玉米蒸散發(fā)變化的歸因—基于貝葉斯原理參數(shù)優(yōu)化的雙源模型

趙子敬，魏國(guó)孝，劉紅娟，田強(qiáng)龍，邱中齊，王福兵，楊澤偉

（蘭州大學(xué)資源環(huán)境學(xué)院，蘭州 730000）

0 引 言

幾乎所有的陸地-大氣耦合過(guò)程都受到陸地水儲(chǔ)存和通量的顯著調(diào)節(jié)，這些儲(chǔ)存和通量也會(huì)影響碳、養(yǎng)分、生態(tài)系統(tǒng)結(jié)構(gòu)和功能，并限制社會(huì)的淡水供應(yīng)[1]。蒸散發(fā)（ET）包括土壤蒸發(fā)（ETs）和植物散發(fā)（ETc）是氣候系統(tǒng)的中心過(guò)程，是水、能量、循環(huán)的紐帶[2]。ET的準(zhǔn)確評(píng)估對(duì)有效灌溉和實(shí)現(xiàn)水資源精細(xì)化管理有重要作用[3]。ET估算的準(zhǔn)確性與模型的選擇和參數(shù)有關(guān)，并且取決于對(duì)氣候和生物因素的準(zhǔn)確評(píng)估。因此，了解氣候和植被對(duì)ET的相對(duì)影響對(duì)于預(yù)測(cè)水循環(huán)將如何響應(yīng)未來(lái)的氣候和生物變化具有重要意義[4]。

ET受多種因素控制，有研究表明，ET的變化是由太陽(yáng)輻射、空氣溫度、水汽壓、風(fēng)速等變量驅(qū)動(dòng)的[5-7]。不同氣候區(qū)域?qū)T影響最大的氣候因素不同，影響ET過(guò)程的不同因素之間復(fù)雜的相互依賴關(guān)系使得準(zhǔn)確量化ET具有挑戰(zhàn)性[8]。有些研究對(duì)蒸散發(fā)變化趨勢(shì)主要集中在氣候因素上，而沒有考慮植被的作用。然而，植被在蒸散發(fā)中起著至關(guān)重要的作用，尤其是通過(guò)植物控制ETc的過(guò)程。目前有很多方法可以分離氣候和植物驅(qū)動(dòng)因素對(duì)ET的影響[4,9,10]。Stoy等[4]將渦動(dòng)相關(guān)方差測(cè)量與線性擾動(dòng)分析方法相結(jié)合，分離出美國(guó)東南部3個(gè)生態(tài)系統(tǒng)中物理和生物因素對(duì)ET的相對(duì)貢獻(xiàn)。YANG 等[10]對(duì)PenPan 蒸發(fā)模型進(jìn)行了修正，推導(dǎo)出一階偏微分形式的蒸發(fā)皿蒸發(fā)方程，以量化氣候因子的貢獻(xiàn)。LI 等[9]利用Penman-Monteith模型、修正的作物系數(shù)法、Priestly-Taylor 模型、線性回歸模型解釋了2007-2013年中國(guó)西北玉米地ET年際變化。在該研究中，他們證實(shí)了植被驅(qū)動(dòng)因子在調(diào)控ET過(guò)程中起著重要作用，強(qiáng)調(diào)準(zhǔn)確估算冠層導(dǎo)度在ET建模和預(yù)測(cè)中的重要性，并為區(qū)分氣候和植被對(duì)ET變化的貢獻(xiàn)提供了一種新方法。

為了明確考慮通量相互作用，Shuttleworth 和Wallace[11]提出了一個(gè)雙源模型(以下稱為“SW 模型”)，該模型結(jié)合了兩個(gè)單源模型:一個(gè)是土壤蒸發(fā)(ETs)，另一個(gè)是植物散發(fā)(ETc)。SW 模型旨在捕捉稀疏植被條件下葉片下的裸土狀況，考慮冠層和土壤對(duì)總能量的貢獻(xiàn)。在模型中，植物冠層阻力(rcs)和土壤阻力(rss)和冠層高度與參考水平之間的空氣動(dòng)力阻力(raa)以及葉片到冠層高度和土壤表面到冠層高度之間的空氣動(dòng)力阻力(rca和rsa)分別通過(guò)控制地表與大氣之間的能量傳遞來(lái)調(diào)節(jié)植物的能量傳遞[12]。然而，SW 模型中復(fù)雜參數(shù)和模型結(jié)構(gòu)的不確定使得SW 模型模擬ET具有挑戰(zhàn)性。近年來(lái)，在開發(fā)用于驅(qū)動(dòng)和處理參數(shù)和模型結(jié)構(gòu)不確定性的系統(tǒng)框架方面取得了重大進(jìn)展[13,14]。特別是，一種新的自適應(yīng)馬爾可夫鏈蒙特卡羅(MCMC)算法，又稱為差分進(jìn)化自適應(yīng)都市(Differential Evolution Adaptive Metropolis )DREAM 算法，被用來(lái)在貝葉斯框架內(nèi)有效估計(jì)驅(qū)動(dòng)數(shù)據(jù)和參數(shù)不確定性[15,16]。所以根據(jù)貝葉斯原理利用DREAM 算法優(yōu)化SW 模型參數(shù)，這不僅簡(jiǎn)化了參數(shù)的獲取，還可以降低參數(shù)的不確定性。偏導(dǎo)數(shù)方法可以量化驅(qū)動(dòng)因子對(duì)ET變化的相對(duì)貢獻(xiàn)，所以本研究將SW 模型中的ETs和ETc分開，定量評(píng)估了冠層上方和土壤表面的可用能量(A和As)、飽和水汽壓差(es-ea)和阻力raa、rsa、rca、rcs、rss在ET變化中的貢獻(xiàn)，從而確定ET變化的主要驅(qū)動(dòng)因子。

目前，利用SW 模型估算ET時(shí)很少考慮阻力的變化，將ET的年際變化歸因于這些阻力的研究也很少受到關(guān)注。本研究旨在探討大滿站玉米生態(tài)系統(tǒng)蒸散發(fā)變化的潛在驅(qū)動(dòng)因素，利用偏導(dǎo)數(shù)方法量化氣候因素和植被因素對(duì)ETs和ETc變化的相對(duì)貢獻(xiàn)。而阻力因子主要受到氣候和植物因素的影響。所以考慮了阻力驅(qū)動(dòng)因子的變化，并對(duì)SW 模擬的ETs和ETc的變化進(jìn)行歸因分析。這一結(jié)果為了解玉米ET的年際變化提供了有用的見解，并強(qiáng)調(diào)了阻力在調(diào)控ET中的重要作用。

1 材料與方法

1.1 研究區(qū)概況

為了評(píng)估不同驅(qū)動(dòng)因子對(duì)ETs和ETc年際變化的影響，本研究選擇了2016-2018年7-9月份大滿通量站的數(shù)據(jù)。玉米生長(zhǎng)試驗(yàn)是在中國(guó)西北部甘肅省張掖市的大滿站進(jìn)行的。大滿綠洲位于黑河流域中游，是中國(guó)西北干旱區(qū)第二大內(nèi)陸河流域。黑河流域中游地區(qū)以綠洲灌溉農(nóng)業(yè)為特征，是生活用水和農(nóng)業(yè)用水量大的地區(qū)。它的年平均降水量和氣溫分別為125 mm 和7.2 °C（1960-2000年），年平均潛在蒸發(fā)量約為2 290 mm，年平均日照時(shí)數(shù)3 106 h，無(wú)霜期148 d。土壤類型以粉質(zhì)黏土為主，凍土層深度約143 mm。研究區(qū)為典型的灌溉農(nóng)業(yè)區(qū)，主要水源為祁連山融雪。玉米和春小麥?zhǔn)窃摰貐^(qū)種植的主要農(nóng)作物。玉米一般在4月下旬播種，9月中旬收獲，種植行距40 cm，株距30 cm，研究區(qū)作物密度約為6.6 萬(wàn)株/hm2。大滿站的實(shí)驗(yàn)位置和研究地點(diǎn)見圖1。

圖1 大滿站的實(shí)驗(yàn)位置和研究地點(diǎn)Fig.1 Experiment locations and study sites at Daman Station

1.2 測(cè)量與處理

大滿站的觀測(cè)數(shù)據(jù)是從黑河流域聯(lián)合遙測(cè)實(shí)驗(yàn)研究（HiWATER）項(xiàng)目的野外觀測(cè)系統(tǒng)中收集的，詳細(xì)描述參考李等[17]。渦度（EC）相關(guān)系統(tǒng)的架設(shè)高度為4.5 m。渦度數(shù)據(jù)中包含潛熱通量和感熱通量，均為半小時(shí)尺度，數(shù)據(jù)處理包括：野值點(diǎn)剔除，延遲時(shí)間校正，三維旋轉(zhuǎn)[18]，頻率響應(yīng)修正，超聲虛溫修正和密度校正等，頻率響應(yīng)校正等[19]。并刪除由于降水、水汽凝結(jié)、系統(tǒng)故障導(dǎo)致的虛假數(shù)據(jù)。站點(diǎn)儀器測(cè)量的數(shù)據(jù)主要有降雨量、氣溫、風(fēng)速、大氣壓強(qiáng)、土壤水分、土壤熱通量、凈輻射等數(shù)據(jù)。在生長(zhǎng)季，葉面積指數(shù)(LAI)大約每10 d測(cè)量一次。

1.3 模型與方法

1.3.1 Shuttleworth-Wallace(SW)模型

SW[13]模型包括植物蒸騰的一維模型和土壤蒸發(fā)的一維模型。在模型中，地表和冠層阻力調(diào)節(jié)土壤和植物表面之間的質(zhì)量和熱量傳遞，而空氣動(dòng)力阻力調(diào)節(jié)兩表面和大氣邊界層之間的阻力[13,14]。土壤蒸發(fā)和植物蒸騰用以下公式[13]計(jì)算：

式中：λET為來(lái)自植物（λT）和土壤（λE）的潛熱通量之和，W/m2；Δ 為飽和水汽壓曲線斜率，kPa/K；γ為濕度常數(shù)，kPa/K；Cp為干燥空氣的比熱容，1 013 J/(kg?K-1)；es和ea分別為飽和水汽壓和實(shí)際水汽壓，kPa；raa為植物冠層高度與參考高度之間的空氣動(dòng)力學(xué)阻力，s/m；rca為冠層內(nèi)邊界阻力，s/m；rsa為地面與冠層高度間的空氣動(dòng)力阻力，s/m；rcs為植物群體冠層阻力，s/m；rss為下墊面土壤表面阻力，s/m。

A和As(W/m2)分別為冠層和土壤表面以上的可用能量，定義為：

式中：Rn和Rns分別為冠層上方和地面接收的太陽(yáng)凈輻射，W/m2；G為土壤熱通量，W/m2；Ka為消光系數(shù)；LAI為葉面積指數(shù)。阻力模型的計(jì)算參考魏等[1]。

1.3.2 貝葉斯推理和DREAM 算法

參數(shù)的后驗(yàn)概率分布由貝葉斯定理計(jì)算：

式中：π(θ|M)表示模型M下的θ的先驗(yàn)密度；p(D|θ,M)是模型M及參數(shù)θ的聯(lián)合似然性。邊際似然或貝葉斯模型證據(jù)是：

用于參數(shù)估計(jì)的似然函數(shù)p(D|θ,M)是根據(jù)觀測(cè)誤差的分布指定的。在時(shí)間t的每個(gè)觀測(cè)值D（t）中的誤差有e( )t表示為：

假設(shè)e(t)服從均值為零的高斯分布，似然函數(shù)可以表示為：

式中：n是觀測(cè)次數(shù)；σ表示誤差方差。

本文使用DREAM 算法來(lái)探索ET模型的參數(shù)空間，并優(yōu)化SW 模型中的參數(shù)。DREAM 采樣方案是對(duì)混洗復(fù)雜進(jìn)化Metropolis (SCEM-UA)的全局優(yōu)化算法的改編。Vrigt 等[15,16]更詳細(xì)地描述了該算法。

1.4 評(píng)估模型性能的傳統(tǒng)統(tǒng)計(jì)指標(biāo)

用于評(píng)估模型性能的傳統(tǒng)誤差度量包括決定系數(shù)（R2）、一致性指數(shù)（IA）、相對(duì)誤差度量（EF）、均方根誤差（RMSE）、平均偏差誤差（MBE）。

1.5 不同驅(qū)動(dòng)因子對(duì)ET變化趨勢(shì)的貢獻(xiàn)

本文采用偏微分方程研究氣候和植被因素對(duì)ET變化趨勢(shì)的貢獻(xiàn)。通過(guò)這種方法，可以分離出驅(qū)動(dòng)生長(zhǎng)季蒸散發(fā)變化的氣候和植物因素的相對(duì)貢獻(xiàn)。李等[9]使用的Penman-Monteith模型將ET表示為4個(gè)氣候變量和一個(gè)植物變量的連續(xù)函數(shù):

本研究把SW 模型中的ETs和ETc分別表示為兩個(gè)不同的連續(xù)函數(shù)，并假設(shè)各個(gè)變量是相互獨(dú)立的。用偏導(dǎo)數(shù)計(jì)算ETs和ETc的變化，并分析各驅(qū)動(dòng)因子對(duì)ETs和ETc的相對(duì)貢獻(xiàn)。并用作物潛熱通量(λT)和土壤潛熱通量(λE)(W/m2)來(lái)表示ETc和ETs。

λE可以表示為A、As、es-ea、raa、rsa、rss的連續(xù)函數(shù)：

同樣地，λT可以表示為A、As、es-ea、raa、rca、rcs的連續(xù)函數(shù)：

λE和λT的相對(duì)變化可以用泰勒展開級(jí)數(shù)表示為一階偏微分形式。

λE的相對(duì)變化：

類似的,λT的相對(duì)變化可以表達(dá)為：

λET是通過(guò)渦度觀測(cè)系統(tǒng)測(cè)得的，并利用SW 模型和實(shí)測(cè)氣象資料計(jì)算λE和λT驅(qū)動(dòng)因子的偏導(dǎo)數(shù)。為方便表述，下文用LE表示潛熱通量。

2 結(jié)果與分析

2.1 能量閉合分析

所有表面能量和質(zhì)量交換模型都基于基本守恒定律；即能量守恒和質(zhì)量守恒。能量守恒方程的主要組成部分，通常稱為“能量平衡閉合”，可以描述為：

式中：H為顯熱湍流通量，LE為潛熱湍流通量，Rn為凈輻射，G為地表熱通量。能量平衡比（EBR），定義為H和LE之和與Rn和G之差的比值。在大多數(shù)站點(diǎn)EBR為70%～90%，這稱之為能量不閉合問(wèn)題。

2016-2018年基于半小時(shí)白天湍流通量（H+LE）總和與可用能量（Rn-G）的線性回歸見圖2。由于晚間風(fēng)速小，或者湍流不發(fā)生，以平流的方式傳遞通量，導(dǎo)致EC測(cè)得的通量嚴(yán)重不閉合。因此，本研究只選擇白天的數(shù)據(jù)，并定義“Rn-G>0”為白天。結(jié)果表明，2016-2018年的EBR分別為0.75、0.89、0.84，決定系數(shù)（R2）也都在0.7 以上，說(shuō)明擬合效果良好。

圖2 2016-2018年能量平衡閉合Fig.2 Energy balance closure from 2016 to 2018

2.2 參數(shù)優(yōu)化及模型性能

SW 模型中有7 個(gè)參數(shù)gmax、Q50、D50、Kq、Ka、b1和b2（表1）。每個(gè)參數(shù)的先驗(yàn)概率密度被指定為均勻分布。2016-2018年7-9月的數(shù)據(jù)用于估計(jì)每個(gè)參數(shù)的后驗(yàn)概率密度函數(shù)，并使用DREAM 算法生成了50 000N個(gè)樣本來(lái)實(shí)現(xiàn)。在計(jì)算中，鏈數(shù)N等于相關(guān)模型中的參數(shù)數(shù)，對(duì)于SW 模型，N等于7。對(duì)于每個(gè)鏈，前10 000 個(gè)樣本作為老化數(shù)據(jù)丟棄，其余40 000個(gè)樣本用于設(shè)置后驗(yàn)密度函數(shù)。優(yōu)化后的SW 模型參數(shù)值的最大似然估計(jì)見表1。

表1 模型參數(shù)優(yōu)化后的最大似然估計(jì)Tab.1 Maximum likelihood estimation of model parameters after optimization

使用2016-2018年白天每半小時(shí)數(shù)據(jù)評(píng)估了優(yōu)化后的SW模型性能。使用模型的校準(zhǔn)參數(shù)，并運(yùn)行SW 模型來(lái)估計(jì)每半小時(shí)的LE值。SW模型模擬與測(cè)量LE值的線性回歸見圖3。一般來(lái)說(shuō)，SW 模型與測(cè)量的LE有較好的擬合效果(R2>0.77)。圖3可以看出，雖然模型和觀測(cè)值仍存在一定的差異，但SW 模型能夠捕捉到蒸散發(fā)的動(dòng)態(tài)變化。

圖3 2016-2018年SW 模型和實(shí)測(cè)LE線性擬合Fig.3 The SW model was fitted with the observed LE from 2016 to 2018

半小時(shí)蒸散量實(shí)測(cè)值與模擬值的R2、RMSE、IA、EF、MBE見表2?；趯?duì)這些傳統(tǒng)誤差度量的分析，這三年的IA和EF比較接近，而MBE分別為-9.61、13.82、-19.11。從總體上來(lái)看經(jīng)過(guò)參數(shù)優(yōu)化后的SW模型能夠準(zhǔn)確模擬ET。

表2 模型性能的傳統(tǒng)統(tǒng)計(jì)指標(biāo)Tab.2 Traditional statistical metrics of model performance

2.3 ET及驅(qū)動(dòng)因子的年平均變化

2016-2018年SW 模擬的ET、ETs、ETc、A、As、es-ea、raa、rsa、rss、rca、rcs白天每半小時(shí)的平均值見表3。2016-2018年ET的實(shí)測(cè)值分別為195.62、232.17、213.66 W/ m2，從表3可

表3 2016-2108年白天每半小時(shí)的均值Tab.3 Mean values for every half hour during daytime from 2016 to 2108

以看出2016年和2017年SW 模型模擬的ET均值與實(shí)測(cè)ET相差不大，2018年則模擬的偏大。2018年ETs為138.07 W/m2，明顯比前兩年偏大，主要是因?yàn)锳s模擬值偏大，導(dǎo)致分配給冠層的可用能量偏小，所以ETc的值就偏小。阻力方面，其中raa、rsa、rca三年變化不明顯。2017年rss值為317.13 s/m，明顯比2016年134.37 s/m 和2018年85.17 s/m 大；2018年rcs值為217.73 s/m，與其余兩年相比偏大。這些差異可能是導(dǎo)致玉米農(nóng)田ET年際變化的潛在因素。

2.4 驅(qū)動(dòng)ETs和ETc變化的因素

由A、As、es-ea、raa、rsa、rss對(duì)ETs變化的貢獻(xiàn)率和A、As、es-ea、raa、rca、rcs對(duì)ETc變化的貢獻(xiàn)率見圖4。它由方程式（14）和（15）得到，貢獻(xiàn)率的總和應(yīng)該等于1，然而由于各種不確定的因素導(dǎo)致結(jié)果并不嚴(yán)格等于1。從圖4可以看出ETs與A、As、es-ea、raa呈正相關(guān)與rsa和rss呈負(fù)相關(guān)。與2016年相比，ETs分別增加了2.56 W/m2、72.9 W/m2（表3），這主要是因?yàn)锳s的增加。2017年和2018年As分別增加了55.09 W/m2和156.93 W/m2。ETs的增加主要?dú)w因于As、es-ea、A的變化（圖4），并且rsa和rss的變化抵消了部分對(duì)ETs的正貢獻(xiàn)。其中，對(duì)ETs變化最大的正相關(guān)驅(qū)動(dòng)因子為As，最大負(fù)相關(guān)驅(qū)動(dòng)因子為rss，分別貢獻(xiàn)了124%、95.4%和-99.1%、-26.9%。對(duì)于影響ETc變化的驅(qū)動(dòng)因子對(duì)2017 和2018年的貢獻(xiàn)有較大區(qū)別。其中，2017年ETc與A、es-ea呈正相關(guān)，與As呈負(fù)相關(guān)；而在2018年，ETc與A、es-ea呈負(fù)相關(guān)，與As呈正相關(guān)。rcs對(duì)于ETc的變化都是正貢獻(xiàn)，并且占了很大比例，分別為68.8%和71.9%，間接說(shuō)明植物因素在調(diào)節(jié)ETc中起著不可忽視的作用。

圖4 2016-2018年不同驅(qū)動(dòng)因子對(duì)ETS和ETC變化的相對(duì)貢獻(xiàn)Fig.4 The relative contributions of the different driving factors to changes in ETs and ETc,from 2016 to 2018

3 討 論

3.1 能量閉合分析

渦度相關(guān)（EC）法是基于對(duì)垂直速度波動(dòng)（w′）和標(biāo)量濃度波動(dòng)（c′）乘積的直接測(cè)量，并假設(shè)平均垂直速度可以忽略不計(jì)，從而直接估計(jì)H和LE；Rn和G分別是通過(guò)凈輻射儀和土壤熱通量?jī)x測(cè)量的。表面能量收支不閉合的原因有很多，Mahrt[20]討論了幾個(gè)原因，其中包括：①在非常接近表面的地方測(cè)量的各種通量分量之間的源區(qū)域缺乏重合，例如葉子的蒸發(fā)和來(lái)自炎熱干燥土壤表面的顯熱；②測(cè)量時(shí)間為典型的30 min可能會(huì)錯(cuò)過(guò)由非常低的頻率波動(dòng)引起的協(xié)方差；③儀器位置的平均垂直速度不可能系統(tǒng)的為零，從而產(chǎn)生垂直平流通量；④與傳感器分離、頻率響應(yīng)、對(duì)準(zhǔn)問(wèn)題以及來(lái)自塔或儀器安裝結(jié)構(gòu)的干擾有關(guān)的測(cè)量誤差等。而Foken[21]表明以前關(guān)于測(cè)量誤差或存儲(chǔ)項(xiàng)是未閉合能量平衡的原因的假設(shè)站不住腳，因?yàn)榧词故莵?lái)自校準(zhǔn)傳感器的湍流通量、凈輻射和地面熱通量也無(wú)法閉合能量平衡。作為一個(gè)假設(shè)，他將能量平衡閉合問(wèn)題假設(shè)為一個(gè)尺度問(wèn)題，并且閉合只可能在景觀尺度上發(fā)生。由于能量不閉合的原因至今沒有一個(gè)明顯的定論，并且在極端情況下，整個(gè)能量不閉合可能歸因于潛熱通量[22]。研究結(jié)果表明，H+LE的真實(shí)表面通量可能比EC 測(cè)量值高20%～30%。能量不閉合可能會(huì)對(duì)SW 模型的不確定性產(chǎn)生影響，模型使用的H值比實(shí)際值高，從而導(dǎo)致模擬的LE偏高。

3.2 不確定性和誤差分析

關(guān)于DREAM 算法的效率，SW 模型的接受率遠(yuǎn)高于之前研究中使用的一些MCMC 算法獲得的接受率[23]。DREAM 算法可以有效地處理涉及高維、多模態(tài)、非線性的問(wèn)題。使用DREAM 算法優(yōu)化的參數(shù)Ka，可以明確地將總可用能量劃分為SW 模型中冠層和土壤吸收的能量。方程（5）的分析發(fā)現(xiàn)Ka的變化不僅可以解釋消光效應(yīng)，還可以糾正能量驅(qū)動(dòng)數(shù)據(jù)的錯(cuò)誤。這也意味著使用標(biāo)定數(shù)據(jù)估算的Ka值實(shí)際上不僅僅是真正的消光系數(shù)，還包括SW 模型中的能量不平衡校正。從這個(gè)分析中，可以看到，Ka不僅涉及到冠層和土壤表面之間的能量分布，還涉及到能量的不平衡。因此，參數(shù)Ka對(duì)SW 模型的性能有很大的影響。此外，由于Ka影響冠層和土壤的可用能量分配，Ka值較低導(dǎo)致分配給土壤表面可用能量偏大，從而導(dǎo)致模擬的ETs偏大。

試驗(yàn)結(jié)果可能存在不確定因素。首先，對(duì)ETs和ETc估計(jì)的誤差可能歸因于在泰勒展開式中考慮的不同驅(qū)動(dòng)因子獨(dú)立性的假設(shè)。事實(shí)上，這些變量并不是完全獨(dú)立的，它們確實(shí)在一定程度上相互影響，這導(dǎo)致試驗(yàn)分析存在一定的不確定性。其次，這些變量并不是固定的值，而是隨著環(huán)境的變化而變化，同時(shí)也會(huì)受到測(cè)量誤差的影響。再次，泰勒偏微分方程適用于兩個(gè)比較相近的值，由于所考慮的變量的年變異性造成的差異導(dǎo)致了較大的誤差。在本研究中，沒有考慮人為因素和下墊面條件的影響，因此對(duì)每個(gè)變量的分析引入了一些不確定性因素。除了測(cè)量和計(jì)算誤差外，模型的選擇還存在一定的不確定性。以往的研究表明，冠層阻力和空氣動(dòng)力阻力模型的不同會(huì)導(dǎo)致不同的模擬結(jié)果[24]。此外，模型的結(jié)構(gòu)也是不確定性的進(jìn)一步來(lái)源。本研究只是用DREAM 算法優(yōu)化SW 模型參數(shù)使模型達(dá)到良好的擬合效果，并沒有土壤蒸發(fā)和植物散發(fā)的實(shí)測(cè)值，這也是導(dǎo)致結(jié)果不確定的重要因素。

3.3 歸因分析

本文利用泰勒展開法求解偏微分方程，分析了氣候和植被變量對(duì)SW 模型中ETs和ETc的相對(duì)貢獻(xiàn)。結(jié)果表明，土壤表面可用能量(As)是影響ETs變化最主要的外因，這或許與分配到土壤表面的凈輻射有關(guān)。這與ZHANG 等[25]揭示凈輻射下降是影響青藏高原東部蒸發(fā)皿蒸發(fā)的主要因素相符。而LIU 等[5]認(rèn)為風(fēng)速是影響是青藏高原蒸發(fā)皿蒸發(fā)的主要因素，這可能與風(fēng)速影響了空氣動(dòng)力阻力和飽和水氣壓差有關(guān)；并且李等[26]發(fā)現(xiàn)空氣動(dòng)力學(xué)項(xiàng)是造成東北氣象站參考作物蒸散發(fā)量下降趨勢(shì)的主要原因。由此可見，ETs年際變化主要受氣候變化的影響，尤其是As的影響。對(duì)于ETc而言，rcs變化是導(dǎo)致ETc變化的主要植物變量。Wilson 等[27]研究了北美溫帶闊葉林ET的年際變化，結(jié)果表明不同年份ET的變化主要是由于冠層導(dǎo)度造成的，其次是凈輻射的變化。LI等[28]表明冠層導(dǎo)度主導(dǎo)了能量分配過(guò)程，然后發(fā)現(xiàn)ET的年際變化主要?dú)w因于冠層導(dǎo)度的變化而不是氣候因素的變化[9]。主要是因?yàn)楣趯訉?dǎo)度是調(diào)節(jié)ETc的重要因素。這些結(jié)果表明，植物驅(qū)動(dòng)因素對(duì)ET有重要影響，在未來(lái)氣候條件下模擬蒸散發(fā)應(yīng)更加重視冠層導(dǎo)度的作用。

4 結(jié) 論

（1）本文利用DREAM 算法優(yōu)化了SW 模型參數(shù)，降低了大部分參數(shù)的假設(shè)先驗(yàn)不確定性，并達(dá)到良好的模擬效果。

（2）泰勒偏微分方程法不僅可以得到主導(dǎo)因子，還可以評(píng)估各因子的貢獻(xiàn)率。本研究應(yīng)用此方法分析驅(qū)動(dòng)因子對(duì)玉米ETs和ETc年際變化的貢獻(xiàn)，歸因分析表明As是影響ETs變化最主要因素，除了As外，es-ea和rss對(duì)ETs變化也起著很重要的作用。

（3）相對(duì)于氣候驅(qū)動(dòng)變量，植物控制在調(diào)節(jié)ETc方面發(fā)揮了更大的作用。關(guān)于阻力對(duì)ETc的影響，由rcs變化引起的ETc的變化最大，說(shuō)明相較于其他阻力而言，rcs對(duì)ETc的影響最大。

（4）一般來(lái)說(shuō)，ET的變化受氣候和植物變量的復(fù)雜相互作用的影響，As和rcs分別是控制玉米ETs和ETc年際變化的兩個(gè)主要因素。