气候变化下预估蒸散发与灌溉需求置信度的量化：一种高分辨率集合方法

《Agricultural Water Management》：Quantifying confidence in projected evapotranspiration and irrigation demand under climate change: A high-resolution ensemble approach

　　

预估的蒸散发变化对水资源有限地区的灌溉规划具有重要影响。本研究量化了Murray-Darling Basin（MDB）中期参考蒸散发（ET₀）、代表性作物蒸散发（ET_c）及灌溉水需求的变化，并仔细考虑了模型不确定性。研究人员使用了由5个CMIP6全球气候模型（GCM）和2个区域气候模型（RCM）组成的10个降尺度气候预估集合，评估了两个排放情景和两个21世纪中期时段。通过将ET₀与物候调整的作物系数及有效降雨（P_e）相结合，估算了杏仁和酿酒葡萄的作物特定灌溉需求。结果表明，所有区域和季节的ET₀均持续增加，春季百分比增幅最大，夏季绝对增幅最大。气温升高是ET₀变化的主要驱动因素，而风速和净辐射的预估变化较小且模型间一致性低。信噪比分析表明，ET₀预估具有中等置信度，在低排放情景和较晚的预估时段下置信度略高。当转化为作物水分需求时，MDB范围内ET_c–P_e的预估增幅显著，相对值常常超过ET₀的变化，并意味着绝对灌溉需求的显著增加，尤其是在基准用水量高的地区，尽管排放情景之间的差异通常小于模型集合的离散度。作物之间的差异相对于大气需求增加的影响较小。预估的气候驱动的蒸发需求增加将提高MDB的灌溉需求，但本研究所识别出的显著模型不确定性表明需要适应性、风险知情的水管理策略。

**论文解读**

**研究背景与问题**

在全球气候变化的背景下，灌溉农业作为最大的淡水人为消耗者，面临着水资源可用性变化和作物水分需求增加的双重压力。准确预估未来蒸散发（evapotranspiration, ET）变化对于制定适应性灌溉策略和水资源政策至关重要。参考蒸散发（reference evapotranspiration, ET₀）是衡量大气蒸发需求的关键指标，通常使用FAO-56 Penman-Monteith方法估算，该方法综合了温度、辐射、湿度和风速等气象要素。然而，现有研究存在以下不足：许多研究依赖单一气候模型或对预估变化进行确定性解释，缺乏对模型不确定性的量化；对ET₀变化的空间和季节异质性关注不足，且较少将气候不确定性传递到作物特定灌溉需求的评估中。这些局限在高调控灌溉系统中尤为突出，因为适应规划不仅依赖于变化的幅度，还依赖于对这些预估的置信度。为此，研究人员旨在通过高分辨率集合方法，系统量化气候变化下MDB地区ET₀和灌溉需求的变化，并评估预估置信度。

**研究内容与结论**

本研究利用10个CMIP6 GCM-RCM降尺度气候预估集合（5个GCM × 2个RCM），结合两个排放情景（SSP1–2.6和SSP3–7.0）和两个中期时段（2031–2050和2051–2070），估算了MDB地区的ET₀、作物蒸散发（crop evapotranspiration, ET_c）及灌溉需求（ET_c–P_e），其中P_e为有效降雨。研究选取了杏仁和酿酒葡萄两种代表性作物，采用物候调整的作物系数（K_c）计算ET_c，并通过信噪比（signal-to-noise ratio, SNR）分析量化预估置信度。主要结论包括：所有区域和季节的ET₀均呈一致增加趋势，春季百分比增幅最大（平均约7%），夏季绝对增幅最大；气温升高是ET₀变化的主导驱动因素，而风速和净辐射变化很小且模型间一致性低；SNR分析显示ET₀预估具有中等置信度，低排放情景和较晚时期下置信度略高；当转化为灌溉需求时，ET_c–P_e的增幅显著，相对值常超过ET₀变化，尤其在低有效降雨和高基准用水量的灌溉区；模型集合离散度常大于排放情景间的差异，表明模型不确定性是主要来源；作物间的灌溉需求响应差异较小，主要由大气需求增加主导。该论文发表在《Agricultural Water Management》。

**关键技术方法**

研究人员主要采用了以下关键技术方法：（1）高分辨率降尺度气候预估：从NARCliM2.0项目获取约4 km网格分辨率的CMIP6 GCM-RCM输出，涵盖5个GCM和2个RCM共10个变体；（2）FAO-56 Penman-Monteith方程：计算ET₀，所需输入变量包括最高/最低气温、比湿度、风速、净辐射和地表气压；（3）作物蒸散发与灌溉需求模型：通过物候调整的作物系数（K_c）将ET₀转换为ET_c，并利用Brouwer和Heibloem（1986）方法计算有效降雨（P_e），定义灌溉需求为ET_c–P_e；（4）信噪比（SNR）分析：基于10个模型集合的均值变化与标准差之比，评估预估变化的置信度，划分四个置信等级。

**研究结果**

**3.1 模拟预估的展现**
通过箱线图呈现了每个案例研究区域和季节的ET₀预估变化，并标注了SNR。

**3.2 预估集合参考蒸散发**
所有情景下ET₀均增加。中位数变化幅度在SSP1 2031–2050下为4.4%，SSP3 2051–2070下为8.9%。春季百分比增幅最大（平均6.7–8.0%），夏季绝对增幅最大（如Murrumbidgee夏季增加0.43 mm/day）。不同情景间差异较小，但SSP3 2051–2070情景变化幅度显著增大。

**3.3 预估集合温度、水汽压、风速、净辐射和降水**
最高/最低气温显著上升（平均1.2°C和1.0°C，SSP3 2051–2070下2.3°C和2.1°C），水汽压平均增加3.0–7.2%，而风速和净辐射变化很小（<0.5%）。降水预估的模型间离散度大，中位数减少8.5%。

**3.4 信噪比**
气温SNR较高（2.44–2.66，中等至高度置信），风速和净辐射SNR低（<0.6，差置信）。ET₀平均SNR为1.72（中等置信度），夏季SNR最高（2.15），且较晚时期和SSP3情景下SNR更高。

**3.5 灌溉需求**
ET_c–P_e变化幅度大，模型集合离散度常超过情景间差异。杏仁夏季灌溉需求增幅为13.5–19.7%（基于不同情景），酿酒葡萄类似。南方灌溉区（如Murrumbidgee）夏季增幅较大（9.5–12.1%），而高基准用水地区（如Mildura）即使增幅较小（3.6–6.6%），绝对增加量仍显著。作物间差异相对于大气需求影响较小。

**讨论与结论**

讨论部分指出，气温升高和饱和水汽压差增加是ET₀变化的主要驱动因素，而风速和净辐射的贡献微弱。春季节的百分比增幅较大，对作物生殖期水分供应具有重要影响。灌溉需求的放大效应源于大气需求增加仅被微量有效降雨抵消。研究优势在于高分辨率集合与SNR分析相结合，但存在局限性：使用月平均气候态平滑了短期极端事件，固定作物系数未考虑物候加速或CO₂生理效应（如CO₂升高可能降低气孔导度），这些因素可能导致灌溉需求高估。结论部分翻译如下：
将预估的ET₀增加转化为作物水分需求后，MDB地区杏仁和酿酒葡萄的灌溉需求显著增加，尤其在有效降雨低的区域。本研究的关键贡献并非仅仅识别出变暖下ET₀的增加，而是量化了这些变化的幅度、空间变异性、季节动态和不确定性，并展示了它们如何传递到一个主要调控农业流域的灌溉水需求中。尽管由GCM-RCM变异性导致的模型不确定性仍然显著，但信噪比分析表明，预估的灌溉需求增加具有中等置信度，在低排放情景下置信度通常更高。本研究所开发的框架展示了如何将基于集合的不确定性分析与蒸散发和灌溉需求建模相结合，以支持调控农业系统的气候适应规划。通过将高分辨率气候预估与预估置信度的正式评估相结合，该方法为评估其他地区的未来灌溉脆弱性提供了可转移的方法。将不确定性信息与预估变化一并纳入，能使水管理者和政策制定者识别出灌溉需求增加预估最为稳健的区域，从而支持更灵活、风险知情的水资源分配、基础设施投资和长期农业适应规划决策。