中国潜在蒸散发趋势转折与气象因子作用分析

Analysis of trend turning point in potential evapotranspiration and the role of meteorological factors in China

摘要

为厘清气候变化背景下中国区域潜在蒸散发（Potential EvapoTranspiration，PET）的非线性演变特征，特别是量化常被忽视的大气CO₂浓度升高的生理调节效应，基于1961—2022年高精度气象数据，采用引入CO₂气孔阻力机制的改进FAO-PM方程计算PET，利用Segmented模型与敏感性归因法，精准识别PET的趋势转折点并解析其驱动机制。结果表明：1）中国年PET变化趋势在1998年发生转折，由1961—1998年的显著下降（-3.10 mm/a）转为1998—2022年的急剧上升（7.57 mm/a）。2）PET对相对湿度的变化最为敏感（敏感系数-1.57），其次为温度和风速。3）归因分析揭示了驱动机制的阶段性差异。1998年之前的PET下降主要由风速减弱主导（贡献率-13.45%），抵消了温度升高的正效应；而1998年后的PET激增则主要由相对湿度显著降低驱动（贡献率18.87%），风速回升与温度升高起到了协同助推作用。4）无论PET呈何种趋势，大气CO₂浓度的持续升高始终通过气孔调节机制产生负向贡献（-1.77%和-1.71%），部分缓解了气候变暖带来的蒸发需求增加。本研究证实，中国PET演变经历了由“风速主导的下降”向“湿度主导的上升”的动力学机制转换。

Abstract

To elucidate the non-linear evolution characteristics of regional potential evapotranspiration （PET） in China under climate change， and specifically to quantify the often-overlooked physiological regulation effect of elevated atmospheric CO₂ concentrations， this study employed high-precision meteorological data from 1961 to 2022 to calculate PET using an improved FAO Penman-Monteith （FAO-PM） equation that incorporates a CO₂ stomatal resistance mechanism. A segmented model and a sensitivity attribution method were employed to accurately identify the trend turning points of PET and dissect its underlying driving mechanisms. The results indicate the following： 1） The trend of annual PET in China exhibited a distinct turning point in 1998， shifting from a significant decrease （-3.10 mm/a） during 1961-1998 to a marked increase （7.57 mm/a） during 1998-2022； 2） PET was most sensitive to changes in relative humidity （sensitivity coefficient of -1.57）， followed by air temperature and wind speed； 3） The attribution analysis revealed phased differences in the driving mechanisms. The decrease in PET before 1998 was primarily driven by declining wind speeds （-13.45% contribution）， which offset the positive effects of rising temperatures. Conversely， the surge in PET after 1998 was mainly driven by a significant decline in relative humidity （18.87% contribution）， with rebounding wind speeds and rising temperatures acting as synergistic amplifiers； 4） Regardless of the overarching PET trend， the continuous elevation of atmospheric CO₂ concentrations consistently generated a negative effect （-1.77% and -1.71%） via the stomatal regulation mechanism， partially offsetting the increased evaporative demand induced by climate warming. This study confirms that the evolution of PET in China has undergone a dynamic mechanism shift from a “wind speed-dominated decrease” to a “humidity-dominated increase”.

Graphical abstract

关键词

潜在蒸散发 / 改进的Penman-Monteith模型 / 归因分析 / 中国地区

Key words

potential evapotranspiration / modified Penman-Monteith model / attribution analysis / China

潜在蒸散发（Potential EvapoTranspiration， PET）是表征地表能量与水分交换过程的重要气象变量，在水循环、农业生产和生态系统管理中具有关键作用^［1］。作为气候变化研究的敏感指标，PET综合反映了温度、风速、相对湿度和太阳辐射等气候因子的共同作用^［2］，在水资源调控、干旱监测与生态适应性评估中发挥着重要功能^［3］。随着全球气候变化的加剧，PET的时空演变特征及其驱动机制日益复杂。深入探讨PET的变化趋势及其归因，不仅有助于理解气候变化对陆地水循环的深远影响，也为科学应对气候风险、优化水资源管理和提升农业与生态系统的韧性提供了关键支撑。

PET的演变趋势具有显著的区域差异性与多因子驱动特征。我国已有对河西走廊、嘉陵江流域、青藏高原、锡林河流域、拉萨河流域、内蒙古、渭河流域等地区的研究从时间趋势来看，大多数区域PET呈上升趋势。其中，河西走廊以2.94 mm/a的速率显著增加^［4］，渭河流域以2.51 mm/10 a的速率缓慢上升^［5］，锡林河流域过去59年亦整体上升^［6］。但也存在例外，嘉陵江流域年PET以-0.133 mm/10 a的速率下降，尤其夏秋季下降显著^［7］；塔里木河流域在1961—2013年整体呈下降趋势，1976年前后发生趋势突变^［8］；而青藏高原则表现为“先降后升”的变化模式^［9］。此外，石欣荣等^［10］研究表明：在三北防护林工程区，PET在1992年前后亦存在显著转折：1960—1992年为下降趋势，主要由风速下降驱动；1992—2019年则转为上升趋势，归因于相对湿度下降与温度升高。

从气象因子的影响来看，PET的主控因子在不同区域表现不一，但温度、风速和相对湿度是普遍重要的驱动变量。河西走廊的PET对风速变化最为敏感，其次是相对湿度下降和最高温度升高^［4］；嘉陵江流域主要受平均温度影响，温度与湿度的交互作用可解释PET变化的68.4%^［7］；拉萨河流域对最高温度最为敏感，风速和相对湿度次之（日照和最低温度影响较小）^［11］；锡林河流域PET与温度、风速关系密切，并与相对湿润度指数呈周期性互动^［6］；在内蒙古，不同干湿区表现出显著差异，干旱区以风速驱动为主，半湿润区则以温度为主（日照时数影响最小）^［12］；渭河流域的PET由相对湿度和风速共同主导，不同季节的主导因子也存在变化——春秋为相对湿度，夏季为日照时数，冬季则为风速^［5］。国外研究同样揭示了PET的复杂变化特征。Chen等^［13］研究发现，哈萨克斯坦1991—2021年PET呈下降趋势，主要由太阳辐射与风速变化驱动；北美大部分地区的PET在21世纪呈现显著上升趋势，主要受温度升高和蒸汽压差增加驱动^［14-16］；Al‐Hasani等^［17］研究表明，PET在伊朗全国范围普遍上升，主要受温度升高驱动。

尽管已有研究揭示了我国潜在蒸散量（PET）的时空演变特征及其主要气象驱动因素，但现有研究多集中于我国局部区域，且受研究时段、数据来源与处理方法差异的限制，结果之间存在显著不可比性。此外，已有研究多未考虑大气CO₂浓度持续上升（从315 μmol/mol升至420 μmol/mol）对植物生理机制的调节作用，这可能导致对PET变化幅度的误判；针对PET长期趋势中可能存在的结构性突变及其前后驱动机制的转换缺乏系统性的定量解析。鉴于此，本研究为准确评估气候变化背景下我国潜在蒸散发的长期演变特征及其归因，以1961—2022年中国区域PET为研究对象，采用考虑大气CO₂气孔效应的改进FAO-PM方程及归因分析方法，探究中国区域PET长期演变趋势中的结构性转折点，并定量解析不同时段内各气象因子及CO₂浓度对PET变化的相对贡献，以期为揭示气候变化下陆地水循环响应的非线性机制、优化水资源管理与制定生态适应对策提供科学依据。

1　数据来源与研究方法

1.1　数据来源及处理

本研究基于月尺度气象数据对中国区域1961—2022年的PET进行计算。其中，月平均温度、最高温度、最低温度、月平均相对湿度和月平均风速数据来源于CN05.1格点化观测数据集。CN05.1使用距平逼近法，由气候场和距平场分别插值后叠加得到^［18］，使用了中国境内约2 400个台站的观测资料，精度较高，其空间分辨率为0.25°×0.25°。月平均净辐射数据来源于ERA5-Land数据集^［19］，该数据集运用再分析技术，融合全球观测数据和模型模拟结果，可精准呈现过去数十年的气候特征，其空间分辨率为0.1°×0.1°，覆盖范围为全球区域，被国内外学者广泛采用。月平均大气CO₂浓度采用夏威夷站点观测值（https：//gml.noaa.gov/ccgg/trends/data.html）。研究中采用裁剪和插值技术将净辐射数据统一裁剪至中国区域并重采样至0.25°×0.25°分辨率后，再与其他数据结合进行PET的计算。

1.2　PET计算方法

本研究的潜在蒸散发估算方法采用Yang等^［20］修正后的Penman-Monteith公式，其考虑了大气CO₂浓度升高对植被的影响，通过引入CO₂修正项来体现PET对CO₂浓度的响应。计算公式如下：

\mathrm{P}\mathrm{E}\mathrm{T}=\frac{\mathrm{0.408}∆\left(R_{\mathrm{n}}-G\right)+\gamma \frac{\mathrm{900}}{T+\mathrm{273}}{U}_{\mathrm{2}}(e_s-e_a)}{∆+\gamma [\mathrm{1}+U_{\mathrm{2}}\left(\mathrm{0.34}+\mathrm{2.4}\times {\mathrm{10}}^{-\mathrm{4}}(\left[\mathrm{C}{\mathrm{O}}_{\mathrm{2}}\right]-\mathrm{300})\right)]}（1）

式中：PET为受CO₂浓度影响下的参考作物蒸散量，mm/d；R_n为地表净辐射，MJ/（m²·d）；G为土壤热通量，MJ/（m²·d）；γ为干湿常数0.66，kPa/℃；T为平均温度，℃；U₂为2m高风速，m/s；e_s为饱和水汽压，kPa；e_a为实际水汽压，kPa；Δ为饱和水汽压曲线斜率，kPa/℃；［CO₂］为大气二氧化碳浓度，μmol/mol。除已获取的气象数据外，式（1）中的其余变量参照Allen等^［21］的方法，由上述基本气象数据推导计算得到。

1.3　Segmented分割

Segmented分割方法是一种数学计算方式，主要用于识别时间序列数据中趋势变化的转折点^［22］。该方法通过在数据区间内假设潜在转折点，利用迭代过程不断调整参数，使转折点两侧的拟合函数满足一阶泰勒展开的连续性条件，从而精确定位趋势转折的位置。本研究采用该方法对中国区域潜在蒸散发（PET）变化趋势进行转折点诊断，分析工具选用R语言中的Segmented包。

1.4　变化趋势分析

本研究采用Theil-Sen（Sen）斜率估计法揭示中国区域PET及各气象变量的变化趋势，当Sen斜率为正值时，说明时间序列具有上升趋势；若Sen斜率为负值，则表明时间序列呈现出下降趋势。采用Mann-Kendall（MK）检验方法对变化趋势的显著性进行分析，显著性水平设定为0.05。MK检验作为一种非参数统计方法，具有无需样本服从特定分布且对异常值不敏感的优点^［23］，因而在水文气象变量序列的趋势检测中被广泛应用。

1.5　归因分析方法

1.5.1　敏感系数

利用McCuen^［24］提出的敏感系数方法，评估潜在蒸散发对气象要素变化的敏感性。具体计算公式如下：

\begin{array}{l}S(x)=\underset{∆x\to \mathrm{0}}{\mathrm{l}\mathrm{i}\mathrm{m}}(\frac{∆\mathrm{P}\mathrm{E}\mathrm{T}/\mathrm{P}\mathrm{E}\mathrm{T}}{∆x/x})=\\ \frac{\partial \mathrm{P}\mathrm{E}\mathrm{T}}{\partial x}\times \frac{x}{\mathrm{P}\mathrm{E}\mathrm{T}}\end{array}（2）

式中：S（x）为PET对气象因子x的敏感系数；ΔPET/PET、Δx/x分别为PET和x的变化率；∂PET/∂x为PET对x的偏导数。若S（x）>0，则代表PET随着气象因子x的增大而增大；反之，S（x）<0则说明PET随着气象因子x的增大而减小。敏感系数的绝对值越大，则表示PET对气象因子变化的敏感性越高。

1.5.2　贡献率

本研究利用敏感系数S（x）和气象因子x多年相对变化率的乘积，计算气象因子对PET变化的实际贡献率，计算公式如下：

C(x)=S(x)\times \mathrm{R}\mathrm{c}(x)（3）

\mathrm{R}\mathrm{c}\left(x\right)=\frac{n\times \mathrm{T}\mathrm{r}(x)}{\overline{x}}\times \mathrm{100}\mathrm{\%}（4）

式中：C（x）为气象因子x促使PET变化的贡献率，%；Rc（x）为n年间气象因子x的相对变化率；Tr（x）为x的Sen斜率；\overline{x}为均值；n为年数。贡献率为正值，表示气象因子变化导致PET增加，贡献率为负值，则表示气象因子变化导致PET减少。

基于Zhao等^［25］和Fu等^［26］研究，结合气象变量对潜在蒸散发影响的强度及各气象变量间的独立性，本研究选取净辐射、温度、风速、相对湿度和二氧化碳浓度共5项气象因子，系统分析其对PET变化趋势的贡献。

2　结果与分析

2.1　潜在蒸散发多年均值空间分布

图1展示了1961—2022年中国区域多年平均潜在蒸散发（PET）的空间分布格局。可见中国区域PET呈现显著的空间异质性，变化范围为315.7~2 678.8 mm。其中：高值区主要集中在中国西北内陆，包括内蒙古西部和新疆东部等地，其多年平均PET超过2 000 mm，反映了该区域强烈的蒸发需求；其次为西藏、云南、内蒙古东部及华北平原等地，多年平均PET在1 000 mm左右。相比之下，内蒙古东北部、黑龙江北部、吉林南部、青海南部、四川、贵州和重庆等地区PET相对较低，多年均值为315.7~565.9 mm。

2.2　潜在蒸散发变化趋势

本研究基于Segmented模型的转折点识别结果表明，1998年是中国区域PET长期变化趋势的关键转折年份。由图2（a）可见以1998年为界，全国PET演变经历了由“显著下降”向“快速上升”的逆转。因此，本研究将分析时段划分为1961—1998年和1998—2022年2个阶段（图2）。从时间维度看，1961—1998年中国区域PET以-3.10 mm/a的速率显著减小，多年平均值为845.39 mm（图2（a））。同期气象要素中，尽管平均温度以0.020 ℃/a的速率显著升高（图2（b））；但风速呈显著减弱趋势（-0.023 m/（s·a））（图2（c））；净辐射缓慢减少（-0.72 MJ/（m²·a））（图2（d））；相对湿度略有增加（0.02 %/a）（图2（e））；大气CO₂浓度则稳步上升（1.38 μmol/a）（图2（f））。1998—2022年，PET趋势发生逆转，以7.57 mm/a的速率急剧增加，多年平均值增至889.31 mm（图2（a））。该阶段气候背景特征表现为：温度持续显著升高（0.019 ℃/a）（图2（b））；风速由降转升（0.013 m/（s·a））（图2（c））；净辐射恢复性增长（0.43 MJ/（m²·a））（图2（d））；而相对湿度则呈现显著下降趋势（-0.29 %/a）（图2（e））；大气CO₂浓度增速进一步加快（2.17 μmol/a）（图2（f））。

1961—2022年中国区域潜在蒸散发变化趋势的空间分布特征见图3。从空间维度看，1961—1998年，全国55.9%的区域PET呈现显著下降趋势，主要分布在西北、华北及长江中下游地区；呈上升趋势的区域主要集中在西藏中部、青海西部、云南及黑龙江北部（其中四川北部和黑龙江北部显著上升）（图3（a））。1998—2022年，全国PET变化格局发生根本性转变，69.9%的区域表现为上升或显著上升趋势，尤其是中国西部和中部地区的显著增幅主导了全国的整体趋势；仅10.2% 的区域（如黑龙江北部、云南西部、四川东部等）仍保持显著下降态势（图3（b））。

2.3　PET变化趋势归因分析

2.3.1　1961—2022年中国PET变化对不同气象要素的敏感性分析

图4展示了1961—2022年中国年际潜在蒸散发变化对多种气象要素敏感系数的变化趋势。整体来看，中国年PET对相对湿度（RHU）、净辐射（R_n）、风速（U₂）、温度（T）及二氧化碳浓度（CO₂）的敏感程度依次递减为RHU>T>U₂>CO₂>R_n，平均敏感系数分别为-1.574、0.862、0.485、-0.118和0.057。其中，净辐射、风速和温度的敏感系数为正值，表明PET随这三者的增加而上升；而相对湿度和二氧化碳浓度的敏感系数为负值，说明PET随其增大而呈下降趋势。对比分析敏感系数的变化趋势发现，1961—2022年，PET对RHU的敏感系数为-1.76~-1.28，即RHU增加10%，PET减少12.8%~17.6%，且S（RHU）绝对值呈现减小趋势（图4（a））；PET对R_n的敏感系数在0.06左右变化，即R_n的变化对PET影响较小，S（R_n）绝对值呈现微弱增加趋势（图4（b））；PET对U₂的敏感系数为0.45~0.51，即U₂增加10%，PET增加4.5%~5.1%，S（U₂）绝对值呈现增加趋势（图4（c））；PET对T的敏感系数为0.71~1.07，即T增加10%，PET增加7.1%~10.7%，S（T）绝对值呈现增加趋势（图4（d））；PET对CO₂的敏感系数为-0.14~-0.11，即CO₂增加10%，PET减少1.1%~1.4%，且S（CO₂）绝对值呈现增加趋势（图4（e））。整体而言，中国区域1961—2022年各气象要素的敏感性均发生变化，相对湿度的负面影响有所减弱，而二氧化碳浓度的负面影响则逐渐增强；与此同时，净辐射、温度及风速的正面影响亦在逐步增强。

图5展示了2个阶段中国各区域潜在蒸散发对RHU、R_n、U₂和T敏感系数的分布情况，绝对值越大，代表PET对气象要素的变化越敏感。1961—1998年，S（RHU）在全国范围内均为负值（-0.41~-5.90），其中高值区分布在中国南部、东北部和新疆西北部等地区（图5（a₁））；S（R_n）均为正值（0~0.48），在中国南部地区略高（图5（b₁））；U₂与PET在全国范围内均保持正向变化，敏感系数为0~0.63，中国中部、南部及新疆西南地区为高值区，中国东北部、内蒙古及青藏高原地区为低值区（图5（c₁））；S（T）为-3.63~9.40，温度在整个中国南部表现为与PET同向变化，而在中国北部呈现出与PET负向变化的趋势（图5（d₁））；S（CO₂）在全国范围内均为负值，即PET随着CO₂的上升而减小，其中高值区位于青藏高原和内蒙古等地，低值区位于新疆南部和华南地区。1998—2022年，S（RHU）、S（R_n）及S（T）高值区与低值区的分布规律与1961—1998年相近，不同的是有少数区域敏感系数显著增大，S（RHU）、S（R_n）及S（T）分别为-0.34~-12.81、-0.01~0.64和-3.81~9.89（图5（a₂）、（b₂）、（d₂））；S（U₂）的空间分布与上一阶段几乎一致，但敏感系数略微增加（图5（c₂））；CO₂同样保持着同PET反向变化的趋势，且高值区敏感系数达到-0.19，说明相比上一阶段，PET对CO₂变化的敏感程度增大。

2.3.2　1961—2022年气象因素对中国PET变化贡献分析

表1展示了RHU、R_n、U₂、T及CO₂这5种气象要素对2个时段PET变化贡献率的计算结果。可以发现，PET对各气象要素变化的敏感性与各气象要素对PET贡献率的排序存在差异，原因在于某些敏感性较高的气象要素在多年间变化不显著，导致其贡献率较低。

1961—1998年，中国区域PET的演变特征主要表现为温度促进与风速抑制的共同作用，最终由风速减弱主导了PET的下降趋势。具体而言，虽然平均温度升高（变化率13.01%）对PET变化产生了10.80%的正向贡献，但这不足以抵消风速大幅衰减（变化率-28.12%）所带来的强烈负向抑制作用（贡献率达-13.45%）。相比之下，其他因子的影响相对有限：相对湿度虽然敏感系数最高（-1.64），但因其年际变化微弱（仅1.38%），实际贡献率仅为-2.27%；净辐射（R_n）变化不显著且敏感性低，贡献率十分微弱（0.07%）；而大气CO₂浓度的显著增加（变化率15.46%）则产生了一定的负向贡献（-1.77%）。综上，风速的显著降低掩盖了温度升高的热力学效应，成为该阶段PET下降的主导驱动因子。

1998—2022年，PET的驱动机制发生了根本性转变，由单一因子主导转变为多因子的正向协同驱动。该时期，相对湿度取代风速成为主导因子，其不仅保持了最高的敏感性（-1.48），且呈现显著下降趋势（变化率-12.72%），直接导致PET急剧增加，贡献率高达18.87%。与此同时，风速趋势由降转升（变化率11.21%），与持续升高的温度形成了叠加效应，分别为PET的增加贡献了5.55%和6.43%。值得注意的是，无论气候背景如何转换，大气CO₂浓度的持续升高在2个阶段均保持稳定的负向贡献（约-1.7%）。这表明CO₂诱导的气孔关闭效应始终充当着气候变暖背景下的“稳定器”，在一定程度上缓解了由气象因子驱动的PET过度增长。

图6展示了2个阶段中国各区域对PET正/负贡献最大的气象因子。从空间分布来看，1961—1998年全国大部分地区PET的增长主要由温度变化所引起，少数地区受净辐射和相对湿度主导（图6（a₁）），而风速是导致大部分地区PET减少的主导因素，西南地区PET的减少主要受到相对湿度的影响（图6（b₁））。1998—2022年，温度、相对湿度和风速共同主导了中国PET的显著上升，其中西部与北部地区受相对湿度的影响最大，东部沿海地区受温度的影响最大，南部沿海地区则多受风速影响（图6（a₂））；相对湿度主导PET上升的区域，CO₂展现出对PET的显著抑制趋势，而温度主导PET上升的区域，相对湿度和风速同时在促进PET的减小（图6（b₂））。

3　讨 论

本研究通过引入CO₂气孔效应的改进FAO-PM方程，揭示了中国区域潜在蒸散发（PET）在1998年前后发生了由“显著下降”转为“急剧上升”的结构性突变。Wang等^［27］基于站点的研究发现中国蒸发皿蒸发量的变化趋势在1993年左右发生转变，与之相比本研究识别出的转折年份略晚，可能是由于蒸发皿蒸发量主要受气象动力因子驱动，因而对大气蒸发需求的增加响应更为迅速，而本研究估算的PET考虑了植被阻力，不断增强的CO₂生理抑制作用在一定程度上抵消了气象因子引起的蒸发需求增加。Shen等^［28］的研究发现，尽管存在区域差异，但全国范围内风速和相对湿度的交互作用主导了中国PET年代际的趋势转折，这与本研究的结论一致。

本研究证实，中国区域PET演变经历了由“空气动力学机制主导”向“热力学与水分亏缺机制主导”的关键转换。在1961—1998年，PET的下降主要受控于空气动力学机制的减弱。该时期风速的显著降低大幅降低了空气动力学传导率，有效抑制了饱和水汽层的移除效率^［29-30］，这种动力项的强负向抑制作用抵消了同期温度升高带来的热力学正效应，从而导致了“蒸发悖论”现象。然而，1998—2022年PET的急剧增加则转变为由热力学与水分亏缺机制主导。归因分析显示，相对湿度的显著下降是此阶段PET增加的首要驱动力，贡献了PET变化的20.2%。相对湿度的降低直接增加了实际水汽压与饱和水汽压的梯度，使得大气“吸水”需求激增^［31］。

此外，本研究定量解析了大气CO₂浓度升高对PET的生物生理调节机制。现有多数研究往往仅关注气象强迫，而忽略了植被对环境变化的动态响应。本研究表明，CO₂浓度升高通过诱导植物气孔关闭、增加冠层表面阻力，在过去60年间始终对PET产生负向抑制作用（贡献率约-1.7%），充当了气候变暖背景下大气蒸发需求增加的“缓冲器”^［32］。因此，若不考虑CO₂的直接生理效应，传统模型将显著高估未来的农业干旱风险^［33-34］。综上所述，本研究不仅厘清了中国PET由“风速主导下降”转向“湿度主导上升”的物理机制，更强调了在未来水文气候评估中纳入CO₂生理强迫的必要性，为理解陆地水循环对气候变化的非线性响应提供了新的科学证据。

4　结 论

本研究为探究气候变化背景下我国潜在蒸散发长期演变特征及其归因，基于1961—2022年月尺度气象数据，采用引入CO₂气孔效应的改进Penman-Monteith模型对中国区域潜在蒸散发（PET）进行估算，系统分析了其时空变化特征、趋势转折及关键气象因子的调控作用，重点探讨了PET变化趋势的逆转现象及其成因。主要结论如下：

1）中国区域多年平均PET为315.7~2 678.8 mm，呈现显著的空间异质性。高值区主要集中在西北地区，低值区则主要分布于南部和东北地区。

2）中国区域PET变化趋势在1998年前后发生明显逆转。1961—1998年，PET以-3.10 mm/a的速率显著下降；1998—2022年，则以7.57 mm/a的速率显著上升。

3）敏感性分析表明，中国区域PET对5种气象要素的敏感程度从高到低依次为：相对湿度（RHU）、温度（T）、风速（U₂）、CO₂浓度和净辐射（R_n），其平均敏感系数分别为-1.574、0.862、0.485、-0.118和0.057。PET对相对湿度减少最为敏感，温度和风速的增加亦推动PET上升，而CO₂浓度上升则对PET产生抑制效应，对净辐射的影响相对最小。

4）贡献率评估进一步揭示：在1961—1998年PET下降阶段，风速减小是主导因素，其贡献率为-13.45%；而1998—2022年PET上升阶段，相对湿度减少成为主要驱动因子，贡献率达18.87%。温度上升在2个时段均对PET产生正贡献，但其相对作用在后期有所减弱；CO₂浓度上升始终对PET表现为负贡献。

综上，中国区域潜在蒸散发在1998年前后发生显著趋势逆转，由显著下降转为急剧上升，这一转变主要受风速和相对湿度等关键气象因子趋势变化的调控，温度的持续上升及CO₂浓度的增加也在其中扮演重要角色。

参考文献

[1] Fisher J B， Melton F， Middleton E， Hain C， Anderson M， Allen R， McCabe M F， Hook S， Baldocchi D， Townsend P A， Kilic A， Tu K， Miralles D D， Perret J， Lagouarde J P， Waliser D， Purdy A J， French A， Schimel D， Famiglietti J S， Stephens G， Wood E F. The future of evapotranspiration： Global requirements for ecosystem functioning， carbon and climate feedbacks， agricultural management， and water resources ［J］. Water Resources Research， 2017， 53（4）： 2618-2626

[2] Paredes P， Pereira L S， Almorox J， Darouich H. Reference grass evapotranspiration with reduced data sets： Parameterization of the FAO Penman-Monteith temperature approach and the Hargeaves-Samani equation using local climatic variables ［J］. Agricultural Water Management， 2020， 240： 106210

[3] Mukherjee S， Mishra A， Trenberth K E. Climate change and drought： A perspective on drought indices［J］. Current Climate Change Reports， 2018， 4（2）： 145-163

[4] 马亚丽， 牛最荣， 孙栋元. 河西走廊潜在蒸散发时空格局变化与气象因素的关系［J］.干旱区地理， 2024， 47（2）： 192-202

[5] Ma Y L， Niu Z R， Sun D Y. Relationship between changes in spatial and temporal patterns of potential evapotranspiration and meteorological factors in the Hexi Corridor［J］. Arid Land Geography， 2024， 47（2）： 192-202 （in Chinese）

[6] 郭雯雯， 黄生志， 赵静， 李紫妍， 黄强， 邓铭江. 渭河流域潜在蒸散发时空演变与驱动力量化分析［J］.农业工程学报， 2021， 37（3）： 81-89

[7] Guo W W， Huang S Z， Zhao J， Li Z Y， Huang Q， Deng M J. Spatio-temporal dynamics and driving forces of potential evapotranspiration in the Wei River Basin［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（3）： 81-89 （in Chinese）

[8] 张璐， 朱仲元， 张圣微， 王慧敏， 王飞， 席小康. 近59a锡林河流域潜在蒸散发及地表干湿状况变化趋势分析［J］.干旱区地理， 2020， 43（4）： 997-1003

[9] Zhang L， Zhu Z Y， Zhang S W， Wang H M， Wang F， Xi X K. Trends of potential evapotranspiration and surface wet conditions in the Xilin River Basin in recent 59 years［J］. Arid Land Geography， 2020， 43（4）： 997-1003 （in Chinese）

[10] 赵宾华， 马方铭， 李占斌， 李鹏， 黄金华， 高蓓， 孙虎. 嘉陵江流域潜在蒸散发时空演变特征及其影响因素［J］.水资源与水工程学报， 2023， 34（5）： 43-51

[11] Zhao B H， Ma F M， Li Z B， Li P， Huang J H， Gao B， Sun H. Temporal and spatial evolution characteristics of potential evapotranspiration and its influencing factors in Jialing River Basin［J］. Journal of Water Resources and Water Engineering， 2023， 34（5）： 43-51 （in Chinese）

[12] 牛建龙， 王家强， 程珍， 吴凡， 蒋学玮. 1961—2013年塔里木河干流流域潜在蒸散发动态变化及其定量气候驱动［J］.科学技术与工程， 2023， 23（9）： 3655-3661

[13] Niu J L， Wang J Q， Cheng Z， Wu F， Jiang X W. Quantitative climate driving on potential evapotranspiration change from 1961 to 2013 in the main stream of Tarim River［J］. Science Technology and Engineering， 2023， 23（9）： 3655-3661 （in Chinese）

[14] 姚天次， 卢宏玮， 于庆， 冯玮. 近50年来青藏高原及其周边地区潜在蒸散发变化特征及其突变检验［J］.地球科学进展， 2020， 35（5）： 534-546

[15] Yao T C， Lu H W， Yu Q， Feng W. Potential evapotranspiration characteristic and its abrupt change across the Qinghai-Tibetan Plateau and its surrounding areas in the last 50 years［J］. Advances in Earth Science， 2020， 35（5）： 534-546 （in Chinese）

[16] 石欣荣， 佘敦先， 夏军， 刘健. 1960—2019年三北地区潜在蒸散发的变化及归因［J］.武汉大学学报： 工学版， 2022， 55（10）： 973-984

[17] Shi X R， She D X， Xia J， Liu J. Variation and attribution of potential evapotranspiration in the Three-Northern Regions， China during 1960-2019 ［J］. Engineering Journal of Wuhan University， 2022， 55（10）： 973-984 （in Chinese）

[18] 乔丽， 王文科， 马稚桐， 张正宇. 拉萨河流域潜在蒸散发的气象因子敏感性［J］.南水北调与水利科技： 中英文， 2020， 18（4）： 97-103

[19] Qiao L， Wang W K， Ma Z T， Zhang Z Y. Sensitivity analysis of potential evapotranspiration to key climatic factors in the Lhasa River Basin［J］. South-to-North Water Transfers and Water Science & Technology， 2020， 18（4）： 97-103 （in Chinese）

[20] 王志春， 王彦平， 徐震宇， 薛文超. 内蒙古不同干湿区潜在蒸散发变化特征及主导因子分析［J］.干旱区地理， 2025， 48（4）： 612-622

[21] Wang Z C， Wang Y P， Xu Z Y， Xue W C. Changes characteristics and dominant factors of potential evapotranspiration in different dry and wet zones of Inner Mongolia［J］. Arid Land Geography， 2025， 48（4）： 612-622 （in Chinese）

[22] Chen Y S， Zhang S H， Wang Y D. Analysis of the spatial and temporal distribution of potential evapotranspiration in akmola oblast， Kazakhstan， and the driving factors ［J］. Remote Sensing， 2022， 14（21）： 5311

[23] Dallaire G， Poulin A， Arsenault R， Brissette F. Uncertainty of potential evapotranspiration modelling in climate change impact studies on low flows in North America［J］. Hydrological Sciences Journal， 2021，66（4）： 689-702

[24] Sullivan R C， Kotamarthi V R， Feng Y. Recovering evapotranspiration trends from biased CMIP5 simulations and sensitivity to changing climate over North America［J］. Journal of Hydrometeorology， 2019，20（8）：1619-1633

[25] Shamir E， Mendoza Fierro L， Mohsenzadeh Karimi S， Pelak N， Tarouilly E， Chang H I， Castro C L. Climate change projections of potential evapotranspiration for the North American monsoon region［J］. Hydrology， 2024， 11（6）： 83

[26] Al-Hasani A A J， Shahid S. Spatial distribution of the trends in potential evapotranspiration and its influencing climatic factors in Iraq［J］. Theoretical and Applied Climatology， 2022， 150（1）： 677-696

[27] 吴佳， 高学杰. 一套格点化的中国区域逐日观测资料及与其它资料的对比［J］.地球物理学报， 2013， 56（4）： 1102-1111

[28] Wu J， Gao X J. A gridded daily observation dataset over China region and comparison with the other datasets［J］. Chinese Journal of Geophysics， 2013， 56（4）： 1102-1111 （in Chinese）

[29] Muñoz-Sabater J， Dutra E， Agustí-Panareda A， Albergel C， Arduini G， Balsamo G， Boussetta S， Choulga M， Harrigan S， Hersbach H， Martens B， Miralles D G， Piles M， Rodríguez-Fernández N J， Zsoter E， Buontempo C， Thépaut J N. ERA5-Land： A state-of-the-art global reanalysis dataset for land applications ［J］. Earth System Science Data， 2021， 13（9）： 4349-4383

[30] Yang Y T， Roderick M L， Zhang S L， McVicar T R， Donohue R J. Hydrologic implications of vegetation response to elevated CO₂ in climate projections［J］. Nature Climate Change， 2019， 9（1）： 44-48

[31] Allen R G， Pereira L S， Raes D， Smith M. Crop evapotranspiration guidelines for computing crop water requirements［M］. Allan R G eds. FAO Irrigation and Drainage， Rome： Food and Agriculture Organization of the United Nations， 1998

[32] Muggeo V M R. Estimating regression models with unknown break-points［J］. Statistics in Medicine， 2003， 22（19）： 3055-3071

[33] Sneyers R. On the statistical analysis of series ofobservations［J］. Journal of Biological Chemistry， 1990， 258： 13680

[34] McCuen R H. A sensitivity and error analysis cf procedures used for estimating evaporation［J］. Journal of the American Water Resources Association， 1974， 10（3）： 486-497

[35] Zhao J， Xu Z X， Zuo D P， Wang X M. Temporal variations of reference evapotranspiration and its sensitivity to meteorological factors in Heihe River Basin， China［J］. Water Science and Engineering， 2015， 8（1）： 1-8

[36] Fu J， Gong Y Q， Zheng W W， Zou J， Zhang M， Zhang Z B， Qin J X， Liu J X， Quan B. Spatial-temporal variations of terrestrial evapotranspiration across China from 2000 to 2019［J］. Science of the Total Environment， 2022， 825： 153951

[37] Wang H， Sun F B， Wang T T， Feng Y， Liu F， Liu W B. On the pattern and attribution of pan evaporation over China （1951–2021）［J］. Journal of Hydrometeorology， 2023， 24（11）： 2023-2033

[38] Shen Y C， Wang Q R， Feng Z X， Li W. Revisiting the contribution of different factors in determining the changes in potential evapotranspiration over China［J］. PLoS One， 2024， 19（4）： e0299468

[39] Zheng Q Z， Huang X L， Zheng T X， He J， Xiang M， Qin M S， Jin K L. The abrupt change in potential evapotranspiration and its climatic attribution over the past 50 years in the Sichuan-Chongqing Region， China ［J］. Atmosphere， 2024， 15（7）： 829

[40] Liu Y， Guo M J， Li J， Lyu N， Zhang J Q， Zhang B W. Attribution analysis of trends in reference crop evapotranspiration in China［J］. Journal of Geographical Sciences， 2025， 35（1）： 3-16

[41] Liu Y， Wang Y， Zhao Y， Chen S Z， Wang L H， Yang W J， Li X， Li X X， Lei H M， Chang H Y， Zhai J Q， Zhu Y N， Wang Q M， Ye T. Evapotranspiration stress intensifies with enhanced sensitivity to soil moisture deficits in a rapidly greening China［J］. Hydrology and Earth System Sciences， 2025， 29（14）： 3379-3404

[42] Yang X F， Chen Y， Qiu H， Bento V A， Song H Q， Shui W， Zeng J Y， Wang Q F. Enhancing evapotranspiration estimates under climate change： The role of CO₂ physiological feedback and CMIP6 scenarios［J］. Hydrology and Earth System Sciences， 2025， 29（20）： 5645-5664

[43] Liu X B， Wang H， Zhu B W. Impacts of elevated atmospheric CO₂ concentrations on vegetation water use efficiency in China： A modelling study in an endorheic river basin［J］. Ecohydrology， 2025， 18（5）： e70079

[44] Chen S S， Yuan X， Ji P， Yuan S S， Lu C H. Direct vegetation response to CO₂ rise is critical in projecting seasonal soil moisture droughts in mainland China［J］. Journal of Hydrology， 2025， 661： 133639

基金资助

国家自然科学基金面上项目(42071327)