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

Sintesi Tecnica: Contributi dell'area della superficie dell'acqua e dell'intensità dell'evaporazione ai cambiamenti delle perdite per evaporazione dei bacini idrografici a lungo termine in tutta la Cina

Definizione del Problema
L'evaporazione dei bacini idrografici rappresenta una perdita d'acqua critica, sebbene spesso sottostimata, nel sistema delle risorse idriche della Cina. Mentre gli studi esistenti hanno migliorato le stime dell'entità dell'evaporazione, essi si concentrano frequentemente o sulla profondità dell'evaporazione (intensità) o sul volume totale, senza però partizionare esplicitamente i cambiamenti osservati tra i due fattori scatenanti: l'area della superficie d'acqua esposta e l'intensità dell'evaporazione. Questa distinzione è vitale perché i meccanismi che guidano i cambiamenti nelle perdite determinano diverse risposte gestionali. Se le perdite sono guidate principalmente dall'espansione della superficie, la gestione dovrebbe concentrarsi sullo sviluppo dei bacini e sulla regolazione della superficie. Se sono guidate dai cambiamenti di intensità, la gestione deve affrontare la mutevole domanda atmosferica sulle superfici esistenti. Questo studio affronta il vuoto nella separazione dei meccanismi su scala nazionale, con l'obiettivo di quantificare quanto del cambiamento a lungo termine della perdita per evaporazione sia attribuibile ai cambiamenti dell'area della superficie dell'acqua rispetto ai cambiamenti dell'intensità dell'evaporazione.

Metodologia
Lo studio ha analizzato i record mensili del dataset Res-CN per 3.168 bacini idrografici di alta qualità in tutta la Cina continentale dal 1984 al 2020. Il flusso di lavoro analitico è proceduto come segue:

1. Costruzione delle Variabili: La perdita annuale per evaporazione ($V$), l'area media della superficie dell'acqua ($A$) e l'intensità dell'evaporazione ($I$) sono state derivate dai dati mensili. L'intensità è stata calcolata come profondità giornaliera normalizzata per area ($mm \cdot giorno^{-1}$) utilizzando la relazione $V = A \cdot I \cdot D / 1000$.
2. Analisi dei Trend: I trend a lungo termine per perdita, area e intensità sono stati valutati a livello di singolo bacino utilizzando il test non parametrico di Mann-Kendall e lo stimatore di pendenza di Sen.
3. Decomposizione: I cambiamenti a lungo termine della perdita per evaporazione sono stati scomposti negli effetti di area e intensità utilizzando le differenze logaritmiche tra il primo e l'ultimo anno valido. Il contributo di ciascun fattore è stato calcolato come la percentuale che esso rappresentava della variazione logaritmica assoluta.
4. Machine Learning: Modelli Elastic Net e LightGBM sono stati impiegati per identificare i predittori dominanti della variazione spaziale della perdita media a lungo termine e dell'intensità. Le caratteristiche includevano variabili idroclimatiche (ad esempio, evapotraspirazione di riferimento, temperatura), topografia, morfologia del bacino e copertura del suolo.

Risultati Chiave

• Modelli Spaziali e Stagionali: L'evaporazione dei bacini ha mostrato una forte eterogeneità spaziale e un ciclo stagionale dominato dall'estate. Luglio è stato il mese di picco dell'evaporazione per il 64,1% dei bacini, e giugno per il 22,3%.
• Analisi dei Trend: La perdita annuale per evaporazione è aumentata significativamente nel 55,7% (1.764) dei bacini. Al contrario, i trend nell'intensità dell'evaporazione e nell'area superficiale sono stati più eterogenei, con la maggior parte dei bacini che non mostrava un trend significativo in nessuna delle due variabili singolarmente.
• Risultati della Decomposizione: La decomposizione ha rivelato che l'intensità dell'evaporazione è stata il driver dominante dei cambiamenti della perdita a lungo termine. In media, i cambiamenti di intensità hanno contribuito per il 57,0% al cambiamento totale della perdita per evaporazione, mentre i cambiamenti di area hanno contribuito per il 43,0%. Tra i bacini con perdite crescenti, il contributo dell'intensità era ancora più elevato, pari al 57,8%.
• Modellazione Predittiva: I modelli di machine learning hanno riprodotto con successo le variazioni spaziali della perdita per evaporazione con un'elevata capacità predittiva ($R^2 = 0,954$ per la perdita trasformata in logaritmo). I principali predittori identificati sono stati l'evapotraspirazione di riferimento, l'area del bacino, la topografia, la temperatura e la durata dell'insolazione. Il modello per l'intensità dell'evaporazione ha mostrato una capacità predittiva inferiore ($R^2 = 0,649$), suggerendo che gli attuali predittori non catturano completamente i complessi processi fisici che governano la profondità dell'evaporazione normalizzata per area.

Significato e Rivendicazioni
Gli autori sostengono che il loro contributo primario sia la separazione strutturale dei cambiamenti della perdita per evaporazione nei componenti di area e intensità su scala nazionale. I risultati indicano che limitare solo l'espansione della superficie dell'acqua è insufficiente per gestire le perdite per evaporazione dei bacini. Poiché i cambiamenti di intensità rappresentano la maggior parte dell'aumento della perdita a lungo termine, una gestione efficace dei bacini deve anche tenere conto della mutata domanda atmosferica sulle superfici dei bacini esistenti.

Lo studio posiziona la perdita per evaporazione non semplicemente come un termine secondario del bilancio idrico, ma come un problema di contabilità volumetrica con due componenti separabili. Dimostrando che il termine "intensità" (guidato dalla domanda atmosferica e dalle condizioni locali) spesso supera il termine "area", il documento sostiene la necessità di un approccio più sfumato alla pianificazione delle risorse idriche che integri una gestione consapevole dell'evaporazione nelle valutazioni dellose efficacia dell'accumulo e dell'affidabilità dell'approvvigionamento.

Limitazioni e Incertezza
Il documento riconosce con modestia diverse fonti di incertezza:

• Qualità dei Dati: Le stime dell'area per i piccoli bacini sono suscettibili ai pixel misti e alla complessità delle linee di costa, il che può amplificare gli errori nei calcoli dell'intensità. Di conseguenza, le statistiche sull'intensità sono state trattate come confronti relativi piuttosto che come parametri assoluti per la profondità a mare aperto.
• Assunzioni Statistiche: Il test di Mann-Kendall è stato applicato senza pre-whitening o aggiustamenti per l'autocorrelazione, il che potrebbe influenzare le classificazioni di significatività qualora esistesse correlazione seriale.
• Sensibilità agli Endpoint: La decomposizione si è basata sul primo e sull'ultimo anno valido, rendendo i risultati potenzialmente sensibili ad anni di endpoint anomali.
• Attribuzione Fisica: Sebbene il machine learning abbia identificato segnali predittivi, lo studio nota che fattori quali l'operatività dei bacini, l'accumulo di calore, la fetch (distanza del vento sulla superficie) e la batimetria non sono pienamente caratterizzati nei dati disponibili, limitando la capacità di fornire un'attribuzione fisica completa per i cambiamenti di intensità.