摘要：对一个指数化蒸散模型进行引进、

 

　　关键词：遥感；蒸散；干旱监测

 

　　中图分类号：P405 文献标识码：A 文章编号：0439-8114（2014）04-0771-06

 

　　The Improvement of the Exponential Evapotranspiration（ET） Model and Its Application on Monitoring Drought in Northern China

 

　　ZHENG You-feia，b，JIANG Fei-yana，WU Rong-juna，b

 

　　（a.College of Atmospheric Physics；b.College of Environmental Science and Engineering，

 

　　Nanjing University of Information Science & Technology，Nanjing 210044， China）

 

　　Key words： remote sensing； evapotranspiration； drought monitoring

 

　　干旱是一种缓慢潜在的自然灾害，也是人类面临的主要自然灾害之一。干旱灾害具有发生频率高、持续时间长、影响范围广、后续影响大等特点，对生态环境和农业造成非常大的危害[1]。随着经济发展和人口膨胀，水资源短缺现象日趋严重，这也直接导致了干旱地区的扩大和干旱化程度的加重。在全球气候变化背景下，干旱灾害的不确定性和随机性相应增强，带来的危害也越来越难以控制，怎样有效地监测干旱成为人们所关心的问题。

 

　　卫星遥感技术具有宏观、快速、动态、经济等特点。研究人员将瞬时的蒸散速率与卫星所观测到的地表温度和植被覆盖部分相联系起来，得到了许多干旱监测模型，如温度与植被指数的特征三角空间方法[2]（Temperature/NDVI triangle method）、陆地表面能量平衡算法[3]（Surface energy balance algorithm for land，SEBAL）、地表能量平衡系统[4]（Surface energy balance system，SEBS）和双层能量平衡模型[5]（Two-source energy balance model，TSEB）等。Carlson等[6]和Gillies等[2]都针对土壤和水分评估工具 （SWAT）提出了LST-NDVI特征三角空间方法的反转技术用来估算土壤湿度。Nagler等[7]利用SEBS能量平衡方程估算了美国西部的河岸植被的蒸散情况。Verstraeten等[8]结合物理模型和经验模型预测大面积的蒸散值。这些蒸散模型都以能量传输的物理过程为基础，输入一系列通过遥感或地面仪器直接或间接测量的数据，再利用余项法，通过地表能量平衡来估算蒸发散射（ET）。在估算地表通量时，需要大量的地表观测数据[9，10]，且需要复杂的地面模型和遥感数据配合，使得计算过程变得繁杂[11]。

 

　　本研究通过引进、修正并验证一个简单的线性双层经验蒸散方程，在验证模型准确性的基础上，利用模型计算得到的蒸散干旱指数（EDI）对华北地区一次干旱事件进行监测，开展历史实证研究，检验模型在实际干旱监测工作中的应用前景。

 

　　1 材料与方法

 

　　1.1 数据资料

 

　　本研究建模及进行干旱监测时所用到的遥感数据主要有：全球能源和水循环试验（The global energy and water cycle experiment，GEWEX）的长、短波辐射数据，分辨率为1°×1°；中分辨率成像光谱仪MODIS（Moderate-resilution imaging spectroradio-meter）的L2级产品MOD11系列的日夜地表温度，及16天合成产品MOD13系列的MODIS加强型植被指数（Enchanced vegetation index， EVI），分辨率都为0.05°×0.05°。

 

　　为得到修正型指数化蒸散模型的系数，从ARM（Atmospheric radiation measurement）、美国和欧洲通量观测网站上选取了分布全球的21个站点（表1）的地面观测数据，利用非线性回归分析得到模型系数。

 

　　1.2 修正型指数化蒸散模型

 

　　2.2 模型应用

 

　　在模型的应用阶段，选取了华北地区的一次干旱过程，利用改进后的模型进行监测，并与帕默尔干旱指数（PDSI）进行对比验证，以期检验修正型指数化蒸散模型在实际干旱监测中的运用效果。

 

　　图3是对2002年春季华北地区的一次干旱事件进行监测的过程。从整体上看，1～6月，干旱首先是从华北北部，即山西、河北西北部地区开始发展，之后逐渐扩大和加深，至6月时，整个华北地区都处于一个较干旱的状态。2002年1月，较干旱的点主要位于山西、河北省西北部，与内蒙古接壤处。3月，干旱区域明显扩大，整个华北大部分地区都出现了不同程度的干旱，EDI较大的地区主要还是在山西、河北大部。整体上来看，整个河北地区的EDI分布都有不同程度的上升，趋近于向干旱发展，且干旱程度由南向北呈逐渐加深的趋势。进入4月，华北北部大部分区域都处于一个较干旱的状态。5月时，华北北部干旱区域的EDI开始逐渐减小。6月时，虽然河北北部的大部分地区EDI较前面几个月减小了，但整个河北地区的平均EDI在一个上升的状态，这也表明河北地区仍处于一个较干旱的状态。较往年同期，华北大部分区域1～3月的降水量普遍偏少4成以上，同时气温又持续异常上升，所以导致了此次干旱事件的发生。

 

　　PDSI小于-3时表示干旱，而PDSI大于3时为湿润，这与EDI的表示方法是相反的，EDI是数值越大则表示越干旱。图4是相应的华北地区同时段的帕默尔干旱指数等值线分布图。从图4中可以看到，与EDI分布情况相似，1月时，华北北部的山西、河北等地都位于一个小的帕默尔指数分布中心下，低值中心分别达到了-8和-10，说明此区域处于一个非常干旱的状态。值得注意的是，帕默尔指数的监视结果显示，华北地区较干旱的区域始终在北部地区，且1～6月的等值线图上看不到较明显的变化。说明帕默尔干旱指数不能明确指明干旱发生发展的趋势变化，这与其自身的滞后性有关，因其是对前期降水数据和土壤含水量的统计。不同于此，图3中的EDI则能较好地表明干旱的发展趋势，因改进型指数化蒸散模型是对实时数据进行计算而模拟得到实时的地表蒸散情况，所以相应的干旱指数EDI也是对实时的地表干旱情况的一个反映和监测，这是改进型指数化蒸散模型的一大优势。

 

　　在前面研究的基础上，进一步做同时段华北地区EDI与帕默尔干旱指数的空间分布散点图，分析两者在空间上的相关性，也是对修正型指数化蒸散模型的进一步验证。两者由于数值表示的意义不同，所以呈负相关关系。图5的结果表明，EDI与帕默尔干旱指数在空间分布上具有很好的相关性，2002年1～6月，两者的决定系数范围达到了0.72～0.92。说明在具体的干旱监测工作中，修正型指数化蒸散模型模拟计算得到的干旱区域具有较高的准确性。

 

　　3 小结与讨论

 

　　本文对一个指数化蒸散模型进行修正，选取了与地表蒸散密切相关的地表参数：地表净辐射量、加强型植被指数EVI、地表温度及地表温度的日变化幅度，通过非线性回归分析得到了新的地表蒸散计算模型，并将模型的分辨率提高到0.25°×0.25°。利用该模型模拟获得了华北地区的地表蒸散时空分布图，分析了不同时间及不同地点的两次干旱监测过程，主要结论如下：

 

　　1）通过引进一个指数化蒸散模型，并对其输入参数及空间分辨率进行修正，得到新的修正型指数化蒸散模型：

 

　　参考文献：

 

　　[1] 邓振镛，张 强，尹宪志，等.干旱灾害对干旱气候变化的响应[J]. 冰川冻土，2007，29（1）：114-118.

 

　　[2] GILLIES R，KUSTAS W，HUMES K. A verification of the ‘triangle’ method for obtaining surface soil water content and energy fluxes from remote measurements of the Normalized Difference Vegetation Index （NDVI） and surface[J]. International Journal of Remote Sensing，1997，18（15）：3145-3166.

 

　　[3] BASTIAANSSEN W， MENENTI M，FEDDES R，et al. A remote sensing surface energy balance algorithm for land （SEBAL）. 1. Formulation[J]. Journal of Hydrology，1998，212（12）：198-212.

 

　　[4] SU Z. The surface energy balance system （SEBS） for estimation of turbulent heat fluxes[J]. Hydrology and Earth System Sciences Discussions，2002，6（1）：85-100.

 

　　[5] NORMAN J N， KUSTAS W P， HUMES K S. Source approach for estimating soil and vegetation energy fluxes in observations of directional radiometric surface temperature[J]. Agricultural and Forest Meteorology，1995，77（3-4）：263-293.

 

　　[6] CARLSON T N， GILLIES R R， SCHMUGGE T J. An interpretation of methodologies for indirect measurement of soil water content[J]. Agricultural and Forest Meteorology，1995，77（3）：191-205.

 

　　[7] NAGLER P L， CLEVERLY J， GLENN E， et al. Predicting riparian evapotranspiration from MODIS vegetation indices and meteorological data[J]. Remote Sensing of Environment，2005， 94（1）：17-30.

 

　　[8] VERSTRAETEN W W， VEROUSTRAETE F， FEYEN J. Estimating evapotranspiration of European forests from NOAA-imagery at satellite overpass time：Towards an operational processing chain for integrated optical and thermal sensor data products[J]. Remote Sensing of Environment，2005，96（2）：256-276.

 

　　[9] STEWART J B， KUSTAS W P， HUMES K S， et al. Sensible heat flux-radiometric surface temperature relationship for eight semiarid areas[J]. American Meteorological Society，1994，33（9）：1110-1117.

 

　　[10] MALLICK K， BHATTACHARYA B， CHAURASIA S， et al. Evapotranspiration using MODIS data and limited ground observations over selected agroecosystems in India[J]. International Journal of Remote Sensing，2007，28（10）：2091-2110.

 

　　[11] JIANG L， ISLAM S， GUO W， et al. A satellite-based daily actual evapotranspiration estimation algorithm over South Florida[J]. Global and Planetary Change，2009，67（1-2）：62-77.

 

　　[12] YAO Y， LIANG S， QIN Q， et al. Monitoring drought over the conterminous United States using MODIS and NCEP reanalysis-2 data[J]. Journal of Applied Meteorology and Climatology， 2010，49（8）：1665-1680.

 

　　[13] HARGREAVES G H. Accuracy of estimated reference crop evapotranspiration[J]. Journal of irrigation and drainage engineering，1989，115（6）：1000-1007.

 

　　[14] 闫 娜，李登科，杜继稳，等. 基于MODIS产品LST_NDVI_EVI的陕西旱情监测[J].自然灾害学报，2010，19（4）：178-182.