大黑河流域蒸散发的时空变化及其影响因素

Temporal and Spatial Variations of Evapotranspiration and Its Influencing Factors in the Dahei River Basin

摘要: 本研究基于MOD16A2遥感数据及气象观测资料，系统分析了2001~2022年内蒙古大黑河流域蒸散发(ET)的时空变化特征及其驱动机制。通过Sen斜率估计、Mann-Kendall趋势检验、BFAST突变检测、Hurst指数及Sobol敏感性分析等方法，揭示了ET的时空分异规律及其主控因子。结果表明：(1) 2001~2022年，大黑河流域ET呈显著波动上升趋势，多年平均值为255.82 mm/a，年际波动幅度达191.2 mm；ET呈现明显季节性差异，夏季最高(140.2 mm/a)，冬季最低(19.02 mm/a)，且夏季增长速率最快(3.55 mm/a)。BFAST算法检测到ET在2007年发生突变，突变后增速由2.10 mm/a升至5.56 mm/a，可能与生态修复工程及气候变化相关。(2) 空间上，ET高值区集中于中部山区及水域，低值区位于西南部低海拔及北部高海拔区域；86.25%的区域ET呈显著增加趋势，主要分布于流域东部及西南部。(3) Hurst指数表明，89.71%的区域未来ET变化可能呈现反持续性，与历史趋势相反。(4) 驱动因子分析显示，降水(一阶效应47.6%)和气温(29.9%)是ET变化的主要驱动因素，风速次之，而日照时数与土壤湿度影响微弱。研究表明，大黑河流域ET的时空分异受气候变化与生态修复措施的双重调控，研究结果可为干旱半干旱地区水资源优化管理及生态恢复提供科学依据。

Abstract: This study systematically analyzed the temporal and spatial characteristics of evapotranspiration (ET) and its driving mechanism in the Dahei River Basin of Inner Mongolia from 2001 to 2022 based on MOD16A2 remote sensing data and meteorological observations. The temporal and spatial variability of ET and its main controlling factors were revealed by Sen slope estimation, Mann-Kendall trend test, BFAST mutation detection, Hurst index and Sobol sensitivity analysis. The results showed that: (1) from 2001 to 2022, the ET in the Dahei River Basin showed a significant fluctuating upward trend, with a multi-year average value of 255.82 mm/a and an interannual fluctuation of 191.2 mm; the ET showed obvious seasonal differences, with the highest in the summer (140.2 mm/a) and the lowest in the winter (19.02 mm/a), and with the fastest growth rate in the summer (3.55 mm/a). The BFAST algorithm detected a mutation in ET in 2007, and the growth rate increased from 2.10 to 5.56 mm/a after the mutation, which may be related to the ecological restoration project and climate change. (2) Spatially, the high value area of ET was concentrated in the central mountainous area and watershed, and the low value area was located in the southwestern low-elevation and northern high-elevation areas; 86.25% of the area showed a significant increasing trend of ET, which was mainly distributed in the eastern and southwestern parts of the watershed. (3) The Hurst index showed that 89.71% of the regions may show anti-persistence in the future ET change, which is opposite to the historical trend. (4) Driving factor analysis showed that precipitation (47.6% of first-order effect) and air temperature (29.9%) were the main drivers of ET change, followed by wind speed, while sunshine hours and soil moisture had weak effects. The study showed that the temporal and spatial variability of ET in the Dahei River Basin was regulated by both climate change and ecological restoration measures, and the results of the study can provide a scientific basis for the optimal management of water resources and ecological restoration in arid and semi-arid regions.

1. 引言

蒸散发(Evapotranspiration, ET)是指地表水分通过蒸发和植物蒸腾进入大气的过程，作为陆气水循环和地表能量平衡的重要组成部分，在全球水循环中发挥着关键作用[1]-[3]，尤其在干旱和半干旱地区，ET不仅调控水热交换过程，还直接影响区域水资源的可用性和生态系统稳定性。近年来，受气候变化和人类活动的影响，水资源短缺和生态环境问题日益突出，使得ET的定量研究和时空格局分析愈发重要。准确解析ET的时空变化特征对于优化水资源管理、提高流域水分利用效率，维护生态系统健康具有重要意义。传统的蒸散发ET监测主要依赖于单点观测仪器(如涡度相关系统、称重式蒸渗仪和蒸发皿等)进行计算。然而，这类方法虽然在小尺度上具有较高精度，但其空间代表性较弱，难以有效刻画区域尺度乃至全球尺度的蒸散发特征[4]。此外，点尺度的ET观测往往受限于观测站点的稀疏分布、数据获取成本较高，以及长期观测难以维持等问题，使其难以满足大范围、长时间序列ET研究的需求。近年来，遥感技术凭借其覆盖范围广、时效性强和周期性等优势，是区域乃至全球尺度蒸散发估算的主要手段。基于遥感数据的ET反演方法可以提供连续、空间一致的蒸散发信息，使得长时间序列、大区域尺度的地表蒸散发研究得以实现[5] [6]。目前，国内外遥感反演ET的研究主要集中在区域尺度蒸散发遥感估算方法的改进和遥感数据产品的开发[7]，其中，较为经典的遥感ET估算方法包括地表能量平衡模型(Surface Energy Balance System, SEBS) [8]、(Surface Energy Balance Algorithm for Land, SEBAL) [9]以及Penman-Monteith公式(P-M公式) [10]等，这些方法利用不同的物理机制和遥感参数，如地表温度、植被指数、气象数据等，进行ET的反演计算，并广泛应用于不同区域和生态系统中。

在遥感ET产品方面，随着遥感技术的发展，多个高时空分辨率的蒸散发数据集已被开发并用于全球或区域尺度的水资源管理与生态监测。例如，AVHRR-NOAA蒸散发产品[11]提供了基于NOAA卫星的长时间序列ET数据，适用于全球气候变化研究、LSA-SAFMSG/ET产品[12]主要依托MSG卫星的观测数据，为欧洲及非洲地区提供高时间分辨率的ET估算、而MOD16/ET则是当前应用最广泛的全球陆地蒸散数据集之一[13] [14]。其中，MOD16蒸散发产品由美国国家航空航天局(NASA)于2011年发布，基于Penman-Monteith方程(P-M方程)和中分辨率成像光谱仪(MODIS)数据构建而成。该产品利用MODIS获取的地表植被参数(如叶面积指数、植被覆盖度等)以及气象再分析数据(如辐射、风速、湿度等)进行ET反演，并在全球范围内得到广泛应用[15]。MOD16数据集的精度已通过全球通量观测塔(FLUXNET)数据验证，整体模拟精度达到86% [15]，能够较为准确地反映不同生态系统的蒸散发过程。目前，该数据集被广泛用于水资源评估、生态系统碳循环研究及全球气候变化影响评估[16]-[18]。

大黑河流域位于内蒙古自治区，是典型的生态脆弱干旱半干旱地区，因其特殊的地理、气候和土壤条件，加之长期的过度耕种，该区域已成为中国水土流失和土地退化最严重的区域之一。自1999年起，国家启动了一系列大规模生态修复工程，包括退耕还林(草)、荒山造林等措施，这些生态修复策略在改善这一地区的植被覆盖的同时，也对区域蒸散发(ET)的时空变化产生了深远影响。然而，目前关于这些修复措施如何影响ET的具体性质、程度及其作用机制仍缺乏系统研究。在干旱半干旱气候条件下，水资源的有效管理对于农业生产和生态安全至关重要。本研究旨在深入分析退耕还草政策背景下ET的时空变化及其驱动因子，以量化生态修复措施对区域ET的影响。通过收集和分析该区域的遥感数据、气象数据及生态水文数据，探索自然条件与人类活动对地表蒸散量的影响。深入理解区域蒸散发的时空变化特征，将有助于科学分配水资源、加强生态系统水源保护，并提高水资源的利用效率，为区域水资源管理和生态恢复提供理论依据。本研究利用MODSI数据，结合多种时间序列分析方法，系统探讨了内蒙古地区ET的时空变化特征及其驱动机制。在分析方法上，本研究采用了创新的时间序列分析技术，不仅探讨了ET的长期趋势，还识别了季节性变化和年际波动的模式。首先，通过Sen斜率估计法和Mann-Kendall趋势检验，对ET的时间序列进行定量评估，以检测ET变化的显著性及其统计学趋势。其次，引入Breaks for Additive Seasonal and Trend (BFAST)算法，以识别ET时间序列中的突变点，深入揭示生态修复及气候变化对ET动态的影响，为理解ET变化提供了新的分析视角。此外，为了预测未来ET变化趋势，本研究计算了Hurst指数，以衡量ET时间序列的长期自相关性，从而为水资源管理和生态修复策略的制定提供科学依据。同时，本研究通过敏感性分析探讨了ET对关键气象变量(如温度、降水、风速等)的响应关系，进一步揭示了气候变化对ET的潜在影响。为确保ET估算的高精度和可靠性，研究过程中结合了多种验证手段，以提升结果的可信度。

本研究的结果不仅为内蒙古地区ET的时空变化提供了新的科学证据，还为该地区乃至类似生态环境下的水资源管理、生态恢复与可持续发展提供了重要的决策支持。

2. 材料与方法

2.1. 研究区概况

大黑河流域是黄河一级支流，位于内蒙古自治区内，其源头位于内蒙古自治区乌兰察布市卓资县十八台镇北营子村(E112˚49'18.8", N40˚47'29.8")，由东北向西南流经贯穿内蒙古卓资县、呼和浩特市赛罕区、玉泉区、土默特左旗和托克托县等地，最终在托克托县河口村(E111˚09'44.7", N40˚13'35.8")。大黑河干流全长238 km，流域总面积18,441 km²，河源高程1686.5 m，河口高程986.7 m，整体呈北高南低的地势特征(见图1)。地形结构表现为由山区向平原呈台阶式下降，北部以山地和丘陵地貌为主，而南部逐渐过渡为河谷平原，地形起伏较大，影响了区域水文过程的空间分布。大黑河流域属于中温带半干旱大陆性气候，气候干旱，降水时空分布不均。多年平均气温6.2℃，年均降水量394.7 mm，主要集中在夏季(6~8月)，降水变率较大，易受极端气候事件影响。流域多年平均径流深27.0 mm，受降水变率及蒸散发(ET)影响显著，水资源供需矛盾较为突出。

Figure 1. Schematic diagram of the research area

图1. 研究区概况图

2.2. 数据来源

本研究采用MOD16A2全球陆地蒸散发产品，该数据集由Monteith等人基于Penman-Monteith公式计算全球陆地表面蒸散量而形成，广泛应用于全球及区域尺度的蒸散发研究。MOD16产品主要包括实际地表蒸散发(ET)、潜在地表蒸散发(PET)、潜热通量(LE)和潜在热通量(PLE)，空间分辨率为500 m，时间分辨率包括8日合成(MOD16A2)和年合成(MOD16A3)。本研究基于Google Earth Engine (GEE)平台计算MOD16产品的月尺度ET数据，以提高数据处理效率并确保时空一致性。气象数据来源于中国气象数据网(https://data.cma.cn/)，包含2001~2022年内蒙古气象站点的逐日观测数据，数据类型包括：包括逐日最高、最低温度、风速、降水、相对湿度、日照时数。

2.3. 研究方法

2.3.1. Theil-Sen趋势和Mann-Kendall检验

Sen斜率[19]和非参数Mann-Kendall [20]显著性检验是分析时间序列数据长期趋势的重要方法。Sen斜率用于计算时间序列数据的趋势变化量，可以识别线性趋势， 从而推断数据的未来变化。而Mann-Kendall (M-K)检验用于检测时间序列数据中的趋势变化是否显著，特别是评估是否存在上升或下降趋势。在本研究中，Sen斜率是分析ET时间序列数据趋势变化的指标，其计算方法如下：

$S_{ET}=\text{median}\frac{E{T}_j-E{T}_i}{j-i},2000\le i\le j\le 2022$

其中，median表示中值函数，ET_j和ET_i分别表示j和i的时间序列中ET的数据值。其中正的S_ET表示增加的趋势，而负的S_ET表示减少的趋势。Mann-Kendall检验统计量的计算过程如下：

$S={\displaystyle \sum }_{i=1}^{n-1}{\displaystyle \sum }_{j=i+1}^{n}sign\left(E{T}_j-E{T}_i\right)$

$sign\left(E{T}_j-E{T}_i\right)=\{\begin{array}{c}+1E{T}_j-E{T}_i＞0\\ 0E{T}_j-E{T}_i=0\\ -1E{T}_j-E{T}_i＜0\end{array}$

当n ≥ 10时，S近似遵循标准正态分布，检验统计量Z用于趋势检测：

$Z=\{\begin{array}{c}\frac{S-1}{\sqrt{Var\left(S\right)}},S>0\\ 0,S=0\\ \frac{S+1}{\sqrt{Var\left(S\right)}},S<0\end{array}$

其中Var表示方差。显著性检验采用α = 0.05的显著性水平，表明当|Z| < 1.96时，趋势变化被认为不显著。

2.3.2. BFAST算法

BFAST算法是由J. Verbesselt [21]人在2010年提出，它通过迭代时间序列分析的方法，将时间序列数据分解为季节组分、趋势组分和残差组分[22]。该算法尤其适用于半干旱地区的遥感影像时间序列的分析，在这些地区，BFAST算法能有效地识别时间序列中的突变现象。本研究利用BFAST突变监测长时间序列中发生突变的具体年份。

2.3.3. 赫斯特(Hurst)指数

Hurst指数[23]是一种评估时间序列持续性和长期相关性的有效方法。通过Hurst指数值(H)的大小，ET序列的未来持续性可以确定如下：如果0.5 < H < 1，表示时间序列具有持续性，即未来的变化将与过去的趋势保持一致。如果H = 0.5，说明时间序列缺乏持续性，代表一个没有长期相关性的随机序列。如果0 < H < 0.5，则说明时间序列表现出反持续性，表明未来的变化将与过去的趋势相反。将Sen斜率与Hurst指数结合使用，有助于了解ET未来可能出现的变化情况。

2.3.4. 敏感性分析

敏感性分析涉及地球科学各个方面的科学领域，涵盖了地质、气象、气候、海洋、地理等多个子领域。Sobol敏感性分析模型[24]是一种基于方差分解的全局敏感性分析方法，用于评估模型输入参数对输出结果的影响程度。它由俄罗斯数学家Ilya M. Sobol提出，广泛应用于复杂模型的参数敏感性分析，尤其是在不确定性量化领域。在地学研究中，敏感性分析是一种重要的数值模拟工具，用于评估模型中参数和输入数据对模拟结果的影响程度。

3. 结果与分析

3.1. 大黑河流域ET时空变化特征

3.1.1. 大黑河流域ET年际变化

2001~2022年，大黑河流域的多年平均蒸散发(ET)呈现显著的空间分异特征(见图2)。从空间分布来看，流域西南部ET显著低于中部和东部区域，而ET值最高的区域位于流域中部，多年平均ET值最高可达500 mm/a。结合高程与水系分布分析可见，西南部低海拔地区及北部高海拔山区ET值较低，多年平均ET仅为61.87 mm/a，相较之下，中部山区、水域及东南部相对较高海拔地区的ET值较大，说明ET的空间分布与地形地貌存在一定相关性。2001~2022年，大黑河流域的年际ET波动较大，呈现周期性波动上升的趋势(见图3)，其年际ET值介于155.02 mm~346.22 mm之间，多年平均值为255.82 mm/a。整

Figure 2. Spatial distribution of multi-year average ET in the Dahei River Basin

图2. 大黑河流域多年平均ET空间分布

Figure 3. Interannual change in ET in the Dahei River Basin, 2001~2022

图3. 2001~2022年大黑河流域ET年际变化

体而言，不同年份之间的年际ET存在显著差异，其中11个年份的ET低于多年平均值，另11个年份则超过平均水平。在个别年份中，2013年ET最高，达到346.22 mm/a，其次为2021年的331.39 mm/a；相反，2001年ET最低，仅为155.02 mm/a，其次为2007年的196.15 mm/a，年际ET的最大振幅达191.2 mm，反映出该区域ET的年际变化较为剧烈。从趋势上看，2001~2004年及2015~2019年，ET呈现明显的增加趋势，而多年ET整体表现为波动性上升。这一趋势与大黑河流域生态保护和建设工程的实施密切相关，如退耕还林(草)政策、植被恢复等措施，可能对ET的增长产生了重要影响。

3.1.2. 大黑河流域季节ET变化

2001~2022年，大黑河流域的蒸散发(ET)表现出明显的季节性变化特征。根据植被生长习性及区域环境状况，本研究将3~5月划分为春季，6~8月划分为夏季，9~11月划分为秋季，12月至次年2月划分为冬季，以探讨ET的季节变化及其时空分异规律。研究结果表明，大黑河流域ET的季节性特征与区域气温、降水及日照时数的变化高度一致，其中夏季ET最高，冬季最低。四个季节的多年平均ET值(见图4)从大到小依次为：夏季(140.21 mm/a) > 秋季(55.52 mm/a) > 春季(42.49 mm/a) > 冬季(19.02 mm/a)，显示出明显的季节性分布模式。进一步分析发现，春季、夏季、秋季和冬季的ET增长斜率分别为0.77、3.55、0.58、0.39，均呈上升趋势，但增幅存在差异。冬季增长最不显著，并表现出间隔两年先上升后下降的周期性变化，而夏季增长最为显著，反映出夏季蒸散发受温度、降水和植被生长的强烈驱动。时间序列分析显示，春季和夏季的ET在2001~2002年出现突增，而同期秋季和冬季的ET则呈现相反趋势，表现为下降，这可能与该时期的气候异常或土地利用变化相关。此外，春季和秋季的ET增长趋势较为平稳，整体呈稳定上升趋势，并受气温和风速的影响最为显著，表明两季节的ET变化主要受气象因子调控，而非植被生长过程的直接驱动。

Figure 4. Temporal characteristics of four-season ET in the Dahei River Basin, 2001~2022

图4. 2001~2022年大黑河流域四季ET时间特征

2001~2022年，大黑河流域各季节的蒸散发(ET)呈现明显的空间分异特征(图5)。春季ET均值介于7.63~77.10 mm/a之间，高值区域主要分布在山区，而平原地区的蒸散量相对较低；夏季ET均值范围较大，介于34.75~350.80 mm/a之间，其中中部山区ET最高，水域次之，平原地区最低；秋季ET均值介于13.41~80.75 mm/a之间，空间分布特征与夏季类似，高值区域主要集中在山区及河流流经区域；冬季ET均值介于5.59~35.99 mm/a之间，但空间分布特征与春季相反，高值主要分布在低海拔地区，而山区由于气温较低，蒸散效率明显降低(见图5)。

蒸散发在各季节均表现出显著的波动特征，但其主导影响因子存在一定差异。冬季ET最低的主要原因在于低温、少雨、太阳辐射弱，且植被进入休眠期，蒸腾作用极弱甚至停止，ET主要依赖于土壤层的水分蒸发。此外，冬季土壤冻结的影响进一步抑制了蒸散发过程。春季随着气温回升、降水增加和太阳辐射增强，植物进入生长初期，蒸腾作用增强，而土壤蒸发也逐步增加，成为该季节ET上升的主要驱动因子。夏季ET最强，主要受高温、充沛降水和强太阳辐射的影响，此时植物进入快速生长期，水分蒸腾显著增强，同时土壤蒸发达到峰值，是全年ET最高的时期。秋季ET的主要影响因子为气温逐步降低、降水减少和太阳辐射减弱，随着植被进入凋萎阶段，植被和土壤的蒸散发强度也随之下降[25]。

整体来看，大黑河流域各季节的ET在时间和空间上均表现出显著的分异特征，其中中央山地和水体区域的ET最高，ET的释放在夏季最强，其次为春季和秋季，冬季最弱。大黑河流域不同季节蒸散发的时空变化不仅反映了植被—土壤—大气之间的水热交换过程，也直接影响该地区的水热平衡，是决定区域水循环的关键因子之一。

Figure 5. Seasonal ET distribution in the Dahei River Basin, 2001~2022

图5. 2001~2022年大黑河流域四季ET分布

3.1.3. 大黑河流域时间演变特征

对2001~2022年大黑河流域蒸散发(ET)的突变特征分析(见图6)结果表明，ET时间序列的突变点发生在2007年左右。为了进一步探究突变点前后ET的变化趋势，将研究时段划分为2001~2007年(第一阶段)和2008~2022年(第二阶段)。

分析结果显示，在2001~2007年，大黑河流域ET以2.10 mm/a的速率缓慢上升，趋势不显著；而在2008~2022年，ET的上升速率显著加快，达到5.56 mm/a，表明该阶段ET呈现明显的增长趋势。ET在2021年达到极值，最高值为331.39 mm。这一突变可能受到气候变化、降水增加、生态恢复措施(如退耕还林还草)等因素的共同影响，导致区域ET在突变点后快速增加。

Figure 6. Characterization of BFAST mutations in ET in the Dahei River Basin, 2001~2022

图6. 2001~2022年大黑河流域ET的BFAST突变特征

3.2. ET的空间变化趋势

2001~2022年大黑河流域ET变化趋势的显著性空间分布如图所示(见图7)。分析结果表明，大黑河流域ET的变化趋势具有明显的空间异质性。从整体来看，ET呈增加趋势的地区占总区域面积的86.25%，分布范围较广，覆盖整个研究区，其中呈显著增加趋势的区域占85.90%，主要集中在西南部及东部地区。相比之下，ET呈下降趋势的区域占13.74%，主要分布于研究区的中部和西北部，其中呈显著下降趋势的区域占12.69%，主要位于中部和北部。这种空间分异特征可能受到多种因素的影响，如气候变化、植被覆盖变化、土地利用方式调整以及水资源调控措施等。总体而言，大黑河流域ET的上升趋势占据主导地位，反映出研究区在过去二十余年间，生态恢复、气候变暖及降水变化可能促进了ET的增加。

3.3. ET的未来变化趋势(Hurst)

2001~2022年大黑河流域ET的持续性变化特征分析(见图8)表明，ET的Hurst指数范围主要介于0.15~0.82之间，其空间分布存在显著的区域差异。根据Hurst指数的等级划分，大黑河流域未来ET变化趋势呈现持续性和反持续性并存的模式。

研究结果显示，大部分地区ET表现出反持续性变化特征，占研究区总面积的89.71%，广泛分布于整个流域。这表明，流域大部分区域的ET未来变化趋势将与过去相反，即若过去呈上升趋势，未来可能下降，反之亦然。而具有持续性变化特征的区域占比10.28%，主要分布在平原地区，表明这些区域ET未来的变化趋势与过去一致，表现出较强的长期记忆效应。这种空间差异可能受到地形条件、植被覆盖变化、土壤湿度、气候变化等因素的影响，特别是在水热条件较为稳定的平原地区，ET的变化趋势更具延续性，而在气候波动较大或生态系统动态变化剧烈的区域，ET更容易表现出反持续性特征。

Figure 7. Spatial distribution of significance of ET trends in the Dahei River Basin, 2001~2022

图7. 2001~2022年大黑河流域ET变化趋势显著性的空间分布

Figure 8. Hurst index and future trends in the Dahei River Basin, 2001~2022

图8. 2001~2022年大黑河流域Hurst指数及未来变化趋势

3.4. 驱动因子分析

3.4.1. 模型精度验证

将降水、风速、温度、日照时数、土壤湿度5个变量进行敏感性分析，训练集表现R²：0.942，MAE：2.66，MSE：16.16训练集表现非常好，R²接近1，MAE和MSE都比较小，这说明模型在训练集上拟合度很高。测试集表现R²：0.585，MAE：8.19，MSE：162.29，测试集的R²降至0.585，MSE上升到162.29 (比训练集大了一个数量级)，这说明模型可能存在一定程度的过拟合：它在训练集上学到的规律，并不能完美地泛化到测试集上。

使用交叉验证(Cross-Validation)来更稳定地评估模型性能，并防止过拟合。

3.4.2. Sobol灵敏度分析

Sobol分析给出以下结果(见表1) (5个变量的顺序对应[降水Pre，风速Wind，温度TM，日照时数RZ，土壤湿度SM])：

下面分别解释这两个指标：

1) 一阶效应指数(S_i)

$S_i=\frac{V_i}{Var\left(f\left(X\right)\right)}$

一阶效应代表“单个变量在不考虑它与其他变量交互时，对输出(ET)方差所作的贡献”。

Table 1. Results of sensitivity analysis

表1. 敏感性分析结果

变量	Pre	Wind	TM	RZ	SM
Si	0.4764	0.0919	0.2991	0.0101	0.0119
ST	0.5370	0.1384	0.3923	0.0270	0.0300

Pre (降水)为0.4764，说明当只考虑降水本身的变化时，可解释大约47.6%的模型输出方差。Wind (风速)的Si = 0.0919，说明仅考虑风速自身时，可解释约9.2%的模型输出方差。TM (气温)的Si = 0.2991，约29.9%的输出方差与气温变化直接相关。RZ (日照时数)为0.0101，贡献度只有1%左右，主效应很小。SM (土壤湿度)为0.0119，也只有约1.2%，主效应也很小。

从一阶效应看，Pre (降水)和TM (气温)的主效应比较大，Wind次之，而RZ和SM对蒸散直接贡献度相对较低。

2) 总效应指数(ST)

$S_{T_i}=\frac{V_i+\sum j\ne i{V}_{ij}+\sum j<k\ne i{V}_{ijk}+\cdots }{Var\left(f\left(X\right)\right)}$

总效应包含“该变量单独对输出的影响+该变量与其他变量的交互对输出的影响”。

Pre (降水)的ST = 0.5370，说明包括与其他变量交互在内，它对蒸散的总体贡献是53.7%。与一阶47.6%相比，说明还有约6%左右的方差来自降水和其他变量的交互。Wind (风速)的ST = 0.1384，和Si的差距(≈4.6%)说明风速与其他变量也有一些小的交互效应。TM (气温)的ST = 0.3923，和Si (0.2991)相比，高出约9.3%，说明气温也有一定程度的交互效应。RZ (日照时数)和SM的ST分别为0.0270和0.0300，都很小，说明它们本身对蒸散的直接贡献和交互贡献都不大。

综合来看：降水是影响预测ET的最主要变量。其次是气温。其次市风速。日照时数和土壤湿度不仅主效应很小，总效应也很小，对ET的预测影响可以忽略或相对较低。

4. 结论

本研究基于MOD16A2/A3遥感数据，结合气象站点观测数据，系统分析了2001~2022年内蒙古大黑河流域蒸散发(ET)的时空变化特征及其驱动机制。研究结果表明，大黑河流域ET呈现显著的时空分异特征，并受气候变化和人类活动的共同影响。

从时间变化来看，2001~2022年，大黑河流域ET整体呈波动上升趋势，多年平均ET为255.82 mm/a，年际波动范围为155.02~346.22 mm。ET具有显著的季节性特征，夏季ET最高，冬季最低，且夏季ET增长趋势最为显著。通过BFAST突变检测，识别出ET在2007年左右发生突变，突变后ET的上升速率显著加快，表明该时期可能受到气候变化或生态工程(如退耕还林、生态修复)的影响。Hurst指数分析显示，大黑河流域ET未来变化趋势以反持续性为主，即未来ET变化可能与过去趋势相反，这一趋势对水资源管理和生态修复策略的制定具有重要参考价值。

从空间分布来看，大黑河流域ET呈现明显的空间异质性，其中中部山区和水域ET值较高，而西南部低海拔及北部高海拔地区ET值较低。2001~2022年间，86.25%的区域ET呈增加趋势，其中85.90%的区域增加趋势显著，主要分布在西南部及东部地区。ET的空间分布与地形、植被覆盖和水系分布密切相关，表明地形和土地利用类型对ET的空间格局具有重要影响。

驱动因子分析表明，降水、气温和风速是影响大黑河流域ET的主要控制因子。Sobol敏感性分析结果显示，降水对ET的贡献最大(一阶效应指数0.4764，总效应指数0.5370)，其次是气温(一阶效应指数0.2991，总效应指数0.3923)，风速的影响相对较小，但仍具有显著贡献。日照时数和土壤湿度的直接影响较弱，表明在干旱半干旱地区，水分和热量条件是ET变化的主导因素。

综上所述，大黑河流域ET的时空变化受到自然因素和人类活动的双重驱动。气候变化导致的降水和气温变化是ET变化的主要驱动因子，而退耕还林(草)等生态修复工程对ET的长期趋势也产生了重要影响。本研究结果为大黑河流域水资源的合理利用和生态保护提供了科学依据，同时也为干旱半干旱地区ET变化机制研究提供了参考。未来研究应进一步结合土地利用变化、生态工程及水资源调控等因素，深入探讨ET变化的复杂驱动机制，以提高对区域水循环过程的理解。

5. 讨论

1) 气候因子的主导作用：本研究发现降水(Pre)和气温(TM)是ET变化的主要驱动因子，一阶效应贡献分别达47.6%和29.9%，这与Mu等(2007)基于MOD16的全球ET研究以及Shukla和Mintz (1982)关于陆气水热耦合的理论一致，进一步印证了气候变量在半干旱地区ET动态中的核心地位。

2) 季节性分异规律：ET的夏季峰值与冬季低谷特征与区域水热条件高度相关，与Yang等(2012)在华北灌区的发现一致，表明植被生长季的蒸腾增强和土壤水分可利用性是季节性差异的关键机制。

3) 低敏感性因子的普适性：日照时数(RZ)与土壤湿度(SM)对ET的贡献度较低(均<2%)，这与科尔沁沙地研究中水分限制主导ET的结论[4]相呼应，反映了半干旱区ET对水分条件的强依赖性。

尽管MOD16数据具有较高时间分辨率，但其500 m空间分辨率可能弱化地形复杂区(如山区)的ET异质性。ET空间分异与高程相关，但未量化坡度、坡向等地形参数的作用。引入地形湿度指数(TWI)或太阳辐射模型，可进一步揭示地形–水文–ET的耦合机制。