了解2003 - 2016年全球水文干旱及其与遥相关的关系
干旱经常逐渐演变并覆盖大面积，因此影响许多人和活动。这促使开发技术整合不同的卫星观测，覆盖大面积，并了解干旱的空间和时间变化。在这项研究中，我们应用概率技术为世界156个主要流域（2003 - 2016年）生成卫星导出的气象，水文和水文气象干旱指数。这些数据包括重力恢复和气候试验（GRACE）任务中的陆地水储存（TWS）估算，以及土壤湿度，降水和蒸发蒸腾再分析。从这些指数中提取对应于3个月，6个月，12个月和24个月时间尺度的趋势，发生，面积范围和频率的不同干旱特征。解释了非洲，美洲和亚洲选定流域内的干旱演变。然后应用典型相关分析（CCA）来发现全球水文气象干旱与卫星衍生海表温度（SST）变化之间的关系。然后使用这种关系来提取区域，其中干旱和遥相关是强烈相互关联的。我们的数值结果表明，3至6个月的水文干旱发生频率高于其他时间尺度。更长时间的储水变化（水通量）已被发现是在中东和北非等地区发现延伸的水文干旱的原因。通过CCA，我们表明厄尔尼诺南方涛动（ENSO）对亚洲北部地区和2006至2011年间澳大利亚大部分地区的水文干旱的大小和演变以及干旱都有重大影响。 2010年至2012年期间在亚马逊河流域，南亚和北非。发现印度洋偶极子（IOD）和北大西洋涛动（NAO）对水文干旱的演变具有区域影响。
2000 - 2016年植被总生产量的全球中等分辨率数据集
A global moderate resolution dataset of gross primary production of vegetation for 2000–2016
准确估算陆地植被的初级生产总量（GPP）对于了解全球碳循环和预测未来气候变化至关重要。目前可以基于不同的方法获得多个GPP产品，但是当根据涡动协方差数据对GPP估计进行验证时，它们的性能变化很大。本文提供了一个新的GPP数据集，该数据集在2000-2016全球范围内具有中等空间（500米）和时间（8天）分辨率。该GPP数据集基于改进的光利用效率理论，由MODIS的卫星数据和NCEP Reanalysis II的气候数据驱动。它还采用了最先进的植被指数（VI）间隙填充和平滑算法以及C3 / C4光合作用途径的单独处理。所有这些改进旨在解决当前GPP产品中存在的几个关键问题。在根据原位GPP估算进行验证时，该数据集具有令人满意的性能，可为区域到全球碳循环研究提供替代GPP估算。
https://www.nature.com/articles/sdata2017165
数据下载链接https://doi.pangaea.de/10.1594/PANGAEA.879560
黄河流域上游蒸散发趋势及其对气候变化和植被绿化的响应
Trends in evapotranspiration and their responses to climate change and vegetation greening over the upper reaches of the Yellow River Basin
本研究全面分析了潜在和实际蒸散量（ET）的长期（1960-2014）变化，并量化了黄河流域上游（UYRB）的年际和季节敏感性以及对气候和植被生长变化的归因。 。使用卫星反演植被绿度和定点测量的水文气象数据集。在过去55年中，年平均参考蒸散量（ET0）显示出显着的下降趋势（p <0.05）0.32 mm年（-1）。从恢复的平稳序列和灵敏度分析中获得的结果表明，降低风速是降低年度和季节性ET0趋势的主要驱动力。在研究期间，由水量平衡计算的实际蒸散量（ETa）显着增加，而从Penman方程和蒸发皿（ETpan）计算的潜在蒸散量（ETp）显着下降，表明在UYRB上存在蒸发悖论。 ETa和ETp或ETpan表现出互补行为，而互补关系是不对称的。在1982 - 2014年期间，UYRB的大部分地区（65.6％）发生了植被绿化，并由海拔调节。有趣的是，不均匀的气候变暖对植被生长造成了相反的影响，即年际和季节性NDVI受到白天温度的刺激，但受到夜间温度的抑制。此外，白天温度对NDVI的正面影响在春季比秋季和夏季大得多。与气候因素相比，大规模连贯植被绿化将是影响年际ETa的主要因素。这些结果有助于深入了解寒冷山区气候变化的水文响应。
http://apps.webofknowledge.com/InboundService.do?customersID=Alerting&mode=FullRecord&IsProductCode=Yes&product=CCC&Init=Yes&Func=Frame&DestFail=http%3A%2F%2Fwww.webofknowledge.com&action=retrieve&SrcApp=Alerting&SrcAuth=Alerting&SID=6FB2tb2Iay4NmdZWvr1&UT=CCC%3A000449236500011
农业节水措施对区域蒸散的影响：地下水在干旱和半干旱地区可持续农业中的作用
Impact of agricultural water-saving practices on regional evapotranspiration: The role of groundwater in sustainable agriculture in arid and semi-arid areas
蒸发蒸腾（ET）是水预算过程的重要组成部分，其特点是复杂的时空变化，特别是在灌溉农业区。各种水文过程和人类活动对ET的影响仍然是研究和调查的一个重要主题。在这项工作中，选择了典型的浅层地下水和干旱气候条件的农业灌溉区作为案例研究区。在利用中等分辨率成像光谱仪（MODIS）数据通过地面能量平衡算法（SEBAL）模型估算区域ET后，确定供水灌溉水，浅层地下水，作物种植模式和天气条件对区域ET的影响。 。结果表明，河套区域ET在过去15年中持续下降。水输入（引水和降水）与ET之间的正相关表明，减少的引水控制了ET的下降，也导致地下水位下降。由于毛细作用力和根系吸收，浅层地下水倾向于向上移动以支持作物用水量因为土壤缺水。此外，我们量化了浅层地下水对区域ET的贡献，发现在节水灌溉期间，浅层地下水供水量从5％增加到15％。然而，灌溉供水和地下水位的长期下降导致作物生长期土壤水分亏缺，作物种植模式的变化也降低了ET。因此，地下水在干旱半干旱地区农业可持续发展中发挥着重要作用，浅层地下水对区域用水的贡献不容忽视。
https://www.sciencedirect.com/science/article/pii/S0168192318302740?via%3Dihub#fig0010
在中国不同气候条件下的有限气象数据下评估SVM，ELM和四种基于树的集合模型预测日参考蒸散量
Evaluation of SVM, ELM and four tree-based ensemble models for predicting daily reference evapotranspiration using limited meteorological data in different climates of China
准确估算参考蒸散量（ET0）对区域水资源规划和灌溉调度设计具有重要意义。建议将FAO-56 Penman-Monteith模型作为预测ET0的参考模型，但其应用通常受到全球许多地方缺乏完整气象数据的限制。本研究评估了机器学习模型的潜力，特别是四种相对简单的基于树的组装算法（即随机森林（RF），M5模型树（M5Tree），梯度增强决策树（GBDT）和极端梯度增强（XGBoost）），使用K折交叉验证方法估算每日ET0和有限的气象数据。为了在预测精度，稳定性和计算成本方面评估基于树的模型，进一步将这些模型与其相应的支持向量机（SVM）和极端学习机（ELM）模型进行比较。以Tmax，Tmin和Ra为基础数据集的每日最高和最高温度（Tmax和Tmin），相对湿度（Hr），风速（U2），全球和地外太阳辐射（Rs和Ra）的四个输入组合是考虑使用1961 - 2010年期间中国不同气候的八个代表性气象站的气象资料。结果表明，当缺乏完整的气象数据时，使用Tmax，Tmin，Hr，U2和Ra的机器学习模型在中国温带大陆，山地高原和温带季风区得到了令人满意的ET0估计值（RMSE <0.5 mm d- 1）。然而，具有三个输入参数Tmax，Tmin和Rs的模型在热带和亚热带地区的每日ET0预测中是优越的。 ELM和SVM模型提供了预测精度和稳定性的最佳组合。简单的基于树的XGBoost和GBDT模型显示出与SVM和ELM模型相当的准确性和稳定性，但表现出更低的计算成本。考虑到所研究模型的复杂程度，预测准确性，稳定性和计算成本，XGBoost和GBDT模型被推荐用于中国不同气候区的ET0估算，也可能是世界各地气候相似的其他气候区
https://www.sciencedirect.com/science/article/pii/S0168192318302855?via%3Dihub
通过光能利用率模型模拟的初级生产力总量的不确定性来源：模型结构，参数，输入数据和空间分辨率
准确估算总初级生产力（GPP）对于了解生态系统功能和全球碳循环至关重要。然而，GPP的幅度，空间分布和时间动态仍存在很大的不确定性。使用光利用效率（LUE）模型，我们对各种来源产生的GPP估计的不确定性进行了全面分析：模型结构，模型参数，输入数据和空间分辨率。我们首先在野外定点估计，评估模型结构的影响，即吸收的光合有效辐射（FPAR），水标量（WS）和温度标量（TS）的分数。然后，我们使用Sobol的灵敏度分析来量化模型输入变量对GPP不确定性的相对贡献。此外，我们使用不同的土地覆盖和气象数据集来检查输入数据和空间分辨率对GPP的大小和时空模式的影响。我们发现模型结构不仅影响模型性能，而且影响模型参数的方式与植被类型和区域不同。因此，在GPP建模中应采用适当的模型结构和严格的模型参数化和校准。 Sobol的敏感性分析表明，包括光合有效辐射（PAR）和日最低温度（TMIN）在内的气象驱动因素对模拟GPP不确定性的贡献大于基于表面反射率的指数，包括增强植被指数（EVI）和归一化差异水指数（NDWI）。在区域尺度上，不同的土地覆盖数据集对GPP模拟的影响最大，特别是在异质区域，其次是不同空间分辨率的尺度效应;改变气象数据集的影响最小。因此，更准确和更精细分辨率的土地覆盖图和气象数据集对于更准确的GPP估算至关重要。我们的研究结果对于提高我们对碳通量估算的完全不确定性的理解以及减少碳循环模拟中的不确定性具有重要意义。
https://www.sciencedirect.com/science/article/pii/S0168192318302636?via%3Dihub#fig0060
气候变化对墨西哥小麦生产的影响
小麦是墨西哥最重要的谷类作物之一，但未来气候变化对生产的影响尚不清楚。为了量化未来气候变化的影响及其不确定性，两个小麦作物模型并行执行，使用两种缩放方法，五种全球气候模型（GCM）和两种主要的代表性浓度途径（RCPs），用于2050年代。模拟输出因作物模型，缩放方法，GCM和RCP而异;然而，他们都预测到2050年代小麦产量将普遍下降。尽管二氧化碳浓度升高促进了生长刺激，但由于预计温度上升，墨西哥大部分主要小麦种植区域的产量均下降趋势一致。在一些较凉爽的地区出现例外情况，温度改善了次优条件，而且在一些降雨量增加的地区，但这些增加只对国家生产提供了微不足道的贡献。由于当前和预计的温度和降雨模式的空间变化，预计雨养小麦的产量下降幅度更大且变化更大。然而，旱作小麦仅占墨西哥小麦产量的6％左右。在汇总模拟的气候变化影响时，考虑到温度升高，降雨量变化以及灌溉和雨养小麦种植系统的大气CO2浓度升高，墨西哥的全国小麦产量预计将在RCP 4.5的6.9％和RCP 8.5的7.9％之间下降。模拟产量变化和两种缩放方法的模型不确定性（组合为作物和气候模型）小于两个RCP中的时间和空间变异性。在未来的两种情景中，空间变异往往是最大的。为了维持或增加墨西哥未来的小麦产量，必须采取适应战略，特别是影响灌溉小麦的温度上升或扩大种植面积。
https://www.sciencedirect.com/science/article/pii/S0168192318303034?via%3Dihub
