祁连山不同植被类型蒸散发时空变化及其驱动因子响应特征

《Journal of Hydrology: Regional Studies》：Spatiotemporal variations and driver-specific response characteristics of evapotranspiration across different vegetation types in the Qilian Mountains

　　

研究区域为中国西北部的祁连山。本研究利用PML-V2.8蒸散发（ET）数据集，结合水文气候、植被和地形变量，分析了2000年至2022年间祁连山森林、灌丛和草地蒸散发的时空变化。进一步结合SHapley Additive exPlanations（SHAP）方法的集成机器学习模型被用于识别不同植被类型蒸散发的主导控制因子、驱动因子的月际转换特征及其响应模式。针对该区域的新水文认识如下：2000-2022年间，祁连山蒸散发显著增加，主要发生在春季和夏季。森林蒸散发增加最快，而草地蒸散发的年际变异性最强。不同植被类型的主导控制因子存在差异：森林和灌丛蒸散发主要受水文气候因子（特别是太阳辐射）调控，而草地蒸散发则受到能量条件和以数字高程模型（DEM）为代表的海拔相关地形梯度的共同制约。月度SHAP分析揭示了主导控制因子的明显季节转换特征，叶面积指数（LAI）在6-8月主导森林和灌丛蒸散发，而DEM在大多数月份主导草地蒸散发。响应曲线表明不存在强烈的非线性响应或明确的阈值效应，这凸显了植被类型、季节性驱动因子转换和地形约束在调控山地生态系统蒸散发的综合作用。

蒸散发（ET）是连接碳、水和能量循环的关键过程，在全球气候变暖背景下，其时空动态与驱动机制正受到持续重塑。然而，在典型的山地生态系统（如祁连山）中，不同植被类型蒸散发的时空变化差异及其主导控制机制，特别是水文气候条件、地形梯度和植被活动的综合效应及其非线性响应特征尚不明确。针对上述研究空白，研究人员以祁连山的森林、灌丛和草地为研究对象，基于2000-2022年的多源遥感和再分析数据，结合气象水文因子（降水、气温、短波辐射、风速和土壤湿度）、植被因子（叶面积指数LAI）和地形因子（海拔、坡度和坡向），构建了集成机器学习模型，并应用SHAP方法定量揭示了不同植被类型蒸散发的驱动机制。该研究发表于《Journal of Hydrology: Regional Studies》，旨在为理解祁连山植被蒸散发过程及其驱动机制提供区域尺度证据，并为区域水资源管理与生态保护提供科学参考。

为开展此项研究，研究人员运用了多个关键技术方法。首先，基于MODIS MCD12Q1和ESA WorldCover 2020数据集，并结合Sentinel-2影像和随机森林分类器，生成了祁连山森林、灌丛和草地的精细化空间分布图。蒸散发数据源自PML-V2.8产品，并通过研究区内五个通量塔站点（ARS, DDS, DSL, GTa, JYL）的观测数据进行了验证，证实其能可靠表征研究区蒸散发的月变化。气象和土壤湿度数据来自欧洲中期天气预报中心的ERA5-Land再分析产品，叶面积指数数据来自MODIS MOD15A2H产品，地形数据来自航天飞机雷达地形测绘任务（SRTM）的全球数字高程模型（DEM）。在分析方法上，研究采用Theil-Sen斜率估计和Mann-Kendall检验进行趋势分析；并构建了包含XGBoost、LightGBM、CatBoost和随机森林（RF）的集成机器学习模型，以环境因子为输入变量、蒸散发为目标变量进行建模；最后，利用SHAP方法进行模型可解释性分析，量化各驱动因子的相对贡献、效应方向和月际转换特征，并构建SHAP响应曲线以识别关键因子的响应模式。

**研究结果**部分通过多个小节展示了具体发现：
**4.1. 不同植被类型蒸散发的时空变化**：2000-2022年间，祁连山三种植被类型的年蒸散发均呈增加趋势，但增幅存在差异。森林的年蒸散发最高且绝对增幅最大（0.78 mm yr?1），草地和灌丛的增幅分别为0.61和0.51 mm yr?1。草地的年际变异性最强。空间上，蒸散发呈现东南高、西北低的梯度，且增加趋势广泛存在，森林中显著增加的面积比例最高（94.37%）。季节上，蒸散发高度集中于春季和夏季，夏季贡献了年蒸散发的50.7%-52.5%。春季和夏季是蒸散发增加的关键季节，森林在春季增幅最大，草地在夏季增幅最强。
**4.2. 蒸散发变化的主导控制与基于SHAP的解析**：集成机器学习模型在预测性能上显著优于多元线性回归（MLR）。多模型共识分析表明，不同植被类型蒸散发的主导控制因子不同。森林和灌丛蒸散发主要受太阳辐射（srad）等水文气候因子调控；而草地蒸散发则同时受到水文气候因子和地形因子的共同驱动，基于特征重要性太阳辐射最重要，但基于平均绝对SHAP值，数字高程模型（DEM）贡献最大。基于7-8月（生长旺季）样本的SHAP汇总图显示，在森林和灌丛中，高太阳辐射值通常与正的SHAP值相关，表明其对蒸散发有正向贡献；而在草地中，DEM的SHAP值最高，凸显了海拔梯度的关键作用。月度驱动因子转换热图分析进一步揭示，LAI在6-8月主导森林和灌丛蒸散发；DEM则在大多数月份主导草地蒸散发，表明主导控制因子存在明显的月际和植被类型依赖的转换特征。基于SHAP的响应曲线分析表明，关键驱动因子普遍未表现出强烈的非线性响应或明确的阈值效应。太阳辐射在所有植被类型中均表现出相对更明显的曲线偏离，但解释力的提升有限（ΔR2值较小）；草地的DEM则表现出更接近单调线性约束的响应模式。

**讨论**部分对上述结果进行了深入阐释。蒸散发的整体增加可能与区域变暖、大气蒸发需求增加以及植被恢复有关，而2015-2020年间的显著增强则更可能与异常变暖和有利的土壤湿度条件共同作用相关。蒸散发的季节集中性反映了高山生态系统能量、水分和植被活动的协同效应。空间上的东南-西北梯度与区域水热梯度高度一致。不同植被类型蒸散发变化的差异源于其冠层结构、根系深度和水力策略的不同。驱动机制的差异表明，森林和灌丛蒸散发主要受能量供应（太阳辐射）驱动，而草地蒸散发则更显著地受到海拔相关地形梯度（通过热条件和生长季长度）的持续制约。月度主导因子的转换进一步印证了不同植被类型生态水文过程的季节性差异。响应曲线的分析结果表明，祁连山不同植被类型蒸散发的变化并非由单一强烈的非线性过程主导，而是能量供应、植被结构、水分利用策略和地形约束共同塑造的结果。

**研究结论**部分总结如下：2000-2022年间，祁连山蒸散发整体显著增加，呈现东南高、西北低的空间格局，增加主要集中于春季和夏季，且在2015-2020年间增强明显。不同植被类型间差异显著：森林蒸散发增幅最大，草地蒸散发年际变异性最强，灌丛蒸散发的空间异质性更明显。可解释机器学习结果表明，不同植被类型蒸散发的主导控制因子存在差异：森林和灌丛蒸散发主要受太阳辐射、降水、气温和土壤湿度等水文气候因子调控；而草地蒸散发则同时受到能量条件和地形梯度的约束，太阳辐射具有较高的特征重要性，但DEM具有最高的平均绝对SHAP值，表明海拔梯度对草地蒸散发变异性具有很强的解释作用。月度驱动因子转换分析进一步显示，蒸散发的主导控制因子并非全年固定，而是随月份和植被类型发生转换：叶面积指数（LAI）在6-8月主导森林和灌丛蒸散发，而DEM在大多数月份主导草地蒸散发，这反映了植被类型间生长旺季植被活动与海拔背景作用的差异化角色。SHAP响应曲线表明，关键因子普遍未表现出强烈的非线性响应或明确的阈值效应。太阳辐射表现出相对更明显的非线性偏离，但解释力提升有限；而草地的DEM则表现出更接近近线性单调约束的响应模式。总体而言，祁连山蒸散发变化受到能量供应、水分可利用性、植被活动和地形约束的共同调控。这些发现强调了在山地生态水文过程研究中，需要根据植被类型进行分别阐释。