多数据集融合揭示中国蒸腾与蒸散比值控制中的气候至植被转变

《Agricultural and Forest Meteorology》：Climatic-to-vegetation transition in controlling the ratio of transpiration to evapotranspiration in China revealed by multi-dataset fusion

　　

摘要
蒸腾与蒸散发之比（T/ET）是陆气耦合的关键生物物理指标，反映了气候与植被如何共同调节水分分配和地表能量交换。然而，现有 T/ET 估计值存在显著的多样性和不一致性，削弱了大规模水文评估的可靠性。因此，我们采用扩展双工具变量算法（EIVD）方法，对中国 1982-2020 年期间的三个代表性强且广泛使用的蒸腾和蒸散发数据集（基于 PT-JPL 的、GLEAM 和基于 SiTHv2 的）进行独立融合，生成了一套高精度 T/ET 产品。与 54 个通量塔观测数据的验证表明，两者高度一致（R2 = 0.73, RMSE = 0.067），融合后的 EIVD 产品优于所有单一产品。在全国范围内，年均 T/ET 为 0.51，呈显著上升趋势（p < 0.01），空间上呈现东南至西北递减的梯度。突变点分析确定 2003 年为关键转折年，此后 T/ET 的增长速率加快了 2.7 倍（0.0016 yr?1 对比 0.0006 yr?1；p < 0.01）。水汽压差和归一化植被指数是影响 T/ET 的最主导因素，分别占陆地面积的 21.61% 和 21.41%。同时，结构方程模型揭示了 T/ET 主导控制因素的转变——从 1982-2002 年的气候驱动转向 2003-2020 年的植被调节。这一发现强调了植被在调节生态系统水通量中日益关键的作用，并表明近期 T/ET 动态的变化可能与更广泛的植被恢复有关，为长期环境变化下的生态水文适应提供了有价值的见解。

引言
蒸腾（T）作为陆地蒸散发（ET）的核心组成部分，是连接植物生理活动与大气水循环的关键通量（Li et al., 2024a; Schlesinger and Jasechko, 2014）。蒸腾与蒸散发之比（T/ET）反映了植物在水分利用效率方面的调节能力，对于理解生态系统水分分配和碳水耦合过程具有重要意义（Cao et al., 2022; Lian et al., 2018; Sun et al., 2025）。在气候变化和环境胁迫下，植物通过改变气孔导度、生长动态和水分利用策略来调节蒸腾，从而改变 T/ET（Liang et al., 2023）。因此，T/ET 反映了生态系统对环境变化的响应及其调节水分利用的能力，是评估生态系统响应和适应能力的重要指标（Petrík et al., 2022）。因此，探索 T/ET 的时空变化及其驱动机制，对于改进陆地生态系统过程的模拟和优化水资源管理策略至关重要。

近几十年来，T/ET 在全球尺度上呈现出上升趋势，并伴随着显著的空间异质性（Cao et al., 2022; Wei et al., 2017）。以中国为例，以往研究表明，T/ET 显示出明显的空间格局，从西北向东南递增，并且自 20 世纪 80 年代以来经历了显著的上升趋势（Niu et al., 2019; Wang et al., 2025）。这种现象的原因是 T/ET 受多种因素的共同调节，包括气候条件（如气温（Tm）、降水（Pre）、净辐射（Rn）和水汽压差（VPD））、植被状况（如叶面积指数（LAI）和归一化植被指数（NDVI））以及土壤水分供应（Eichelmann et al., 2022; Li et al., 2024b, 2024c; Zhou et al., 2016）。这些因素共同塑造了不同尺度下 T/ET 的时间趋势和空间格局。在全球变暖和大气二氧化碳浓度升高的共同影响下，植被的光合潜力和气孔导度显著增强，从而增加了 T/ET（Kirschbaum and McMillan, 2018; Piao et al., 2020）。作为植被覆盖和生理状况的可靠指标，NDVI 能有效捕捉由植被功能变化引起的水通量过程水平变化，使其成为预测 T/ET 动态的日益重要的指标（Sun et al., 2025）。同时，VPD、Rn 和根区土壤湿度（SMrz）代表了三个关键的生态水文过程，包括大气干旱胁迫、能量供给和土壤水分供应，它们在调节 T/ET 方面高度敏感（Li et al., 2024b）。现有研究在全球和区域尺度上广泛调查了 ET 或 T 的关键驱动因素。VPD 和 Rn 等气候因素被广泛认为是控制 ET 的主导因素（Li et al., 2022; Pan et al., 2020），而 NDVI 等植被指标主要通过冠层结构和植物生理活动的变化来调节 T（Liu et al., 2025）。研究还表明，在水分限制条件下，土壤湿度对 T 施加了强烈的约束（Fu et al., 2024）。这些研究为理解水分分配过程提供了重要基础；然而，它们主要专注于 ET 或 T 作为单一过程。目前关于 T/ET 驱动机制的研究相对有限，且尚未就其对不同环境控制的响应达成一致理解（Gu et al., 2018; Lian et al., 2018; Nelson et al., 2020）。例如，虽然许多研究表明植被主要通过影响 T 来调节 T/ET（Good et al., 2015; Hu et al., 2018），但其他研究报告 LAI 与 T/ET 之间没有显著关系（Gu et al., 2018）。同样，虽然一些研究确定 Rn 是控制 T/ET 变异的关键因素（Nguyen et al., 2021; Petrík et al., 2022），但 Niu 等人（2019）发现 Rn 变化对 T/ET 趋势的贡献可以忽略不计。

因此，目前对 T/ET 多因子控制的理解仍然有限。进一步调查多个驱动因子对 T/ET 的耦合效应，对于增进我们对陆地生态系统水动态的理解至关重要。

关于 T/ET 的研究主要依赖于多种数据源和估计产品，包括基于遥感的反演、生态系统模型模拟、通量塔衍生估计和大气再分析产品（Gu et al., 2018; Sutanto et al., 2014; Xiang et al., 2025; Xie et al., 2024; Zhang et al., 2016）。通量观测可以提供准确的局部 T/ET 估计（Wei et al., 2017）。然而，其稀疏分布和较短的时间跨度限制了其大规模应用。相比之下，遥感技术能够实现广泛和连续的监测，但由于传感器限制和模型简化，可能会引入系统偏差（Mu et al., 2007）。同样，再分析产品具有全球覆盖和时空连续性，但由于地面约束弱，往往存在区域偏差（Hersbach et al., 2020）。此外，生态系统模型可以提供机制见解和预测能力，但其结构和参数的不确定性会影响其可靠性（Cao et al., 2022）。因此，迫切需要一种稳健的数据融合方法，能够有效整合多源 T 和 ET 信息，提高估计精度，并更好地表征 T/ET 的时空动态。近年来，基于配准的方法已被广泛应用于多源数据融合和不确定性表征（Gruber et al., 2016; Li et al., 2022; McColl et al., 2016）。Dong 等人（2020）提出的扩展双工具变量算法（EIVD）作为一个代表性方法脱颖而出，该方法仅需三个数据集即可同时估计误差方差和误差交叉协方差（ECC）。与传统配准方法相比，EIVD 允许输入数据集之间存在误差相关性，并明确将 ECC 纳入其估计框架，从而降低不确定性并放宽对所有数据源完全独立误差的严格要求（Dong et al., 2020; Li et al., 2023a）。此外，与贝叶斯模型平均（Wang et al., 2014）或基于机器学习的融合框架等其他融合技术不同，EIVD 不依赖现场观测来实现误差估计和最优融合（Dong et al., 2020; Stoffelen, 1998）。这两个优势使得在更普遍的数据条件下构建稳健的加权融合方案成为可能。迄今为止，EIVD 方法已成功应用于各种地物理变量的多源数据融合，包括降水（Dong et al., 2020）、土壤湿度（Kim et al., 2021）和蒸腾（Li et al., 2023a），证明了其在陆地水循环不同组成部分中的稳健性和广泛适用性。

作为全球生态系统多样性和气候类型最丰富的国家之一，中国不同地区的 T/ET 表现出显著的空间变异性，这是复杂的自然和人为因素共同驱动的结果（Cui et al., 2023; Niu et al., 2019）。过去几十年来，中国陆地生态系统经历了深刻变化，包括气候变暖、降水格局改变、植被覆盖波动和土壤水分重新分布（Li et al., 2020; Ma et al., 2023; Xu et al., 2019）。在人为方面，大规模生态恢复项目，如“退耕还林”工程和“三北防护林”工程，显著增加了植被覆盖，从而重塑了区域水循环过程（Bryan et al., 2018; Fan et al., 2023; Ouyang et al., 2016）。例如，在黄土高原，植被指数在过去 30 年间以每年 0.0036 的速度稳步增加（Fan et al., 2023）。然而，伴随的水消耗增加已将当地生态系统推向可持续水资源利用的阈值（Feng et al., 2016）。在中国“双碳”目标和高质量发展战略的推动下，提高生态系统的水分利用效率和准确量化关键水文过程已成为国家生态安全和政策决策的优先事项。然而，目前仍缺乏国家级的高精度、揭示机制的 T/ET 数据集，这限制了对中国不同生态区生态水文过程的综合理解，并制约了气候适应和生态系统管理科学策略的发展。

因此，本研究旨在开发一套针对中国的高精度融合 T/ET 数据集，并调查其时空动态和驱动机制。本研究基于 1982 年至 2020 年的长期数据集，所有关于 T/ET 时空动态和驱动机制的分析均在年度尺度上进行。具体目标是：（1）应用 EIVD 方法独立融合三个主流 T 和 ET 产品，生成一套具有高度一致性和可靠性的 T/ET 数据集；（2）系统分析中国 1982 年至 2020 年 T/ET 的长期时空变化和趋势；（3）量化 T/ET 变化的主导驱动因子和因果路径。鉴于中国的许多大规模生态恢复项目始于 2000 年代初，本研究还寻求探索观测到的 T/ET 调节转变是否与更广泛的植被恢复过程一致，从而增进我们对长期生态转型下生态系统水分利用策略的理解。

章节摘要
蒸腾与蒸散发数据
我们利用 GLEAM（v4.1a）、基于 PT-JPL 的和基于 SiTHv2 的数据集，这些数据集提供了 1982-2020 年间配对且内部一致的 T 和 ET 估计，作为输入以生成融合的 T/ET 产品（表 1）。选择这三个数据集是因为它们具有互补的建模方法，涵盖了物理、生态水文半经验和机器学习框架。此外，它们还具有高时空分辨率、长期连续性和独立的误差结构，这些共同...

T/ET 验证
为了验证 EIVD 方法在融合多源 T/ET 数据中的可靠性，我们系统地评估了三个原始数据集和融合产品与 54 个通量塔站点的 152 条观测记录的性能（图 3）。结果显示，在三个原始数据库中，基于 SiTHv2 的数据集达到了最高精度（R2 = 0.64, RMSE = 0.083），在农田和灌木林地区表现良好，但在森林和草原地区表现相对较差...

T/ET 的生态系统依赖性驱动机制
本研究使用结构方程模型（SEM）和偏相关分析，将气候、大气、植被和土壤因素整合在一个统一框架内，系统地揭示了 T/ET 变化背后的耦合机制。结果表明，T/ET 的增加不是由单一因素驱动的，而是由气候变化、植被响应增强和土壤湿度调节改善的共同作用驱动的（Good et al., 2015; Li et al., 2024c; Wei et al., 2017）。在 1982 年至...

结论
基于综合三个产品（GLEAM、基于 PT-JPL 的和基于 SiTHv2 的），本研究通过 EIVD 融合框架开发了一套覆盖中国陆地区域 1982 年至 2020 年的 T/ET 数据集，揭示了其全国范围内的长期变化特征和主导控制因素。

结果表明，过去四十年来中国陆地表面的平均 T/ET 值呈现显著上升趋势，表明其贡献持续增强。CRediT 作者贡献声明：赵清梅：数据整理、形式分析、方法论、软件、写作 – 初稿。王根旭：概念化、写作 – 审阅与编辑。孙守勤：写作 – 审阅与编辑。孙向阳：概念化、验证。宋春林：概念化、方法论。姜守正：概念化、方法论。孙聚英：数据整理、形式分析。林杉：资金获取、方法论、监督、写作 – 审阅与编辑。胡兆勇：概念化。赵清梅 | 王根旭 | 孙守勤 | 孙向阳 | 宋春林 | 姜守正 | 孙聚英 | 林杉 | 胡兆勇 水利水电与山地河流工程国家重点实验室，四川大学水利水电学院，中国四川成都，610065