主要驱动力，占44.39%的面积比例。然而，Chen等人[8]表明，在同一地区，ET变化主要受气温影响。类似的争议也出现在长江流域[15,94]。此外，过程尺度之间的不匹配（例如，瞬时气孔导度与年水分平衡）也可能使ET归因分析变得复杂[95]。因此，结合分析几何方法、敏感性分析和水文模拟的多方法集成ET归因方法可能是未来解决这些挑战的更好选择。第三，尽管在测量网络方面做出了巨大努力，但许多流域的长期ET观测数据仍然有限，这使得独立验证归因结果变得困难。与可以在测流站以相对较高的准确性测量径流不同，直接在流域尺度上观测ET具有挑战性[96,97]。相反，ET通常是通过水分平衡（）的残差或通过遥感算法估算得出的。然而，这种观测差距对于人为影响（如水库蒸发、灌溉用水和地下水抽取）等尤为重要[98,99]。独立观测的局限性在一定程度上对ET归因的可靠性提出了挑战。因此，未来的研究应优先考虑融合多种观测数据的方法，以整合不同的观测来源（例如，原位通量站点、重力测量、同位素示踪剂和遥感），以生成受限的观测数据用于ET归因验证。这将提高ET归因结果的可靠性，并促进水资源管理的实际应用。**对雅鲁藏布河流域水资源管理的影响**

本研究对蒸发量（ET）归因的结果对雅鲁藏布河流域的可持续水资源管理具有重要的意义。我们的研究发现表明，潜在的特征变化，特别是植被绿化，已成为大多数子流域蒸发量增加的主要驱动因素。尽管土地利用变化（ULCC）所起的主要作用显示了造林在提升生态系统服务方面的成效，但它也对区域水资源安全构成了挑战。因此，未来的恢复策略应该进行空间优化。例如，在水资源匮乏的地区（如河流中游），应优先选择需水量较低的植被类型，而在水资源相对丰富的地区则应保持或增加森林覆盖率[100]。此外，多源分析揭示的归因结果存在显著的空间异质性，这需要采用针对特定区域的管理方法（见补充材料中的图S1–S4）。在源区（SR），气候变化（CC）对蒸发量变异的贡献最为显著，并且在各种数据集中的贡献相对稳定，因此适应策略应侧重于建设具有气候适应性的水利基础设施和基于生态系统的适应措施，以应对因气候变暖导致的蒸发需求增加。相反，在土地利用变化不确定性较高的子流域（尤其是下游区域），管理决策应纳入能够根据对人类影响的不断了解进行调整的适应性治理框架[101]。此外，还需要加强监测网络，包括涡度协方差通量塔、重力测量和基于同位素的分馏技术，因为这些不仅能够提高科学归因的准确性，还能实现实时水资源核算系统。最后，各部门之间的政策整合也将非常有帮助。雅鲁藏布河流域跨越九个省份，这些省份在农业、工业、城市供水和生态系统维护方面存在相互竞争的水资源需求，因此需要协调一致的治理[102]。研究结果表明，土地利用变化的影响既显著又具有不确定性，这意味着水资源分配政策必须在明确认识到上游土地管理决策如何影响下游水资源可用性的前提下进行协商。因此，建议加强流域级别的水资源权框架，并将蒸发量归因的见解纳入其中，可能包括对未来实施高效水资源恢复措施的上游地区进行补偿的机制。

**5. 结论**

本研究使用基于多源数据集的简化水-能量分割方法，对雅鲁藏布河流域的蒸发量变化进行了综合归因分析，这些数据集包括蒸发量（GLEAM、PLSH和SiTH）、降水量（CHIRPS、CMFD和MSWEP）以及潜在蒸散量（CMet_PETHG、CMet_PETPM和GLEAM_PET）。通过整合1982年至2022年期间27组蒸发量、降水量和潜在蒸散量的数据组合，我们量化了气候变化和潜在特征变化对整个雅鲁藏布河流域及其八个子流域蒸发量变化的绝对和相对贡献。主要发现及其意义如下：
(1) 1982年至2022年间，三个水文变量（蒸发量、降水量和潜在蒸散量）均在整个流域呈现增长趋势，且空间异质性明显。其中，蒸发量的增长率为0.82–2.04毫米/年2，降水量为0.11–1.23毫米/年2，潜在蒸散量为0.86–2.14毫米/年2，各变量的增长速率在不同统计水平上存在差异。此外，蒸发量呈现显著增长趋势的面积比例从47.9%上升到79.58%，而潜在蒸散量的这一比例范围为46.55%至94.44%。
(2) 2000年，水文循环发生了突变，表现为蒸发量、降水量和潜在蒸散量时间序列的同时变化。与基期（1982–2000年）相比，这三个水文变量在变化期（2001–2022年）的数值均有所增加，各数据集中的蒸发量、降水量和潜在蒸散量的增量分别为13.4–45.2毫米/年、21.7–32.3毫米/年和17.3–44.1毫米/年。
(3) 雅鲁藏布河流域内蒸发量变化的驱动因素在空间上存在显著差异。对于整个流域而言，大多数数据集组合显示水-能量转换方向相似，表明土地利用变化对蒸发量增加的贡献大于气候变化；其中，土地利用变化的平均绝对贡献为15.8毫米/年，相对贡献为52.9%，而气候变化的平均绝对贡献为12.2毫米/年，相对贡献为47.1%。在许多子流域中也能观察到土地利用变化的主导作用，但在源区（SR），气候变化是蒸发量变化的主要驱动因素。
(4) 不确定性分析表明，在27组数据组合中，土地利用变化的贡献具有更高的变异性和不确定性，其四分位距（IQR）分别为27.47毫米/年和13.92毫米/年。尽管气候变化作为驱动因素的作用在不同子流域中有所差异，但其贡献结果比土地利用变化更为稳定，尤其是在雅鲁藏布河流域的源区（如SR和SW）。

**补充材料**

以下支持信息可在此处下载：**
https://www.mdpi.com/article/10.3390/rs18091429/s1
- 图S1：使用基于27组不同蒸发量、降水量和潜在蒸散量数据集的水-能量分割（WEP）方法，显示气候变化（CC）对雅鲁藏布河流域蒸发量变化的影响的空间分布。
- 图S2：与图S1相同，但展示潜在特征变化（ULCC）对蒸发量变化的影响。
- 图S3：使用基于27组不同蒸发量、降水量和潜在蒸散量数据集的水-能量分割（WEP）方法，显示气候变化（CC）对蒸发量变化相对贡献的空间分布。
- 图S4：与图S3相同，但展示潜在特征变化（ULCC）对蒸发量变化相对贡献的空间分布。