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

Resumo Técnico: Contribuições da Área de Superfície de Água e da Intensidade de Evaporação para as Mudanças na Perda de Evaporação de Reservatórios a Longo Prazo na China

Definição do Problema
A evaporação de reservatórios representa uma perda de recursos hídricos crítica, porém frequentemente subestimada, no sistema de recursos hídricos da China. Embora estudos existentes tenham melhorado as estimativas da magnitude da evaporação, eles frequentemente enfatizam ou a profundidade da evaporação (intensidade) ou o volume total, sem particionar explicitamente as mudanças observadas entre os dois fatores determinantes: a área de superfície de água exposta e a intensidade da evaporação. Essa distinção é vital porque os mecanismos que impulsionam as mudanças nas perdas ditam diferentes respostas de gestão. Se as perdas forem impulsionadas principalmente pela expansão da superfície, a gestão deve focar no desenvolvimento de reservatórios e na regulação da superfície. Se forem impulsionadas por mudanças na intensidade, a gestão deve abordar a demanda atmosférica variável sobre as superfícias existentes. Este estudo aborda a lacuna na separação de mecanismos em escala nacional, visando quantificar quanto da mudança de longo prazo na perda de evaporação de reservatórios é atribuível às mudanças na área de superfície de água versus mudanças na intensidade da evaporação.

Metodologia
O estudo analisou registros mensais do conjunto de dados Res-CN para 3.168 reservatórios de alta qualidade em toda a China continental de 1984 a 2020. O fluxo de trabalho analítico procedeu da seguinte forma:

1. Construção de Variáveis: A perda de evaporação anual ($V$), a área de superfície de água média ($A$) e a intensidade da evaporação ($I$) foram derivadas de dados mensais. A intensidade foi calculada como uma profundidade diária normalizada pela área ($mm \cdot dia^{-1}$) usando a relação $V = A \cdot I \cdot D / 1000$.
2. Análise de Tendência: As tendências de longo prazo para perda, área e intensidade foram avaliadas ao nível do reservatório usando o teste não paramétrico de Mann-Kendall e o estimador de inclinação de Sen.
3. Decomposição: As mudanças de longo prazo na perda de evaporação foram decompostas em efeitos de área e intensidade usando diferenças logarítmicas entre o primeiro e o último ano válido. A contribuição de cada fator foi calculada como a porcentagem que representava da mudança logarítmica absoluta.
4. Aprendizado de Máquina: Modelos de Elastic Net e LightGBM foram empregados para identificar os principais preditores da variação espacial na perda de evaporação média de longo prazo e na intensidade. As características incluíram variáveis hidroclimáticas (ex: evapotranspiração de referência, temperatura), topografia, morfologia do reservatório e cobertura do solo.

Principais Resultados

• Padrões Espaciais e Sazonais: A evaporação dos reservatórios exibiu forte heterogeneidade espacial e um ciclo sazonal dominado pelo verão. Julho foi o mês de pico de evaporação para 64,1% dos reservatórios, e junho para 22,3%.
• Análise de Tendência: A perda anual de evaporação aumentou significativamente em 55,7% (1.764) dos reservatórios. Em contraste, as tendências na intensidade da evaporação e na área de superfície de água foram mais heterogêneas, com a maioria dos reservatórios mostrando nenhuma tendência significativa em nenhuma das variáveis individualmente.
• Descobertas da Decomposição: A decomposição revelou que a intensidade da evaporação foi o principal motor das mudanças de perda de longo prazo. Em média, as mudanças na intensidade contribuíram com 57,0% para a mudança total na perda de evaporação, enquanto as mudanças na área contribuíram com 43,0%. Entre os reservatórios com perdas crescentes, a contribuição da intensidade foi ainda maior, em 57,8%.
• Modelagem Preditiva: Modelos de aprendizado de máquina reproduziram com sucesso as variações espaciais na perda de evaporação com alto desempenho ($R^2 = 0,954$ para a perda log-transformada). Os principais preditores identificados incluíram evapotranspiração de referência, área do reservatório, topografia, temperatura e duração do brilho solar. O modelo para a intensidade da evaporação mostrou menor poder preditivo ($R^2 = 0,649$), sugerindo que os preditores atuais não capturam totalmente os processos físicos complexos que regem a profundidade de evaporação normalizada pela área.

Significância e Alegações
Os autores alegam que sua principal contribuição é a separação estrutural das mudanças na perda de evaporação em componentes de área e intensidade em escala nacional. Os resultados indicam que limitar apenas a expansão da superfície de água é insuficiente para gerir as perdas de evaporação dos reservatórios. Como as mudanças na intensidade explicam a maior parte do aumento da perda de longo prazo, a gestão eficaz de reservatórios deve também considerar a demanda atmosférica variável sobre as superfícies dos reservatórios existentes.

O estudo posiciona a perda de evaporação não meramente como um termo secundário do balanço hídrico, mas como um problema de contabilidade volumétrica com dois componentes separáveis. Ao demonstrar que o termo "intensidade" (impulsionado pela demanda atmosférica e condições locais) frequentemente supera o termo "área", o artigo defende uma abordagem mais matizada para o planejamento de recursos hídricos que integre a gestão consciente da evaporação nas avaliações eficazes de armazenamento e confiabilidade do suprimento.

Limitações e Incertezas
O artigo reconhece modestamente várias fontes de incerteza:

• Qualidade dos Dados: As estimativas de área para pequenos reservatórios são suscetíveis a pixels mistos e complexidade de linha de costa, o que pode amplificar erros nos cálculos de intensidade. Consequentmente, as estatísticas de intensidade foram tratadas como comparações relativas, e não como marcos absolutos para a profundidade de água aberta.
• Premissas Estatísticas: O teste de Mann-Kendall foi aplicado sem pré-branqueamento ou ajustes de autocorrelação, o que poderia afetar as classificações de significância se houver correlação serial.
• Sensibilidade do Ponto Final: A decomposição dependeu do primeiro e do último anos válidos, tornando os resultados potencialmente sensíveis a anos de extremidade anômalos.
• Atribuição Física: Embora o aprendizado de máquina tenha identificado sinais preditivos, o estudo observa que fatores como operação de reservatórios, armazenamento de calor, fetch (extensão do vento sobre a água) e batimetria não são totalmente caracterizados nos dados disponíveis, limitando a capacidade de fornecer uma atribuição física completa para as mudanças de intensidade.