基于多源影像和SEBAL模型的我国长时间序列蒸散发数据集及其验证


发布时间:

2021-08-27

来源:

本站

作者:

程明瀚

卫星蒸散观测在我国水资源管理中得到了广泛的应用。干旱胁迫和水资源管理研究需要高时空分辨率的精确ET产品。然而,目前缺乏这样的产品。此外,对于中国不同的ET估计算法的性能还没有明确的研究,特别是在不同的环境下。因此,本研究基于SEBAL模型模拟了2001-18年中国的日尺度,1km分辨率的蒸散发数据集,并与NASA提供的MOD16数据进行了对比。

 

图1. 研究区位置。CBM:长白山;DHM:鼎湖山;DX:当雄;HB:海北;NMG:内蒙古;QYZ:千烟洲;XSBN:西双版纳;YC:禹城。

 

图2. 地表能量平衡算法 (SEBAL) 的流程图。

 

图3. 使用 SEBAL 模型和多源图像估算每日 ET值验证。(a) 农田;(b) 草原;(c) 森林;(d) 所有土地覆盖类型。

 

图4. SEBAL ET 和通量塔观测到的时间序列 ET 变化。CBM:长白山;DHM:鼎湖山;DX:当雄;HB:海北;NMG:内蒙古;QYZ:千烟洲;XSBN:西双版纳;YC:禹城。

 

蒸散发作为水循环过程中一个重要的物理量。高时空分辨率的蒸散发产品对了解我国蒸散发长期的时空变化规律对合理分配水资源具有重要意义。而日尺度蒸散发产品能够精细的监测到每天植被耗水的变化,也能及时的感知到干旱的发生。但目前缺乏日尺度且高分辨率的蒸散发数据产品。本文基于SEBAL模型模拟了2001-18年中国的日尺度,1km分辨率的蒸散发数据集。通过8个通量塔的数据验证表明,SEBAL模型能够很好的估算我国蒸散发,精度达到r=0.79,RMSE=0.92mm/d; 通过水量平衡进行验证,r达到0.98,RMSE为48.99mm/year,其表现优于MOD16。另外,本文对SEBAL ET数据在不同植被类型,不同气候条件,不同地形以及不同季节条件下,进行了综合评估,结果表明SEBAL ET表现稳定,在多数条件下,精度都能优于MOD16数据。此外,SEBAL ET估算的蒸散发量也整体高于MOD16,更加接近实际值。总的来说,这两个模型都具有良好的性能,可以用于区域ET的定性分析和大多数定量分析。SEBAL ET数据集可在zenodo数据库中获取。(https://doi.org/10.5281/zenodo.4243988;https://doi.org/10.5281/zenodo.4896147)

 

图5. 整体验证结果。(a) 8天规模的SEBAL ET 验证;(b) 8天尺度的MOD16 ET 验证。

 

图6. 使用能量平衡算法的流域尺度验证结果

 

图7. SEBAL 和 MOD16 模型之间的比较。(a) 年平均ET SEBAL 的分布。(b) 年平均ET MOD 的分布。(c) SEBAL 和 MOD16 之间的差异分布(ETSEBAL – ETMOD)。(d) 年平均ET SEBAL和ET MOD 的直方图。(e) SEBAL 和 MOD16 之间相对差异的直方图 (( ET SEBAL – ET MOD )/ ET MOD )。(f) ET 地图SEBAL低于 500 毫米。(g)超过 500 毫米 的ET SEBAL地图。(h) 中国的土地覆盖类型。

 

团队介绍:

论文第一作者为河海大学博士研究生程明瀚,论文通讯作者为中国农业科学院的金秀良研究员及河海大学缴锡云教授。本研究得到国家自然科学基金(2016YFD0300 605)、国家自然科学基金(42071426)、中国农业科学院中国中央公益科学研究机构基础研究基金(Y2020YJ07)的资助。

来源:

Cheng, M., Jiao, X., Li, B., Yu, X., Shao, M., and Jin, X.: Long time series of daily evapotranspiration in China based on the SEBAL model and multisource images and validation, Earth Syst. Sci. Data, 13, 3995–4017, https://doi.org/10.5194/essd-13-3995-2021, 2021.

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。