乔昂·罗查 | 阿娜·金特拉 | 塞尔吉奥·法布雷斯 | 大卫·卡瓦略 | 简·雅各布·凯泽 | 达莉拉·塞尔帕
RAIZ – 森林与造纸研究机构，金塔德圣弗朗西斯科，何塞·埃斯特万街（EN 230–1），埃舒，阿威罗 3800–783，葡萄牙
**摘要**
**研究区域**：葡萄牙中部和南部。
**研究焦点**：
尽管桉树具有全球重要性，但气候变化对以桉树为主的森林流域的影响鲜有研究。本研究使用两个基于实地数据校准的SWAT模型（用于模拟径流、叶面积指数、蒸散量和树干生物量），评估了两个截然不同的桉树主导流域（Braçal：梯田分布，半湿润气候；Caniceira：平坦地形，半干旱气候）对气候变化的生态水文响应。这些水文模型使用了三个区域性EURO–CORDEX气候模型（CM5、CM5A和NorESM1），并在两种代表性浓度路径（RCP 4.5和8.5）下运行了三个12年周期，以模拟完整的桉树生长周期（2024–2036年、2037–2048年和2049–2060年）。
**该地区的新水文发现**：
在RCP 4.5情景下，预计两个流域的径流量将从2024年减少到2060年；而在RCP 8.5情景下，特别是2049–2060年期间，径流量将有所增加。两个流域的树干生物量从2024年到2060年均有增长，这可能是由于二氧化碳浓度升高刺激了桉树的生长。从2024年到2060年，半干旱流域的水资源短缺情况比半湿润流域更加严重，尤其是在旱季。SWAT模型的输出为森林管理者提供了科学依据，以制定适应性策略，以减轻未来气候条件（尤其是干旱）对桉树种植林的负面影响。
**1. 引言**
预计气候变化将导致热雨量制度的变化，从而影响森林水文、树木生长和生物生理节律（Getachew等人，2021年；Gray和Brady，2016年），以及生物量生产（Gray和Brady，2016年；Sperlich等人，2020年）。森林流域的水文过程受多种因素影响，包括土壤类型、地形、树种、森林管理实践和气候条件（Cossalter和Pye–Smith，2003年；Di Luzio等人，2001年；Grossiord，2020年）。因此，了解这些过程如何应对气候变化对于支持森林管理至关重要，特别是在已经面临水资源短缺的地区，如地中海生物气候区。
生态水文模型因其能够表征生物地理环境、土地覆盖和土地利用变化，以及能够在历史、现今和未来气候条件下模拟不同情景而越来越受到重视（Amatya等人，1997年；Zhang等人，2022年）。这些模型是成本效益高的工具，可用于研究森林流域，必须能够模拟水量平衡、生理和生态水文过程及响应，以及管理实践和造林技术（Lai等人，2020年）。
桉树种植林是广泛种植的阔叶林（Zhang等人，2021年），在全球范围内是最重要的人工林资源之一（Ferraz Filho等人，2014年），因其快速生长周期和较短的轮伐期（8至12年）、良好的土壤气候适应性（Goncalves等人，2013年；2017年；Stape等人，2010年），以及高木材密度和纤维质量及精油含量（Elissetche等人，2024年；Pimentel等人，2023年）。桉树种植林支持与能源、造纸和纸浆产业相关的循环生物经济（Kaur和Monga，2021年），并被视为可再生资源（Eufrade-Junior等人，2018年）。全球桉树种植林面积从1950年的约100万公顷增长到2025年的约2300万公顷（Iglesias-Carrasco等人，2025年；Wingfield等人，2015年），在欧洲占据约180万公顷的面积，其中葡萄牙占大部分（高达84万公顷；ICNF，2019年）和西班牙占64万公顷（MAPA，2019年），是欧洲第二大非本地树种（Brus等人，2019年）。
尽管桉树在全球尤其是欧洲非常重要，但很少有模型研究探讨气候变化对桉树林地区水资源可用性的影响。然而，根据在意大利南部两个以桉树为主的流域进行的研究结果，预计到2031–2060年，加利西亚地区的二氧化碳（CO2）浓度、温度和降水量的变化可能导致径流量减少16%（Arias等人，2014年）；而在葡萄牙的阿连特茹地区，这些变化可能对径流量和树干生物量产生正面或负面影响（Rocha等人，2023年）。这些结果对水资源和森林资源管理具有重大意义，特别是在桉树林几乎占森林面积26%的葡萄牙（ICNF，2019年），这些森林支持纸浆和造纸产业的发展，并促进了以木材为基础的经济。
除了在桉树为主的森林流域中研究较少外，气候变化对具有不同土壤气候特征（如气候特征、地形、土壤类型）的流域水资源可用性的影响也鲜有涉及，但这些研究可以为未来气候条件下的森林生态水文响应提供宝贵见解。例如，一项在葡萄牙南部进行的研究指出，湿润和半干旱地区流域之间的水分胁迫和生物量生产的变异性可能比气候变化本身更为重要，因为二氧化碳的肥料效应和冬季温度压力的降低预计会产生积极影响（Nunes和Seixas，2011年）。另一项针对两个对比鲜明的葡萄牙流域（湿润和干燥）的生态水文响应的研究（Serpa等人，2015年）表明，具有永久植被覆盖的湿润流域预计受到水资源影响的负面影响较小。此外，Malagò等人（2015年）通过比较校准程序和相关参数集的表现，还发现了不同地区（即斯堪的纳维亚半岛和伊比利亚半岛）之间水文过程的主要差异。
在用于预测气候变化对水资源可用性影响的多种水文模型中（Sun等人，2023年），土壤和水资源评估工具（SWAT）已成功应用于多个流域和多种生物气候环境中。然而，大多数建模研究集中在以农业为主的流域（CARD，2023年），而关于以森林为主的流域的研究则较少，Marin等人（2020年）的综述涵盖了27项在不同生物气候条件下的森林流域研究，特别是针对桉树林流域的SWAT建模方法正在逐渐增加。
为填补关于气候变化对具有不同土壤气候特征的桉树主导森林流域生态水文响应影响的知识空白，本研究使用了SWAT建模方法，在葡萄牙的半湿润（Braçal）和半干旱（Caniceira）流域进行了研究。在为每个流域运行和校准SWAT模型后，模拟了气候变化对水分平衡和桉树树干生物量产生的影响，使用了三个EURO–CORDEX区域气候模型（CM5、CM5A和NorESM1）以及两种代表性浓度路径（RCP 4.5和8.5）。同时计算了水资源利用指数加值（WEI+），该指数用于评估特定地区的水资源短缺/可用性（Faergemann，2012年），并在当前条件和未来气候情景下对两个流域进行了分析。
**2. 方法**
**2.1. 流域描述**
Braçal流域位于葡萄牙中部（图1），面积约为44公顷，海拔高度在180至400米之间，坡度范围为15%至27%。Caniceira流域位于葡萄牙南部（图1），面积约为Braçal的六倍，约为267公顷，海拔高度在99至164米之间，坡度较缓，为3–8%。
**2.2. 生态水文建模**
**2.2.1. 模型设置、参数化和实现**
SWAT是一个基于时间的、物理过程的、半分布式的生态水文模型，它根据空间单元考虑了景观过程，以模拟不同时间尺度（从次日到年度）的流域响应。水文响应单元（HRUs）代表不同的土地利用/覆盖类型、土壤类型和坡度组合（Arnold等人，2012年；Arnold和Fohrer，2005年；Di Luzio等人，2001年）。该模型包括一个陆地阶段，用于模拟每个子流域中水、沉积物和养分的流量；以及一个径流阶段，用于模拟这些流量向后续子流域的传输过程（Neitsch等人，2012年；Neitsch等人，2001年）。SWAT模型需要以下输入数据：数字高程模型（DEM）、土壤地图、土地利用/覆盖地图、气象数据（例如降雨量、气温、相对湿度、风速和风向、太阳辐射），以及其他用于模型参数化的数据（例如管理操作、植物生理数据）。根据先前的研究（Rocha等人，2020b年；Rocha等人，2022年），Braçal流域使用了0.25米的DEM分辨率，而Caniceira流域使用了1米的DEM分辨率。高分辨率的DEM（0.25米）能够生成更精确的地表形态特征（如分叉比、蜿蜒程度、排水密度），并详细反映梯田的位置和几何形态。在Braçal的梯田流域应用高分辨率DEM有助于减少模型假设的不确定性，并提高水动力学的模拟精度（Shao等人，2013年指出）。气象数据以5分钟为分辨率，来源于Braçal和Caniceira流域内的自动气象站。土壤数据（如深度、质地、水分传导率）则通过实地调查和采样获取（每公顷至少五个土壤样本），用于SWAT土壤数据库的参数化。模型参数化还参考了这两个流域60多年来的林学操作数据（如叶面积指数LAI、最大树冠高度、收获指数下限、种植日期、施肥管理、生物量残留物处理、植物生长周期、土壤类型），以及来自其他葡萄牙流域的信息（Carvalho-Santos等人，2017年；Carvalho-Santos等人，2016年；Nunes等人，2018年；Nunes等人，2013年；Nunes等人，2008年；Rocha等人，2023年；Rocha等人，2022年；Rocha等人，2020b年；Rocha等人，2020a年；Rocha等人，2015年；Serpa等人，2017年；Serpa等人，2015年）。Penman–Monteith方法被选用于计算潜在蒸散量（PET），因为它对气象条件的变化更敏感（Islam等人，2012年），同时也能考虑大气CO2浓度升高对气孔导度的影响（Villani等人，2024a年）。为了模拟Braçal流域的梯田特征，通过调整侵蚀和径流参数（如土壤层的有效水容量、初始SCS径流曲线数等）对SWAT模型进行了参数化（Arnold等人，2012年；Waidler等人，2011年；见表4），并参考了Rocha等人（2022年）的研究成果。每个流域使用ArcGIS接口（ArcSWAT版本2012；Arnold等人，2012年）实现了SWAT模型。每个模型都设置了7年的暖启动期以减少初始系统的不确定性。两个模型的运行时间从1986年持续到2022年，涵盖了历史时期（1986–2005年）和当前时期（2006–2022年）。未来时期（2024–2060年）的模拟也是每天进行一次，分为三个12年的时间段（2024–2036年；2037–2048年；2049–2060年），以再现两个流域中典型的桉树生长周期和再生林制度。
2.2.2 模型校准与性能
由于现有流量数据集较短，本研究仅进行了模型校准。根据Arnold等人（2012年）的方法，校准和验证需要将数据按相似的时间段划分，并考虑干旱年和湿润年的分布以及水分平衡范围的相似性，但这在数据集有限的情况下难以实现。缺乏具有较长时间范围的观测数据集限制了校准和验证过程的实施（Arnold等人，2012年），并且一些研究并未包含验证步骤（Machado等人，2003年）。流量校准基于2019年3月至2022年12月在Braçal流域的H型水槽和Caniceira流域的V型缺口堰处安装的水文站所测量的日流量数据。Braçal和Caniceira流域的校准程序的详细信息可见于之前的研究（Rocha等人，2023年；Rocha等人，2022年；Rocha等人，2020b年）。
对于种植桉树的子流域，模型校准使用了实地测量的蒸发量（ET）、茎生物量、叶面积指数（LAI）和土壤水分条件数据（表1）。破坏性和非破坏性的桉树森林清查提供了补充数据，用于推断LAI、计算单株树体积、每公顷木材体积、年平均生物量增量和生物量生产量（Rocha等人，2023年）。桉树茎生物量（以下简称“生物量”）的计算基于生物量与胸径和总高度之间的经验关系（Parresol，1999年）。计算过程中未考虑叶片和枝条。仅Caniceira流域有实地测量的ET数据。在该流域，一个涡度协方差系统在附近实验区安装，提供了2002–2010年的月度桉树ET数据（Rodrigues等人，2011年），用于评估模型性能。土壤水分条件数据通过安装在Caniceira流域内的多深度土壤湿度传感器（EnviroSCAN，Sentek，悉尼，澳大利亚；ECH2O EC–10，METER Group，普尔曼，WA，美国）采集，这些传感器能提供10分钟分辨率的数据。
模型校准过程包括执行一系列初始程序来微调参数范围和数值（Rocha等人，2023年；Rocha等人，2022年；Rocha等人，2020b年）。微调目的是优化SWAT数据库中的参数范围（例如最大叶面积指数、最大根深、最佳生长温度）。通过使用序列不确定性拟合（SUFI2，Abbaspour等人，2015年；Abbaspur等人，2004年）和广义似然不确定性估计（GLUE，Beven和Binley，1992年）优化算法运行SWAT模型中的校准和不确定性分析程序（SWAT–CUP，Abbaspur，2007年），以获得最佳模型性能。为了评估模型的日流量预测能力，采用了四个常用的拟合优度指标（Gupta等人，1999年；Krause等人，2005年；Moriasi等人，2015年；Moriasi等人，2007年）（改编自Moriasi等人，2015年；Moriasi等人，2007年）：(i) 平均模型误差百分比或偏差百分比（PBIAS）；(ii) Nash–Sutcliffe效率指数（NSE）；(iii) 决定系数（R²）乘以回归线系数（bR²）；(iv) Kling–Gupta效率指数（KGE）（表2）。模型模拟蒸发量、LAI和茎生物量的能力同样基于这些统计指标及其相应的范围。
2.3 气候数据
未来气候情景数据来自Coupled Model Intercomparison Project Phase 5（CMIP5）全球气候模型（GCM）的动态区域降尺度分析，该分析是在CORDEX项目框架内进行的（Giorgi等人，2009年）。用于降尺度的的高分辨率区域气候模型（RCM）是RCA4，由瑞典气象和水文研究所的Rossby Centre开发，该模型使用了CMIP5中的三个不同GCM数据：法国的CM5；法国的Institut Pierre–Simon Laplace的CM5A；以及挪威的NorESM1。选择这些模型是因为它们提供了两个流域的历史时期（1986–2005年）、当前时期（2006–2022年）和未来时期（2024–2060年）的日气候数据（相对湿度、降水量、地表太阳辐射、近地面风速、最高和最低气温）以及蒸散量（PET和ET）数据。此外，这些数据还用于评估模型在历史时期（1986–2005年）和当前时期（2006–2022年）的准确性。
选择了两种未来气候情景：RCP 4.5（中等二氧化碳排放水平；到2020年二氧化碳浓度为650 ppm），预计温室气体排放量会减少；以及RCP 8.5（高二氧化碳排放水平；到2020年二氧化碳浓度为1370 ppm），预计减少温室气体排放的措施有限（Thomson等人，2011年；van Vuuren等人，2011年）。因此，RCP 4.5被认为能够再现较温和的未来气候模式，而RCP 8.5则模拟了更极端的未来气候模式。SWAT模型分别对未来时期（2024–2060年）的每个流域进行了模拟，每个时期分为三个12年的时间段（2024–2036年；2037–2048年；2049–2060年），以再现两个流域典型的桉树生长周期和再生林制度。
由于SWAT模型中的默认二氧化碳浓度设定为330 ppm（符合1975年左右的实际排放浓度），因此两个流域的基准浓度设定为411 ppm，这是一个更为现实和最新的值（Olivier和Peters，2020年）。随着每个模拟时期（2024–2036年、2037–2048年、2049–2060年）的变化，二氧化碳浓度进行了调整，每三年调整一次，以确保平均CO2浓度的一致性增加。未来时期的CO2浓度通过将模拟时间划分为多个子时期并输入每个时期的平均CO2浓度来确定（Chen等人，2019年）。因此，在RCP 4.5情景下，2024–2036年的CO2浓度范围为424–456 ppm；在RCP 8.5情景下为430–479 ppm。在RCP 4.5情景下，2037–2048年的CO2浓度范围为459–488 ppm；在RCP 8.5情景下为483–529 ppm；在RCP 8.5情景下，2049–2060年的CO2浓度范围为491–520 ppm。二氧化碳浓度的上限根据Penman–Monteith方法的计算结果不超过660 ppm（Villani等人，2024b年）。这种动态的CO2方法会影响植物的辐射利用效率（RUE）。根据方程（1；Stockle等人，1992年），可以通过调整RUE来考虑二氧化碳浓度升高的影响（大约330–660 ppm的范围；Morison，1998年）。方程（1）中，RUE表示植物的辐射利用效率，单位为（kg/ha）·（MJ/m²），CO2表示大气中的二氧化碳浓度，r1和r2是形状系数。
2.4 水资源利用指数
Water Exploitation Index plus（WEI+；Faergemann，2012）被用于评估每个流域的水资源压力/稀缺情况。WEI+是一个水资源稀缺指标，反映了特定区域、流域和时间段内总水资源中可再生水资源的百分比。它由欧洲水资源短缺和干旱委员会引入，用于考虑水资源的季节性和月度波动。WEI+根据水资源抽取量（用水量）和回用量（系统中新进入的水量）与可再生水资源（RWR）的关系计算得出（公式（3）、（4）。
对于以森林为主的这些流域，抽取量代表了从水循环中移除的水量，即被植物消耗的水量。返回量对应于使用后重新进入系统的水量，这些水通过地表水和地下水表示。该地区的总体净用水量是用水量与回流水量相结合的结果。基于SWAT建模估算了取水量和返回量，以计算总体水分预算。上游子流域与下游子流域之间的水分预算差异为每个子流域提供了总体净用水量值。(3)WEI+=取水量−返回量不可再生淡水资源(RWR)(4)RWR=外部自然输入(Exinf)+实际蒸散量(ET)−输出量(O)。RWR代表了当地的水分平衡，考虑了潜在的外部自然输入（(Exinf)降雨(R)、实际蒸散量(ET)和输出量(O)。Exinf考虑了来自邻近地区的外部地表水和地下水的总量，而不是在实际集水区内产生的水量。由于地形形态定义了明确的排水流域，因此忽略了Exinf值，这有助于限制潜在的外部水源贡献。输出量考虑了集水区出口处的实际流量（通过Braçal的H型堰和Caniceira的两级缺口堰记录），这些数据对于正确“输入”WEI+是必需的，并且还需要用于校准和验证WEI+计算（Casadei等人，2020年）。与其他水资源短缺指数相比，这个指数被认为有所改进，因为它考虑了净用水量而不是总取水量。WEI+值在0-20%之间表示低水资源压力，20%-40%之间表示中等压力，高于40%表示严重压力（Raskin等人，1997年）。
3. 结果
3.1. 模型性能
在流量校准过程中，SUFI2在两个流域的表现都优于GLUE（表3），这从所有拟合优度指标（PBIAS、NSE、bR2和KGE）的较高排名中可以看出。因此，认为SUFI2比GLUE提供更可靠的预测，这里仅展示SUFI2的结果。使用SUFI2算法获得的最佳参数值和敏感性分析排名见表4。
表3. 在SUFI2和GLUE优化算法下，每个流域的流量校准的拟合优度指标。
流域 PBIAS % 空单元 NSE 空单元 bR2 空单元 KGE
Braçal 6.86 -7.2 10.80 0.81 0.83 0.81 0.80 0.78
Caniceira -12.6 -13.8 0.89 0.84 0.88 0.86 0.82 0.79
表4. Braçal和Caniceira流域的桉树和非桉树子流域的初始（IP）模型参数（CP）和敏感性分析排名（SR）与SUFI2。
参数 设计 Braçal子流域 空单元 Caniceira子流域
桉树梯田 空单元 桉树非梯田 空单元 非桉树 空单元 桉树 空单元 非桉树 空单元 空单元
IPCPSR 空单元 IPCPSR 空单元 IPCPSR 空单元 IPCPSR 空单元
ALPHA_BF 地下水基流alpha因子（天/天） 0.89 0.91 4 0.85 0.86 5 0.80 0.83 5 0.33 0.30 8 0.55 0.57
ALPHA_BNK 堤岸储存alpha因子（天） 0.88 0.89 5 0.84 0.86 4 0.82 0.81 9 0.34 0.33 13 0.54 0.60
OV_N Manning的地面流量“n”值 0.22 0.27 15 0.30 0.32 15 0.34 0.36 13 4 0.00 0.36 9 0.40 0.41
CN2CS 湿度条件II的CSS曲线数 83 81 117 07 117 07 217 17 33 70 71 4
DEEPST 深层含水层的初始深度 98 098 2 121 05 102 0101 108 9 412 04 120 020 87 3
DEP_IMP 需要模拟的隔水层深度 111 011 00 913 00123 0111 400 125 610 180 018 00 122 50 221 01
EPCO 土壤剖面的植物吸收补偿因子 0.80 0.78 14 0.82 0.78 14 0.82 0.84 12 0.80 0.78 10 0.80 0.87
ESCOS 土壤剖面的土壤蒸发补偿因子 0.58 0.56 11 0.65 0.61 13 0.52 0.49 11 0.83 0.79 12 0.80 0.71
GW_DELAY 地下水排放延迟 6.2 7.4 83 3.9 8 4.1 4.1 4.3 12 2.2 8 2.3 0 6 2.4 0 2.4 8
GW_REVAP 地下水再蒸发系数 0.07 0.08 6 0.06 0.07 7 0.09 0.09 0.08 7 0.09 6
REVAPMN 浅层含水层中发生再蒸发的阈值深度 0.80 0.78 8 0.80 0.78 8 0.80 0.81 6 0.82 0.78 14 0.82 0.81 13
SHALLST 浅层含水层的初始深度 0.35 0.32 7 0.42 0.41 6 0.42 0.48 7 0.80 0.51 20.80 0.81 2
SOL_KS 饱和水力传导率（mm/h） 0.80 0.81 21 0.80 0.78 16 0.80 0.75 13 0.72 0.68 11 0.72 0.70 12
SOL_AWC 土壤层的有效水容量 0.85 0.82 20.64 0.64 3 0.77 0.76 8 0.51 0.44 5 0.73 0.74 7
B_LAI 最大潜在叶面积指数（m2/m2） 3.4 3.4 2 3.3 3.3 19 3.2 3.2 18
ALAI_MIN 最小叶面积指数 2.8 2.8 13 2.6 2.6 12 2.5 2.7 19
RDMX 最大根深（m） 1.6 1.6 16 1.2 1.1 17 1.2 1.3 16
RUE 辐射利用效率 14 13.6 17 14 12.9 18 14 12.1 17
PHU 达到成熟所需的总热量单位 315 0310 0103 150 310 093 300 324 015 330 033 1015
GSI 最大气孔导度 0.008 0.008 18 0.008 0.008 20 0.008 20
RSDCO_PL 植物残余物分解系数 0.027 0.027 19 0.027 0.025 21 0.027 21
两个流域的校准模型参数有所不同，Braçal的ALPHA_BF、ALPHA_BNK、CN2、GW_DELAY和SOL_AWC值高于Caniceira（表4）。相比之下，DEEPST、DEP_IMP和SHALLST的值在Caniceira更高（表4）。在Braçal流域内，梯田和非梯田区域分别显示了影响水文状况和响应的参数范围（例如ALPHA_BF、ALPHA_BNK、OV_N、CN2）的差异，特别是在GW_DELAY、DEEPST、DEP_IMP和SOL_AWC方面，由于梯田区域更有利于增强水分储存能力。总体而言，从2019年到2022年，两个流域的日流量模型性能都很好（Braçal的bR2 = 0.83，NSE = 0.80，PBIAS = −6.86，KGE = 0.80；Caniceira的bR2 = 0.88，NSE = 0.89，PBIAS = −12.6，KGE = 0.82）（图2），尽管Caniceira的模型性能略好。Caniceira的蒸散量（图S1）也被评为良好（bR2 = 0.91，NSE = 0.90，PBIAS = −2.54，KGE = 0.82），SWAT模拟的蒸散量与类似生长阶段的桉树涡度协方差系统测量值相似（见第2.2.1节）。对于Braçal，没有可用的蒸散量数据用于模型校准。SWAT模拟的桉树林冠层LAI值与特定子流域的实地测量结果吻合良好（图S2）：Braçal子流域3（bR2 = 0.92，NSE = 0.89，PBIAS = –0.41，KGE = 0.88）和4（bR2 = 0.86，NSE = 0.64，PBIAS = −1.08，KGE = −1.08）；Caniceira子流域7（bR2 = 0.83，NSE = 0.45，PBIAS = −1.64，KGE = −1.64）和9（bR2 = 0.74，NSE = 0.45，PBIAS = −1.22，KGE = −1.22）；SWAT模拟的桉树生物量也与Braçal子流域3（R2 = 0.89，NSE = 0.77，PBIAS = −0.49，KGE = 0.87）和Caniceira子流域9（R2 = 0.88，NSE = 0.75，PBIAS = −0.54，KGE = 0.87）收集的平均数据相当（图S3）。
下载：下载高分辨率图像（258KB）
下载：下载全尺寸图像
图2. 2019年至2022年Braçal和Caniceira流域的日观测和校准（SUFI2）流量
3.2. 气候模型预测的空气温度和降雨量变化
所有区域气候模型（CM5、CM5A和NorESM1）都预测，与1986-2005年历史时期相比，2024-2060年的年平均气温将上升，这在两种排放情景下均成立（即RCP 4.5和RCP 8.5）。预计在RCP 8.5下，2049-2060年的气温升幅更大，尤其是在Caniceira（表5）。总体而言，两个流域的年平均最低和最高气温也预计会上升，两种排放情景均如此（表5；图S4和S5）。然而，温度振幅在两个流域之间有所不同，半干旱的Caniceira表现更为明显（表5）。
表5. 根据CM5、CM5A和NorESM1模型在RCP 4.5和8.5排放情景下预测的2024-2036、2037-2048和2049-2060年三个未来时期，每个流域的年平均最低（min）、最高（max）和平均（avg）气温以及年平均降雨量（rain）的相对变化百分比。
流域 模型 2024-2036 2037-2048 2049-2060
RCP 4.5 空单元 RCP 8.5 空单元
温度 Rain 空单元 温度 Rain 空单元 温度 Rain 空单元 温度 Rain 空单元 温度 Rain 空单元 温度 Rain 空单元
Braçal CM5 7.3 4.0 5.0 -13.4 4.0 1.1 2.0 2.6 10.9 8.6 9.3 -12.1 12.3 6.3 8.2 -6.8 13.8 8.3 10.0 -6.0 21.6 12.2 15.1 -13.2
CM5A 10.9 6.6 7.9 -23.0 6.1 5.9 6.0 -12.9 10.3 8.1 8.7 -12.6 11.8 8.9 9.8 -17.2 12.9 8.7 10.0 -14.4 21.6 11.1 14.3 1.4
NorESM1 -4.5 1.8 -0.2 -13.5 9.6 6.1 7.2 -6.0 13.2 7.8 9.5 -11.2 14.1 7.8 9.8 -4.2 14.5 6.9 9.3 6.2 19.6 10.5 13.4 -8.4
Caniceira CM5 5.9 3.0 5.9 -9.9 4.2 1.4 4.2 3.7 11.6 7.8 11.6 -6.1 13.1 6.3 13.1 -5.8 13.7 7.8 13.7 -4.8 20.5 10.3 20.5 -7.9
CM5A 10.3 6.9 10.3 -28.7 7.3 6.4 7.3 -15.2 11.7 8.9 11.7 -20.0 14.1 9.4 14.1 -23.0 13.4 8.9 13.4 -20.2 22.5 11.4 22.5 2.0
NorESM1 1.3 5.2 1.3 -28.6 9.8 5.4 9.8 -6.6 12.9 6.6 12.9 -15.1 13.9 6.5 13.9 -4.0 14.0 6.2 14.0 -1.3 19.2 9.2 19.2 -9.2
预计两个流域的年平均降雨量都将减少，尽管Caniceira的减少趋势比Braçal更明显（表5）。在RCP 4.5下，年平均降雨量的减少通常比RCP 8.5更显著，但这种模式并不总是具有一致性。此外，对于两个流域，所有模型都预测从2024年到2060年RCP 4.5下降雨量会减少，而在RCP 8.5下降雨量没有一致的变化模式。
3.3. 水分平衡组分的変化
除了降雨量外，还基于三个未来时期（2024-2036、2037-2048和2049-2060）的预测中位数年度值，评估了流量（WYLD）、地下水补给（GW）和蒸散量（ET）（表6）的变化。
表6. 根据CM5、CM5A和NorESM1区域气候模型在RCP 4.5和8.5排放情景下预测的2024-2036、2037-2048和2049-2060SWAT 使用曲线数值来定义土壤湿度条件，在像 Caniceira 这样较为干旱的流域中，这可能会限制其捕捉到高流量峰值的能力。该流域较高的 DEEPST 值也可能导致模型无法再现流量峰值，因为大量的地下水储存在了深层含水层中，而没有参与到地表径流的形成中。同样，Caniceira 较高的 DEP_IMP 值意味着更多的水分被储存在土壤剖面中，用于蒸发蒸腾（ET），而不是贡献到地表径流中。这有助于解释为什么 ESCO 在 Caniceira 是一个敏感参数（表 4），其值比 Braçal 更高。在半干旱条件下，高的蒸发需求会从更深的土壤层中抽取水分来补充上层土壤的水分不足（Neitsch 等人，2001；Malagò 等人，2015），从而减少了可用于径流的水分（Brouziyne 等人，2021；Molina-Navarro 等人，2019）。这一发现得到了 Caniceira 较高 SHALLST 值的支持，这表明一部分降雨被用于填充土壤剖面和维持基流，导致生成快速地表径流的水量减少。关于 LAI（叶面积指数），虽然 SWAT 模型能够准确模拟两个流域中这一变量的总体趋势（图 S2），但观察到一个一致的模型高估现象，表现为 Braçal 和 Caniceira 的 PBIAS 值均为负值。这些结果在某种程度上是可以预料的，因为 SWAT 在完全表示桉树林的 LAI 动态和生长方面存在一些限制，但总体而言，LAI 值与葡萄牙（David 等人，1997；Pereira 等人，1997）以及全球范围内的情况相符（Whitehead 和 Beadle，2004）。Caniceira 较低的 RUE（辐射利用效率）值（表 4）很可能是由于平坦地区的树冠阴影效应造成的（Crous 等人，2020），这也可能影响了该流域模型的 LAI 评估效果。由于 LAI 是决定植物截获的光合有效辐射（PAR）的关键因素（进而影响生物量生产），模型对 LAI 的准确性对两个流域的桉树生物量预测产生了连锁效应，尤其是在 Caniceira 更为显著（图 S3）。据报道，SWAT 的默认参数设置会导致不现实的树木生长预测（Haas 等人，2022b；Haas 等人，2022a；Karki 等人，2023）。这个问题可能与植被数据的有限可用性有关（Li 等人，2020），这意味着在与水文建模相关的研究中很少校准与植物相关的变量（Rajib 等人，2018），从而影响了生态生理过程的正确模拟。SWAT 通常基于流量和水质数据进行校准/验证，但这并不一定意味着植物的生态生理过程得到了正确的模拟（Strauch 和 Volk，2013）。现场特定数据的收集（例如 LAI、生物量、ET）有助于建立可靠的参数集，提高了模拟的准确性，并提升了两个流域的模型性能，使其成为模拟气候变化对森林生态水文过程影响的有效工具。其他研究也表明，在以森林为主的流域中对 LAI、生物量和 ET 进行现场特定参数化可以提升 SWAT 的准确性，因为这样可以更好地反映流域过程和动态（Alemayehu 等人，2017；Fernandez-Palomino 等人，2021；Ma 等人，2019）。
4.2 未来气候条件
采用分阶段二氧化碳浓度的方法（每个林分的生长周期对应四组二氧化碳浓度值）为长期连续模拟提供了更现实的情景，因为 SWAT 会根据可用的二氧化碳浓度调整植物的辐射利用效率，从而促进植物生长和生物量生产速率的提高（Chen 等人，2019；Zhang 等人，2022）。这种方法准确地反映了生态水文响应，尽管它没有体现出 Zhang 等人（2022）发现的动态二氧化碳输入对 SWAT 模拟的改进效果。Chen 等人（2019）还将模拟期划分为子期，并假设未来模拟期的平均二氧化碳浓度，以克服 SWAT 在无法适应二氧化碳浓度随时间逐渐增加的问题。
在气候变化情景下，三个高分辨率区域气候模型预测两个流域的空气温度将上升，降雨量将下降（表 5）；这种变化在半干旱气候的 Caniceira 流域比湿润气候的 Braçal 流域更为明显。两个流域的月平均气温都呈现上升趋势（图 S4、图 S5），这与葡萄牙大陆之前的研究结果一致（Lima 等人，2023；Soares 和 Lima，2022）。正如其他葡萄牙流域的研究所示（Rocha 等人，2020b；Rocha 等人，2020a；Serpa 等人，2015），预计降雨量减少最显著的时间段是在春季（2月至4月）和秋季（10月至11月）（图 S6），而最湿润的月份（12月和1月）则预计降雨量会增加。Pereira 等人（2020；2021）的研究明确指出，到21世纪末，伊比利亚半岛（包括葡萄牙）大部分地区年降水量和湿润天数都将减少20-40%，所有季节均如此，冬季除外。此外，预计到本世纪中叶强降水事件将增加7-15%，随后到本世纪末又会显著减少。与 RCP 8.5 相比，RCP 4.5 下预测的降雨量通常较少，这可能是由于该情景下较低的空气温度和温室气体排放导致的水蒸气生成减少（Carvalho 等人，2022），他们强调了地表水蒸气压不足对气候模式的潜在影响。对于三个未来时期，三个 RCM 在 RCP 4.5 下都预测降雨量会随时间逐渐增加，而 RCP 8.5 下则没有明显趋势，这表明在严重排放情景下大气过程的变化更为复杂。然而，之前在 Caniceira 流域的研究（Rocha 等人，2023）使用不同的区域气候模型（RCA、HIRHAM5 和 RACMO）发现，在 RCP 4.5 和 8.5 的排放情景下，月平均气温的变化更为突然，这也突显了气候模型预测的不确定性（Kundzewicz 等人，2018）。
4.3 气候变化对水分平衡的影响
这些气候变化影响了流域的水分平衡。对于三个未来时期和三种 RCM 以及两种 RCP 下，SWAT 模型预测两个流域的径流将逐渐减少，特别是在 RCP 8.5 下更为明显（表 6）。空气温度上升、降雨量下降以及两个流域桉树生物量的增加（表 5、表 6）可能是造成流量减少的原因（Scott 和 Prinsloo，2008），尤其是在半干旱流域，尤其是在更严重的排放情景下（RCP 8.5）。在 Braçal，由于存在梯田地形，径流通常在5月至9月（即干旱季节）停止，因为这些梯田可以储存高达36%的水分（Rocha 等人，2022），因此预测的雨季（10月至3月）降雨量减少对水量产生的影响比 Caniceira 更大（表 6）。而在 Caniceira，相对平坦的地形和较高的土壤储水能力（较高的 SHALLST 和 DEP_IMP 值；见表 4）使得全年都有径流，从而缓解了气候变化对水量的影响。有趣的是，两个流域在两种排放情景下表现出相似的变化模式（表 6）。在 RCP 4.5 下，水量减少的趋势随着时间的推移而加剧。而在 RCP 8.5 下，虽然从2024年到2036年水量有所减少，但之后整体呈现增长趋势，甚至出现正面影响。由于两个流域在相同 RCM 和 RCP 下的地下水变化模式相似（表 6），可以推测水分渗透过程和地下水补给的变化是导致水量变化的关键因素，这与模型敏感性分析的结果一致（表 5）。在美国东南部一个以森林为主的流域进行的研究使用 CM5 和 NorESM1 气候模型也预测，在 RCP 8.5 的排放情景下，2046-2065年间水量将增加25.1%（Ercan 等人，2020），不过作者将其归因于降水量的显著增加和蒸腾量的大幅减少，从而增加了土壤剖面中的储水量。
SWAT 模型预测在两种排放情景下两个流域的蒸腾量都会减少，这是由于二氧化碳浓度的增加，据报道二氧化碳浓度增加会促使植物减少气孔开放（Leakey 等人，2009；Lemaitre-Basset 等人，2022；Wullschleger 等人，2002），以及二氧化碳对气孔导度的抑制作用（Zhang 等人，2022；Villani 等人，2024a）。然而，在比较三个未来时期时并未发现明显的趋势，这表明蒸腾量的变化可能是多种因素（如空气温度、降雨量、二氧化碳浓度、土壤湿度）相互作用的结果，这也解释了在比较两种排放情景时未观察到明显蒸腾量变化的原因（表 6）。尽管如此，在 Caniceira 的蒸腾量减少更为显著，这可能与该流域的半干旱气候条件有关。分析两个流域的季节性蒸腾量变化模式（图 S7）发现，春季（4月至6月）的蒸腾量减少较为温和，而夏季（7月至9月）的减少更为明显，这是由于该季节降雨量通常较少（图 S6）。其他森林流域也有类似的研究结果（Brouziyne 等人，2021；Ercan 等人，2020；Pulighe 等人，2021）。
4.4 气候变化对生物量生产的影响
由于二氧化碳的施肥效应（Betts 等人，2007；Costa 等人，2022；Leipprand 和 Gerten，2006），桉树的用水效率提高，这可能解释了 CM5A 和 NorESM1 模型预测的两个流域生物量逐渐增加的现象（表 7）。树木生物量随时间的变化取决于二氧化碳引起的蒸腾量与整体生物量增加之间的平衡，具体取决于环境条件（Lemaitre-Basset 等人，2022；Pritchard 等人，1999；Saxe 等人，1998）。这可能解释了 CM5 模型预测的不同生物量变化模式（表 7）。根据该模型，在两种 RCP 下，两个流域的生物量都会减少。由于最大空气温度对桉树生长不是限制因素（因为预测的月最高温度始终低于该物种的生理阈值上限约38°C（Florêncio 等人，2022；Queiroz 等人，2020），模型之间的差异可能与最低温度的不同有关。根据之前的研究（Florêncio 等人，2022；Fontes 等人，2006），温度低于6°C会限制桉树生长。另一方面，霜冻对桉树生长有显著的负面影响（Almeida 等人，2004），因此 CM5 模型预测2024-2060年零度以下温度的天数比 CM5A 和 NorESM1 模型更多（表 8），从而在两种排放情景下都观察到了生物量生产的负面影响。值得注意的是，Braçal 的生物量变化幅度小于 Caniceira，这可能是因为湿润流域的水分更充足，降低了植物的生理压力，提高了桉树林的韧性。生物质产量在布拉萨尔（Braçal）始终高于卡尼塞拉（Caniceira）（图S3），这一现象在所有模型和两种排放情景下都得到验证，这支持了上述假设。因为卡尼塞拉的水分胁迫更高，加之温度胁迫更大以及土壤更浅，这些因素共同限制了桉树的生长和林分的发育（Rocha等人，2023年）。表8显示了在RCPs 4.5和8.5排放情景下，CM5、CM5A和NorESM1气候模型预测的每个集水区温度低于0°C的天数，分别对应三个未来时期（2024–2036年；2037–2048年；2049–2060年）。
生物质产量的变化表明，除了降雨量外，其他环境变量（如空气温度、土壤可用水分含量、土壤类型和质量）也可能对桉树的生长起着重要作用（Battaglia等人，1996年；Battaglia和Sands，1998年）。事实上，不同的种植间距会影响生物质产量，较宽的种植间距由于树木竞争减少以及土壤、水分和气象变量（例如降雨）的更充分利用，从而提高生物质产量（Nardini等人，2020年）。布拉萨尔集水区的梯田区域显示出更高的相对生物质产量，差异范围为2.4%至3.7%，这可能是由于梯田有助于保持土壤中的水分。总体而言，布拉萨尔更高的生物质产量可能归因于更好的土壤气候/生物气候条件，以及每公顷更多的林木数量，反映了更高的年均生长量。根据Oliveira等人（2020年）的研究，密集的桉树种植间距通常会导致更大的生长量，尽管在生长周期结束时，密集种植下的光照和水分竞争会增加，从而降低生长速率。卡尼塞拉较浅的土壤也可能导致相对生物质产量较低，这与SWAT模拟的结果一致，后者评估了更高土壤深度情景下的更高生物质产量。现场观察也证实了特定子流域中土壤深度较浅对桉树生长和活力的限制。这些观察结果对决策具有重要支持作用，有助于考虑转换土地利用和种植新的森林物种，并验证了该地区的SWAT模拟结果。
气候变化对WEI+的影响表现在，两个森林集水区的水文过程（如径流、地下水补给、蒸散量）将受到影响，干旱的卡尼塞拉集水区受到的影响更为严重（见图3），这导致该集水区的WEI+值普遍更高。在三个未来时期，两个集水区的WEI+值在RCP 8.5情景下都低于RCP 4.5情景，这与预测的降雨量和水分产量模式一致。从4月到9月，卡尼塞拉的水分胁迫较为严重（尤其是在2037–2048年），而布拉萨尔的水分胁迫则处于中等至较低水平，表明位于干旱地区的集水区未来可能会遭遇更多的干旱事件（Casadei等人，2020年；Wu等人，2012年）。预计2037–2048年的水分限制将比2049–2060年更加严重，这与随时间增长的降雨量和水分产量相符。
由于缺乏在局部空间分辨率、季节性或月度时间框架内应用WEI+的研究（Casadei等人，2020年），布拉萨尔和卡尼塞拉的WEI+结果只能与在更广泛空间尺度上进行的研究和使用较粗粒度数据集的研究进行比较。根据欧洲环境署（EEA）2019年发布的欧洲主要河流流域WEI+地图（EEA，2019年），包含布拉萨尔在内的沃加河（Vouga River）流域整体水资源压力较低（WEI+ <10%），但夏季水资源压力适中（WEI+ <30%），这与2019至2022年的WEI+数据一致，这些数据用于评估模型预测（图S8）。相比之下，包含卡尼塞拉的泰霍河（Tejo River）流域水资源压力较低（WEI+ <10%）（见图S8）。由于泰霍河流域拥有多个水库，其水资源供应量预计远高于卡尼塞拉，因此WEI+值较低（EEA，2019年；Sondermann和de Oliveira，2022年）。
SWAT模型在模拟森林集水区时存在一些局限性，这些局限性源于其设计初衷是模拟大型河流流域（Arnold等人，1998年）。这种基于物理的半分布式模型最初是为了考虑农业生产实践的影响而开发的（Di Luzio等人，2001年；Neitsch等人，2002年）。尽管SWAT在森林集水区的应用日益增多，但一些局限性仍可能影响植物物候过程和树木生理过程的准确表示。SWAT中嵌入的植物生长模型（EPIC，Williams，1990年）在模拟植被季节性、休眠期和生长期时存在不足（Strauch和Volk，2013年；Alemayehu等人，2017年）。例如，SWAT假设常绿树木在达到最小日照时长时进入休眠期，LAI值随之下降（Heidari等人，2021年），这可能不适用于某些树木。此外，SWAT没有考虑不同CO2浓度对LAI变化的影响（Di Luzio等人，2001年；Neitsch等人，2002年）。通过使用特定地点和特定树木的详细数据集来优化模型参数化，可以克服SWAT的一些局限性（Haas等人，2022b；Alemayehu等人，2017年；Ren等人，2010年；Ma等人，2019年）。多项研究提出了改进SWAT模型以更好地模拟树木生长的方法，包括改进LAI和蒸散量的表示（Alemayehu等人，2017年；Ma等人，2019年；Chen等人，2023年；Karki等人，2023年；An等人，2024年；Li等人，2025年）。此外，开发能够考虑桉树生理特性的生理生长模型对于改进SWAT模拟至关重要（Karki等人，2023年；Karki等人，2025年）。
未来的研究应重点关注使用修订版的SWAT模型（SWAT+；Arnold等人，2018年；Bieger等人，2017年）。尽管目前仍缺乏针对桉树林区的相关研究，但未来研究应考虑应用SWAT+模型。气候变化影响评估基于CMIP5气候模型提供的2024–2060年时期的日变量数据。气候模型的不确定性可能来源于降尺度过程、偏差校正方法、温室气体排放路径（Maurer，2007年）以及模型的假设和参数化（Ficklin等人，2013年）。尽管本研究的重点不是量化气候变化不确定性，但在未来的研究中应对其进行考虑。本研究仅使用了三个气候模型（CM5、CM5A、NorESM1）来评估未来气候影响，但未来研究应使用更多气候模型，并结合最新的EURO–CORDEX CMIP6区域气候模型及其共享社会经济路径（SSP1–2.6、SSP2–4.5、SSP4–6.0、SSP5–8.5）情景（Katragkou等人，2024年）。气候模型提供的CO2浓度数据在SWAT中的处理尚不完善，未来建模方法应包括动态CO2模型，以更准确地模拟水循环和森林生态水文过程。
总之，本研究旨在评估气候变化对葡萄牙半湿润（布拉萨尔）和半干旱（卡尼塞拉）桉树林区生态水文响应的影响。结果表明，SWAT模型能够准确再现两个集水区的主要生态水文过程，是预测气候变化影响的可靠工具。模型良好的整体表现得益于详细的实地数据集（土壤和植物生理数据）以及校准过程（径流、LAI、蒸散量和生物质产量）。虽然预计未来气候条件下空气温度将升高且降雨量减少，但湿润的布拉萨尔集水区的变化更为显著，这与该地区的气候特征相符。尽管水分平衡受到负面影响，但由于CO2的施肥效应，两个集水区的桉树生物质产量预计都会增加。然而，三种RCM模型（CM5、CM5A和NorESM1）对生物质变化的预测结果并不一致，这强调了在制定适应策略时考虑模型不确定性的重要性。未来，半干旱的卡尼塞拉集水区将面临更严重的水资源短缺，尤其是在最极端的排放情景（RCP 8.5）下。这进一步表明，土壤气候特征对集水区的气候变化适应能力有重要影响。像SWAT这样的水文模型为森林管理者提供了关于气候变化下森林水循环的重要技术性和科学见解，有助于他们制定确保林业部门长期可持续性的适应策略。
作者贡献声明：
Dalila Serpa：撰写、审稿与编辑、可视化、项目管理、方法论研究。
Jan Jacob Keizer：撰写、审稿与编辑、项目管理。
David Carvalho：数据收集、数据分析。
Sérgio Fabres：资源协调、项目行政、资金争取。
Ana Quintela：撰写、审稿与编辑、项目管理、资金争取。
João Rocha：撰写、审稿与编辑、原始稿件撰写、可视化验证、软件应用、方法论研究、数据分析、概念化研究。
打赏
