引言
参考蒸散发（ET0）是水循环和农业水资源管理的关键组成部分（Di Nunno和Granata, 2023）。在全球气候变化（以降水减少和气温升高为特征，Goyal和Gaur, 2022）的背景下，全球大多数观测站的ET0呈上升趋势（Pandey和Khare, 2018）。海表温度（SST）格局的变化加剧了陆地气候异常，特别是热浪和干旱等极端事件的发生频率和严重程度（Bayable和Lebeza, 2026；Nam等, 2026）。这些气候变化反过来增加了作物灌溉需水量，加剧了区域水资源短缺，并最终导致农业作物产量的显著下降（Kongsurakan等, 2025；Yan和Chen, 2025）。然而，我们对ET0趋势（作物灌溉需水量估算的关键参数）与中国SST格局之间动态关系的理解仍然有限。特别是，虽然SST格局对ET0的单独影响已得到部分研究，但多种SST格局的耦合作用几乎未被探索，构成了文献中的重要空白。因此，研究ET0的时空变化及其与全球气候事件的联系对于农业水资源管理具有重要意义。
计算ET0的主要方法是FAO-56 Penman-Monteith公式（Huerta等, 2022）。然而，该模型需要大量的气象参数，而这些参数往往难以全面获取（Wang等, 2024）。特别是在网格尺度上，风速和辐射相关变量的观测数据缺失；现有数据集完全依赖于再分析数据（Abatzoglou等, 2018；Mu?oz-Sabater等, 2021），而在像元尺度上观测数据更难获取。因此，像元尺度的ET0产品通常使用Hargreaves-Samani等简化公式推导，或基于地面站数据采用简单插值方法生成（Di Nunno和Granata, 2023；Ding和Peng, 2021）。然而，简化的Hargreaves–Samani公式虽然所需数据较少，但由于依赖的气象变量较少，估算误差相对较大，精度较低（Kim等, 2023；Wu等, 2022；Valiantzas, 2018）。由此得到的像元级地图难以准确捕捉复杂地形和非线性气候因子的影响。相比之下，机器学习模型在有限的输入参数条件下即可实现较强的模拟性能（Bellido-Jiménez等, 2023；Raimondi等, 2026）。先前的研究表明，与Penman–Monteith公式相比，即使仅以温度为输入，机器学习模型对ET0的估算也比仅基于温度的Hargreaves–Samani公式更为准确，且误差更接近Penman–Monteith参考值（Bellido-Jiménez等, 2023；Reis等, 2019）。当加入地理位置等额外特征时，性能进一步提升（An和Ha, 2026）。在此基础上，本研究采用Delta降尺度方法对流场栅格数据作为输入特征进行分辨率标准化（Peng等, 2019），然后结合机器学习算法与站级气象数据，生成长期高分辨率ET0栅格数据集。
在气候变暖的影响下，极端SST格局的出现频率日益增加。其中，以太平洋的厄尔尼诺–南方涛动（ENSO）和印度洋偶极子（IOD）尤为关键（Heede和Fedorov, 2023；Sun等, 2026），它们分别是太平洋和印度洋大尺度SST变化的主要模式。此外，ENSO Modoki是ENSO的一种特殊类型，其特征为太平洋中部异常增温，而东西太平洋均出现降温。该模式通常从北半球夏季持续到冬季，最显著的SST异常集中在太平洋中部区域（Ashok和Yamagata, 2009；Cai等, 2021）。先前的研究表明，中国的水循环主要受太平洋和印度洋影响。这两个海洋共同主导了水分的季节性来源，在调节中国不同区域的降水格局和水分可用性方面发挥着关键作用（Sun等, 2020）。大量研究已证实，全球变暖显著改变了SST格局，进而扰乱了正常的大气环流，改变了降水格局，最终对陆地水循环系统（包括地表径流、土壤含水量和地下水补给）产生深远影响（Meza, 2005；Singh等, 2022；Vicente-Serrano等, 2011）。然而，以往的归因研究主要关注对温度和辐射等气象驱动因子的敏感性（Zhou和Yu, 2025），对ET0与SST格局之间联系的关注则相对有限，对多种SST格局之间耦合作用和协同效应的研究更是鲜有涉及，尤其是它们组合影响与单独模式影响的差异或放大效应。此外，SST格局存在明显的冷相位和暖相位之分，已有研究表明不同相位对区域水循环过程具有差异化影响（Song等, 2024；Taschetto等, 2025）。然而，尽管这些相位依赖性效应的重要性已被认可，不同SST格局相位对ET0的影响在以往研究中仍受到有限关注。
中国面临严重的水资源短缺问题，是全球人均水资源最稀缺的国家之一。灌溉农业约占中国耕地面积的50%（6170万公顷），是保障粮食安全的首要领域（Wang等, 2025）。尽管灌溉的增加提高了中国的粮食产量（Cao等, 2023），但水资源短缺仍然是农业生产、区域粮食安全和可持续水资源管理面临的重大挑战（Alhaj Hamoud等, 2023；Cao等, 2020）。然而，中国ET0与主要全球气候事件（包括Ni?o3.4、DMI和EMI）之间的遥相关机制仍 largely 未被探索。这一知识空白限制了我们预测气候变化条件下ET0变率的能力，也制约了适应性农业水资源管理策略的制定。
为应对上述已识别的研究空白，本研究分为三个步骤依次开展。第一步：首先针对不同气候区筛选最优机器学习模型和输入特征组合。随后，利用这些优化模型生成覆盖全中国的高分辨率（5′×5′）、长期（1981–2020年）月度ET0数据集。第二步：系统分析ET0变化与三种主要SST格局指数（Ni?o3.4、DMI和EMI）之间的关系，并明确考虑了这些指数的暖相位和冷相位，因为其对中国水循环的影响已有充分文献记录（Huang等, 2023；Liu等, 2024；Sun等, 2020）。第三步：采用小波相干分析量化单一SST格局以及多种SST格局耦合作用对ET0的影响，重点探究多模式耦合如何放大或改变单一模式的影响。
