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

Résumé Technique : Contributions de la surface de la surface de l'eau et de l'intensité de l'évaporation aux changements à long terme des pertes par évaporation des réservoirs à travers la Chine

Énoncé du Problème
L'évaporation des réservoirs représente une perte d'eau critique, bien que souvent sous-estimée, dans le système des ressources en eau de la Chine. Bien que les études existantes aient amélioré les estimations de l'ampleur de l'évaporation, elles mettent fréquemment l'accent soit sur la profondeur d'évaporation (intensité), soit sur le volume total, sans partitionner explicitement les changements observés entre les deux facteurs déterminants : la surface de l'eau exposée et l'intensité de l'évaporation. Cette distinction est vitale car les mécanismes qui pilotent les changements de pertes dictent des réponses de gestion différentes. Si les pertes sont principalement pilotées par l'expansion de la surface, la gestion doit se concentrer sur le développement des réservoirs et la régulation de la surface. Si elles sont pilotées par les changements d'intensité, la gestion doit traiter la demande atmosphique changeante sur les surfaces existantes. Cette étude comble la lacune de la séparation des mécanismes à l'échelle nationale, visant à quantifier quelle part du changement à long terme des pertes par évaporation des réservoirs est attribuable aux changements de la surface de l'eau par rapport aux changements de l'intensité de l'évaporation.

Méthodologie
L'étude a analysé les enregistrements mensuels de l'ensemble de données Res-CN pour 3 168 réservoirs de haute qualité à travers la Chine continentale de 1984 à 2020. Le flux de travail analytique s'est déroulé comme suit :

1. Construction des Variables : La perte d'évaporation annuelle ($V$), la surface de l'eau moyenne ($A$) et l'intensité de l'évaporation ($I$) ont été dérivées des données mensuelles. L'intensité a été calculée comme une profondeur quotidienne normalisée par la surface ($mm \cdot jour^{-1}$) en utilisant la relation $V = A \cdot I \cdot D / 1000$.
2. Analyse des Tendances : Les tendances à long terme pour la perte, la surface et l'intensité ont été évaluées au niveau de chaque réservoir en utilisant le test non paramétrique de Mann-Kendall et l'estimateur de pente de Sen.
3. Décomposition : Les changements à long terme de l'évaporation des réservoirs ont été décomposés en effets de surface et d'intensité en utilisant les différences logarithmiques entre la première et la dernière année valide. La contribution de chaque facteur a été calculée comme le pourcentage qu'il représentait de la variation logarithmique absolue.
4. Apprentissage Automatique (Machine Learning) : Les modèles Elastic Net et LightGBM ont été employés pour identifier les prédicteurs dominants de la variation spatiale de la perte moyenne à long terme et de l'intensité. Les caractéristiques incluaient des variables hydroclimatiques (ex: évapotranspiration de référence, température), la topographie, la morphologie du réservoir et l'occupation des sols.

Résultats Clés

• Modèles Spatiaux et Saisonniers : L'évaporation des réservoirs a présenté une forte hétérogénéité spatiale et un cycle saisonnier dominé par l'été. Juillet était le mois d'évaporation de pointe pour 64,1 % des réservoirs, et juin pour 22,3 %.
• Analyse des Tendances : La perte d'évaporation annuelle a augmenté de manière significative dans 55,7 % (1 764) des réservoirs. En revanche, les tendances de l'intensité de l'évaporation et de la surface de l'eau étaient plus hétérogènes, la majorité des réservoirs ne montrant aucune tendance significative pour l'une ou l'autre de ces variables individuellement.
• Résultats de la Décomposition : La décomposition a révélé que l'intensité de l'évaporation était le principal moteur des changements de perte à long terme. En moyenne, les changements d'intensité ont contribué à 57,0 % du changement total de la perte d'évaporation, tandis que les changements de surface ont contribué à 43,0 %. Parmi les réservoirs présentant des augmentations de pertes, la contribution de l'intensité était encore plus élevée, atteignant 57,8 %.
• Modélisation Prédictive : Les modèles d'apprentissage automatique ont reproduit avec succès les variations spatiales de la perte d'évaporation avec une grande précision ($R^2 = 0,954$ pour la perte transformée logarithmiquement). Les principaux prédicteurs identifiés comprenaient l'évapotranspiration de référence, la surface du réservoir, la topographie, la température et la durée d'ensoleillement. Le modèle pour l'intensité de l'évaporation présentait une capacité prédictive plus faible ($R^2 = 0,649$), suggérant que les prédicteurs actuels ne capturent pas pleinement les processus physiques complexes régissant la profondeur d'évaporation normalisée par la surface.

Signification et Revendications
Les auteurs affirment que leur principale contribution est la séparation structurelle des changements de perte d'évaporation en composantes de surface et d'intensité à l'échelle nationale. Les résultats indiquent que limiter la seule expansion de la surface de l'eau est insuffisant pour gérer les pertes par évaporation des réservoirs. Parce que les changements d'intensité représentent la majorité de l'augmentation des pertes à long terme, une gestion efficace des réservoirs doit également tenir compte de la demande atmosphique changeante sur les surfaces de réservoirs existantes.

L'étude positionne la perte d'évaporation non pas simplement comme un terme secondaire du bilan hydrique, mais comme un problème de comptabilité volumétrique comportant deux composantes séparables. En démontifiant que le terme « intensité » (piloté par la demande atmosphérique et les conditions locales) l'emporte souvent sur le terme « surface », l'article plaide pour une approche plus nuancée de la planification des ressources en eau qui intègre une gestion sensible à l'évaporation dans les évaluations de l'efficacité du stockage et de la fiabilité de l'approvisionnement.

Limites et Incertitudes
Le document reconnaît modestement plusieurs sources d'incertitude :

• Qualité des Données : Les estimations de la surface pour les petits réservoirs sont susceptibles d'être affectées par les pixels mixtes et la complexité du rivage, ce qui peut amplifier les erreurs de calcul de l'intensité. Par conséquent, les statistiques d'intensité ont été traitées comme des comparaisons relatives plutôt que comme des références absolues de la profondeur en eau libre.
• Hypothèses Statistiques : Le test de Mann-Kendall a été appliqué sans pré-traitement (pre-whitening) ou ajustement de l'autocorrélation, ce qui pourrait affecter les classifications de significativité si une corrélation sérielle existe.
• Sensibilité des Points Terminaux : La décomposition reposait sur la première et la dernière année valide, ce qui rend les résultats potentiellement sensibles aux années terminaux anormales.
• Attribution Physique : Bien que l'apprentissage automatique ait identifié des signaux prédictifs, l'étude note que des facteurs tels que l'exploitation des réservoirs, le stockage de la chaleur, le fetch et la bathymétrie ne sont pas pleinement caractérisés dans les données disponibles, limitant la capacité à fournir une attribution physique complète pour les changements d'intensité.