在气候变暖的背景下，气象因素调节着西班牙东北部的蒸散作用趋势

《Irrigation Science》：Meteorological drivers modulate evapotranspiration trends under climate warming in Northeastern Spain

　　摘要：气候变化通过温度升高、反复出现的干旱以及大气条件的变化，威胁着地中海农业的作物生产力和水资源管理。尽管西班牙各地的变暖趋势已有充分记录，但由于蒸发蒸腾过程受到多种因素的影响，其对蒸发需求和灌溉的影响仍不确定。本研究使用基于温度的公式（Hargreaves-Samani方法）和基于物理原理的方法（FAO Penman-Monteith ETO（FAO-PM ETO）方程，对参考蒸发蒸腾量（ETO）及其驱动因素进行了评估。分析了来自西班牙东北部阿拉贡地区SIAR网络中45个自动气象站的2004-2024年每日数据，并采用Mann-Kendall检验和Sen斜率估计器在多个时间尺度上进行了分析。针对玉米和代表性果树作物进行了特定作物的分析，利用生长积温模型来确定物候阶段并估算作物蒸发蒸腾量（ETc）。结果表明，该地区存在普遍且显著的变暖趋势（年均+0.08°C/年），超过了先前的报告值。近一半的气象站相对湿度有所增加，75%的站点风速下降，局部地区太阳辐射减少，而降水量没有明显变化。因此，由温度驱动的ETO在大部分地区增加，而基于物理原理的FAO-PM ETO和ETc则主要表现出无显著变化或略有下降的趋势。辐射、空气动力学和水分相关驱动因素的补偿性变化抵消了温度升高的影响，使蒸发蒸腾与温度升高脱钩。作物物候的加速进一步稳定了季节性ETc的累积值。这些发现表明，仅温度升高并不一定会增加蒸发需求或作物用水量，这突显了基于温度的灌溉预测的局限性，以及需要多变量、物理上一致的评估方法来研究气候变化对区域农业水资源需求的影响。

引言：气候变化对多个领域构成了严重威胁，特别是在生物多样性、土地利用、农业、人类健康、能源和水资源方面（Arnell等人2016；Betts等人2018；Tian等人2019）。全球不同地区，包括地中海国家，都记录到了气温升高的现象（Arnell等人2019；González-Hidalgo等人2020；Sandonis等人2021；Ben-Hamouda等人2021；Ahmadi等人2022；Galván-Cano等人2025；Aslam等人2025）。温度升高与更频繁和更严重的极端天气事件（如热浪、干旱、洪水和降雨模式不规律）密切相关，这些事件对农业生产力造成了巨大压力。区域粮食生产系统尤其脆弱。例如，在反复干旱、热应激和水文状况变化的情况下维持作物产量变得尤为具有挑战性（Betts等人2018；Yan等人2025）。多项研究表明，温度升高与作物需水量变化有关（Ben-Hamouda等人2021；Ahmadi等人2022；Galván-Cano等人2025；Aslam等人2025）。然而，在某些情况下，气候预测仅能提供有限的信息，导致人们使用简单的作物需水量估算方法，这可能会影响估算的准确性。在水文研究中，气候变化对灌溉需求的影响通常通过降水（Pp）和蒸发需求来表示。在农业应用中，蒸发需求通常使用参考蒸发蒸腾量（ETO）来量化。ETO结合了标准化条件下的辐射和空气动力学控制因素，基于一种短草参考表面。尽管ETO被广泛使用，但在变化的气候条件下，气象和生物因素如何影响ETO仍不清楚。

蒸发蒸腾代表通过土壤蒸发和植物蒸腾向大气中损失的水分（Brutsaert 1982）。在农学中，ETO的概念用于描述与作物类型或管理方式无关的大气蒸发需求。ETO是为一个假设的、水分充足的参考表面定义的，通常是具有固定生物物理特性的短草（高度、反照率和表面阻力）。ETO的物理驱动因素包括相变所需的能量（主要是净辐射）、大气去除水蒸气的能力（受风速和空气湿度控制）以及依赖于湿度和温度的饱和蒸汽压。这些变量共同决定了能量供应和控制水分从表面转移到大气中的空气动力学过程。这些驱动因素的相对影响因地区和气候而异，并存在日常和季节性变化（Ahmadi等人2022）。已经开发出多种建模方法来估算ETO，这些方法在理论基础和数据要求上有所不同。最古老和最简单的方法是基于温度的经验模型，它们依赖于观测到的气温与蒸发需求之间的相关性。其中，Thornthwaite（1948）方法仅使用平均月温和日照时长。该方法在半干旱或多风气候中的适用性有限，因为它没有考虑辐射或空气动力学过程。Hargreaves-Samani方程（Hargreaves和Samani 1985）引入了日温差和太阳辐射作为净辐射的替代指标，当只有温度数据时提高了预测能力。这些方法由于数据需求低而具有吸引力，但只能提供粗略的蒸发蒸腾估算。基于辐射的模型结合了太阳或净辐射和气温，带来了显著的改进。例如Priestley-Taylor（Priestley和Taylor 1972）或Makkink（1957）方法从能量平衡中推导出ETO，同时简化或忽略了空气动力学阻力。这些方法在湿润或能量受限的环境中表现良好，因为在这种环境中大气需求对风速或蒸汽压缺口的依赖性较低。然而，它们的简化限制了在半干旱气候中的准确性，因为在这种情况下空气动力学效应变得占主导地位。使用结合能量平衡和空气动力学组分的综合方法可以获得物理上一致的蒸发蒸腾估算。经典的Penman（1948）方程为新一代方法奠定了基础，该方法将净辐射与由风速和湿度梯度驱动的质量传递项相结合。基于这一概念，FAO Penman-Monteith方程（Allen等人1998；Pereira等人2025）已成为估算参考蒸发蒸腾量的全球标准。该公式明确考虑了冠层阻力、大气阻力和一套完整的气象变量（辐射、温度、湿度和风速），提供了控制ETO的物理过程的机制描述。其广泛的适用性和在不同气候条件下的稳定性能使其成为灌溉调度、作物建模和水资源研究的标准。

评估气候变化对作物生长和水分需求的影响需要每日气象变量，如气温、太阳辐射、降水量、风速和相对湿度。由于在西班牙南部和美国西部等地区并不总是能够获得覆盖广泛区域的标准化气象站数据，因此通常使用预测模型来获取气候数据（Moriondo等人2011；Fraga等人2016；Galván-Cano等人2025）。随着模型、输入数据和数据同化方法的进步，几代大气再分析产品的质量不断提高。主要的全球再分析项目包括日本气象厅（JRA-55，Harada等人2016）、NASA（MERRA-2，Gelaro等人2017）、美国地质调查局（Hobbins等人2023）和欧洲中期天气预报中心（ERA-Interim，Dee等人2011）的产品。这些努力提供了具有长时间覆盖范围和高空间及时间分辨率的各种气候数据产品。尽管一些用户将再分析产品视为与直接观测等同，但这种假设并不总是成立的（Dee等人2011）。作物蒸发蒸腾量（ETC）通常通过将参考蒸发蒸腾量乘以作物系数（Kc）来估算（Allen等人1998）。Kc值取决于作物类型和生长阶段，特别是作物高度、叶面积指数和地面覆盖比例（Allen等人1998）。FAO-56指南将作物生长分为四个连续阶段：初始期（阶段I）、生长期（阶段II）、中期（阶段III）和后期（阶段IV）。指南为多种一年生作物提供了这些阶段的典型持续时间。然而，FAO-56物候阶段持续时间的最新修订强调了影响作物生长的年际天气条件的强烈变异性，表明使用固定的、基于日历的阶段持续时间可能会导致作物系数估算的不确定性（Paredes等人2025；Pereira等人2025）。气温是作物生长和发育的主要驱动因素之一，它通过控制光合作用、呼吸作用和物候进程等生理过程来发挥作用（Bonhomme 2000）。在许多作物中，温度与光周期相互作用，后者作为控制开花和成熟等发育转变的额外调节信号（Craufurd和Wheeler 2009）。温度与物候之间的关系通常用热时间或生长积温（GDD）来描述。作物发育的热时间模型被广泛用于许多农学和农业气象应用中，为作物生长和发育的模拟提供了实用框架。在AquaCrop模型的最新修订版（Raes等人2009）中，已将热时间与光周期的相互作用纳入其中，以改善作物生长和发育的模拟。同样，广泛使用的作物模型如DSSAT（Jones等人2003）和APSIM（Keating等人2003）主要将作物物候发育表示为累积热时间的函数，结合了光周期敏感性和某些作物的春化需求。这些发展使得作物在对比气候条件下的生长模拟更加真实。基于GDD的模型的一个关键局限性是假设温度与作物发育速率之间存在线性关系，这简化了作物对不同阶段温度变化的响应（Bonhomme 2000）。其他因素如光周期和春化作用可以与温度相互作用，调节关键发育过程，包括开花。在昼夜长度有显著季节性差异的地区，这种相互作用尤为重要（Bonhomme 2000；Craufurd和Wheeler 2009）。尽管存在上述局限性，基于热时间的模型仍被广泛用于评估气候变化对作物发育和适应的影响（Fraga等人2016；Fernández等人2023；Funes-Mesa等人2024；Lizaso等人2018；Tomazetti等人2015）。许多研究使用热时间方法分析了在不同温度条件下作物发育阶段持续时间的变化（Parker和Abatzoglou 2017；Yang等人2024），并评估了这些变化对生物量积累、产量形成和整体作物生产力的影响（Hatfield等人2014）。此外，热时间模型还被广泛用于探索作物适应策略，包括适宜生长区域的改变以及使用具有不同物候需求的品种，从而能够评估作物对未来气候条件的响应（Menzel等人2006；Tao等人2014）。阿拉贡是西班牙灌溉农业的关键地区。埃布罗河流域的灌溉面积占47.6万公顷（Playán等人2024）。塔古斯河流域还有少量阿拉贡地区的土地被灌溉。西班牙的灌溉总面积为3,731万公顷（ESYRCE，2024）。因此，阿拉贡地区的灌溉量占全国灌溉总量的13%。该地区的灌溉气候属于地中海型或地中海大陆型。本研究的主要目标是利用阿拉贡地区SIAR农业气象网络过去二十年的观测数据，分析蒸发蒸腾量（ETO）和有效蒸发蒸腾量（ETC）及其气象驱动因素的趋势。为实现这一目标，将具体开展以下工作：

1. 分析FAO Penman-Monteith参考蒸发蒸腾量（FAO-PM ETO，单位：毫米）的年度、季节性和月度变化趋势，以及其驱动气象变量：最高温度（Tmax，单位：摄氏度）、最低温度（Tmin，单位：摄氏度）、平均温度（Tmean，单位：摄氏度）、相对湿度（RH，单位：%）、蒸气压差（VPD，单位：千帕）、降水量（Pp，单位：毫米）、风速（WS，单位：米/秒）和太阳辐射（Rs，单位：瓦特/平方米）。

2. 分析Hargreaves-Samani蒸发蒸腾量（ETOHS，单位：毫米）的年度变化趋势，并与FAO-PM ETO进行比较。

3. 使用热时间模型，分析阿拉贡地区主要作物的FAO-56物候生长阶段的年度变化趋势。

4. 分析阿拉贡地区主要作物的有效蒸发蒸腾量（ETC）的年度变化趋势。

由于过去二十年受到气候变化的影响，这些研究将有助于利用真实的气象数据评估气候变化对参考蒸发蒸腾量和作物蒸发蒸腾量的影响。

### 材料与方法

#### SIAR气象网络与站点描述
SIAR农业气象站网络（servicio.mapa.gob.es/websiar/）由西班牙农业部（MAPA）于1998年与地方政府合作建立。该网络是全球最具雄心的国家灌溉现代化计划之一的一部分，其主要目标是在灌溉区域内提供高质量的气象数据，以支持更高效和可持续的农业水资源管理。所有站点均按照标准化设计安装，配备相同的传感器，测量相同的变量，并以半小时和每日的时间分辨率记录数据。目前，每个站点积累了约二十年的连续观测数据。标准化仪器、一致的时间分辨率和长期数据可用性使得SIAR网络成为分析历史趋势和预测西班牙灌溉地区参考蒸发蒸腾量（ETC）及作物蒸发蒸腾量（ETC）变化的重要资源。尽管数据集存在时间限制，但仍足以将近期农业气象动态纳入作物需水量的计算中。这些信息对于流域尺度的水文规划（西班牙每六年更新一次）和灌溉区设计至关重要，因为灌溉区的基础设施通常具有20-25年的使用寿命。

SIAR网络覆盖了西班牙大部分灌溉区域，其观测密度根据当地的灌溉发展程度进行了调整（图1a）。本研究选取了位于阿拉贡地区的SIAR站点，共分析了49个自动气象站（AWS）：韦斯卡省22个，萨拉戈萨省21个，特鲁埃尔省6个。

#### 数据来源
SIAR网络的自动气象站每半小时和每天记录空气温度和相对湿度、风速和方向、太阳辐射以及降水量等数据。农业气象信息每天会在专门的网站平台上发布，其中还包括使用FAO-PM ETO公式（Allen等人，1998年；Pereira等人，2025年）计算的标准ETO估计值。

#### 数据处理
- 对每个AWS的年度数据进行了初步筛选，排除了连续五天以上数据缺失的年份，保留了至少有17年几乎完整数据的站点。缺失数据通过最近的可用站点数据进行补充。
- 使用公式（1）计算了每日蒸气压差（VPD，单位：千帕），因为叶片蒸腾作用依赖于叶片内部与周围空气之间的蒸气压差。
- 根据Hargreaves-Samani方法（Hargreaves和Samani，1985年）计算了基于热时间的ETO（公式2）。

#### 分析方法
- 对每个AWS的日数据进行了年度、季节性和月度趋势分析。
- 使用Mann-Kendall检验（Mann，1945年；Kendall，1975年）检测时间序列中的单调趋势，该检验在气候学、水文学和环境科学中广泛应用。
- Sen的斜率（Sen，1968年）用于估计时间序列中单调趋势的强度和方向。

#### 作物与生长度日模型
- 选择长季玉米作为代表性年度作物，因其在该地区的种植面积广、需水量大，且有可靠的生长度日（GDD）模型应用实验数据。
- 研究中还考虑了该地区的几种果树作物：桃子（早熟、中熟和晚熟品种）、樱桃、杏子、杏仁、橄榄和葡萄。果树的生长主要受热时间驱动，因此GDD方法特别适合分析物候趋势。
- 对于玉米和核果果园生长阶段的持续时间，数据来自阿拉贡地区的研究（表1）。

#### 生长阶段确定方法
- 对于年度作物，使用FAO-56手册（Allen等人，1998年）定义的四个生长阶段来划分物候阶段。
- 对于果树，采用了García-Vera和Martínez-Cob（2004年）提出的四阶段分类方法，该方法基于FAO-56进行了调整。阶段划分依据关键物候和生理事件：
- 初始阶段：从芽萌发到开花开始；
- 发展阶段：从开花到果核硬化；
- 中期阶段：从果核硬化到收获后约十天；
- 晚期阶段：从收获后十天到叶片衰老。该阶段的结束以GDD累计完成或首次霜冻为准。

#### 热时间模型
- 使用McMaster和Wilhelm（1997年）提出的生长度日（GDD）方法分析作物生长动态，通过公式（3）根据年份计算每日热量积累。

#### 结果总结
- 通过Mann-Kendall检验和Sen的斜率分析了各作物的年度、季节性和月度趋势及其气象驱动因素。
- 根据每个AWS的日数据，计算了ETO和ETC的年度、季节性和月度变化趋势。
- 选择了代表作物的几种果树，并分析了其生长阶段的发展情况。图2展示了所选AWS的位置。图2的替代文本可能是使用AI生成的。全尺寸图像显示了阿拉贡地区SIAR网络中45个选定自动气象站（AWS）的分布情况，并标明了各气象站的名称。表2总结了所选AWS在其时间序列中分析变量的平均值、最大值和最小值。年平均最高温度（Tmax）最高的AWS是Valfarta，而年平均最低温度（Tmin）最低的AWS是Villarquemado。气象变量中变化最大的是风速，其变异系数（CV）为31.9%。风速最大的AWS是El Bayo（3.7米/秒），而风速最小的AWS是Banastón（0.9米/秒）。降水量在各个AWS之间也存在显著差异，最大降水量出现在Banastón（785.9毫米），最小降水量出现在Quinto de Ebro（297.7毫米），平均降水量为375.0毫米，显示出非正态分布。太阳辐射的变化幅度最小，其CV为2.4%。年蒸发量（ETO）的最大值出现在Híjar（1,485.8毫米），最小值出现在Daroca（963.3毫米）。年蒸发量指数（ETOHS）的变化幅度小于ETO，其中ETOHS的最大值出现在Fraga（1,373.1毫米），最小值出现在Tarazona（1,124.4毫米）。

表2列出了45个AWS的选定气象变量、FAO-PM ETO和Hargreaves-Samani ETOHS的年平均值、最小值、平均值、标准差（SD）以及变异系数（CV，%）。

图3展示了所考虑变量的年度趋势地图。红色点表示具有统计上显著增长趋势的AWS，蓝色点表示显著下降趋势，白色点表示没有显著趋势。在研究期间，45个AWS中有44个显示出年平均每日最高温度（Tmax）的统计上显著增长。只有Boqui?eni站没有显著趋势。对该站每日温度数据的回顾显示，2024年的数据与最近的AWS Santa Engracia相比有轻微偏差。当排除2024年的数据后，Boqui?eni站的Tmax趋势在p值为0.10时变得略微显著，尽管在0.05水平上仍然不显著。Tmax增长趋势的平均Sen斜率为0.10°C/年，最大值为0.13°C/年，最小值为0.07°C/年（表3）。年平均每日最低温度（Tmin）在33个AWS中也显示出统计上显著的增长趋势，而在剩余的12个站点未检测到显著趋势（表3）。Tmin增长的平均速率为0.06°C/年，最大值为0.11°C/年（Calatayud AWS），最小值为0.03°C/年（Borja和Lanaja AWSs）。同样，年平均温度在43个AWS中显著增加，而在Boqui?eni和Tardienta AWS站未观察到显著趋势。Tmean在43个AWS中显著增加，而在Boqui?eni和Tardienta站的p值接近显著性阈值。Tmean增长的平均速率为0.08°C/年，最大值为0.12°C/年（Calatayud AWS，表3），最小值为0.05°C/年（Zaragoza AWS，表3）。年平均相对湿度（RH）在21个AWS中显著增加，而在剩余的24个站点未观察到显著趋势（表3）。RH增长的平均速率为0.32%/年，数值范围在0.20%（Candasnos AWS）到0.51%（Valfarta AWS）之间。相对湿度的增加部分抵消了温度的上升，导致45个AWS中有4个AWS的蒸气压亏缺（VPD）呈下降趋势，而在剩余的41个站点未检测到显著趋势。

表3显示了45个AWS的观测气象变量、FAO-PM ETO和Hargreaves-Samani ETOHS的Sen斜率估计值以及年度趋势（增长、下降和无趋势；分别为正、负和无值）。

年度总降水量没有显著趋势，Selgua AWS除外，它显示出轻微但统计上显著的增长趋势。年平均风速在45个AWS中有34个显示出显著下降趋势，而在剩余的11个站点未观察到显著趋势（表3）。风速下降的平均速率为0.02米/秒/年，Sen斜率值介于0.01（9个AWS）到0.07米/秒/年（Gurrea de Gállego AWS）之间。

表3还显示了年度太阳辐射在45个AWS中的统计上显著下降趋势，平均下降速率为-22.13 MJ m?2 yr?1，Sen斜率值介于-17.78（Banastón AWS）到-37.02 MJ m?2 yr?1（Belchite AWS）之间。FAO-PM ETO的年蒸发量（Penman-Monteith）在12个AWS中显示出显著下降趋势，而在剩余的33个站点未检测到显著趋势。FAO-PM ETO的平均下降速率为-6.08毫米/年，Sen斜率值介于-2.09（Tamarite de Litera AWS）到-10.38毫米/年（Gurrea de Gállego AWS）之间。另一方面，热驱动的参考蒸发量（ETOHS）在45个AWS中有36个显示出上升趋势，而在剩余的33个站点未观察到趋势。ETOHS的平均增长率为11.68毫米/年，Sen斜率值介于7.48（Candasnos AWS）到17.37毫米/年（Alcolea de Cinca AWS）之间。空气温度（Tmax、Tmin和Tmean）的显著上升导致ETOHS上升趋势，而ETO趋势则呈现中性或下降趋势。这种表面上的矛盾可以通过FAO-56 Penman-Monteith方程中包含的其他气象蒸发驱动因素的抵消效应来解释：相对湿度的增加和蒸气压亏缺的减少、风速的降低以及太阳辐射的稳定或下降。

表4和表5分别总结了ETO及其驱动变量的季节性和月度趋势。对于每个变量，表格报告了按季节和月份划分的显示显著增长或下降趋势的自动气象站数量。就温度而言，冬季和夏季是显示最高数量AWS增加最大、最小和平均温度的季节（表4）。在夏季，八月和七月是所有温度变量增加数量最多的月份（表5）。

这项分析的一个最重要发现是风速的普遍下降（图3；表3）。这对作物蒸发量的空气动力学成分（以及其他活动，如风能）的影响非常重要。在季节尺度上，这种下降在春季和夏季最为明显，分别有27个和28个AWS显示出下降趋势（表4）。在月份尺度上，所有月份都检测到风速的下降，尽管受影响的AWS数量有所不同，其中三月的影响最大（25个AWS），其次是八月、七月、六月和十月（表5）。

表4显示了按季节（冬季、春季、夏季和秋季）和年度划分的显示增加或减少趋势的AWS数量。

季节性太阳辐射主要在夏季和秋季显示出下降趋势，分别影响了18个和9个AWS（表4）。在月份尺度上，这种下降在夏季月份最为明显，特别是在六月（12个AWS）和七月（11个AWS），并且也延伸到了九月（9个AWS）。尽管太阳辐射有适度下降，但夏季的下降趋势对区域蒸发量产生了重要的定量影响。

关于与水相关的大气变量，相对湿度在秋季、冬季和夏季的超过三分之一的AWS中显示出上升趋势（表4），其中七月（18个AWS）和十二月（16个AWS）的RH上升数量最多（表5）。蒸气压亏缺在几个AWS中显著下降，特别是在冬季（10个AWS）和秋季（7个AWS），十二月、十一月和九月各有5个AWS的VPD下降。然而，在八月，有9个AWS的VPD上升，表明这个变量可以根据月份的不同呈现上升或下降趋势（表5）。降水量没有明显的年度趋势，但在夏季有5个AWS增加，在春季有2个AWS减少。月度分析显示六月有7个AWS的降水量增加，而在二月和四月有2个AWS减少。

与这些模式一致，季节性参考蒸发量（ETO）在夏季（11个AWS）和秋季（15个AWS）显示出显著下降趋势。在月份基础上，六月和七月的ETO减少最为频繁，每个月份各有9个AWS。在秋季，类似的减少主要发生在九月（11个AWS）和十月（10个AWS）。

表6展示了显示统计上显著趋势的AWS数量，这些趋势指示了变化的方向。对于长季玉米，第三阶段（Phase III）和第四阶段（Phase IV）的持续时间在18个AWS和20个AWS中显著缩短。结果表明，在超过三分之一的AWS中，全冠层覆盖与籽粒灌浆开始之间的时间间隔以及籽粒灌浆与收获之间的时间间隔缩短。在果树中，第一阶段（Phase I）和第三阶段（Phase III）的持续时间在大量AWS中显示出下降趋势。具体来说，开花日期在早熟、中熟和晚熟桃子中分别提前了27个、19个和16个AWS。第三阶段的持续时间也显示出下降趋势，反映了晚熟桃子（42个AWS）、橄榄（24个AWS）和葡萄（25个AWS）的收获提前。

图4展示了这些趋势的空间分布。总体而言，所有作物的ETC趋势要么是下降的，要么是不显著的。玉米显示出最多AWS的ETC下降趋势（35个中的45个），其次是中熟和晚熟桃子（各25个AWS），以及早熟桃子（24个AWS）。杏仁和樱桃分别在17个和15个AWS中观察到下降趋势。葡萄和杏子的受影响最小，分别只有7个和5个AWS显示出下降趋势。

表7和表8分别总结了ETC和IRN的趋势，以及每种作物和AWS的Sen斜率。显示ETC下降的AWS通常也显示出所有作物的ETC下降趋势，杏子和葡萄除外（表7）。如前所述，这两种作物只在有限的站点（分别为五个和七个AWS）显示出ETC下降趋势。此外，因为不仅在ETC下降的站点，而且在许多ETC趋势不显著的站点也观察到ETC下降趋势，我们的结果表明作物物候的变化，特别是生长阶段的缩短，正在导致作物ETC的总体减少。这种效应在玉米中尤为明显，因为生长阶段III和/或IV的缩短导致即使在没有显著ETC趋势的AWS中ETC也减少。

进行了敏感性分析，以评估ETC趋势对表1中提出的Kc值（±10%）和热时间需求（每个物候阶段的±10% GDD）不确定性的鲁棒性。Kc的变化比例修改了ETC和Sen斜率的幅度，但没有改变检测到的趋势的方向或统计显著性，这些趋势在所有站点和作物中保持一致地下降或不显著。相比之下，关于热时间的假设对ETC趋势结果的影响更大。通过将所需GDD减少10%来缩短作物周期，增加了显示ETC下降趋势的作物-站点组合的数量，表明检测到的趋势信号被放大。相反，通过将GDD需求增加10%来延长作物周期，减少了下降趋势的数量，从而减弱了整体趋势效应。这些结果表明，ETC趋势评估对关于物候持续时间的假设非常敏感，而对Kc值的适度变化相对具有鲁棒性。就ETC趋势的幅度而言，根据Sen的斜率来看，Gurrea de Gállego的AWS在所有分析的作物中显示出最大的ETC减少幅度，从葡萄的-5.37毫米/年到玉米的-8.61毫米/年不等。相比之下，位于Fraga和San Esteban de Litera的AWS显示出最小的显著下降趋势，其数值范围从玉米的-1.45毫米/年到PeachMed的-3.40毫米/年（表7）。通过将ETC和Pp的算术组合来确定IRN，以及用于估计这一变量的假设（表8），消除了表7中的大多数显著趋势。但对于玉米来说并非如此，与ETC类似，它在阿拉贡的许多AWS中也显示出IRN下降趋势。就果树而言，只有Barbastro、Selgua和Alfántega显示出IRN的统计下降。葡萄、橄榄树和一些核果在这三个地点具有经济重要性（表8）。

IRN趋势也可能受到Kc值和热时间需求的影响。也对Kc和GDD值对IRN的影响进行了敏感性分析。IRN趋势对参数变化的敏感性高于ETc趋势。降低Kc或延长作物周期通常会减少IRN趋势下降的作物-站点组合数量，而提高Kc或缩短作物周期则会增加这种组合的数量。IRN上升的趋势很少见，并且对这些修改没有系统性的响应。

表7 不同作物在45个AWS处的Sen斜率估计值和年趋势（增加、减少和无趋势；分别为正、负和无值）

表8 根据本研究采用的假设，不同作物在45个AWS处的Sen斜率估计值和年趋势（增加、减少和无趋势；分别为正、负和无值）

讨论
在研究期间（2004-2024年），控制参考蒸散作用的气象变量在AWS网络中显示出相反的趋势。年平均温度（Tmax、Tmin、Tmean）分别以0.10、0.06和0.08°C/年的速度显著上升，远高于先前长期研究报道的升温速率。例如，González-Hidalgo等人（2020年）报告称1916-2015年间Tmax的升温速率为0.12°C/十年，Vicente-Serrano等人（2017年）观察到自20世纪60年代以来夏季Tmin的显著上升速率为0.3°C/十年，Sandonis等人（2021年）报告称1916-2015年间西班牙大陆年平均温度上升了0.10°C/十年。与这些研究相比，我们的结果显示升温速度明显加快，Tmax的升温速率大约是它们的十倍，Tmin的升温速率是其两倍，Tmean的升温速率是其八倍。

大气湿度和辐射-空气动力学驱动因素的变化是异质的。相对湿度的增加部分抵消了温度的上升，减少了四个AWS处的蒸气压亏缺。灌溉现代化的局部效应——特别是从地面灌溉系统向喷灌系统的转变——可以增加湿度并由于蒸发增强而略微冷却空气（Mahmood等人，2006年；Martínez-Cob等人，2008年；Cavero等人，2009年），尽管这些效应在我们的网络中有限，并不能完全解释观察到的模式（Bonfils和Lobell，2007年）。大多数站点的年降水量没有显著趋势，这与西班牙之前的研究结果一致（Caloiero等人，2018年；González-Hidalgo等人，2023年）。相比之下，年平均风速显示出广泛的显著下降，平均下降速率为0.02米/秒/年，反映了“静止”现象的持续。先前的研究记录了西班牙和葡萄牙直到2010年的风速下降速度为-0.15米/秒/十年（Azorín-Molina等人，2014年；Utrabo-Carazo等人，2022年），随后是一个微弱的、不显著的恢复（+0.04米/秒/十年；Zeng等人，2019年）。我们的结果显示，在阿拉贡，风速下降在2004-2024年间持续存在。这种现象归因于多种过程的结合，包括由温室气体引起的升温所导致的大气稳定性增强，这抑制了湍流并限制了向下动量的传递，以及大尺度环流模式的改变，这些改变削弱了主导的天气系统风（Vautard等人，2010年）。同时，地表变化，如城市化、造林和植被密度的增加，提高了地表粗糙度，进一步降低了近地表风速。

年太阳辐射在有限数量的站点显示出统计上显著的下降趋势，表明研究区域某些部分的辐射强迫有所减弱。空气温度上升的趋势解释了AWS网络中ETOHS的统计显著增加。然而，当使用基于物理的FAO-PM ETO时，趋势主要是不显著的或微负的。这些结果揭示了空气温度趋势和FAO-PM ETO趋势之间的明显局部脱钩。尽管在所有气象站都检测到统计上显著的升温，但FAO-PM ETO和ETC都没有显示出系统性的上升趋势。这一结果挑战了通常假设的温度上升与蒸发需求增加之间的直接联系，并强调了考虑控制蒸散作用的所有气象因素共同演变的重要性。温度与相对湿度呈负相关（r = -0.61，对于Tmean），与太阳辐射呈正相关（r = 0.73，对于Tmean）。然而，个别AWS可能会偏离这些平均关系，允许特定地点的温度和相对湿度同时增加和/或Rs减少。

Burman等人（1975年）分析了爱达荷州（美国）一个大型灌溉区域内气候变量的长期变化及其对蒸发量的影响。研究发现，尽管空气温度上升，但估计的蒸发量并没有在整个区域内均匀增加。这种行为归因于气候驱动因素之间的补偿效应，特别是风速的减少和大气湿度的变化，这些因素抵消了仅由升温引起的蒸发需求增加。Ahmadi等人（2022年）在加利福尼亚进行的大规模分析显示，虽然太阳辐射全年主导FAO-PM ETO，但在春季和夏季，蒸气压亏缺是主要驱动因素，并且在研究区域的各个季节和气候带中没有检测到一致的单调趋势。

相对湿度直接影响蒸气压亏缺，这是FAO Penman-Monteith方程中蒸散作用的主要驱动因素。即使在空气温度上升的情况下，增加的大气湿度也会降低VPD，从而限制蒸发需求。这一机制有助于解释Aslam等人（2025年）报告的FAO-PM ETO在空间上的异质性和通常较弱的趋势，他们表明温度驱动的ETO增加在撒丁岛（意大利）并不均匀，并且在湿度和大气环流同时变化的地区（如高海拔或靠近海岸的地方）趋于较小。风速的下降进一步促进了观察到的蒸发量稳定或减少。风速控制着水蒸气和能量的空气动力学传输，其减少降低了表面与大气之间的湍流交换效率。因此，相对湿度增加和风速下降的共同效应为FAO-PM ETO和ETC趋势没有增加提供了物理上一致的解释，尽管温度在上升。

将我们的结果与其他气候背景下的研究进行比较，突显了区域水文气候条件的重要性。在非洲，Agele（2021年）报告称，由于温度上升和降水量减少，蒸散压力增加，导致土壤水分枯竭和大气需求增加。在这种环境下，湿度的减少和土壤水分的减少加剧了蒸发需求，与西班牙阿拉贡地区观察到的情况相反。这些差异表明，由升温引起的蒸散变化具有高度的地点特异性，不能在不考虑伴随的水分可用性和大气动力学变化的情况下进行概括。

Galván-Cano等人（2025年）使用来自22个全球气候模型（GCMs）在SSP2-4.5和SSP5-8.5情景下的偏差校正预测，评估了气候变化对墨西哥Aguascalientes半干旱灌溉区FAO-PM ETO的影响。他们的研究结果表明，未来ETO将增加。该研究的一个关键发现是，GCMs在准确表示高度敏感的气候变量（特别是降水量、相对湿度和风速）方面的能力有限，这些变量是半干旱环境中ETO的关键驱动因素。这些变量的相关性较弱，不确定性较高。基于情景的研究进一步支持了蒸散作用对升温的响应受到反馈和相互作用驱动因素调节的观点。Ben-Hamuda等人（2021年）表明，在固定CO?浓度下，温度驱动的FAO-PM ETO增加在考虑高CO?水平时显著减少甚至逆转，这是由于生理反应如气孔导度降低。尽管标准FAO-PM ETO和ETC公式没有考虑CO?效应，但这些发现表明，如果忽略这些调节过程，未来的蒸散作用可能会被高估。

此外，作物物候学研究表明，温度上升通常会加速作物生长，缩短生长周期，可能减少累积的季节性用水量（Craufurd和Wheeler，2009年）。对于多年生作物如葡萄藤，气候预测表明物候阶段缩短和压力暴露改变，这对水分需求和生产力有复杂的影响（Fraga等人，2016年；Moriondo等人，2013年）。这些动态进一步加剧了空气温度趋势与实际作物用水量之间的脱钩。这些发现的影响扩展到农业水资源管理和作物用水需求。尽管有升温趋势，但ETC的稳定或下降表明，灌溉需求可能不会如预期那样增加，特别是在大气湿度和空气动力学条件朝补偿方向变化的情况下。然而，我们的物候模拟可能受到限制，需要详细分析。果树的春化需求没有明确建模，且基于文献值的固定GDD阈值和开始日期可能忽略了品种差异。此外，所使用的模型没有考虑热浪或短期极端温度事件的影响，这些事件可能会加速或干扰作物的生长。

总体而言，这项研究为越来越多的文献提供了实证证据，表明空气温度的上升并不一定转化为参考蒸发量或作物蒸发量的增加。这些结果提醒我们在评估未来水资源需求和农业适应策略时，需要考虑物理上一致的气候变化评估。

结论
本研究分析了2004-2024年间西班牙东北部阿拉贡地区45个农业气象站组成的同质网络的综合数据集。主要发现包括：
1. 2004-2024年间观察到明显的升温加速，大多数AWS处的Tmax、Tmin和Tmean显著上升，其速率远高于西班牙更长时间历史时期报告的速率。
2. 蒸散作用的非热驱动因素朝着补偿方向发展，风速普遍下降，太阳辐射在某些站点局部减少，相对湿度增加，而降水量基本保持不变。
3. 由温度驱动的ETO-HS（Hargreaves–Samani方法）随温度一致增加，而基于物理的FAO-PM ETO（和ETC）主要呈现不显著或微负趋势，证实了空气温度与蒸发需求之间的脱钩。
4. 作物物候的变化导致累积作物蒸发量减少，因为升温加速了作物生长周期，特别是对于玉米等一年生作物，部分抵消了潜在的大气水分需求的增加。
5. 总体而言，我们对净灌溉需求的初步分析显示，尽管有显著升温，但仍具有时间稳定性，这表明未来的水资源需求预测必须同时考虑大气对蒸散作用的控制、降水量分布和作物的物候响应，而不仅仅是基于温度的假设。