中国北部蒸发蒸腾作用的生态系统依赖性驱动因素

《Ecological Indicators》：Ecosystem-dependent driving factors of evapotranspiration in northern China

　　国锋当 | 唐阳 | 开朝林 | 能旭 | 白琴珍
西北师范大学地理与环境科学学院，兰州，730070，中国

**摘要**
蒸发蒸腾（ET）对水分和能量平衡以及碳循环起着至关重要的作用，其精确量化对于生态水文研究至关重要。本研究利用涡度通量数据，探讨了中国北部四种陆地生态系统（包括森林、草原、农田和沙漠）中ET的空间和时间异质性及其驱动因素。研究发现，这四种陆地生态系统中的ET季节性变化明显：夏季ET值最高，冬季最低。在年际变化方面，沙漠的ET值最低，而森林、草原和农田生态系统之间的差异较小。此外，还利用结构方程模型研究了ET的驱动因素。不同生态系统中ET的主要驱动因素表现出明显的差异：在森林生态系统中，ET主要受净初级生产力（GPP）驱动，表明植被覆盖度调节水分损失；在草原生态系统中，ET受辐射净通量（Rn）主导，凸显了能量分配的核心作用；在农田中，ET受土壤湿度（Ta）控制；在沙漠中， evaporative pressure deficit (VPD) 是最主要的ET驱动因素，因为大气干燥度通过抑制蒸腾作用（Gs）显著降低ET。该研究揭示了ET变化依赖于陆地生态系统类型，建立了中国北部多种生态系统中ET驱动因素的量化谱，为研究不同生态系统的水循环动态和水资源管理提供了重要见解。

**1. 引言**
蒸发蒸腾主要包括土壤蒸发、植被冠层的截留以及植被蒸腾（Chen等人，2021）。作为全球水和能量循环的重要组成部分，它对地表能量平衡和陆地水循环过程至关重要，影响降水?辐射能在地表的重新分布（Chang等人，2018；Wang等人，2018；Z. Wang等人，2021）。在碳循环中，植物通过气孔的开闭在叶面与大气之间交换CO2和水蒸气。ET将地表的水从液态转化为气态，消耗了全球陆地表面太阳辐射的50%以上。这一过程不仅降低了地表温度，调节了大气湿度，并影响了云的形成，而且地表湿度和降水之间的相互作用对区域乃至全球气候都有影响（Pan等人，2020）。此外，ET是陆地水循环的重要组成部分，占全球降水的60%-70%，在干旱地区这一比例甚至可高达90%（Feng等人，2024）。然而，ET会快速响应环境变化，其驱动机制复杂多样，在不同空间和时间尺度上存在显著差异（Han等人，2021）。目前，ET的驱动机制是国际研究的热点和难点，因为这有助于进一步理解生态系统水分利用过程对环境变化的响应机制，更重要的是，为水资源利用和管理制定适应性对策（Song等人，2017）。

由于全球气候变化导致的大气和水循环显著变化，通过复杂的陆地-大气相互作用，土壤湿度动态和植被生长也发生了相应调整（Fatih等人，2022；Cetin等人，2023）。过去几十年里，许多地区的ET呈现上升趋势（Martin等人，2010；Zeng等人，2012；Zhang等人，2016）。采取了统计分析、实验操作和建模等多种方法来识别不同地区ET变化的驱动机制，以应对气候变暖和土地覆盖变化（Teuling等人，2009；Gong等人，2017；X. Wang等人，2020）。以往的研究发现，气候因素对ET有显著影响（Yu等人，2002；Yuan等人，2017）。此外，大多数研究主要使用相关系数方法来量化影响ET的因素。例如，Yang等人（2023）结合气象数据和归一化差异植被指数（NDVI）数据，研究了2001至2020年间Mu US沙区的实际ET情况，发现降水是影响实际ET的气候条件的主要因素，而NDVI是同一时期影响ET的主要因素，使用趋势分析和相关系数分析显示其与温度无显著相关性。Gan等人（2023）利用2014-2018年的徐州Landsat卫星图像和相关气象观测数据，发现ET与地表温度呈显著线性负相关，进一步证明了ET对城市地表温度有负面影响。然而，传统的统计方法（如决定系数比较或多重回归）在识别ET主要驱动因素时，只能估计单一自变量对因变量的直接影响，忽略了不同自变量之间的相互作用。因此，在区分陆地生态系统变化和气候条件对陆地-大气之间碳、水和能量通量交换的影响时存在困难。结构方程模型（SEM）可以详细展示影响ET的因素及其相互关系。Li等人（2023）使用SEM研究了1982-2017年中国北方农牧交错带的影响因素，结果表明降水及叶面积指数（LAI）是控制ET变化的主要因素，而土壤湿度（Ta）通过促进LAI的生长间接影响ET变化。Tang等人（2014a）使用SEM阐明了2004-2011年中国东南部亚热带针叶林中ET相关因素及其作用机制，发现干旱加剧期和干旱恢复期ET分别主要由冠层导度（Gs）和深层土壤含水量（50厘米）决定。

尽管在研究ET驱动因素方面取得了许多进展，尤其是对温度、降水和植被等变量的研究较多，但在跨多种陆地生态系统的ET比较方面仍存在显著空白。以往的研究主要集中在特定生态系统类型上（Han等人，2023；Ai等人，2020；Cui等人，2024；F. Wang等人，2020）。例如，Cui等人（2024）研究了LAI、气候胁迫和CO2对森林长期ET趋势的相对贡献，而F. Wang等人（2020）发现黄土高原农田ET的增加主要归因于LAI的增加。最近，Liu等人（2025）优化了PT-JPL模型，使用岭回归方法确定相对湿度是中国西北部ET变异性的主要驱动因素，Tang等人（2025）通过随机森林和SHAP分析发现降水和LAI是中国ET的主要驱动因素。尽管有这些进展，但大多数研究仍局限于单一生态系统类型或 aggregated 区域尺度，未能在统一分析框架内系统地揭示ET驱动因素在多种陆地生态系统中的差异。此外，关于土地利用变化的研究表明，生态系统类型在ET驱动机制中起着关键作用：当自然表面转变为城市不透水面时，ET的主要驱动因素从LAI转变为Rn；当农田转变为森林时，从Ta转变为LAI（Liu等人，2021）；当湿地转变为农田时，主要驱动机制从Ta转变为VPD（Sun等人，2024）。然而，这些研究仅关注了“土地利用变化前后”的比较，尚未建立天然生态系统的ET驱动机制的定量基准谱，从而无法预测土地覆盖变化的水文效应。此外，传统的统计方法（如相关分析或多重回归）通常仅量化单个因素的直接影响，阻碍了复杂直接和间接相互作用的解析。

中国北部是最重要的农业区之一，占全国陆地面积的约58.6%。该地区拥有丰富的陆地生态系统类型，但水资源仅占19%，水资源短缺使得区域环境极为脆弱（Li等人，2017），因此需要高精度和多生态系统的ET驱动因素分析来支持生态管理。然而，现有数据往往分散且尺度不统一。为解决上述问题，本研究整合了11个通量站点的观测数据，结合SEM分析，量化了气候（Ta、Rn、VPD、Ga）、植被（GPP、Gs）和土壤湿度（SM）的直接影响和间接交互途径，揭示了ET对非生物和生物因素的生态系统依赖性响应。为中国北部多种生态系统提供了ET驱动因素的量化贡献谱，为优化区域水资源和土壤资源提供了科学依据。为了阐明这些关系的机制，本文首先构建了大气和生物条件如何影响能量分配成分（包括潜热通量（LE）和蒸发潜热（λ）及其关键影响（如图1所示），包括Ta、GPP、VPD、Rn、Ga、SM和Gs）。

**2. 材料与方法**
**2.1. 研究区域**
中国北部位于秦岭-淮河以北，研究区域的边界依据省级行政区划划定。研究区域位于东经73°40′～135°5′、北纬31°23′～53°31′之间，总面积约为5.62×10^6平方公里，占中国陆地面积的约58.6%（Yang等人，2018），如图2所示。中国北部地形复杂，从西到东分为三个梯级。地貌类型多样，包括沙漠、山脉、丘陵、高原和平原等。气候类型多样，包括季风气候、温带大陆性和山地高原气候。降水量在50至1200毫米之间，气温范围从西到东分别为-13至23℃。研究区域主要位于温带气候带，根据湿度从东向西递减，分为湿润、半湿润、半干旱和干旱气候区。东西部的湿度差异明显，加上森林、草原、农田和沙漠生态系统的共存，使中国北部成为系统比较不同环境条件下ET驱动因素的天然实验室。该地区的发现也可能为其他面临类似水资源限制的半干旱和温带地区提供参考。

**2.2. 涡度通量站点和测量**
通量塔观测数据通常反映为潜热通量，数据来源于ChinaFLUX（http://www.chinaflux.org）、FLUXNET（http://fluxnet.fluxdata.org）、Digital Heihe（https://heihe.tpdc.ac.cn/zh-hans）和国家冰川冻土沙漠科学数据中心（NGPDSDC）（http://www.ncdc.ac.cn/portal/），详见表1。通量站点的选择基于以下标准：(1) 至少有连续三年的高质量涡度协方差数据；(2) 在其气候区域内代表主要生态系统类型（森林、草原、农田或沙漠）；(3) 在所有数据来源（ChinaFLUX、FLUXNET、Digital Heihe 和 NGPDSDC）中应用一致的数据处理和质量控制程序。所选站点涵盖了从湿润到干旱的各种气候条件，确保结果能够反映中国北部的蒸发量（ET）驱动因素的多样性。研究时期（2015-2020年）包括了五个完整的生长季节，捕捉到了典型的年际气候变异性。从通量站点直接获得的通量数据包括：潜热通量 LE（J m?2 month?1）、摩擦速度 u?（m s?1）、感热通量 Hs（J m?2 month?1）、白天的生态系统呼吸作用 Re（g C m?2 month?1）、白天的生态系统二氧化碳净交换量 NEE（g C m?2 month?1）、净辐射 Rn（W m?2）、风速 u（m s?2）、气温 Ta（°C）、气压 Pa（hPa）、土壤湿度（m3 m?3）以及水汽压 e（hPa）。涡度相关仪的原始观测数据以10 Hz的频率收集，数据收集器每30分钟记录一次。处理的主要步骤包括：野点值剔除、延迟时间校正、坐标旋转（二次坐标旋转）、频率响应校正、超声波虚假温度校正和密度校正（Webb 等，1980；Moncrieff 等，1997；Moncrieff 等，2005）。每个通量值的质量也进行了评估（Mauder 和 Foken，2006），主要包括大气平滑度测试（Δst）和湍流相似性特征。Eddypro 软件每30分钟输出的通量值还经过筛选：(1) 排除仪器故障期间的数据；(2) 排除标记缺失的数据；(3) 排除降水前后的1小时数据；(4) 排除夜间湍流较弱时的观测数据。

表1. 通量站点信息。

| 站点名称 | 经度 | 纬度 | 生态系统 | 数据来源 |
|------|------|------|--------|
| 长白山（CBS） | 42.40 | 128.09 | 森林 | ChinaFULX |
| 海北（HB） | 37.62 | 101.32 | 森林 | ChinaFULX |
| 内蒙古（NMG） | 43.33 | 116.40 | 草原 | ChinaFULX |
| 四子王旗（SZWQ） | 41.78 | 111.89 | 草原 | FLUXNET |
| 多伦（DL） | 42.05 | 116.28 | 草原 | FLUXNET |
| 雨城（YC） | 36.83 | 116.57 | 农田 | ChinaFULX |
| 大漫（DM） | 38.85 | 100.39 | 农田 | Digital Heihe |
| 埃金纳吉旗（EJNQ） | 42.11 | 100.98 | 沙漠 | Digital Heihe |
| 敦煌（DH） | 40.02 | 94.84 | 沙漠 | NGPDSDC |
| 塔克拉玛干（TKLMG） | 38.93 | 83.66 | 沙漠 | NGPDSDC |

2.3. 数据处理与分析
2.3.1. 蒸发量（ET）的计算
在空间建模方法中，SEBAL 模型被广泛用于模拟区域蒸发量。该模型最初由 Bastiaanssen 等人（1998年）提出，并由 Allen 等人（2007b, 2007a）进行了改进。与其他模型相比，SEBAL 模型具有物理概念清晰、所需气象数据较少、数据获取容易、反演精度高以及适用于各种气候类型的优点。在本研究中，使用 SEBAL 模型和涡度通量站点的观测数据来计算不同陆地生态系统的蒸发量。SEBAL 模型的方程如下：(1) ET = LEλ，其中 LE 是潜热通量，λ 是蒸发1千克水所需吸收的能量。λ 包括两部分：一部分是将1千克水从初始温度升高到沸点所需的能量，另一部分是在沸点将1千克水完全气化所需的能量。λ 的方程为：(2) λ = c?(Tf?Ti)+L，其中 c 是水的比热容，其值为4.2 × 103 J kg?1 °C?1，表示将1千克水升高1°C所需的能量；Ti 是水的初始温度，在本研究中我们使用气温作为 Ti；Tf 是水的沸点；L 是水的蒸发潜热，表示将1千克沸水蒸发为水蒸气所需的能量。大约20°C时的潜热为2.45 MJ kg?1。但实际上，Ti 和 L 取决于气压 Pa，本研究中使用的 Ti 和 L 的推导见附录 B。

2.3.2. 地表能量通量的计算
(1) 土壤湿度（SM）通过田间持水量（SMfc）和萎蔫点（SMwilt）进行归一化，公式为：(3) SMI = SM ? SMwilt / (SMfc ? SMwilt)，其中 SM 是每个站点最接近地面的测量数据。
(2) 地表水汽压（VPD）通过公式 (4) VPD = es ? e 计算，其中 e 是4米高度下的水汽压，es 是饱和水汽压，根据 Murray（1967）的公式确定：(5) es = a×eb×Ta / (Ta + c)，其中 a = 6.1078 hPa，b = 17.27，c = 237.30 °C，Ta 是气温。
(3) 净辐射（Rn）通过测量得到的四个组分辐射计算得出，公式为：(6) Rn = Rs_down ? Rs_up + Rl_down ? Rl_up，其中 Rs_down 和 Rs_up 分别代表入射和出射的短波辐射，Rl_down 和 Rl_up 分别代表入射和出射的长波辐射。
(4) 地表传导率（Ga）使用 Monteith–Unsworth 方程（Monteith 和 Unsworth，1990）估计，公式为：(7) Ga = (u/u?2 + 6.2u??2/3)?1，其中 u 是风速，u? 是摩擦速度。
(5) 地表热通量（Gs）通过反演 Penman–Monteith 方程（Monteith，1965）得到，公式为：(8) Gs = γLEGaΔ(Rn?G0) + ρcpVPD/Ga ? LE(Δ + γ)，其中 γ 是饱和水汽压随温度变化的参数 γ = Pacp/0.622λ，Pa 是气压，cp 是空气的比热容，λ 是水的蒸发潜热，ρ 是空气密度，Ga 是地表传导率，Δ 是饱和水汽压随温度的变化率。土壤地面热通量 G0 定义为 G0 = Rn ? LE ? Hs，表示不同温度下地表与深层土壤之间的热量传递。
(6) 生物量生产力（GPP）根据 Yu 等人（2008）的公式计算，公式为：(9) GPP = ?NEE + Re，其中 Re 代表白天的生态系统呼吸作用，NEE 代表白天的生态系统二氧化碳净交换量。NEE 可以直接从观测数据中获得，而 Re 可以利用夜间生态系统呼吸作用与气温之间的关系进行外推。

2.3.3. 结构方程模型
结构方程模型作为一种统计技术，可以辨别因素之间的关联强度，克服多重线性关系，模拟非参数效应，同时处理多个因素之间的复杂关系，并确定自变量对因变量的影响（Cheng 等，2021）。在本研究中，使用结构方程模型的路径分析来探索蒸发量与影响因素之间的因果关系及直接和间接效应。AMOS 软件用于构建路径分析，使用的典型方程如下（Wright，1934）：(10) rx1x1P1y + rx1x2P2y + ?+ rx1xnPnx1y = rx1yrx2x1P1y + rx2x2P2y + ?+ rx2xnPnxny = rx2y????.…+ rxnx1Pnx1y + rxnx2P2y + ?+ rxnxnPxny = rxny，其中 n 是影响因素的数量，rxixj 是影响因素 i 和 j 之间的相关系数，rxij 是影响因素 i 对 ET 的相关系数，表示影响因素 i 对 ET 的直接影响；Pxiy 是直接效应的路径系数，rxixjPxiy 是间接效应的系数，表示影响因素 i 通过影响因素 j 对 ET 的影响。上述公式表示为矩阵形式：(11) rx1x1Rx1x2???rx1xnRx2x1Rx2x2???rx2xn???rxnx1Rxnx2???rxnxnPx1yPx2y???Pxny = rx1yrx2y???rxny。然后定义：(12) R = rx1x1Rx1x2???rx1xnRx2x1Rx2x2???rx2xn???rxnx1Rxnx2???rxnxn，P = Px1yPx2y???Pxny，S = rx1yrx2y???rxny。因此，可以得到矩阵方程 RP = S。解这个矩阵方程 P = R ?1S，我们可以得到每个影响因素对 ET 的直接效应系数。根据间接效应系数 rxixjPxiy 和结构方程模型的典型方程，还可以得到影响因素对 ET 的间接效应系数和总效应系数。在本研究中，所有不显著（p>0.05）且在生态或物理上无意义的路径都被从路径中移除。在初始模型中，考虑到七个变量（GPP、SMI、Rn、VPD、Gs、Ta 和 Ga）直接影响 ET，并且这些变量之间存在相互作用。通过依次移除不显著的路径（p>0.05），并在理论上合理的情况下，添加相关变量残差之间的协方差来优化模型。在此过程中比较了完整模型和简化模型。模型拟合度使用比较拟合指数（CFI）、非标准化拟合指数（NNFI）和标准化均方根残差（SRMR）进行评估。可接受的模型拟合度表现为 CFI ≈ 1，NNFI > 0.95，SRMR < 0.08（Schreiber 等，2006）。确定每两个变量之间的相关系数（r）后，最终模型仅使用与 ET 有显著关联的变量来确定它们对 ET 的直接和间接效应。

3. 结果与分析
3.1. 不同陆地生态系统蒸发量（ET）的时间变化特征
四种不同陆地生态系统的年变化和季节变化分别如图3(a)和3(b)所示。就年际蒸发量而言，沙漠的蒸发量最低，为74.77毫米，而森林、草原和农田生态系统的蒸发量分别为424.82毫米、390.63毫米和441.28毫米，三者之间没有显著差异。此外，蒸发量分布显示农田的分布最分散，而沙漠的分布最集中，森林和草原的分布没有显著差异（标准差分别为82.11毫米、30.47毫米、41.51毫米和42毫米）。在季节性蒸发量方面，四种陆地生态系统的季节变化明显。所有生态系统的蒸发量在夏季达到最高值（森林：238.69毫米，草原：225.95毫米，农田：251.78毫米，沙漠：40.00毫米）。春季的蒸发量略高于秋季，而冬季的蒸发量最低（分别为6.15毫米、6.64毫米、16.63毫米和5.24毫米）。此外，四种陆地生态系统的冬季蒸发量相对接近。与其他季节类似，冬季仍然是最低的，而其他三个生态系统的蒸发量存在细微差异。图3(c)和3(d)显示了四种陆地生态系统的月平均分布。从1月到12月，所研究的四种陆地生态系统的蒸发量都显示出先增加后减少的趋势，并在7月左右达到年度最高值。夏季（6月、7月和8月）的蒸发量较高，主要是因为夏季气温最高，降水量大，植物处于生长高峰期，因此蒸发和蒸腾作用也非常活跃。秋季（9月、10月和11月）的蒸发量高于春季（3月、4月和5月）。然而，冬季（1月、2月和3月）的植被大多处于非生长期，气温和降水量也最低，因此蒸发量较低。这种季节性模式反映了蒸发量与植被物候的耦合，夏季高峰与生长高峰期一致，冬季最低点与植被休眠期相对应。在温带生态系统中也观察到了类似的物候驱动的季节动态（Han 等，2023）。在数值分布上，森林的蒸发量分布最广，其次为农田和草原，而沙漠的分布最集中。此外，所有四种陆地生态系统的蒸发量主要集中在平均值以下（见图3(d)）。

图3. 不同陆地生态系统蒸发量的时间变化特征：(a) 年平均值，(b) 季节分布，(c) 月变化，(d) 不同陆地生态系统的蒸发量分布。

图4. 不同陆地生态系统各种影响因素的月变化特征。

3.2. 不同陆地生态系统气象数据的变化特征
图4显示了四种不同陆地生态系统（森林、草原、农田和沙漠）中每个影响因素的月变化特征。从图中可以看出，VPD、Ta、Rn 和 GPP 的年际趋势大致呈高斯分布。最高值出现在7月和8月，而最低值出现在次年的11月至2月。在此之后，这些值在8月至10月逐渐下降，并在次年的11月至2月接近0。这主要是由于这些月份的低温和降水量少、阳光辐射弱以及不利于植被生长的环境条件，导致植被吸收土壤水分的能力和光合作用的强度较弱，从而使得全球初级生产力（GPP）较低。对于农田陆地生态系统来说，蒸散压（VPD）和温度（Ta）也呈现出高斯分布特征，而稀土气体（Rn）和GPP虽然在春季和冬季较低，夏季和秋季较高，但在7月份突然下降，可能是因为中国北方选定地点的大部分农田作物为一年两熟制，7月份进行收割，导致植被覆盖度减少，进而使GPP值下降。然而，Ga、土壤湿度指数（SMI）和气溶胶光学厚度（Gs）的年际变化与陆地生态系统类型有关。例如，森林和农田的Ga在夏季和秋季最低，在春季和冬季较高，呈现中间低两端高的分布趋势，而草地几乎不受季节影响。沙漠则呈现高斯分布趋势。不同陆地生态系统的SMI在冬季最低，这是由于中国北部干旱季节的低温和降水量少所致。不同陆地生态系统的Gs随月份的变化较为复杂，全年波动较大，没有明显的规律性，这可能与站点所在的地理位置和气候类型有关。

主要原因是这些月份的低温和降水量少、阳光辐射弱以及不利于植被生长的环境条件，使得植被吸收土壤水分的能力和光合作用的强度较弱，从而导致全球初级生产力（GPP）较低。对于农田陆地生态系统，蒸散压（VPD）和温度（Ta）也呈现出高斯分布特征；尽管稀土气体（Rn）和全球初级生产力（GPP）在春季和冬季较低，在夏季和秋季较高，但在7月份突然下降，可能是因为中国北方选定地点的大部分农田作物为一年两熟制，在7月份进行收割，导致植被覆盖度减少，从而使GPP值下降。然而，Ga、土壤湿度指数（SMI）和气溶胶光学厚度（Gs）的年际变化与陆地生态系统类型相关。例如，森林和农田的Ga在夏季和秋季最低，在春季和冬季较高，呈现中间低两端高的分布趋势，而草地几乎不受季节影响；沙漠则呈现高斯分布趋势。不同陆地生态系统的SMI在冬季最低，这是由于中国北部干旱季节的低温和降水量少所致。不同陆地生态系统的Gs随月份的变化较为复杂，全年波动较大，没有明显的规律性，这可能与站点所在的地理位置和气候类型有关。

下载：下载高分辨率图像（1MB）
下载：下载全尺寸图像

图5. 不同因素（a）Rn、（b）Ta、（c）VPD、（d）GPP、（e）SMI、（f）Ga对不同陆地生态系统蒸发量（ET）的影响，以及（g）Gs对森林、草地和农田ET的影响，和（h）Gs对沙漠ET的影响。

3.3. 蒸发量（ET）与驱动因素之间的相关性分析
不同陆地生态系统的ET与Rn、Ta、VPD和GPP之间的拟合曲线如图5(a)–5(d)所示，这些曲线可以直观显示不同陆地生态系统中ET与这些因素的趋势关系。首先，从Rn的大小来看，可以发现农田 > 沙漠 > 森林 > 草地（如图5(a)所示）。这是因为农田和沙漠生态系统的遮荫程度较低，冠层截留的太阳辐射较少，因此大部分太阳辐射能够直接到达地面，从而导致Rn相对较大。总体而言，随着Rn的增加，ET也会增加，但不同陆地生态系统中ET随Rn增加的速率存在差异。当Rn较低时，农田陆地生态系统的ET增加速率最快；随着Rn进一步增加，森林陆地生态系统的增加速率最快，其次是草地和沙漠。

对于Ta（如图5(b)所示），当Ta低于-15°C时，四种陆地生态系统的ET变化不大。当Ta逐渐升高时，四种陆地生态系统的ET增加速率缓慢且差异不大。然而，当Ta继续升高到0°C以上时，ET的增加速率随Ta的增加而显著变化，其中森林的增加速率最快，其次是草地和沙漠。

ET与VPD之间的关系如图5(c)所示，VPD的大小大致遵循森林 < 草地 ≈ 农田 < 沙漠的顺序。当VPD较低（<5 hPa）时，所有四种陆地生态系统的ET随VPD的增加而增加，增加速率差异不大。当VPD较大时，不同陆地生态系统的ET变化速率差异明显，其中森林的增加速率最大，其次是草地和农田，而沙漠的ET几乎不受VPD的影响。这表明在VPD较小时，ET对VPD的变化依赖于陆地生态系统本身；但当VPD增加时，不同陆地生态系统类型的差异会导致其他影响因素的差异，从而增加VPD-ET关系的影响。

在先前的研究中，ET随着GPP的增加而增加（Yan等人，2021年；Jing等人，2021年），但其与陆地生态系统之间的关系尚未深入研究。本研究显示，不同陆地生态系统的ET随着GPP的增加而增加（如图5(d)所示），且这种关系几乎是线性的。然而，增加速率受陆地生态系统类型的影响。随着GPP的增加，草地的ET增加速率最快，其次是农田和森林，而沙漠的ET增加速率最小。这表明ET与GPP的一般趋势并不受陆地生态系统的影响，但增加速率仍与陆地生态系统有关，也可能受到其他影响因素的影响。

下载：下载高分辨率图像（322KB）
下载：下载全尺寸图像

图6. （a）SMI和（b）Ga对不同陆地生态系统ET的影响，（c）Gs对森林、草地和农田ET的影响，以及（d）Gs对沙漠ET的影响。

SMI、Ga和Gs与ET之间的相关性如图5(e)–5(h)所示。由于沙漠中的Gs值远低于其他生态系统，因此图5(h)中展示了沙漠中ET随Gs的变化。由于ET与SMI、Ga和Gs之间的关系不明显，不再使用拟合曲线来研究它们与ET的关系。图6(a)–6(d)更直观地展示了SMI、Ga和Gs如何影响ET的变化，这些图是对图5(e)–5(h)的重排。统计方法是将同一陆地生态系统中的影响因子数据点及其对应的ET数据点按照相等间隔分成六组，然后对每组的数据点进行平均处理。每个分组的样本数量不同，样本量小于10的组被删除。为了清晰展示ET与SMI、Ga和Gs的关系，图6仅显示分组后的数据，原始点数据未展示。

不同陆地生态系统中ET与SMI的变化如图6(a)所示，结合原始点数据可以看出，不同陆地生态系统的土壤湿度程度为沙漠 < 草地 < 农田 ≈ 森林。对于不同陆地生态系统，当土壤相对干燥时，SMI对ET有显著影响，ET随SMI的增加而增加，但增加速率受陆地生态系统的影响较小。然而，随着SMI的进一步增加，ET对SMI的变化变得不敏感，即ET的变化不明显（如图中森林和农田的变化曲线所示）。只有森林显示出轻微的下降趋势，这可能是由于在较大SMI下统计特性较差或受到其他影响因素的影响。

从原始点数据可以看出，森林陆地生态系统的Ga较大，而其他三种陆地生态系统的Ga差异不大（图5(f)）。如图6(b)所示，对于草地、农田和沙漠陆地生态系统，ET随着Ga的增加先减少后增加再减少；而对于森林陆地生态系统，ET仅显示先减少后轻微增加的趋势。

对于Gs，不同陆地生态系统中ET与Gs的变化如图6(c)和6(d)所示。由于沙漠陆地生态系统的Gs远低于其他三种生态系统，因此在图6(c)的插图中单独绘制了沙漠陆地生态系统的ET变化曲线（图6(d)）。随着Gs的增加，森林陆地生态系统的ET先略微增加后略微减少，而农田陆地生态系统的ET略微减少；总体而言，这两种陆地生态系统的ET随Gs的变化不明显。对于草地陆地生态系统，ET随Gs的增加而减少；对于沙漠陆地生态系统，ET随Gs的增加而增加。

下载：下载高分辨率图像（1MB）
下载：下载全尺寸图像

图7. 不同陆地生态系统中SEM的路径分析，其中绿色实线和红色虚线分别表示正向和负向效应，线条的粗细代表效应的大小。

表2. 不同陆地生态系统中控制ET的不同效应因素的路径分析方程。
| 地理生态系统 | 方程式 | R2p值 |
|------------|----------------|-----------------|
| 森林 | ET = 0.27Rn + 0.10Ta - 0.13VPD + 0.71GPP + 0.40SMI - 0.03Ga | 0.615 < 0.01 |
| 草地 | ET = 0.75Rn - 0.06Ta - 0.18VPD + 0.61GPP + 0.43SMI - 0.16Ga - 0.15 | 0.748 < 0.01 |
| 农田 | ET = 0.54Rn + 0.59Ta - 0.02VPD + 0.41GPP - 0.13SMI + 0.0 + Ga | 0.675 < 0.01 |
| 沙漠 | ET = 0.37Rn + 0.84Ta - 0.93VPD + 0.39GPP + 0.16SMI + 0.15Ga + 0.483 | 0.01 |

加粗数字和字符表示对相应生态系统ET影响最大的驱动因素。

表3. 不同陆地生态系统中的直接和间接路径系数。
| 地理生态系统 | 直接ρ | 间接ρ (%) |
|------------|-----------------|------------------------|
| 森林 | 0.73 - 0.46 | 0.40 |
| 草地 | 0.48 | 0.27 |
| | 63.7 | |
| 农田 | -0.62 | 0.72 |
| | -61 | -0.06 |
| | 0 | 0 |
| 沙漠 | -0.13 | 0 |
| | -0.18 | 0 |
| | 100 | |
| | 0 | 0 |
| GPP | 0.71 | 0 |
| | 100 | 0 |
| | 0.61 | 0 |
| | 100 | |
| SMI | 0.17 | 0.23 |
| | 2.5 | -0.43 |
| | -0.03 | |
| | -0.16 | 0 |
| | 0 | 0 |
| Gs | -0.15 | 0 |
| | 100 | |

表3显示了不同陆地生态系统中GPP、Ta、VPD、SMI、Rn、Ga和Gs对ET的直接和间接路径系数。结果表明，GPP对四种陆地生态系统的ET都有直接正向影响，其中对森林的直接影响最大（路径系数为0.71）。对草地、农田和沙漠的直接影响逐渐减小至0.39，而间接影响几乎可以忽略不计。在草地、农田和沙漠中，Ta主要通过其對其他影响因素（如GPP、VPD和Gs）的正面影响间接影响ET；而在森林陆地生态系统中，Ta对ET有负面影响（-0.62），但这种负面影响被其对GPP和SMI的正面影响所抵消，因此Ta对ET的总路径系数仅为0.10。相比之下，Ta对农田和沙漠的蒸散量（ET）的总影响更大，其总路径系数分别为0.59和0.84（见表2）。与Ta的情况类似，SMI主要通过其他气象和生物因素间接影响ET，森林陆地生态系统除外。在间接效应中，对其他因素既有正面影响也有负面影响。然而，在森林陆地生态系统中，SMI对ET既有直接影响也有间接正面影响。因此，SMI对ET的总影响顺序为：森林≥草地>沙漠>农田。此外，在农田陆地生态系统中，SMI对ET的总路径系数为负值，即-0.13。与Ta和SMI不同，Rn不仅直接促进ET，还通过LE和λ（VPD、Ta和Ga）等关键因素间接影响ET。在森林陆地生态系统中，Rn的直接影响最为显著，但其正面效应被Ta的负面效应所抵消，导致Rn在四种陆地生态系统中的总路径系数最小（ρ=0.27）。草地和农田的直接影响较为相似，而通过GPP和VPD的间接影响不同，导致它们的总路径系数有较大差异（分别为0.75和0.54）。在沙漠陆地生态系统中，Rn对ET的直接影响最小，但其对Ga的正面效应增强了其对ET的总体影响，使其总路径系数为0.37。对于VPD，在草地陆地生态系统中对ET有直接影响，而在农田陆地生态系统中则产生直接影响。此外，VPD还通过影响生物因素（GPP或Gs）间接控制ET，这在农田陆地生态系统中完全抵消了其直接影响，从而导致VPD对ET的总影响为负。通过其他影响因素产生的总体负面影响在沙漠中最为明显。

Ga不仅直接促进ET，还通过影响生物因素GPP间接影响ET。另外，Ga的直接正面效应与间接负面效应之间的差异较小，因此在四种陆地生态系统中Ga对ET的总体影响相对有限。Gs仅影响草地和沙漠陆地生态系统。在草地陆地生态系统中，它对ET的直接影响为负，路径系数为-0.15；而在沙漠陆地生态系统中，其对ET的正面影响更为显著，路径系数为0.60。尽管Rn是计算Gs的因素之一，但其对Gs的影响并不总是显著，如图7所示的沙漠情况所示，这可能是因为与其他因素相比，Rn对Gs的影响较为有限。

通过图7中的路径分析，研究了非生物和生物因素在不同陆地生态系统中对ET的定量影响。分析结果表明，这些因素不仅直接影响ET，还通过它们之间的复杂相互作用间接影响ET，并且不同陆地生态系统之间存在明显差异。从表2可以看出，不同陆地生态系统中ET变化的主要因素具有明显不同的模式：森林、草地、农田和沙漠陆地生态系统中的ET变化分别主要由GPP、Rn、Ta和VPD主导。

4. 讨论
GPP对ET趋势的影响主要通过以下途径产生。首先，GPP反映了植被覆盖情况及其变化。随着GPP的增加，植被覆盖面积增加，总气孔导度也随之增加，从而导致ET增加。此外，植被覆盖面积的增加会向大气中释放更多水蒸气，改变局部气候，进而影响ET的变化（Wang等人，2021；Zhang等人，2021）。因此，GPP在四种陆地生态系统中都对ET有正面影响，这也表明采用诸如造林和将农田恢复为森林、将农田和荒地转化为森林等政策可能是增加ET的有效途径。

本研究确定的主要驱动因素——森林中的GPP、草地中的Rn、农田中的Ta和沙漠中的VPD——为区域尺度上的发现提供了补充见解（如Liu等人（2021）和Tang等人（2025）的研究）。虽然之前的研究使用岭回归和机器学习方法强调了相对湿度、降水量和LAI在广大区域内的总体重要性，但本研究的生态系统特定分析表明，这些因素的相对重要性随土地覆盖类型而显著变化。例如，尽管Tang等人（2025）在全国范围内将LAI确定为关键驱动因素，但SEM结果显示GPP对ET的直接影响在森林中最强（ρ=0.71），而在沙漠中则明显较弱（ρ=0.39）。这一发现表明植被在调节ET中的作用高度依赖于生态系统。这种细微差别在纯区域尺度的分析中难以捕捉到。同样，Liu等人（2021）报告称相对湿度解释了中国西北部33.6%的ET变异性，而本研究则确定VPD是沙漠生态系统中的主导因素，突出了大气干燥在水分受限环境中的关键作用。

不同生态系统中主导因素的差异反映了不同的潜在机制，这可能与植被结构和功能特性的差异有关。在森林生态系统中，GPP的主导作用源于碳同化和通过气孔调节的水分损失的紧密耦合；GPP对ET的强正面直接效应（ρ=0.71）与Jarvis和McNaughton（1986）的理论框架一致，该框架描述了在空气动力学粗糙的冠层中的强烈冠层-大气耦合。深厚的根系和密集的冠层覆盖使植物即使在适度的水分胁迫下也能持续蒸腾，从而增强了GPP与ET之间的耦合。在草地生态系统中，Rn的主导作用（ρ=0.75）表明地表能量可用性是ET的主要限制因素。与森林不同，较浅的根系和开放的冠层结构可能限制了持续蒸腾的能力，从而使ET更直接依赖于能量供应。在农田生态系统中，Ta的主导作用（ρ=0.59）反映了管理实践的显著影响。频繁的灌溉和管理实践使ET与自然水分限制脱钩，这与温度作为通过调节作物物候和灌溉时间的主导因素相一致。在沙漠生态系统中，VPD对ET的强负面直接影响表明，在水分受限的条件下，增加的大气干燥度抑制了气孔导度，减少了ET。因此，在这种生态系统中，大气蒸发需求成为水分损失的主要控制因素。稀疏的植被和适应干旱的物种具有低气孔导度，可能使控制权转向大气需求。

Gs仅影响草地和沙漠陆地生态系统中的ET。在草地陆地生态系统中，它对ET的直接影响为负，路径系数为-0.15；而在沙漠陆地生态系统中，其对ET的正面影响更为显著，路径系数为0.60。尽管Rn是计算Gs的因素之一，但其对Gs的影响并不总是显著，如图7所示的沙漠情况所示，这可能是因为与其他因素相比，Rn对Gs的影响较为有限。

通过图7中的路径分析，研究了非生物和生物因素在不同陆地生态系统中对ET的定量影响。结果显示，这些因素不仅直接影响ET，还通过它们之间的复杂相互作用间接影响ET，并且不同陆地生态系统之间存在明显差异。正如表2所示，不同陆地生态系统中ET变化的主要因素具有明显不同的模式：森林、草地、农田和沙漠陆地生态系统中的ET变化分别主要由GPP、Rn、Ta和VPD主导。

GPP对ET趋势的影响主要通过以下途径产生。首先，GPP反映了植被覆盖情况及其变化。随着GPP的增加，植被覆盖面积增加，总气孔导度也增加，从而导致ET增加。此外，植被覆盖面积的增加会将更多水蒸气释放到大气中，通过改变局部气候影响ET的变化（Wang等人，2021；Zhang等人，2021）。因此，GPP在四种陆地生态系统中都对ET有正面影响，这也表明采取造林和将农田恢复为森林、将农田和荒地转化为森林等政策可能是增加ET的有效途径。

本研究中确定的主要驱动因素——森林中的GPP、草地中的Rn、农田中的Ta和沙漠中的VPD——为区域尺度的研究提供了补充见解，如Liu等人（2021）和Tang等人（2025）的研究。虽然之前的研究强调了相对湿度、降水量和LAI在广大区域内的总体重要性，但本研究的生态系统特定分析表明，这些因素的相对重要性随土地覆盖类型而显著变化。例如，尽管Tang等人（2025）在全国范围内将LAI确定为关键驱动因素，但SEM结果显示GPP对ET的直接影响在森林中最强（ρ=0.71），而在沙漠中较弱（ρ=0.39）。这一发现表明植被在调节ET中的作用高度依赖于生态系统。这种细微差别在纯区域尺度的分析中难以捕捉到。同样，Liu等人（2021）报告称相对湿度解释了中国西北部33.6%的ET变异性，而本研究则确定VPD是沙漠生态系统中的主导因素，突出了大气干燥在水资源受限环境中的关键作用。

不同生态系统中主导因素的差异反映了不同的潜在机制，这可能与植被结构和功能特性的差异有关。在森林生态系统中，GPP的主导作用源于碳同化和通过气孔调节的水分损失之间的紧密耦合；GPP对ET的强正面直接效应（ρ=0.71）与Jarvis和McNaughton（1986）的理论框架一致，该框架描述了在空气动力学粗糙的冠层中的强冠层-大气耦合。深厚的根系和密集的冠层覆盖使得植物即使在 moderate 的水分胁迫下也能持续蒸腾，促进了这种强的GPP-ET耦合。在草地生态系统中，Rn的主导作用（ρ=0.75）表明地表能量可用性是ET的主要限制因素。与森林相比，较浅的根系和更开放的冠层结构可能限制了持续蒸腾的能力，从而使得ET更直接依赖于能量供应。在农田生态系统中，Ta的主导作用（ρ=0.59）反映了管理实践的显著影响。频繁的灌溉和管理实践使ET在很大程度上脱离了自然水分限制，这与温度作为通过调节作物物候和灌溉时间的主导因素一致。在沙漠生态系统中，VPD对ET的强负面直接影响（ρ=-0.93）表明，在水分受限条件下，增加的大气干燥度抑制了气孔导度，减少了ET。因此，在这种生态系统中，大气蒸发需求成为水分损失的主要控制因素。稀疏的植被和适应干旱的物种具有低气孔导度，可能使得控制权转向大气需求。这些功能差异虽然需要进一步研究，但为解释本研究中观察到的生态系统依赖的ET模式提供了潜在且合理的视角，并强调了在水文模型中需要特定于生态系统的参数化。

气候因素可能通过多种途径对ET产生复杂影响，从而导致SMI和Ta在空间和时间上的重新分布，从而对水运动和循环产生显著影响。在本研究中，Ta对大多数陆地生态系统ET变化的直接影响不显著。这可能是因为Ta的增加减少了浅层土壤中的水分含量，限制了植物吸收的水分。同时，高Ta可能使植被进入自我保护状态，气孔关闭，从而阻止植物持续蒸腾。然而，Ta的增加延长了植物的生长周期，提高了年平均GPP，并增加了植被蒸腾，使得通过GPP增加ET的间接效应变得更加显著（见图7中的森林、农田和沙漠陆地生态系统）。这一观点也得到了关于干旱环境研究的支持（Li等人，2021）。此外，Ta还是空气中饱和水蒸气压的关键因素，通过VPD间接影响ET。

土壤湿度在植被向大气的水分交换中起着核心作用，它通过调节脱落酸的产生直接影响植物气孔导度（Liu等人，2005）。充足的土壤湿度供应抑制了脱落酸的产生，使植物气孔能够灵活应对大气条件（如Rn和VPD）的变化。然而，当土壤干燥时，脱落酸的产生会增加，促使植物气孔关闭。因此，SMI通过调节植物对大气条件的响应间接影响ET。此外，土壤蒸发也是ET的重要来源。当土壤湿度充足且土壤蒸发强度高时，SMI也直接影响ET，例如，位于青藏高原边缘、大河流上游附近的河北站具有充足的水分补给、强烈的辐射和高比例的土壤蒸发（Es）。因此，SMI在图7中的森林陆地生态系统中直接影响ET。SM还通过Gs影响地表能量分配，例如，在沙漠陆地生态系统中，SMI通过调节Gs影响ET（Tang等人，2014b；Jia等人，2016）。

VPD对LE有两个同时存在但相反的影响（Ding等人，2013）。一方面，VPD作为大气蒸发能力的衡量指标，量化了水蒸气通过气孔扩散的驱动力。因此，VPD的增加会导致LE的增加。另一方面，随着VPD的增加，Gs减少，从而导致LE的减少，这是基于现场观测的先前研究的结果。在其他条件相同的情况下，LE随VPD的变化取决于这两种相反的效果。在低VPD条件下，VPD增加对LE的正面效应高于其负面影响，导致LE随VPD增加而增加。然而，在高VPD条件下，气孔导度的限制更为明显，其负面影响最终超过了正面效应，导致LE随VPD的增加而减少。因此，在某个临界VPD值时，Gs开始下降，LE达到峰值并随VPD增加而开始减少，这一临界值的出现取决于土壤湿度，这解释了为什么在草地和农田中VPD对ET的直接影响分别为负和正，尽管VPD相似。在极度干燥的土壤条件下，随着VPD的增加，对LE的正面效应会减少，因为土壤湿度供应减少，导致Gs受到抑制（见图7中的沙漠陆地生态系统）。

Rn决定了从地表到大气中的总热量传递（残差为地表热通量和植被热储存）。随着Rn的增加，LE增加，因此Rn对ET有正面影响。此外，Rn对ET的影响受到土壤湿度的调节，而当土壤干燥时，ET对Rn的依赖性减弱，因此在森林陆地生态系统中的Rn对ET的直接影响最大，而在沙漠中最小。另一方面，土壤湿度还影响Rn的幅度，因为较高的SMI值对应于土壤较大的体积热容量，这使得在给定能量输入下难以提高地表温度。此外，增加土壤湿度通常会导致地表反照率的降低，从而导致净短波辐射的增加（Todd和Hoffer，1998年）。因此，Rn的值会增加（如森林和草地陆地生态系统中所显示的）。Rn还可以对VPD产生积极影响，这可以通过Rn导致Ta增加，进而使VPD增加来解释（如森林、草地和农田陆地生态系统中所显示的）。最后，Ga很少被用作气象条件对ET间接影响的中介变量。一个可能的原因是Ga是一个空气动力参数，它有助于表面附近空气的更新（Tong等人，2022年）。需要承认几个限制。通量监测点的数量相对较少，且其空间分布不均匀，这可能会限制结果对整个中国北部的代表性。此外，研究的时间段较短，需要更长时间的观测来评估十年趋势和极端气候事件的影响。虽然应用了SEM来区分直接效应和间接效应，但推断出的因果关系仍然是相关性的，需要实验或多年的观测来完全验证假设的路径。未来的研究可以通过扩展分析和的空间和时间范围来解决这些限制。如Drygval等人（2025年）为碳评估所展示的空间显式建模方法，为将基于站点的ET观测结果尺度放大到区域尺度提供了一种方法论途径。Salazar-Gámez等人（2025年）在高海拔湖泊中研究的沉积物-植被相互作用表明，纳入除这里考虑的因素之外的土壤相关因素可以进一步改进我们对水分限制生态系统中ET控制机制的理解。最后，Wulandari等人（2025年）在泥炭地恢复研究中强调的社会生态维度指出，在未来研究中整合人类因素对ET影响的重要性。解决这些方面将有助于更全面地理解不同景观中的ET动态。

5. 结论
总的来说，我们使用SEBAL模型分析了2003年至2020年间中国北部四种陆地生态系统（即森林、草地、农田和沙漠）的ET随时间变化的特点，并利用观测到的涡流通量数据进行了研究。还使用了结构方程模型研究了Rn、Ta、VPD、GPP、SMI、Ga和Gs等因素对ET变化的影响。结果显示，ET值不同，但趋势大致相同。然而，驱动因素存在显著差异。研究发现，GPP对ET有直接的正面影响，特别是在森林陆地生态系统中；而其他因素的直接影响相对较小。Rn对ET的直接影响也较为显著，但在不同的陆地生态系统中系数不同。在草地和沙漠陆地生态系统中，VPD对ET有直接的负面影响；而在农田陆地生态系统中，则表现为正面影响。在不同的陆地生态系统中，ET变化的主要因子有明显的差异：在森林陆地生态系统中，GPP主导ET变化；在草地陆地生态系统中，Rn占主导地位；在农田陆地生态系统中，Ta占主导地位；而在沙漠陆地生态系统中，VPD占主导地位。本研究弥补了在不同陆地生态系统中关于涡流通量站点尺度ET驱动因素研究的不足，并为不同植被类型的水循环和水资源管理研究提供了重要思路。

**作者贡献声明**
郭峰堂：写作-审稿与编辑、写作-初稿、监督、软件使用、资源获取、调查、资金申请、正式分析、数据管理、概念构建。
杨涛：写作-审稿与编辑、写作-初稿、监督、软件使用、项目管理、方法论、调查、正式分析、数据管理、概念构建。
林凯涛：写作-审稿与编辑、验证、监督、数据管理、概念构建。
徐能：写作-审稿与编辑、调查。
甄白琴：写作-审稿与编辑、调查。