基于改进遥感蒸散模型的西南地表蒸散研究

于静 柳锦宝 姚云军 刘志红

摘要：基于卫星遥感资料以及气象站点数据，利用基于地表净辐射、植被指数、月平均气温和月温差的混合型线性双源遥感蒸散模型估算了我国西南地区地表蒸散量，并与MODIS数据作对比验证。结果表明：改进后的遥感蒸散模型估算的蒸散值与MODIS监测的值具有很好相关性，其模拟精度依次为：秋季>冬季>夏季>春季。利用改进后的模型研究了西南地表蒸散，发现近20 a来该地区实际蒸散呈现明显的增加趋势，春、夏两季蒸散量较大，占全年总量的62.3%，春季由东南向西北递减，广西大部分地区以及云南南部实际蒸散量较大，而川西则较小;夏季与秋季呈现由东向西递减的趋势，由广西、贵州、重庆向云南和四川递减;冬季则呈现由南向北递减的规律。

关 键 词：遥感蒸散模型; 地表蒸散; 精度验证; 西南地区

中图法分类号： P33 文献标志码： ADOI：10.16232/j.cnki.1001-4179.2019.01.013

据IPCC第五次评估报告，全球变暖毋庸置疑，1880～2012年全球平均温度已升高0.85℃[1]，地表的持续升温加剧了地表蒸散，致使全球多数地区干旱状况明显加剧。近几年，我国西南地区发生了大面积的干旱，对国民经济和农业发展造成了严重影响。构建易操作的地表蒸散模型进而开展西南地区的干旱监测是旱灾预防、科学灌溉的重要依据，同时也对西南地区的气候变化、碳循环以及环境生态具有重要意义。

近几十年来，由于卫星遥感技术的发展，遥感蒸散估算方法开始使用并逐步发展完善。20世纪70年代主要研究了反射率、亮度、温度对土壤含水量的影响。如Rouse等建立归一化植被指数法（NDVI），利用地表反射率估算蒸散[2]。后期NDVI已成为遥感蒸散模型中的一个重要因子，通过其衍生出来的植被指数模型有距平植被指数（AVI）[3]以及归一化差值水分指数（NDWI）等[4]。至 80 年代，随着Landsat和NOAA/AVHRR系列卫星的发射，结合热惯量与蒸散模型提出了表面热惯量法[5]，李兴华等在研究内蒙古土壤墒情和干旱监测评估过程中，仍沿用此方法[6]。至90年代，MODIS，AMSR-E，TRMM等遥感产品的免费使用进一步推动了全球遥感实际应用研究的发展[7]。90年代后期，地表温度成为遥感蒸散模型研究中的另一个重要因子，水分亏缺指数（WDI）[8]以及温度条件指数（TCI）[9]等干旱指标都基于这一因子构建。但这些早期的遥感蒸散模型只适用于单一地表，很难应用于复杂的陆表，具有局限性。

目前，国内在以能量平衡为基础，采用余项法计算蒸散方面取得了较大进步，主要是根據研究区域特点和观测资料对模型参数的分析，得出了适合研究区域的参数计算方法，且以单层模型的研究与应用较多[10]。陈添宇等利用NOAA/AVHRR遥感资料反演值与地面观测值拟合的方法，得到能量平衡各分量，获得了中国西北地区东部4～8月的日蒸散量及其区域分布特征[11];倪猛等利用地表热量平衡模型估算洛河流域的蒸散发量[12];乔平林等利用MODIS遥感数据反演石羊河流域的蒸散发情况[13];詹志明等利用NOAA/AVHRR资料，分别建立了裸土蒸发和植被覆盖蒸腾模型，并利用植被覆盖度建立了非均匀陆面条件下的区域蒸散量遥感计算模型[14]。与此同时，双层模型的研究也有了长足发展，如辛晓洲等基于两个假设对双层模型进行了简化[15];刘雅妮等对双层模型存在的一些问题和难点进行了评述[16]。潘卫华等遵循SEBAL模型，给出了植被覆盖和裸土2种类型的区域蒸散（发）量计算模型，并对泉州市的蒸散（发）量进行了反演[17]。在SEBS模型的研究与应用方面，利用NOAA数据对黄河三角洲区域蒸散发量进行了较多研究[18-20]。周彦召等利用SEBAL 和改进的SEBAL 模型估算了黑河中游戈壁、绿洲的蒸散发[21];张秀平等基于卫星遥感数据和实测水文气象资料，利用 SEBAL 模型对鄱阳湖湿地及环湖区蒸散发量进行了估算，分析了鄱阳湖湿地蒸散发量分布及年内变化情况[22]。王秋云等基于SEBAL能量平衡模型，利用Landsat 8和MODIS L1B 遥感数据，对北京市蔡家河流域平原造林区的蒸散发量进行了估算[23]。遥感资料与土壤-植物-大气模型结合，也是一种研究蒸散的重要方法。

上述研究中，遥感蒸散模型逐渐由单一化走向复杂化，模型种类也从单层向双层甚至多层进化。但地表实际蒸散估算精度提升的同时，遥感蒸散模型也逐步陷入病态化，在估算反演过程中，需要参数过多，而这些参数又难以通过遥感手段获取，严重限制了模型的地域推广。因此，本文结合Kenlo Nishida建立的线性双源遥感蒸散模型，并利用该模型开展西南地区的地表蒸散估算[24]。

1 材料与方法

1.1 研究区域与数据资料

本文研究的西南地区介于91°21′E～112°04′E，20°54′N～34°19′N 之间[25]，主要行政区域包括广西壮族自治区、重庆市、四川省、贵州省和云南省，面积约136.4万km2，占全国总面积的14.2%。使用的数据资料有：① 气象数据。中国地面累年值月值数据集，包括中国基本、基准和一般地面气象观测站数据。本文选取西南地区的161个气象站点的水汽压、平均气温、最高以及最低气温数据，并利用ArcGIS软件进行插值、裁剪处理。② NDVI数据。包括MODND1M植被指数数据和GIMMS AVHRR NDVI数据集，经过重采样、重投影以及在感兴趣区的提取得到西南地区的NDVI数据。③ 辐射数据。采用FAO 1998年推荐用于计算参考作物量Penman-Monteith公式中的计算方法[26]。

1.2 研究方法

1.2.1 构建混合型线性双源遥感蒸散模型

在模型的构建过程中，沿用Nishida 等[24]提出的线性双源遥感蒸散模型的建模思路。考虑到对蒸散的影响，利用植被覆盖度（ fv ）把蒸散认为是由地球表面裸土蒸发和植被蒸腾两部组成，具体表达式为

fv= NDVI-NDVI min NDVI max -NDVI min （1）

ET=fvETv+（1-fv）ETs（2）

式中，ET表示总蒸散量， ETv表示植被蒸腾，ETs表示土壤蒸发，NDVI max 表示整个植被情况下的NDVI，此时，fv=1; NDVI min 为整个裸土情况下的NDVI，此时，fv=0。

为降低简单线性双源蒸散模型的复杂性，选择地表净辐射Rn和空气昼夜温差的倒数1/（T max -T min ）来简化裸土的蒸散模型，空气昼夜温差的倒数可以用来表示土壤含水量，同时增加经验性系数a1，具体简化公式为

ETs= a1RnT max -T min （3）

式中，利用空气昼夜温差来代替地表昼夜温差，主要是因为空气温度可以通过气象资料获得，而遥感反演的地表温度产品受云的影响很难获取每天的完整数据。

为了简化植被蒸散函数，在本研究中，认为地表净辐射Rn是植被蒸散的最主要控制因子，然后选择其他的重要参数包括空气温度T、空气昼夜温差的倒数1/（T max -T min ）通过增加经验系数a2和a3来获得简易植被蒸散方程

ETv=a2RnT+ a3RnT max -T min （4）

为了获取整个植被和土壤的蒸散量，增加a0Rn作为整个蒸散的订正项，这主要是因为地表净辐射是蒸散的最主要控制因素。这样考虑到式（1）、（2）、（3）和（4），蒸散方程可以表达为

ET=（1-fv） a1RnT max -T min +fv a2RnT+ a3RnT max -T min +a0Rn（5）

考虑到fv是NDVI的函数，可以利用NDVI进行进一步简化得到混合型线性双源遥感蒸散模型：在模型的构建过程中，沿用Nishida等的线性双源遥感蒸散模型的建模思路。考虑到NDVI对蒸散的影响，利用NDVI进行简化得到混合型线性双源遥感蒸散模型

ET=Rn（b0+b1NDVI×T+ b2NDVIT max -T min + b3T max -T min ）（6）

式中，ET表示地表蒸散，Rn表示地表凈辐射，NDVI代表归一化植被指数，T max 代表最高空气温度，T min 代表最低空气温度，b0，b1，b2，b3为回归系数。将预处理的气象站点数据以及MODIS产品数据代入模型，求取回归系数。

1.2.2 混合型线性双源遥感模型精度验证

通过MODIS的实际蒸散产品与模型拟合得到的实际蒸散计算相关系数，来验证混合型线性双源遥感模型的精度。将预处理得到的西南地区2000～2014年的MODIS实际蒸散产品数据按照气象站点的经纬度提取130个代表点，同时，提取相同位置的拟合实际蒸散数据，并进行相关性计算。由图1和图2分析发现：

① 拟合实际蒸散与实际蒸散产品的相关系数春季、夏季、秋季呈现正相关，仅冬季呈现不显著的负相关（相关系数为-0.003）。② 散点图得到的结果有别于相关系数分布图，表现为春季拟合效果最差，而夏季、秋季以及冬季的拟合效果更好，且拟合趋势线通过了 0.05 的显著性水平检验。相关系数是面向西南地区全部的点实现的，而散点图仅提取了与站点对应的值。考虑到插值的误差，笔者认为散点图得到的结果更能说明混合型线性双源遥感模型的精度。

2 结果与分析

西南地区实际蒸散量年内变化呈现单峰型。图3给出了西南地区平均月实际蒸散量的分布以及各月的分配比。由图3（a）可见，实际蒸散量峰值出现在7月份，占年总量的13.2%，其次为8月和6月，分别占年总量的12.65%和12.16%;最小值出现在12月，实际蒸散量为34.03 mm，占比4.6%。 表1给出了各季度实际蒸散量及占全年总量的比值。

由表1可见，西南地区春、夏两季蒸散量最大，占全年总量的62.3%，而秋冬季则较小，占37.6%，一定程度上说明了春夏两季的蒸散量对水循环起着重要作用。图3（b）给出了西南地区实际蒸散量呈明显增加趋势，这与前文提到的许多学者的研究成果吻合，实际蒸散量的大小变化受到太阳辐射、空气温度、风速、空气湿度等多种因素的影响。苏秀程等研究发现进入21世纪以来，西南地区的平均温度、平均风速、日照时数的上升以及相对湿度的下降，使得蒸散量增加明显[27];韩兰英等的研究也说明了1961～2012年间，西南年平均温度明显增加[28]。

由图4可知，空间分布上，蒸散量春季由东南向西北递减，广西大部分地区以及云南南部实际蒸散量较大，而川西则较小;夏季与秋季呈现由东向西递减的趋势，由广西、贵州、重庆向云南和四川递减;冬季则呈现由南向北递减的规律。此空间分异特征是由于西南降水在地区分布上的极不均匀造成的，西南降水呈现出由东南向西北降低，分布特点为南多北少，东多西少。3 讨 论

（1） 本文构建的混合型线性双源遥感蒸散模型通过了精度验证，能够较好地模拟西南地区近20 a的实际蒸散，一定程度上克服了传统估算模型参数多、模型复杂、难以利用的缺点。但研究中使用的MODIS产品数据（植被指数 NDVI、陆表温度LST以及蒸散ET ）较易受到天气条件的影响，会给结果带来一定的误差。

（2） 模型精度评价过程中缺少实测的地表蒸散数据做对比验证，仅利用产品数据进行评价，无法说明具体的可行性，也难以提高模型精度，且对于进一步的干旱监测工作开展也存在重要影响。对于这一问题，后期研究中将采用间接验证的方法来研究其精度，拟通过使用实测的土壤湿度数据验证干旱状况，以说明本文研究的科学性。

4 结 论

通过构建混合型线性双源遥感蒸散模型并对西南地区的地表蒸散进行研究，得到如下结论。

（1） 混合型线性双源遥感蒸散模型获得的模拟值与MODIS产品数据对比，相关性较好，其模拟精度适用于大面积尺度的地表蒸散研究。

（2） 西南地区实际蒸散近20 a来呈现明显的增加趋势，时间上，西南地区春、夏两季蒸散量最大，占全年总量的62.3%，而秋冬则较小，占37.6%;空间上，春季由东南向西北递减，广西大部分地区以及云南南部实际蒸散量较大，而川西则较小;夏季与秋季呈现由东向西递减的趋势，由广西、贵州、重庆向云南和四川递减;冬季则呈现由南向北递减的规律。

参考文献：

[1]沈永平，王国亚.IPCC第一工作组第五次评估报告对全球气候变化认知的最新科学要点[J].冰川冻土，2013，35（5）：1068-1076.

[2]Rouse J W，Haas R W，Schell J A，et al.Monitoring the vernal advancement and retrogradation（green wave effect）of natural vegetation[R].NASA/GSFC Type III Final Rep，1974，371.

[3]Chen W Y，Xiao Q G，Sheng Y W.Application of the anomaly vegetation index to monitoring heavy drought in 1992[J].Remote Sensing of Environment China，1994，9（2）：106-112.

[4]Feng Q，Tian G L， Wang A S，et al. Experimental Study on Drought Monitoring by Remote Sensing in China by Using Vegetation Condition Indexes（Ⅰ）-Data Analysis and Processing[J].Arid Land Geography，2004，27（2）：131-136.

[5]Price J C.The potential of remotely sensed thermal infrared data to infer surface soil moisture and evaporation[J].Water Resources Research，1980，16（4）：787-795.

[6]李兴华，李云鹏，杨丽萍.内蒙古干旱监测评估方法综合应用研究[J].干旱区资源与环境，2014，28（3）：162-166.

[7]郭铌，王小平.遥感干旱应用技术进展及面临的技术问题与发展机遇[J].干旱气象，2015（1）：1-18.

[8]Moran M S，Clarke T R，Inoue Y，et al.Estimating crop water deficit using the relation between surface-air temperature and spectral vegetation index[J].Remote Sensing of Environment，1994，49（3）：246-263.

[9]Kogan F N，Application of vegetation index and brightness temperature for drought detection[J].Advance in Space Research，1995，15（11）：91-100.

[10]李星敏，盧玲，杨文峰，等.遥感技术在区域农田蒸散研究中的应用[J].西北农林科技大学学报：自然科学版，2009， 37（8）：161-170.

[11]陈添宇，陈乾，李宝梓.用卫星资料反演中国西北地区东部蒸散量的遥感模型[J].水科学进展，2006，17（6）：834-840.

[12]倪猛，陈波，岳建华，等.洛河流域蒸散发遥感反演及其与各参数的相关性分析[J].地理与地理信息科学，2007，23（6）：34-37.

[13]乔平林，张继贤，王翠华，等.区域蒸散发量的遥感模型方法研究[J].测绘科学，2006，31（3）：45-46.

[14]詹志明，冯兆东，秦其明.陇西黄土高原陆面蒸散的遥感研究[J].地理与地理信息科学，2004，20（1）：16-19.

[15]辛晓洲.用定量遥感方法计算地表蒸散[D].北京：中国科学院研究生院，2003.

[16]刘雅妮，武建军，夏虹，等.地表蒸散遥感反演双层模型的研究方法综述[J].干旱区地理，2005，28（1）：65-71.

[17]潘卫华，徐涵秋，李文，等.卫星遥感在东南沿海区域蒸散（发）量计算上的反演[J].中国农业气象，2007，28（2）：154-158.

[18]张长春，王光谦，魏加华，等.联合TM和NOAA数据研究黄河三角洲地表蒸发（散）量[J].清华大学学报：自然科学版， 2005（9）：1184-1188.

[19]崔亚莉，徐映雪，邵景力，等.应用遥感方法研究黄河三角洲地表蒸发及其与下垫面关系[J].地学前缘，2005，12（s1）：159-165.

[20]潘志强，刘高焕.黄河三角洲蒸散的遥感研究[J].地球信息科学学报，2003， 5（3）：91-96.

[21]周彦昭，周剑，李妍，等.利用SEBAL和改进的SEBAL模型估算黑河中游戈壁、绿洲的蒸散发[J].冰川冻土，2014，36（6）：1526-1537.

[22]张秀平，许小华，雷声，等.基于遥感技术的鄱阳湖湿地蒸散发估算研究[J].人民长江，2014， 45（1）：28-31.

[23]王秋云，胡海棠，吴良才，等.基于SEBAL模型的蔡家河流域平原造林区蒸散发量研究[J].福建林业科技，2016（4）：21-26.

[24]Nishida K，Nemani R R， Running S W，et al. An operational remote sensing algorithm of land surface evaporation[J].Journal of Geophysical Research Atmospheres，2003，108（108）：469-474.

[25]马建华.西南地区近年特大干旱灾害的启示与对策[J].人民长江，2010，41（24）：7-12.

[26]刘新安，于贵瑞， 何洪林，等.中国地表净辐射推算方法的研究[J].自然资源学报，2006，21（1）：139-145.

[27]苏秀程，王磊，李奇临，等.近50 a中国西南地区地表干湿状况研究[J].自然资源学报，2014，29（1）：104-116.

[28]韓兰英，张强，姚玉璧，等.近60 a中国西南地区干旱灾害规律与成因[J].地理学报，2014，69（5）：632-639.

引用本文：于 静，柳锦宝，姚云军，刘志红.基于改进遥感蒸散模型的西南地表蒸散研究[J].人民长江，2019，50（1）：70-74.

Study on land surface evapotranspiration in southwest China basedon mixed linear dual source remote sensing evapotranspiration model

YU Jing LIU Jinbao YAO Yunjun3，LIU Zhihong1

（1. College of Resources and Environment， Chengdu University of Information Technology ， Chengdu 610225， China;2. Key Laboratory of Meteorological Disaster of Ministry of Education， Nanjing University of Information Science and Technology， Nanjing 210044， China;3.College of Global Change and Earth System Science， Beijing Normal University ，Beijing 100875， China）

Abstract：With satellite remote sensing data and meteorological data， the surface evapotranspiration in southwest China is estimated by mixed linear dual source remote sensing evapotranspiration model based on surface net radiation， vegetation index， monthly mean temperature and monthly temperature difference and the results are compared with the product data of MODIS. The results show that evapotranspiration estimated by improved remote sensing evapotranspiration model has a good correlation with the MODIS monitoring data， the order of simulation accuracy is autumn > winter > summer > spring; besides， in the past 20 years， the actual evapotranspiration in southwest China has increased obviously， and the evapotranspiration in spring and summer is larger， accounting for 62.3% of the total annual one; in spring， the evapotranspiration shows a descending trend from the southeast to northwest， the actual evapotranspiration in most of Guangxi and southern Yunnan is larger and the west Sichuan is smaller; in summer and autumn， the evapotranspiration shows a decreasing trend from east to west， i.e， from Guangxi， Guizhou， Chongqing to Yunnan and Sichuan; in winter， the trend is decreasing from the south to the north.

Key words： remote sensing evapotranspiration model; surface evapotranspiration; accuracy verification; Southwest China