张永强研究员团队于2019年建立了二代PML模型“PML_V2”,该模型在Penman-Monteith-Leuning (PML) 模型的基础上,根据气孔导度理论耦合植被蒸腾与总初级生产力(GPP),使得GPP与植被蒸腾相互制约,从而提高GPP、蒸散发和植被水分利用效率的模拟精度。PML_V2参数由全球95个涡度相关通量站观测结果并按照植被类型率定,初步解决了模型点面扩展的难题,参数化后的PML-V2可扩展至全球尺度。该团队利用谷歌地球引擎构建了全球首个500米和8天分辨率的陆地蒸散发与总初级生产力数据集(2002-2019)(Zhang等2019;Kong, Zhang等2019)。2020年团队围绕PML_V2模型和数据在大尺度径流预报和我国北方区域水循环研究取得了以下四方面阶段性重要研究进展:
(1)首次利用PML-V2遥感蒸散发数据率定水文模型成功进行了大尺度径流预报研究(Zhang等,2020)。基于水文模型预报无测站流域径流已被广泛应用,但水文模型模拟过程中,实际蒸散发难以准确模拟。研究团队提出了采用PML遥感数据率定水文模型的新方法,试图通过提高蒸散发的模拟能力进而有效模拟流域径流过程。该方法在澳大利亚不同气候带的222个流域进行了验证。研究结果表明,PML遥感蒸散发数据可有效率定水文模型,进行无测站流域的径流预报,在月、年两个时间尺度和在湿润流域有较好的预报精度。该方法最大的优点是不需要水文站点实测径流数据率定水文模型,对于测站稀疏或无测站的山区和发展中国家的径流预报提供了新方法,开辟了遥感蒸散发在水文预报的新领域。
(2)将PML与传统水文模型耦合定量评估了采煤对于黄河流域典型流域径流的影响(Luan, Zhang等,2020)。煤矿开采会导致地下水位急剧下降,河川基流量和总径流量明显减少。如何定量评估煤矿开采对径流的影响成为了挑战。该研究以黄河流域典型煤矿开采区——窟野河流域为研究对象,使用SIMHYD-PMLV2模型有效地将植被变化对径流的影响与采煤影响进行剥离。研究表明,从1998年到2017年,煤炭开采导致王道横塔断面径流量减少了29%,神木断面径流量减少了55%,整个窟野河流域径流量减少了49%。该研究思路和方法合理区分了两种人类活动对径流过程的影响,为定量研究煤矿开采对径流影响奠定了坚实的基础。
(3)植被变化对中国北方植被初级生产力和蒸散发研究(Li, Zhang等2020a)。中国北方实施了退耕还林等多项国家级工程,但其对中国的植被总初级生产力和蒸散发的影响机制尚不清楚,因此定量模拟植被变化对区域内的影响研究成为植树造林规划和水资源管理的重要科学依据。研究根据PML-V2模型构建对比模型,通过水平衡公式定量估算植被变化对区域内年际总初级生产力和蒸散发影响。研究结果表明,在植被变化驱动下,2003-2017年中国北方的总初级生产力和蒸散发每年分别增加164TgC和130亿立方米。其中东北平原农田的总初级生产力每年约增加49TgC,内蒙古高原灌丛的蒸散发每年约增加37亿立方米。2010年以后黄土高原和东北平原的增加速率要明显高于2010年以前,主要原因是2010年以后该区域内叶面积指数的增加速率显著提高。
(4)植被变化对黄河流域水储量影响研究(Li, Zhang等2020b)。水储量是陆地水循环过程中的重要组成部分,对地处干旱、半干旱区的黄河流域至关重要。自1999年退耕还林(还草)工程实施以来,黄河流域的植被覆盖度显著提高,但其如何定量影响流域和区域的水储量不是很清楚。研究主要基于水平衡方法(以GRACE卫星观测数据为辅),采用地面观测的降水和径流、PML_V2反演的蒸散发定量评估了植被变化对黄河流域水储量的影响。结果显示,2003-2016年黄河流域水储量每年约下降5.1 mm,其中植被变化对水储量下降的贡献率每年可达1.52 mm(约占29%)。植被变化的主要贡献区为黄河流域中下游,由于森林扩展使叶面积指数增加,造成了2003-2016年该区域水储量每年下降1.94 mm。总体而言,黄河流域植被变化加剧了区域水储量下降趋势,迫切需要采取措施缓解黄河流域水资源短缺问题(图1)。
研究进展(1)的第一作者为张永强研究员;研究进展(2)的第一作者是中科院地理科学与资源研究所博士生栾金凯;研究进展(3)和(4)的第一作者为联合培养硕士研究生李聪聪(现为西北农林科技大学博士研究生)。PML模型研究由中国科学院高层次人才项目(A类)资助完成。
相关论文(*通讯作者):
1. Zhang YQ*, Kong DD*, Rong G, Chiew FHS, McVicar TR, Zhang Q, Yang YT, (2019). Coupled estimation of 500m and 8-day resolution global evapotranspiration and gross primary production in 2002-2017, Remote Sensing of Environment, 222, 165-182. (影响因子9.1,中科院一区)
https://www.sciencedirect.com/science/article/pii/S003442571830590X
2. Kong DD, Zhang YQ*, Gu XH, Wang DG (2019). Reconstructing global MODIS EVI time series using the weighted Whittaker with automatic parameterization, ISPRS Journal of Photogrammetry and Remote Sensing, 155, 13-24.(影响因子7.3,中科院一区)
https://www.sciencedirect.com/science/article/pii/S092427161930156X?via%3Dihub
3. Luan JK, Zhang YQ*, Tian J, Hadush M, Liu DF, (2020). Coal mining impacts on catchment runoff. Journal of Hydrology, doi: 10.1016/j.jhydrol.2020.125101.(影响因子4.5,中科院一区)
https://www.sciencedirect.com/science/article/pii/S0022169420305618?via%3Dihub
4. Zhang YQ*, Chiew FHS, Liu CM,Tang QH, Xia J, Tian J, Kong DD, Li CC(2020). Can Remotely Sensed Actual Evapotranspiration Facilitate Hydrological Prediction in Ungauged Regions Without Runoff Calibration? Water Resources Research (2020); 56:15. (影响因子4.3,中科院一区)
https://agupubs.onlinelibrary.wiley.com/doi/full/10.1029/2019WR026236
5. Li CC, Zhang YQ*, Shen YJ, Kong DD, Zhou XY (2020a). LUCC-Driven Changes in Gross Primary Production and Actual Evapotranspiration in Northern China,Journal of Geophysical Research-Atmospheres, 125:13.(影响因子3.8,自然指数期刊)
https://agupubs.onlinelibrary.wiley.com/doi/full/10.1029/2019JD031705
6. Li CC, Zhang YQ*, Shen YJ, Yu Q (2020b). Decadal water storage decrease driven by vegetation changes in the Yellow River basin,Science Bulletin, doi://10.1016/j.scib.2020.07.020.(影响因子9.5,中科院一区)
https://www.sciencedirect.com/science/article/pii/S2095927320304771?via%3Dihub