Contributions of Water Surface Area and Evaporation Intensity to Long- Term Reservoir Evaporation Loss Changes Across China

Resumen Técnico: Contribuciones del Área de la Superficie del Agua y la Intensidad de la Evaporación a los Cambios en la Pérdida por Evaporación de Embalses a Largo Plazo en China

Planteamiento del Problema
La evaporación de los embalses representa una pérdida de agua crítica, aunque a menudo subestimada, en el sistema de recursos hídricos de China. Si bien los estudios existentes han mejorado las estimaciones de la magnitud de la evaporación, frecuentemente enfatizan ya sea la profundidad de la evaporación (intensidad) o el volumen total sin realizar una partición explícita de los cambios observados entre los dos factores impulsores: el área de la superficie de agua expuesta y la intensidad de la evaporación. Esta distinción es vital porque los mecanismos que impulsan los cambios en las pérdidas dictan diferentes respuestas de gestión. Si las pérdidas son impulsadas principalmente por la expansión de la superficie, la gestión debe centrarse en el desarrollo de embalses y la regulación de la superficie. Si son impulsadas por cambios en la intensidad, la gestión debe abordar la demanda atmosférica cambiante sobre las superficies existentes. Este estudio aborda la brecha en la separación de mecanismos a escala nacional, con el objetivo de cuantificar cuánto del cambio a largo plazo en la pérdida por evaporación de los embalses se atribuye a los cambios en el área de la superficie del agua frente a los cambios en la intensidad de la evaporación.

Metodología
El estudio analizó registros mensuales del conjunto de datos Res-CN para 3,168 embalses de alta calidad en China continental desde 1984 hasta 2020. El flujo de trabajo analítico procedió de la siguiente manera:

1. Construcción de Variables: Se derivaron de los datos mensuales la pérdida anual por evaporación ($V$), el área de superficie de agua media ($A$) y la intensidad de la evaporación ($I$). La intensidad se calculó como una profundidad diaria normalizada por área ($mm \cdot día^{-1}$) utilizando la relación $V = A \cdot I \cdot D / 1000$.
2. Análisis de Tendencias: Las tendencias a largo plazo para la pérdida, el área y la intensidad se evaluaron a nivel de embalse utilizando la prueba no paramétrica de Mann-Kendall y el estimador de pendiente de Sen.
3. Descomposición: Los cambios a largo plazo en la pérdida por evaporación se descompusieron en efectos de área e intensidad utilizando diferencias logarítmicas entre el primer y el último año válido. La contribución de cada factor se calculó como el porcentaje que representaba del cambio logarítmico absoluto.
4. Aprendizaje Automático (Machine Learning): Se emplearon modelos de Elastic Net y LightGBM para identificar los predictores dominantes de la variación espacial en la pérdida media a largo plazo y la intensidad de la evaporación. Las características incluyeron variables hidroclimáticas (por ejemplo, evapotranspiración de referencia, temperatura), topografía, morfología del embalse y cobertura del suelo.

Resultados Clave

• Patrones Espaciales y Estacionales: La evaporación de los embalses exhibió una fuerte heterogeneidad espacial y un ciclo estacional con predominancia de verano. Julio fue el mes de máxima evaporación para el 64.1% de los embalses, y junio para el 22.3%.
• Análisis de Tendencias: La pérdida anual por evaporación aumentó significativamente en el 55.7% (1,764) de los embalses. En contraste, las tendencias en la intensidad de la evaporación y el área de superficie fueron más heterogéneas, con una mayoría de los embalses mostrando sin tendencia significativa en ninguna de las dos variables de forma individual.
• Hallazgos de la Descomposición: La descomposición reveló que la intensidad de la evaporación fue el impulsor dominante de los cambios en la pérdida a largo plazo. En promedio, los cambios en la intensidad contribuyeron con un 57.0% al cambio total de la pérdida por evaporación, mientras que los cambios en el área contribuyeron con un 43.0%. Entre los embalses con pérdidas crecientes, la contribución de la intensidad fue aún mayor, situándose en un 57.8%.
• Modelado Predictivo: Los modelos de aprendizaje automático reprodujeron con éxito las variaciones espaciales en la pérdida por evaporación con una alta capacidad de ajuste ($R^2 = 0.954$ para la pérdida transformada logarítmicamente). Los predictores clave identificados incluyeron la evapotranspiración de referencia, el área del embalse, la topografía, la temperatura y la duración de la insolación. El modelo para la intensidad de la evaporación mostró una menor capacidad de ajuste predictivo ($R^2 = 0.649$), lo que sugiere que los predictores actuales no capturan completamente los complejos procesos físicos que gobiernan la profundidad de la evaporación normalizada por área.

Significancia y Reivindicaciones
Los autores afirman que su principal contribución es la separación estructural de los cambios en la pérdida por evaporación en componentes de área e intensidad a escala nacional. Los resultados indican que limitar la expansión de la superficie del agua por sí solo es insuficiente para gestionar las pérdidas por evaporación de los embalses. Debido a que los cambios en la intensidad representan la mayor parte del aumento de la pérdida a largo plazo, una gestión eficaz de los embalses también debe considerar la demanda atmosférica cambiante sobre las superficies de los embalses existentes.

El estudio posiciona la pérdida por evaporación no meramente como un término secundario del balance hídrico, sino como un problema de contabilidad volumétrica con dos componentes separables. Al demostrar que el término de "intensidad" (impulsado por la demanda atmosférica y las condiciones locales) a menudo supera al término de "área", el artículo aboga por un enfoque más matizado de la planificación de los recursos hídricos que integre la gestión consciente de la evaporación en las evaluaciones de almacenamiento efectivo y confiabilidad del suministro.

Limitaciones e Incertidumbre
El documento reconoce modestamente varias fuentes de incertidumbre:

• Calidad de los Datos: Las estimaciones de área para embalses pequeños son susceptibles a los píxeles mixtos y a la complejidad de la línea de costa, lo que puede amplificar los errores en los cálculos de intensidad. En consecuencia, las estadísticas de intensidad se trataron como comparaciones relativas en lugar de puntos de referencia absolutos para la profundidad de agua abierta.
• Supuestos Estadísticos: La prueba de Mann-Kendall se aplicó sin pre-blanqueo o ajustes de autocorrelación, lo que podría afectar las clasificaciones de significancia si existe correlación serial.
• Sensibilidad de los Puntos Finales: La descomposición dependió del primer y el último año válido, lo que hace que los resultados sean potencialmente sensibles a años anómalos en los extremos.
• Atribución Física: Aunque el aprendizaje automático identificó señales predictivas, el estudio señala que factores como la operación del embalse, el almacenamiento de calor, la distancia de recorrido (fetch) y la batimetría no están plenamente caracterizados en los datos disponibles, lo que limita la capacidad de proporcionar una atribución física completa para los cambios de intensidad.