EN中文

Arid Land Geography >

2024 , Vol. 47 >Issue 8: 1263 - 1276

DOI: https://doi.org/10.12118/j.issn.1000-6060.2024.166

The Third Xinjiang Scientific Expedition

Estimation of evaporation loss from typical lakes in the Kumukuli Basin, East Kunlun Mountains

  • Zhi LI , 1 ,
  • Chenggang ZHU , 1 ,
  • Jiayou WANG 1, 2 ,
  • Yongchang LIU 1, 2 ,
  • Chuan WANG 1, 2 ,
  • Xueqi ZHANG 1 ,
  • Shiru HAN 1, 2 ,
  • Gonghuan FANG 1
Expand
  • 1. State Key Laboratory of Desert and Oasis Ecology, Key Laboratory of Ecological Safety and Sustainable Development in Arid Lands, Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Urumqi 830011, Xinjiang, China
  • 2. University of Chinese Academy of Science, Beijing 100049, China

Received date: 2024-03-13

  Revised date: 2024-03-26

  Online published: 2026-03-11

Fold

Abstract

Estimating lake water evaporation losses is of significant importance for addressing water scarcity in arid regions and for the protection of lake ecosystems. This study analyzed the spatiotemporal variations of actual evapotranspiration (ET) in three typical lakes within the Kumukuli Basin of East Kunlun Mountains over the past 20 years. Using empirical formulas, we estimated the evaporation losses and applied a random forest model to identify potential factors influencing changes in lake water evaporation. This study examines the spatiotemporal variation in ET of typical lakes in the Kumukuli Basin of East Kunlun Mountains using PML-V2 data, estimates water loss due to lake evaporation through empirical formulas, and explores the influencing factors of lake ET changes using a random forest model. Key findings include (1) From 2001 to 2020, the annual ET of Ayakkum Lake, Aqqikkol Lake, and Whale Lake exhibited a fluctuating trend, initially increasing, then decreasing, and subsequently showing a gradual increase, with peak and trough occurring in 2004 and 2012, respectively. (2) The ET of the three lakes demonstrated an inverted U-shaped pattern within the year, with Ayakkum Lake peaking in June and the other two lakes in July. Aqqikkol Lake exhibited a relatively gentle increase, while Whale Lake saw a significant rise from May to July, reaching 48.45 mm·month-1. (3) During the same period, the evaporation water volume of the three lakes increased, with Ayakkum Lake recording the highest at 10.33×108 m³·a-1, followed by Aqqikkol Lake at 4.54×108 m³·a-1, and Whale Lake at 3.33×108 m³·a-1. (4) Analysis using the random forest model indicates that lake area significantly influences evaporation volume. Additional factors, including increases in wind speed, maximum temperature, and precipitation, also drive evaporation changes, contributing over 45% cumulatively.

Key words： high mountain lake area change; evaporation loss water volume; driving factors; Kumukuli Basin; East Kunlun Mountains

Cite this article

Zhi LI , Chenggang ZHU , Jiayou WANG , Yongchang LIU , Chuan WANG , Xueqi ZHANG , Shiru HAN , Gonghuan FANG . Estimation of evaporation loss from typical lakes in the Kumukuli Basin, East Kunlun Mountains[J]. Arid Land Geography, 2024 , 47(8) : 1263 -1276 . DOI: 10.12118/j.issn.1000-6060.2024.166

东昆仑库木库里盆地介于阿尔金山和中昆仑山的主脊线之间，是昆仑山脉腹地面积最大的盆地，平均海拔高度在3800 m以上，是一个观测资料极其匮乏的地区，其水文和水资源要素在气候变化背景下的响应变化特征尚待深入研究。东昆仑库木库里盆地内孕育有丰富的高山湖泊，是区域气候变化的放大器[1]，对于东昆仑山的水循环和生态安全具有重要意义。在全球气候变化和人类活动影响下，湖泊水文过程和蒸发损失水量均发生了变化[2-3]，从而影响湖泊的化学成分、生态健康和水资源的可持续利用[4-5]。
近30 a来，东昆仑库木库里盆地的3大典型湖泊——阿牙克库木湖、阿其克库勒湖和鲸鱼湖面积均呈增加趋势[6]。值得注意的是，这3个湖泊的湖冰覆盖期有所延长[6-7]，可能会影响湖泊表面的能量平衡，从而影响蒸发的速率；且高原湖泊还面临着气象条件复杂、气象站点稀缺等问题，这使得该地湖泊蒸发损失估算变得更为复杂。湖泊水量变化的一系列影响对于当地水资源管理和利用意义重大[8⇓-10]，Maestre-Valero等[11]评估了半干旱区赛古拉盆地水库蒸发损失的影响，发现年总蒸发的损失量可以弥补当地6.5%~11.7%的灌溉用水；Friedrich等[12]发现位于美国干旱区太浩湖的蒸发损失量占水库总出水量的40%~60%。因此，在全球变化背景下，准确估算东昆仑库木库里盆地典型湖泊蒸发损失对估算当地水资源储量、提高水资源利用效率和开发潜力至关重要。
目前，用来估算湖泊蒸发损失的常见方法有实地仪器观测法、鲍文比能量收支（BREB）、组合方程法和遥感方法等。蒸发皿观测法简单直观，但是易受到周围环境的影响[12⇓-14]，估算误差大，在高山区缺乏观测点；涡流协方差技术是另一种直接观测湖泊蒸发量的方法，但由于其经济和时间成本高，且对风向较敏感，并未形成大范围的数据集[15]。BREB基于地表和大气之间的能量平衡原理来估算湖泊表面蒸发，考虑了地表和大气间多种能量通量，适用性广，但其所需数据量大，计算复杂，且对周围地物特征敏感[16]。对于质量传递法和Ryan-Harleman法，前者主要考虑水气压差和风速等参数来估算蒸发，未考虑其他能量通量对蒸发影响，精度低；后者是一种基于水热平衡的方法，复杂度较高[17]。主流的组合方程有Penman方程[18-19]和Priestly-Taylor方程[20]，两者基于表面能量平衡估算蒸发，需要大量气象资料作为驱动数据。遥感技术是通过卫星影像来获取湖泊表面气温和蒸散发等相关数据，结合气象观测数据，反演估算蒸发损失，这种方法成本低，但易受云污染和云、地形阴影遮挡的影响，导致低估现象[21]。不同湖泊蒸发估算方法的精度在不同的地区有所不同[22-23]，由于观测数据缺乏，用遥感方法来估算高原湖泊蒸发损失是基于其具有覆盖范围广、观测序列长和融合多源数据等优势，能够有效地弥补实地观测数据缺乏的问题，从而提高对蒸发损失的估算精度和可靠性[24]。本文以东昆仑库木库里盆地3个典型湖泊为例，分析了2001—2020年的湖泊水量蒸发年内、年际变化，并估算了湖泊蒸发损失水量变化；利用具有可解释性的随机森林模型，分析了该地区影响湖泊蒸发的潜在因素，揭示干旱区高原湖泊蒸发对气候变化的响应，以期为该地区水循环研究以及水资源的科学管理、生态环境保护提供数据支撑和理论参考。

1 数据与方法

1.1 研究区概况

东昆仑库木库里盆地连接着中国青海、甘肃和新疆等地，具有重要的区位战略意义。该地区地形条件复杂，山势险峻。盆地内气候干燥，降水稀少，且集中在夏季，日照强，蒸发量大。盆地内分布着多个高原湖泊，其中面积较大的3个典型湖泊分别是阿牙克库木湖（海拔约3879 m）、阿其克库勒湖（海拔约4256 m）和鲸鱼湖（海拔约4715 m）（图1）。受当地气候条件影响，湖泊蒸发量大，大多形成咸水湖。湖周围分布有沼泽和湿地，有多种野生动植物栖息繁衍，是当地高原生态系统的重要组成部分。全球变暖背景下，过去20 a间3个湖泊的面积扩张明显（图1），加之全球变化的影响，湖泊水量的蒸发损失也发生明显变化，给当地生态系统的安全稳定和水资源管理利用带来挑战。
图1 研究区示意图

注：该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2023)2763号的标准地图制作，底图边界无修改。

Fig. 1 Schematic diagram of the study area

1.2 数据来源与处理

1.2.1 实际蒸散发数据

本研究所使用的2001—2020年东昆仑库木库里盆地3个典型湖泊蒸发数据来自于中国区域PML-V2（DOI: 10.11888/Terre.tpdc.272389）水碳耦合的陆地蒸散发与总初级生产力数据集的水体、冰雪蒸发要素[25]，为了匹配气象数据，将该数据集的时空分辨率处理为月和500 m。与全球版本相比，PML-V2（China）产品在中国区域的模拟精度有很大的提升，观测数据来自中国26个涡动通量站，其下垫面包括9种植被类型，并用于模型的参数校准。该数据集提供的ET_water水体蒸发量数据是通过遥感技术获取地表特征信息，并结合气象数据和蒸发模型计算得出的，经过验证和调整后发布。

1.2.2 面积数据

在进行2001—2020年湖泊面积数据的计算过程中，使用了Google Earth Engine （GEE）获取了相应的Landsat 5 TM/7 ETM+/8 OLI Tier 1表面反射率数据。鉴于不同卫星的采集时间、天气条件和传感器规格存在差异，导致陆地卫星图像的数量和质量各异，为了确保数据的质量，采用了设定小于10%的云量阈值的策略，以过滤掉对图像质量产生不良影响的云量[26]。同时也使用了《中国湖泊数据集》，由国家青藏高原科学数据中心（https://data.tpdc.ac.cn/）提供，利用半自动水体提取方法（如阈值分割、聚类分析、形态学处理等算法）及人工目视检查，完成了详细的湖泊数量与面积变化对比研究。

1.2.3 气象数据

由于研究区缺乏实测的站点数据，因此气象数据选用的是由欧洲中期天气预报中心（https://cds.climate.copernicus.eu/）发布的ERA5再分析数据，且前人的研究表明相较其他再分析资料ERA5在中国具有更好的适用性[27-28]。

1.3 研究方法

1.3.1 蒸发水量估算

蒸发水量的估算通常涉及水域面积和水体蒸发2个关键因素，将水体的面积与蒸发相乘，即可得到蒸发水量的估算值，计算公式如下：
W = A i × E T w a t e r i
式中： W为湖泊蒸发损耗量； A i为 i年份的湖泊面积； E T w a t e r i为 i年份的水体蒸散发。ET采用水碳耦合模型Penman-Monteith-Leuning model （PML-V2）估算[25]。

1.3.2 随机森林模型

本文采用随机森林（Random forest，RF）算法研究了多个驱动因子对湖泊蒸发的影响大小[29]。RF是一种使用集成学习方法的监督学习算法，它由使用自举样本的多元决策树组成，RF具有很高的预测准确率，能够处理高维数据，有效地分析非线性、具有共线性和交互作用的数据，并能够在分析数据的同时给出变量的重要性评分（Variable importance measures，VIM）和边缘（部分）依赖性（Partial dependent，PD）。计算VIM的方法分为根据基尼指数（Gini）和根据袋外数据错误率（Out of bag estimation，OOB），统计量VIMGini表示第j个变量在RF所有树节点分裂不纯度的平均改变量（节点纯度重要性），Gini指数的计算公式为：
G I m = ∑ k = 1 K   p ^ m k 1 - p ^ m k
式中： G I m为节点m的Gini指数；K为自助样本集的类别数； p ^ m k为节点m样本属于第k类的概率估计值。变量 X j在节点m的重要性为：
V I M j m G i n i = G I m - G I l - G I r
式中： G I l和 G I r分别表示由节点m分裂的两新节点的Gini指数。
VIMOOB表示在RF的每棵树中，使用随机抽取的训练自助样本建树，并计算袋外数据（OOB）的预测错误率，然后随机置换变量Xj的观测值后再次计算错误率，最后计算2次错误率差值即为置换重要性（均方误差重要性），计算公式如下：
V I M j O O B = ∑ p = 1 n o i   I ( Y p = Y p i ) n o i - ∑ p = 1 n o i   I ( Y p = Y p , π j i ) n o i
式中： n o i为第i棵树OOB数据的观测例数； I(g)为指示函数，即两值相等时取1，不等时取0； Y p∈{0, 1}为第p个观测的真实结果； Y p i∈{0, 1}为随机置换前第i棵树对OOB数据第p个观测的预测结果； Y p , π j i为随机置换后第i棵树对OOB数据第p个观测的预测结果。
PD是一种分析和量化一个自变量对目标响应边际效应的图形方式，允许其他变量在其域内发生变化，其计算公式为:
f ^ x s x s = 1 n ∑ i = 1 n   f ^ x s , x c i
式中： f ^ x s为变量 x s的偏因函数； x c i为变量xc的第i个样本的值。

2 结果与分析

2.1 东昆仑库木库里盆地典型湖泊实际蒸散发时空变化特征

2.1.1 年际变化

根据2001—2020年东昆仑库木库里盆地阿牙克库木湖、阿其克库勒湖和鲸鱼湖的实际蒸散发（ET）年际变化图可发现：过去20 a间，3个典型湖泊的年蒸散发总体表现为波动下降趋势，具体表现为先增加后减少又缓慢增加的趋势，波峰和波谷均分别出现在2004年和2012年左右。3个湖泊ET峰值在2004年，之后的10 a里，3个湖泊的年ET均呈现下降趋势，直至2012年左右达到最低值，分别为871.58 mm、735.09 mm和658.40 mm，自2013年起，ET又呈逐渐增加趋势（图2）。
图2 2001—2020年3个典型湖泊实际蒸散发的年际变化

注：ET为实际蒸散发。下同。

Fig. 2 Interannual change in actual evapotranspiration of the three typical lakes from 2001 to 2020

从空间分布上看，3个典型湖泊ET年均值变化幅度均集中在600~1700 mm，具体来看，阿牙克库木湖ET值最大，整体处在1000 mm以上，并呈现出北低南高的空间分布特征；同样的，阿其克库勒湖的ET值也呈现北低南高的空间分布特征；而鲸鱼湖ET值的分布则比较均匀，主要集中在600~900 mm之间（图3）。
图3 2001—2020年3个典型湖泊实际蒸散发均值空间分布

Fig. 3 Spatial distribution of mean actual evapotranspiration in the three typical lakes from 2001 to 2020

从2001—2020年3个典型湖泊ET的空间变化趋势分布特征来看，3个湖泊ET下降趋势明显，存在显著的空间异质性（图4）。其中，阿牙克库木湖近20 a间ET普遍呈下降趋势，平均下降速率为20.26 mm·a-1，且从西向东下降速率逐渐增大，最高可超50 mm·a-1，而湖泊南部边缘部分ET呈显著增加态势，增加速率约为30 mm·a-1（图4a）。其次是鲸鱼湖，其ET整体以15.75 mm·a-1的速率呈现降低态势，而湖泊边缘呈现每年0~20 mm的增加状态，尤其是东南部增加速率可达30 mm·a-1（图4c）。下降速率最小的是阿其克库勒湖，其平均变化速率为-11.10 mm·a-1，其西部ET呈显著下降趋势，下降速率最高可达50 mm·a-1，湖泊整体ET变化速率在-20~10 mm·a-1之间（图4b）。
图4 2001—2020年3个典型湖泊实际蒸散发趋势值的空间分布

Fig. 4 Spatial distribution of trend values of actual evapotranspiration of the three typical lakes from 2001 to 2020

2.1.2 年内变化

3个典型湖泊ET的年内月际动态变化呈倒U形（图5）。阿牙克库木湖的ET值在6月达到最大值，从6月至次年1月逐渐降低，由167.06 mm降低至13.17 mm，而后开始逐渐增加。阿其克库勒湖和鲸鱼湖2个湖泊的ET值均在7月达到最大值，从7月至次年1月逐渐降低，分别由157.19 mm和184.83 mm降低至13.41 mm和18.87 mm，而后开始逐渐增加。其中阿其克库勒湖1—7月上升速度较为平缓，速度为27.67 mm·月-1，不同的是鲸鱼湖在5—7月ET上升速率较大，可达48.45 mm·月-1。
图5 2001—2020年3个典型湖泊月实际蒸散发变化

Fig. 5 Changes of monthly actual evapotranspiration in the three typical lakes from 2001 to 2020

2.2 典型湖泊蒸发损失水量变化

图6展示了从2001—2020年3个典型湖泊的面积变化和年均蒸发损失水量变化。从图中可以看出，阿牙克库木湖面积扩张明显，其年均蒸发水量在3个湖泊中最大，年均蒸发水量平均值为10.33×108 m³，阿其克库勒湖的蒸发水量次之，鲸鱼湖的蒸发水量最低。3个典型湖泊的蒸发水量呈现出不同的变化趋势和波动，总体呈现不显著的增加趋势。阿牙克库木湖在2004年蒸发损失水量达到最高点。阿其克库勒湖和鲸鱼湖的蒸发水量相对稳定，阿其克库勒湖的年均蒸发水量平均值为4.54×108 m³，波动变化较小，从2001年开始逐渐上升，在2008—2012年保持稳定后再次上升，并在2018—2020年间呈下降趋势。鲸鱼湖的年均蒸发水量平均值为3.33×108 m³，自2001年起逐渐上升至2004年，2004—2012年处于轻微的下降，并在2013—2020年保持相对稳定。
图6 2001—2020年3个典型湖泊面积及年均蒸发水量变化

Fig. 6 Changes of annual lake area and evaporated water quantity of the three typical lakes from 2001 to 2020

2.3 典型湖泊蒸发水量影响因素分析

2.3.1 典型湖泊蒸发水量的影响因子重要性

基于随机森林模型中的2个变量重要性算法，得到了驱动湖泊蒸发损失水量的变量重要性，主要包括：湖泊面积、气温、降水、风速和气压等。结果显示，从节点纯度重要性和均方误差重要性来看，湖泊面积是影响阿牙克库木湖蒸发变化的首要因素（解释度27%），而经向（东西向）风速、最高气温、降水总量则是驱动阿牙克库木湖水面蒸发的3个主要气象因素（累计解释度45%）。为增强结果的稳健性，我们每次选择500棵决策树进行置换检验，从局部重要性图也可以看出前3个变量对蒸发贡献的解释起主导作用（图7）。
图7 阿牙克库木湖蒸发影响因子重要性

Fig. 7 Importance of evaporation influencing factors in Ayakkum Lake

从节点纯度重要性排序中可以看出，湖泊面积仍然是影响阿其克库勒湖蒸发的主导因子（解释度22%），气象要素如海面气压、经向风速、纬向风速的重要性相对均衡（3个要素各自的解释度均约在12%）。但在均方误差重要性中经向风速超过湖泊面积，且最低气温和最高气温的重要性也较突出。综合局部重要性可以得出，湖泊面积和经向风速是驱动阿其克库勒湖蒸发的主控因素（图8）。
图8 阿其克库勒湖蒸发影响因子重要性

Fig. 8 Importance of evaporation influencing factors in Aqqikkol Lake

对于面积相对较小的鲸鱼湖来说，虽然从节点纯度和均方误差重要性来看湖泊面积仍然是首位因子，但其对蒸发的解释度（18%）不及阿牙克库木湖和阿其克库勒湖。而综合来看，降水的重要性超过各气温和气压的重要性，仅次于湖泊面积和经向风速对蒸发的影响（图9）。
图9 鲸鱼湖蒸发影响因子重要性

Fig. 9 Importance of evaporation influencing factors in Whale Lake

2.3.2 湖泊蒸发影响因子依赖性

为了解不同因子对湖泊蒸发动态变化的边缘依赖性，计算了随机森林模型中的偏因（局部依赖）函数。其结果表明，阿牙克库木湖蒸发量在湖泊面积为900 km2以上时边缘依赖性开始减小，在经向风速大于1.35 m·s-1时边缘依赖性开始逐步增大，在最高气温高于2.75 ℃时边缘依赖性显著上升，而在降水总量大于310 mm时边缘依赖性迅速减小；对纬向风速的边缘依赖性以0.88 m·s-1为界先降后升，对露点气温、平均气温、最低气温的边缘依赖性呈现出先升后降并趋于平稳的态势（图10）。
图10 阿牙克库木湖蒸发影响因子依赖性

Fig. 10 Dependence of evaporation influencing factors in Ayakkum Lake

阿其克库勒湖湖面蒸发对湖泊面积的边缘依赖性在425 km2、500 km2处呈现阶梯下降趋势，对纬向风速和经向风速的边缘依赖性分别在0.77 m·s-1、1.82 m·s-1处迅速上升并逐步增加。对降水总量的边缘依赖性在370 mm处达到最大后开始迅速下降，对最高气温、最低气温、平均气温和露点气温的边缘依赖性则呈现先迅速上升后短暂回落，并逐步趋于稳定的态势（图11）。
图11 阿其克库勒湖蒸发影响因子依赖性

Fig. 11 Dependence of evaporation influencing factors in Aqqikkol Lake

鲸鱼湖湖面蒸发对湖泊面积的边缘依赖性在280 km2处迅速下降并趋于稳定，对经向风速的边缘依赖性在1.7 m·s-1处迅速上升而对纬向风速的边缘依赖性在1.45 m·s-1处迅速下降，对降水总量的边缘依赖性在475 mm处达到最低后呈现波动缓慢上升，对最低气温、最高气温、平均气温和露点气温的边缘依赖性则呈现先阶梯性快速上升后波动性缓慢上升的态势（图12）。
图12 鲸鱼湖蒸发影响因子依赖性

Fig. 12 Dependence of factors on evaporation in Whale Lake

3 讨论

本研究所讨论的诸多变量对湖泊蒸发的重要性排序均是通过随机森林算法求得。其中节点纯度重要性通过残差平方和来度量，代表了每个变量对分类树每个节点上观测值异质性的影响，从而比较变量的重要性，该值越大表示该变量的重要性越大；均方误差重要性通过对每一个预测变量随机赋值，如果该预测变量更为重要，那么其值被随机替换后模型预测的误差会增大，因此，该值越大表示该变量的重要性越大；需注意的是二者的排名存在一定的差异。以往的研究往往二选一作为判断变量重要性的指标[30]，但本文通过交叉验证的方法，综合全局与局部进行重要性判断，使得研究结果更为稳健。
目前，已有不少学者在不同尺度上针对湖泊蒸发损失水量及其驱动因素进行研究，取得成果较多[4,31-32]。其中，在全球增温背景下，大多数学者的研究都验证了全球大部分地区湖泊蒸发水量增加这一现象[24,33]。Wang等[34]采用10种蒸发估算方法估算青藏高原纳木错湖盆地内的一个高原湖泊，发现2004年之后，湖泊蒸发水量总体呈递增趋势。但对于湖泊蒸发的驱动因素来说，研究结果的区域差异明显。Zhao等[33]对全球142个湖泊进行研究，发现湖泊平均蒸发损失水量以每年3.12 km3的速度在增长，这主要归因于单位面积蒸发的增加（58%）。由于湖泊蒸发除了受湖泊面积影响外，还受到蒸发影响，而蒸发很大程度上与区域气候条件有关[35-36]。青藏高原内盆地里的湖泊蒸发进行研究时也有类似发现，藏北高原的湖泊ET近些年在下降，而湖泊面积扩大，致使湖泊蒸发水量增加（90%贡献率），且导致该地湖泊水储量增加趋势变缓[37⇓-39]。本研究针对东昆仑库木库里盆地3个典型高原湖泊的蒸发损耗及驱动因素开展研究，可为进一步挖掘要素间相互影响机制以及区域水循环变化提供参考。未来在对东昆仑库木库里盆地进一步科学考察和研究中将继续增加实际观测设施、优化分析方法，以及深化对研究问题的探索。

4 结论

本文以东昆仑库木库里盆地3个典型湖泊为例，分析了2001—2020年的湖泊水量蒸发变化，并利用统计分析方法和随机森林模型，分析该地区影响湖泊蒸发水量损失的潜在因素。结果表明：
（1） 2001—2020年东昆仑库木库里盆地3个典型湖泊（阿牙克库木湖、阿其克库勒湖和鲸鱼湖）的ET呈现先增加后减少又缓慢增加的波动下降趋势。空间上表现为ET整体下降而湖泊边缘呈上升趋势。
（2） 阿牙克库木湖、阿其克库勒湖和鲸鱼湖过去20 a湖泊面积均呈现增加趋势。由经验公式显示，2001—2020年东昆仑库木库里盆地3个典型湖泊的年均蒸发水量呈增加态势，阿牙克库木湖的蒸发水量最高，约为10.33×108 m³·a-1，阿其克库勒湖的蒸发水量次之（4.54×108 m³·a-1），鲸鱼湖的蒸发水量最低（约3.33×108 m³·a-1）。
（3） 综合随机森林模型的2个变量重要性算法得出，湖泊面积的扩大是影响阿牙克库木湖、阿其克库勒湖和鲸鱼湖蒸发损失量增加的主要因素（贡献率分别为27%、22%和18%）；同时，经向风速、最高气温和降水的增多等因素也是驱动蒸发的重要原因，累计贡献率超过45%。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Steingruber S M, Bernasconi S M, Valenti G. Climate change-induced changes in the chemistry of a high-altitude mountain lake in the Central Alps[J]. Aquatic Geochemistry, 2021, 27(2): 105-126.

[2]
Zhao G, Gao H. Estimating reservoir evaporation losses for the United States: Fusing remote sensing and modeling approaches[J]. Remote Sensing of Environment, 2019(226): 109-124.

[3]
Wang W, Lee X, Xiao W, et al. Global lake evaporation accelerated by changes in surface energy allocation in a warmer climate[J]. Nature Geoscience, 2018, 11(6): 410-414.

[4]
Ali S, Ghosh N C, Singh R. Evaluating best evaporation estimate model for water surface evaporation in semi-arid region, India[J]. Hydrological Processes: An International Journal, 2008, 22(8): 1093-1106.

[5]
Morton F I. Climatological estimates of lake evaporation[J]. Water Resources Research, 1979, 15(1): 64-76.

[6]
艾尔肯·图尔荪, 玉素甫江·如素力, 崔一爽, 等. 2000—2019年新疆大型湖泊湖冰物候时空变化特征[J]. 干旱区地理, 2022, 45(5): 1440-1449.

[Tuersun Aierken, Rusuli Yusufujiang, Cui Yishuang, et al. Temporal and spatial variations of lake ice phenology in large lakes of Xinjiang from 2000 to 2019[J]. Arid Land Geography, 2022, 45(5): 1440-1449.]

[7]
Cai Y, Ke C Q, Yao G H, et al. MODIS-observed variations of lake ice phenology in Xinjiang, China[J]. Climatic Change, 2020, 158(3): 575-592.

[8]
于革, 赖格英, 薛滨, 等. 中国西部湖泊水量对未来气候变化的响应——蒙特卡罗概率法在气候模拟输出的应用[J]. 湖泊科学, 2004, 16(3): 193-202.

[Yu Ge, Lai Geying, Xue Bin, et al. Preliminary study on the responses of lake water from the western China to climate change in the future: Monte Carlo analysis applied in GCM simulations and lake water changes[J]. Journal of Lake Sciences, 2004, 16(3): 193-202.]

[9]
Zhang G, Bolch T, Yao T, et al. Underestimated mass loss from lake-terminating glaciers in the greater Himalaya[J]. Nature Geoscience, 2023, 16(4): 333-338.

[10]
Zhang H, Gorelick S M, Zimba P V, et al. A remote sensing method for estimating regional reservoir area and evaporative loss[J]. Journal of Hydrology, 2017, 555: 213-227.

[11]
Maestre-Valero J F, Martínez-Granados D, Martínez-Alvarez V, et al. Socio-economic impact of evaporation losses from reservoirs under past, current and future water availability scenarios in the semi-arid Segura Basin[J]. Water Resources Management, 2013(27): 1411-1426.

[12]
Friedrich K, Grossman R L, Huntington J, et al. Reservoir evaporation in the Western United States: Current science, challenges, and future needs[J]. Bulletin of the American Meteorological Society, 2018, 99(1): 167-187.

[13]
Li Z, Chen Y N, Shen Y J, et al. Analysis of changing pan evaporation in the arid region of Northwest China[J]. Water Resources Research, 2013, 49(4): 2205-2212.

[14]
McMahon T A, Peel M C, Lowe L, et al. Estimating actual, potential, reference crop and pan evaporation using standard meteorological data: A pragmatic synthesis[J]. Hydrology and Earth System Sciences, 2013, 17(4): 1331-1363.

[15]
Zhang Z, Zhang M, Cao C, et al. A dataset of microclimate and radiation and energy fluxes from the Lake Taihu eddy flux network[J]. Earth System Science Data, 2020, 12(4): 2635-2645.

[16]
Moran M S, Jackson R D. Assessing the spatial distribution of evapotranspiration using remotely sensed inputs[J]. Journal of Environmental Quality, 1991, 20(4): 725-737.

[17]
Harbeck G E. A practical field technique for measuring reservoir evaporation utilizing mass-transfer theory[M]. Washington: US Government Printing Office, 1962.

[18]
Penman H L. Natural evaporation from open water, bare soil and grass[J]. Proceedings Royal Society of London: Series A. Mathematical and Physical Sciences, 1948, 193(1032): 120-145.

[19]
Giadrossich F, Niedda M, Cohen D, et al. Evaporation in a Mediterranean environment by energy budget and Penman methods, Lake Baratz, Sardinia, Italy[J]. Hydrology and Earth System Sciences, 2015(19): 2451-2468.

[20]
El-Mahdy M E S, Abbas M S, Sobhy H M. Development of mass-transfer evaporation model for Lake Nasser, Egypt[J]. Journal of Water and Climate Change, 2021, 12(1): 223-237.

[21]
Gao H. Satellite remote sensing of large lakes and reservoirs: From elevation and area to storage[J]. Wiley Interdisciplinary Reviews: Water, 2015, 2(2): 147-157.

[22]
Rosenberry D O, Winter T C, Buso D C, et al. Comparison of 15 evaporation methods applied to a small mountain lake in the northeastern USA[J]. Journal of Hydrology, 2007, 340(3-4): 149-166.

[23]
McJannet D L, Cook F J, Burn S. Comparison of techniques for estimating evaporation from an irrigation water storage[J]. Water Resources Research, 2013, 49(3): 1415-1428.

[24]
柯长青. 湖泊遥感研究进展[J]. 海洋湖沼通报, 2004(4): 81-86.

[Ke Changqing. A review of monitoring lake environment change by means of remote sensing[J]. Transactions of Oceanology and Limnology, 2004(4): 81-86.]

[25]
Zhang Y, Kong D, Gan R, et al. Coupled estimation of 500 m and 8-day resolution global evapotranspiration and gross primary production in 2002—2017[J]. Remote Sensing Environment, 2019, 222, 165-182.

[26]
Lu H, Zhao R, Zhao L, et al. A contrarian growth: The spatiotemporal dynamics of open-surface water bodies on the northern slope of Kunlun Mountains[J]. Ecological Indicators, 2023, 157, 111249, doi: 10.1016/j.ecolind.2023.111249.

[27]
刘鸿波, 董理, 严若婧, 等. ERA5 再分析资料对中国大陆区域近地层风速气候特征及变化趋势再现能力的评估[J]. 气候与环境研究, 2021, 26(3): 299-311.

[Liu Hongbo, Dong Li, Yan Ruojing, et al. Evaluation of near-surface wind speed climatology and long-term trend over China’s mainland region based on ERA5 reanalysis[J]. Climatic and Environmental Research, 2021, 26(3): 299-311.]

[28]
刘婷婷, 朱秀芳, 郭锐, 等. ERA5再分析降水数据在中国的适用性分析[J]. 干旱区地理, 2022, 45(1): 66-79.

[Liu Tingting, Zhu Xiufang, Guo Rui, et al. Applicability of ERA5 reanalysis of precipitation data in China[J]. Arid Land Geography, 2022, 45(1): 66-79.]

[29]
Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.

[30]
Zhang Q, Zhang G, Zhang Y, et al. Coupling GEDI LiDAR and optical satellite for revealing large-scale maize lodging in Northeast China[J]. Earth’s Future, 2024, 12: e2023EF003590, doi: 10.1029/2023EF003590.

[31]
Mhawej M, Fadel A, Faour G. Evaporation rates in a vital lake: A 34-year assessment for the Karaoun Lake[J]. International Journal of Remote Sensing, 2020, 41(14): 5321-5337.

[32]
Zhang M, Chen F, Zhao H, et al. Recent changes of glacial lakes in the high mountain Asia and its potential controlling factors analysis[J]. Remote Sensing, 2021, 13(18): 3757, doi: 10.3390/rs13183757.

[33]
Zhao G, Li Y, Zhou L, et al. Evaporative water loss of 1.42 million global lakes[J]. Nature Communications, 2022, 13(1): 3686, doi: 10.1038/s41467-022-31125-6.

PMID

[34]
Wang B, Ma Y, Ma W, et al. Evaluation of ten methods for estimating evaporation in a small high-elevation lake on the Tibetan Plateau[J]. Theoretical and Applied Climatology, 2019, 136: 1033-1045.

[35]
Zhou W Y, Wang L Y, Li D, et al. Spatial pattern of lake evaporation increases under global warming linked to regional hydroclimate change[J]. Communications Earth & Environment, 2021, 1(1): 255, doi: 10.1038/s43247-021-00327-z.

[36]
Shi F, Li X, Zhao S, et al. Evaporation and sublimation measurement and modeling of an alpine saline lake influenced by freeze-thaw on the Qinghai-Tibet Plateau[J]. Hydrology and Earth System Sciences, 2024, 28(1): 163-178.

[37]
Wang L, Wang J, Wang L, et al. Lake evaporation and its effects on basin evapotranspiration and lake water storage on the inner Tibetan Plateau[J]. Water Resources Research, 2023, 59(10): e2022WR034030, doi: 10.1029/2022WR034030.

[38]
Zhang G, Bolch T, Chen W, et al. Comprehensive estimation of lake volume changes on the Tibetan Plateau during 1976—2019 and basin-wide glacier contribution[J]. Science of the Total Environment, 2021, 772: 145463, doi: 10.1016/j.scitotenv.2021.145463.

[39]
陈军, 汪永丰, 郑佳佳, 等. 中国阿牙克库木湖水量变化及其驱动机制[J]. 自然资源学报, 2019, 34(6): 1345-1356.

[Chen Jun, Wang Yongfeng, Zheng Jiajia, et al. The changes in the water volume of Ayakekumu Lake based on satellite remote sensing data[J]. Journal of Natural Resources, 2019, 34(6): 1345-1356.]

Options
Outlines

/

〈 〉