空间插值气象数据在Shuttleworth-Wallace潜在蒸散发模型中的应用

刘 远,周买春

(华南农业大学水利与土木工程学院,广州 510642)



空间插值气象数据在Shuttleworth-Wallace潜在蒸散发模型中的应用

刘 远,周买春

(华南农业大学水利与土木工程学院,广州 510642)

基于Kriging空间插值气象数据、IGBP土地覆盖和AVHRR NDVI数据,利用Shuttleworth-Wallace模型估算韩江流域2000—2006年的潜在蒸散发(PET)。结果表明：流域PET空间分布呈显著的非均匀性,其值在496.6～1741.8 mm/a范围内变化,标准差为165.9 mm/a,主要受区域的气候和植被类型影响;PET随气候的变化和植被的生长呈季节性变化;低分辨率的输入数据会使PET模拟结果在相同尺度的范围内被一定程度地均化;气象站点密度对PET的计算结果有影响,Kriging插值气象数据的站点密度远大于CRU数据,两种数据计算的PET结果的空间分布和季节变化的对比显示,前者计算的PET精度高于后者。

潜在蒸散发;Kriging插值;Shuttleworth-Wallace模型;气象数据;韩江流域

气象数据是研究全球碳循环和水文循环、气候变化、植被生态过程及动态变化等的基础数据。对于小区域的短期研究,通常可自设小型的气象站来获取所需的气象数据;但对于大范围的长期研究,以自主观测来获得完全的气象数据显然是不现实的,使用国家地面气象站的观测数据是唯一可行的途径。由于从气象部门获得数据较复杂，学者们更偏向于使用现成的、易获得的气象数据,如应用最广泛的由英国东安哥拉大学气象研究中心(Climatic Research Unit, CRU)基于国际气象交换站资料建立的CRU数据集。CRU数据覆盖全球,且时间跨度长,在很多研究领域中得到了应用[1-7]。由于CRU数据的低空间分辨率(0.5°,约50 km)无法体现气象要素的空间变异性,使得模拟结果在与之相同的空间尺度内被均化[8]。2001年,国家科技部启动了基础性工作专项资金项目“气象资料共享系统建设”,标志着气象资料公益性共享进入了试点建设和实施阶段。截至2011年底,气象科学数据共享平台共开发了599个基本覆盖大气科学领域的数据集产品,数据量达到116 TB,可在线共享服务的数据量超过了50 TB。这些数据向广大的科研工作者开放,为研究提供了极大的便利。随着这些气象数据在气候、水文、生态等方面的应用,相关的成果不断呈现[9-16]。

潜在蒸散发(potential evapotranspiration,PET)是指充分供水条件下地表的蒸散发能力。Penman-Montieth(P-M)方程[17]是应用最广的潜在蒸散发计算模型之一。P-M方程被称为“大叶”模型,不适用于计算稀疏植被和作物全生育期的蒸散发[18]。在P-M方程的基础上,Shuttleworth和Wallace[19]采用植被冠层和冠层间(或冠层下)裸土表面双源蒸发耦合的阻力网络,构建了适用于稀疏植被的Shuttleworth-Wallace(S-W)模型。S-W模型结构复杂,包含很多参数,需要大量的气象和地面特征数据。随着遥感技术的发展,为区域潜在蒸散发模拟提供了时空连续的地面参数,如地表反射率、植被参数(NDVI、LAI等)、地表温度等。但是,众多的气象要素仍依靠于地面气象站的观测数据,而且作为PET的主要影响因素,气象数据的精度对PET模拟结果有重要的影响,刘远等[20]研究表明,S-W模型的PET计算结果对各气象要素都有着较高的敏感性。利用当前可获得的较多站点的气象数据来替代CRU数据,可望提高S-W模型的PET模拟精度。

本文以我国南方的韩江流域为例,应用多个地面气象站的观测数据,通过Kriging插值获得其空间分布;采用S-W模型计算流域的PET,并与CRU数据计算的PET结果比较,分析不同精度气象数据对PET模拟结果的影响。

1 研究方法

1.1 Kriging插值法

Kriging插值法又称空间自协方差最佳插值法,由南非矿山地质工程师Krige于1951年提出,法国地质学家Matheron于1962年引入区域化变量的概念,将Kriging插值法加以完善[21]。普通Kriging插值法采用区域变量观测点原始数据和变异函数对未观测点的区域化变量进行线性无偏最优估计。通过对预测点周围的各个观测点的观测值赋予不同的权重,累加后得到预测点的估计值,即

(1)

(2)

(3)

式中:Z(x0)为区域化变量在预测点x0处的真值；E(ξ)为ξ的数学期望,Var(ξ)为ξ的方差。根据区域化变量满足二阶平稳或本征假设,应用拉格朗日乘数法求极值,由式(2)(3)可得到Kriging线性方程组:

(4)

式中：μ为拉格朗日乘子;γ(xi-xj)为变异函数,满足

(5)

式中：h为两样本点空间距离;Z(x)和Z(x+h)分别为区域化变量在x和x+h处的真值。

在实际计算中常采用理论变异函数模型来替代实验变异函数,Kriging法常用的理论变异函数模型有球形模型、指数模型、高斯模型、幂函数模型等。其中球形模型是地统计分析中应用最广泛的理论模型,常用于气象物理量场的空间插值，表达式为

(6)

式中:C0为块金常数；C为拱高；C0+C为基台值；a为变程。

1.2 S-W模型

S-W模型中植被地面蒸发由植被冠层腾发和冠层间(或冠层下)裸土地面蒸发两部分组成:

λET=CcETc+CsETs

(7)

(8)

(9)

式中：ET为总蒸散发，mm/d;λ为水汽化潜热，MJ/kg;ETc、ETs分别为郁闭冠层腾发和裸土地面蒸发,以相应潜热表示，MJ/(m2·d),Cc、Cs分别为它们的权重系数;Rn、Rsn分别为冠层和土壤表面的净辐射，MJ/(m2·d);G为土壤热通量，MJ/(m2·d);es和ea分别为饱和水汽压和实际水汽压，kPa;Δ为饱和水汽压-温度曲线的斜率，kPa/℃;ρ为平均空气密度，kg/m3;cp为空气定压比热容,平均大气条件下cp=1.013 kJ/(kg·℃);γ为空气湿度常数，kPa/℃;rcs、rca分别为冠层气孔阻力和冠层边界层阻力，s/m;rsa、raa分别为土壤表面到冠层、冠层到参考高度间的空气动力学阻力，s/m;rss为土壤表面阻力，s/m。

图1 韩江流域位置、水系及IGBP土地覆盖分布

S-W模型参数可归为以下3类分别进行计算:①大气环境参数。S-W模型中与大气环境有关的参数包括λ、es、Δ、ρ、cp和γ,采用Shuttleworth和Allen的方法计算[22-23]。②阻力参数。应用K理论,通过积分土壤表面到冠层的优先高度(preferred height)和冠层的优先高度到参考高度的涡流扩散系数,可得到空气动力学阻力rsa和raa[24];冠层气孔阻力rcs受叶面积指数(leaf area index,LAI)和环境变量(光合有效辐射、水汽压差、温度、土壤水分)的影响,可用Jarvis的方法计算[25];冠层边界层阻力rca采用与叶片宽度有关的平均边界层阻力来计算[19, 26];在计算PET时,假定根系层的土壤含水量为田间持水量,此时土壤表面阻力rss=500 s/m[19, 27]。③能量参数。冠层净辐射Rn使用FAO-56方法中的公式[23],扣除地面的反射,用下垫面的辐射能量平衡来计算,地表面的反射率表示为地面植被LAI的函数[28];土壤表面净辐射Rsn采用Beer指数衰减定律计算;土壤热通量G采用前一时段和后一时段的平均气温的经验公式来计算[23]。

除了土壤表面阻力和土壤热通量外,S-W模型的其他阻力参数和能量参数都与植被参数(LAI、植被高度和叶片宽度)有关。植被LAI使用SiB2方法由AVHRR NDVI反演得到[29];植被高度和叶片宽度通过区分一年生和多年生植被来计算,并与LAI相关联[1]。S-W模型的参数化过程中,需要确定一系列植被冠层参数的阈值(如最小和最大植被高度、最大LAI、最大叶片宽度、地面粗糙高度等),Zhou等[1]根据IGBP(international geosphere-biosphere program)土地覆盖分类,确定了这些参数的相应阈值。

2 研究区域和数据

2.1 研究区域

韩江流域(图1(a))位于115°13′～117°09′E、23°17′～26°05′N范围,覆盖广东东部、福建西南部、江西东南部共22个县市,流域面积30 112 km2。其中山地约占70%,主要分布在流域北部和中部;丘陵约占25%,分布在梅江流域和其他干支流谷地;平原约占5%,主要分布在韩江三角洲。梅江是韩江的主流,在广东大埔的三河坝与汀江汇合后始称韩江,全长470 km。梅江、汀江、韩江干流和三角洲的集水面积分别为13 929 km2、11 802 km2、3 346 km2和1 035 km2。

韩江流域属亚热带气候,受海洋性西南季风影响很大,夏长冬短,雨量充沛,四季常绿。流域多年平均气温20℃,极端最高温度42.8℃(上杭站1952年8月),极端最低温度-7.3℃(梅县站1958年1月);在4—9月的前、后汛期里,西南、东南季风将孟加拉湾和南海的丰沛水汽带入流域,7—10月是热带气旋盛行季节,台风将西太平洋与南海的暖湿水汽带入韩江流域;流域多年平均降水量1 450～2 000 mm,降水量年际变率大,年内季节分配极不均匀,多集中于4—9月,约占全年的80%;流域多年平均水面蒸发量为996～1 406 mm。

2.2 土地覆盖和植被数据

土地覆盖数据采用USGS(United States Geological Survey)建立的GLCC(global land cover characteristics)全球IGBP土地覆盖数据集,该数据将全球土地覆盖分为17种类型,空间分辨率为1 km。图1(b)是韩江潮安水文站(韩江干流控制性水文站)以上流域IGBP土地覆盖分布,流域主要植被是常绿针叶林和农作物(或农作物和自然植被的镶嵌体),约占全流域总面积的90%。

植被NDVI数据采用由NASA(National Aeronautics and Space Administration)GIMMS(global inventor modeling and mapping studies)发布的覆盖全球的半月最大值合成AVHRR NDVI数据,数据空间分辨率是8 km,时间是1981年1月至2006年12月。GIMMS数据经过几何精度纠正、辐射校正、大气校正等预处理,且都已采用最大值合成法以减少云、大气、太阳高度角等的影响,同时还利用经验模式分解减少了由于卫星轨道漂移所产生的噪音,并利用交叉辐射定标的方法,增强了数据的精度。用流域边界裁剪得到韩江流域的NDVI,图2(a)是韩江流域2000—2006年的平均NDVI分布。基于SiB2方法[29],由NDVI和IGBP计算得到流域的LAI,如图2(b)所示。可以看到,植被类型为常绿针叶林的地区,植被覆盖率较高,NDVI和LAI较大;农作物(或农作物和自然植被的镶嵌体)地区的植被覆盖率较低,NDVI和LAI较小;由于采用SiB2方法由NDVI计算LAI时,融入了与1 km分辨率IGBP土地覆盖分类相关的参数,使得LAI的分辨率为1 km,即在1个8 km的NDVI网格中,若IGBP类型不同,计算得到的LAI不同。但在一些大面积IGBP类型相同的区域,同一NDVI网格中计算得到的LAI是相同的,呈现出与NDVI相同的分辨率。

图2 韩江流域2000—2006年平均NDVI和LAI分布

2000—2006年月平均NDVI和LAI的年内变化如图3所示,结果显示两者是同步变化的,且与流域的气候变化相一致;在降水充足的4—9月,植被生长旺盛,而植被对降水的响应通常有1个月的滞后[30],所以NDVI和LAI在5—10月较大;在降水较少的1—3月和12月,植被开始凋落,NDVI和LAI在1—4月较小。

图3 韩江流域AVHRR NDVI和LAI的年内变化

2.3 气象数据

用于空间插值的气象数据来自中国气象科学数据共享服务网(http://cdc.nmic.cn/home.do)提供的“中国地面气候资料月值数据集”。该数据集是中国752个基本、基准地面气象观测站及自动站1951年以来的气候资料月值数据集,内容包括S-W模型所需的平均气温、最高气温、最低气温、水汽压、风速和日照百分率,以及其他一些常用的气象数据。在数据集中获取韩江流域内和附近的45个气象站2000—2006年的月时间序列数据,这些气象站主要分布在广东省、福建省和江西省境内。

用于比较的气象数据是基于国际交换站(其中中国194个)气象资料建立的CRU数据集,其中CRU TS(a gridded time-series dataset)可提供平均气温、最高气温、最低气温、降水、云量、水汽压等地表变量1901—2014年月平均值的,空间分辨率为0.5°×0.5°(约50 km×50 km),覆盖全球陆地; CRU CL(a gridded climatology of 1961—1990 monthly means)可提供1961—1990年多年平均月风速,空间分辨率也是0.5°×0.5°。

3 结果与分析

3.1 气象数据Kriging插值结果及与CRU数据的对比

图4 韩江流域2000—2006年气象要素平均值的插值分布

图5 韩江流域2000—2006年CRU气象要素平均值的分布

根据“中国地面气候资料月值数据集”中获得的韩江流域内和附近的45个气象站2000—2006年的月时间序列数据,利用Kriging插值法得到流域各气象要素的分布场,将其转化为1 km分辨率的栅格图。同时,用流域边界在CRU TS数据中裁剪同期的平均气温、最高气温、最低气温、水汽压和云量数据,将云量转换成日照百分率n/N(n/N=0.923 4-0.048C-0.0042C2,其中C是云量);裁剪CRU CL数据中的多年平均月风速代替2000—2006年各月的平均风速。两种方法得到的各气象要素平均值在韩江流域的分布如图4、图5所示(最高气温和最低气温的分布与平均气温类似,图中未给出)。可以看到,由于“中国地面气候资料月值数据集”的站点密度远高于CRU数据(在中国前者是752个站点,后者是194个站点),所以Kriging插值法得到的气象要素空间分辨率高于CRU数据。但两种方法得到的气象要素空间分布的变化趋势是一致的,其中气温、水汽压和日照百分率随纬度的增大而减小的趋势较明显,风速则从沿海向内陆呈减小趋势。

统计各气象要素月平均值的年内变化,结果如图6所示。两种方法得到的气象要素的季节变化一致;从数值大小来看,两者的平均气温大小基本没有差别,而CRU的水汽压全年都略小于Kriging插值得到的值;由于CRU采用的是1961—1990年的平均风速,其值明显较Kriging插值得到的大,这有可能是因为近30年来流域的城市化建设使得地面粗糙度变大,所以气象站的风速测值较过去小;CRU的日照百分率除1月和12月较Kriging插值得到的值大外,其他月份的值都较小,而且在少数月份(如6月、9月)两种方法得到的值相差较大,这有可能是因为日照百分率与云量直接相关,而云量随空间具有较大的变异性,即使是位置较接近的气象站测到的云量都可能相差较大,CRU和Kriging插值使用不同的气象站数据,导致日照百分率的大小差异较大。

图6 韩江流域2000—2006年气象要素 月平均值的年内变化

3.2 Kriging插值计算的PET及与CRU计算结果的比较

3.2.1 PET的空间分布

分别利用Kriging插值气象数据和CRU数据驱动S-W模型,计算韩江流域2000—2006年的PET(分别记为EK和EC),图7给出了它们的年平均值在流域的空间分布。EK的流域平均值为1 009.7 mm/a,其空间分布具有较大的非均匀性,标准差达165.9 mm/a;最大值为1 741.8 mm/a,出现在流域出口潮安水文站处的水域,因为该处纬度较低,太阳辐射较强,且为水面蒸发,所以EK最大;最小值为496.6 mm/a,出现在流域北部汀江干流附近的多树草地,因为该处纬度较高,太阳辐射较弱,且为矮小植被覆盖,蒸腾作用较弱,所以EK最小。EK有些地方呈现“马赛克”分布,同一“马赛克”中的EK值相近。这些“马赛克”的大小为8 km×8 km,与AVHRR NDVI(或LAI)的栅格大小相同,且位置重合,EK“继承”了NDVI数据的分辨率,说明位置接近时,相同的植被覆盖,EK的大小相当。

图7 韩江流域2000—2006年平均PET分布(单位：mm/a)

EC的流域平均值为951.2 mm/a,比EK小5.8%,且EC的最大和最小值也都较EK的小;从流域内的空间分布看,EC与EK的空间分布基本是一致的。EC同时继承了来自NDVI数据的8 km分辨率和CRU数据的50 km分辨率,使其分布中既存在8 km的“马赛克”,又可见50 km的“块”;由于EC融入了来自IGBP土地覆盖的1 km高分辨率,且不同土地覆盖对PET有较大的影响(见3.2.2),使得这些粗分辨率在EC中表现的并不明显。

3.2.2 PET随植被类型的变化

表1为全流域和流域内4种主要植被覆盖的多年平均LAI和PET值。EK随植被类型的不同有较大的变化。由于常绿针叶林属高大植被,LAI也是4种植被类型中最大的,相比较矮小的农作物和草地,其蒸腾作用更剧烈,所以EK最大;其他3种植被LAI较接近,由于农作物大多分布在流域的南部,太阳辐射较强,所以其EK较大;多树草地、农作物和自然植被的镶嵌体分布都较分散,后者的LAI较大,所以EK较大。除多树草地由于分布分散,相对标准差(标准差与平均值之比)较大外,其余植被覆盖EK的相对标准差几乎在同一水平,说明韩江流域不同植被覆盖EK的地域差异是相类似的,而且都呈从北向南逐渐增大的趋势。

与全流域的计算结果一样,各种植被覆盖计算得到的EK均比EC大,其中常绿针叶林的EK和EC差距明显较其他3种植被小,说明LAI较大时,PET受气象要素的影响较小。全流域和各种植被的EC标准差均比EK的大,因为较低分辨率的CRU气象数据的空间差异较Kriging插值的数据大,所以计算得到的EC空间差异也较大。

表1 韩江流域2000—2006年不同植被覆盖平均LAI与PET

3.2.3 PET的季节变化

图8 韩江流域2000—2006年不同植被覆盖 平均月PET年内变化

图8(a)(b)为全流域和流域内3种主要植被覆盖的多年平均月PET的年内变化,气候变化对流域的EK有较大的影响。常绿针叶林各月的EK都较其他植被的大,多树草地各月的EK都最小。虽然各种植被覆盖的EK大小不同,但是它们随季节的变化是同步的,最小值都出现在1月,最大值都出现在7月。EK在5—10月较大,因为该时段流域的气温较高,太阳辐射强烈,且雨量充沛(占全年雨量的80%以上),植物生长旺盛,蒸腾作用剧烈,所以EK较大。

由CRU气象数据计算得到的各种植被覆盖的EC同样具有季节变化的一致性,而且变化的规律与EK基本相同,较大的EC同样出现在5—10月。但是,各种植被5月和6月的EC基本相等,而EK则较明显地上升,较好地反映了植被的生长趋势。将全流域的EK和EC进行对比(图8(c)),可以发现在6—9月EK明显比EC大。Kriging插值得到的气温和CRU的基本相等,它们计算的PET差异主要是由水汽压、日照百分率和风速引起的。S-W模型的敏感性分析表明[20],PET对水汽压和日照百分率有较高的敏感性,而对风速的敏感性较低,PET随水汽压的增大而减小,随日照百分率的增大而增大。Kriging插值得到水汽压和日照百分率全年都较CRU的大(1月和12月的日照百分率除外),日照百分率相差更为明显,尤其是6—9月,使得这4个月的EK明显比EC大;由于CRU 6月的日照百分率明显下降,使得该月的EC没有较5月上升。

4 结 语

随着气象科学数据共享平台各种数据集的开放和应用,结合覆盖全球的、免费公开使用的土地覆盖数据和反映植被形态随环境(如长期水分胁迫)、季节动态变化的卫星遥感植被数据(NDVI、LAI),将S-W潜在蒸散发模型用于大流域长时段PET模拟成为可能。基于Kriging插值气象数据的S-W模型在韩江流域的应用表明,流域PET空间分布呈显著的非均匀性,PET在496.6～1 741.8 mm/a范围内变化,标准差为165.9 mm/a,主要受区域的气候和植被类型影响;PET随气候变化和植被生长呈季节性变化;低分辨率的输入数据会使PET模拟结果在相同尺度的范围内被一定程度地均化;获得气象空间数据的站点密度对PET的计算结果有影响,Kriging插值气象数据的站点密度远大于CRU数据,两种数据计算的PET结果的空间分布和季节变化的对比显示,前者计算的PET精度高于后者。

流域水文模拟时间尺度一般要达到日,对于洪水预报更是要以小时为尺度,但受输入数据的时间尺度限制,模型估算的潜在蒸散发的尺度往往只到月或旬。大多数学者是将月潜在蒸散发简单应用到日,即认为月内每天潜在蒸散发不变,这无疑均化了潜在蒸散发的时间变异性,对水文模拟的结果造成影响。随着遥感技术的发展,植被数据的时间分辨率不断提高(如MODIS植被数据的时间分辨率可达到8 d),以及各种时间序列(月、日、时)气象数据的开放,使日尺度的潜在蒸散发模拟成为可能。

[1] ZHOU Maichun,ISHIDAIRA H,HAPUARACHCHI H P,et al.Estimating potential evapotranspiration using Shuttleworth-Wallace model and NOAA-AVHRR NDVI data to feed a distributed hydrological model over the Mekong River Basin[J].Journal of Hydrology,2006,327(1/2): 151-173.

[2] ZHOU Maichun,ISHIDAIRA H,TAKEUCHI K.Estimation of potential evapotranspiration over the Yellow River Basin: reference crop evaporation or Shuttleworth-Wallace?[J].Hydrological Processes,2007,21(14): 1860-1874.

[3] 王景凯,郭华东,李新武.2003—2010年中亚地表土壤水对气候变化的响应[J].干旱区研究,2015,23(1): 40-47.(WANG Jingkai,GUO Huadong,LI Xinwu.Responses of surface soil moisture in Central Asia to climate change during 2003—2010[J].Arid Zone Research,2015,23(1): 40-47.(in Chinese))

[4] 赵靖川,刘树华.植被变化对西北地区陆气耦合强度的影响[J].地球物理学报,2015,58(1): 47-62.(ZHAO Jingchuan,LIU Shuhua.Research on the impact of vegetation change on land-atmosphere coupling strength in Northwest China[J].Chinese Journal of Geoghysics,2015,58(1): 47-62 (in Chinese))

[5] 戚颖,王斌,黄金柏,等.CRU数据集在黑龙江省ET0计算中的应用[J].河海大学学报(自然科学版),2014,42(4): 367-371.(QI Ying,WANG Bin,HUANG Jinbai,et al.Application of CRU dataset to calculation ofET0of Heilongjiang Province[J].Journal of Hohai University (Natural Sciences),2014,42(4): 367-371.(in Chinese))

[6] 孙文超,庞博,鱼京善,等.基于分布式水文模型BTOPMC的晋江流域水文循环模拟[J].北京师范大学学报(自然科学版),2013,49(2/3): 145-151.(SUN Wenchao,PANG Bo,YU Jingshan,et al.Simulating hydrological cycle in Jinjiang River Basin with BTOPMC[J].Journal of Beijing Normal University (Natural Science),2013,49(2/3): 145-151.(in Chinese))

[7] 刘晋,魏新平,王军.SWAT模型在密赛流域的应用与比较研究[J].水文,2014,34(6): 49-54.(LIU Jin,WEI Xinping,WANG Jun.Application of SWAT model in Misai Basin[J].Journal of China Hydrology,2014,34(6): 49-54.(in Chinese))

[8] 曹启桓,刘远,周买春,等.基于AVHRR NDVI的Shuttleworth-Wallace模型在韩江流域的应用[J].中山大学学报(自然科学版),2013,52(2): 121-128.(CAO Qihuan,LIU Yuan,ZHOU Maichun,et al.Application of Shuttleworth-Wallace model in Hanjiang River Basin using AVHRR NDVI data[J].Acta Scientiarum Naturalium Universitatis Sunyatseni,2013,52(2): 121-128.(in Chinese))

[9] 牛纪苹,粟晓玲.石羊河流域参考作物蒸发蒸腾量对气候变化的响应模拟及预测[J].水利学报,2014,45(3): 286-295.(NIU Jiping,SU Xiaoling.Simulation and estimation of reference evapotranspiration responsing to climate change in Shiyang River Basin[J].Journal of Hydraulic Engineering,2014,45(3): 286-295.(in Chinese))

[10] 夏婷,王忠静,罗琳,等.基于REDRAW模型的黄河河龙间近年蒸散发特性研究[J].水利学报,2015,46(7): 811-818.(XIA Ting,WANG Zhongjing,LUO Lin,et al.REDRAW-based evapotranspiration characters analysis in Hekou-Longmen Section of the Yellow River[J].Journal of Hydraulic Engineering,2015,46(7): 811-818.(in Chinese))

[11] 徐勇,奚砚涛.江苏省植被覆盖动态变化及其与气候因子的关系[J].水土保持通报,2015,35(4): 195-201.(XU Yong,XI Yantao.Change of vegetation coverage in Jiangsu Province and its relation with climatic factors[J].Bulletin of Soil and Water Conservation,2015,35(4): 195-201.(in Chinese))

[12] 刘宪锋,朱秀芳,潘耀忠,等.1982—2012年中国植被覆盖时空变化特征[J].生态学报,2015,35(16): 5332-5342.(LIU Xianfeng,ZHU Xiufang,PAN Yaozhong,et al.Spatiotemporal changes in vegetation coverage in China during 1982—2012[J].Acta Ecologica Sinica,2015,35(16): 5331-5342.(in Chinese))

[13]蔡辉艺，余钟波，杨传国，等.淮河流域参考蒸散发量变化分析[J].河海大学学报(自然科学版),2012,40(1):76-82.(CAI Huiyi,YU Zhongbo,YANG Chuanguo,et al.Analysis of variation of reference evapotranspiration in Huaihe Basin[J]. Journal of Hohai University (Natural Sciences), 2012,40(1):76-82. (in Chinese))

[14] 马放,姜晓峰,王立,等.基于SWAT模型的亚流域划分方法研究[J].中国给水排水,2015,31(7): 53-57.(MA Fang,JIANG Xiaofeng,WANG Li,et al.Study on subwatershed delineation based on SWAT model[J].China Water & Wastewater,2015,31(7): 53-57.(in Chinese))

[15]朱非林,王卫光,孙一萌,等.汉江流域实际蒸散发的时空演变规律及成因分析[J].河海大学学报(自然科学版),2013,41(4):300-306.(ZHU Feilin,WANG Weiguang, SUN Yimeng,et al.Spatial and temporal variations of actual evapotranspiration and their causes in Hanjiang River Basin[J]. Journal of Hohai University (Natural Sciences), 2013,41(4):300-306. (in Chinese))

[16] 仙巍,邵怀勇.长江上游安宁河流域植被生长变化对气候条件的响应[J].国土资源遥感,2015,27(3): 108-113.(XIAN Wei,SHAO Huaiyong.Responses of vegetation changes to climatic variations in Anning River Basin of upper Yangtze River Region[J].Remote Sensing for Land and Resources,2015,27(3): 108-113.(in Chinese))

[17] MONTEITH J L.Evaporation and environment[C]//19th Symposia of the Society for Experimental Biology.Cambridge: Cambridge University Press,1965: 205-234.

[18] 莫兴国,林忠辉,刘苏峡.基于Penman-Monteith公式的双源模型的改进[J].水利学报,2000,31(5): 6-11.(MO Xingguo,LIN Zhonghui,LIU Suxia.An improvement of the dual-source model based on Penman-Monteith formula[J].Journal of Hydraulic Engineering,2000,31(5): 6-11.(in Chinese))

[19] SHUTTLEWORTH W J,WALLACE J S.Evaporation from sparse crops-an energy combination theory[J].Quarterly Journal of the Royal Meteorological Socciety,1985,111(469): 839-855.

[20] 刘远,周买春,陈芷菁,等.基于S-W模型的韩江流域潜在蒸散发的气候和植被敏感性[J].农业工程学报,2013,29(10): 92-100.(LIU Yuan,ZHOU Maichun,CHEN Zhijing,et al.Sensitivity of the potential evapotranspiration to climate and vegetation in Hanjiang River Basin based on S-W Model[J].Transactions of the Chinese Society of Agricultural Engineering,2013,29(10): 92-100.(in Chinese))

[21] 范玉洁,余新晓,张红霞,等.降雨资料Kriging与IDW插值对比分析:以漓江流域为例[J].水文,2014,34(6): 61-66.(FAN Yujie,YU Xinxiao,ZHANG Hongxia,et al.Comparison between Kirging interpolation method and Inverse Distance Weighting tension for precipitation data analysis: taking Lijiang River Basin as a study case[J].Journal of China Hydrology,2014,34(6): 61-66.(in Chinese))

[22] SHUTTLEWORTH W J.Evaporation[M].New York: McGraw-Hill,1993.

[23] ALLEN R G,PEREIRA L S,RAES D,et al.Crop evapotranspiration-guidelines for computing crop water requirements[R].Roma: Food and Agriculture Organization of the United Nations,1998.

[24] SHUTTLEWORTH W J,GURNEY R J.The theoretical relationship between foliage temperature and canopy resistance in sparse crop[J].Quarterly Journal of the Royal Meteorological Society,1990,116(492): 497-519.

[25] JARVIS P G.The interpretation of the variations in leaf water potential and stomatal conductance found in canopies in the field[J].Philosophical Transactions of the Royal Society B Biological Sciences,1976,273(927): 593-610.

[26] BRISSON N,ITIER B,L’HOTEL J C,et al.Parameterisation of the Shuttleworth-Wallace model to estimate daily maximum transpiration for use in crop models[J].Ecological Modeling,1998,107(2/3): 159-169.

[27] FEDERER C A,VOROSMARTY C J,FEKETE B.Intercomparison of methods for potential evapotranspiration in regional or global water balance models[J].Water Resources Research,1996,32(7): 2315-2321.

[28] UCHIJIMA Z.Maize and rice[M].New York: Academic Press,1976.

[29] SELLERS P J,LOS S O,TUCKER C J,et al.A revised land surface parameterization (SiB2) for atmospheric GCMs,part II: the generation of global fields of terrestrial biophysical parameters from satellite data[J].Journal of Climate,1996,9: 706-737.

[30] 崔林丽,史军,杨引明,等.中国东部植被NDVI对气温和降水的旬响应特征[J].地理学报,2009,64(7): 850-860.(CUI Linli,SHI Jun,YANG Yinming,et al.Ten-day response of vegetation NDVI to the variations of temperature and precipitation in eastern China[J].Acta Geographica Sinica,2009,64(7): 850-860.(in Chinese))

Application of spatially interpolated meteorological data in estimation of potential evapotranspiration using Shuttleworth-Wallace model//

LIU Yuan, ZHOU Maichun

(CollegeofWaterConservancyandCivilEngineering,SouthChinaAgriculturalUniversity,Guangzhou510642,China)

Based on meteorological data generated by Kriging spatial interpolation, International Geosphere-Biosphere Program (IGBP) land cover data, and Normalized Difference Vegetation Index data observed by the Advanced Very High Resolution Radiometer (AVHRR NDVI), the potential evapotranspiration (PET) in the Hanjiang River Basin during the period from 2000 to 2006 was estimated with the Shuttleworth-Wallace (S-W) model. The results show that the spatial distribution of PET over the basin is significantly non-uniform, with annual PET values ranging from 496.6 to 1 741.8 mm/a and an annual standard deviation of 165.9 mm/a. The non-uniform distribution of PET is mainly caused by local climate and vegetation types. PET changes seasonally with climate and the growth of vegetation. Input data with low resolution may homogenize the PET results to a certain extent in the same coverage. The density of the meteorological stations will affect the estimated results of PET. The density of meteorological data from Kriging spatial interpolation is much higher than that of the Climatic Research Unit (CRU) data. The spatial distribution and seasonal change of PET calculated using the Kriging interpolation data and CRU data were compared, and the results show that the PET data calculated using the Kriging interpolation data are more accurate than those using the CRU data.

potential evapotranspiration; Kriging interpolation; Shuttleworth-Wallace model; meteorological data; Hanjiang River Basin

国家自然科学基金(41171029);广东省水利科技创新项目(2009-42)

刘远(1979—),男,副教授,博士,主要从事水文预报和地理信息系统研究。E-mail:lyuan@scau.edu.cn

周买春(1965—),男,教授,博士,主要从事水文及水资源研究。E-mail:mczhou@scau.edu.cn

10.3880/j.issn.1006-7647.2017.01.002

TV11

A

1006-7647(2017)01-0008-09

2015-12-25 编辑：郑孝宇)