政府间气候变化专门委员会(Intergovernmental Panel on Climate Change,IPCC)第5次评估报告指出,温室气体排放增加引起全球气候显著变暖,对水循环和水资源造成严重影响(Pachauri and Meyer,2014)。陆地蒸散发E_T(Evapotranspiration,简称ET)是水循环的重要组成部分(Xu et al.,2005;Wang et al.,2007;Wang et al.,2013),是联结土壤植被大气系统的关键变量(Lu et al.,2003)。全球变暖对陆地ET的影响及其机制非常复杂,受到学术界的广泛关注(Lorenz et al.,2010;Su et al.,2015a;Zhang et al.,2016a,2016b)。

近年来,学者们对气候变暖条件下的ET响应及其机制开展了广泛研究。Wang et al.(2010a,2010b)基于全球1 120个观测站数据研究发现,1982—2002年全球陆地ET以15 mm/(10 a)的速度增加。Jung et al.(2010)利用通量站和气象观测数据研究发现,1982—1997年全球陆地ET以(7.1 ± 1.0) mm/(10 a)的速度增加,而1998—2002年之后则呈现下降趋势。Yao et al.(2012)通过卫星观测资料发现,1984—2007年全球陆地ET呈上升趋势,而2000年以后这种上升趋势消失。Douville et al.(2013)指出,基于短期数据的ET变化评估有很大不确定性,使用长期数据评估结果更准确。

气候变化通过降水、气温、植被等因素影响陆地ET,且各种因素之间相互作用,其过程和机制非常复杂。韩宇平等(2018)分析了气候因素对寒区湿地ET的影响,发现净辐射和饱和水气压差是影响该区域ET主导因素。程春晓等(2014)研究发现,降水、气温和水汽压等气象要素显著影响黑河流域ET。Yang et al.(2016)研究发现,黄土高原ET变化趋势主要与降水和空气湿度有关。 Sullivan et al.(2019)预计,未来受气温因素影响的北美地区ET将增加0.26~0.87 mm/a。Zhang et al.(2016b)发现近几十年全球陆地ET的变化趋势与叶面积指数密切相关。

近年来,学者们利用第五阶段全球气候耦合模式比较计划(CMIP5)的模拟结果,开展未来气候变化对水循环的影响研究,但主要集中于大气降水(王艳君等,2019;张奇谋等,2020)、地表水文过程(黄金龙等,2016;Montroull et al.,2018)等水循环要素,而对陆地ET影响及其机制的研究则较少。研究ET对未来气候变化的影响及其机制,对理解流域水循环机理和水灾害风险管理都具有重要的科学和应用价值。以往学者对长江流域的研究多集中在历史蒸散发变化(Jasechko et al.,2013;Schlesinger and Jasechko,2014)。本文基于CMIP6 12个全球气候模式的输出结果,分析3种不同气候变化情景下长江流域ET时空变化及其影响因素,以期深入理解气候变化对长江流域的水循环的影响机制。

1 研究区概况

长江发源于青藏高原,全长6 300多千米,流域总面积180 km²(90°33′E~122°25′E,24°30′N~35°45′N),是世界第三大流域。该流域地形复杂,呈多级阶梯状,流经青藏高原、横断山脉、云贵高原、四川盆地、江南丘陵、长江中下游平原。气候类型复杂,流域大部分地区属于亚热带季风气候,在青藏高原的部分地区属于高原高寒气候,年均气温呈东高西低、南高北低的分布趋势。流域多年平均降水量约1 100 mm,季节分配不均,70%~90%的降水集中在5—10月(汤英英等,2007)。研究区如图1所示。

2 资料与方法

2.1 资料

本文采用CMIP6 12个全球气候模式(表1)输出的陆地蒸散发(ET)、植被叶面积指数(LAI)、降水(Pr)和气温(T)数据;参照基准期为1995—2014年,研究时段为2020—2099年。12个全球气候模式的空间分辨率不同,本文使用双立方插值法将数据空间分辨率统一为1°×1°。CMIP6采用8种未来气候变化情景,本文选取SSP1-2.6、SSP2-4.5和SSP5-8.5三种情景进行分析,依次代表低排放强迫、中排放强迫、高排放强迫情景(张丽霞等,2019)。

2.2 研究方法

1)Theil-Sen趋势分析

本研究使用Theil-Sen(T_Sslope)斜率估计法来计算ET的线性趋势。该方法是一个估计时间序列线性趋势的非参数方法;与简单线性回归相比,该方法对数据的异常值和偏态性不敏感(Sen,1968;Su et al.,2015b),已被广泛应用于水文、气候等研究(Shi et al.,2016;Zamani et al.,2017)。其计算公式如下:

其中:median表示中位数函数;E_Ti、E_Tj为时间序列中第i、j个数据。当T_Sslope>0表示上升趋势,反之,T_Sslope<0表示下降趋势;|T_Sslope|值越大表示上升或下降的趋势越强。

2)Mann-Kendall显著性检验

Theil-Sen方法不能判断时间序列趋势的显著性,因此采用Mann-Kendall方法进行显著性检验。Mann-Kendall方法是一种非参数统计方法,该方法的优点是对数据概率分布的要求较低,且受异常值的影响较小,广泛应用于水文、气候等领域(Hess et al,2001;Modarres and Paulo,2007;Shan et al.,2015)。

定义一组时间序列,以参数Z作为标准化的检验统计量:

其中,

式中:n为时间序列的长度。给定一个显著性水平α,计算Z_1-α/2;当|Z|大于该值时,则表示时间序列在α水平存在显著变化。|Z|大于1.64、1.96 或2.58 时,分别表示线性趋势通过了α=0.10、0.05 或0.01 的显著性检验。本研究采用α=0.05显著性检验。

3 结果与分析

3.1 流域ET时空变化特征

本文以1995—2014年为基准期,分别分析了SSP1-2.6、SSP2-4.5和SSP5-8.5情景下长江流域ET的时空变化特征。图2表示3种情景下长江流域2015—2099年多模式集合全年和分季节ET总量相较基准期的变化,即流域内所有格点平均值减去CMIP6模拟历史时期1995—2014年的相应数值。图2a表明,相对于基准期,SSP2-4.5和SSP5-8.5情景下年ET呈现持续增加趋势,SSP5-8.5情景下趋势最为显著,SSP2-4.5情景下则略平缓;年ET增量在21世纪90年代达到最大值,分别为120 mm和95 mm。在SSP1-2.6情景下,21世纪60年代之前快速增加,增速高于SSP2-4.5和SSP5-8.5情景;21世纪60年代之后ET增长减缓,逐渐趋于平稳状态。3种情景下ET的变化趋势与辐射强迫的变化趋势较为一致(O’Neill et al.,2016),可见辐射强迫可能对长江流域ET长期变化起决定性作用。图中也可看出,所采用12个气候模式的输出结果差异较大,存在较大的不确定性;而且,随着时间推移,不同模式之间的差异逐渐增大。

图2b—e反映了各个季节ET总量的变化。与基准期相比,各季节ET与年ET呈现非常相似的变化特征;SSP1-2.6情景下先快速增加,21世纪60年代之后减缓并趋于平稳;SSP5-8.5与SSP2-4.5情景下各季节ET均持续增加,且前者高于后者。显然,相较于基准期,春季ET增量最大,夏季次之,而冬季最小。

由于受降水、气温等气象条件和植被等因素共同影响,ET存在明显的季节性差异(程春晓等,2014)。图3显示长江流域ET、LAI、Pr和T在基准期的逐月变化,及其在SSP1-2.6、SSP2-4.5、SSP5-8.5情景下相较基准期的增量。图3a显示,基准期ET的年内变化呈现较为标准的正态分布,夏季ET最大,冬季最小;这是因为夏季辐射、Pr、T和LAI均为最高,蒸散发旺盛,而冬季最低。在3种气候变化情景下,各月ET相较于基准期则表现为4—6月增量最大,8—9月次之,冬季增量最小,呈现“双峰型”分布;显然,春季ET增量显著高于其他季节,解释了图2中春季长期增长趋势为何显著高于其他季节。已有研究表明,气候变暖会导致春季植被物候提前(Juknys et al.,2012;Meng et al.,2020)。图3b也表明,变暖环境下长江流域LAI相较基准期的增量在春季显著高于其他季节,春季植被增加加剧蒸散发过程。图3c表明,长江流域春季降水的增量也显著高于其他季节,为蒸散发提供充足的水汽来源。长江流域的气温在春季上升幅度较小(图3d),对春季ET增量的贡献不大。

图4显示SSP1-2.6、SSP2-4.5和SSP5-8.5情景下长江流域2020—2099年12个气候模式年均ET与基准期年均ET差值的空间分布。在3种气候变化情景下,长江流域年均ET较基准期显著增加,且存在明显的空间差异。SSP1-2.6情景下,长江中下游地区的ET增量显著高于上游地区;下游地区年均增量达到90 mm,而上游地区仅有40 mm左右。SSP2-4.5情景下,长江上游地区ET增量与SSP1-2.6情景较为接近;而中下游地区的增量低于SSP1-2.6情景,仅有60~90 mm。SSP5-8.5情景下,长江中下游地区ET增量与SSP1-2.6情景较为接近,年均增量达到90 mm以上;而长江上游地区的ET增量显著高于SSP1-2.6和SSP2-4.5情景,达到60 mm左右。

本文采用Theil-Sen方法分别计算3个气候变化情景下2015—2099年ET变化长期趋势,并用Mann-Kendall方法进行α=0.05的显著性检验。图5a1、b1、c1为年均ET的线性趋势,图5a2、b2、c2为12个气候模式中通过显著性检验的模式数量。在3种气候变化情景下,长江流域年均ET在所有格点都通过了α=0.05的显著性检验,表明气候变暖环境下ET增强是长江流域的一种普遍规律,但是其趋势强度存在明显的区域差异。SSP1-2.6情景下,长江中游地区ET的线性趋势最强,达到9~12 mm/(10a);而上游地区趋势最弱,仅为3~6 mm/(10a)。SSP2-4.5情景下,长江中下游地区尤其是鄱阳湖和洞庭湖流域趋势最强,达到12~15 mm/(10a),而上游地区则为6~9 mm/(10a)。SSP5-8.5情景下,整个长江流域ET都有显著的增加趋势,上游和中下游地区均达到9~15 mm/(10a)。就气候模式模拟结果的不确定性而言,在3中气候变化情景下,所采用的12个模式在长江中下游地区均表现出ET显著增强趋势,表明多模式之间良好的一致性和模拟结果的可靠性;而在长江上游地区,受到复杂下垫面等因素的影响,不同模式之间的结果差异较大,但仍有超过50%的模式表现为ET显著增长趋势。

3.2 ET影响因素分析

陆面蒸散发是受下垫面供水状况、气候条件以及植被生长等因素影响(莫兴国等,2011)。选取2020—2099年降水(Pr)、气温(T)和叶面积指数(LAI),分析不同气候变化情景下这3个要素与长江流域ET之间的关系;其中,降水指示下垫面供水情况,气温指示能量对蒸散发过程的胁迫作用。考虑到这3个变量之间的相互作用,可能会对陆面ET产生复合效应(Sun et al.,2014),本文对其与ET做了偏相关分析,并用MannKendall方法进行α=0.05的显著性检验,如图6所示。

在SSP1-2.6、SSP2-4.5和SSP5-8.5 3种情景下,长江流域ET与3个变量的偏相关关系基本上都通过了α=0.05的显著性检验,Pr均为长江源头即高原地区ET变化的主导因素;而其他区域ET受T、Pr和LAI共同影响,但在不同情景下ET变化的主导因素有所差别。SSP1-2.6情景下,长江源头、云南地区ET受Pr的影响比较大;四川和长江中下游大范围地区的ET受T的影响非常显著,T起主导作用;LAI在甘肃、陕西等省份影响较大。SSP2-4.5情景下,T仍是四川地区ET变化的主导因素,但其对长江中下游地区的影响减弱;LAI的影响范围扩大到长江中游大部分地区。而SSP5-8.5情景下,LAI的影响扩展到除长江源头和四川北部的绝大部分地区。相较于SSP1-2.6和SSP2-4.5情景,SSP5-8.5情景LAI对ET的影响范围显著扩大,明显地占据主导地位。显而易见,从低排放到高排放情景,LAI在长江流域ET中的作用越来越重要,而Pr和T的作用越来越小。

研究表明,植被蒸腾作用对全球ET的贡献率达到60%(Wang et al.,2014),而在长江流域的贡献率甚至超过65%(Lu et al.,2019)。LAI是反映植被生物量的一般参数,与植物蒸腾作用密切相关(Liu et al.,2016)。Zeng et al.(2016)研究发现,全球ET对LAI的敏感性与LAI的长期变化趋势之间并非线性关系,即LAI的变化并不会引起ET的等比例变化。为深入认识ET对LAI响应关系,本文进一步分析了3个气候变化情景下$\frac{\partial E_{\mathrm{T}}}{\partial L_{\mathrm{A}\mathrm{I}}}\text{与}\frac{\partial L_{\mathrm{A}\mathrm{I}}}{\partial t}$的关系;$\mathrm{}\frac{\partial L_{\mathrm{A}\mathrm{I}}}{\partial t}$表示长江流域2020—2099年LAI线性变化趋势,$\mathrm{}\frac{\partial E_{\mathrm{T}}}{\partial L_{\mathrm{A}\mathrm{I}}}$表示ET对LAI的敏感性,即ET变化趋势与LAI变化趋势的比值;结果如图7所示。

图7a1、b1、c1为SSP1-2.6、SSP2-4.5和SSP5-8.5情景下,12个气候模式中逐像元$\frac{\partial E_{\mathrm{T}}}{\partial L_{\mathrm{A}\mathrm{I}}}\text{与}\frac{\partial L_{\mathrm{A}\mathrm{I}}}{\partial t}$的关系。从图7a1、b1、c1可知,SSP1-2.6情景下$\frac{\partial L_{\mathrm{A}\mathrm{I}}}{\partial t}$最低,而SSP5-8.5情景最大;表明越高的排放情景下,植被增加趋势越显著,这可能与二氧化碳对植被的施肥效应有关(Zhu et al.,2016;Li et al.,2018)。在SSP1-2.6、SSP2-4.5和SSP5-8.5三种气候变化情景下,长江流域逐像元$\frac{\partial E_{\mathrm{T}}}{\partial L_{\mathrm{A}\mathrm{I}}}$均随着$\frac{\partial L_{\mathrm{A}\mathrm{I}}}{\partial t}$的增加而逐渐降低;这表明气候越暖,ET对植被变化趋势的敏感性越低。

不同气候模式对$\frac{\partial E_{\mathrm{T}}}{\partial L_{\mathrm{A}\mathrm{I}}}\text{与}\frac{\partial L_{\mathrm{A}\mathrm{I}}}{\partial t}$的模拟存在显著的模式间差异。NorESM2_MM模式中$\frac{\partial L_{\mathrm{A}\mathrm{I}}}{\partial t}$值最大,表明LAI增长趋势最为显著;但是$\frac{\partial E_{\mathrm{T}}}{\partial L_{\mathrm{A}\mathrm{I}}}$值最小,表明ET对LAI变化的敏感性最弱。MPI_ESM1_2_HR、INM_CM5_0和INM_CM4_8等模式中$\frac{\partial L_{\mathrm{A}\mathrm{I}}}{\partial t}$值最小,LAI增长趋势最弱;但$\frac{\partial E_{\mathrm{T}}}{\partial L_{\mathrm{A}\mathrm{I}}}$值最大,表明ET对LAI变化的敏感性最大。为了更简洁地描述模式间的差异,本文以不同模式中长江流域ET和LAI的逐年均值建立$\frac{\partial E_{\mathrm{T}}}{\partial L_{\mathrm{A}\mathrm{I}}}\text{与}\frac{\partial L_{\mathrm{A}\mathrm{I}}}{\partial t}$关系,如图7a2、b2、c2所示。可以看出,虽然不同模式对$\frac{\partial L_{\mathrm{A}\mathrm{I}}}{\partial t}$即植被趋势的模拟结果存在巨大差异,但仍然表现出“$\frac{\partial L_{\mathrm{A}\mathrm{I}}}{\partial t}$趋势越显著,$\mathrm{}\frac{\partial E_{\mathrm{T}}}{\partial L_{\mathrm{A}\mathrm{I}}}$越小,即ET对LAI敏感性降低”的总体特征。在SSP1-2.6情景下,不同模式中$\frac{\partial E_{\mathrm{T}}}{\partial L_{\mathrm{A}\mathrm{I}}}$值明显高于SSP2-4.5和SSP5-8.5情景,SSP5-8.5情景$\frac{\partial E_{\mathrm{T}}}{\partial L_{\mathrm{A}\mathrm{I}}}$值最低,即低排放情景下ET对LAI的敏感性强于高排放情景,表明这种敏感性会随着温室气体排放的增强而减弱。

图6表明,在全球变暖的环境下,长江流域LAI对ET的作用越来越重要;而图7表明,随着温室气体排放增加和气温升高,ET对LAI变化的敏感性降低。两者并不矛盾。SSP5-8.5与SSP1-2.6相比,虽然$\frac{\partial E_{\mathrm{T}}}{\partial L_{\mathrm{A}\mathrm{I}}}$显著减弱,但是$\frac{\partial L_{\mathrm{A}\mathrm{I}}}{\partial t}$显著增强,后者对ET的增强作用大于前者对ET的减弱作用,因而表现出LAI对ET作用越来越重要的净效果。

4 结论与讨论

蒸散发作为连接水分平衡和地表能量平衡的唯一途径,被认为是气候变化和水循环最重要的指标(Xu et al.,2005;Wang et al.,2013),其时空分布影响着旱涝格局。本文基于CMIP6 12个气候模式数据,分析了SSP1-2.6、SSP2-4.5和SSP5-8.5三种气候变化情景下2020—2099年长江流域ET变化,并分析其关键影响因子。研究表明,SSP1-2.6情景下长江流域ET较基准期快速增加,21世纪60年代之后减缓并趋于平稳;SSP2-4.5和SSP5-8.5情景下均呈现出持续增加趋势。从空间分布来看,长江中下游地区ET增量明显高于上游地区,而且SSP5-8.5情景下显著高于SSP2-4.5和SSP1-2.6情景,表明辐射强迫越大ET增加越显著。气候变暖导致长江流域水循环加剧。

气候变化显著影响T、Pr和LAI,均可能直接或者间接地影响陆地ET。SSP1-2.6和SSP2-4.5情景下,T对长江流域ET影响非常显著;而SSP5-8.5情景下,LAI是长江流域ET变化的主导因素。从低强迫情景到高强迫情景,LAI对ET的影响范围在逐渐扩大,表明气候变暖,植被过程对ET的影响越来越显著。我国很多地区植被呈现增长趋势(Li et al.,2012;Chen et al.,2014),可以通过调节物质和能量循环来改变水分平衡。一般而言,LAI对ET是正向驱动,ET随LAI的增大而增大(Berg and Shefield,2019)。然而,在气候变暖的环境中,长江流域LAI呈现出显著增加趋势,而ET对LAI的敏感性却在降低;辐射强迫越大,敏感性越弱。相较于低强迫情景,虽然高强迫情景敏感性显著减弱,但LAI趋势显著增强,整体上LAI对ET的作用仍然是越来越重要。尽管多模式的模拟结果存在较大差异,但仍均表现出“辐射强迫越高,LAI增加趋势越显著,ET对其敏感性越低”的特征(Zhang et al.,2015;Zeng et al.,2016;Sullivan et al.,2019)。

参考文献