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

技術要約：中国全土における長期的な貯水池蒸発損失の変化に対する水面面積と蒸発強度の寄与

問題提起
貯水池の蒸発は、中国の水資源システムにおいて極めて重要でありながら、しばしば過小評価されている水損失である。既存の研究は蒸発量の推定精度を向上させているものの、観測された変化を、曝露された水面面積と蒸発強度の二つの駆動要因に明示的に分離することなく、蒸発深さ（強度）または総量の一方に重点を置いて記述することが多い。この区別は、損失の変化を駆動するメカニズムが異なる管理対応を決定づけるため、非常に重要である。もし損失が主に表面の拡大によって駆動されているのであれば、管理は貯水池の開発と表面調節に焦点を当てるべきである。もし強度の変化によって駆動されているのであれば、管理は既存の表面に対する大気の要求の変化に対処しなければならない。本研究はこの国家規模でのメカニズム分離の空白を埋めることを目的とし、長期的な貯水池蒸発損失の変化のうち、どの程度が水面面積の変化と蒸発強度の変化に起因するかを定量化することを目指している。

研究手法
本研究では、1984年から2020年までの中国本土における3,168の高品質な貯水池のRes-CNデータセットから得られた月次記録を分析した。分析ワークフローは以下の通りである：

1. 変数の構築： 月次データから、年間蒸発損失（$V$）、平均水面面積（$A$）、および蒸発強度（$I$）を導出した。強度は、$V = A \cdot I \cdot D / 1000$ の関係式を用いて、面積正規化された日次深さ（$mm \cdot day^{-1}$）として計算した。
2. トレンド分析： 貯水池レベルでの損失、面積、および強度の長期トレンドを、非パラメトリックなマン・ケンドール検定およびセンの傾き推定法を用いて評価した。
3. 分解： 最初の有効年と最後の有効年の間の対数差を用いて、蒸発損失の長期的変化を面積効果と強度効果に分解した。各要因の寄与度は、その絶対対数変化が占める割合として計算された。
4. 機械学習： 長期平均蒸発損失および強度の空間的変動の主要な予測因子を特定するために、Elastic NetおよびLightGBMモデルを採用した。特徴量には、水文気象変数（基準蒸発散量、気温など）、地形、貯水池の形態、および土地被覆が含まれる。

主な結果

• 空間的および季節的パターン： 貯水池の蒸発は強い空間的不均一性と夏季優位の季節サイクルを示した。64.1%の貯水池において7月が蒸発のピーク月であり、22.3%においては6月であった。
• トレンド分析： 年間蒸発損失は、55.7%（1,764箇所）の貯水池で有意に増加した。対照的に、蒸発強度と水面面積のトレンドはより不均一であり、大部分の貯水池では、いずれの変数においても有意なトレンドは見られなかった。
• 分解による知見： 分解の結果、蒸発強度が長期的な損失変化の支配的な駆動要因であることが明らかになった。平均して、強度の変化は総蒸発損失変化に対して**57.0%寄与し、面積の変化は43.0%寄与した。損失が増加している貯水池においては、強度の寄与はさらに高く57.8%**であった。
• 予測モデリング： 機械学習モデルは、高いスキル（対数変換された損失に対して $R^2 = 0.954$）をもって、蒸発損失の空間的変動を再現することに成功した。特定された主要な予測因子には、基準蒸発散量、貯水池面積、地形、気温、および日照時間が含まれる。蒸発強度のモデルは、より低い予測スキル（$R^2 = 0.649$）を示しており、これは現在の予測因子が、面積正規化された蒸発深さを支配する複雑な物理プロセスを完全には捉えきれていないことを示唆している。

意義と主張
著者らは、自らの主要な貢献は、蒸発損失の変化を、国家規模で面積成分と強度成分へと構造的に分離したことにあると主張している。結果は、水面の拡大を制限するだけでは、貯水池の蒸発損失を管理するには不十分であることを示している。強度の変化が長期的な損失増加の大部分を占めているため、効果的な貯水池管理には、既存の貯水池表面に対する大気の要求の変化も考慮に入れなければならない。

本研究は、蒸発損失を単なる二次的な水収支項としてではなく、分離可能な二つの成分を持つ体積的な計上問題として位置づけている。強度の項（大気の要求や局所的な条件に起因する）が面積の項よりも頻繁に上回ることを示すことで、本論文は、効果的な貯留および供給信頼性の評価に蒸発を意識した管理を統合する、より微細なアプローチが必要であると論じている。

限界と不確実性
論文では、いくつかの不確実性の源について謙虚に認めている：

• データの質： 小規模な貯水池の面積推定は、混合画素や海岸線の複雑さに影響を受けやすく、それが強度の計算における誤差を増幅させる可能性がある。したがって、強度の統計は、開水面の絶対的なベンチマークではなく、相対的な比較として扱われた。
• 統計的仮定： マン・ケンドール検定は、前処理（プレホワイトニング）や自己相関の調整なしに適用されており、系列相関が存在する場合、有意性の分類に影響を与える可能性がある。
• エンドポイントへの感度： 分解は最初の有効年と最後の有効年に依存しており、結果が異常なエンドポイントの年に左右される可能性がある。
• 物理的属性： 機械学習は予測信号を特定したが、本研究では、利用可能なデータには貯水池の運用、熱貯蔵、フェッチ（吹き渡り距離）、および水深などの要因が十分に特徴付けられておらず、強度の変化に関する完全な物理的属性を提示することには限界があるとしている。