三江源地区作物参考蒸散量的时空分布特征变化及未来趋势预测

桑春云，王 倩，金淑媛，张占豪，郭建茂

（1.南京信息工程大学应用气象学院，南京 210044；2.泽库县气象局，青海 泽库 811400；3.青海省气象台，西宁 810000）

0 引 言

当今全球升温引起的气候变暖驱动复杂的水循环变化，导致水资源在数量结构和能量分配上发生了改变[1]，其中蒸散的变化是这一过程不可忽视的影响因子。蒸散作用常用于表示地球大气圈-水圈-生物圈的热量交换和水量交换过程，系统间复杂的相互作用，使得蒸散成为水文循环过程中最难估算的参量[2,3]。作物参考蒸散（Reference crop evapotranspiration，ET0）作为研究蒸散的重要参量，对区域生态需水指标构建[4]、作物气候生产潜力[5]及干旱分布[6]研究等方面具有重要意义。世界粮农组织定义ET0为假设平坦地面在土壤水分充足条件下被生长旺盛、低矮的禾本类作物(高0.12 m，表面阻力为70 m/s，反射率为0.23)完全遮蔽时的蒸散，并推荐使用FAO56 Penman-Monteith 方程计算ET0[7]，该方法以能量平衡和水汽扩散为基础，综合考虑了作物生理结构、空气动力学特性和太阳辐射等因素，计算所得的ET0不受作物种类、作物生长状况和土壤水分等因限制，气候条件是影响ET0变化的唯一因素，因其良好的水文物理基础，得到众多学者的青睐[6,8-13]，并已取得良好的模拟结果。

三江源地区是长江、黄河、澜沧江的发源地，是我国和亚洲重要河流的上游关键源区，被誉为“中华水塔”[14]，是气候变化敏感性和生态环境脆弱性反应最为强烈的地区之一，对我国乃至全球的生态环境具有深远的影响[15]。20世纪90年代以来，在气候变化背景和人类活动干预下，三江源地区生态环境恶化，水土涵养能力急剧下降，出现草场退化、湿地萎缩、土地荒漠化和冰川消融等一系列生态问题[16]，生态环境的恶化直接影响了区域经济社会的可持续发展，对源区中下游地区的生态环境也带来了各种不利影响，这与蒸散量的变化密切相关。三江源地区地表类型主要以草地生态系统为主，草地面积为32 万km2，占比92%，下垫面牧草覆盖度较好[17,18]，可采用ET0开展蒸散分析。近年来三江源地区蒸散分析结果均表明该地区蒸散总体上呈现增长趋势[12,19]，但目前鲜少有研究对三江源地区未来不同气候情景下ET0的研究。研究该区域历史ET0时空变化特征及其未来气候条件下的响应，可为深入理解区域生态水文过程、水资源合理调控及制定生态修复保护政策提供理论依据，也为未来气候变化趋势下的三江源地区生态安全和用水安全提供科学借鉴，有利于提前做好宏观规划和应对措施，促进区域生态系统良性发展。

当前，大气环流模式(General Circulation Model，GCM)成为预测未来气候变化的可靠工具，但是粗分辨率的GCM 对区域天气过程和极端天气气候事件的模拟能力有限，所以降尺度技术在区域尺度气候变化研究方面具有广泛的应用。常用于降尺度的气象要素有降水、气温、气压、湿度、风速、蒸散发量等气象因子[20]。降尺度技术通常分为动力降尺度、统计降尺度以及动力降尺度和统计降尺度相结合的方法，统计降尺度可以弥补动力降尺度的不足，因而也被广泛应用[6,10,21-24]。

本文以三江源地区为研究区，以1979-2014年为基准时段，利用FAO Penman-Monteith（P-M）公式计算ET0日序数据，在分析该时期ET0时空变化特点的基础上，利用统计降尺度模型(Statistical Downscaling Simulation Model,SDSM)建立GCM 预报因子(即近地面和高层大气环流变量)和三江源地区地面预报因子(各气象观测站ET0计算值)之间的经验关系，将CanESM5输出数据[25]输入SDSM 模型进行降尺度，生成各站点2015-2100年作物参考蒸散在ssp1-2.6、ssp2-4.5 和ssp5-8.5情景模式下[26]的降尺度日序列，分析三江源地区未来ET0在3种情景模式下相对于基准期ET0的时空变化趋势。

1 研究区概况和研究方法

1.1 研究区域

三江源地区，地处青藏高原腹地，青海省南部，位于31°39′～36°12′N，89°45′～102°23′E 之间，行政区域包括玉树、果洛、海南、黄南4 个藏族自治州的16 个县和格尔木市的唐古拉乡，总面积35.66 万km2，见图1。气候为典型的高原大陆性气候,表现为冬季漫长干冷，雨热同季，气温较低，热量不足，日照时间长，辐射强烈。多年平均气温在-5.38～4.14 ℃之间，年平均降水量262.2～772.8 mm，年蒸发量为730～1 700 mm，年平均日照时数为2 602.8 h，年平均太阳辐射值为6 751.08 MJ/m[27,28]。

图1 三江源地区气象站点分布Fig.1 The spatial distribution of meteorological stations in the Three Rivers Headwaters Region

1.2 数据来源

本文研究数据包括气象台站历史观测资料和CMIP6 模式数据两部分。

气象台站历史观测数据(http://www.cma.gov.cn/)。采用三江源地区13 个气象台站实测气象资料，包括1979-2014年逐日平均相对湿度、平均气温、最低气温、最高气温、20～20时降水、日照时数、平均水汽压、平均风速等资料。

CMIP6 模式数据(https://climate-scenarios.canada.ca/)。已有研究开展了全球不同气候模式在青藏高原的气候模拟能力及适用性评估[29,30]，认为CanESM5模式在在青藏高原地区气候模拟能力及数据可用性较好，参考相关研究成果，本文选取该模式对三江源地区作物参考蒸散进行降尺度初步分析。数据包括1979-2014年NCEP 再分析资料NCEP-DOE 逐日数据，包含26 个大气环流预报因子；2015-2100年加拿大气候模拟与分析中心最新的气候耦合模式CanESM5 模式下输出的ssp1-2.6、ssp2-4.5和ssp5-8.5排放情景模式下的逐日数据，预报因子和NCEP 再分析资料一致。数据集由64×128 的经纬网格单元组成，空间分辨率为2.8125°×2.8125°，本文研究区域共有6个网格覆盖，需要通过降尺度处理将网格数据和气象站点进行匹配。该数据集对NCEP 再分析资料和GCM 都进行了插值处理以匹配CanESM5网格，并对数据(风向以外的其他数据)进行了标准化处理。

1.3 研究方法

1.3.1 ET0计算

已有研究表明，FAO56 Penman-Monteith（P-M）方程与三江源地区气象观测站蒸发皿实测值之间存在较好的相关性，采用FAO56 P-M方程计算ET0是可行的[13]。具体公式如下：

式中：ET0为作物参考蒸散量，mm/d；△为饱和水汽压曲线斜率，kPa/℃；Rn为地表净辐射，MJ/（m2·d）；G为土壤热通量，MJ/（m2·d），在逐日或10 d 尺度上可以忽略不计；γ为干湿表常数，kPa/℃；T为2 m 高处气温，℃；u2为2 m 高处风速，m/s；es为饱和水汽压，kPa；ea为实际水汽压，kPa。

主要参数计算方法为：

式中：u10为10 m 高处风速，m/s，即气象观测站实测风速数据；Rns为地表接受的净短波辐射，Rnl为地表发射的净长波辐射，两者之差为地表净辐射Rn；n为日照时数，N为可照时数，Ra为天文辐射，α为反射率，as、bs为拟合系数，FAO 推荐取值为α取0.23，as取0.25，bs取0.55。计算所用其余参数均采用FAO推荐的标准值[7]。

1.3.2 统计降尺度模型SDSM

统计降尺度方法的核心是建立三江源地区近地面和高层大气环流因子与各气象站点ET0之间的统计经验关系，即：

式中：Y代表地面ET0计算值；X(X1，X2，…，Xn)代表n个大气尺度气象预报因子；F是建立的统计经验关系。

Wilby 等[31]结合线性回归方法和随机发生器设计了SDSM，用于在日时间尺度上构建单个站点的气候变化情景。SDSM 的主要应用包括数据质量控制和转换、降尺度预报因子筛选、模型校准、天气发生器和基于GCM 预报变量生成未来气候情景等模块。SDSM 基于随机天气发生器和多元线性回归耦合的原理，将近地面和高层大气环流变量用作区域尺度天气发生器参数，确定每日ET0估算值，随后利用多元线性回归方法建立区域长期ET0预测方程[24]，即第t天的作物参考蒸散Yt为：

式中：Zt是第t天的z-score 标准化值；βj为估计的回归参数；βt-1和Zt-1是自相关参数以及前一天的z-score；ût为预报因子；ε为变量参数；φ为正态累积分布函数；F1是ET0日值Yt的经验分布函数。

预报因子的选择决定降尺度效果好坏，选择预报因子需遵循以下几点[22]：①选择的预报因子与预报量之间具有较强的线性关系；②所选因子能够表征近地面和高层大气环流场的物理过程变化；③GCM 对所选因子的模拟效果较好。SDSM 模型提供了季节相关分析、偏相关分析和散点图等评价指标用来确定预报因子，因此本文根据三江源气象站ET0和预报因子之间的偏相关分析，选择了相关性通过0.05 显著性检验的预报因子，其中500 hPa 位势高度（p500）和地表2m 高处的平均气温（temp）对三江源地区ET0响应最强烈，见表1。

表1 站点预报因子选择Tab.1 Station predictor selection

以FAO56 P-M 得出的ET0计算值为标准，采用决定系数(R2)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)等指标来评价SDSM模型降尺度效果，公式如下：

式中：Yi为SDSM 预测的第i日ET0值；Xi为P-M 方程计算的第i日ET0值；Xˉ、Yˉ分别表示Xi和Yi的平均值；n为数据样本数量。

R2越接近1，表明模型吻合度越高；RMSE越小，表明模型偏差越小；MAPE越接近于0，表明偏差程度越小。

1.3.3 ET0趋势分析方法

根据研究区域各个站点面积权重，计算区域平均的未来ET0日序列。采取反距离权重插值、最小二乘法线性回归以及Mann-Kendall 趋势检验和突变分析等方法评价三江源地区作物参考蒸散量时空变化趋势。本文以α=0.05 的显著性水平为MK 突变检验置信区间，临界值U0.05=±1.96，若UF(k)值大于0，表明序列呈上升趋势；UF(k)值小于0，表明序列呈下降趋势；UF(k)值超过临界值，表明序列上升或者下降趋势显著。UF(k)和UB(k)曲线出现交点，且交点在置信区间范围内，则交点对应的时间为开始发生突变的时间。

2 结果与分析

2.1 SDSM模型校准

利用三江源地区各站点1979-2014年ET0计算值对SDSM模型进行率定和验证。首先对1979-1999年13 个气象站点的ET0计算值和NCEP 再分析资料的26 个大气环流预报因子建立统计关系，率定模型；然后根据建立的统计关系模拟生成2000-2014年各站点ET0日序列，对比其与计算值序列的差异，验证模型。最终率定期和验证期SDSM 预测ET0值与P-M 公式计算值对比情况见表2。结果表明，率定期各站点ET0降尺度预测值和ET0计算值之间的线性斜率K为0.778～0.901，决定系数R2为0.756～0.893，均方根误差RMSE为0.325～0.522 mm/d，绝对百分比误差MAPE为42.6%～91.5%；验证期线性斜率K为0.773～0.906，决定系数R2为0.734～0.896，均方根误差RMSE为0.340～0.532，绝对百分比误差MAPE为45.8%～73.5%。

表2 模型率定期和验证期各站点SDSM预测ET0效果对比Tab.2 Comparison of ET0 prediction effect of SDSM at each station during calibration and validation period

基于各站点在三江源地区的面积权重得到三江源地区ET0计算值和模拟值日序列，见图2。可知验证期和率定期三江源地区SDSM 预测ET0与实际计算ET0之间的线性斜率K分别为0.919和0.918，决定系数R2分别为0.924和0.917，均方根误差RMSE分别为0.291 mm/d 和0.333 mm/d，绝对百分比误差MAPE分别为66.4%和61.4%，表明模型模拟值与计算值较为一致，模拟效果较好。因此，基于ET0计算值和NCEP 再分析资料率定的SDSM 模型在三江源地区具有很好的区域适用性，可用于预测未来气候条件下的ET0变化。

图2 三江源地区ET0计算值和模拟值散点图Fig.2 Scatter plot of ET0 between calculated and modeled series in the Three Rivers Headwaters Region

2.2 1979-2014年（基准期）ET0时空变化

2.2.1 1979-2014年ET0时间趋势变化

1979-2014年三江源地区ET0平均值为855 mm，整体上以每年0.043 mm/a 的增长速率增加，最大值出现在2010年为923 mm，最小值出现在1989年为799 mm，方程线性拟合斜率表示年平均ET0的变化趋势，逐年拟合斜率为0.395，总体呈现增长趋势见图3，具体变化如下。

图3 1979-2014年年平均ET0趋势变化和Mann-Kendall突变检验结果Fig.3 The statistical results of average annual ET0 trend change and Mann-Kendall test from 1979 to 2014

（1）ET0年内逐月分布变化，见图4。年内平均ET0分布随月份变化呈现单峰曲线变化，1-7月呈现增长趋势，7-12月呈现下降趋势。最高月7月为111.4 mm，最低月12月为32.8 mm。

图4 ET0逐月分布变化Fig.4 The distribution of ET0 changed monthly

（2）ET0年内季节变化，见图5。区域范围内有明显的季节性变化，夏季平均ET0最高，为320 mm，其次是春季251 mm 和秋季178 mm，冬季最低107 mm，分别为全年的37%，29%，20%和13%，与全国范围内季节平均潜在蒸散分布特征[11]趋于一致。

图5 ET0季节分布变化Fig.5 The distribution of ET0 changed seasonal

2.2.2 1979-2014年年平均ET0趋势检验结果

用Mann-Kendall 方法和z检验对研究区域13 个站点的年平均ET0进行趋势检验，所有站点均呈现增长趋势（z>0）。其中曲麻莱、囊谦、玉树、玛沁、久治在α=0.01 水平上显著相关；玛多、清水河、达日在α=0.001水平上显著相关。三江源地区1979-2015年年平均ET0突变检验结果表明，见图3，三江源地区ET0呈现明显的增长趋势，由UFk曲线和UBk曲线的交点可知，年平均ET0在2001年产生突变，增长趋势突然增大。2006年之后增长趋势超过α=0.05 的显著性水平（U0.05=±1.96），说明三江源地区ET0的增长趋势是十分显著的。

2.2.3 1979-2014年ET0空间趋势变化

（1）平均ET0空间分布总体情况。1979-2014年三江源地区平均ET0为759～1 014 mm，其空间分布总体上呈现南部和东北部地区高，西北和中部地区低的空间分布格局，见图6。ET0的高值区分布在玉树、兴海和杂多等地，均在886 mm 以上。低值区出现在五道梁、清水河、玛多、班玛和久治等地，在844 mm 以下。分析结果与周秉荣[12]等对三江源地区潜在蒸散的计算基本一致。

图6 ET0空间分布Fig.6 The spatial distribution of annual average ET0

（2）季节平均ET0空间分布情况。1979-2014年三江源地区季节平均夏季ET0最高值出现在玉树为364 mm，冬季ET0最低值出现在五道梁为80 mm，见图7。春季ET0为219～298 mm，整体呈现由东南向西北减少的趋势，低值区出现在五道梁、玛多、清水河，高值区出现在杂多、玉树和兴海；夏季ET0为279～364 mm，除囊谦、久治、五道梁等低值区为279～308 mm，其他地区ET0均高于308 mm；秋季ET0空间分布格局与夏季大致一致，ET0为157～212 mm，高值区出现在杂多、玉树，低值区出现在五道梁、班玛等地；冬季ET0为79～136 mm，空间分布格局与春季一致，低值区出现在五道梁、玛多、清水河，为79～89 mm，高值区出现在玉树、囊谦。

图7 1979-2014年季节平均ET0空间分布Fig.7 The spatial distribution of seasonal average ET0 from 1979 to 2014

2.3 2015-2100年（预估期）ET0时空变化

应用率定好的SDSM 模型，将ssp1-2.6、ssp2-4.5 和ssp5-8.5 三种气候情景模式下的CanESM5 逐日输出数据作为模型输入，分别得到2015-2100年3 种气候情景模式下各气象站点的降尺度ET0模拟日序列，根据面积权重模拟三江源地区平均ET0日序列，分析3种气候情景模式三江源地区的ET0时空变化。

2.3.1 2015-2100年ET0时间趋势变化

2015-2100年三江源地区ET0在ssp1-2.6、ssp2-4.5 和ssp5-8.5 情景模式下年平均值分别为943.5 mm、971.2 mm 和1 032.8 mm，逐年变化拟合斜率分别为3.476、1.648 和0.586，整体上分别以每年0.097 mm/a、0.194 mm/a 和0.225 mm/a 的增长率增加，见图8。具体变化如下。

图8 2015-2100年年平均ET0趋势变化和ssp1-2.6情景Mann-Kendall突变检验结果Fig.8 The statistical results of average annual ET0 trend change and Mann-Kendall test of scenario ssp1-2.6 from 1979 to 2014

（1）ET0年内逐月分布变化，见图4。年内平均ET0最高值出现在7月，分别为120.9 mm、121.9 mm 和129.0 mm，与基准期相比分别增长了9.5 mm、10.5 mm 和17.6 mm；最低值出现在12月，分别为36.3 mm、37.6 mm 和41.2 mm，分别增长了3.3 mm、4.6 mm和8.2 mm。

（2）ET0年内季节分布变化，见图5。ssp1-2.6、ssp2-4.5和ssp5-8.5 情景模式下2015-2100年三江源地区季节平均ET0变化和基准期一致，均呈现年内单峰曲线变化和夏季>春季>秋季>冬季的季节分布特征，但季节ET0增量存在差异，ssp1-2.6、ssp2-4.5 和ssp5-8.5 情景模式下夏季分别增长36 mm、42 mm 和63 mm；春季增长18 mm、28 mm 和48 mm；秋季增长26 mm、31 mm 和40 mm；冬季增长10 mm、15 mm 和28 mm。表明未来季节平均ET0在ssp1-2.6 和ssp2-4.5 情景模式下的ET0增幅呈现夏季>秋季>春季>冬季的变化，ssp5-8.5情景模式下的增长量与季节分布特征一致。

2.3.2 2015-2100年年平均ET0趋势检验结果

用Mann-Kendall 方法和z检验对ssp1-2.6、ssp2-4.5 和ssp5-8.5情景下的三江源地区13个站点的2015-2100年年平均ET0进行趋势检验，所有站点在3 种情景下均呈现增长趋势（z>0），均在α=0.001 水平上显著相关。突变检验结果表明，见图8，3种情景下三江源地区ET0均存在增长突变年份，文中仅给出了ET0在ssp1-2.6 情景下的突变检验结果。由UFk曲线和UBk曲线的交点可知，ssp1-2.6、ssp2-4.5和ssp5-8.5情景模式下年平均ET0增长趋势突然增大的年份分别发生在2031年、2052年和2056年，增长趋势超过α=0.05 显著水平的年份分别为2041年、2025年和2037年。

2.3.3 2015-2100年ET0空间趋势变化

（1）平均ET0空间分布总体情况。2015-2100年三江源地区平均ET0在ssp1-2.6、ssp2-4.5和ssp5-8.5三种气候情景模式下的空间分布和基准期相对一致，研究区域未来ET0都将普遍增大，但3 种情景模式下的ET0区域增长量存在差异，ssp5-8.5 增幅最多，其次是ssp2-4.5，ssp1-2.6 增幅最少，见图6。3 种情景下玛多、杂多、班玛3 个站点增量最多，曲麻莱、达日、囊谦增量最少。ssp1-2.6情景模式下，玛多、杂多、班玛增量分别为148 mm、141 mm、104 mm，曲麻莱、达日、囊谦增量为33 mm、53 mm、61 mm；ssp2-4.5 情景模式下，玛多、杂多、班玛增量为191 mm、187 mm、137 mm，曲麻莱、达日、囊谦增量为52 mm、75 mm、77 mm；ssp5-8.5 情景模式下，玛多、杂多、班玛增量为296 mm、281 mm、214 mm，曲麻莱、达日、囊谦增量为106 mm、107 mm、134 mm。结合上述分析，玛多、班玛未来可能向三江源地区ET0高值区发展。

（2）季节平均ET0空间分布情况。2015-2100年季节平均ET0三种情景模式分布变化相对一致，故本文只给出了ssp2-4.5 情景模式下的季节平均ET0分布，见图9。ssp2-4.5 情景模式下，2015-2100年三江源地区季节平均ET0夏季最高值出现在玛多为417 mm，冬季最低值出现在五道梁为92 mm。春季ET0为235～331 mm，大部分地区为267～283 mm，中南部和东北部高于283 mm，低值区出现在五道梁、清水河、班玛，高值区出现在杂多、玉树、兴海。夏季ET0为299～417 mm，呈现东北、西南部高，西北、东南部低的分布格局，高值区出现在杂多、玉树、玛多和兴海等地，低值区出现在囊谦、五道梁、达日和玛沁。秋季ET0为189～250 mm，由西南向东北递减，高值区出现在杂多、玉树，低值区出现在五道梁、曲麻莱、久治。冬季ET0为92～158 mm，由西北向东南递增，高值区出现在玉树、囊谦，低值区出现在五道梁、玛多。

图9 ssp2-4.5情景2015-2100年季节平均ET0空间分布Fig.9 The spatial distribution of seasonal average ET0 of scenario ssp2-4.5 from 2015 to 2100

预估期季节平均ET0与基准期季节平均ET0分布进行对比发现：在夏季和冬季空间分布上相对一致，但在春季和秋季存在明显的区域差异，春季低值区范围由西北部缩小至五道梁及周边地区，秋季低值区范围由五道梁及周边地区向东北部扩散。

2.3.4 2015-2100年ET0年际变化

将2015-2100年的预测数据分为2020s(2015-2040年)、2050s(2041-2066年)、2080s(2067-2100年)3个时段分析年平均ET0在ssp1-2.6、ssp2-4.5和ssp5-8.5情景模式下相对于基准期(1979-2014年)年平均ET0增量变化见表3。3 种情景模式下的年平均ET0均呈现较为明显的上升趋势，其中ssp1-2.6 情景模式下，2050s和2080s增幅变化不大，ssp2-4.5 和ssp5-8.5 情景模式下随着时间的推移增幅明显；在2020s、2050s和2080s三个时期平均升高65.70 mm、125.98 mm、176.62 mm。由此可推测，由于未来ET0的升高，作物需水量增加，三江源地区存在发生极端干旱的天气风险。

表3 未来时段年平均作物参考蒸散变化Tab.3 Annual average crop reference evapotranspiration change for future time periods

3 讨 论

本文采用统计降尺度方法用CMIP6 模式中的CanESM5 模式输出数据模拟不同发展路径和辐射强迫情景下(ssp1-2.6、ssp2-4.5 和ssp5-8.5)的三江源地区ET0变化。韦晶等[32]在2015年对三江源地区进行生态脆弱性评价，发现三江源地区生态环境中度脆弱程度面积占比较大，与ssp2-4.5情景模式下的中等社会脆弱性相对吻合，并且ssp2-4.5 相对于ssp1-2.6 和ssp5-8.5 相比属于中间稳定路径，更符合实际发展。因此ssp2-4.5 可能更适合预测三江源地区未来ET0变化。需要指出的是，本文只用CanESM5 模式数据分析三江源地区ET0变化，具有不确定性，但是CanESM5 数据在青藏高原地区的适用性[29,30]，在一定程度上降低了这种不确定性。在后续研究中应当应用多种模式数据、采取不同降尺度方法进行评估，使模拟结果更加准确。另外，NCEP 再分析资料在青藏高原及其周边地区的气候变化研究的有效性[33]，是SDSM 模型在三江源地区校准效果好的原因之一。NCEP 再分析资料预报因子中500 hPa 位势高度（p500）和地表2m 高处的平均气温（temp）对三江源地区ET0响应强烈，所有站点均选择这两个因子为预报因子，选择temp可以很好地说明气温是该区域ET0主要气象影响因子[34,35]，但是p500 及其他预报因子的选择需要在定量化分析气象因子对ET0变化贡献基础上，结合地形因子、大气环流等因素的影响进行进一步分析。

研究结果表明，三江源地区基准期年ET0趋势在2001年发生突变，与青藏高原及其周边地区总体年ET0趋势在1996[36]、1997年[37]发生转折不同，可能与研究区域尺度、站点选用及数据序列长短有关，因此，分析该地区气象因子变化时要充分考虑强时空异质性。三江源地区ET0未来时期内的上升趋势是不可避免的，可能导致区域水资源短缺进一步加剧，使发生干旱的频率不断增加，可以将预测的ET0与降水结合起来[6,21]，构建干旱指数，评估作物需水量和区域干湿状况，研究未来气候条件下的三江源地区干旱情况，提前做好应对措施。

目前，基于机器学习的数据预测为ET0未来趋势预测提供了新思路[9]，其主要原理是基于历史ET0结合数理统计原理进行数据训练，通过数值预测方法预测未来ET0变化；而降尺度方法预测未来ET0，主要目的是分析GCM气候模式在不同辐射强迫和CO2排放路径下对未来ET0的响应。两者预测机理不同导致预测结果也会相应存在差异，后续研究可将两种方法结合，开展未来ET0研究，分析采取不同方法得出的预测结果差异，为三江源地区ET0预测提供新方法。

4 结 论

本研究以三江源地区1979-2014年13 个气象站点的逐日气象数据为基础，利用Penman-Monteith 公式计算得到三江源地区各站点逐日ET0并分析该时期时空变化的基础上，分析SDSM 模型对研究区域ET0的模拟效果。应用率定的SDSM 模型将ssp1-2.6、ssp2-4.5 和ssp5-8.5 情景模式下的CanESM5 模式数据降尺度到三江源站点尺度，分析三江源地区2015-2100年ET0的变化趋势，初步得到以下主要结论：

（1）SDSM 模型率定时，NCEP 预报因子500 hPa 位势高度（p500）和地表2m 高处的平均气温（temp）对三江源地区ET0响应最强烈。验证期和率定期三江源地区SDSM 预测ET0与实际计算ET0之间的线性斜率K分别为0.919 和0.918，决定系数R2分别为0.924 和0.917，均方根误差RMSE分别为0.291 mm/d和0.333 mm/d，绝对百分比误差MAPE分别为66.4%和61.4%，表明模型模拟值与计算值较为一致，模拟效果较好，基于ET0计算值和NCEP 再分析资料率定的SDSM 模型在三江源地区具有很好的区域适用性，可用于预测未来气候条件下的ET0变化。

（2）1979-2014年三江源地区年平均ET0平均值为855 mm，空间分布上，呈现南部和东北部高，西北和中部地区低的分布格局；时间分布上，整体以每年0.043 mm/a 的增长率增加，年内ET0最大值出现在7月，最低值出现在12月。研究区域范围内ET0有明显的季节响应，夏季平均ET0最高，其次是春季、秋季，冬季最低，分别占全年的37%，29%，20%和13%。M-K 趋势检验和突变分析结果表明，所有站点ET0均呈现增长趋势，2001年存在年平均ET0增长趋势突然增大的现象，2006年以后ET0的增长趋势十分显著。

（3）2015-2100年三江源地区年平均ET0空间分布特征和基准期保持一致，区域增量存在地区差异，3 种情景下模式，玛多、杂多、班玛增量最多，曲麻莱、达日、囊谦增量最少，玛多、班玛可能成为研究区域未来ET0高值区。季节平均ET0空间分布夏季和冬季与基准期空间分布一致，但春季、秋季都以五道梁为低值区中心，存在低值区范围缩小、扩散的分布特征。

（4）2015-2100年三江源地区ET0时间分布上，ssp1-2.6、ssp2-4.5 和ssp5-8.5 情景模式下年平均值分别为943.5 mm、971.2 mm 和1 032.8 mm，整体上分别以0.097 mm/a、0.194 mm/a和0.225 mm/a的增长率增加。ssp1-2.6和ssp2-4.5情景模式下，季节ET0增量呈现夏季>秋季>春季>冬季的变化，与夏季>春季>秋季>冬季的季节ET0分布特征存在差异。趋势检验和突变分析结果表明，3 种情景模式下的各站点ET0均呈现增长趋势，分别在2031年、2052年和2056年存在年平均ET0增长趋势突然增大的现象。3种情景下的ET0在2041年、2025年和2037年的增长趋势十分显著。2020s、2050s 和2080s 的ET0具有明显上升趋势，ssp1-2.6情景下，2050s和2080s增幅变化不大，ssp2-4.5和ssp5-8.5情景下随着时间推移增幅明显。