褚荣浩，李萌，谢鹏飞，倪锋，蒋跃林，申双和

1. 安徽省公共气象服务中心/安徽省气象局，安徽 合肥 230031；2. 安徽农业大学资源与环境学院，安徽 合肥 230036；3. 南京信息工程大学应用气象学院，江苏 南京 210044

蒸散是水文循环过程中的重要步骤和关键变量（Xu et al.，2006），其参与了地下水补给、地表径流、土壤湿度和植物生长等关键过程（Thomas，2008），在气候、水文研究、灌溉规划和管理中起着至关重要的作用（Jhajharia et al.，2009；Sheffield et al.，2012；Li et al.，2016）。干旱是一种常见的自然灾害，在气候变化背景下，其发生的频率和空间格局也将发生很大的转变，给区域社会经济发展以及粮食安全带来了极大的不确定性。因此，研究区域地表蒸散和干旱时空变化特征，能够为区域水资源的合理配置提供重要的理论依据，且在水文模拟、农业生产及生态环境保护等方面具有重要的科学意义与应用价值。

目前，气候变化对安徽省地表蒸散的影响主要集中于参考作物蒸散和蒸发皿蒸发量的研究上（吴必文等，2009；吴文玉等，2013）。然而，该区域实际蒸散及干旱的时空变化特征仍不明晰。前人关于实际蒸散的研究主要是基于站点气象数据估算求得，未考虑地表植被覆盖和下垫面类型等情况；尽管已采用尽可能多的气象站点数据，但仍存在站点稀疏等问题，采用经验模型估算得到的各站点地表蒸散在外推内插时，可能会由于地表类型的变化而产生较大误差。近年来，卫星遥感技术和相关反演算法的发展使得大规模监测实际蒸散和干旱成为可能（何慧娟等，2016）。在过去几十年里，利用遥感数据估算蒸散的模型已越来越多，主要包括TSEB 模型（Norman et al.，1995）、SEBAL 模型（Bastiaanssen et al.，1998a；Bastiaanssen et al.，1998b）、S-SEBI模型（Roerink et al.，2000）、SEBS模型（Su，2002）、STSEB模型（Sanchez et al.，2008）、GLEAM 模型（Miralles et al.，2011）和MODIS-ET（Mu et al.，2011）等。上述模型性能均表现良好，与全球不同生态系统地面通量观测值的相对误差在5%—30%（Gowda et al.，2008）。其中，美国NASA团队基于遥感反演得到的陆地表面特征和Penman-Monteith方程，研制开发出了全球陆地蒸散产品数据 MOD16，该数据已采用全球通量观测数据进行验证，估算精度达86%（Mu et al.，2011）。由于 MOD16数据的较高估算精度、易获取性以及操作简便性，该产品目前已在中国乃至全球区域尺度蒸散时空变化特征研究中得到了广泛应用。此外，以热量平衡原理为基础的作物缺水指数法（Crop Water Stress Index，CWSI），因其物理意义明确、适用范围广以及估算精度较高等优点，在干旱监测中得到了较好的应用。Jackson et al.（1981，1988）基于冠层能量平衡理论提出了CWSI的简易计算方法，即 1与实际蒸散（Evapotranspiration，ET）和潜在蒸散（Potential evapotranspiration，PET）比值之间的差值，该方法在有植被覆盖的条件下取得了较高的监测精度。因此，在区域尺度干旱研究中，MOD16遥感产品数据可以为CWSI的计算提供新的思路与路径。

基于MOD16探讨中国地表蒸散的研究已有很多，主要包括鄱阳湖流域（吴桂平等，2013）、三江平原（冯飞等，2015）、陕西（范建忠等，2014；王鹏涛等，2016）、西北地区（邓兴耀等，2017）、澴河流域（张特等，2018）、洞庭湖流域（张猛等，2018）等。然而，上述研究均是采用第 5版本的MOD16产品数据，数据仅更新到2014年。此外，针对安徽省地表蒸散和干旱变化特征的相关研究仍较少，最新版本（第6版）的MOD16产品数据在安徽省的适用性也尚不明确。因此，采用第6版本的MODIS遥感产品数据（包括ET、PET、土地覆盖类型数据（MCD12Q1））以及 77个国家级气象观测站点常规气象观测数据，结合变异系数、Theil-Sen’s趋势估算方法和 Mann-Kendall（M-K）检验，首先探讨第6版本MOD16产品数据在安徽省的适用性，进而明晰安徽省近20年（2000—2019年）地表蒸散和干旱变化特征、不同土地利用类型ET、PET和CWSI变化特征，最终揭示影响ET、PET和CWSI变化的主要因素，以期为安徽省水资源的有效规划和管理、农业灌溉措施的制定等提供重要的理论依据和科学指导。

1 研究区域、数据与方法

1.1 研究区域

安徽省（114°54′—119°27′E，29°41′—34°38′N）位于长江下游和淮河中游流域，属于暖温带和亚热带过渡区，气候温暖湿润，四季分明，年平均气温14—17 ℃，年平均降水量800—1600 mm。其中，降水量总体呈现南多北少、山地多、平原和丘陵少的分布特征。夏季降水丰富，占年总降水量的40%—60%。全省总面积139600 km2，约占国土面积的1.45%。地形总体呈现南高北低的分布特征，南部以丘陵、山地为主，北部以平原为主（图1a）。长江和淮河分别流经安徽省416 km和430 km，将其划分为淮北平原、江淮丘陵和皖南山区三大自然区域。土地利用类型主要为农田，约占全省总面积的58%，其次为草地、林地、水体、城镇、湿地和裸地（图1b）。

1.2 数据

1.2.1 高程数据

采用的数字高程模型（Digital Elevation Model，DEM）数据的空间分辨率为90 m（图1a），数据来源于http://srtm.csi.cgiar.org/。

图1 安徽省地理位置、（a）气象站点分布和（b）土地利用类型（2019年）特征Fig. 1 Characteristics of geographical location, (a) meteorological station distribution and (b) land use types (2019) of Anhui province

1.2.2 遥感数据

采用的第6版MOD16遥感蒸散产品数据，空间分辨率为500 m×500 m，时间分辨率为8天和年，数据集主要包括实际蒸散量（evapotranspiration，ET）、潜热通量（latent heat flux，LE）、潜在蒸散量（potential ET，PET）和潜在潜热通量（potential LE，PLE），该数据已在全球范围内得到了广泛验证与使用。本研究主要采用2000—2019年MOD16的8天（MOD16A2）和年（MOD16A3）合成产品数据，结合安徽省所处地理位置，主要选取卫星轨道号为h27v05、h28v05和h28v06的遥感影像数据。土地覆盖类型数据采用 MODIS 2001—2019年MCD12Q1产品数据，空间分辨率为500 m×500 m，该产品采用国际地圈-生物圈计划（International Geosphere-Biosphere Programme，IGBP）将全球地表类型分类为17种。结合安徽省主要植被类型，本文将其重分类为7种，分别为农田、林地、草地、城镇、水体、湿地和裸地。上述数据均可从https://e4ftl01.cr.usgs.gov/网站上进行免费下载。由于MODIS产品数据是基于SIN投影的HDF格式，在数据处理过程中主要采用 MRT（MODIS Reprojection Tool）软件对原始数据进行拼接、重投影等预处理。

1.2.3 气象数据

采用安徽省2000—2019年77个国家级气象观测站点常规气象观测数据，数据来源于安徽省气象信息共享平台，主要包括：日平均气温（ta，℃）、相对湿度（RH，%）、10 m风速（v10，m·s−1）、日照时数（SD，h）、降水量（Pre，mm）。其中，v10转换为2 m风速（v2，m·s−1）以及日照时数转换为净辐射的转换公式详见文献（Li et al.，2018）。此外，采用2000—2013年38个气象站点小型蒸发皿蒸发量（Epan，mm）数据验证MOD16数据的准确性。

1.3 研究方法

1.3.1 作物缺水指数（CWSI）

目前，以热量平衡原理为基础的作物缺水指数法（Crop Water Stress Index，CWSI），因其物理意义明确、适用范围广以及估算精度较高等优点，在干旱监测中得到了较好的应用。Jackson et al.（1981，1988）基于冠层能量平衡理论提出了CWSI的简易计算方法，该方法在有植被覆盖的条件下取得了较高的监测精度。具体计算公式如下：

其中，ET为实际蒸散量（mm）；PET为潜在蒸散量（mm），即为区域充分供水条件下的蒸散量；CWSI值介于0—1之间，值越大，表明区域越干旱，反之越湿润。

1.3.2 趋势分析

非参数 Mann-Kendall（M-K）检验（Mann，1945；Kendall，1975）在水文气象时间序列数据分析中具有一定的优势（Tabari et al.，2011），因此本文采用该方法来确定地表蒸散量及相关气象变量的变化趋势。零假设H0为一系列的数据（xi, i=1, 2,3, ..., n），xi独立且均匀分布。替代假设H1存在于X中且具有单调趋势。与此同时，统计值S和标准化检验统计量Z计算公式如下：

其中，xj和xi分别为第j年和第i年的数据值，n是时间序列中数据集的长度。统计量S基本遵循正态分布（n≥8），平均值E(S)和方差Var(S)计算公式如下：

其中，q表示相同的组号，tp表示第p次步骤中的值。

其中，Z为时间序列数据的变化趋势，Z>0和Z<0分别表示时间序列数据呈上升或下降趋势。如果|Z|>Z(1−a/2)，说明该假设不成立，且时间序列数据具有显著的变化趋势。Z(1−a/2)为标准正态分布表中的标准正态偏差。当α=0.05和α=0.01为显著性水平时，对应的Z(1−a/2)值分别为1.96和2.58。

此外，采用Theil-Sen’s估算方法来检测相关变量变化趋势的大小（Theil，1992；Sen，1968）：

其中，β为估算得到的数据序列的趋势斜率，xj和xi分别表示对应于时间j和i的序列数据。β>0表示序列数据呈增加趋势，β<0表示序列数据呈减少趋势。即设定α=0.05，当β>0和P>α时为不显著增加，β>0和P<α时为显著增加，β<0和P>α时为不显著减少，β<0和P<α时为显著减少。

1.3.3 变异系数

逐像元计算 ET、PET和 CWSI的变异系数（Coefficient of Variation，CV），以此来反映各要素在近20年的变异程度，统计分析其在空间分布上的稳定性，具体计算公式如下：

其中，SDij为第i行、第j列像元的标准差，为第i行、第j列像元的年均值。CV越大，表明各要素分布越离散，且在时间序列上波动较大；反之，CV越小，表明各要素分布较集中，且在时间序列上较稳定。为直观反映安徽省各要素变化特征，将CV分为5个等级：低波动性（CV≤0.05）、较低波动性（0.050.20）（邓兴耀等，2017）。

2 结果与分析

2.1 MOD16产品数据的适用性验证

采用安徽省 2000—2013年月尺度小型蒸发皿蒸发量数据（Epan）来验证月尺度MOD16 PET产品数据的适用性。如图2所示，Epan与PET之间的散点拟合效果整体较好，误差较小（均方根误差RMSE 为 29.7 mm·month−1），相关系数 r2达 0.734，且呈显著相关（P=0）。因此，MOD16产品数据总体精度较高，可用于研究安徽省地表蒸散和干旱变化特征。

图2 MOD16 PET产品数据在安徽省的适用性验证Fig. 2 Applicability verification of MOD16 PET product data in Anhui province

2.2 ET、PET和CWSI时空变化特征

如图3所示，安徽省近20年ET总体呈现显著增加趋势，增加速率为 6.98 mm·a−1（P=0）；PET呈不显著增加趋势，增加速率为 3.24 mm·a−1（P=0.27）；而CWSI总体呈现显著下降趋势，下降速率为−0.004 a−1（P=0.008）。

从ET、PET和CWSI空间分布图（图4）可以看出，安徽省年均ET介于285—1282 mm，总体呈现南部高、北部低的分布特征，高值区主要分布在皖南山区、西南大别山区，其中皖南山区主要包括黄山市、池州市、宣城市大部地区，大别山区主要包括六安市西南部、安庆市西北部。PET介于1118—1673 mm，总体呈现西部高、东部低的分布特征，其中高值区主要分布在六安市大部、安庆市、亳州市西北部、阜阳市东北部。CWSI介于0.17—0.80，其分布特征与ET相反，总体呈现出北部高、南部低的分布特征，表明安徽省北部较干旱，湿润地区主要位于皖南山区和大别山区。

图4 安徽省2000—2019年ET、PET和CWSI空间分布特征Fig. 4 Spatial distribution characteristics of ET, PET and CWSI in Anhui Province during 2000-2019

结合图5和表1，安徽省近20年ET变化趋势介于−25.5—50.6 mm·a−1，空间上总体呈显著增加趋势，约占总面积的 80.71%；其次为不显著增加趋势，约占总面积的 14.71%，主要位于西北部阜阳市境内；而ET呈显著减少趋势的区域主要位于土地利用类型为城镇的周边，仅占总面积的1.58%。PET 变化趋势介于−34.4—23.5 mm·a−1，空间上总体呈不显著增加趋势，约占总面积的 87.84%；其次为不显著减少趋势，约占总面积的6.20%，主要位于长江沿线及皖南山区局部地区；显著增加的区域主要位于六安市、池州市、滁州市西部、淮南市、蚌埠市局部地区，约占总面积的4.63%；显著减少的区域主要位于城镇周边局部地区，仅占总面积的1.33%。CWSI总体呈显著减少趋势，约占总面积的 62.11%；不显著减少区域主要位于北部部分地区，包括阜阳市大部、合肥市北部大部、六安市、蚌埠市、芜湖市北部部分地区等，约占总面积的32.79%；不显著增加区域主要位于北部城镇周边局部地区，约占总面积的4.55%；而显著增加的区域仅占总面积的0.55%。

图5 安徽省2000—2019年ET、PET和CWSI变化趋势和显著性空间分布Fig. 5 Spatial distribution of ET, PET and CWSI trends and their significance in Anhui province during 2000-2019

表1 安徽省2000—2019年ET、PET和CWSI变化趋势显著性检验（占总面积的百分比）Table 1 Significance test of variation trends of ET, PET and CWSI in Anhui Province during 2000-2019 (percentage of total area)

2.3 ET、PET和CWSI空间变异特征

如图6所示，安徽省年均ET总体呈较低波动性和中等波动性特征，其中较低波动性区域主要位于皖南山区大部和大别山区部分地区，其余大部地区以中等波动性为主。低波动性区域主要位于黄山市西部以及宣城市西部局部地区；较高波动性区域主要位于安徽北部局部地区。PET总体呈现出较低波动性和低波动性特征，其中低波动性区域主要位于皖南山区和大别山区部分地区。CWSI总体呈现出中等波动性和较低波动性特征。

图6 安徽省2000—2019年ET、PET和CWSI变异系数空间分布Fig. 6 Spatial distribution of the CV of ET, PET and CWSI in Anhui Province during 2000-2019

2.4 不同土地利用类型ET、PET和CWSI变化特征

为探究不同土地利用类型 ET、PET和 CWSI变化特征，采用ArcGIS 10.2提取出2001—2019年逐年各土地利用类型对应的ET、PET和CWSI，并计算出区域平均值。如图7所示，各土地利用类型对应 ET大小依次为：林地>草地>农田>湿地>水体>裸地>城镇，其中林地、草地和农田ET与全区域ET变化趋势基本一致，而裸地和城镇ET呈明显减少趋势，湿地和水体ET变化趋势不明显。各土地利用类型对应PET值差异较小，大小依次为：水体>湿地>草地>林地>农田>裸地>城镇。各土地利用类型对应 CWSI变化趋势与全区域变化趋势（图3）均保持一致，总体呈现明显下降趋势。此外，各土地利用类型对应CWSI值大小依次为：林地<草地<农田<水体<湿地<城镇<裸地，总体与各土地利用类型对应ET大小的排序相反。

图7 不同土地利用类型ET、PET和CWSI变化特征Fig. 7 Variation characteristics of ET, PET and CWSI in different land use types

2.5 ET、PET和CWSI的影响因素分析

如图8所示，安徽省近20年降水量（Pre）总体呈现不显著的增加趋势（10.52 mm·a−1），峰值出现在2016年，之后呈显著减少趋势；温度（ta）总体呈不显著增加趋势（0.016 ℃·a−1）；相对湿度（RH）总体呈不显著增加趋势（0.025 a−1），2011年之前呈显著减少趋势，之后呈显著增加趋势；风速（v2）总体呈显著减少趋势（−0.006 m·s−1·a−1），其中2011年和2014年风速较低，2014年之后呈显著增加趋势；净辐射（Rn）总体呈不显著增加趋势（0.001 MJ·m−2·d−1·a−1），其中 2011 年之前减少趋势明显，2013年增加至峰值，2014年减少至谷值，之后又呈明显增加趋势。

图8 安徽省2000—2019年气象要素变化趋势Fig. 8 Change trends of meteorological factors in Anhui province during 2000-2019

为进一步揭示安徽省近20年ET、PET和CWSI变化的主要影响因素，且考虑到MOD16产品数据在某些区域存在空白，本文从 77个站点中剔除掉无数据的站点后，共提取出38个站点逐年ta、RH、v2、Rn和Pre值以及对应的ET、PET和CWSI值，并将上述5种气象要素分别与ET、PET和CWSI进行相关分析。如图9所示，ET与ta、RH和Pre总体呈正相关，其中与Pre和RH之间的相关系数（r2）较高，分别为0.42和0.25，且均通过0.05水平显著性检验（P=0）；而与 v2总体呈负相关，与Rn之间的相关性不明显，且相关系数均较小。PET与 RH和 Pre呈负相关，与 Rn呈正相关，而与 ta和v2之间的相关性不明显，其中与Rn和Pre之间的r2较高，分别为0.21和0.101，均通过0.05水平显著性检验。CWSI与气象要素之间的正负相关性总体与PET类似，其中与Pre和RH之间的r2较高，分别为0.54和0.25，均通过0.05水平显著性检验。由此可见，安徽省近20年ET和CWSI变化主要受水分条件影响，即降水量和相对湿度的增加是 ET增加和CWSI下降的主要原因，最终使得安徽省干旱化趋势有所缓解。然而，PET的变化主要受辐射条件影响，即不显著增加的Rn可能是PET增加的主要原因。

图9 安徽省ET、PET和CWSI与气象要素之间的相关性Fig. 9 Correlation relationship between ET, PET, CWSI and meteorological factors in Anhui province

3 结论与讨论

3.1 结论

采用MODIS遥感产品数据中的蒸散产品数据（MOD16）、土地覆盖类型数据（MCD12Q1）以及国家级气象观测站点常规气象观测数据，结合水分亏缺指数（CWSI）、变异系数、Theil-Sen’s趋势估算方法以及M-K检验，探究了安徽省近20年地表蒸散和干旱时空变化特征及其与气象要素之间的相关性。主要研究结论如下：

（1）经小型蒸发皿蒸发量数据验证，MOD16产品数据总体精度较好，可用于研究安徽省地表蒸散和干旱变化特征。

（2）时间上，安徽省近20年ET总体呈现显著增加趋势（6.98 mm·a−1），PET 呈不显著增加趋势（3.24 mm·a−1），而 CWSI呈显著下降趋势（−0.004 a−1）。空间上，安徽省年均 ET 介于 285—1282 mm，总体呈南高北低分布，高值区主要位于皖南山区、西部大别山区；变化趋势介于−25.5—50.6 mm·a−1，总体呈显著增加趋势以及较低波动性和中等波动性变化特征。PET介于1118—1673 mm，总体呈西部高、东部低分布，变化趋势介于−34.4—23.5 mm·a−1，总体呈不显著增加趋势以及较低波动性和低波动性变化特征。CWSI介于0.17—0.80，与ET分布特征相反，总体呈显著减少趋势以及中等波动性和较低波动性变化特征。

（3）安徽省土地利用类型主要为农田、林地、草地、城镇、水体、湿地和裸地，各土地利用类型对应 ET大小依次为：林地>草地>农田>湿地>水体>裸地>城镇，而对应的 PET值差异较小，且对应CWSI大小的排序与ET总体相反。

（4）ET的增加和CWSI的下降主要受水分条件影响（即降水量和相对湿度的增加），最终使得安徽省干旱化趋势有所缓解；而辐射条件可能是PET增加的主要原因。

3.2 讨论

本研究采用月尺度Epan数据验证了最新第6版本MOD16 PET产品数据的适用性，整体效果较好。该结论与前人关于第5版本MOD16产品数据精度的验证结果基本一致（吴桂平等，2013；田义超等，2015；位贺杰等，2015；邓兴耀等，2017；张猛等，2018），进一步证明了 MOD16产品数据在区域乃至全球尺度的适用性。如果条件允许的话，后期可进一步采用涡度相关数据（Du et al.，2017）或蒸渗仪（杨炳玉等，2015）观测数据对第6版本MOD16 ET数据的精准性进行验证，以更好地揭示MOD16 ET和PET数据在区域乃至全球尺度的适用性。

不同土地利用类型会对ET等产生一定影响。研究发现各土地利用类型对应ET大小依次为：林地>草地>农田>湿地>水体>裸地>城镇，结合安徽省地形分布图（图1），安徽省林地主要分布于海拔较高的皖南山区和西部大别山区，由于上述山区降水丰沛，土壤水分充足，水源涵养能力较好，进而导致ET值最高（马梓策等，2020）；尽管草地植株较为矮小，然而与林地类似，草地也主要分布于山区，其对应的ET值也相对较高；安徽省种植作物主要包括水稻、小麦、玉米等，考虑到作物生长周期，土地利用类型为农田的区域在一年中的部分时段无植被覆盖，进而导致对应的年ET值较低（喻元等，2015）。

除土地利用类型影响外，气候因子也会对区域ET或PET产生一定影响。其中，降水作为水文过程中极为重要的因素之一，在一定程度上会影响ET（Walter et al.，2004）。本研究发现水分条件（降水量和相对湿度的增加）可能是安徽省ET增加的主要原因，叶红等（2018）研究也表明黄河源区ET主要表现为降水驱动，类似结论在海河流域（Huang et al.，2019）、洞庭湖流域（张猛等，2018）也有所体现。造成上述现象的原因可能是由于降水增加、气候变暖在一定程度上会对植被生长起到良好的促进作用，进而导致ET的增加。考虑到数据精度问题，由于本研究中气候因子主要采用的是气象站点观测数据，后续研究可结合多源气候数据集以匹配MODIS产品数据精度，进而从空间尺度上探究气候因子与ET等因子之间的关联性，进一步增强本文的结论。此外，尽管本研究探究了土地利用类型和气候因子对区域ET、PET以及CWSI的影响，然而如何量化二者对区域尺度ET的影响仍有待进一步研究；其次，不同土地利用类型对 ET的贡献也值得深入探究。