2000—2018年黄河上中游地区蒸散发年际时空变化及其影响因素分析
1.
2.
3.
Analysis of Spatio-temporal Dynamics of Interannual Evapotranspiration and Its Influencing Factors in the Upper and Middle Reaches of the Yellow River from 2000 to 2018
1.
2.
3.
通讯作者:
收稿日期: 2021-08-22 修回日期: 2022-07-12
基金资助: |
|
Received: 2021-08-22 Revised: 2022-07-12
作者简介 About authors
崔泽鹏(1996-),男,河南汝州人,硕士研究生,主要从事水文遥感研究E⁃mail:
关键词:
Keywords:
本文引用格式
崔泽鹏, 王志慧, 肖培青, 申震洲, 常晓格, 石永磊, 马力.
Cui Zepeng, Wang Zhihui, Xiao Peiqing, Shen Zhenzhou, Chang Xiaoge, Shi Yonglei, Ma Li.
1 引 言
蒸渗仪、涡度相关仪、大孔径闪烁仪等设备可对ET进行直接观测,观测尺度可从米级到公里级[6],但由于观测站点有限,无法获取区域范围内ET时空动态变化。随着蒸散发理论与遥感技术和气候/陆面模式的结合,全球和区域尺度ET产品应运而生。迄今为止,全球ET产品多达十几种,根据其计算方法不同,可分为三大类:①机器学习方法插值产品,如:MTE[7];②基于遥感蒸散发模型模拟产品,如:MODIS[8],PML[9];③再分析与陆面模式同化产品,如:JRA55[10],GLDAS[11],GLEAM[12]。但是由于模型结构复杂、参数物理机制不清、输入数据不足及尺度变异等问题,不同蒸散发产品的时空分布存在很大不确定性。
前人已利用ET模型[19-20]、水文模型[21-22]或已有全球ET产品[23-25]对黄河流域ET时空变化及其驱动因素开展了大量研究。模型方法虽能够刻画水循环过程物理机理,但计算过程涉及大量模型参数,且模型结构差异也会给分析带来不确定性。由于基于ET产品的统计方法简单易行,可直观反映不同影响要素与ET之间的定量响应关系,该方法应用更为广泛[23-26]。但目前全球ET产品繁杂多样,在黄河流域区域的精度水平参差不齐,基于不同产品的归因分析结果存在明显差异。基于具有趋势性的ET与影响要素时间序列统计回归会高估两者之间的相关性,从而不能客观反映ET对影响要素的敏感性。另外,其他要素(如:微地形变化、水库调蓄和农业灌溉等)对黄河流域ET变化的综合影响作用也仍不明晰。为此,研究基于黄河流域实测水文数据和GRACE产品,利用线性权重融合算法对5种全球ET产品进行融合,以期提高ET产品在黄河流域区域精度。然后综合利用去趋势法、多元回归分析和全微分方法计算ET对不同影响要素敏感性系数,定量评估不同影响要素对ET变化趋势的影响作用及其空间分异。本研究可为黄河上中游生态建设与水资源管理提供科学理论依据。
2 研究区与数据
2.1 研究区概况
黄河是中国第二大河流,全长5 464 km,发源于青藏高原巴颜喀拉山,自西向东流经9个省份和自治区,最后流入渤海(图1)。黄河流域东南部属半湿润气候,中部属半干旱气候,西北部属干旱气候。多年平均降雨量300—600 mm,多年平均温度-4—14 ℃,多年平均径流量580亿 m³,多年平均输沙量16亿 t,上游与中游分别为黄河径流量和泥沙的主要来源区。历史上气候变化与剧烈人类活动导致上中游地区生态系统严重退化。为改善区域生态环境,自1999年开始,国家在黄河上中游地区相继实施重大生态保护修复工程,经过近20 a生态修复治理,流域下垫面已发生剧烈变化,上游水源涵养能力稳定提升,中游黄土高原蓄水保土能力显著增强,水土流失得到有效抑制[27]。
图1
图1
研究区与气象水文实测站点地理空间分布
Fig.1
Geospatial distribution of the study area and climate and hydrological measurement sites
2.2 数据
研究所使用的5种全球ET产品包括:由3种陆面模式(NOAH、VIC、CLSM)驱动的全球陆面数据同化系统(Global Land Data Assimilation System)GLDAS产品,GLEAM_v3.3a产品以及PML_V2产品。另外,利用2种GRACE产品CSR RL06_mascons和JPL RL06_mascons分别提取陆地水储量变化(TWSA),并求其平均值。植被叶面积指数(Leaf Area Index,LAI)选用GLASS LAI产品。所有产品的时间范围、时空分辨率信息见表1。气象站点实测数据来自中国气象科学数据共享服务网(
表1 本研究使用的生态水文参数产品数据
Table 1
产品 | 时间范围/年 | 空间分辨率 | 时间分辨率 | 产品类型 |
---|---|---|---|---|
蒸散发(ET) | ||||
GLDAS_CLSM | 2000—2018 | 1° | 月尺度 | 陆面模式同化 |
GLDAS_NOAH | 2000—2018 | 0.25° | 月尺度 | 陆面模式同化 |
GLDAS_VIC | 2000—2018 | 1° | 月尺度 | 陆面模式同化 |
GLEAM_v3.3a | 2000—2018 | 0.25° | 日尺度 | 陆面模式同化 |
PML_V2 | 2000—2018 | 500 m | 8 d | 卫星遥感产品 |
陆地水储量变化(TWSA) | ||||
CSR RL06_mascons | 2003—2018 | 0.25° | 月尺度 | 卫星遥感产品 |
JPL RL06_mascons | 2003—2018 | 0.5° | 月尺度 | 卫星遥感产品 |
植被叶面积指数(LAI) | ||||
GLASS | 2000—2018 | 1 km | 8 d | 卫星遥感产品 |
表2 本研究使用的气象水文站点观测数据
Table 2
数据类型 | 时间范围/年 | 站点个数/个 | 时间分辨率 | 数据来源 |
---|---|---|---|---|
降雨量、风速、温度、相对湿度、日照时数 | 2000—2018 | 295 | 日 | 中国气象数据网 |
实测径流量 | 2000—2018 | 5 | 年 | 黄河水利委员会水文局 |
3 研究方法
3.1 基于多源产品的线性加权融合算法
根据主河道5个水文站可将黄河上中游划分为5个流域区间(图1),分别为唐乃亥以上、唐乃亥—青铜峡、青铜峡—头道拐、头道拐—龙门、龙门—花园口。假设每个区间都遵循水量平衡原理则可用公式表达:
其中:
线性加权融合算法[29]如下所示:
其中:
其中:,
研究利用决定系数R2 、均方根误差(RMSE,Root-Mean-Square Error)和平均相对误差(MRE,Mean Relative Error)3个指标对5个ET产品和融合产品分别进行精度验证。
3.2 线性斜率计算方法
采用一元线性回归模型斜率来表征ET及其影响因素的年际变化率,其计算公式如下:
其中:n为年份总数;Xi 为第i年ET或影响因素的年际值。
3.3 ET变化趋势定量归因方法
前人大量研究已表明黄河流域ET变化主要由气象要素与下垫面变化导致。选取降雨(Precipitation,Pre)、温度(Temperature,Temp)、日照时数(Sunshine Duration,SD)、饱和水汽压差(Vapor Pressure Difference,VPD)、风速(Wind Speed,WS)作为影响ET变化趋势的气象要素,将LAI作为影响ET变化的植被结构参数。为了消除数据本身的趋势性对计算敏感性系数带来的误差,研究利用去趋势后的时间序列数据计算ET对降雨、温度、日照时数、饱和水汽压差、风速和LAI的敏感性系数,具体公式如下:
其中:Xsimulated 是基于Xi 和i构建的一元线性回归模型的模拟值;Xnotrend 是时间序列X去趋势且平均值固定为Xfix 后的时间序列。
其中:de_ET、de_Pre、de_Temp、de_SD、de_VPD、de_WS、de_LAI为去趋势后的时间序列,γPre 、γTemp 、γSD 、γVPD 、γWS 分别表示ET对降雨、温度、日照时数、饱和水汽压差、风速、LAI的敏感性系数。
将ET变化斜率认为是由5个气象要素(降雨、温度、日照时数、饱和水汽压差、风速)、LAI和其他要素(微地形变化、水库调蓄和农业灌溉等)所引起的ET变化斜率之和,则以微分形式表达即为:
其中:
依据全微分的基本思想,对
其中:
各影响要素对ET趋势的相对影响率计算方法如下:
其中:
4 结 果
4.1 融合ET产品精度评价
图2
5种ET产品与融合后的ET产品精度验证结果如图3所示。结果表明,5种ET产品中,GLDAS_CLSM产品的精度最高(R2 =0.79,RMSE=51.2 mm,MRE=9.7%),GLDAS_VIC产品的精度最低(R2=0.66,RMSE=139.4 mm,MRE=29.0%)。PML_V2产品比GLEAM产品的精度更高。与精度最高的GLDAS_CLSM产品相比,融合后的ET产品RMSE和MRE分别减小12.8 mm 和2.2%。结果表明经过融合后的ET产品能够更准确地捕捉2000—2018年黄河流域ET变化的时空变化特征。
图3
图3
5种ET产品与融合ET产品精度验证
Fig.3
Accuracy assessment of five ET products and merged ET products
4.2 ET与影响要素的时空变化特征
研究基于融合后ET产品分析2000—2018年黄河流域ET时空分异规律。黄河流域多年平均ET空间分布见图4(a)所示。从图中可以看出,黄河上中游多年ET平均值为433 mm。ET空间分布呈从东南至西北逐渐递减变化特征,这与降水和植被空间分布特征一致。龙门—花园口区间的多年平均ET最大,可达到529 mm,唐乃亥以上区域(459 mm)仅次于最大值。青铜峡—头道拐区间为沙漠河段,降雨量稀少,多年平均ET仅为296 mm。2000—2018年黄河流域ET年际变化的空间分布格局如图4(b)所示。黄河上中游ET年际变化率为3.82 mm/a。空间上,ET显著增加区域面积比为78%,头道拐—龙门区间ET增长率为6 mm/a。ET减小区域仅占7%,主要分布在黄河源区。黄河源区ET在2000—2006年期间增加显著,但2007年之后呈现出略微下降趋势。
图4
图4
2000—2018年黄河流域多年平均ET空间分布和ET年际变化率空间分布
Fig.4
Spatial distribution of multi-year average ET, ET interannual variability in the Yellow River basin from 2000 to 2018
2000—2018年黄河流域气象要素与LAI年际变化的空间分布如图5所示,黄河上中游地区大部分区域降雨呈不显著增加趋势,而湟水、沁河流域和秦岭一带的降雨呈下降趋势。温度则是在整个上中游均呈增加趋势。与降雨和温度相比,日照时数、饱和水汽压差和风速的年际变化存在更明显的空间分异,日照时数呈减小趋势的区域主要分布在黄河源区、洮河流域及北洛河流域东南部,其余地区均呈现增加趋势。饱和水汽压差呈减小趋势的区域主要分布在头道拐—龙门区间的西南部和龙门-花园口区间的中部地区,其余地区均呈现增加趋势,其中黄河源区、沁河与伊洛河流域显著增加。风速呈增加趋势的区域主要分布在源区的中部、湟水流域、大黑河流域以及头道拐—龙门区间的南部,其余地区均呈现减小趋势。经过近20 a生态修复工程实施,上中游大部分地区植被LAI均呈显著增加趋势,仅黄河源区少部分区域和城镇开发区域LAI减小。此外,从图4和图5可以看出,ET增加的区域(图4(b))与降雨(图5(a))、温度(图5(b))和LAI(图5(f))增加的区域,以及风速减少的区域(图5(e))对应,而ET减少的区域(图4(b))与日照时数减少的区域(图5(c))和饱和水汽压差增加的区域(图5(d))对应。
图5
图5
气象要素与植被要素变化趋势的空间分布图
Fig.5
Spatial distribution of trends in climate and vegetation factors
4.3 ET对不同影响要素的敏感性系数
ET对各气象要素和LAI的敏感性系数空间分布如图6所示。ET对降雨的敏感性(γPre)的空间分布规律较为明显,整体呈现出随着降雨量的增加,γPre降低。ET对温度的敏感性(γTemp)为负的区域主要集中在源区的西部、唐乃亥—青铜峡区间的东部和龙门—花园口区间的西部,其余区域γTemp基本为正。在黄河上中游的大部分地区ET对日照时数的敏感性(γSD)为正,γSD为负的区域主要集中祖厉河、泾河和汾河等流域。ET对饱和水汽压差的敏感性(γVPD)具有明显的空间差异,γVPD为负的区域主要集中在洮河流域和龙门—花园口区间的中西部地区,其余区域γVPD基本为正。ET对风速的敏感性(γWS)为负的区域主要集中在唐乃亥—青铜峡区间的东部、头道拐-龙门区间的北部和龙门-花园口区间的南部,其余区域γWS基本为正。ET对LAI的敏感性(γLAI)是干旱区明显强于湿润区,γLAI随着降雨量的增加而减小。
图6
图6
ET对气象要素与植被要素敏感性的空间分布图
Fig.6
Spatial distribution of ET sensitivity to climate and vegetation factors
4.4 不同影响要素对ET变化趋势的影响作用
不同影响要素对ET趋势的影响量和相对影响率空间分布如图7所示。由降雨引起ET增加和减少的区域分别占总面积的70%和30%,对ET的正负影响量分别为0.50 mm/a和-0.26 mm/a。由温度引起ET增加和减少的区域分别占65%和35%,对ET的影响量分别为0.88 mm/a和-0.68 mm/a。由日照时数引起ET增加和减少的区域面积分别占到53%和47%,正负影响量分别为0.27 mm/a和-0.29 mm/a。饱和水汽压差在58%的区域均对ET起到增加作用,正影响量为0.55 mm/a,而对ET起减少作用的区域占42%,主要分布在洮河、闭流区、无定河、延河、泾河等流域,负影响量为-0.29 mm/a。风速对ET起到增加作用的区域主要分布在黄河源区、唐乃亥—青铜峡区间的大部分地区和龙门—花园口区间的南部,而对ET起减少作用的区域主要分布在闭流区和头道拐—龙门区间,其正负影响量分别为0.50 mm/a和-0.42 mm/a。
图7
图7
气象、植被和其他因素对ET变化趋势的影响量与相对影响率
Fig.7
Spatial distribution of impacts and relative impact rates of climate, vegetation and residual factors to ET trend
LAI对ET趋势起到增加作用和减少作用的区域面积比分别占88%和12%,且正负影响量分别为2.86 mm/a和-0.33 mm/a,影响量的空间分布特征与LAI基本一致。其他要素导致ET增加的区域占到总面积80%,正影响量为0.71 mm/a,而导致ET减少的区域主要分布于黄河源区和头道拐—龙门区间的西南部,负影响量为-0.38 mm/a。从图7(h)可看出上游区气象要素对ET趋势的影响最大,而中游区影响ET趋势的主导因子转变为了LAI。
各要素对ET趋势的影响作用在不同流域区间上存在空间分异(图8)。对于整个黄河上中游区,LAI显著增加是影响总体ET趋势的主导因素,其影响量和相对影响率分别为2.49 mm/a和65%。气象要素仅次于植被影响作用,且所有气象要素均起到正作用,其中温度对ET的影响量最大(0.33 mm/a),饱和水汽压差对ET的影响量最小(0.007 mm/a)。其他要素对ET的影响量和影响率分别为0.5 mm/a和13%,表明以微地形变化和灌溉活动为主的其他要素对ET趋势的增加作用也不容忽视。
图8
图8
黄河流域不同区间气象、植被和其他因素对ET变化趋势的影响量与相对影响率
Fig.8
Impact and relative impact rate of climate, vegetation and residual factors on ET trend in different intervals of the Yellow River basin
在青铜峡—头道拐、头道拐—龙门和龙门—花园口区间,植被LAI均为ET趋势变化的主导因素,相对影响率分别为48.24%、75.40%和68.77%。在源区和唐乃亥—青铜峡区间,气象要素均为ET趋势变化的主导因素,相对影响率分别为94.21%和39.83%。气象要素对龙门—花园口区间的ET变化影响作用最小,相对影响率仅为14.18%。青铜峡—头道拐和头道拐—龙门区间的风速减小对其ET变化趋势起减小作用,影响量分别为-0.24 mm/a和-0.39 mm/a。在所有区间中,其他要素对唐乃亥-青铜峡和龙门—花园口区间的ET影响作用较大,影响量分别为0.86 mm/a和0.78 mm/a,这表明该区域的水利水保工程措施和灌溉等人类活动更为剧烈。
各要素对ET趋势的影响作用在不同子流域上也存在空间分异(图9)。黄河中游10个支流ET增加的主导因素均是LAI增加,相对影响率排序为:延河>无定河>泾河>北洛河>汾河>窟野河>伊洛河>沁河>渭河>大黑河。上游2个支流(湟水与洮河)气象要素变化是ET增加的主要因素,且在所选子流域中气象要素对湟水流域ET趋势的影响作用最大(66.30%),其中温度、饱和水汽压差和风速对ET是增加作用,影响量分别为1.63 mm/a、0.89 mm/a和0.23 mm/a,降雨和日照时数对ET是减少作用,影响量分别为-0.50 mm/a和-0.03 mm/a。
图9
图9
黄河流域不同子流域气象、植被和其他因素对ET变化趋势的影响量与相对影响率
Fig.9
Impact and relative impact rate of climate, vegetation and residual factors on ET trend in different rivers of the Yellow River basin
5 讨 论
5.1 ET变化趋势空间格局形成机制
研究表明2000—2018年黄河上中游ET增长率为3.82 mm/a,这与Bai等[30]的研究结果基本一致。由
5.2 不同影响因素对ET的影响机理
在受水分限制的干旱/半干旱地区,降雨可以通过增加土壤含水量,同时促进了土壤蒸发和植被蒸腾作用[31-33],因而γPre在黄河流域大部分区域为正值。但随着干旱程度增加,潜在蒸散发越大,降雨进入土壤后越容易被蒸发,因而γPre的空间分布与降雨空间分布呈负相关,与干旱指数呈正相关[34](图6(a)和7(a))。近20 a来,黄河流域的平均温度明显增加(图5(b)),然而平均温度的变化对黄河上中游区域蒸散发的变化贡献有限,这意味着能量供应的变化不是控制黄河流域区域蒸散发变化的主导因素[35]。日照时数越大代表辐射能量越强,越容易发生蒸发。虽然日照时数在一定程度上会改变蒸散发的大小,但与其他因子相比,日照时数对蒸散发的影响在干旱/半干旱区较小[36](图7(c))。饱和水汽压差代表空气干燥程度,随着饱和水汽压差增加,蒸腾作用会越强烈,但超过一定阈值时,气孔导度减小,蒸腾作用受到抑制[28]。近些年来,黄河流域的风速呈下降趋势(图5),而风速下降会减弱空气流动,造成蒸散发的减小,尤其是在荒漠草原地区更为明显[37](图7(e))。
5.3 不确定性分析
研究将基于GRACE卫星产品和水量平衡原理计算而来的ET作为区域尺度上的ET实测数据,存在一定误差。但对2种精度较高的GRACE产品取平均值方法可降低产品不确定性。研究假设气象要素、植被和其他要素之间不存在相互影响,且影响要素与ET呈线性响应关系,并采用多元回归模型计算ET对不同影响因素的敏感性系数,但这一假设并没有考虑下垫面变化与气候之间的互馈作用,因此分析结果存在一定不确定性。另外,基于残差法计算的其他要素对ET影响量中仍包含多元回归模型的拟合误差项,但Zhang等[42]基于径流、土壤水分、ET实测资料和GRACE产品,利用水文模型模拟定量评估了以灌溉为主的人类活动对2003—2010年黄河流域ET增加贡献率为11%—16%,这与本文研究的其他要素对ET增加的贡献率(13%)仍较为接近。
6 结 语
本研究基于实测降雨、径流量和GRACE产品数据,利用线性加权融合方法对5种全球ET产品进行融合。利用去趋势法、多元线性回归、全微分和残差法定量计算ET对降雨(Pre)、温度(Temp)、日照时数(SD)、饱和水汽压差(VPD)、风速(WS)和植被叶面积指数(LAI)的敏感性系数,定量分析了各气象要素、植被和其他要素(微地形变化和农业灌溉等)对ET变化趋势的贡献作用。明晰了气候与下垫面变化对ET时空变化的影响机制,主要结论如下:
(1)与综合精度最高的GLDAS产品相比,本研究融合后的ET产品RMSE和MRE分别减小12.8 mm 和2.2%。表明经过融合后的ET产品能够更准确地捕捉2000—2018年黄河流域ET变化的时空分布特征。
(2)2000—2018年黄河上中游ET增长率为3.82 mm/a。除黄河源区外,其他黄河上中游地区ET均呈显著增加趋势。植被与其他要素对黄河上中游地区ET增加均起到正贡献作用,其中植被是主要因素,影响量和相对影响率分别为2.49 mm/a和65%,微地形变化和农田灌溉等其他要素变化所引起的土壤蒸发与地表水面蒸发增加量不容忽视,影响量和相对影响率分别为0.5 mm/a和13%。气象要素中,温度对ET的影响作用最大,影响量为0.33 mm/a。
(3)黄河源区和唐乃亥—青铜峡区间ET变化的主要影响因素为气象要素,青铜峡—头道拐、头道拐—龙门和龙门—花园口区间ET变化的主要驱动因素为植被LAI。中游10个支流ET增加的主要因素均是LAI增加,LAI相对影响率大小排序为:延河>无定河>泾河>北洛河>汾河>窟野河>伊洛河>沁河>渭河>大黑河。
本研究仅采用了有限观测数据和简单统计方法开展研究,在数据和分析方法上仍存在欠缺,未来可收集黄河流域各级支流径流、土壤湿度和ET实测数据,综合利用非线性统计模型、遥感蒸散发模型和分布式水文过程模型等多种手段综合研判多尺度流域ET变化的影响机制及其空间异质性,从而更为科学客观的揭示黄河流域ET时空变化规律及其驱动机制,对黄河流域水资源变化归因、合理开发利用和未来规划管理提供关键数据与技术支撑。
参考文献
Using long-term water balances to parameterize surface conductances and calculate evaporation at 0.05° spatial resolution
[J].
Satellite-based reconstruction and spatiotemporal variability analysis of actual evapotranspiration in the Jinshajiang basin, China
[J].
金沙江流域实际蒸散发遥感重建及时空特征分析
[J].
Global estimates of evapotranspiration for climate studies using multi-sensor remote sensing data: Evaluation of three process-based approaches
[J].
Runoff simulation by hydrological model based on the assimilated evapotranspiration
[J].
基于蒸散发数据同化的径流过程模拟
[J].
Methods to estimate evapotranspiration in humid and subtropical climate conditions
[J].
Validation of Global evapotranspiration product (MOD16) using flux tower data in the african savanna, South Africa
[J].
Recent decline in the global land evapotranspiration trend due to limited moisture supply
[J].
Improvements to a MODIS global terrestrial evapotranspiration algorithm
[J].
Coupled estimation of 500 m and 8-day resolution global evapotranspiration and gross primary production in 2002-2017
[J].
The JRA-55 reanalysis: General specifications and basic characteristics
[J].
The global land data assimilation system
[J].
GLEAM v3:Satellite-based land evaporation and root-zone soil moisture
[J].
Analysis and understanding on runoff variation of the Yellow River in recent 100 years
[J].
黄河近百年径流量变化分析与认识
[J].
Balancing green and grain trade
[J].
Opportunities for biodiversity gains under the world’s largest reforestation programme
[J].
Revegetation in China's Loess Plateau is approaching sustainable water resource limits
[J].
Soil moisture decline due to afforestation across the Loess Plateau, China
[J].
Characteristics of ecological system and target identification of ecological protection of the Yellow River
[J].
黄河生态系统特征及生态保护目标识别
[J].
Estimating the increase in regional evaporative water consumption as a result of vegetation restoration over the Loess Plateau,China
[J].
Impacts of vegetation changes on global evapotranspiration in the period 2003—2017
[J].
2003—2017年植被变化对全球陆面蒸散发的影响
[J].
Impact of vegetation change on water transformation in the middle Yellow River
[J].
黄河中游植被变化对水量转化的影响分析
[J].
Climatic and human-related indicators and their implications for evapotranspiration management in a watershed of Loess Plateau, China
[J].
Response of evapotranspiration to changes in land use and land cover and climate in China during 2001—2013
[J].
The role of climate change and vegetation greening on the variation of terrestrial evapotranspiration in northwest China's Qilian Mountains
[J].
Variation patterns of evapotranspiration and its components in the Middle Yellow River and six typical basins under the background of vegetation restoration
[J].
植被恢复背景下黄河中游及6个典型流域蒸散发及其组分变化格局
[J].
Seasonal divergence in the sensitivity of evapotranspiration to climate and vegetation growth in the Yellow River Basin,China
[J].
Detecting and attributing vegetation changes on China’s Loess Plateau
[J].
Increased atmospheric vapor pressure deficit reduces global vegetation growth
[J].
Estimation of the terrestrial water budget over Northern China by merging multiple datasets
[J].
Contributions of climate change and vegetation greening to evapotranspiration trend in a typical hilly-gully basin on the Loess Plateau, China
[J].
Quantitative estimation of the impact of climate change on actual evapotranspi-ration in the Yellow River Basin, China
[J].
Contrasting precipitation seasonality influences evapotranspiration dynamics in water-limited shrublands
[J].
Assessing regional virtual water flows and water footprints in the Yellow River basin, China: A consumption based approach
[J].
Sensible heat observations reveal soil-water Evaporation dynamics
[J].
Hydrological trend analysis in the Yellow River basin using a distributed hydrological model
[J].
Progress on evapotranspiration estimation methods and driving forces in arid and semiarid regions
[J].
蒸散发估算方法及其驱动力研究进展
[J].
Trend in reference crop evapotranspiration and meteorological factors affecting trends in Inner Mongolia
[J].
内蒙古地区参考作物蒸散变化特征及其气象影响因子
[J].
Vegetation dynamics and their effects on surface water-energy balance over the Three-North Region of China
[J].
Field studies on the influence of rainfall intensity, vegetation cover and slope length on soil moisture infiltration on typical watersheds of the Loess Plateau, China
[J].
The effects of terracing and vegetation on soil moisture retention in a dry hilly catchment in China
[J].
Effects of terracing on soil water and canopy transpiration of Pinus tabulaeformis in the Loess Plateau of China
[J].
Crucial role of natural processes in detecting human influence on evapotranspiration by multisource data analys-is
[J].
/
〈 |
|
〉 |
