考虑坡面地形的蒸散发遥感估算及空间分布研究

为了研究非均匀地表的蒸散特征,结合地面气象资料,考虑地形效应增加了坡地辐射计算方法,结合Landsat 8波段特征构建双层蒸散发遥感模型。以北京市西北方位的水源上游区为例,进行了蒸散发的估算、验证与分析。估算结果与地表通量站实测值对比发现,感热通量和潜热通量的平均误差分别为4.12%和8.36%,确定系数为0.82和0.98,相关关系较强;与坡地日蒸散发观测数据对比,平均相对误差为8.12%,均方根误差为0.35mm/d,具有较好的估算精度。结合土地利用探讨了水热通量、蒸散发的空间分布情况,同时分析了蒸散发与坡面地形之间的关系:坡度小于35°时,随坡度上升,日蒸散发有较为明显的增加趋势;当坡度大于35°时,受植被覆盖率影响,各季节代表日的日蒸散发呈现不同的变化趋势。各季节代表日蒸散发与坡向同样存在较为显著的相关关系,趋势线呈反抛物线。     

基于不同ELM的西北旱区参考作物蒸散量模拟模型

参考作物蒸散量(reference crop evapotranspiration,ET0)的精准模拟是智慧灌溉、农田水分高效利用及水资源优化调度的重要依据。为有效提高气象资料缺乏情况下对西北旱区ET0的模拟精度,在西北旱区选取4个代表性站点,并以FAO 56 Penman-Monteith(P-M)模型的ET0计算结果为标准值,基于"sin"、"radbas"和"hardlim"3种激活函数构建27种极限学习机模型(extreme learning machine,ELM,分别记为ELM-sini、ELM-radj、ELM-hardk),并将其模拟结果与Hargreaves-Samani(H-S)、Makkink(MK)、Irmark-Allen(I-A)模型进行比较。结果表明:ELM-sin7(输入u2、Tmax和Tmin)的R2和NSE均大于0.96,RMSE小于0.35 mm/d,其GPI排名第4,模型模拟精度较高; ELM-rad5(输入Tmax、Tmin和n)和ELM-sin8(输入Tmax和Tmin)的R2和NSE分别大于0.78和0.76,RMSE小于0.93 mm/d; H-S、MK和I-A模型的R2和NSE分别小于0.77和0.63,RMSE大于1.00 mm/d,可见ELM-rad5和ELM-sin8模型精度明显高于相同输入下的其他物理模型;基于ELM-sin7探究隐含层节点数对模型精度的影响发现隐含层节点数为60～100时模型精度最高;基于ELMsin7模型进行可移植性分析发现,ELM-sin7在西北旱区内各训练站点和模拟站点组合下模拟精度较高。因此,在相同气象因子组合输入下,ELM-sini和ELM-radj模型模拟精度明显高于ELM-hardk,其中ELM-sin7模拟精度较高适用于西北旱区气象因子较少时的ET0模拟;而较传统物理模型,仅有温度和日照时数时ELM-rad5模型在西北旱区适用性更好,仅有温度时ELM-sin8模型在西北旱区适用性更强。     

汾河灌区参考作物蒸散发量变化趋势及影响要素分析

气候变化直接影响着区域的水循环和水资源管理,而研究潜在蒸散发的变化趋势及其影响要素对于灌区的水资源管理具有重要的作用。选择汾河灌区,利用灌区内气象站的长系列数据,分析了灌区内参考作物蒸散发(ET0)的变化趋势及主要影响要素。结果表明,1951―2014年,灌区ET0没有明显的变化趋势,这主要是由于温度升高和相对湿度降低引起的ET0增加与风速下降和日照时间减少引起的ET0下降相当。温度、相对湿度和风速变化主要影响4―6月ET0,而日照时间则主要影响了5―9月的ET0。     

一种简化蒸散发遥感反演模型及其在灌区的应用

提出简化的地表能量平衡模型(SSEB)将站点作物蒸散发量递推到整个灌区。首先由气象观测资料计算作物潜在蒸散发量,结合Landsat ETM+60 m热红外波段反演的地表温度差异把站点单日ET扩展到灌区,再融合ETM+和MODIS 1 km热红外时间系列数据,进一步提取全年灌区尺度蒸散发分布图。用湖北漳河灌区2000年的影像资料,将SSEB与SEBAL模型计算结果进行对比,结果表明,二者的决定系数R2达到了0.89。漳河灌区蒸散发主要来源于二、三干渠,年总蒸散发量中,作物蒸发蒸腾占67%,林地蒸散发占17%,水面加上裸地等其它用地的无效蒸散发占16%。     

基于MEA-BPNN的西北旱区参考作物蒸散量预报模型

为有效提高西北旱区参考作物蒸散量(Reference crop evapotranspiration,ET0)预报精度,在西北旱区选择5个代表性气象站点,构建10种基于思维进化算法(Mind evolutionary algorithm,MEA)优化的误差反向传波神经网络(Back propagation neural network,BPNN)ET0预报模型,并将其与Hargreaves-Samani模型、Irmak模型和48-PM模型等3种在西北旱区ET0计算精度较高的模型进行比较。结果表明:在不同输入的情况下MEA-BPNN模型模拟精度具有相对较高水平,其中MEA-BPNN1(输入最高气温Tmax、最低气温Tmin、相对湿度RH、日照时数n和距地面2 m高处的风速u2)、MEA-BPNN2(输入Tmax、Tmin、n和u2)及MEA-BPNN3(输入Tmax、Tmin、RH和u2)模型的R2、NSE均大于0.96,RMSE、MAE也分别小于0.34、0.25 mm/d,以上3种MEA-BPNN模型的整体评价指标(Global performance indicator,GPI)排名分别为1、2、3;MEA-BPNN7(输入Tmax、Tmin和u2)的R2、NSE分别为0.966 2、0.962 2,RMSE、MAE分别为0.361 0、0.276 1 mm/d,模拟精度较高;MEA-BPNN模型可移植性的分析表明:MEA-BPNN模型在西北旱区具有较强的泛化能力,基于不同站点数据构建的预报模型也有较高精度;在相同输入情况下MEA-BPNN模型模拟精度均高于Hargreaves-Samani模型、Irmak模型和48-PM模型。因此,在气象资料缺乏情景下MEA-BPNN模型可作为西北旱区ET0计算的推荐模型,可为实时精准灌溉预报的实现提供科学依据。     

西北地区冬小麦腾发量估算模型适用性评价

为实现对西北地区冬小麦腾发量(ET)的准确估算,在对不同生育期ET的影响因子进行分析后分别采用双作物系数模型、单作物系数模型和Priestley-Taylor(PT)模型模拟ET,并以大型蒸渗仪实测ET为标准值对比其精度.结果表明:气象因子是播种-返青(Ⅰ期)和抽穗-乳熟(Ⅲ期)ET的主导因子,作物因子是乳熟-收获(Ⅳ期)ET的主导因子,2种因子对返青-抽穗(Ⅱ期)和全生育期ET的驱动作用相近;Ⅰ期双作物系数模型、单作物系数模型和PT模型的R²分别为0.511 8,0.239 3,0.374 2,RMSE变化范围为0.284 6~0.366 3 mm/d,总体评价指标GPI排名分别为1,3,2;Ⅱ期3个模型的R²均在0.700 0 以上,RMSE为0.540 9~0.844 0 mm/d,双作物系数模型模拟效果最好;Ⅲ期各模型的R²均高于0.600 0,RMSE为0.828 8~1.258 7 mm/d,双作物系数模型GPI排名第1;Ⅳ期3个模型的R²分别为0.799 1,0.671 6,0.270 8,RMSE为0.968 1~1.946 2 mm/d,作物系数模型模拟精度明显高于PT模型;全生育期各模型RMSE为0.551 5~0.893 6 mm/d,双作物系数模型的R²达到0.902 2.     

下垫面特征变化对于旱区蒸散发的影响

下垫面土地利用类型及其变化对蒸散发(ET)的影响机制是一个重要课题,对旱区农业发展具有十分重要的意义。随着气候变化和人类活动范围扩张,中国旱区黄土高原的下垫面土地利用类型发生了巨大的改变,区域蒸发能力发生显著变化。结合卫星遥感数据和地面观测数据,基于Penman-Monteith-Leuning蒸散发反演模型,收集2010-2015年旱区内98个站点的土地利用类型数据,对区域ET值变化特征进行定量研究。分析不同下垫面土地利用类型的蒸发能力变化特征,重点观察水田、旱地、草地转变为城市的过程对蒸散发的影响。发现旱地城镇化过程显著增加了区域蒸散发能力,ET变化幅度为0.044 9 mm/a。草地城镇化削弱了区域蒸发能力,ET变化幅度为-0.024 8 mm/a。水田城镇化过程中,区域蒸发能力没有明显变化。     

基于数据融合算法的灌区蒸散发空间降尺度研究

采用Landsat和MODIS数据,通过增强自适应融合算法(Enhanced spatial and temporal adaptive reflectance fusion model,ESTARFM)对蒸散发进行空间降尺度,构建田块尺度蒸散发数据集;利用2015年田间水量平衡方法计算的蒸散发数据对融合结果进行评价。在融合蒸散发基础上,结合解放闸灌域2000—2015年间种植结构信息,提取不同作物各自生育期和非生育期内年际蒸散发量,并分析了大型灌区节水改造以来,作物蒸散发占比的年际变化。研究结果表明:融合蒸散发与水量平衡蒸散发变化过程较吻合,小麦耗水峰值出现在6月中下旬—7月初,玉米和向日葵峰值出现在7月份。在相关性分析中,玉米、小麦和向日葵的决定系数R2分别达到了0.85、0.79和0.82;生育期内玉米(5—10月份)、小麦(4—7月份)和向日葵(6—10月份)的均方根误差均不高于0.70 mm/d;平均绝对误差均不高于0.75 mm/d;相对误差均不高于16%。在农田蒸散发总量验证中,融合蒸散发与水量平衡蒸散发相关性较好,两者决定系数达到了0.64。基于ESTARFM融合算法生成的高分辨率蒸散发(ET)结果可靠,具有较好的融合精度。融合结果与Landsat蒸散发的空间分布和差异性一致,7月23日、8月24日和9月1日相关系数分别达到0.85、0.81和0.77;差值均值分别为0.24 mm、0.19 mm和0.22 mm;标准偏差分别为0.81 mm、0.72 mm和0.61 mm。ESTARFM融合算法在农田蒸散发空间降尺度得到较好的应用,可有效区分不同作物蒸散发之间的差异。不同作物在生育期和非生育期内耗水量差别较大;生育期内套种(4—10月份)耗水量最大,达到637 mm,玉米(5—10月份)和向日葵(6—10月份)次之,分别为598 mm和502 mm,小麦(4—7月份)最低为412 mm;非生育期内,小麦(8—10月份)耗水量最大,年均达到214 mm,玉米(4月份)和向日葵(4—5月份)分别为42 mm和128 mm。不同作物多年平均耗水量(4—10月份)差异较小,其年际耗水总量主要随作物种植面积的变化而变化。     

基于MOD16的澴河流域蒸散发时空分布特征

【目的】研究流域尺度上的蒸散发分布规律,为流域水资源评价和农业生产提供依据。【方法】基于2000―2013年的MOD16蒸散发数据集,选取澴河花园站以上流域为研究区,对年际、年内以及不同土地利用类型下的流域实际蒸散发(ET)和潜在蒸散发(PET)进行了研究。【结果】针对本流域ET与PET计算,MOD16数据集的精度总体上符合要求,可用于蒸散发研究;2000―2013年,研究区多年平均ET为635 mm,总体上呈北高南低、东高西低的趋势。多年平均PET为1 536 mm,总体上北部丘陵地区最低,山区最高,其他区域分布较为均衡;ET呈逐年下降趋势,年际变化率5.53 mm/a,显著下降区域分布在平原地区。PET呈上升趋势,年际变化率16.13 mm/a,显著上升区域集中于丘陵地区;以ET和PET差值D反映流域的干旱程度,流域干旱情况呈现上升趋势,在3―6月和9―10月更易出现干旱现象,易旱区域主要为平原地区;不同土地利用类型下的ET在3―11月表现出差异性,从大到小依次为林地草地农田城镇。PET从大到小依次为城镇农田草地林地,林地PET峰值出现在6月,其他均出现在5月。【结论】由于气候条件和人类活动的影响,2000―2013年,澴河流域内ET有所下降,而PET有所上升,平原地区缺水情况最为明显。     

基于支持向量机的干旱区月潜在蒸散发的模拟

探讨支持向量机回归模型模拟无风速和日照时数条件下潜在蒸散发的有效性,为气象资料短缺的干旱地区提供潜在蒸散发模拟的新途径。根据西北干旱区石羊河流域5个气象站1999―2009年基准期的日气象资料,用Penman-Monteith方程计算月潜在蒸散发量,采用支持向量机回归模型(SVR)模拟潜在蒸散发。以均方根误差(RMSE)、平均绝对误差(MAE)、确定性系数(DC)以及相关系数(R)作为模型的性能评价指标。结果表明,在模拟月潜在蒸散发时,无论在训练期还是验证期,当输入变量为最高气温、最低气温、平均气温、相对湿度、风速和日照时数等6个气象因子时,SVR模型取得了较好的模拟效果,各站的R和DC均在0.9以上;当输入气象变量为最高气温、最低气温、平均气温及相对湿度4个气象因子时,SVR模型对月潜在蒸散发的模拟精度略低于6个因子输入的精度,但各站的R和DC依然在0.9以上,说明在无风速和日照时数两个气象因子时,SVR模型可以有效的模拟干旱区月潜在蒸散发量。     

基于SEBAL模型和Landsat-8遥感数据的农田蒸散发估算

【目的】及时准确地获取农田蒸散发量,为科学管理农田灌溉、精准估算作物产量和预报土壤水分动态、合理开发水资源等提供有效依据。【方法】以广利灌区为研究对象,基于SEBAL模型利用Landsat-8数据对研究区域农田蒸散发进行估算,通过地表参数计算净辐射通量、土壤热通量和感热通量,利用余项法求得潜热通量及瞬时蒸散发。假定24 h内蒸散比不变,由瞬时蒸散发扩展到日蒸散发量,最终求得研究区的日平均蒸散发量,将模型计算结果与彭曼公式进行了对比,同时结合灌区提供数据对计算结果进行了验证。【结果】彭曼公式计算2014年5月6日和2015年9月14日蒸散量与实测结果相差分别为5.2%和9.4%,SEBAL模型估算得到2014年5月6日和2015年9月14日的日蒸散量与灌区提供日蒸散量相差4.5%、6.0%,且冬小麦及夏玉米蒸散发在空间上存在一定的差异性,主要集中在灌区中部区域及西南区域。【结论】SEBAL模型计算结果具有较高的精度,而且方法相对快捷高效。     

基于多源数据的内蒙古察汗淖尔流域作物生育期实际蒸散发分析

探究区域作物生育期实际蒸散发及其空间分布特征,为区域节水潜力评价提供依据.研究结合多源数据(种植结构、遥感数据和气象数据等)和遥感陆面蒸散反演方法,得到作物实际蒸散发(ET),并根据作物不同生长阶段的变化特点结合气象资料估算遥感数据缺失时期的ET.①基于遥感数据和SEBAL模型能够准确反演流域空间尺度的日蒸散发量,其生育初期和中期平均误差分别为11.49％和6.22％.5-7月,日蒸散发逐渐增大,且在7月达到峰值,8-10月日蒸散发逐渐降低,9-10月降低趋势较大;②不同作物之间,生育期ET差异明显,甜菜>土豆>玉米>小麦,分别为619.72 mm、558.67 mm、492.51 mm、456.58 mm.作物生育期ET变化范围分别在476.02～795.73 mm、405.41～684.84 mm、345.11～683.35 mm和313.34～604.62 mm之间;③同种作物因灌溉制度不同,其作物生育期ET在空间上表现出差异性.受流域南北降雨不均影响,4种主要作物生育期ET呈现明显的由南向北递减趋势.北部湖泊附近的小麦,因土壤含水量较高,其生育期ET高于周边其他区域.针对内蒙古察汗淖尔流域内作物生育期ET空间分布差异明显,部分区域地下水超采严重等特点,调整流域内种植结构及灌溉制度尤为重要.     

近20年黄河源区陆地水储量增加及其可能原因分析

黄河源区陆地水储量对黄河流域生态保护与高质量发展国家重大战略的实施起到至关重要作用。利用长短期记忆（LSTM）网络模型,基于GRACE和GRACE-FO重力卫星产品与GLDAS产品分析了黄河源区2002年4月至2020年3月的陆地水储量变化特征,并探讨了降水和蒸散发对陆地水储量变化的影响。结果表明：LSTM模型可用于重建GRACE与GRACE-FO产品之间的数据缺失,其在验证期的皮尔逊相关系数为0.923、纳什效率系数为0.816。此外,GRACE产品具有好的准确性,与GLDAS数据的皮尔逊相关系数为0.737。黄河源区陆地水储量呈现先增加后降低再增加的变化趋势,整体上有着明显的增加趋势。相对地下水和雪水当量,土壤水的增加是陆地水储量增加的主要贡献成分。降水量增加是黄河源区陆地水储量增加的重要原因,而蒸散发量下降是源区陆地水储量上升的可能原因。     

农业发展对东北地区参考作物蒸散发量变化趋势的影响

为了确定东北地区参考作物蒸散发量ET0的历史变化趋势是否受到了农业发展的影响,为农业水资源高效利用提供支撑.利用东北地区109个气象站1961-2017年日气象数据计算参考作物蒸散发量,并确定全年、生长季(5-9月)和非生长季(10-4月)的变化趋势.利用站点周围5 km半径范围内耕地面积比例(CF)作为衡量农业活动影...     

基于数值天气预报后处理的参考作物蒸散量预报改进

针对基于数值天气预报（Numerical weather prediction,NWP）对参考作物蒸散量（Reference crop evapotranspiration,ET0）进行预报通常需要数据偏差校正的问题,基于LightGBM机器学习方法和我国西北地区9个气象站点数据提出一种对第二代全球集合预报系统（Global ensemble forecast system,GEFSv2）预报气象因子进行偏差校正的方法（M3）。该方法使用太阳辐射、最高和最低气温、相对湿度和风速集合分别对每个气象因子进行重预报,再计算ET0。使用等距离累积分布函数（EDCDFm,M1）和单气象因子输入的LightGBM法（M2）对模型精度进行评估。结果表明,GEFSv2的预报因子与相应的观测气象因子之间存在不匹配问题,其不匹配程度因气象因子不同而不同,太阳辐射的匹配度较高,相对湿度的匹配度较低。M3模型有助于缓解数据不匹配问题。M1、M2和M3方法在9站点预报ET0的平均均方根误差（RMSE）分别介于0.66~0.93mm/d、0.57~0.83mm/d和0.53~0.79mm/d,平均绝对误差（MAE）分别介于0.44~0.61mm/d、0.38~0.56mm/d和0.35~0.53mm/d,决定系数（R2）分别介于0.82~0.91、0.84~0.93和0.86~0.94。3种方法均在夏季误差最大,1~16d平均RMSE分别为1.21、1.18、1.04mm/d。各预报因子中太阳辐射对ET0预报误差影响最大,其后依次是风速、最高气温、相对湿度和最低气温。在后处理过程中,NWP的最高气温预报值对其他因子预报精度的贡献最大、对相对湿度预报精度的贡献最小。建议在进行NWP偏差校正时,应考虑数据不匹配问题,通过多因子校正来弥补预报精度的不足。     

基于两种人工智能模型的石羊河流域日潜在蒸散发模拟精度比较

潜在蒸散发(ET_0)是估算作物需水量的基础。根据石羊河流域5个气象站5年的气温、风速、相对湿度等日气象要素资料,采用Penman-Monteith公式计算石羊河流域的ET_0,建立六因子、四因子和三因子的支持向量机(SVM)模型与人工神经网络(ANN)模型模拟日ET_0,对模拟值与计算值进行比较,以均方根误差(RMSE)、平均绝对误差(MAE)、确定性系数(DC)以及皮尔逊相关系数(R)作为模型的性能评价指标,对模型进行检验以获得模拟精度较高的模型。结果表明:相同因子输入下ANN模型较SVM模型在石羊河流域模拟日ET_0有着更高的模拟精度。该研究可为气象要素资料不全的站点提供模拟日ET_0的可行方法。     

中国西北地区日参考作物腾发量模型适用性评价

为推荐适宜中国西北地区参考作物腾发量(ET_0)简化计算模型,应用9个代表性站点近50 a逐日气象资料,以FAO-56 Penman-Monteith(PM)模型计算的ET0为标准值,选取5种基于综合法的Kimberly Penman(K-P),FAO 1979 Penman(PM 17),FAO 24 Penman(PM 24),FAO1948 Penman(PM 48),FAO 79 Penman(PM 79)模型,3种基于温度法的Hargreaves-Samani(HS),Mc Cloud (M-C),Hargreaves (Har)模型,5种基于辐射法的Priestley-Taylor-1 (PT-1),Priestley-Taylor-2(PT-2),FAO-24 Radiation(FAO-Ra),Makkink(Mak),Irmark-Allen(I-A),Irmark(Irm)模型,对其在西北地区ET_0进行适用性评价.结果表明:14种模型在中国西北地区计算精度差异明显.全区模拟精度最高的PM 48(综合法),H-S(温度法),PT-1(辐射法)模型的平均R2,MAE,RMSE和nRMSE分别为0.978,0.767 3 mm/d,0.842 3 mm/d和25.622%; 0.735,0.920 0mm/d,1.187 0 mm/d和36.556%; 0.736,1.392 0 mm/d,1.826 0 mm/d和57.992%.     

FAO Penman—Monteith及简化方法在西北适用性研究

为了实现气象资料缺失下参考作物蒸发蒸腾量(ET0)在西北地区的高精度预测,采用FAO 56 PenmanMonteith(P-M)公式作为对照,与气象资料缺失下P-M公式8种情况以及Pristley-Taylor(P-T)法、Makkink法、Hargreaves-Samani(H-S)法、Irmak法对西北5省区30个辐射站的逐日气象资料进行了统计比较,并对P-T法、Makkink法、H-S法、Irmak法重新进行了参数率定。结果表明,气象资料缺失时,总辐射资料缺失精度下降最小,基于日照资料的ngstrm-Presscott(A-P)法是该地区适宜的替代方法,其各站平均R2为0.983、RMSE小于0.4 mm/d。当相对湿度、风速或日照时数有一项缺失时,使用FAO推荐的P-M替代方法可以使多年平均ET0的RMSE小于0.47 mm/d,R2保持在0.94以上。当气象要素缺少风速和相对湿度时,使用率定后Makkink法是该地区适宜的替代选择,其RMSE为0.68 mm/d,R2为0.94,当仅有气温资料时,改进后的H-S法是该地区适宜的替代选择,其RMSE为0.68 mm/d,R2为0.94。P-T法在该地区精度低于Makkink法,其RMSE为0.71 mm/d,R2为0.88,30个站参数值率定后α值介于1.02~1.64之间。     

基于WAVES模型的大清河流域典型生态系统耗水特征分析

生态系统耗水(即蒸散发)是水循环的重要组成部分,准确估算生态系统耗水是资源型缺水区域实现"以供定需"水资源可持续管理的关键。以雄安新区所在的大清河流域为研究区域,利用遥感叶面积指数和蒸散发数据对水碳热耦合的生态水文模型(WAVES)率定,并用率定好的WAVES模型估算了典型生态系统(农田、草地和林地)耗水规律和特征。结果表明:大清河流域农田、草地、林地生态系统1982-2014年多年平均耗水量依次增加,分别为383.9、424.5、439.6 mm。耗水分量中,农田和草地土壤蒸发和植被腾散发的比重大致相当,均占总耗水的40%～50%;林地以植被腾散发为主,约占总耗水的70%。研究结果可为人类活动剧烈且水资源过度利用的大清河流域和雄安新区的水土资源管理提供参考。     

华北平原杨树人工林蒸散发估算研究

以华北平原人工杨树林为对象,应用Penman-Monteith、Priestley-Taylor和Hamon模型估算蒸散发量,并以Penman-Monteith模型估算结果为基准,对Priestley-Taylor和Hamon模型进行了修正。结果表明,修正前,Priestley-Taylor和Hamon模型与Penman-Monteith模型的相关系数分别为0.388和0.531,Hamon模型估算的月总蒸散发量结果偏高10.9mm,Priestley-Taylor估算的结果偏低27.3mm;修正后,Priestley-Taylor和Hamon修正公式,相关系数分别提高到0.731和0.761。