李匯文,王世杰,,白曉永,,*,唐 紅,操 玥,,王明明,吳路華

1 中國科學(xué)院地球化學(xué)研究所,環(huán)境地球化學(xué)國家重點(diǎn)實(shí)驗(yàn)室,貴陽 550081 2 中國科學(xué)院地球化學(xué)研究所,貴州省科技廳普定喀斯特研究綜合試驗(yàn)站,安順 562100 3 中國科學(xué)院地球化學(xué)研究所,月球與行星科學(xué)研究中心,貴陽 550081 4 中國科學(xué)院大學(xué),北京 100049

中國西南地形地貌極其復(fù)雜,其生態(tài)系統(tǒng)多樣而復(fù)雜,該區(qū)域是研究地表復(fù)雜過程與生態(tài)系統(tǒng)演變規(guī)律的關(guān)鍵區(qū)域,同時,也是我國非常重要的生態(tài)屏障區(qū)。因此,開展西南生態(tài)安全格局形成機(jī)制、演變機(jī)理等方面的研究具有典型性、代表性與緊迫性[1]。實(shí)際蒸散發(fā)(Actual Evapotranspiration,ETa)包含水面、土壤蒸發(fā)和植被蒸騰3個方面,是全球水循環(huán)系統(tǒng)中影響著水體、土壤、植被和大氣之間水交換過程的重要媒介,是影響全球生態(tài)系統(tǒng)及全球變化的重要因素[2],在區(qū)域乃至全球生態(tài)安全格局的形成及演變過程中扮演著不可或缺的角色。同時,蒸散發(fā)是衡量生態(tài)系統(tǒng)活力的重要指標(biāo)之一,也是探討區(qū)域生態(tài)系統(tǒng)空間格局組成的主要參數(shù)之一,是區(qū)域及全球生態(tài)環(huán)境循環(huán)系統(tǒng)中不可忽視的組成部分,在多類研究中都扮演著極其重要的角色[3- 4]。因此,要想全面了解西南地區(qū)水循環(huán)過程、生態(tài)系統(tǒng)能量轉(zhuǎn)換以及生態(tài)安全格局演變機(jī)制,就必須對長時間尺度的ETa有充分的掌握[5],特別是對其時空演變特征和驅(qū)動因素進(jìn)行系統(tǒng)的分析。

然而實(shí)際蒸散發(fā)不能在大尺度上(國家、區(qū)域、洲等)被直接觀測[6]。因此到目前為止,針對中國西南月尺度下長時間跨度,特別是過去近50年的ETa數(shù)據(jù)非常欠缺,這就使得全面解析西南地區(qū)生態(tài)安全格局及其演變的相關(guān)研究面臨著數(shù)據(jù)缺失的困境。因此,本研究擬從反演中國西南近50年來的ETa數(shù)據(jù)出發(fā),對其空間格局、時空演變規(guī)律以及影響因子空間特征進(jìn)行探討,以期為西南生態(tài)安全格局的形成機(jī)制及演變機(jī)理相關(guān)研究提供基礎(chǔ)數(shù)據(jù)和理論支撐。本文充分利用東英吉利大學(xué)氣候研究中心(Climatic Research Unit,University of East Anglia,CRU)提供的1966年至2016年月尺度下的9類氣象水文數(shù)據(jù)及GLDAS Noah 2.1同化數(shù)據(jù)集提供的2000年至2016年月尺度下的ETa數(shù)據(jù),結(jié)合機(jī)器學(xué)習(xí)中擁有較高可靠性和魯棒性的隨機(jī)森林算法(RF)對西南地區(qū)陸面月尺度ETa進(jìn)行逐像元反演,結(jié)合解釋方差百分?jǐn)?shù)(PVE)、袋外誤差均方值(MSEOOB)和均方根誤差(RMSE)評價方法以及與其他典型數(shù)據(jù)集對比的方法對模型和反演結(jié)果進(jìn)行精度評價,并對中國西南ETa的空間格局及時空演變特征進(jìn)行分析。在此基礎(chǔ)上,利用因子置換重要性評價模型(PIM)對特征因子進(jìn)行重要性評價,得到基于像元的影響因子空間分布特征。本研究不僅為研究西南生態(tài)安全格局及其形成機(jī)理提供了長時間尺度的基礎(chǔ)數(shù)據(jù)支撐,也為生態(tài)安全演變特征等方面的研究提供了對氣候變化的響應(yīng)等方面的參考。

1 數(shù)據(jù)和方法

1.1 研究區(qū)

為全面解析中國西南ETa時空演變特征,本研究以西南地區(qū)(21°06′—39°20′N,78°22′—112°02′E)為研究對象,包括西藏、青海、四川、重慶、貴州、廣西、云南。研究區(qū)內(nèi)涵蓋丘陵、高原、盆地、山地等復(fù)雜地貌,是我國山地最為集中的區(qū)域之一,這也是西南地區(qū)生態(tài)安全格局復(fù)雜而重要的原因之一。研究區(qū)內(nèi)涵蓋了13種氣候類型,又以南部的南亞熱帶季風(fēng)雨林氣候、東部的中亞熱帶季風(fēng)性常綠闊葉林氣候以及西部的亞寒帶寒帶草原氣候?yàn)橹?圖1),研究區(qū)內(nèi)分布有8個主要的水文分區(qū)[7](圖1),年均溫在0—24℃之間,年降雨量在600—2300 mm范圍內(nèi)[8]。本研究行政區(qū)劃來源于國家科技基礎(chǔ)條件平臺-國家地球系統(tǒng)科學(xué)數(shù)據(jù)共享服務(wù)平臺(http://www.geodata.cn)。

圖1 研究區(qū)內(nèi)氣候帶和水文區(qū)劃Fig.1 Spatial distribution of climate types and hydrologic regionalization in study area圖中代碼對應(yīng)的具體氣候及水文區(qū)劃類型名稱請查看表1

氣候類型代碼Climate code氣候帶類型Climate type水文區(qū)劃代碼Hydrologic regionalization code水文區(qū)劃Hydrologic regionalization9暖溫帶大陸性草原氣候Ⅲ秦巴、大別山北亞熱帶多水區(qū)10暖溫帶大陸性荒漠氣候Ⅳ東南亞熱帶、熱帶豐水地區(qū)11北亞熱帶季風(fēng)性落葉闊葉、常綠闊葉林氣候Ⅴ西南亞熱帶、熱帶多水區(qū)12中亞熱帶季風(fēng)性常綠闊葉林氣候Ⅵ滇西、藏東南亞熱帶、熱帶豐水區(qū)13南亞熱帶季風(fēng)雨林氣候Ⅷ西北山地中溫帶、亞寒帶、寒帶平水、少水地區(qū)14熱帶雨林、季風(fēng)雨林氣候Ⅸ西北盆地溫帶、暖溫帶干涸地區(qū)15溫帶落葉闊葉林氣候Ⅹ青藏高原東部和西南部溫帶平水地區(qū)16溫帶森林草原氣候Ⅺ羌塘高原亞寒帶、寒帶少水地區(qū)17溫帶草原氣候18溫帶荒漠氣候19亞寒帶草原氣候20寒帶草原氣候21寒帶荒漠氣候

1.2 數(shù)據(jù)來源與處理

本研究使用到的1966年至2016年月尺度下的9類氣象水文特征因子數(shù)據(jù)來自于東英吉利大學(xué)氣候研究中心CRU發(fā)布的TS 4.0數(shù)據(jù)集[9]。包括月降雨量(MPR)、云覆蓋百分?jǐn)?shù)(CCP)、月均氣溫日較差(DTR)、月霜日頻率(FDF)、月均溫(MAT)、月均日最低溫(TMN)、月均日最高溫(TMX)、月降雨頻率(WDF)、月均水汽壓(VAP),數(shù)據(jù)集的空間分辨率為0.5°(表2)。CRU數(shù)據(jù)在全球多類研究中得到了廣泛的應(yīng)用,其精度和適用性也在多項(xiàng)研究中得到了驗(yàn)證[10- 12]。

為計(jì)算西南地區(qū)近50年月尺度下的實(shí)際蒸散發(fā)數(shù)據(jù),本研究以2000年1月至2016年12月GLDAS Noah 2.1西南地區(qū)實(shí)際蒸散發(fā)數(shù)據(jù)為基準(zhǔn)[13]。GLDAS結(jié)合衛(wèi)星和地面觀測資料,采用陸面模型(LSM)和數(shù)據(jù)同化技術(shù)為相關(guān)研究提供了多類型的高精度數(shù)據(jù)集,已成為全球變化與水循環(huán)等研究的重要數(shù)據(jù)源之一[13]。GLDAS Noah 2.1版本數(shù)據(jù)在1.0和2.0版本基礎(chǔ)上,充分利用全球資料同化系統(tǒng)(Global Data Assimilation System,GDAS)發(fā)布的大氣分析資料、分類的全球降水氣候?qū)W項(xiàng)目(the disaggregated Global Precipitation Climatology Project,GPCP)發(fā)布的降雨數(shù)據(jù)和美國空軍氣象局農(nóng)業(yè)氣象模擬系統(tǒng)(the Air Force Weather Agency′s AGRicultural METeorological modeling system,AGRMET)提供的輻射數(shù)據(jù)集以及修正的地表輻射收支數(shù)據(jù)集(Surface Radiation Budget,SRB),對前期版本中主要存在的北半球短波下行通量異常和降雨數(shù)據(jù)異常問題導(dǎo)致的結(jié)果偏差較大等問題進(jìn)行了修正[14]。該數(shù)據(jù)集較高的精度使得其在相關(guān)研究中得到了肯定和廣泛的應(yīng)用[15- 16]。

表2 使用到的數(shù)據(jù)的屬性信息

1.3 方法

1.3.1 基于隨機(jī)森林算法的ETa回歸模型構(gòu)建

隨機(jī)森林算法(RF)[17]利用bootsrap 重抽樣方法[18]從原始樣本中抽取多個樣本,對每個 bootsrap 樣本進(jìn)行決策樹建模, 然后組合多棵決策樹的預(yù)測, 通過投票或者計(jì)算每棵決策樹輸出結(jié)果的均值得到最終的分類或回歸預(yù)測結(jié)果。大量理論和實(shí)踐研究都證明了RF算法具有很高的精度和穩(wěn)定性, 對異常值和噪聲具有很好的容忍度, 且不容易出現(xiàn)過擬合[19],在機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘等領(lǐng)域被給予了很高的評價[20- 21]。Cernadas等對179種主流的分類算法進(jìn)行了測試評價,其結(jié)果顯示隨機(jī)森林算法是這些算法中表現(xiàn)最優(yōu)異的[22]。

首先以獨(dú)立同分布的隨機(jī)向量Θt組成樹形結(jié)構(gòu)分類器{h(X,Θt),t=1,…,N},從本研究中影響ETa的9類特征數(shù)據(jù)集中隨機(jī)有放回地抽取定量的訓(xùn)練樣本,對于每個樣本集進(jìn)行決策樹建模,然后組合多棵決策樹的預(yù)測,通過計(jì)算t棵決策樹{h(X,Θt)}的預(yù)測均值得到最終的ETa預(yù)測值。對于待測樣本集合X(ETa特征因子集),其對應(yīng)樣本最終的結(jié)果(Yk)按下式計(jì)算：

(1)

式中,Yk表示隨機(jī)森林算法對第k個待測樣本特征因子集的計(jì)算結(jié)果,argave(·)表示取均值,ht(·)表示第t棵決策回歸樹的計(jì)算結(jié)果,xk|(·)表示第k個待測ETa對應(yīng)的輸入樣本(該待測ETa對應(yīng)的全部特征因子集),第t棵決策樹基于xk的各影響因子特征參數(shù),結(jié)合該棵決策樹對應(yīng)的回歸擬合函數(shù)ft計(jì)算得到對應(yīng)的ETa。

在自變量X(即各特征因子)和因變量Y(即ETa)組成的集合中,隨機(jī)抽樣出的訓(xùn)練集(Xi,Yi)相互獨(dú)立,隨機(jī)森林算法整體的預(yù)測結(jié)果精度用回歸預(yù)測向量h(X)的泛化誤差均方值來描述。其定義為：

EX,Y(Y-h(X))2

(2)

式中,Y為訓(xùn)練樣本集X對應(yīng)的實(shí)際值,h(X)表示模型對樣本集X的預(yù)測值。EX,Y(·)2算子表示：

(3)

為評估計(jì)算結(jié)果的精度,模型首先采用可靠的精度估計(jì)方法,即基于式(2),模型利用未參與決策森林構(gòu)建的袋外樣本數(shù)據(jù)(out of bag,OOB),對袋外數(shù)據(jù)的預(yù)測均方誤差(Mean Squared Error of OOB,MSEOOB)進(jìn)行計(jì)算：

(4)

(5)

1.3.2 特征因子重要性評價模型

在本研究中,針對逐像元構(gòu)建的隨機(jī)森林回歸模型,采用基于置換法的因子重要性評價模型(the permutation importance measure,PIM)對每個像元的9類因子的重要性進(jìn)行評價,最終篩選出每個像元上最重要的影響因子。

對各獨(dú)立像元的9類因子中的因子Xj進(jìn)行重要性評價的方法為將該因子的所有值進(jìn)行隨機(jī)置換,該因子的重要性指標(biāo)則通過由于置換該因子導(dǎo)致的預(yù)測結(jié)果精度的改變來確定。原因在于如果該因子純粹是由隨機(jī)噪聲組成,那么預(yù)測結(jié)果的精度將不會因?yàn)殡S機(jī)置換該因子的值受到影響[23]。因此,某棵回歸樹t上因子Xj的重要性VI(t)(Xj)由以下公式定義：

VI(t)(Xj)=∑i∈Bt[L(Tt(xi),yi)-L(Tt(xi,πj),yi)]

(6)

式中,Bt為未參與第t棵回歸樹訓(xùn)練的所有OOB樣本,L(Tt(xi),yi)為在第i個袋外樣本集的因子Xj未置換前第t棵回歸樹對第i個袋外樣本的預(yù)測精度,L(Tt(xi,πj),yi)為在因子Xj被隨機(jī)置換為xi,πj之后的預(yù)測精度。回歸模型預(yù)測精度L(·)由均方根誤差決定：

(7)

(8)

在本研究中對于每一個像元對應(yīng)的9類因子進(jìn)行了逐像元的重要性計(jì)算,最終選擇PIM值最大的因子作為該像元上影響ETa的最重要的決定性因子。

1.3.3 RMSE誤差分析

為了對模型精度進(jìn)行進(jìn)一步的檢驗(yàn),研究采用了目前使用較廣的均方根誤差指數(shù)(root mean square error, RMSE)對模型回歸擬合結(jié)果進(jìn)行逐像元地分析,RMSE值越低說明模型的擬合結(jié)果精度越高。RMSE計(jì)算公式如下：

(9)

式中,ETaact為實(shí)際蒸散發(fā)量,ETasim為模型擬合結(jié)果,n為樣本容量。

2 結(jié)果與分析

2.1 實(shí)際蒸散發(fā)數(shù)據(jù)集精度評價

2.1.1 模型訓(xùn)練精度評價

通過對研究區(qū)內(nèi)2000年1月至2016年12月的所有GLDAS Noah 2.1 ETa數(shù)據(jù)和對應(yīng)像元上的9類氣象水文特征因子進(jìn)行逐像元的RF模型訓(xùn)練,針對每一個像元都構(gòu)建了獨(dú)立的RF模型,即每個像元都基于204組樣本(17年×12月,每組數(shù)據(jù)由對應(yīng)月份的ETa數(shù)據(jù)和該像元對應(yīng)的9類氣象水文特征因子組成),每個像元RF模型均由500棵回歸決策樹組成,每棵回歸決策樹由隨機(jī)選取的80%個樣本數(shù)據(jù)集進(jìn)行訓(xùn)練得到,剩下的20%的袋外數(shù)據(jù)集用于對模型訓(xùn)練過程的精度進(jìn)行評價。為評價每個像元對應(yīng)的RF回歸模型精度,首先對各像元對應(yīng)的隨機(jī)袋外數(shù)據(jù)集進(jìn)行了預(yù)測結(jié)果泛化誤差分析,模型MSEOOB空間分布如圖2。其次,為進(jìn)一步評價各個模型在對應(yīng)像元上的回歸擬合能力,對每個模型的解釋方差百分?jǐn)?shù)PVE進(jìn)行了計(jì)算,其空間分布如圖2所示。

圖2 基于像元的RF模型袋外樣本預(yù)測均方誤差MSEOOB及解釋方差百分?jǐn)?shù)PVE空間分布Fig.2 Spatial distribution of MSEOOB and PVE for each pixel of the established RF model

模型整體的MSEOOB均值為4.14,標(biāo)準(zhǔn)偏差僅為3.73,說明模型對于袋外數(shù)據(jù)的擬合預(yù)測結(jié)果偏離程度非常小,即模型在所有像元上的訓(xùn)練情況較好,模型穩(wěn)定性及可靠性較高,多類領(lǐng)域的研究也充分證明了RF模型的穩(wěn)定性和可靠性[23]。此外,根據(jù)MSEOOB的等級百分比分布(圖3)可知,98.7%的像元對應(yīng)RF模型的MSEOOB指數(shù)都在15.7以內(nèi),即袋外數(shù)據(jù)預(yù)測誤差不超過3.9 mm/月,這說明基于像元的RF模型訓(xùn)練精度比較高。

對于模型PVE指數(shù),其總體均值為99.36%,標(biāo)準(zhǔn)偏差僅為0.33,這同樣說明模型整體的擬合性能比較穩(wěn)定,模型較強(qiáng)的擬合能力和魯棒性在多種領(lǐng)域也得到了廣泛的驗(yàn)證[24]。從PVE的等級百分比分布(圖3)可知,有超過98.3%的像元對應(yīng)RF模型的PVE參數(shù)大于98.5%,這同樣說明了模型的泛化能力較強(qiáng)。因此,MSEOOB和PVE 2個參數(shù)初步證明了RF模型可以適用于西南地區(qū)1966年至2016年的實(shí)際蒸散發(fā)擬合計(jì)算。

2.1.2 模型預(yù)測精度評價

為評價模型的預(yù)測精度,首先利用構(gòu)建的基于像元的RF模型對2000年1月至2016年12月所有原始GLDAS Noah 2.1 ETa數(shù)據(jù)集的每個像元進(jìn)行了擬合計(jì)算,采用RMSE指數(shù)對每個像元的回歸擬合結(jié)果進(jìn)行精度驗(yàn)證(圖3)。

圖3 基于模型對2000年1月至2016年12月實(shí)際蒸散發(fā)(ETa)數(shù)據(jù)進(jìn)行擬合的RMSE空間分布及MSEOOB、RMS、PVE各等級面積占比柱狀圖Fig.3 Spatial distribution of RMSE for each pixel predicted by the established RF model from January 2000 to December 2016 and the area percentage bar graphs of each classification of MSEOOB, RMSE and PVE圖中ETa：實(shí)際蒸散發(fā),actual evapotranspiration；MSEOOB：袋外數(shù)據(jù)的預(yù)測均方誤差,Mean Squared Error of data Out Of Bag；RMSE：均方根誤差 Root Mean Square Error；PVE：解釋方差百分?jǐn)?shù),Percentage of Variance Explained

在像元尺度上,RF模型對于2000年至2016年月尺度擬合結(jié)果的RMSE指數(shù)均值為1.04 mm/月,標(biāo)準(zhǔn)偏差為0.52,總體而言模型的擬合精度較高,RMSE的空間分布與MSEOOB的空間特征基本一致。從RMSE的等級百分比分布(圖3)可知,98.38%的像元對應(yīng)RF模型的擬合誤差低于2.5 mm/月,這充分說明了構(gòu)建的RF模型其精度和穩(wěn)定性的可靠。因此,基于該構(gòu)建的模型對研究區(qū)1966年至2016年月尺度上的實(shí)際蒸散發(fā)進(jìn)行擬合計(jì)算是可靠的。利用上述構(gòu)建的基于像元的RF模型,對研究區(qū)1966年至2016年月尺度下的實(shí)際蒸散發(fā)數(shù)據(jù)進(jìn)行了逐像元的擬合計(jì)算,為充分驗(yàn)證計(jì)算結(jié)果的準(zhǔn)確性,通過與2000年1月至2016年12月的GLDAS 2.1版本原始ETa數(shù)據(jù)及2001年1月至2014年12月的MODIS MOD16數(shù)據(jù)和1966年1月至2010年12月的GLDAS 2.0版本ETa數(shù)據(jù)[13]進(jìn)行了月均值的統(tǒng)計(jì)對比驗(yàn)證(圖4)。

擬合結(jié)果及對比數(shù)據(jù)集都表現(xiàn)出了一致的季節(jié)變化特征,與生長季物候特征基本一致,夏秋季節(jié)達(dá)到峰值,春冬季節(jié)為低谷。在2000年至2016年的數(shù)據(jù)對比中,擬合結(jié)果與計(jì)算基準(zhǔn)數(shù)據(jù)集GLDAS 2.1的重合度非常高,擬合結(jié)果與GLDAS 2.1數(shù)據(jù)集的R2系數(shù)達(dá)到了0.99(圖5),說明模型的可靠性和精度是非常高的,這也與MSEOOB、RMS、PVE三個參數(shù)表征的模型特征一致。在2000年至2014年與MOD16數(shù)據(jù)集的對比中可見,MOD16數(shù)據(jù)集在1月左右的低谷區(qū)域與擬合結(jié)果、GLDAS 2.1、GLDAS 2.0數(shù)據(jù)之間都存在一定的偏差,相關(guān)研究表明,在蒸散發(fā)過程較弱的11月到次年3月,MOD16 ETa產(chǎn)品在中國流域存在普遍性高估的問題[25],這可能是研究區(qū)內(nèi)MOD16在1月左右的低谷區(qū)域表現(xiàn)出顯著的偏高原因,擬合結(jié)果與MOD16數(shù)據(jù)集的R2系數(shù)雖然達(dá)到了0.95(圖5),但從斜率和截距可知,2套數(shù)據(jù)在趨勢上保持了高度的一致性,但是在量級上還是存在一定差別。從1966年至2010年區(qū)間內(nèi)擬合結(jié)果與GLDAS 2.0數(shù)據(jù)集的對比情況可知,擬合結(jié)果與GLDAS 2.0數(shù)據(jù)集基本吻合,1999年之前在低谷區(qū)域擬合結(jié)果較GLDAS 2.0數(shù)據(jù)集略高,在2000年之后,GLDAS 2.0數(shù)據(jù)集較擬合結(jié)果和2.1版本數(shù)據(jù)集在峰值區(qū)域相對偏低,這主要是因?yàn)镚LDAS Noah 2.1版本數(shù)據(jù)在1.0和2.0版本基礎(chǔ)上,對前期版本中主要存在的北半球短波下行通量異常和降雨數(shù)據(jù)異常問題導(dǎo)致的結(jié)果偏差較大等問題進(jìn)行了修正[14]。從擬合結(jié)果與GLDAS 2.0數(shù)據(jù)集的散點(diǎn)圖可知,其R2系數(shù)超過了0.89(圖5),說明擬合結(jié)果在2000年之前的可信度和精度是較高的。

圖4 1966年至2016年ETa月均值擬合計(jì)算結(jié)果與GLDAS 2.1版本、GLDAS 2.0版本及MOD16 ETa數(shù)據(jù)的對比Fig.4 Comparison of fitted monthly ETa with data from GLDAS 2.1, GLDAS 2.0 and MOD16 in study area from 1966 to 2016

圖5 1966年至2016年ETa月均值擬合計(jì)算結(jié)果與GLDAS 2.1版本、GLDAS 2.0版本及MOD16 ETa數(shù)據(jù)的散點(diǎn)圖對比Fig.5 Scatter diagram of fitted monthly ETa with data from GLDAS 2.1, GLDAS 2.0 and MOD16 in study area from 1966 to 2016

2.2 實(shí)際蒸散發(fā)時空演變特征

2.2.1 ETa空間分布格局

ETa對陸地水儲量具有巨大的影響[26],也是影響陸地干旱狀況的重要因子[27],因此明確ETa空間分布格局對于解析區(qū)域乃至全球水循環(huán)系統(tǒng)及干濕狀況在空間上的分布特征具有重要的意義。而對ETa在各季節(jié)內(nèi)的空間分布特征進(jìn)行了解可以更透徹地明確ETa對氣候的調(diào)節(jié)作用以及對農(nóng)業(yè)等的影響[28]。鑒于此,研究基于計(jì)算得到的研究區(qū)內(nèi)1966年至2016年月尺度ETa數(shù)據(jù),通過計(jì)算各個季度的ETa均值以全面了解研究區(qū)ETa在空間上的演變特征。由于受到太陽輻射、植被、溫度、降水、以及地形地貌等因素的綜合影響,在各個季節(jié)上,研究區(qū)ETa整體上表現(xiàn)出隨著緯度的降低而增加的特征(圖6)。

不同季節(jié)中國西南的ETa空間分布差異較為明顯,各季節(jié)平均ETa的順序?yàn)椋合募?6—8月,66.3 mm/月)>秋季(9—11月,37.9 mm/月)>春季(3—5月,34.3 mm/月)>冬季(12—2月,21.2 mm/月),各季節(jié)內(nèi)ETa均值分別占到年內(nèi)ETa的41.52%,23.73%,21.48%,13.27%。在空間上, ETa從西北高原地區(qū)向東南沿海區(qū)域逐步增加,研究期間春季最大平均ETa約為81.3 mm/月,夏季最大平均ETa在所有季節(jié)最高,達(dá)到了123.8 mm/月,而秋季的最大平均ETa為101.7 mm/月,冬季的最大平均ETa在所有季節(jié)最低,為75.4 mm/月。在秋季和冬季,ETa高值區(qū)域主要分布在云南和廣西南部,在夏季,ETa高值區(qū)域幾乎覆蓋了四川、重慶、廣西、云南和廣西以及西藏和青海的東南區(qū)域。夏季的ETa分布相對其他季節(jié)而言其最級都相對更大。在研究期間,ETa隨著季節(jié)的變化從春季到夏季先呈現(xiàn)出由東南向西北逐步增加的態(tài)勢,夏季到冬季則呈現(xiàn)出從西北向東南減弱的特征。然而,在全年尺度上,西藏和青海西北部,ETa始終保持較低的值域范圍,這和該區(qū)域干旱特性是密切相關(guān)的[29]。值得注意的是,ETa對于區(qū)域乃至全球的氣候變化尤其是干旱極其重要[30],因此對西南干旱區(qū)域,特別是西北山地中溫帶、亞寒帶、寒帶平水、少水地區(qū),西北盆地溫帶、暖溫帶干涸地區(qū),青藏高原東部和西南部溫帶平水地區(qū)以及羌塘高原亞寒帶、寒帶少水地區(qū),充分掌握其ETa的時空特征對評估生態(tài)系統(tǒng)和水資源的現(xiàn)狀與演變規(guī)律,以及制定適應(yīng)政策是至關(guān)重要的。

2.2.2 ETa時空演變特征

以緯度為基準(zhǔn),通過對研究區(qū)每個月的ETa擬合結(jié)果進(jìn)行緯度帶的均值計(jì)算,計(jì)算結(jié)果如圖7所示,橫坐標(biāo)代表研究期間各個月份對應(yīng)的ETa在各個緯度上的均值,縱坐標(biāo)為對應(yīng)的緯度區(qū)間。在橫向上,即以時間演變?yōu)榛鶞?zhǔn),ETa在每年的7、8月份左右達(dá)到最大值,在1、2月份左右為最低值,并呈現(xiàn)起伏的周期特征。在縱向上,即以空間坐標(biāo)為基準(zhǔn),同樣可以得出與圖5相同的結(jié)論,即ETa隨著緯度的降低而增加。從1966年至2016年,ETa最大值呈現(xiàn)出逐步增加的趨勢,而最小值則呈現(xiàn)出減小的趨勢。在2000年以前預(yù)測結(jié)果的緯度均值相對于2000年之后的緯度均值而言,在春季和冬季像元的純度相對較低,而在夏季則表現(xiàn)出了較高的一致性,這可能是由于CRU部分歷史數(shù)據(jù)的不確定性造成的[31]。

圖7 研究區(qū)1966年1月至2016年12月實(shí)際蒸散發(fā)ETa緯度均值分布Fig.7 Mean ETa in latitude of each month in study area from January 1966 to December 2016

2.3 特征因子空間格局分析

利用2000年1月—2016年12月每個像元的ETa及該像元上對應(yīng)的9類因子,采用PIM方法對各個像元上的9類因子的重要性進(jìn)行評價,最終篩選出每個像元上最重要的影響因子,其空間分布如圖8。

根據(jù)研究區(qū)最重要因子面積百分?jǐn)?shù)占比情況(圖8),在整個研究區(qū),CCP是占比最高的影響因子(54.78%),主要分布在西藏、青海、廣西、四川西北地區(qū)、貴州東南地區(qū),其次為DTR(17.67%),主要分布在四川、重慶、貴州與云南的交接地帶,FDF(8.27%)與VAP(7.46%)相差不大,FDF主要集中分布在西藏西部,VAP除了研究區(qū)少量的零散分布外,在西藏、四川和云南交界區(qū)域有較為集中的分布；TMX(5.75%)幾乎全部集中分布于云南境內(nèi),是影響云南ETa計(jì)算最主要的因子,其他的因子在研究區(qū)分布則較為零散。在西藏、青海及廣西,云覆蓋百分?jǐn)?shù)是占比最大的因子,在川渝及貴州,月均氣溫日較差是占比最大的影響因子,同時云覆蓋百分?jǐn)?shù)也具有較高的占比,而在云南,月均日最高溫則是占比最大的因子。在所有區(qū)域,云覆蓋百分?jǐn)?shù)都有顯著的占比情況,說明在各個區(qū)域利用RF模型對ETa進(jìn)行計(jì)算時,云覆蓋百分?jǐn)?shù)的重要性都是非常高的,因?yàn)樵聘采w百分?jǐn)?shù)直接影響到地表及植被冠層所接收到的太陽輻射[32],從而影響蒸散發(fā)的量級,因此該數(shù)據(jù)的準(zhǔn)確性和可靠性對于模型計(jì)算結(jié)果的精度具有較高的影響。大量研究表明,氣溫日較差與實(shí)際蒸散發(fā)呈現(xiàn)出正相關(guān)關(guān)系[33],是影響蒸散發(fā)的主要影響因子之一[34- 35]。對于西藏、青海及川渝地區(qū),特別是川藏交界等干旱區(qū)域[36],月均水汽壓在這些區(qū)域較為集中地分布,其原因在于,對于干旱區(qū)域,月均水汽壓虧缺和土壤水分一樣重要,它直接決定了蒸散發(fā)的量級[37]。對于較為濕潤的云南區(qū)域,月均最大氣溫直接決定了蒸散發(fā)的量級。

圖8 基于像元的最重要影響因子空間分布及其百分比Fig.8 Spatial distribution of the most important factor in each pixel and the percentage of each factor圖中影響因子縮寫中英文含義請查看表2

為了對研究區(qū)內(nèi)的ETa特征因子分布有更全面而系統(tǒng)地了解,對研究區(qū)內(nèi)各氣候類型與水文區(qū)劃下的最重要因子面積百分?jǐn)?shù)占比進(jìn)行了統(tǒng)計(jì),如表3、表4。

表3 各氣候類型像元尺度最重要因子面積百分?jǐn)?shù)占比

表中氣候類型代碼所對應(yīng)氣候類型請查看表1,因子類型簡寫含義請查看表2

表4 各水文區(qū)劃像元尺度最重要因子面積百分?jǐn)?shù)占比

表中水文區(qū)劃代碼所對應(yīng)水文區(qū)劃類型請查看表1,因子類型簡寫含義請查看表2

研究區(qū)各個氣候帶內(nèi)最主要的影響因子具有不同的空間分布特征,除了北亞熱帶與中亞熱帶最重要的特征因子為月均氣溫日較差(DTR)以及熱帶雨林、季風(fēng)雨林氣候最重要的特征因子為月均日最高溫(TMX)外,其他氣候帶最主要的特征因子均為云覆蓋百分?jǐn)?shù)(CCP)。值得注意的是,若根據(jù)分布面積考慮前3類最重要的因子,可以發(fā)現(xiàn)以溫帶森林草原氣候與溫帶草原氣候?yàn)榉纸缇€,該界線以北的寒冷干旱區(qū)域ETa主要受云覆蓋百分?jǐn)?shù)(CCP)、月霜日頻率(FDF)與月均水汽壓(VAP)共同驅(qū)動,而該界線以南溫暖濕潤區(qū)域的ETa則主要受云覆蓋百分?jǐn)?shù)(CCP)、月均氣溫日較差(DTR)與月均日最高溫(TMX)共同驅(qū)動。

對于水文區(qū)劃,平水、少水及干涸區(qū)域來說最主要的影響因子為云覆蓋百分?jǐn)?shù)(CCP),秦巴、大別山北亞熱帶多水區(qū)與西南亞熱帶、熱帶多水區(qū)最主要的影響因子為月均氣溫日較差(DTR),東南亞熱帶、熱帶豐水地區(qū)主要以云覆蓋百分?jǐn)?shù)(CCP)為主,滇西、藏東南亞熱帶、熱帶豐水區(qū)則主要以月均日最高溫(TMX)為主。在豐水、多水區(qū)與少水、平水區(qū)的分界線(即Ⅹ與Ⅴ的交界線),亦即以橫斷山脈為分界,可以看到橫斷山脈以南的豐水區(qū)的ETa主要受云覆蓋百分?jǐn)?shù)(CCP)、月均氣溫日較差(DTR)與月均日最高溫(TMX)共同驅(qū)動,而橫斷山脈以北的少水區(qū)域主要受云覆蓋百分?jǐn)?shù)(CCP)、月霜日頻率(FDF)與月均水汽壓(VAP)共同驅(qū)動,該結(jié)論與按照氣候帶分區(qū)探討基本一致。不可忽視的是,無論是在豐水區(qū)還是少水區(qū),云覆蓋百分?jǐn)?shù)(CCP)都是所有因素中最主要的驅(qū)動因子。

3 結(jié)論與討論

3.1 討論

本文基于GLDAS 2.1及CRU數(shù)據(jù)集, 對中國西南地區(qū)1966—2016年月尺度的實(shí)際蒸散發(fā)數(shù)據(jù)進(jìn)行了逐像元反演計(jì)算,結(jié)合MSEOOB、PVE及RMSE評價方法以及與其他典型數(shù)據(jù)集對比的方法對模型和反演結(jié)果進(jìn)行了充分的精度評價。在此基礎(chǔ)上,對中國西南地區(qū)ETa的空間格局及時空演變特征進(jìn)行了分析。實(shí)際蒸散發(fā)對生態(tài)安全格局的形成及演變過程有著極其重要的影響,因此,在長時間尺度上對ETa數(shù)據(jù)的空間格局及其時空演變特征有充分的了解對充分明晰生態(tài)安全格局的形成機(jī)制及演變機(jī)理有著極其重要的參考價值。

通過分析各個因子對于實(shí)際蒸散發(fā)數(shù)據(jù)計(jì)算的重要程度,可以在空間上辨析影響ETa計(jì)算的特征因子,這些因子并沒有包含所有影響ETa的因素,如NDVI等,但研究已經(jīng)在長時間尺度限制的基礎(chǔ)上充分考慮了所有可能影響ETa的因素。在不同的地理、地質(zhì)條件下,影響ETa的因素不同,如云覆蓋百分?jǐn)?shù)在研究區(qū)內(nèi)各個區(qū)域都有顯著的占比情況,這是因?yàn)樵聘采w百分?jǐn)?shù)直接影響到地表及植被冠層所接收到的太陽輻射,從而影響ETa的量級；此外,對于西藏、青海及川渝地區(qū),特別是川藏交界等干旱區(qū)域,月均水汽壓較為集中地分布,其原因在于,對于干旱區(qū)域,月均水汽壓虧缺和土壤水分一樣重要,它直接決定了蒸散發(fā)的量級。明晰中國西南不同氣候類型、水文區(qū)劃下的影響因子,能夠系統(tǒng)地了解區(qū)域安全格局形成機(jī)制以及其演變過程機(jī)理。此外,對于開展生態(tài)區(qū)劃、生態(tài)功能區(qū)劃以及生態(tài)紅線劃定等相關(guān)工作也提供了指標(biāo)和參數(shù)選擇的科學(xué)支撐。因此,辨析最關(guān)鍵的影響因素對全面了解ETa的演變和區(qū)域生態(tài)安全格局的形成和演變機(jī)理是至關(guān)重要的。

3.2 結(jié)論

(1)對中國西南地區(qū)近50年陸面月尺度ETa數(shù)據(jù)進(jìn)行逐像元反演,構(gòu)建了1966年至2016年各月尺度的實(shí)際蒸散發(fā)數(shù)據(jù)集,模型整體的MSEOOB均值為4.14,標(biāo)準(zhǔn)偏差僅為3.73,模型整體PVE參數(shù)均值為99.36%,標(biāo)準(zhǔn)偏差僅為0.33,充分說明了模型整體具有較高的穩(wěn)定性、可靠性和較高的泛化能力。此外模型對于2000年至2016年月尺度擬合結(jié)果的RMSE指數(shù)均值僅為1.04 mm/月,標(biāo)準(zhǔn)偏差為0.52,總體而言模型的擬合精度較高。

(2)通過與GLDAS 2.1、2.0版本ETa數(shù)據(jù)集及MOD16 ETa數(shù)據(jù)對比,擬合結(jié)果與GLDAS 2.1數(shù)據(jù)集的R2系數(shù)達(dá)到了0.99,與MOD16數(shù)據(jù)集的R2系數(shù)達(dá)到了0.95,與GLDAS 2.0數(shù)據(jù)集的R2系數(shù)超過了0.89,充分說明了擬合結(jié)果在研究期間的可信度和精度是較高的。

(3)研究區(qū)ETa整體上表現(xiàn)出隨著緯度的降低而增加的特征,不同季節(jié)上中國西南的ETa空間分布差異較為明顯。在空間上,ETa從西北高原地區(qū)向東南沿海區(qū)域逐步增加。ETa隨著季節(jié)的變化從春季到夏季先呈現(xiàn)出由東南向西北逐步增加的態(tài)勢,夏季到冬季則呈現(xiàn)出從西北向東南減弱的特征,然而,在全年尺度上,西藏和青海西北部,ETa始終保持較低的值域范圍。從1966年至2016年,ETa最大值呈現(xiàn)出逐步增加的趨勢,而最小值則呈現(xiàn)出減小的趨勢。ETa在每年的7、8月份左右達(dá)到最大值,在1、2月份左右為最低值,并呈現(xiàn)起伏的周期特征。

(4)研究區(qū)內(nèi),以橫斷山脈為界,橫斷山脈以南的豐水區(qū)的ETa主要受云覆蓋百分?jǐn)?shù)(CCP)、月均氣溫日較差(DTR)與月均日最高溫(TMX)共同驅(qū)動,而橫斷山脈以北的少水區(qū)域主要受云覆蓋百分?jǐn)?shù)(CCP)、月霜日頻率(FDF)與月均水汽壓(VAP)共同驅(qū)動,而無論是在豐水區(qū)還是少水區(qū),云覆蓋百分?jǐn)?shù)(CCP)都是所有因素中最主要的驅(qū)動因子。