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

Technische Samenvatting: Bijdragen van Wateroppervlakte en Evaporatie-intensiteit aan Veranderingen in Langdurig Reserivoirverdampingverlies in heel China

Probleemstelling
Reserivoirverdamping vormt een cruciale, maar vaak onderbelichte waterverliespost in het waterbeheersysteem van China. Hoewel bestaande studies de schattingen van de omvang van verdamping hebben verbeterd, leggen zij vaak de nadruk op óf de verdiepingsgraad (intensiteit) óf het totale volume, zonder de waargenomen veranderingen expliciet te partitioneren tussen de twee drijvende factoren: het blootgestelde wateroppervlak en de verdampingsintensiteit. Dit onderscheid is essentieel omdat de mechanismen die de veranderingen in verlies aansturen, verschillende beheersreacties vereisen. Als verliezen primair worden gedreven door oppervlakte-expansie, moet het beheer zich richten op reserivoirontwikkeling en oppervlakteregulering. Als ze worden gedreven door veranderingen in intensiteit, moet het beheer zich richten op de veranderende atmosferische vraag op bestaande oppervlakten. Deze studie adresseert de kloof in de nationale schaal van mechanisme-scheiding, met als doel te kwantificeren hoeveel van de langdurige verandering in reserivoirverdampingverlies toe te schrijven is aan veranderingen in het wateroppervlak versus veranderingen in de verdampingsintensiteit.

Methodologie
De studie analyseerde maandelijkse gegevens uit de Res-CN-dataset voor 3.168 hoogwaardige reservers door heel het vasteland van China van 1984 tot 2020. De analytische workflow verliep als volgt:

1. Variabele Constructie: Jaarlijkse verdampingsverliezen ($V$), gemiddeld wateroppervlak ($A$) en verdampingsintensiteit ($I$) werden afgeleid van maandelijkse gegevens. Intensiteit werd berekend als een op oppervlakte genormaliseerde dagelijkse diepte ($mm \cdot dag^{-1}$) met behulp van de relatie $V = A \cdot I \cdot D / 1000$.
2. Trendanalyse: Langdurige trends voor verlies, oppervlakte en intensiteit werden op reserversniveau beoordeeld met behulp van de non-parametrische Mann-Kendall-test en de Sen's slope-schatter.
3. Decompositie: Langdurige veranderingen in verdampingsverlies werden gedecomposeerd in oppervlakte- en intensiteitseffecten met behulp van logaritmische verschillen tussen het eerste en het laatste geldige jaar. De bijdrage van elke factor werd berekend als het percentage dat het vertegenwoordigde van de absolute logaritmische verandering.
4. Machine Learning: Elastic Net- en LightGBM-modellen werden ingezet om dominante voorspellers van de ruimtelijke variatie in de langdurige gemiddelde verdampingsverlies en intensiteit te identificeren. Kenmerken omvatten hydroklimatologische variabelen (bijv. referentie-evapotranspiratie, temperatuur), topografie, reserivoirmorfologie en landbedekking.

Belangrijkste Resultaten

• Ruimtelijke en Seizoensgebonden Patronen: Reserivoirverdamping vertoonde een sterke ruimtelijke heterogeniteit en een in de zomer dominante seizoenscyclus. Juli was de piekmaand voor verdamping voor 64,1% van de reservers, en juni voor 22,3%.
• Trendanalyse: Het jaarlijkse verdampingsverlies nam significant toe in 55,7% (1.764) van de reservers. In contrast hiermee waren de trends in verdampingsintensiteit en wateroppervlakte heterogener, waarbij een meerderheid van de reservers geen significante trend vertoonde in een van beide variabelen afzonderlijk.
• Decompositiebevindingen: De decompositie onthulde dat de verdampingsintensiteit de dominante drijfveer was van de langdurige veranderingen in verlies. Gemiddeld droegen veranderingen in intensiteit 57,0% bij aan de totale verandering in verdampingsverlies, terwijl oppervlakteveranderingen 43,0% bijdroegen. Onder reservers met toenemende verliezen was de bijdrage van intensiteit zelfs hoger, namelijk 57,8%.
• Voorspellende Modellering: Machine-learningmodellen reproduceerden de ruimtelijke variaties in verdampingsverlies succesvol met een hoge vaardigheid ($R^2 = 0,954$ voor log-getransformeerd verlies). Belangrijke voorspellers die werden geïdentificeerd, waren referentie-evapotranspiratie, reservioeroppervlak, topografie, temperatuur en zonneschijnduur. Het model voor verdampingsintensiteit vertoonde een lagere voorspellende vaardigheid ($R^2 = 0,649$), wat suggereert dat de huidige voorspellers de complexe fysische processen die de oppervlakte-genormaliseerde verdiepingsgraad beheersen, niet volledig vatten.

Betekenis en Claims
De auteurs stellen dat hun primaire bijdrage de structurele scheiding van verdampingsverliesveranderingen in oppervlakte- en intensiteitscomponenten op nationale schaal is. De resultaten wijzen erop dat het beperken van de expansie van het wateroppervlak alleen onvoldoende is voor het beheer van reserivoirverdampingsverliezen. Omdat intensiteitsveranderingen het merendeel van de langdurige toename in verlies verklaren, moet effectief reservoirbeheer ook rekening houden met de veranderende atmosferische vraag op bestaande reservioeroppervlakten.

De studie positioneert verdampingsverlies niet louter als een secundaire waterbalansterm, maar als een volumetrisch boekhoudprobleem met twee scheidbare componenten. Door aan te tonen dat de "intensiteitsterm" (gedreven door atmosferische vraag en lokale condities) vaak zwaarder weegt dan de "oppervlakteterm", pleit het artikel voor een meer genuanceerde aanpak van waterbeheer die verdampingsbewust beheer integreert in effectieve opslag- en leveringsbetrouwbaarheidsevaluaties.

Beperkingen en Onzekerheid
Het artikel erkent bescheiden enkele bronnen van onzekerheid:

• Datakwaliteit: Oppervlakteschattingen voor kleine reservers zijn gevoelig voor gemengde pixels en de complexiteit van de kustlijn, wat fouten in de berekening van de intensiteit kan versterken. Bijgevolg werden intensiteitsstatistieken behandeld als relatieve vergelijkingen in plaats van absolute benchmarks voor de open-water diepte.
• Statistische Aannames: De Mann-Kendall-test werd toegepast zonder pre-whitening of aanpassingen voor autocorrelatie, wat de significantieclassificaties zou kunnen beïnvloeden als er sprake is van seriële correlatie.
• Gevoeligheid voor Eindpunten: De decompositie vertrouwde op het eerste en laatste geldige jaar, waardoor de resultaten potentieel gevoelig zijn voor afwijkende eindpuntjaren.
• Fysische Attributie: Hoewel machine learning voorspellende signalen identificeerde, merkt de studie op dat factoren zoals reservoirbeheer, warmteopslag, loopafstand (fetch) en bathymetrie niet volledig gekarakteriseerd zijn in de beschikbare gegevens, wat de mogelijkheid beperkt om een volledige fysische attributie voor intensiteitsveranderingen te bieden.