8 d平均、 ...
... MODIS-MOD16使用物理意义明确且不受地表温度影响的P-M模型[37],分别计算土壤蒸发与植被蒸腾,如公式(1),并在其基础上简化了对植被覆盖度的计算,减少了驱动数据的影响;对不同生物类型建立了叶片导度查找表估算不同生物的蒸腾量;根据相对湿度建立湿度函数将叶片和土壤的含水状态分为湿润及潮湿两种状态,对植被分别考虑叶片水分未饱和时的蒸腾与植被叶片湿润时截留的水分蒸发;土壤由湿度函数分为轻微湿润及潮湿两种含水状态[19, 36, 50]. ...
... 当冠层表面水分饱和时,MODIS-MOD16估算植被的潜在蒸腾量,但对于冠层截留水分是否饱和的判定存在一定的不确定性[36],未考虑植被在像元内部的非均匀性等影响[51].MODIS-MOD16的实际蒸散发估算包括湿润冠层水分蒸发、干燥冠层蒸腾及土壤的水分蒸发3部分之和[36],对应潜热通量由相应的阻抗按照P-M公式求得湿润冠层、植被蒸腾、土壤的潜热通量后加和得到. ...
... [36],对应潜热通量由相应的阻抗按照P-M公式求得湿润冠层、植被蒸腾、土壤的潜热通量后加和得到. ...
... The comparison of algorithms of latent heat flux and sensible heat flux Table 2蒸散发产品 | 算法 | 参数化方案 | 参考文献 |
---|
MODIS-MOD16 | | 为潜热通量,、、分别表示湿冠层、干冠层及土壤的蒸散通量 | [36-37] | SSEBop | | 为实际蒸散,为蒸发比例,k为系数,为草地的参考蒸散值 ...
... MODIS-MOD16区分了土壤和植被,假设空气动力学阻抗由热对流和热辐射构成并联模式,通过生物量模型Biome-BGC(BioGeochemical Cycles)估算.植被部分的冠层表面阻抗,在叶片轻微湿润时考虑区分了昼、夜气孔导度,并加入了阻抗对温度和气压响应的修正项,而湿润冠层的表面阻抗由叶面积指数和相对湿度函数及叶片导度求得,植被表面阻抗考虑了饱和水气压差(Vapor Pressure Deficit, VPD)与最低气温的约束作用.土壤部分总的空气动力学阻抗为水汽输送空气动力学阻抗与表面阻抗之和[36]. ...
... MODIS-MOD16利用气象同化模拟数据GMAO(Global Modeling and Assimilation Office)中的气温、下行短波辐射及MODIS的反照率产品,考虑夜间气温及实际水汽压等参数对日净辐射的影响得到日均结果,并利用FPAR产品区分了植被和土地各自的净辐射[36]. ...
... 蒸散发遥感估算模型中的土壤热通量一般指地表土壤与大气进行的热传递,通常由植被覆盖度与净辐射通量之间的经验关系得到.土壤热通量在中低纬地区占净辐射的比例较小,且昼夜土壤热量符号相反,在日尺度上通常可以忽略不计[87],但在高纬度地区,冻土的土壤热通量占净辐射的比例较高,不能忽略[36].不同土壤类型的土壤热通量在不同季节与净辐射的比值有所不同[88].在干旱地区较大[89],同时对于城镇、水体等不同下垫面的土壤热通量的准确估算也需要进一步地研究. ...
... MODIS-MOD16根据输入的每8 d或16 d合成的遥感数据及气象数据的日均值获取日总净辐射通量后获取日总地表蒸散发结果,再累积得到每8 d、每月、每年的蒸散发结果[36]. ...
... MODIS-MOD16使用了全球模型及同化数据GMAO(the Global Modeling and Assimilation Office)和地面的观测数据,每个MODIS像元对应周围的4个GMAO元胞(cell)数据,采用非线性插值得到1 km尺度的数据;对于8 d或16 d的遥感数据,则假设其变量在8 d或16 d保持不变,取相同的值[36]. ...
... The comparison of input data Table 3产品名称 | 数据类型 | 数据源 | 主要数据 | 空间分辨率 | 时间分辨率 | 参考文献 |
---|
MODIS-MOD16 | 气象数据 | GMAO | TEM、PRS、RHU等 | 1°×1°、1°×1.25° | 6 h | [36-37] | | 遥感数据 | MODIS | Albedo、LAI、Landcover等 | 1 km | 8 d合成、16 d合成 | | SSEBop | 遥感数据 | MODIS、SRTM | Albedo、LST、NDVI等 | 1 km | 8 d合成 | [35,38] | | 模型模拟 | PRISM | TEM、dT、ra等 | 1 km | 1 d | | | 同化数据 | GDAS | ET0 | 1 km | 1 d | | ET_PT-JPL | 遥感数据 | ECOSTRESS、MODIS | LST、Albedo、LAI、NDVI等 | 70 m、1 km | 1 d | [33] | | 再分析数据 | MERRA | 代替缺失值 | 0.5~0.67° | 1 d | | | 同化数据 | GMAO | 代替缺失值 | 0.5~0.67° | 1 d | | ET_ALEXI | 遥感数据 | ECOSTRESS、MODIS、Landsat | LST、LAI、地表反射率 | 70 m、30 m | 8 d | [39] | | 再分析数据 | CFSR | 日曝辐量、TEM、PRS等 | 0.25° | 1 d | | | 地表覆盖类型 数据集 | NLCD | Landcover | 30 m | 1 a | | LSA-SAF | 气象数据 | ECMWF | TEM、PRS、tem_soil等 | 0.25°×0.25° | 3 h | [40] | | 遥感数据 | MSG-SEVIRI | DSSF、DSLF、Albedo | 3 km | 30 min或 ...
... 总体而言,各种蒸散发遥感产品与地面通量站点的验证结果一致性较好.估算结果在植被覆盖密集、气候条件为温湿的区域优于植被覆盖稀疏、干旱半干旱地区,如森林站点优于稻田、稀树草原等[16, 36, 41, 46];对于高大植被的估算结果精度优于低矮植被[98]. ...
Development of a Global Evapotranspiration Algorithm based on MODIS and Global Meteorology Data
4
2007
... The overview of ET products Table 1研发机构 | 产品名称 | 理论基础 | 时间分辨率 | 空间分辨率 | 覆盖范围 | 产品精度 | 参考文献 |
---|
美国国家航天局NASA | MODIS-MOD16 | P-M | 8 d、1 m、1 a | 500 m、1 km | 全球植被覆盖地区 | 日均蒸散平均误差为0.31 mm/d(由GMAO驱动数据得到的结果)和0.33 mm/d(站点气象数据的驱动结果) | [36-37] | 美国国家航天局NASA | SSEBop | SSEB | 8 d、1 m、3 m、 1 a | 1 km | 全球陆地、非洲、亚洲、美洲 | 与FLUXNET的16站点的EC数据对比,R²为0.85 | [38] | 美国喷气实验室JPL | ET_PT-JPL | P-T | 取决于ISS的过境时间 | 70 m | 全球陆地 | - | [33] | 美国喷气实验室JPL | ET_ALEXI | ALEXI | 1 d | 30 m | 农业监测站 | - | [39] | 欧洲气象卫星组织EUMETSAT | LSA-SAF | SVAT | 1 h、1 d | 3 km | 欧洲、非洲、南美洲 | 在欧洲与地面站点观测结果一致性良好,在欧洲、南美及非洲与ECMWF及GLDAS的结果一致性良好,相关系数为0.612~0.850,偏差为-22.94~9.11,Nash指数为0.44~0.67 | [40] | 荷兰阿姆斯特丹大学、根特大学 | GLEAM | P-T | 1 d | 0.25° | 全球陆地 | 与43个FLUXNET站点数据对比,年尺度R²=0.83,月尺度0.90 | [34,41] | 韩国首尔大学 | BESS | P-M | 8 d平均、 ...
... MODIS-MOD16使用物理意义明确且不受地表温度影响的P-M模型[37],分别计算土壤蒸发与植被蒸腾,如公式(1),并在其基础上简化了对植被覆盖度的计算,减少了驱动数据的影响;对不同生物类型建立了叶片导度查找表估算不同生物的蒸腾量;根据相对湿度建立湿度函数将叶片和土壤的含水状态分为湿润及潮湿两种状态,对植被分别考虑叶片水分未饱和时的蒸腾与植被叶片湿润时截留的水分蒸发;土壤由湿度函数分为轻微湿润及潮湿两种含水状态[19, 36, 50]. ...
... The comparison of algorithms of latent heat flux and sensible heat flux Table 2蒸散发产品 | 算法 | 参数化方案 | 参考文献 |
---|
MODIS-MOD16 | | 为潜热通量,、、分别表示湿冠层、干冠层及土壤的蒸散通量 | [36-37] | SSEBop | | 为实际蒸散,为蒸发比例,k为系数,为草地的参考蒸散值 ...
... The comparison of input data Table 3产品名称 | 数据类型 | 数据源 | 主要数据 | 空间分辨率 | 时间分辨率 | 参考文献 |
---|
MODIS-MOD16 | 气象数据 | GMAO | TEM、PRS、RHU等 | 1°×1°、1°×1.25° | 6 h | [36-37] | | 遥感数据 | MODIS | Albedo、LAI、Landcover等 | 1 km | 8 d合成、16 d合成 | | SSEBop | 遥感数据 | MODIS、SRTM | Albedo、LST、NDVI等 | 1 km | 8 d合成 | [35,38] | | 模型模拟 | PRISM | TEM、dT、ra等 | 1 km | 1 d | | | 同化数据 | GDAS | ET0 | 1 km | 1 d | | ET_PT-JPL | 遥感数据 | ECOSTRESS、MODIS | LST、Albedo、LAI、NDVI等 | 70 m、1 km | 1 d | [33] | | 再分析数据 | MERRA | 代替缺失值 | 0.5~0.67° | 1 d | | | 同化数据 | GMAO | 代替缺失值 | 0.5~0.67° | 1 d | | ET_ALEXI | 遥感数据 | ECOSTRESS、MODIS、Landsat | LST、LAI、地表反射率 | 70 m、30 m | 8 d | [39] | | 再分析数据 | CFSR | 日曝辐量、TEM、PRS等 | 0.25° | 1 d | | | 地表覆盖类型 数据集 | NLCD | Landcover | 30 m | 1 a | | LSA-SAF | 气象数据 | ECMWF | TEM、PRS、tem_soil等 | 0.25°×0.25° | 3 h | [40] | | 遥感数据 | MSG-SEVIRI | DSSF、DSLF、Albedo | 3 km | 30 min或 ...
Operational Evapotranspiration Mapping Using Remote Sensing and Weather Datasets: A New Parameterization for the SSEB Approach
10
2013
... The overview of ET products Table 1研发机构 | 产品名称 | 理论基础 | 时间分辨率 | 空间分辨率 | 覆盖范围 | 产品精度 | 参考文献 |
---|
美国国家航天局NASA | MODIS-MOD16 | P-M | 8 d、1 m、1 a | 500 m、1 km | 全球植被覆盖地区 | 日均蒸散平均误差为0.31 mm/d(由GMAO驱动数据得到的结果)和0.33 mm/d(站点气象数据的驱动结果) | [36-37] | 美国国家航天局NASA | SSEBop | SSEB | 8 d、1 m、3 m、 1 a | 1 km | 全球陆地、非洲、亚洲、美洲 | 与FLUXNET的16站点的EC数据对比,R²为0.85 | [38] | 美国喷气实验室JPL | ET_PT-JPL | P-T | 取决于ISS的过境时间 | 70 m | 全球陆地 | - | [33] | 美国喷气实验室JPL | ET_ALEXI | ALEXI | 1 d | 30 m | 农业监测站 | - | [39] | 欧洲气象卫星组织EUMETSAT | LSA-SAF | SVAT | 1 h、1 d | 3 km | 欧洲、非洲、南美洲 | 在欧洲与地面站点观测结果一致性良好,在欧洲、南美及非洲与ECMWF及GLDAS的结果一致性良好,相关系数为0.612~0.850,偏差为-22.94~9.11,Nash指数为0.44~0.67 | [40] | 荷兰阿姆斯特丹大学、根特大学 | GLEAM | P-T | 1 d | 0.25° | 全球陆地 | 与43个FLUXNET站点数据对比,年尺度R²=0.83,月尺度0.90 | [34,41] | 韩国首尔大学 | BESS | P-M | 8 d平均、 ...
... SSEBop是基于能量平衡模型的简化模型得到的蒸散发遥感产品,创新点在于预先定义了冷热温差[38],热参考值是由气温等数据得到的系数获取冷参考值后求得,从而建立每个像元的冷热温度边界.在晴空条件下,假设等间隔的冷热温差近似为常数、地表温度与近地面气温近似相等,土壤—植被的含水状态与该温差相关,再根据P-M公式获取的参考蒸散发得到实际蒸散发,公式如表2所示. ...
... | [35,38] | ET_PT-JPL | | 植被的潜热通量 ...
... SSEBop假设每天或每8 d时间间隔的地表蒸散发速率与潜在蒸散发速率相等[38, 53],根据温度及参考蒸散发估算实际蒸散发,简化了计算,避免了复杂的表面阻抗求解,且无需单独估算显热和土壤热通量,提高了计算效率[54]. ...
... SSEBop的空气动力学阻抗取值为110 s/m,Senay等通过实验发现美国大陆地区内空气动力学阻抗rah的平均值在100~120 s/m之间,与2005年由涡度相关方法获取的rah值在100~120 s/m之间,当取110 s/m时蒸散发的估算结果与地面涡度相关仪的观测值相关性最高[38]. ...
... SSEBop利用PRISM(the Parameter-elevation Regressions on Independent Slopes Model)中的气温数据根据FAO56推荐的公式估算地表净辐射通量[15, 38]. ...
... MODIS-MOD16在改进的算法中考虑了土壤热通量,并区分了白天和夜间,考虑气孔不同开闭状态的土壤热通量取值.LSA-SAF的土壤热通量是按照经验系数求解得到的,其经验系数与叶面积指数有关.GLEAM将地表划分为高大植被、低矮植被和裸地,分别对其土壤热通量G按经验公式取Rn的5%、20%和25%.BESS中土壤热通量取0.35作为系数按照经验公式估算.ETWatch的土壤热通量是利用植被覆盖度,按照经验公式估算,并根据水面的月蒸发数据得到的系数估算水体的日土壤热通量,区分了水体与植被覆盖地区,精度较高[43].SSEBop[38]、ET_PT-JPL、ETMonitor[2]对土壤热通量忽略不计[16, 51]. ...
... SSEBop由Landsat或MODIS瞬时的地表温度或者MODIS每8 d的地表温度数据获取冷热温差后得到每8 d的蒸发比例,进而得到每8 d、每月、每年的累积蒸散发结果[38]. ...
... SSEBop主要的驱动数据为MODIS、全球数据同化系统GDAS (Global Data Assimilation System)、梯度模型参数PRISM(the Parameter-elevation Regressions on Independent Slopes Model)等,驱动数据的空间分辨率为1 km[38]. ...
... The comparison of input data Table 3产品名称 | 数据类型 | 数据源 | 主要数据 | 空间分辨率 | 时间分辨率 | 参考文献 |
---|
MODIS-MOD16 | 气象数据 | GMAO | TEM、PRS、RHU等 | 1°×1°、1°×1.25° | 6 h | [36-37] | | 遥感数据 | MODIS | Albedo、LAI、Landcover等 | 1 km | 8 d合成、16 d合成 | | SSEBop | 遥感数据 | MODIS、SRTM | Albedo、LST、NDVI等 | 1 km | 8 d合成 | [35,38] | | 模型模拟 | PRISM | TEM、dT、ra等 | 1 km | 1 d | | | 同化数据 | GDAS | ET0 | 1 km | 1 d | | ET_PT-JPL | 遥感数据 | ECOSTRESS、MODIS | LST、Albedo、LAI、NDVI等 | 70 m、1 km | 1 d | [33] | | 再分析数据 | MERRA | 代替缺失值 | 0.5~0.67° | 1 d | | | 同化数据 | GMAO | 代替缺失值 | 0.5~0.67° | 1 d | | ET_ALEXI | 遥感数据 | ECOSTRESS、MODIS、Landsat | LST、LAI、地表反射率 | 70 m、30 m | 8 d | [39] | | 再分析数据 | CFSR | 日曝辐量、TEM、PRS等 | 0.25° | 1 d | | | 地表覆盖类型 数据集 | NLCD | Landcover | 30 m | 1 a | | LSA-SAF | 气象数据 | ECMWF | TEM、PRS、tem_soil等 | 0.25°×0.25° | 3 h | [40] | | 遥感数据 | MSG-SEVIRI | DSSF、DSLF、Albedo | 3 km | 30 min或 ...
ECOSTRESS: ECOsystem Spaceborne Thermal Radiometer Experiment on Space Station
6
2015
... The overview of ET products Table 1研发机构 | 产品名称 | 理论基础 | 时间分辨率 | 空间分辨率 | 覆盖范围 | 产品精度 | 参考文献 |
---|
美国国家航天局NASA | MODIS-MOD16 | P-M | 8 d、1 m、1 a | 500 m、1 km | 全球植被覆盖地区 | 日均蒸散平均误差为0.31 mm/d(由GMAO驱动数据得到的结果)和0.33 mm/d(站点气象数据的驱动结果) | [36-37] | 美国国家航天局NASA | SSEBop | SSEB | 8 d、1 m、3 m、 1 a | 1 km | 全球陆地、非洲、亚洲、美洲 | 与FLUXNET的16站点的EC数据对比,R²为0.85 | [38] | 美国喷气实验室JPL | ET_PT-JPL | P-T | 取决于ISS的过境时间 | 70 m | 全球陆地 | - | [33] | 美国喷气实验室JPL | ET_ALEXI | ALEXI | 1 d | 30 m | 农业监测站 | - | [39] | 欧洲气象卫星组织EUMETSAT | LSA-SAF | SVAT | 1 h、1 d | 3 km | 欧洲、非洲、南美洲 | 在欧洲与地面站点观测结果一致性良好,在欧洲、南美及非洲与ECMWF及GLDAS的结果一致性良好,相关系数为0.612~0.850,偏差为-22.94~9.11,Nash指数为0.44~0.67 | [40] | 荷兰阿姆斯特丹大学、根特大学 | GLEAM | P-T | 1 d | 0.25° | 全球陆地 | 与43个FLUXNET站点数据对比,年尺度R²=0.83,月尺度0.90 | [34,41] | 韩国首尔大学 | BESS | P-M | 8 d平均、 ...
... 冠层截留的潜热通量 | [33] | ET_ALEXI | | ,为植被部分的潜热通量 | [39] | LSA-SAF | ...
... ET_ALEXI中的空气动力学阻抗根据双源模型中的并联模式求解空气动力学阻抗[39]. ...
... 其中:为日总蒸散发,为经时间插值后的日累积日照率,为瞬时潜热通量与ISS过境时刻的日照数据的比值,为汽化潜热系数[39]. ...
... ET_ALEXI的驱动数据主要有ISS的地表温度数据,MODIS或Landsat的地表发射率、叶面积指数,CFSR再分析数据集中的气象参数(包括风速、气温、气压等)以及NLCD的地表覆盖类型数据.这些数据首先重采样至30 m后输入模型估算,例如地表温度数据采用回归树分析法重采样[91],气象数据采用最邻近插值法[39]. ...
... The comparison of input data Table 3产品名称 | 数据类型 | 数据源 | 主要数据 | 空间分辨率 | 时间分辨率 | 参考文献 |
---|
MODIS-MOD16 | 气象数据 | GMAO | TEM、PRS、RHU等 | 1°×1°、1°×1.25° | 6 h | [36-37] | | 遥感数据 | MODIS | Albedo、LAI、Landcover等 | 1 km | 8 d合成、16 d合成 | | SSEBop | 遥感数据 | MODIS、SRTM | Albedo、LST、NDVI等 | 1 km | 8 d合成 | [35,38] | | 模型模拟 | PRISM | TEM、dT、ra等 | 1 km | 1 d | | | 同化数据 | GDAS | ET0 | 1 km | 1 d | | ET_PT-JPL | 遥感数据 | ECOSTRESS、MODIS | LST、Albedo、LAI、NDVI等 | 70 m、1 km | 1 d | [33] | | 再分析数据 | MERRA | 代替缺失值 | 0.5~0.67° | 1 d | | | 同化数据 | GMAO | 代替缺失值 | 0.5~0.67° | 1 d | | ET_ALEXI | 遥感数据 | ECOSTRESS、MODIS、Landsat | LST、LAI、地表反射率 | 70 m、30 m | 8 d | [39] | | 再分析数据 | CFSR | 日曝辐量、TEM、PRS等 | 0.25° | 1 d | | | 地表覆盖类型 数据集 | NLCD | Landcover | 30 m | 1 a | | LSA-SAF | 气象数据 | ECMWF | TEM、PRS、tem_soil等 | 0.25°×0.25° | 3 h | [40] | | 遥感数据 | MSG-SEVIRI | DSSF、DSLF、Albedo | 3 km | 30 min或 ...
PROBA-V)
5
2012
... The overview of ET products Table 1研发机构 | 产品名称 | 理论基础 | 时间分辨率 | 空间分辨率 | 覆盖范围 | 产品精度 | 参考文献 |
---|
美国国家航天局NASA | MODIS-MOD16 | P-M | 8 d、1 m、1 a | 500 m、1 km | 全球植被覆盖地区 | 日均蒸散平均误差为0.31 mm/d(由GMAO驱动数据得到的结果)和0.33 mm/d(站点气象数据的驱动结果) | [36-37] | 美国国家航天局NASA | SSEBop | SSEB | 8 d、1 m、3 m、 1 a | 1 km | 全球陆地、非洲、亚洲、美洲 | 与FLUXNET的16站点的EC数据对比,R²为0.85 | [38] | 美国喷气实验室JPL | ET_PT-JPL | P-T | 取决于ISS的过境时间 | 70 m | 全球陆地 | - | [33] | 美国喷气实验室JPL | ET_ALEXI | ALEXI | 1 d | 30 m | 农业监测站 | - | [39] | 欧洲气象卫星组织EUMETSAT | LSA-SAF | SVAT | 1 h、1 d | 3 km | 欧洲、非洲、南美洲 | 在欧洲与地面站点观测结果一致性良好,在欧洲、南美及非洲与ECMWF及GLDAS的结果一致性良好,相关系数为0.612~0.850,偏差为-22.94~9.11,Nash指数为0.44~0.67 | [40] | 荷兰阿姆斯特丹大学、根特大学 | GLEAM | P-T | 1 d | 0.25° | 全球陆地 | 与43个FLUXNET站点数据对比,年尺度R²=0.83,月尺度0.90 | [34,41] | 韩国首尔大学 | BESS | P-M | 8 d平均、 ...
... | [40] | GLEAM | | 为潜在蒸散,为土壤胁迫系数,为降雨截留蒸散,为截留系数取0.07 ...
... LSA-SAF蒸散发产品的估算算法中,气孔阻抗按照Jarvis方程估算并升尺度至冠层,考虑了下行短波辐射、土壤湿度等多种环境胁迫因子的作用,对于裸地的表面阻抗采用以上植被气孔阻抗升尺度的简化公式计算[78].利用莫宁—奥布霍夫相似理论求解空气动力学阻抗、摩擦风速,初始状态假设为大气处于中性状态逐次迭代得到空气动力学阻抗[40],估算过程较为复杂[78]. ...
... LSA-SAF使用LSA-SAF的下行长短波辐射及反照率产品估算地表净辐射,利用ECOCLIMAP的数据在斑块(tile)层的等效表面(“skin”)温度代替地表温度求得瞬时结果,从而避免云对地表温度的影响[40]. ...
... The comparison of input data Table 3产品名称 | 数据类型 | 数据源 | 主要数据 | 空间分辨率 | 时间分辨率 | 参考文献 |
---|
MODIS-MOD16 | 气象数据 | GMAO | TEM、PRS、RHU等 | 1°×1°、1°×1.25° | 6 h | [36-37] | | 遥感数据 | MODIS | Albedo、LAI、Landcover等 | 1 km | 8 d合成、16 d合成 | | SSEBop | 遥感数据 | MODIS、SRTM | Albedo、LST、NDVI等 | 1 km | 8 d合成 | [35,38] | | 模型模拟 | PRISM | TEM、dT、ra等 | 1 km | 1 d | | | 同化数据 | GDAS | ET0 | 1 km | 1 d | | ET_PT-JPL | 遥感数据 | ECOSTRESS、MODIS | LST、Albedo、LAI、NDVI等 | 70 m、1 km | 1 d | [33] | | 再分析数据 | MERRA | 代替缺失值 | 0.5~0.67° | 1 d | | | 同化数据 | GMAO | 代替缺失值 | 0.5~0.67° | 1 d | | ET_ALEXI | 遥感数据 | ECOSTRESS、MODIS、Landsat | LST、LAI、地表反射率 | 70 m、30 m | 8 d | [39] | | 再分析数据 | CFSR | 日曝辐量、TEM、PRS等 | 0.25° | 1 d | | | 地表覆盖类型 数据集 | NLCD | Landcover | 30 m | 1 a | | LSA-SAF | 气象数据 | ECMWF | TEM、PRS、tem_soil等 | 0.25°×0.25° | 3 h | [40] | | 遥感数据 | MSG-SEVIRI | DSSF、DSLF、Albedo | 3 km | 30 min或 ...
GLEAM V3: Satellite-based Land Evaporation and Root-zone Soil Moisture
12
2017
... The overview of ET products Table 1研发机构 | 产品名称 | 理论基础 | 时间分辨率 | 空间分辨率 | 覆盖范围 | 产品精度 | 参考文献 |
---|
美国国家航天局NASA | MODIS-MOD16 | P-M | 8 d、1 m、1 a | 500 m、1 km | 全球植被覆盖地区 | 日均蒸散平均误差为0.31 mm/d(由GMAO驱动数据得到的结果)和0.33 mm/d(站点气象数据的驱动结果) | [36-37] | 美国国家航天局NASA | SSEBop | SSEB | 8 d、1 m、3 m、 1 a | 1 km | 全球陆地、非洲、亚洲、美洲 | 与FLUXNET的16站点的EC数据对比,R²为0.85 | [38] | 美国喷气实验室JPL | ET_PT-JPL | P-T | 取决于ISS的过境时间 | 70 m | 全球陆地 | - | [33] | 美国喷气实验室JPL | ET_ALEXI | ALEXI | 1 d | 30 m | 农业监测站 | - | [39] | 欧洲气象卫星组织EUMETSAT | LSA-SAF | SVAT | 1 h、1 d | 3 km | 欧洲、非洲、南美洲 | 在欧洲与地面站点观测结果一致性良好,在欧洲、南美及非洲与ECMWF及GLDAS的结果一致性良好,相关系数为0.612~0.850,偏差为-22.94~9.11,Nash指数为0.44~0.67 | [40] | 荷兰阿姆斯特丹大学、根特大学 | GLEAM | P-T | 1 d | 0.25° | 全球陆地 | 与43个FLUXNET站点数据对比,年尺度R²=0.83,月尺度0.90 | [34,41] | 韩国首尔大学 | BESS | P-M | 8 d平均、 ...
... | [34,41] | BESS | ...
... GLEAM基于P-T模型估算地表蒸散,相比于其他模型驱动数据较少,且多数数据可直接由遥感数据获取.GLEAM的蒸散发估算算法由P-T模型的潜在蒸散发模块、降雨截留模块、土壤水模块及胁迫模块组成,对每个格网考虑低矮植被、高大植被、裸土、水体4种地表类型[34, 41]. ...
... GLEAM先获取潜在蒸散发结果,再利用实测降水、表层土壤湿度及植被含水量作为蒸散发的约束[34, 60],考虑可利用水、热量胁迫及植被物候变化的胁迫作用,并单独估算植被的降雨截留获取实际蒸散发结果.降雨截留按照降雨频率估算,仅对森林中的高大植被考虑降雨截留[61].估算公式如表2中所示.虽然估算结果受微波土壤湿度遥感产品的空间分辨率限制[1],但避免了天气条件的影响.在GLEAM v3数据集中,借助全球陆地数据同化系统GLDAS (Global Land Data Assimilation System)数据采用TCA (Triple Collection Analysis) 分析方法,检验了模拟和观测的土壤湿度数据的误差[62, 63],优化了降水在土壤不同层的状态的模拟,使土壤水分不受田间持水力和排水量阈值的限制,保证了水分在垂直剖面的流动,精度有所提升[41, 62].对于水体蒸发,GLEAM使用的是Tuanmu和Jetz的产品[41, 64].GLEAM使用一个单独的模块考虑冰雪升华过程,新版本算法改进了对土壤层排水过程的模拟,由雪水融化值得到不同层的根区土壤水分[41]. ...
... [41, 64].GLEAM使用一个单独的模块考虑冰雪升华过程,新版本算法改进了对土壤层排水过程的模拟,由雪水融化值得到不同层的根区土壤水分[41]. ...
... [41]. ...
... ET_PT-JPL和GLEAM蒸散发产品主要采用P-T模型,避免了空气动力学阻抗的计算[24, 33, 41],参数少、计算简便.GLEAM借助于生态约束获取实际蒸散发,以大空间尺度为主,局部区域的估算需要进一步验证[79]. ...
... GLEAM首先将驱动数据统一为日时间尺度,从而得到日累积地表蒸散发估算结果[41]. ...
... GLEAM采用的是搭载在Terra和Aqua卫星上的云及地球辐射系统CERES(the Clouds and Earth’s Radiant Energy System)数据、热带降雨探测任务的多源卫星降雨分析数据TRMM-TMPA3B42v7(the precipitation forcing, the Tropical Rainfall Measurement Mission Multi-satellite Precipitation Analysis)、欧洲中尺度天气预报再分析数据ECMWF(the European Centre for Medium-Range Weather Forecasts),在输入模型前对所有的数据进行了线性重采样处理,其空间尺度为0.25°[41]. ...
... 15 min | | | 地表参数 | ECOCLIMAP | Landcover、tile、LAI_tile等 | 1 km | 1 m | | GLEAM | 遥感数据 | GEWEX-SRB | 辐射产品、TEM、SM等 | 1°、0.25° | 3 h、1 d | [41] | | 再分析数据 | ERA-Interim | 辐射数据、气温 | 0.75° | 3 h、1 d | | | 融合数据 | TMPA 3B42v7 | 降雨 | 0.25° | 1 d | | BESS | 遥感数据 | MODIS | Albedo、LAI、LST | 1 km或5 km | 8 d、16 d | [35,42] | | 再分析数据 | NCEP | TEM、WDS、tem_dewpoint | 1 km | 6 h | | ETWatch | 气象数据 | 气象数据集 | TEM、PRS、WDS等 | | 1 h | [43-44] | | 遥感数据 | MODIS或Landsat | Albedo、LAI、NDVI等 | 1 km或30 m | 8 d合成、16 d合成 | | | 高程数据 | 数字地形数据 | 高程、坡度、坡向 | 30 m | | | ETMonitor | 气象数据 | WRF模式 | TEM、PRS、WDS等 | 5 km | 1 h | [45-46] | | 遥感数据 | GLASS、MODIS、AMSR-E | Albedo、Preciptation、SM | 1 km | 8 d合成 | | | 地表覆盖类型数据 | 多源合成数据集 | Landcover | 1 km | 1 a | |
注:表中TEM表示气温、PRS表示气压、RHU表示相对湿度、WDS表示风速、Albedo表示反照率、LAI表示叶面积指数、NDVI表示归一化植被指数、LST表示地表温度、Landcover表示地表覆盖类型数据、ra表示空气动力学阻抗、ET0表示潜在蒸散发、tem_soil表示土壤温度、DSSF表示地表下行短波辐射、DSLF表示地表下行长波辐射、tile表示ECMWF数据库中的斑块数据、SM表示土壤湿度、Preciptation表示降雨数据、tem_dewpoint表示露点温度 ...
... GLEAM的不同蒸散发数据与地面通量站点观测数据的相关系数在0.78~0.81[41],杨秀芹等对比了GLEAM产品在中国区域的站点尺度和流域尺度的精度,发现草原站点模拟较好、森林站点比观测值偏高,在流域尺度存在一定的高估[60]. ...
... 总体而言,各种蒸散发遥感产品与地面通量站点的验证结果一致性较好.估算结果在植被覆盖密集、气候条件为温湿的区域优于植被覆盖稀疏、干旱半干旱地区,如森林站点优于稻田、稀树草原等[16, 36, 41, 46];对于高大植被的估算结果精度优于低矮植被[98]. ...
Integration of MODIS Land and Atmosphere Products with a Coupled-process Model to Estimate Gross Primary Productivity and Evapotranspiration from 1 km to Global Scales
9
2011
| 全球陆地 | 与FLUXNET的观测数据对比,在不同植被类型的站点R²在0.32~0.83之间 | [35,42] | 中国科学院遥感与数字地球研究所 | ETWatch | SEBAL/SEBS、P-M | 1 m、3 m、 ...
... 表示土壤部分的潜热通量,s为饱和水汽压随气温变化的速率,为湿度常数,和分别表示土壤表面的净辐射和土壤热通量,为相对湿度,为饱和水汽压差. | [35,42] | ETWatch | | 为潜热通量,ETWatch先由地表能量平衡模型获取晴好日蒸散发结果,将空气动力学阻抗输入至P-M模型获取连续日蒸散发 | [43-44] | ETMonitor | | 和分别为冠层和土壤的表面阻抗系数,和分别表示植被蒸腾和土壤水分蒸发的变量 ...
... P-M模型的一次形式在气温和叶片温度相差较大时会低估10%~20%的蒸散发量[35],因此BESS采用P-M公式的泰勒二次展开式,并分别考虑植被、土壤与大气进行的水汽和能量交换.模型分为3部分:大气辐射传输模块FLiES(Forest Light Environmental Simulator)、冠层辐射传输以及土壤水分蒸发模块[35, 42]. ...
... 其中,大气辐射传输模块是基于蒙特卡洛方法建立查找表估算到达叶片的净辐射通量;冠层辐射传输模块可以模拟植被的生态过程,分别估算光照和阴影冠层的光合有效吸收能量,利用Ball-Berry模型得到冠层表面阻抗,再输入到P-M的泰勒二次展开式中获取植被部分的实际蒸散发,光照冠层和阴影冠层的估算方式差别体现在净辐射和表面阻抗不同;土壤部分的水分蒸发由一个简化的受水分胁迫的平衡蒸发模型估算[35].虽然BESS未单独考虑截留作用,但是冠层导度与截留的相关性从一定程度上包含了截留的影响[42]. ...
... ET_PT-JPL中净辐射与BESS的净辐射均使用了基于蒙特卡洛方法的大气辐射传输模型FLiES[33, 42],驱动数据主要是MODIS的相关产品,当MODIS数据缺失时,利用VIIRS(Visible infrared Imaging Radiometer)、MERRA(Modern-Era Retrospective analysis for Research and Applications)等数据代替. ...
... BESS中的净辐射通量由BESS直、散射和有效辐射及近红外辐射部分的通量产品获取,BESS区分了C3、C4植被的光合作用并将冠层分为光照和阴影两部分分别估算[35, 83],同时利用MODIS数据估算阴天净辐射[42]. ...
... 其中:为8 d平均的日累积蒸散发,1 800表示半小时的秒数,是卫星的过境时刻,为升尺度比例系数,由太阳常数、太阳天顶角等参数估算获取[42]. ...
... BESS的驱动数据主要为MODIS的地表反照率、植被参数等数据和NCEP的气象数据在使用之前将再分析数据进行了重采样、线性插值、滤波平滑处理等预处理,使其时空分辨率与MODIS产品保持一致[42, 93]. ...
... 15 min | | | 地表参数 | ECOCLIMAP | Landcover、tile、LAI_tile等 | 1 km | 1 m | | GLEAM | 遥感数据 | GEWEX-SRB | 辐射产品、TEM、SM等 | 1°、0.25° | 3 h、1 d | [41] | | 再分析数据 | ERA-Interim | 辐射数据、气温 | 0.75° | 3 h、1 d | | | 融合数据 | TMPA 3B42v7 | 降雨 | 0.25° | 1 d | | BESS | 遥感数据 | MODIS | Albedo、LAI、LST | 1 km或5 km | 8 d、16 d | [35,42] | | 再分析数据 | NCEP | TEM、WDS、tem_dewpoint | 1 km | 6 h | | ETWatch | 气象数据 | 气象数据集 | TEM、PRS、WDS等 | | 1 h | [43-44] | | 遥感数据 | MODIS或Landsat | Albedo、LAI、NDVI等 | 1 km或30 m | 8 d合成、16 d合成 | | | 高程数据 | 数字地形数据 | 高程、坡度、坡向 | 30 m | | | ETMonitor | 气象数据 | WRF模式 | TEM、PRS、WDS等 | 5 km | 1 h | [45-46] | | 遥感数据 | GLASS、MODIS、AMSR-E | Albedo、Preciptation、SM | 1 km | 8 d合成 | | | 地表覆盖类型数据 | 多源合成数据集 | Landcover | 1 km | 1 a | |
注:表中TEM表示气温、PRS表示气压、RHU表示相对湿度、WDS表示风速、Albedo表示反照率、LAI表示叶面积指数、NDVI表示归一化植被指数、LST表示地表温度、Landcover表示地表覆盖类型数据、ra表示空气动力学阻抗、ET0表示潜在蒸散发、tem_soil表示土壤温度、DSSF表示地表下行短波辐射、DSLF表示地表下行长波辐射、tile表示ECMWF数据库中的斑块数据、SM表示土壤湿度、Preciptation表示降雨数据、tem_dewpoint表示露点温度 ...
基于遥感的区域蒸散量监测方法—ETWatch
8
2008
| 中国黑河流域 | 与观测站实测蒸发比相关性较高;与GRACE估算结果相关系数为0.7,均方根误差为12.7 mm,ETWatch估算结果与降雨量相关性强,相关系数为0.64~0.79 | [43-44] | 中国科学院遥感与数字地球研究所 | ETMonitor | Shuttleworth-Wallace | 1 d,8 d平均, ...
... 表示土壤部分的潜热通量,s为饱和水汽压随气温变化的速率,为湿度常数,和分别表示土壤表面的净辐射和土壤热通量,为相对湿度,为饱和水汽压差. | [35,42] | ETWatch | | 为潜热通量,ETWatch先由地表能量平衡模型获取晴好日蒸散发结果,将空气动力学阻抗输入至P-M模型获取连续日蒸散发 | [43-44] | ETMonitor | | 和分别为冠层和土壤的表面阻抗系数,和分别表示植被蒸腾和土壤水分蒸发的变量 ...
... ETWatch逐日的空气动力学阻抗考虑风速及下垫面粗糙度的关系.由于P-M公式对空气动力学阻抗不十分敏感且仅有逐日的气象数据,ETWatch省略了对大气稳定度的纠正.动量粗糙度是空气动力学阻抗估算的重要参数之一,利用植被高度估算粗糙度适用于平坦地区,在地形起伏地区估算结果较差,ETWatch求解空气动力学粗糙度时综合考虑植被、地形、非植被覆盖表面的几何粗糙度等因素,按照相应的权重加和得到区域的综合有效粗糙度,从而得到更接近实际情况的空气动力学阻抗参数[43].ETWatch使用叶面积指数、气温以及水汽压的分段函数对冠层阻抗进行时间扩展,得到逐日表面阻抗,获取时间连续的地表实际蒸散发估算结果. ...
... ETWatch求解的净辐射为日总净辐射:下行短波辐射由短波透过率求解,透过率借助日照时数根据经验系数求解,其中的经验系数是利用辐射台站的数据分区拟合得到;下行长波辐射采用净长波辐射公式估算[43]. ...
... MODIS-MOD16在改进的算法中考虑了土壤热通量,并区分了白天和夜间,考虑气孔不同开闭状态的土壤热通量取值.LSA-SAF的土壤热通量是按照经验系数求解得到的,其经验系数与叶面积指数有关.GLEAM将地表划分为高大植被、低矮植被和裸地,分别对其土壤热通量G按经验公式取Rn的5%、20%和25%.BESS中土壤热通量取0.35作为系数按照经验公式估算.ETWatch的土壤热通量是利用植被覆盖度,按照经验公式估算,并根据水面的月蒸发数据得到的系数估算水体的日土壤热通量,区分了水体与植被覆盖地区,精度较高[43].SSEBop[38]、ET_PT-JPL、ETMonitor[2]对土壤热通量忽略不计[16, 51]. ...
... ETWatch综合利用MODIS、ASTER、AVHRR、和TM/ETM等遥感数据及气象数据[94].对站点气象数据进行了相应空间尺度(30 m、1 km)的插值处理[43]. ...
... 15 min | | | 地表参数 | ECOCLIMAP | Landcover、tile、LAI_tile等 | 1 km | 1 m | | GLEAM | 遥感数据 | GEWEX-SRB | 辐射产品、TEM、SM等 | 1°、0.25° | 3 h、1 d | [41] | | 再分析数据 | ERA-Interim | 辐射数据、气温 | 0.75° | 3 h、1 d | | | 融合数据 | TMPA 3B42v7 | 降雨 | 0.25° | 1 d | | BESS | 遥感数据 | MODIS | Albedo、LAI、LST | 1 km或5 km | 8 d、16 d | [35,42] | | 再分析数据 | NCEP | TEM、WDS、tem_dewpoint | 1 km | 6 h | | ETWatch | 气象数据 | 气象数据集 | TEM、PRS、WDS等 | | 1 h | [43-44] | | 遥感数据 | MODIS或Landsat | Albedo、LAI、NDVI等 | 1 km或30 m | 8 d合成、16 d合成 | | | 高程数据 | 数字地形数据 | 高程、坡度、坡向 | 30 m | | | ETMonitor | 气象数据 | WRF模式 | TEM、PRS、WDS等 | 5 km | 1 h | [45-46] | | 遥感数据 | GLASS、MODIS、AMSR-E | Albedo、Preciptation、SM | 1 km | 8 d合成 | | | 地表覆盖类型数据 | 多源合成数据集 | Landcover | 1 km | 1 a | |
注:表中TEM表示气温、PRS表示气压、RHU表示相对湿度、WDS表示风速、Albedo表示反照率、LAI表示叶面积指数、NDVI表示归一化植被指数、LST表示地表温度、Landcover表示地表覆盖类型数据、ra表示空气动力学阻抗、ET0表示潜在蒸散发、tem_soil表示土壤温度、DSSF表示地表下行短波辐射、DSLF表示地表下行长波辐射、tile表示ECMWF数据库中的斑块数据、SM表示土壤湿度、Preciptation表示降雨数据、tem_dewpoint表示露点温度 ...
... 今后应建立适应用户不同需求的算法,建立复杂下垫面的蒸散发估算模型及系统[117],研究地表蒸散发与气象、植被等不同驱动数据之间的敏感性关系,考虑地表参数异质性及其对蒸散发的影响[71,118],如地表温度与土壤湿度是建立基于概率密度函数(PDF)的遥感蒸散发模型时需要优先考虑的地表变量[118],考虑云及地形等因素的影响,考虑混合像元对水热通量模拟造成的尺度效应[2].此外,应逐步完善考虑不同下垫面类型的蒸散发估算模型[43],如考虑城镇[119, 120]、水体、冰雪[45]等,并且对于植被覆盖区域,需要根据作物的物候分阶段建模[121-122];进一步考虑夜间地表蒸散发过程的算法模型,发展稳定、可靠、精度更高的时间尺度扩展方法也是十分必要的. ...
基于遥感的区域蒸散量监测方法—ETWatch
8
2008
| 中国黑河流域 | 与观测站实测蒸发比相关性较高;与GRACE估算结果相关系数为0.7,均方根误差为12.7 mm,ETWatch估算结果与降雨量相关性强,相关系数为0.64~0.79 | [43-44] | 中国科学院遥感与数字地球研究所 | ETMonitor | Shuttleworth-Wallace | 1 d,8 d平均, ...
... 表示土壤部分的潜热通量,s为饱和水汽压随气温变化的速率,为湿度常数,和分别表示土壤表面的净辐射和土壤热通量,为相对湿度,为饱和水汽压差. | [35,42] | ETWatch | | 为潜热通量,ETWatch先由地表能量平衡模型获取晴好日蒸散发结果,将空气动力学阻抗输入至P-M模型获取连续日蒸散发 | [43-44] | ETMonitor | | 和分别为冠层和土壤的表面阻抗系数,和分别表示植被蒸腾和土壤水分蒸发的变量 ...
... ETWatch逐日的空气动力学阻抗考虑风速及下垫面粗糙度的关系.由于P-M公式对空气动力学阻抗不十分敏感且仅有逐日的气象数据,ETWatch省略了对大气稳定度的纠正.动量粗糙度是空气动力学阻抗估算的重要参数之一,利用植被高度估算粗糙度适用于平坦地区,在地形起伏地区估算结果较差,ETWatch求解空气动力学粗糙度时综合考虑植被、地形、非植被覆盖表面的几何粗糙度等因素,按照相应的权重加和得到区域的综合有效粗糙度,从而得到更接近实际情况的空气动力学阻抗参数[43].ETWatch使用叶面积指数、气温以及水汽压的分段函数对冠层阻抗进行时间扩展,得到逐日表面阻抗,获取时间连续的地表实际蒸散发估算结果. ...
... ETWatch求解的净辐射为日总净辐射:下行短波辐射由短波透过率求解,透过率借助日照时数根据经验系数求解,其中的经验系数是利用辐射台站的数据分区拟合得到;下行长波辐射采用净长波辐射公式估算[43]. ...
... MODIS-MOD16在改进的算法中考虑了土壤热通量,并区分了白天和夜间,考虑气孔不同开闭状态的土壤热通量取值.LSA-SAF的土壤热通量是按照经验系数求解得到的,其经验系数与叶面积指数有关.GLEAM将地表划分为高大植被、低矮植被和裸地,分别对其土壤热通量G按经验公式取Rn的5%、20%和25%.BESS中土壤热通量取0.35作为系数按照经验公式估算.ETWatch的土壤热通量是利用植被覆盖度,按照经验公式估算,并根据水面的月蒸发数据得到的系数估算水体的日土壤热通量,区分了水体与植被覆盖地区,精度较高[43].SSEBop[38]、ET_PT-JPL、ETMonitor[2]对土壤热通量忽略不计[16, 51]. ...
... ETWatch综合利用MODIS、ASTER、AVHRR、和TM/ETM等遥感数据及气象数据[94].对站点气象数据进行了相应空间尺度(30 m、1 km)的插值处理[43]. ...
... 15 min | | | 地表参数 | ECOCLIMAP | Landcover、tile、LAI_tile等 | 1 km | 1 m | | GLEAM | 遥感数据 | GEWEX-SRB | 辐射产品、TEM、SM等 | 1°、0.25° | 3 h、1 d | [41] | | 再分析数据 | ERA-Interim | 辐射数据、气温 | 0.75° | 3 h、1 d | | | 融合数据 | TMPA 3B42v7 | 降雨 | 0.25° | 1 d | | BESS | 遥感数据 | MODIS | Albedo、LAI、LST | 1 km或5 km | 8 d、16 d | [35,42] | | 再分析数据 | NCEP | TEM、WDS、tem_dewpoint | 1 km | 6 h | | ETWatch | 气象数据 | 气象数据集 | TEM、PRS、WDS等 | | 1 h | [43-44] | | 遥感数据 | MODIS或Landsat | Albedo、LAI、NDVI等 | 1 km或30 m | 8 d合成、16 d合成 | | | 高程数据 | 数字地形数据 | 高程、坡度、坡向 | 30 m | | | ETMonitor | 气象数据 | WRF模式 | TEM、PRS、WDS等 | 5 km | 1 h | [45-46] | | 遥感数据 | GLASS、MODIS、AMSR-E | Albedo、Preciptation、SM | 1 km | 8 d合成 | | | 地表覆盖类型数据 | 多源合成数据集 | Landcover | 1 km | 1 a | |
注:表中TEM表示气温、PRS表示气压、RHU表示相对湿度、WDS表示风速、Albedo表示反照率、LAI表示叶面积指数、NDVI表示归一化植被指数、LST表示地表温度、Landcover表示地表覆盖类型数据、ra表示空气动力学阻抗、ET0表示潜在蒸散发、tem_soil表示土壤温度、DSSF表示地表下行短波辐射、DSLF表示地表下行长波辐射、tile表示ECMWF数据库中的斑块数据、SM表示土壤湿度、Preciptation表示降雨数据、tem_dewpoint表示露点温度 ...
... 今后应建立适应用户不同需求的算法,建立复杂下垫面的蒸散发估算模型及系统[117],研究地表蒸散发与气象、植被等不同驱动数据之间的敏感性关系,考虑地表参数异质性及其对蒸散发的影响[71,118],如地表温度与土壤湿度是建立基于概率密度函数(PDF)的遥感蒸散发模型时需要优先考虑的地表变量[118],考虑云及地形等因素的影响,考虑混合像元对水热通量模拟造成的尺度效应[2].此外,应逐步完善考虑不同下垫面类型的蒸散发估算模型[43],如考虑城镇[119, 120]、水体、冰雪[45]等,并且对于植被覆盖区域,需要根据作物的物候分阶段建模[121-122];进一步考虑夜间地表蒸散发过程的算法模型,发展稳定、可靠、精度更高的时间尺度扩展方法也是十分必要的. ...
| 中国黑河流域 | 与观测站实测蒸发比相关性较高;与GRACE估算结果相关系数为0.7,均方根误差为12.7 mm,ETWatch估算结果与降雨量相关性强,相关系数为0.64~0.79 | [43-44] | 中国科学院遥感与数字地球研究所 | ETMonitor | Shuttleworth-Wallace | 1 d,8 d平均, ...
... 表示土壤部分的潜热通量,s为饱和水汽压随气温变化的速率,为湿度常数,和分别表示土壤表面的净辐射和土壤热通量,为相对湿度,为饱和水汽压差. | [35,42] | ETWatch | | 为潜热通量,ETWatch先由地表能量平衡模型获取晴好日蒸散发结果,将空气动力学阻抗输入至P-M模型获取连续日蒸散发 | [43-44] | ETMonitor | | 和分别为冠层和土壤的表面阻抗系数,和分别表示植被蒸腾和土壤水分蒸发的变量 ...
... ETWatch结合能量平衡单层模型和P-M模型估算蒸散发.根据遥感数据的分辨率高低分别选取利用SEBAL/METRIC/SEBS模型得到晴好日的蒸散发,并将其代入P-M公式获取地表阻抗.以此为基础,结合气象数据得到有云日的地表蒸散发[44].因此其蒸散发结果具有时间连续性.在估算显热通量时,使用的地表温度是利用改进的分劈窗算法并经过地面标定后得到,边界层气温则使用正弦变化调整到卫星过境时刻获得[44, 54, 65]. ...
... [44, 54, 65]. ...
... 15 min | | | 地表参数 | ECOCLIMAP | Landcover、tile、LAI_tile等 | 1 km | 1 m | | GLEAM | 遥感数据 | GEWEX-SRB | 辐射产品、TEM、SM等 | 1°、0.25° | 3 h、1 d | [41] | | 再分析数据 | ERA-Interim | 辐射数据、气温 | 0.75° | 3 h、1 d | | | 融合数据 | TMPA 3B42v7 | 降雨 | 0.25° | 1 d | | BESS | 遥感数据 | MODIS | Albedo、LAI、LST | 1 km或5 km | 8 d、16 d | [35,42] | | 再分析数据 | NCEP | TEM、WDS、tem_dewpoint | 1 km | 6 h | | ETWatch | 气象数据 | 气象数据集 | TEM、PRS、WDS等 | | 1 h | [43-44] | | 遥感数据 | MODIS或Landsat | Albedo、LAI、NDVI等 | 1 km或30 m | 8 d合成、16 d合成 | | | 高程数据 | 数字地形数据 | 高程、坡度、坡向 | 30 m | | | ETMonitor | 气象数据 | WRF模式 | TEM、PRS、WDS等 | 5 km | 1 h | [45-46] | | 遥感数据 | GLASS、MODIS、AMSR-E | Albedo、Preciptation、SM | 1 km | 8 d合成 | | | 地表覆盖类型数据 | 多源合成数据集 | Landcover | 1 km | 1 a | |
注:表中TEM表示气温、PRS表示气压、RHU表示相对湿度、WDS表示风速、Albedo表示反照率、LAI表示叶面积指数、NDVI表示归一化植被指数、LST表示地表温度、Landcover表示地表覆盖类型数据、ra表示空气动力学阻抗、ET0表示潜在蒸散发、tem_soil表示土壤温度、DSSF表示地表下行短波辐射、DSLF表示地表下行长波辐射、tile表示ECMWF数据库中的斑块数据、SM表示土壤湿度、Preciptation表示降雨数据、tem_dewpoint表示露点温度 ...
| 中国黑河流域 | 与观测站实测蒸发比相关性较高;与GRACE估算结果相关系数为0.7,均方根误差为12.7 mm,ETWatch估算结果与降雨量相关性强,相关系数为0.64~0.79 | [43-44] | 中国科学院遥感与数字地球研究所 | ETMonitor | Shuttleworth-Wallace | 1 d,8 d平均, ...
... 表示土壤部分的潜热通量,s为饱和水汽压随气温变化的速率,为湿度常数,和分别表示土壤表面的净辐射和土壤热通量,为相对湿度,为饱和水汽压差. | [35,42] | ETWatch | | 为潜热通量,ETWatch先由地表能量平衡模型获取晴好日蒸散发结果,将空气动力学阻抗输入至P-M模型获取连续日蒸散发 | [43-44] | ETMonitor | | 和分别为冠层和土壤的表面阻抗系数,和分别表示植被蒸腾和土壤水分蒸发的变量 ...
... ETWatch结合能量平衡单层模型和P-M模型估算蒸散发.根据遥感数据的分辨率高低分别选取利用SEBAL/METRIC/SEBS模型得到晴好日的蒸散发,并将其代入P-M公式获取地表阻抗.以此为基础,结合气象数据得到有云日的地表蒸散发[44].因此其蒸散发结果具有时间连续性.在估算显热通量时,使用的地表温度是利用改进的分劈窗算法并经过地面标定后得到,边界层气温则使用正弦变化调整到卫星过境时刻获得[44, 54, 65]. ...
... [44, 54, 65]. ...
... 15 min | | | 地表参数 | ECOCLIMAP | Landcover、tile、LAI_tile等 | 1 km | 1 m | | GLEAM | 遥感数据 | GEWEX-SRB | 辐射产品、TEM、SM等 | 1°、0.25° | 3 h、1 d | [41] | | 再分析数据 | ERA-Interim | 辐射数据、气温 | 0.75° | 3 h、1 d | | | 融合数据 | TMPA 3B42v7 | 降雨 | 0.25° | 1 d | | BESS | 遥感数据 | MODIS | Albedo、LAI、LST | 1 km或5 km | 8 d、16 d | [35,42] | | 再分析数据 | NCEP | TEM、WDS、tem_dewpoint | 1 km | 6 h | | ETWatch | 气象数据 | 气象数据集 | TEM、PRS、WDS等 | | 1 h | [43-44] | | 遥感数据 | MODIS或Landsat | Albedo、LAI、NDVI等 | 1 km或30 m | 8 d合成、16 d合成 | | | 高程数据 | 数字地形数据 | 高程、坡度、坡向 | 30 m | | | ETMonitor | 气象数据 | WRF模式 | TEM、PRS、WDS等 | 5 km | 1 h | [45-46] | | 遥感数据 | GLASS、MODIS、AMSR-E | Albedo、Preciptation、SM | 1 km | 8 d合成 | | | 地表覆盖类型数据 | 多源合成数据集 | Landcover | 1 km | 1 a | |
注:表中TEM表示气温、PRS表示气压、RHU表示相对湿度、WDS表示风速、Albedo表示反照率、LAI表示叶面积指数、NDVI表示归一化植被指数、LST表示地表温度、Landcover表示地表覆盖类型数据、ra表示空气动力学阻抗、ET0表示潜在蒸散发、tem_soil表示土壤温度、DSSF表示地表下行短波辐射、DSLF表示地表下行长波辐射、tile表示ECMWF数据库中的斑块数据、SM表示土壤湿度、Preciptation表示降雨数据、tem_dewpoint表示露点温度 ...
Monitoring of Evapotranspiration in a Semi-Arid Inland River Basin by Combining Microwave and Optical Remote Sensing Observations
9
2015
| 250 m、1 km | 中国黑河流域 | 与MOD16相比ETMonitor估算结果与地面EC观测的实际蒸散一致性较高,相关系数为0.87~0.96,优于MOD16的0.64~0.71;春季在盈科站,由于土壤湿度的低估而存在低估 | [45-46] | 2 蒸散发遥感产品算法地表实际蒸散发的估算主要围绕地表潜热通量展开,空气动力学阻抗或表面阻抗是其中的关键参数,本节主要介绍地表实际蒸散发的估算过程及阻抗的具体参数化方案. ...
... | [45-46] |
SSEBop假设每天或每8 d时间间隔的地表蒸散发速率与潜在蒸散发速率相等[38, 53],根据温度及参考蒸散发估算实际蒸散发,简化了计算,避免了复杂的表面阻抗求解,且无需单独估算显热和土壤热通量,提高了计算效率[54]. ...
... ETMonitor的蒸散发产品主要基于Shuttleworth-Wallace双层模型[66]和改进的降雨截留模型RS-Gash(RemoteSensing-Gash),并单独考虑了水体蒸发[51]和冰雪升华[45, 67].Shuttleworth-Wallace双层模型将植被冠层与下层的土壤假设为上下串联、彼此连续的湍流通量和热量交换源、汇,相比于单层模型,更适用于植被稀疏地区[45, 68].降雨截留模型RS-Gash认为树的所有组成部分对降雨都有拦截能力,假设冠层截留饱和后剩余的降水再穿过冠层降至地表,将植被的叶、枝、干当作一个整体[69],引入植被面积指数VAI(Vegetation Area Index)(包括枯叶、树干等面积)估算树冠持水量;假设饱和状态的树冠和树干的蒸发速率相同,提出饱和植被单位地表植被覆盖面积VAI的平均蒸发速率,同时利用泊松分布将VAI分解为若干个子像元并对每个子像元单独估算;假设子像元内部VAI均匀分布,植被在像元尺度的降雨截留是各个子像元降雨截留的加权和,考虑了像元内部植被分布的非均匀性[51]. ...
... [45, 68].降雨截留模型RS-Gash认为树的所有组成部分对降雨都有拦截能力,假设冠层截留饱和后剩余的降水再穿过冠层降至地表,将植被的叶、枝、干当作一个整体[69],引入植被面积指数VAI(Vegetation Area Index)(包括枯叶、树干等面积)估算树冠持水量;假设饱和状态的树冠和树干的蒸发速率相同,提出饱和植被单位地表植被覆盖面积VAI的平均蒸发速率,同时利用泊松分布将VAI分解为若干个子像元并对每个子像元单独估算;假设子像元内部VAI均匀分布,植被在像元尺度的降雨截留是各个子像元降雨截留的加权和,考虑了像元内部植被分布的非均匀性[51]. ...
... ETMonitor将空气动力学阻抗分为冠层上下两部分,冠层边界层的空气动力学阻抗使用LAI和平均边界层阻抗求解;土壤和参考高度处与冠层内源汇高度处之间的空气动力学阻抗使用Shuttleworth提出的分析方法估算,并对稀疏和密闭冠层加以区分[46, 51, 66].冠层表面阻抗与LSA-SAF均是根据Jarvis提出的参数化方案,由最小气孔阻抗及绿色叶面积指数及多种环境因子估算.ETMonitor中考虑的环境因子包括气温、短波辐射、饱和水汽压差及根区土壤含水量等多个环境因子建立的函数估算获取冠层表面阻抗,具体参数化过程可参见文献[45].ETMonitor产品的土壤表面阻抗采用土壤水的函数估算,土壤水使用AMSR-E(the Advanced Microwave Scanning Radiometer-Earth Observing System)中不同土壤类型的土壤含水量数据,利用数据同化方法降低了土壤湿度的不确定性[51]. ...
... ETMonitor的净辐射使用气象驱动数据中的下行长短波辐射估算,并假设日均气温与地表温度差异较小,用于求解净辐射通量[45, 51]. ...
... ETMonitor中的气象数据由每小时的观测结果统一至日均气象数据,降水由每3 h的数据累积获取至日总降水,NDVI数据对缺失值按照HANTS算法获取连续日NDVI及连续的LAI[90],然后得到日总潜热通量和日总蒸散发结果[45]. ...
... 15 min | | | 地表参数 | ECOCLIMAP | Landcover、tile、LAI_tile等 | 1 km | 1 m | | GLEAM | 遥感数据 | GEWEX-SRB | 辐射产品、TEM、SM等 | 1°、0.25° | 3 h、1 d | [41] | | 再分析数据 | ERA-Interim | 辐射数据、气温 | 0.75° | 3 h、1 d | | | 融合数据 | TMPA 3B42v7 | 降雨 | 0.25° | 1 d | | BESS | 遥感数据 | MODIS | Albedo、LAI、LST | 1 km或5 km | 8 d、16 d | [35,42] | | 再分析数据 | NCEP | TEM、WDS、tem_dewpoint | 1 km | 6 h | | ETWatch | 气象数据 | 气象数据集 | TEM、PRS、WDS等 | | 1 h | [43-44] | | 遥感数据 | MODIS或Landsat | Albedo、LAI、NDVI等 | 1 km或30 m | 8 d合成、16 d合成 | | | 高程数据 | 数字地形数据 | 高程、坡度、坡向 | 30 m | | | ETMonitor | 气象数据 | WRF模式 | TEM、PRS、WDS等 | 5 km | 1 h | [45-46] | | 遥感数据 | GLASS、MODIS、AMSR-E | Albedo、Preciptation、SM | 1 km | 8 d合成 | | | 地表覆盖类型数据 | 多源合成数据集 | Landcover | 1 km | 1 a | |
注:表中TEM表示气温、PRS表示气压、RHU表示相对湿度、WDS表示风速、Albedo表示反照率、LAI表示叶面积指数、NDVI表示归一化植被指数、LST表示地表温度、Landcover表示地表覆盖类型数据、ra表示空气动力学阻抗、ET0表示潜在蒸散发、tem_soil表示土壤温度、DSSF表示地表下行短波辐射、DSLF表示地表下行长波辐射、tile表示ECMWF数据库中的斑块数据、SM表示土壤湿度、Preciptation表示降雨数据、tem_dewpoint表示露点温度 ...
... 今后应建立适应用户不同需求的算法,建立复杂下垫面的蒸散发估算模型及系统[117],研究地表蒸散发与气象、植被等不同驱动数据之间的敏感性关系,考虑地表参数异质性及其对蒸散发的影响[71,118],如地表温度与土壤湿度是建立基于概率密度函数(PDF)的遥感蒸散发模型时需要优先考虑的地表变量[118],考虑云及地形等因素的影响,考虑混合像元对水热通量模拟造成的尺度效应[2].此外,应逐步完善考虑不同下垫面类型的蒸散发估算模型[43],如考虑城镇[119, 120]、水体、冰雪[45]等,并且对于植被覆盖区域,需要根据作物的物候分阶段建模[121-122];进一步考虑夜间地表蒸散发过程的算法模型,发展稳定、可靠、精度更高的时间尺度扩展方法也是十分必要的. ...
Global Evapotranspiration Derived by ETMonitor Model based on Earth Observations
6
2016
| 250 m、1 km | 中国黑河流域 | 与MOD16相比ETMonitor估算结果与地面EC观测的实际蒸散一致性较高,相关系数为0.87~0.96,优于MOD16的0.64~0.71;春季在盈科站,由于土壤湿度的低估而存在低估 | [45-46] | 2 蒸散发遥感产品算法地表实际蒸散发的估算主要围绕地表潜热通量展开,空气动力学阻抗或表面阻抗是其中的关键参数,本节主要介绍地表实际蒸散发的估算过程及阻抗的具体参数化方案. ...
... | [45-46] |
SSEBop假设每天或每8 d时间间隔的地表蒸散发速率与潜在蒸散发速率相等[38, 53],根据温度及参考蒸散发估算实际蒸散发,简化了计算,避免了复杂的表面阻抗求解,且无需单独估算显热和土壤热通量,提高了计算效率[54]. ...
... ETMonitor将空气动力学阻抗分为冠层上下两部分,冠层边界层的空气动力学阻抗使用LAI和平均边界层阻抗求解;土壤和参考高度处与冠层内源汇高度处之间的空气动力学阻抗使用Shuttleworth提出的分析方法估算,并对稀疏和密闭冠层加以区分[46, 51, 66].冠层表面阻抗与LSA-SAF均是根据Jarvis提出的参数化方案,由最小气孔阻抗及绿色叶面积指数及多种环境因子估算.ETMonitor中考虑的环境因子包括气温、短波辐射、饱和水汽压差及根区土壤含水量等多个环境因子建立的函数估算获取冠层表面阻抗,具体参数化过程可参见文献[45].ETMonitor产品的土壤表面阻抗采用土壤水的函数估算,土壤水使用AMSR-E(the Advanced Microwave Scanning Radiometer-Earth Observing System)中不同土壤类型的土壤含水量数据,利用数据同化方法降低了土壤湿度的不确定性[51]. ...
... 15 min | | | 地表参数 | ECOCLIMAP | Landcover、tile、LAI_tile等 | 1 km | 1 m | | GLEAM | 遥感数据 | GEWEX-SRB | 辐射产品、TEM、SM等 | 1°、0.25° | 3 h、1 d | [41] | | 再分析数据 | ERA-Interim | 辐射数据、气温 | 0.75° | 3 h、1 d | | | 融合数据 | TMPA 3B42v7 | 降雨 | 0.25° | 1 d | | BESS | 遥感数据 | MODIS | Albedo、LAI、LST | 1 km或5 km | 8 d、16 d | [35,42] | | 再分析数据 | NCEP | TEM、WDS、tem_dewpoint | 1 km | 6 h | | ETWatch | 气象数据 | 气象数据集 | TEM、PRS、WDS等 | | 1 h | [43-44] | | 遥感数据 | MODIS或Landsat | Albedo、LAI、NDVI等 | 1 km或30 m | 8 d合成、16 d合成 | | | 高程数据 | 数字地形数据 | 高程、坡度、坡向 | 30 m | | | ETMonitor | 气象数据 | WRF模式 | TEM、PRS、WDS等 | 5 km | 1 h | [45-46] | | 遥感数据 | GLASS、MODIS、AMSR-E | Albedo、Preciptation、SM | 1 km | 8 d合成 | | | 地表覆盖类型数据 | 多源合成数据集 | Landcover | 1 km | 1 a | |
注:表中TEM表示气温、PRS表示气压、RHU表示相对湿度、WDS表示风速、Albedo表示反照率、LAI表示叶面积指数、NDVI表示归一化植被指数、LST表示地表温度、Landcover表示地表覆盖类型数据、ra表示空气动力学阻抗、ET0表示潜在蒸散发、tem_soil表示土壤温度、DSSF表示地表下行短波辐射、DSLF表示地表下行长波辐射、tile表示ECMWF数据库中的斑块数据、SM表示土壤湿度、Preciptation表示降雨数据、tem_dewpoint表示露点温度 ...
... ETMonitor与10个EC观测站的观测结果相关性较高(R2=0.74),与GLEAM和MODIS-MOD16的R2分别为0.72和0.65,能够满足估算全球地表蒸散发的研究需求[46]. ...
... 总体而言,各种蒸散发遥感产品与地面通量站点的验证结果一致性较好.估算结果在植被覆盖密集、气候条件为温湿的区域优于植被覆盖稀疏、干旱半干旱地区,如森林站点优于稻田、稀树草原等[16, 36, 41, 46];对于高大植被的估算结果精度优于低矮植被[98]. ...
中国西北潜在蒸散时空演变特征及其定量化成因
1
2012
... 潜在蒸散发是“土壤水分充足、特定时间、大面积完全覆盖地表、株高一致、低矮绿植的蒸散发量”,是对区域气候因素变化的反映[15],在区域干湿状况评价、作物需水量分析、水资源管理、生态环境等研究中具有重要意义[47-48].饱和下垫面的蒸散发对于实际蒸散发的估算有重要影响,主要取决于太阳辐射和气象条件[49].有些产品是先获取地表潜在蒸散发,再由潜在蒸散发估算实际蒸散发. ...
中国西北潜在蒸散时空演变特征及其定量化成因
1
2012
... 潜在蒸散发是“土壤水分充足、特定时间、大面积完全覆盖地表、株高一致、低矮绿植的蒸散发量”,是对区域气候因素变化的反映[15],在区域干湿状况评价、作物需水量分析、水资源管理、生态环境等研究中具有重要意义[47-48].饱和下垫面的蒸散发对于实际蒸散发的估算有重要影响,主要取决于太阳辐射和气象条件[49].有些产品是先获取地表潜在蒸散发,再由潜在蒸散发估算实际蒸散发. ...
浙江省潜在蒸散发变化及水文过程研究
1
2017
... 潜在蒸散发是“土壤水分充足、特定时间、大面积完全覆盖地表、株高一致、低矮绿植的蒸散发量”,是对区域气候因素变化的反映[15],在区域干湿状况评价、作物需水量分析、水资源管理、生态环境等研究中具有重要意义[47-48].饱和下垫面的蒸散发对于实际蒸散发的估算有重要影响,主要取决于太阳辐射和气象条件[49].有些产品是先获取地表潜在蒸散发,再由潜在蒸散发估算实际蒸散发. ...
基于MODIS数据的双温双源蒸散发模型研究
1
2008
... 潜在蒸散发是“土壤水分充足、特定时间、大面积完全覆盖地表、株高一致、低矮绿植的蒸散发量”,是对区域气候因素变化的反映[15],在区域干湿状况评价、作物需水量分析、水资源管理、生态环境等研究中具有重要意义[47-48].饱和下垫面的蒸散发对于实际蒸散发的估算有重要影响,主要取决于太阳辐射和气象条件[49].有些产品是先获取地表潜在蒸散发,再由潜在蒸散发估算实际蒸散发. ...
基于MODIS数据的双温双源蒸散发模型研究
1
2008
... 潜在蒸散发是“土壤水分充足、特定时间、大面积完全覆盖地表、株高一致、低矮绿植的蒸散发量”,是对区域气候因素变化的反映[15],在区域干湿状况评价、作物需水量分析、水资源管理、生态环境等研究中具有重要意义[47-48].饱和下垫面的蒸散发对于实际蒸散发的估算有重要影响,主要取决于太阳辐射和气象条件[49].有些产品是先获取地表潜在蒸散发,再由潜在蒸散发估算实际蒸散发. ...
Evaluation of Three Complementary Relationship Approaches for Evapotranspiration over the Yellow River Basin
2
2006
... MODIS-MOD16使用物理意义明确且不受地表温度影响的P-M模型[37],分别计算土壤蒸发与植被蒸腾,如公式(1),并在其基础上简化了对植被覆盖度的计算,减少了驱动数据的影响;对不同生物类型建立了叶片导度查找表估算不同生物的蒸腾量;根据相对湿度建立湿度函数将叶片和土壤的含水状态分为湿润及潮湿两种状态,对植被分别考虑叶片水分未饱和时的蒸腾与植被叶片湿润时截留的水分蒸发;土壤由湿度函数分为轻微湿润及潮湿两种含水状态[19, 36, 50]. ...
... 地表蒸散发是由多源数据经过模型估算的结果,其精度受到驱动数据和模型等多种因素的影响,如MODIS-MOD16受植被指数等数据影响,在极地气候区的估算精度最低,在干旱、半干旱地区存在低估.GLEAM的降雨数据对高纬度地区存在低估[52, 105].Talsma等对比了MODIS-MOD16、ET_PT-JPL和GLEAM模型及其对不同驱动变量的敏感性,3个模型估算的蒸散发结果对变量的敏感性由强到弱分别为NDVI、RH、净辐射;MODIS-MOD16和ET_PT-JPL较为相似,均对NDVI最敏感,GLEAM相比于其他两个模型对驱动的敏感性较弱,主要受降雨的影响较大,其次是净辐射[106].目前,蒸散发产品逐步发展,较多的应用于区域蒸散发的时空变化分析[70]、灌溉影响[50]及水文变化过程[79]等研究,各产品在不同时空区域的估算结果均存在一定的优势和缺陷,但各产品覆盖的时空范围尚未统一,在不同时空范围的适用性需进一步的研究. ...
多源遥感观测数据驱动的土壤-植被系统蒸散发估算研究
9
2015
... 植被冠层对降水的截留,指降水由植被拦截后直接蒸发返回大气而未到达地面的部分[51],其估算方法主要有经验统计、半经验、水量平衡等模型,应用较多的是半经验化的机理模型[51].当可供植被蒸腾的能量较低时,冠层表面的截留蒸发通常是植被自身蒸腾量的数倍[52],而P-M类公式的空气动力学部分以通量估算为主,无法直接考虑截留的影响;另外,蒸散发驱动力的研究集中于净辐射和土壤湿度,与冠层截留的动态影响并不直接相关.因此需要单独考虑冠层截留蒸发[52]. ...
... [51].当可供植被蒸腾的能量较低时,冠层表面的截留蒸发通常是植被自身蒸腾量的数倍[52],而P-M类公式的空气动力学部分以通量估算为主,无法直接考虑截留的影响;另外,蒸散发驱动力的研究集中于净辐射和土壤湿度,与冠层截留的动态影响并不直接相关.因此需要单独考虑冠层截留蒸发[52]. ...
... 当冠层表面水分饱和时,MODIS-MOD16估算植被的潜在蒸腾量,但对于冠层截留水分是否饱和的判定存在一定的不确定性[36],未考虑植被在像元内部的非均匀性等影响[51].MODIS-MOD16的实际蒸散发估算包括湿润冠层水分蒸发、干燥冠层蒸腾及土壤的水分蒸发3部分之和[36],对应潜热通量由相应的阻抗按照P-M公式求得湿润冠层、植被蒸腾、土壤的潜热通量后加和得到. ...
... ETMonitor的蒸散发产品主要基于Shuttleworth-Wallace双层模型[66]和改进的降雨截留模型RS-Gash(RemoteSensing-Gash),并单独考虑了水体蒸发[51]和冰雪升华[45, 67].Shuttleworth-Wallace双层模型将植被冠层与下层的土壤假设为上下串联、彼此连续的湍流通量和热量交换源、汇,相比于单层模型,更适用于植被稀疏地区[45, 68].降雨截留模型RS-Gash认为树的所有组成部分对降雨都有拦截能力,假设冠层截留饱和后剩余的降水再穿过冠层降至地表,将植被的叶、枝、干当作一个整体[69],引入植被面积指数VAI(Vegetation Area Index)(包括枯叶、树干等面积)估算树冠持水量;假设饱和状态的树冠和树干的蒸发速率相同,提出饱和植被单位地表植被覆盖面积VAI的平均蒸发速率,同时利用泊松分布将VAI分解为若干个子像元并对每个子像元单独估算;假设子像元内部VAI均匀分布,植被在像元尺度的降雨截留是各个子像元降雨截留的加权和,考虑了像元内部植被分布的非均匀性[51]. ...
... [51]. ...
... ETMonitor将空气动力学阻抗分为冠层上下两部分,冠层边界层的空气动力学阻抗使用LAI和平均边界层阻抗求解;土壤和参考高度处与冠层内源汇高度处之间的空气动力学阻抗使用Shuttleworth提出的分析方法估算,并对稀疏和密闭冠层加以区分[46, 51, 66].冠层表面阻抗与LSA-SAF均是根据Jarvis提出的参数化方案,由最小气孔阻抗及绿色叶面积指数及多种环境因子估算.ETMonitor中考虑的环境因子包括气温、短波辐射、饱和水汽压差及根区土壤含水量等多个环境因子建立的函数估算获取冠层表面阻抗,具体参数化过程可参见文献[45].ETMonitor产品的土壤表面阻抗采用土壤水的函数估算,土壤水使用AMSR-E(the Advanced Microwave Scanning Radiometer-Earth Observing System)中不同土壤类型的土壤含水量数据,利用数据同化方法降低了土壤湿度的不确定性[51]. ...
... [51]. ...
... ETMonitor的净辐射使用气象驱动数据中的下行长短波辐射估算,并假设日均气温与地表温度差异较小,用于求解净辐射通量[45, 51]. ...
... MODIS-MOD16在改进的算法中考虑了土壤热通量,并区分了白天和夜间,考虑气孔不同开闭状态的土壤热通量取值.LSA-SAF的土壤热通量是按照经验系数求解得到的,其经验系数与叶面积指数有关.GLEAM将地表划分为高大植被、低矮植被和裸地,分别对其土壤热通量G按经验公式取Rn的5%、20%和25%.BESS中土壤热通量取0.35作为系数按照经验公式估算.ETWatch的土壤热通量是利用植被覆盖度,按照经验公式估算,并根据水面的月蒸发数据得到的系数估算水体的日土壤热通量,区分了水体与植被覆盖地区,精度较高[43].SSEBop[38]、ET_PT-JPL、ETMonitor[2]对土壤热通量忽略不计[16, 51]. ...
多源遥感观测数据驱动的土壤-植被系统蒸散发估算研究
9
2015
... 植被冠层对降水的截留,指降水由植被拦截后直接蒸发返回大气而未到达地面的部分[51],其估算方法主要有经验统计、半经验、水量平衡等模型,应用较多的是半经验化的机理模型[51].当可供植被蒸腾的能量较低时,冠层表面的截留蒸发通常是植被自身蒸腾量的数倍[52],而P-M类公式的空气动力学部分以通量估算为主,无法直接考虑截留的影响;另外,蒸散发驱动力的研究集中于净辐射和土壤湿度,与冠层截留的动态影响并不直接相关.因此需要单独考虑冠层截留蒸发[52]. ...
... [51].当可供植被蒸腾的能量较低时,冠层表面的截留蒸发通常是植被自身蒸腾量的数倍[52],而P-M类公式的空气动力学部分以通量估算为主,无法直接考虑截留的影响;另外,蒸散发驱动力的研究集中于净辐射和土壤湿度,与冠层截留的动态影响并不直接相关.因此需要单独考虑冠层截留蒸发[52]. ...
... 当冠层表面水分饱和时,MODIS-MOD16估算植被的潜在蒸腾量,但对于冠层截留水分是否饱和的判定存在一定的不确定性[36],未考虑植被在像元内部的非均匀性等影响[51].MODIS-MOD16的实际蒸散发估算包括湿润冠层水分蒸发、干燥冠层蒸腾及土壤的水分蒸发3部分之和[36],对应潜热通量由相应的阻抗按照P-M公式求得湿润冠层、植被蒸腾、土壤的潜热通量后加和得到. ...
... ETMonitor的蒸散发产品主要基于Shuttleworth-Wallace双层模型[66]和改进的降雨截留模型RS-Gash(RemoteSensing-Gash),并单独考虑了水体蒸发[51]和冰雪升华[45, 67].Shuttleworth-Wallace双层模型将植被冠层与下层的土壤假设为上下串联、彼此连续的湍流通量和热量交换源、汇,相比于单层模型,更适用于植被稀疏地区[45, 68].降雨截留模型RS-Gash认为树的所有组成部分对降雨都有拦截能力,假设冠层截留饱和后剩余的降水再穿过冠层降至地表,将植被的叶、枝、干当作一个整体[69],引入植被面积指数VAI(Vegetation Area Index)(包括枯叶、树干等面积)估算树冠持水量;假设饱和状态的树冠和树干的蒸发速率相同,提出饱和植被单位地表植被覆盖面积VAI的平均蒸发速率,同时利用泊松分布将VAI分解为若干个子像元并对每个子像元单独估算;假设子像元内部VAI均匀分布,植被在像元尺度的降雨截留是各个子像元降雨截留的加权和,考虑了像元内部植被分布的非均匀性[51]. ...
... [51]. ...
... ETMonitor将空气动力学阻抗分为冠层上下两部分,冠层边界层的空气动力学阻抗使用LAI和平均边界层阻抗求解;土壤和参考高度处与冠层内源汇高度处之间的空气动力学阻抗使用Shuttleworth提出的分析方法估算,并对稀疏和密闭冠层加以区分[46, 51, 66].冠层表面阻抗与LSA-SAF均是根据Jarvis提出的参数化方案,由最小气孔阻抗及绿色叶面积指数及多种环境因子估算.ETMonitor中考虑的环境因子包括气温、短波辐射、饱和水汽压差及根区土壤含水量等多个环境因子建立的函数估算获取冠层表面阻抗,具体参数化过程可参见文献[45].ETMonitor产品的土壤表面阻抗采用土壤水的函数估算,土壤水使用AMSR-E(the Advanced Microwave Scanning Radiometer-Earth Observing System)中不同土壤类型的土壤含水量数据,利用数据同化方法降低了土壤湿度的不确定性[51]. ...
... [51]. ...
... ETMonitor的净辐射使用气象驱动数据中的下行长短波辐射估算,并假设日均气温与地表温度差异较小,用于求解净辐射通量[45, 51]. ...
... MODIS-MOD16在改进的算法中考虑了土壤热通量,并区分了白天和夜间,考虑气孔不同开闭状态的土壤热通量取值.LSA-SAF的土壤热通量是按照经验系数求解得到的,其经验系数与叶面积指数有关.GLEAM将地表划分为高大植被、低矮植被和裸地,分别对其土壤热通量G按经验公式取Rn的5%、20%和25%.BESS中土壤热通量取0.35作为系数按照经验公式估算.ETWatch的土壤热通量是利用植被覆盖度,按照经验公式估算,并根据水面的月蒸发数据得到的系数估算水体的日土壤热通量,区分了水体与植被覆盖地区,精度较高[43].SSEBop[38]、ET_PT-JPL、ETMonitor[2]对土壤热通量忽略不计[16, 51]. ...
Magnitude and Variability of Land Evaporation and Its Components at the Global Scale
3
2011
... 植被冠层对降水的截留,指降水由植被拦截后直接蒸发返回大气而未到达地面的部分[51],其估算方法主要有经验统计、半经验、水量平衡等模型,应用较多的是半经验化的机理模型[51].当可供植被蒸腾的能量较低时,冠层表面的截留蒸发通常是植被自身蒸腾量的数倍[52],而P-M类公式的空气动力学部分以通量估算为主,无法直接考虑截留的影响;另外,蒸散发驱动力的研究集中于净辐射和土壤湿度,与冠层截留的动态影响并不直接相关.因此需要单独考虑冠层截留蒸发[52]. ...
... [52]. ...
... 地表蒸散发是由多源数据经过模型估算的结果,其精度受到驱动数据和模型等多种因素的影响,如MODIS-MOD16受植被指数等数据影响,在极地气候区的估算精度最低,在干旱、半干旱地区存在低估.GLEAM的降雨数据对高纬度地区存在低估[52, 105].Talsma等对比了MODIS-MOD16、ET_PT-JPL和GLEAM模型及其对不同驱动变量的敏感性,3个模型估算的蒸散发结果对变量的敏感性由强到弱分别为NDVI、RH、净辐射;MODIS-MOD16和ET_PT-JPL较为相似,均对NDVI最敏感,GLEAM相比于其他两个模型对驱动的敏感性较弱,主要受降雨的影响较大,其次是净辐射[106].目前,蒸散发产品逐步发展,较多的应用于区域蒸散发的时空变化分析[70]、灌溉影响[50]及水文变化过程[79]等研究,各产品在不同时空区域的估算结果均存在一定的优势和缺陷,但各产品覆盖的时空范围尚未统一,在不同时空范围的适用性需进一步的研究. ...
Actual Evapotranspiration (Water Use) Assessment of the Colorado River Basin at the Landsat Resolution Using the Operational Simplified Surface Energy Balance Model
1
2013
... SSEBop假设每天或每8 d时间间隔的地表蒸散发速率与潜在蒸散发速率相等[38, 53],根据温度及参考蒸散发估算实际蒸散发,简化了计算,避免了复杂的表面阻抗求解,且无需单独估算显热和土壤热通量,提高了计算效率[54]. ...
Satellite Psychrometric Formulation of the Operational Simplified Surface Energy Balance (SSEBop) Model for Quantifying and Mapping Evapotranspiration
2
2018
... SSEBop假设每天或每8 d时间间隔的地表蒸散发速率与潜在蒸散发速率相等[38, 53],根据温度及参考蒸散发估算实际蒸散发,简化了计算,避免了复杂的表面阻抗求解,且无需单独估算显热和土壤热通量,提高了计算效率[54]. ...
... ETWatch结合能量平衡单层模型和P-M模型估算蒸散发.根据遥感数据的分辨率高低分别选取利用SEBAL/METRIC/SEBS模型得到晴好日的蒸散发,并将其代入P-M公式获取地表阻抗.以此为基础,结合气象数据得到有云日的地表蒸散发[44].因此其蒸散发结果具有时间连续性.在估算显热通量时,使用的地表温度是利用改进的分劈窗算法并经过地面标定后得到,边界层气温则使用正弦变化调整到卫星过境时刻获得[44, 54, 65]. ...
On the Assessment of Surface Heat Flux and Evaporation Using Large-Scale Parameters
1
1972
... ET_PT-JPL的目标是借助于国际空间站ISS上搭载的热红外传感器获取的数据及MODIS等辅助数据完成ECOSTRESS的地球水资源及植被对水资源变化的响应观测任务[32].基于模型需具有明确的物理意义,全球适用,高精度、高灵敏度,尽量使用遥感数据,运算相对简单,算法成熟且稳定等需求[32],最终选择P-T模型估算蒸散发[55].P-T模型是P-M模型的简化版,用经验系数获取潜在蒸散发. ...
中国东部典型森林生态系统蒸散及其组分变异规律研究
1
2015
... 由P-T公式获取潜在蒸散发后由相对湿度函数获取的表面湿度与冠层潜在蒸散发获取实际蒸散发[33],无需土壤湿度、风速等数据驱动,无需考虑气孔阻抗.分土壤和植被冠层估算,并按照大气湿度数据(饱和水汽压差和相对湿度)及植被指数(NDVI、fPAR、LAI等)建立的生理生态学约束函数获取环境因子修正实际蒸散发[16, 33, 56]. ...
中国东部典型森林生态系统蒸散及其组分变异规律研究
1
2015
... 由P-T公式获取潜在蒸散发后由相对湿度函数获取的表面湿度与冠层潜在蒸散发获取实际蒸散发[33],无需土壤湿度、风速等数据驱动,无需考虑气孔阻抗.分土壤和植被冠层估算,并按照大气湿度数据(饱和水汽压差和相对湿度)及植被指数(NDVI、fPAR、LAI等)建立的生理生态学约束函数获取环境因子修正实际蒸散发[16, 33, 56]. ...
陆气相互作用中普通双源模型与ALEXI模型的比较
1
2012
... ET_ALEXI同样是基于ECOSTRESS观测任务,使用ISS搭载的热辐射计观测获取的地表温度和地表发射率数据,获取研究区域对应地块尺度的蒸散发数据.该产品基于ALEXI/DisALEXI双源能量平衡模型获得.首先由ALEXI模型,根据NOAA静止卫星数据在上午日出后1 h t1和正午前1 h t2的两个辐射温度数据耦合大气边界层Slab模型,假设上午该时段内的显热通量与辐射温度呈线性关系,迭代求解显热通量.再由瞬时潜热通量与每小时的入射辐射的比值进行时间尺度扩展获取日蒸散发估算结果.冠层的潜热通量采用P-T近似方法获取[57].由ALEXI模型获取的蒸散发结果空间分辨率较低(4 km),使用t2时刻的蒸散发估算结果,结合ECOSTRESS的高空间分辨率数据,使用DisALEXI模型降尺度至30 m空间分辨率得到瞬时地表蒸散发,再积分获取日累积地表蒸散发产品.ALEXI模型使用时差温度,减小了传感器定标引起的通量误差. ...
陆气相互作用中普通双源模型与ALEXI模型的比较
1
2012
... ET_ALEXI同样是基于ECOSTRESS观测任务,使用ISS搭载的热辐射计观测获取的地表温度和地表发射率数据,获取研究区域对应地块尺度的蒸散发数据.该产品基于ALEXI/DisALEXI双源能量平衡模型获得.首先由ALEXI模型,根据NOAA静止卫星数据在上午日出后1 h t1和正午前1 h t2的两个辐射温度数据耦合大气边界层Slab模型,假设上午该时段内的显热通量与辐射温度呈线性关系,迭代求解显热通量.再由瞬时潜热通量与每小时的入射辐射的比值进行时间尺度扩展获取日蒸散发估算结果.冠层的潜热通量采用P-T近似方法获取[57].由ALEXI模型获取的蒸散发结果空间分辨率较低(4 km),使用t2时刻的蒸散发估算结果,结合ECOSTRESS的高空间分辨率数据,使用DisALEXI模型降尺度至30 m空间分辨率得到瞬时地表蒸散发,再积分获取日累积地表蒸散发产品.ALEXI模型使用时差温度,减小了传感器定标引起的通量误差. ...
Land Surface Evapotranspiration as Seen from Meteosat Second Generation Satellites:LSA-SAF Developments and Perspectives
3
2012
... LSA-SAF(Satellite Application Facility on Land Surface Analysis)产品包含瞬时蒸散发产品MET(MSG-ET)日累积蒸散发DMET(Daily MSG ET)和参考蒸散发METREF(Reference ET).实际蒸散发的估算是基于土壤—植被—大气交换模型SVAT(Soil-Vegetation-Atmosphere Transfer).假设土壤—植被—大气是一个连续体,土壤和植被同时与大气进行水汽和能量交换,根据莫宁-奥布霍夫相似理论迭代求得相应参数后获得瞬时蒸散发结果.使用MSG-SEVIRI静止卫星数据,时间分辨率较高,每半小时即可得到一个瞬时估算结果,日地表实际蒸散发的数据由每半小时的估算结果积分得到.将每个像元按全球生态地表覆盖类型数据库ECOCLIMAP数据的斑块(tile)计算各变量,最后通过面积比例加权求和至像元尺度[58, 59].估算公式如表2中所示. ...
... LSA-SAF得到的是3 km每半小时的瞬时结果,根据瞬时蒸散发积分得到日累积蒸散发产品,输出瞬时蒸散发和日蒸散发以及质量评价结果[58]. ...
... LSA-SAF的蒸散发与欧洲地面站点的观测结果一致性良好,在欧洲、南美、非洲与GLDAS的结果相关性良好,相关系数为0.612~0.850[58, 101]. ...
(PUM MET/22),2010,33
1
754
... LSA-SAF(Satellite Application Facility on Land Surface Analysis)产品包含瞬时蒸散发产品MET(MSG-ET)日累积蒸散发DMET(Daily MSG ET)和参考蒸散发METREF(Reference ET).实际蒸散发的估算是基于土壤—植被—大气交换模型SVAT(Soil-Vegetation-Atmosphere Transfer).假设土壤—植被—大气是一个连续体,土壤和植被同时与大气进行水汽和能量交换,根据莫宁-奥布霍夫相似理论迭代求得相应参数后获得瞬时蒸散发结果.使用MSG-SEVIRI静止卫星数据,时间分辨率较高,每半小时即可得到一个瞬时估算结果,日地表实际蒸散发的数据由每半小时的估算结果积分得到.将每个像元按全球生态地表覆盖类型数据库ECOCLIMAP数据的斑块(tile)计算各变量,最后通过面积比例加权求和至像元尺度[58, 59].估算公式如表2中所示. ...
基于GLEAM遥感模型的中国1980~2011年地表蒸散发时空变化
2
2015
... GLEAM先获取潜在蒸散发结果,再利用实测降水、表层土壤湿度及植被含水量作为蒸散发的约束[34, 60],考虑可利用水、热量胁迫及植被物候变化的胁迫作用,并单独估算植被的降雨截留获取实际蒸散发结果.降雨截留按照降雨频率估算,仅对森林中的高大植被考虑降雨截留[61].估算公式如表2中所示.虽然估算结果受微波土壤湿度遥感产品的空间分辨率限制[1],但避免了天气条件的影响.在GLEAM v3数据集中,借助全球陆地数据同化系统GLDAS (Global Land Data Assimilation System)数据采用TCA (Triple Collection Analysis) 分析方法,检验了模拟和观测的土壤湿度数据的误差[62, 63],优化了降水在土壤不同层的状态的模拟,使土壤水分不受田间持水力和排水量阈值的限制,保证了水分在垂直剖面的流动,精度有所提升[41, 62].对于水体蒸发,GLEAM使用的是Tuanmu和Jetz的产品[41, 64].GLEAM使用一个单独的模块考虑冰雪升华过程,新版本算法改进了对土壤层排水过程的模拟,由雪水融化值得到不同层的根区土壤水分[41]. ...
... GLEAM的不同蒸散发数据与地面通量站点观测数据的相关系数在0.78~0.81[41],杨秀芹等对比了GLEAM产品在中国区域的站点尺度和流域尺度的精度,发现草原站点模拟较好、森林站点比观测值偏高,在流域尺度存在一定的高估[60]. ...
Global Canopy Interception from Satellite Observations
2
2010
... GLEAM先获取潜在蒸散发结果,再利用实测降水、表层土壤湿度及植被含水量作为蒸散发的约束[34, 60],考虑可利用水、热量胁迫及植被物候变化的胁迫作用,并单独估算植被的降雨截留获取实际蒸散发结果.降雨截留按照降雨频率估算,仅对森林中的高大植被考虑降雨截留[61].估算公式如表2中所示.虽然估算结果受微波土壤湿度遥感产品的空间分辨率限制[1],但避免了天气条件的影响.在GLEAM v3数据集中,借助全球陆地数据同化系统GLDAS (Global Land Data Assimilation System)数据采用TCA (Triple Collection Analysis) 分析方法,检验了模拟和观测的土壤湿度数据的误差[62, 63],优化了降水在土壤不同层的状态的模拟,使土壤水分不受田间持水力和排水量阈值的限制,保证了水分在垂直剖面的流动,精度有所提升[41, 62].对于水体蒸发,GLEAM使用的是Tuanmu和Jetz的产品[41, 64].GLEAM使用一个单独的模块考虑冰雪升华过程,新版本算法改进了对土壤层排水过程的模拟,由雪水融化值得到不同层的根区土壤水分[41]. ...
... GLEAM中的地表净辐射通量是由NASA/GEWEX提供的全球日均地表长短波辐射值得到的,该数据由卫星、再分析数据及同化系统合成[61]. ...
Estimating Spatial Sampling Errors in Coarse-scale Soil Moisture Estimates derived from Point-scale Observations
2
2010
... GLEAM先获取潜在蒸散发结果,再利用实测降水、表层土壤湿度及植被含水量作为蒸散发的约束[34, 60],考虑可利用水、热量胁迫及植被物候变化的胁迫作用,并单独估算植被的降雨截留获取实际蒸散发结果.降雨截留按照降雨频率估算,仅对森林中的高大植被考虑降雨截留[61].估算公式如表2中所示.虽然估算结果受微波土壤湿度遥感产品的空间分辨率限制[1],但避免了天气条件的影响.在GLEAM v3数据集中,借助全球陆地数据同化系统GLDAS (Global Land Data Assimilation System)数据采用TCA (Triple Collection Analysis) 分析方法,检验了模拟和观测的土壤湿度数据的误差[62, 63],优化了降水在土壤不同层的状态的模拟,使土壤水分不受田间持水力和排水量阈值的限制,保证了水分在垂直剖面的流动,精度有所提升[41, 62].对于水体蒸发,GLEAM使用的是Tuanmu和Jetz的产品[41, 64].GLEAM使用一个单独的模块考虑冰雪升华过程,新版本算法改进了对土壤层排水过程的模拟,由雪水融化值得到不同层的根区土壤水分[41]. ...
... , 62].对于水体蒸发,GLEAM使用的是Tuanmu和Jetz的产品[41, 64].GLEAM使用一个单独的模块考虑冰雪升华过程,新版本算法改进了对土壤层排水过程的模拟,由雪水融化值得到不同层的根区土壤水分[41]. ...
Recent Advances in (Soil Moisture) Triple Collocation Analysis
1
2016
... GLEAM先获取潜在蒸散发结果,再利用实测降水、表层土壤湿度及植被含水量作为蒸散发的约束[34, 60],考虑可利用水、热量胁迫及植被物候变化的胁迫作用,并单独估算植被的降雨截留获取实际蒸散发结果.降雨截留按照降雨频率估算,仅对森林中的高大植被考虑降雨截留[61].估算公式如表2中所示.虽然估算结果受微波土壤湿度遥感产品的空间分辨率限制[1],但避免了天气条件的影响.在GLEAM v3数据集中,借助全球陆地数据同化系统GLDAS (Global Land Data Assimilation System)数据采用TCA (Triple Collection Analysis) 分析方法,检验了模拟和观测的土壤湿度数据的误差[62, 63],优化了降水在土壤不同层的状态的模拟,使土壤水分不受田间持水力和排水量阈值的限制,保证了水分在垂直剖面的流动,精度有所提升[41, 62].对于水体蒸发,GLEAM使用的是Tuanmu和Jetz的产品[41, 64].GLEAM使用一个单独的模块考虑冰雪升华过程,新版本算法改进了对土壤层排水过程的模拟,由雪水融化值得到不同层的根区土壤水分[41]. ...
A Global 1 km Consensus Land-Cover Product for Biodiversity and Ecosystem Modelling
1
2015
... GLEAM先获取潜在蒸散发结果,再利用实测降水、表层土壤湿度及植被含水量作为蒸散发的约束[34, 60],考虑可利用水、热量胁迫及植被物候变化的胁迫作用,并单独估算植被的降雨截留获取实际蒸散发结果.降雨截留按照降雨频率估算,仅对森林中的高大植被考虑降雨截留[61].估算公式如表2中所示.虽然估算结果受微波土壤湿度遥感产品的空间分辨率限制[1],但避免了天气条件的影响.在GLEAM v3数据集中,借助全球陆地数据同化系统GLDAS (Global Land Data Assimilation System)数据采用TCA (Triple Collection Analysis) 分析方法,检验了模拟和观测的土壤湿度数据的误差[62, 63],优化了降水在土壤不同层的状态的模拟,使土壤水分不受田间持水力和排水量阈值的限制,保证了水分在垂直剖面的流动,精度有所提升[41, 62].对于水体蒸发,GLEAM使用的是Tuanmu和Jetz的产品[41, 64].GLEAM使用一个单独的模块考虑冰雪升华过程,新版本算法改进了对土壤层排水过程的模拟,由雪水融化值得到不同层的根区土壤水分[41]. ...
Estimation and Validation of Land Surface Evaporation Using Remote Sensing and Meteorological Data in North China
1
2010
... ETWatch结合能量平衡单层模型和P-M模型估算蒸散发.根据遥感数据的分辨率高低分别选取利用SEBAL/METRIC/SEBS模型得到晴好日的蒸散发,并将其代入P-M公式获取地表阻抗.以此为基础,结合气象数据得到有云日的地表蒸散发[44].因此其蒸散发结果具有时间连续性.在估算显热通量时,使用的地表温度是利用改进的分劈窗算法并经过地面标定后得到,边界层气温则使用正弦变化调整到卫星过境时刻获得[44, 54, 65]. ...
Evaporation from Sparse Crops‐an Energy Combination Theory
2
1985
... ETMonitor的蒸散发产品主要基于Shuttleworth-Wallace双层模型[66]和改进的降雨截留模型RS-Gash(RemoteSensing-Gash),并单独考虑了水体蒸发[51]和冰雪升华[45, 67].Shuttleworth-Wallace双层模型将植被冠层与下层的土壤假设为上下串联、彼此连续的湍流通量和热量交换源、汇,相比于单层模型,更适用于植被稀疏地区[45, 68].降雨截留模型RS-Gash认为树的所有组成部分对降雨都有拦截能力,假设冠层截留饱和后剩余的降水再穿过冠层降至地表,将植被的叶、枝、干当作一个整体[69],引入植被面积指数VAI(Vegetation Area Index)(包括枯叶、树干等面积)估算树冠持水量;假设饱和状态的树冠和树干的蒸发速率相同,提出饱和植被单位地表植被覆盖面积VAI的平均蒸发速率,同时利用泊松分布将VAI分解为若干个子像元并对每个子像元单独估算;假设子像元内部VAI均匀分布,植被在像元尺度的降雨截留是各个子像元降雨截留的加权和,考虑了像元内部植被分布的非均匀性[51]. ...
... ETMonitor将空气动力学阻抗分为冠层上下两部分,冠层边界层的空气动力学阻抗使用LAI和平均边界层阻抗求解;土壤和参考高度处与冠层内源汇高度处之间的空气动力学阻抗使用Shuttleworth提出的分析方法估算,并对稀疏和密闭冠层加以区分[46, 51, 66].冠层表面阻抗与LSA-SAF均是根据Jarvis提出的参数化方案,由最小气孔阻抗及绿色叶面积指数及多种环境因子估算.ETMonitor中考虑的环境因子包括气温、短波辐射、饱和水汽压差及根区土壤含水量等多个环境因子建立的函数估算获取冠层表面阻抗,具体参数化过程可参见文献[45].ETMonitor产品的土壤表面阻抗采用土壤水的函数估算,土壤水使用AMSR-E(the Advanced Microwave Scanning Radiometer-Earth Observing System)中不同土壤类型的土壤含水量数据,利用数据同化方法降低了土壤湿度的不确定性[51]. ...
基于M-SEBAL模型的复杂地表蒸散发的遥感估算
1
2015
... ETMonitor的蒸散发产品主要基于Shuttleworth-Wallace双层模型[66]和改进的降雨截留模型RS-Gash(RemoteSensing-Gash),并单独考虑了水体蒸发[51]和冰雪升华[45, 67].Shuttleworth-Wallace双层模型将植被冠层与下层的土壤假设为上下串联、彼此连续的湍流通量和热量交换源、汇,相比于单层模型,更适用于植被稀疏地区[45, 68].降雨截留模型RS-Gash认为树的所有组成部分对降雨都有拦截能力,假设冠层截留饱和后剩余的降水再穿过冠层降至地表,将植被的叶、枝、干当作一个整体[69],引入植被面积指数VAI(Vegetation Area Index)(包括枯叶、树干等面积)估算树冠持水量;假设饱和状态的树冠和树干的蒸发速率相同,提出饱和植被单位地表植被覆盖面积VAI的平均蒸发速率,同时利用泊松分布将VAI分解为若干个子像元并对每个子像元单独估算;假设子像元内部VAI均匀分布,植被在像元尺度的降雨截留是各个子像元降雨截留的加权和,考虑了像元内部植被分布的非均匀性[51]. ...
基于M-SEBAL模型的复杂地表蒸散发的遥感估算
1
2015
... ETMonitor的蒸散发产品主要基于Shuttleworth-Wallace双层模型[66]和改进的降雨截留模型RS-Gash(RemoteSensing-Gash),并单独考虑了水体蒸发[51]和冰雪升华[45, 67].Shuttleworth-Wallace双层模型将植被冠层与下层的土壤假设为上下串联、彼此连续的湍流通量和热量交换源、汇,相比于单层模型,更适用于植被稀疏地区[45, 68].降雨截留模型RS-Gash认为树的所有组成部分对降雨都有拦截能力,假设冠层截留饱和后剩余的降水再穿过冠层降至地表,将植被的叶、枝、干当作一个整体[69],引入植被面积指数VAI(Vegetation Area Index)(包括枯叶、树干等面积)估算树冠持水量;假设饱和状态的树冠和树干的蒸发速率相同,提出饱和植被单位地表植被覆盖面积VAI的平均蒸发速率,同时利用泊松分布将VAI分解为若干个子像元并对每个子像元单独估算;假设子像元内部VAI均匀分布,植被在像元尺度的降雨截留是各个子像元降雨截留的加权和,考虑了像元内部植被分布的非均匀性[51]. ...
A Modified Gash Model for Estimating Rainfall Interception Loss of Forest Using Remote Sensing Observations at Regional Scale
2
2014
... ETMonitor的蒸散发产品主要基于Shuttleworth-Wallace双层模型[66]和改进的降雨截留模型RS-Gash(RemoteSensing-Gash),并单独考虑了水体蒸发[51]和冰雪升华[45, 67].Shuttleworth-Wallace双层模型将植被冠层与下层的土壤假设为上下串联、彼此连续的湍流通量和热量交换源、汇,相比于单层模型,更适用于植被稀疏地区[45, 68].降雨截留模型RS-Gash认为树的所有组成部分对降雨都有拦截能力,假设冠层截留饱和后剩余的降水再穿过冠层降至地表,将植被的叶、枝、干当作一个整体[69],引入植被面积指数VAI(Vegetation Area Index)(包括枯叶、树干等面积)估算树冠持水量;假设饱和状态的树冠和树干的蒸发速率相同,提出饱和植被单位地表植被覆盖面积VAI的平均蒸发速率,同时利用泊松分布将VAI分解为若干个子像元并对每个子像元单独估算;假设子像元内部VAI均匀分布,植被在像元尺度的降雨截留是各个子像元降雨截留的加权和,考虑了像元内部植被分布的非均匀性[51]. ...
... ETMonitor中的地表反照率数据为全球陆表特征参量产品GLASS(the Global LAnd Surface Satellite),空间分辨率为1 km,植被指数采用MODIS-MOD13A2的1 km数据,对空间分辨率为25 km的土壤湿度数据和AMSR-E降雨数据TRMM-TMPA3B42V7进行双线性插值到1 km后获取地表蒸散发[68, 95]. ...
基于全球陆面数据同化系统蒸散量的GSAC模型率定
1
2018
... ETMonitor的蒸散发产品主要基于Shuttleworth-Wallace双层模型[66]和改进的降雨截留模型RS-Gash(RemoteSensing-Gash),并单独考虑了水体蒸发[51]和冰雪升华[45, 67].Shuttleworth-Wallace双层模型将植被冠层与下层的土壤假设为上下串联、彼此连续的湍流通量和热量交换源、汇,相比于单层模型,更适用于植被稀疏地区[45, 68].降雨截留模型RS-Gash认为树的所有组成部分对降雨都有拦截能力,假设冠层截留饱和后剩余的降水再穿过冠层降至地表,将植被的叶、枝、干当作一个整体[69],引入植被面积指数VAI(Vegetation Area Index)(包括枯叶、树干等面积)估算树冠持水量;假设饱和状态的树冠和树干的蒸发速率相同,提出饱和植被单位地表植被覆盖面积VAI的平均蒸发速率,同时利用泊松分布将VAI分解为若干个子像元并对每个子像元单独估算;假设子像元内部VAI均匀分布,植被在像元尺度的降雨截留是各个子像元降雨截留的加权和,考虑了像元内部植被分布的非均匀性[51]. ...
基于全球陆面数据同化系统蒸散量的GSAC模型率定
1
2018
... ETMonitor的蒸散发产品主要基于Shuttleworth-Wallace双层模型[66]和改进的降雨截留模型RS-Gash(RemoteSensing-Gash),并单独考虑了水体蒸发[51]和冰雪升华[45, 67].Shuttleworth-Wallace双层模型将植被冠层与下层的土壤假设为上下串联、彼此连续的湍流通量和热量交换源、汇,相比于单层模型,更适用于植被稀疏地区[45, 68].降雨截留模型RS-Gash认为树的所有组成部分对降雨都有拦截能力,假设冠层截留饱和后剩余的降水再穿过冠层降至地表,将植被的叶、枝、干当作一个整体[69],引入植被面积指数VAI(Vegetation Area Index)(包括枯叶、树干等面积)估算树冠持水量;假设饱和状态的树冠和树干的蒸发速率相同,提出饱和植被单位地表植被覆盖面积VAI的平均蒸发速率,同时利用泊松分布将VAI分解为若干个子像元并对每个子像元单独估算;假设子像元内部VAI均匀分布,植被在像元尺度的降雨截留是各个子像元降雨截留的加权和,考虑了像元内部植被分布的非均匀性[51]. ...
Remote Sensing Algorithm for Surface Evapotranspiration Considering Landscape and Statistical Effects on Mixed-Pixels
2
2016
... 综上,现有地表蒸散发产品主要基于地表能量平衡模型(SSEBop、ET_ALEXI和ETWatch)、P-M类模型(MODIS-MOD16、BESS和ETWatch)和P-T类模型(ET_PT-JPL、GLEAM),并逐步考虑不同的下垫面类型(冰雪、水体)估算地表实际蒸散发(GLEAM、ETWatch、ETMonitor).此外,MODIS-MOD16、ET_PT-JPL、GLEAM和ETMonitor均考虑了植被冠层截留部分的水分蒸发,对植被的含水状态进行了细分.多数产品(MODIS-MOD16、SSEBop、ET_PT-JPL、GLEAM、BESS)是在地表均匀的假设下估算地表蒸散发,而下垫面是非均匀的,主要有由地表类型不同引起的景观异质性和由相同景观内部结构不同引起的地表变量的非均匀性[70].LSA-SAF考虑了由地表类型引起的非均匀性, ETMonitor则是考虑了植被垂直结构引起的非均匀性.ET_ALEXI则对二者均有所考虑. ...
... 地表蒸散发是由多源数据经过模型估算的结果,其精度受到驱动数据和模型等多种因素的影响,如MODIS-MOD16受植被指数等数据影响,在极地气候区的估算精度最低,在干旱、半干旱地区存在低估.GLEAM的降雨数据对高纬度地区存在低估[52, 105].Talsma等对比了MODIS-MOD16、ET_PT-JPL和GLEAM模型及其对不同驱动变量的敏感性,3个模型估算的蒸散发结果对变量的敏感性由强到弱分别为NDVI、RH、净辐射;MODIS-MOD16和ET_PT-JPL较为相似,均对NDVI最敏感,GLEAM相比于其他两个模型对驱动的敏感性较弱,主要受降雨的影响较大,其次是净辐射[106].目前,蒸散发产品逐步发展,较多的应用于区域蒸散发的时空变化分析[70]、灌溉影响[50]及水文变化过程[79]等研究,各产品在不同时空区域的估算结果均存在一定的优势和缺陷,但各产品覆盖的时空范围尚未统一,在不同时空范围的适用性需进一步的研究. ...
A Surface Energy Balance System (SEBS) for Estimation of Turbulent Heat Fluxes from Point to Continental Scale
2
2002
... 阻抗是遥感估算蒸散发的关键参数,主要包括空气动力学阻抗、表面阻抗.空气动力学阻抗是中性层结时参考高度与植被活动面高度之间的动量传输阻力[71-73],对粗糙度和风速最敏感[74],是地表动量、能量及水汽交换的重要因素之一[75-76].区域尺度的显热、潜热等湍流通量估算中使用的空气动力学阻抗主要基于大气边界层相似理论,由边界层内的风速、湿度及温度梯度,依据通量—廓线关系迭代获取[77].表面阻抗是包含植被状况和环境参量的综合因子,主要包括冠层表面阻抗及土壤表面阻抗. ...
... 今后应建立适应用户不同需求的算法,建立复杂下垫面的蒸散发估算模型及系统[117],研究地表蒸散发与气象、植被等不同驱动数据之间的敏感性关系,考虑地表参数异质性及其对蒸散发的影响[71,118],如地表温度与土壤湿度是建立基于概率密度函数(PDF)的遥感蒸散发模型时需要优先考虑的地表变量[118],考虑云及地形等因素的影响,考虑混合像元对水热通量模拟造成的尺度效应[2].此外,应逐步完善考虑不同下垫面类型的蒸散发估算模型[43],如考虑城镇[119, 120]、水体、冰雪[45]等,并且对于植被覆盖区域,需要根据作物的物候分阶段建模[121-122];进一步考虑夜间地表蒸散发过程的算法模型,发展稳定、可靠、精度更高的时间尺度扩展方法也是十分必要的. ...
西北地区典型下垫面空气动力学阻抗估算方法改进及其验证
1
2013
... 阻抗是遥感估算蒸散发的关键参数,主要包括空气动力学阻抗、表面阻抗.空气动力学阻抗是中性层结时参考高度与植被活动面高度之间的动量传输阻力[71-73],对粗糙度和风速最敏感[74],是地表动量、能量及水汽交换的重要因素之一[75-76].区域尺度的显热、潜热等湍流通量估算中使用的空气动力学阻抗主要基于大气边界层相似理论,由边界层内的风速、湿度及温度梯度,依据通量—廓线关系迭代获取[77].表面阻抗是包含植被状况和环境参量的综合因子,主要包括冠层表面阻抗及土壤表面阻抗. ...
西北地区典型下垫面空气动力学阻抗估算方法改进及其验证
1
2013
... 阻抗是遥感估算蒸散发的关键参数,主要包括空气动力学阻抗、表面阻抗.空气动力学阻抗是中性层结时参考高度与植被活动面高度之间的动量传输阻力[71-73],对粗糙度和风速最敏感[74],是地表动量、能量及水汽交换的重要因素之一[75-76].区域尺度的显热、潜热等湍流通量估算中使用的空气动力学阻抗主要基于大气边界层相似理论,由边界层内的风速、湿度及温度梯度,依据通量—廓线关系迭代获取[77].表面阻抗是包含植被状况和环境参量的综合因子,主要包括冠层表面阻抗及土壤表面阻抗. ...
西藏林芝地区空气动力学阻抗估算模型适用性分析
1
2016
... 阻抗是遥感估算蒸散发的关键参数,主要包括空气动力学阻抗、表面阻抗.空气动力学阻抗是中性层结时参考高度与植被活动面高度之间的动量传输阻力[71-73],对粗糙度和风速最敏感[74],是地表动量、能量及水汽交换的重要因素之一[75-76].区域尺度的显热、潜热等湍流通量估算中使用的空气动力学阻抗主要基于大气边界层相似理论,由边界层内的风速、湿度及温度梯度,依据通量—廓线关系迭代获取[77].表面阻抗是包含植被状况和环境参量的综合因子,主要包括冠层表面阻抗及土壤表面阻抗. ...
西藏林芝地区空气动力学阻抗估算模型适用性分析
1
2016
... 阻抗是遥感估算蒸散发的关键参数,主要包括空气动力学阻抗、表面阻抗.空气动力学阻抗是中性层结时参考高度与植被活动面高度之间的动量传输阻力[71-73],对粗糙度和风速最敏感[74],是地表动量、能量及水汽交换的重要因素之一[75-76].区域尺度的显热、潜热等湍流通量估算中使用的空气动力学阻抗主要基于大气边界层相似理论,由边界层内的风速、湿度及温度梯度,依据通量—廓线关系迭代获取[77].表面阻抗是包含植被状况和环境参量的综合因子,主要包括冠层表面阻抗及土壤表面阻抗. ...
A Resistance Model to Predict Evapotranspiration and Its Application to a Sugar Beet Field
1
1973
... 阻抗是遥感估算蒸散发的关键参数,主要包括空气动力学阻抗、表面阻抗.空气动力学阻抗是中性层结时参考高度与植被活动面高度之间的动量传输阻力[71-73],对粗糙度和风速最敏感[74],是地表动量、能量及水汽交换的重要因素之一[75-76].区域尺度的显热、潜热等湍流通量估算中使用的空气动力学阻抗主要基于大气边界层相似理论,由边界层内的风速、湿度及温度梯度,依据通量—廓线关系迭代获取[77].表面阻抗是包含植被状况和环境参量的综合因子,主要包括冠层表面阻抗及土壤表面阻抗. ...
空气动力学阻抗的测量研究
1
2007
... 阻抗是遥感估算蒸散发的关键参数,主要包括空气动力学阻抗、表面阻抗.空气动力学阻抗是中性层结时参考高度与植被活动面高度之间的动量传输阻力[71-73],对粗糙度和风速最敏感[74],是地表动量、能量及水汽交换的重要因素之一[75-76].区域尺度的显热、潜热等湍流通量估算中使用的空气动力学阻抗主要基于大气边界层相似理论,由边界层内的风速、湿度及温度梯度,依据通量—廓线关系迭代获取[77].表面阻抗是包含植被状况和环境参量的综合因子,主要包括冠层表面阻抗及土壤表面阻抗. ...
空气动力学阻抗的测量研究
1
2007
... 阻抗是遥感估算蒸散发的关键参数,主要包括空气动力学阻抗、表面阻抗.空气动力学阻抗是中性层结时参考高度与植被活动面高度之间的动量传输阻力[71-73],对粗糙度和风速最敏感[74],是地表动量、能量及水汽交换的重要因素之一[75-76].区域尺度的显热、潜热等湍流通量估算中使用的空气动力学阻抗主要基于大气边界层相似理论,由边界层内的风速、湿度及温度梯度,依据通量—廓线关系迭代获取[77].表面阻抗是包含植被状况和环境参量的综合因子,主要包括冠层表面阻抗及土壤表面阻抗. ...
遥感蒸散模型的时间重建方法研究
2
2008
... 阻抗是遥感估算蒸散发的关键参数,主要包括空气动力学阻抗、表面阻抗.空气动力学阻抗是中性层结时参考高度与植被活动面高度之间的动量传输阻力[71-73],对粗糙度和风速最敏感[74],是地表动量、能量及水汽交换的重要因素之一[75-76].区域尺度的显热、潜热等湍流通量估算中使用的空气动力学阻抗主要基于大气边界层相似理论,由边界层内的风速、湿度及温度梯度,依据通量—廓线关系迭代获取[77].表面阻抗是包含植被状况和环境参量的综合因子,主要包括冠层表面阻抗及土壤表面阻抗. ...
... ETWatch先根据单层能量平衡模型获取瞬时地表蒸散发数据,根据HANTS时间序列获取数据缺失日的LAI重建晴好日与邻近日的空气动力学阻抗,再由P-M公式获取日地表蒸散发估算结果[77]. ...
遥感蒸散模型的时间重建方法研究
2
2008
... 阻抗是遥感估算蒸散发的关键参数,主要包括空气动力学阻抗、表面阻抗.空气动力学阻抗是中性层结时参考高度与植被活动面高度之间的动量传输阻力[71-73],对粗糙度和风速最敏感[74],是地表动量、能量及水汽交换的重要因素之一[75-76].区域尺度的显热、潜热等湍流通量估算中使用的空气动力学阻抗主要基于大气边界层相似理论,由边界层内的风速、湿度及温度梯度,依据通量—廓线关系迭代获取[77].表面阻抗是包含植被状况和环境参量的综合因子,主要包括冠层表面阻抗及土壤表面阻抗. ...
... ETWatch先根据单层能量平衡模型获取瞬时地表蒸散发数据,根据HANTS时间序列获取数据缺失日的LAI重建晴好日与邻近日的空气动力学阻抗,再由P-M公式获取日地表蒸散发估算结果[77]. ...
Evapotranspiration Modelling at Large Scale Using Near-real Time MSG SEVIRI Derived Data
3
2011
... LSA-SAF蒸散发产品的估算算法中,气孔阻抗按照Jarvis方程估算并升尺度至冠层,考虑了下行短波辐射、土壤湿度等多种环境胁迫因子的作用,对于裸地的表面阻抗采用以上植被气孔阻抗升尺度的简化公式计算[78].利用莫宁—奥布霍夫相似理论求解空气动力学阻抗、摩擦风速,初始状态假设为大气处于中性状态逐次迭代得到空气动力学阻抗[40],估算过程较为复杂[78]. ...
... [78]. ...
... LSA-SAF的驱动数据为MSG-SEVIRI的辐射数据和反照率数据、ECMWF的数值预报数据,将其重采样至MSG像元大小,再在ECOCLIMAP[92] 每个斑块(tile)尺度上计算通量,最后按照面积比例加权获得每个MSG像元的通量结果[78]. ...
区域尺度蒸散发遥感估算—反演与数据同化研究进展
2
2018
... ET_PT-JPL和GLEAM蒸散发产品主要采用P-T模型,避免了空气动力学阻抗的计算[24, 33, 41],参数少、计算简便.GLEAM借助于生态约束获取实际蒸散发,以大空间尺度为主,局部区域的估算需要进一步验证[79]. ...
... 地表蒸散发是由多源数据经过模型估算的结果,其精度受到驱动数据和模型等多种因素的影响,如MODIS-MOD16受植被指数等数据影响,在极地气候区的估算精度最低,在干旱、半干旱地区存在低估.GLEAM的降雨数据对高纬度地区存在低估[52, 105].Talsma等对比了MODIS-MOD16、ET_PT-JPL和GLEAM模型及其对不同驱动变量的敏感性,3个模型估算的蒸散发结果对变量的敏感性由强到弱分别为NDVI、RH、净辐射;MODIS-MOD16和ET_PT-JPL较为相似,均对NDVI最敏感,GLEAM相比于其他两个模型对驱动的敏感性较弱,主要受降雨的影响较大,其次是净辐射[106].目前,蒸散发产品逐步发展,较多的应用于区域蒸散发的时空变化分析[70]、灌溉影响[50]及水文变化过程[79]等研究,各产品在不同时空区域的估算结果均存在一定的优势和缺陷,但各产品覆盖的时空范围尚未统一,在不同时空范围的适用性需进一步的研究. ...
区域尺度蒸散发遥感估算—反演与数据同化研究进展
2
2018
... ET_PT-JPL和GLEAM蒸散发产品主要采用P-T模型,避免了空气动力学阻抗的计算[24, 33, 41],参数少、计算简便.GLEAM借助于生态约束获取实际蒸散发,以大空间尺度为主,局部区域的估算需要进一步验证[79]. ...
... 地表蒸散发是由多源数据经过模型估算的结果,其精度受到驱动数据和模型等多种因素的影响,如MODIS-MOD16受植被指数等数据影响,在极地气候区的估算精度最低,在干旱、半干旱地区存在低估.GLEAM的降雨数据对高纬度地区存在低估[52, 105].Talsma等对比了MODIS-MOD16、ET_PT-JPL和GLEAM模型及其对不同驱动变量的敏感性,3个模型估算的蒸散发结果对变量的敏感性由强到弱分别为NDVI、RH、净辐射;MODIS-MOD16和ET_PT-JPL较为相似,均对NDVI最敏感,GLEAM相比于其他两个模型对驱动的敏感性较弱,主要受降雨的影响较大,其次是净辐射[106].目前,蒸散发产品逐步发展,较多的应用于区域蒸散发的时空变化分析[70]、灌溉影响[50]及水文变化过程[79]等研究,各产品在不同时空区域的估算结果均存在一定的优势和缺陷,但各产品覆盖的时空范围尚未统一,在不同时空范围的适用性需进一步的研究. ...
Interannual Variability of Evapotranspiration and Energy Exchange over an Annual Grassland in California
1
2008
... BESS蒸散发产品中冠层阻抗由Ball-Berry模型获取冠层导度后估算获取,空气动力学阻抗部分按照整体空气动力学阻抗估算,是动量交换部分和剩余边界层阻抗之和,由风速和摩擦风速估算.剩余阻抗是kB-1的函数,BESS中kB-1系数(该系数是由热量和动量粗糙度长度确定的无量纲系数,用于修正用地表温度代替空气动力学温度带来的误差)取浓密草地的代表值2,并根据空气动力学导度与空气动力学阻抗互为倒数的关系求解[80]. ...
On Uncertainty in Global Terrestrial Evapotranspiration Estimates from Choice of Input Forcing Datasets
1
2015
... 地表显热通量和潜热通量的能量主要是由地表净辐射通量和土壤热通量获取的地表可用能量驱动[81, 82].本文所述产品的地表净辐射通量和土壤热通量的具体算法如下. ...
Comparison of Satellite-Based Evapotranspiration Models over Terrestrial Ecosystems in China
1
2014
... 地表显热通量和潜热通量的能量主要是由地表净辐射通量和土壤热通量获取的地表可用能量驱动[81, 82].本文所述产品的地表净辐射通量和土壤热通量的具体算法如下. ...
The CSIRO Atmosphere Biosphere Land Exchange (CABLE) Model for Use in Climate Models and as an Offline Model
1
2006
... BESS中的净辐射通量由BESS直、散射和有效辐射及近红外辐射部分的通量产品获取,BESS区分了C3、C4植被的光合作用并将冠层分为光照和阴影两部分分别估算[35, 83],同时利用MODIS数据估算阴天净辐射[42]. ...
1
2012
... ET_ALEXI分别求解土壤和冠层对长波和短波消光系数和反射系数的解析解[84, 85],进而得到各自的净辐射[86]. ...
Crop Micrometeorology: A Simulation Study
1
1977
... ET_ALEXI分别求解土壤和冠层对长波和短波消光系数和反射系数的解析解[84, 85],进而得到各自的净辐射[86]. ...
An Analytical Model for Estimating Canopy Transpiration and Carbon Assimilation Fluxes based on Canopy Light-Use Efficiency
1
2000
... ET_ALEXI分别求解土壤和冠层对长波和短波消光系数和反射系数的解析解[84, 85],进而得到各自的净辐射[86]. ...
基于静止气象卫星地表温度的时空连续日尺度蒸散发模拟研究
1
2015
... 蒸散发遥感估算模型中的土壤热通量一般指地表土壤与大气进行的热传递,通常由植被覆盖度与净辐射通量之间的经验关系得到.土壤热通量在中低纬地区占净辐射的比例较小,且昼夜土壤热量符号相反,在日尺度上通常可以忽略不计[87],但在高纬度地区,冻土的土壤热通量占净辐射的比例较高,不能忽略[36].不同土壤类型的土壤热通量在不同季节与净辐射的比值有所不同[88].在干旱地区较大[89],同时对于城镇、水体等不同下垫面的土壤热通量的准确估算也需要进一步地研究. ...
基于静止气象卫星地表温度的时空连续日尺度蒸散发模拟研究
1
2015
... 蒸散发遥感估算模型中的土壤热通量一般指地表土壤与大气进行的热传递,通常由植被覆盖度与净辐射通量之间的经验关系得到.土壤热通量在中低纬地区占净辐射的比例较小,且昼夜土壤热量符号相反,在日尺度上通常可以忽略不计[87],但在高纬度地区,冻土的土壤热通量占净辐射的比例较高,不能忽略[36].不同土壤类型的土壤热通量在不同季节与净辐射的比值有所不同[88].在干旱地区较大[89],同时对于城镇、水体等不同下垫面的土壤热通量的准确估算也需要进一步地研究. ...
地表土壤热通量遥感估算方法研究
1
2014
... 蒸散发遥感估算模型中的土壤热通量一般指地表土壤与大气进行的热传递,通常由植被覆盖度与净辐射通量之间的经验关系得到.土壤热通量在中低纬地区占净辐射的比例较小,且昼夜土壤热量符号相反,在日尺度上通常可以忽略不计[87],但在高纬度地区,冻土的土壤热通量占净辐射的比例较高,不能忽略[36].不同土壤类型的土壤热通量在不同季节与净辐射的比值有所不同[88].在干旱地区较大[89],同时对于城镇、水体等不同下垫面的土壤热通量的准确估算也需要进一步地研究. ...
地表土壤热通量遥感估算方法研究
1
2014
... 蒸散发遥感估算模型中的土壤热通量一般指地表土壤与大气进行的热传递,通常由植被覆盖度与净辐射通量之间的经验关系得到.土壤热通量在中低纬地区占净辐射的比例较小,且昼夜土壤热量符号相反,在日尺度上通常可以忽略不计[87],但在高纬度地区,冻土的土壤热通量占净辐射的比例较高,不能忽略[36].不同土壤类型的土壤热通量在不同季节与净辐射的比值有所不同[88].在干旱地区较大[89],同时对于城镇、水体等不同下垫面的土壤热通量的准确估算也需要进一步地研究. ...
利用多源遥感观测数据的区域地表土壤热通量估算方法研究
1
2015
... 蒸散发遥感估算模型中的土壤热通量一般指地表土壤与大气进行的热传递,通常由植被覆盖度与净辐射通量之间的经验关系得到.土壤热通量在中低纬地区占净辐射的比例较小,且昼夜土壤热量符号相反,在日尺度上通常可以忽略不计[87],但在高纬度地区,冻土的土壤热通量占净辐射的比例较高,不能忽略[36].不同土壤类型的土壤热通量在不同季节与净辐射的比值有所不同[88].在干旱地区较大[89],同时对于城镇、水体等不同下垫面的土壤热通量的准确估算也需要进一步地研究. ...
利用多源遥感观测数据的区域地表土壤热通量估算方法研究
1
2015
... 蒸散发遥感估算模型中的土壤热通量一般指地表土壤与大气进行的热传递,通常由植被覆盖度与净辐射通量之间的经验关系得到.土壤热通量在中低纬地区占净辐射的比例较小,且昼夜土壤热量符号相反,在日尺度上通常可以忽略不计[87],但在高纬度地区,冻土的土壤热通量占净辐射的比例较高,不能忽略[36].不同土壤类型的土壤热通量在不同季节与净辐射的比值有所不同[88].在干旱地区较大[89],同时对于城镇、水体等不同下垫面的土壤热通量的准确估算也需要进一步地研究. ...
Phenological Response of Vegetation to Upstream River Flow in the Heihe Rive Basin by Time Series Analysis of MODIS Data
1
2011
... ETMonitor中的气象数据由每小时的观测结果统一至日均气象数据,降水由每3 h的数据累积获取至日总降水,NDVI数据对缺失值按照HANTS算法获取连续日NDVI及连续的LAI[90],然后得到日总潜热通量和日总蒸散发结果[45]. ...
A Data Mining Approach for Sharpening Thermal Satellite Imagery over Land
1
2012
... ET_ALEXI的驱动数据主要有ISS的地表温度数据,MODIS或Landsat的地表发射率、叶面积指数,CFSR再分析数据集中的气象参数(包括风速、气温、气压等)以及NLCD的地表覆盖类型数据.这些数据首先重采样至30 m后输入模型估算,例如地表温度数据采用回归树分析法重采样[91],气象数据采用最邻近插值法[39]. ...
A Global Database of Land Surface Parameters at 1 km Resolution in Meteorological and Climate Models
1
2003
... LSA-SAF的驱动数据为MSG-SEVIRI的辐射数据和反照率数据、ECMWF的数值预报数据,将其重采样至MSG像元大小,再在ECOCLIMAP[92] 每个斑块(tile)尺度上计算通量,最后按照面积比例加权获得每个MSG像元的通量结果[78]. ...
Spatial-temporal Change Analysis of Evapotranspiration in the Heihe River Basin
1
2014
... BESS的驱动数据主要为MODIS的地表反照率、植被参数等数据和NCEP的气象数据在使用之前将再分析数据进行了重采样、线性插值、滤波平滑处理等预处理,使其时空分辨率与MODIS产品保持一致[42, 93]. ...
ETWatch中不同尺度蒸散融合方法
1
2011
... ETWatch综合利用MODIS、ASTER、AVHRR、和TM/ETM等遥感数据及气象数据[94].对站点气象数据进行了相应空间尺度(30 m、1 km)的插值处理[43]. ...
ETWatch中不同尺度蒸散融合方法
1
2011
... ETWatch综合利用MODIS、ASTER、AVHRR、和TM/ETM等遥感数据及气象数据[94].对站点气象数据进行了相应空间尺度(30 m、1 km)的插值处理[43]. ...
Monitoring of Evapotranspiration in a Semi-Arid Inland River Basin by Combining Microwave and Optical Remote Sensing Observations
1
2015
... ETMonitor中的地表反照率数据为全球陆表特征参量产品GLASS(the Global LAnd Surface Satellite),空间分辨率为1 km,植被指数采用MODIS-MOD13A2的1 km数据,对空间分辨率为25 km的土壤湿度数据和AMSR-E降雨数据TRMM-TMPA3B42V7进行双线性插值到1 km后获取地表蒸散发[68, 95]. ...
Validation of MODIS 16 Global Terrestrial Evapotranspiration Products in Various Climates and Land Cover Types in Asia
1
2012
... 研究表明MODIS-MOD16的精度基本满足流域尺度的应用需求,但是存在不同程度的高低估现象[96].Du等研究了2005年的MODIS-MOD16在滨海湿地生态系统的结果,发现在春秋季MODIS-MOD16存在低估(-2.27和-3.53 mm/8 d),在夏季高估(1.77mm/8 d)[97].与ET_PT-JPL相比,ET_PT-JPL存在高估[98],这可能是由于两者的参数化方式不同造成的.ET_PT-JPL利用生理生态学函数约束P-T参数,而MODIS-MOD16根据不同的生物群落类型建立查找表进行P-M模型的参数化运算[99]. ...
Validation of Global Evapotranspiration Product (MOD16) Using Flux Tower Data from Panjin Coastal Wetland,Northeast China
1
2018
... 研究表明MODIS-MOD16的精度基本满足流域尺度的应用需求,但是存在不同程度的高低估现象[96].Du等研究了2005年的MODIS-MOD16在滨海湿地生态系统的结果,发现在春秋季MODIS-MOD16存在低估(-2.27和-3.53 mm/8 d),在夏季高估(1.77mm/8 d)[97].与ET_PT-JPL相比,ET_PT-JPL存在高估[98],这可能是由于两者的参数化方式不同造成的.ET_PT-JPL利用生理生态学函数约束P-T参数,而MODIS-MOD16根据不同的生物群落类型建立查找表进行P-M模型的参数化运算[99]. ...
Stand-alone Uncertainty Characterization of GLEAM,GLDAS and MOD16 Evapotranspiration Products Using an Extended Triple Collocation Approach
3
2018
... 研究表明MODIS-MOD16的精度基本满足流域尺度的应用需求,但是存在不同程度的高低估现象[96].Du等研究了2005年的MODIS-MOD16在滨海湿地生态系统的结果,发现在春秋季MODIS-MOD16存在低估(-2.27和-3.53 mm/8 d),在夏季高估(1.77mm/8 d)[97].与ET_PT-JPL相比,ET_PT-JPL存在高估[98],这可能是由于两者的参数化方式不同造成的.ET_PT-JPL利用生理生态学函数约束P-T参数,而MODIS-MOD16根据不同的生物群落类型建立查找表进行P-M模型的参数化运算[99]. ...
... Khan等[98]对比了MODIS-MOD16、GLEAM和GLDAS在亚洲地区的实际蒸散发结果,3种产品与站点的相关系数分别高于0.58、0.71和0.59,并分别对森林、水稻和草地进行对比,3种产品在森林的估算结果较好.Barraza等[104]对比了遥感、陆面模型及再分析数据获取的潜热通量数据与不同森林生态系统中地面涡度相关观测结果,MODIS-MOD16和BESS的空间分布近似,BESS和GLDAS/NOAH的潜热通量与涡度相关观测结果相比存在低估. ...
... 总体而言,各种蒸散发遥感产品与地面通量站点的验证结果一致性较好.估算结果在植被覆盖密集、气候条件为温湿的区域优于植被覆盖稀疏、干旱半干旱地区,如森林站点优于稻田、稀树草原等[16, 36, 41, 46];对于高大植被的估算结果精度优于低矮植被[98]. ...
On the Net Surface Water Exchange Rate Estimated from Remote Sensing Observation and Reanalysis
1
2014
... 研究表明MODIS-MOD16的精度基本满足流域尺度的应用需求,但是存在不同程度的高低估现象[96].Du等研究了2005年的MODIS-MOD16在滨海湿地生态系统的结果,发现在春秋季MODIS-MOD16存在低估(-2.27和-3.53 mm/8 d),在夏季高估(1.77mm/8 d)[97].与ET_PT-JPL相比,ET_PT-JPL存在高估[98],这可能是由于两者的参数化方式不同造成的.ET_PT-JPL利用生理生态学函数约束P-T参数,而MODIS-MOD16根据不同的生物群落类型建立查找表进行P-M模型的参数化运算[99]. ...
Uncertainty Analysis of the Operational Simplified Surface Energy Balance (SSEBop) Model at Multiple Flux Tower Sites
1
2016
... Chen等利用MODIS的地表温度数据和美国通量站点的数据作为输入验证了2001~2007年SSEBop估算地表蒸散发与涡度相关站点观测值的相关性,R2为0.86,并分析了SSEBop的不确定性主要受驱动数据(地表温度和参考蒸散发)和两个输入参数(地表温度数据和参考蒸散发数据)的影响,可通过减小其误差做进一步改进[100]. ...
LSA-SAF MSG Evapotranspiration Products over Europe for 2011
2
16
... LSA-SAF的蒸散发与欧洲地面站点的观测结果一致性良好,在欧洲、南美、非洲与GLDAS的结果相关性良好,相关系数为0.612~0.850[58, 101]. ...
... Hu等[101]对比了MODIS-MOD16和LSA-SAF与欧洲等地区的地面观测结果,对于不同的生物类型,两者均在谷物和草地等气候条件为温湿的站点结果较好,在半干旱区域,MODIS-MOD16和LSA-SAF对不同地表类型存在一定程度的高估. ...
Global Patterns of Land-atmosphere Fluxes of Carbon Dioxide,Latent Heat,and Sensible Heat derived from Eddy Covariance,Satellite,and Meteorological Observations
1
2011
... Jiang等对比了BESS的蒸散发产品在2000~2015年的结果与地面站点的观测结果及机器学习模拟结果MPI-BGC(the Max Planck Institute for Biogeochemistry)[102],与地面站点观测结果的R2为0.62,与MPI-BGC的R2为0.90[35]. ...
Validation of ET Watch Using Field Measurements at Diverse Landscapes: A Case Study in Hai Basin of China
1
2012
... ETWatch的估算结果分别与海河流域的通量站点观测数据进行了日、季节、年在站点、农田、流域尺度的对比,ETWatch与观测结果的相关系数在0.90以上.相比于EC的观测结果ETWatch的估算结果存在高估,相比于LAS、ETWatch的估算结果存在低估[103]. ...
Comparison of the Performance of Latent Heat Flux Products over Southern Hemisphere Forest Ecosystems: Estimating Latent Heat Flux Error Structure Using in Situ Measurements and the Triple Collocation Method
1
2018
... Khan等[98]对比了MODIS-MOD16、GLEAM和GLDAS在亚洲地区的实际蒸散发结果,3种产品与站点的相关系数分别高于0.58、0.71和0.59,并分别对森林、水稻和草地进行对比,3种产品在森林的估算结果较好.Barraza等[104]对比了遥感、陆面模型及再分析数据获取的潜热通量数据与不同森林生态系统中地面涡度相关观测结果,MODIS-MOD16和BESS的空间分布近似,BESS和GLDAS/NOAH的潜热通量与涡度相关观测结果相比存在低估. ...
Evaluation of CMORPH Precipitation Products at Fine Space-time Scales
1
2009
... 地表蒸散发是由多源数据经过模型估算的结果,其精度受到驱动数据和模型等多种因素的影响,如MODIS-MOD16受植被指数等数据影响,在极地气候区的估算精度最低,在干旱、半干旱地区存在低估.GLEAM的降雨数据对高纬度地区存在低估[52, 105].Talsma等对比了MODIS-MOD16、ET_PT-JPL和GLEAM模型及其对不同驱动变量的敏感性,3个模型估算的蒸散发结果对变量的敏感性由强到弱分别为NDVI、RH、净辐射;MODIS-MOD16和ET_PT-JPL较为相似,均对NDVI最敏感,GLEAM相比于其他两个模型对驱动的敏感性较弱,主要受降雨的影响较大,其次是净辐射[106].目前,蒸散发产品逐步发展,较多的应用于区域蒸散发的时空变化分析[70]、灌溉影响[50]及水文变化过程[79]等研究,各产品在不同时空区域的估算结果均存在一定的优势和缺陷,但各产品覆盖的时空范围尚未统一,在不同时空范围的适用性需进一步的研究. ...
Sensitivity of Evapotranspiration Components in Remote Sensing-based Models
1
2018
... 地表蒸散发是由多源数据经过模型估算的结果,其精度受到驱动数据和模型等多种因素的影响,如MODIS-MOD16受植被指数等数据影响,在极地气候区的估算精度最低,在干旱、半干旱地区存在低估.GLEAM的降雨数据对高纬度地区存在低估[52, 105].Talsma等对比了MODIS-MOD16、ET_PT-JPL和GLEAM模型及其对不同驱动变量的敏感性,3个模型估算的蒸散发结果对变量的敏感性由强到弱分别为NDVI、RH、净辐射;MODIS-MOD16和ET_PT-JPL较为相似,均对NDVI最敏感,GLEAM相比于其他两个模型对驱动的敏感性较弱,主要受降雨的影响较大,其次是净辐射[106].目前,蒸散发产品逐步发展,较多的应用于区域蒸散发的时空变化分析[70]、灌溉影响[50]及水文变化过程[79]等研究,各产品在不同时空区域的估算结果均存在一定的优势和缺陷,但各产品覆盖的时空范围尚未统一,在不同时空范围的适用性需进一步的研究. ...
Bayesian Multimodel Estimation of Global Terrestrial Latent Heat Flux from Eddy Covariance,Meteorological,and Satellite Observations
1
2014
... 遥感蒸散发产品的应用广泛,未来将向着提高蒸散发产品时空分辨率,融合多源驱动数据、多源算法模型,提高算法模型的稳定性、可靠性及精确性的方向发展,如Yao等基于通量观测数据按贝叶斯平均法融合了5种蒸散发反演模型[107],在一定程度上提高了地表蒸散发的估算精度;结合云计算等技术方法,逐渐向直接利用已有遥感产品过渡.目前,地表净辐射的获取方法趋于多元化发展[108,110, 111],如多源协同定量遥感产品生产系统MuSyQ(Multi-source data Synergized Quantitative remote sensing production system)生产的下行短波辐射产品[110]、GLASS下行短波辐射产品[111]等可直接用于地表净辐射的估算;逐步完善地面通量站点的布设,能全面覆盖典型非均匀下垫面区域,建立星、机、地一体化通量观测网[8,19,112],开展遥感—地面观测同步试验,发展流域基础数据,融合多源遥感观测的流域尺度动态监测方法,综合利用卫星、航空、地面等相关设备,对地气交换及生态过程进行更加详尽的观测,同时为遥感产品的真实性检验提供数据支持,并在验证中考虑涡动相关仪、大孔径闪烁仪的观测值的 “源区”的影响[113, 114].如“黑河综合遥感联合试验” 显著提升了对流域生态和水文过程的观测能力,建立了国际领先的流域观测系统,提高了遥感在流域生态—水文集成研究和水资源管理中的应用能力,在蒸散发研究方面也取得了令人瞩目的研究成果[115-117]. ...
晴天地表总辐射和净辐射瞬时值计算方法
1
2014
... 遥感蒸散发产品的应用广泛,未来将向着提高蒸散发产品时空分辨率,融合多源驱动数据、多源算法模型,提高算法模型的稳定性、可靠性及精确性的方向发展,如Yao等基于通量观测数据按贝叶斯平均法融合了5种蒸散发反演模型[107],在一定程度上提高了地表蒸散发的估算精度;结合云计算等技术方法,逐渐向直接利用已有遥感产品过渡.目前,地表净辐射的获取方法趋于多元化发展[108,110, 111],如多源协同定量遥感产品生产系统MuSyQ(Multi-source data Synergized Quantitative remote sensing production system)生产的下行短波辐射产品[110]、GLASS下行短波辐射产品[111]等可直接用于地表净辐射的估算;逐步完善地面通量站点的布设,能全面覆盖典型非均匀下垫面区域,建立星、机、地一体化通量观测网[8,19,112],开展遥感—地面观测同步试验,发展流域基础数据,融合多源遥感观测的流域尺度动态监测方法,综合利用卫星、航空、地面等相关设备,对地气交换及生态过程进行更加详尽的观测,同时为遥感产品的真实性检验提供数据支持,并在验证中考虑涡动相关仪、大孔径闪烁仪的观测值的 “源区”的影响[113, 114].如“黑河综合遥感联合试验” 显著提升了对流域生态和水文过程的观测能力,建立了国际领先的流域观测系统,提高了遥感在流域生态—水文集成研究和水资源管理中的应用能力,在蒸散发研究方面也取得了令人瞩目的研究成果[115-117]. ...
黑河中游典型下垫面地表净辐射遥感估算研究
0
2015
黑河中游典型下垫面地表净辐射遥感估算研究
0
2015
中国-东盟5 km分辨率下行短波辐射数据集(2013)
2
2017
... 遥感蒸散发产品的应用广泛,未来将向着提高蒸散发产品时空分辨率,融合多源驱动数据、多源算法模型,提高算法模型的稳定性、可靠性及精确性的方向发展,如Yao等基于通量观测数据按贝叶斯平均法融合了5种蒸散发反演模型[107],在一定程度上提高了地表蒸散发的估算精度;结合云计算等技术方法,逐渐向直接利用已有遥感产品过渡.目前,地表净辐射的获取方法趋于多元化发展[108,110, 111],如多源协同定量遥感产品生产系统MuSyQ(Multi-source data Synergized Quantitative remote sensing production system)生产的下行短波辐射产品[110]、GLASS下行短波辐射产品[111]等可直接用于地表净辐射的估算;逐步完善地面通量站点的布设,能全面覆盖典型非均匀下垫面区域,建立星、机、地一体化通量观测网[8,19,112],开展遥感—地面观测同步试验,发展流域基础数据,融合多源遥感观测的流域尺度动态监测方法,综合利用卫星、航空、地面等相关设备,对地气交换及生态过程进行更加详尽的观测,同时为遥感产品的真实性检验提供数据支持,并在验证中考虑涡动相关仪、大孔径闪烁仪的观测值的 “源区”的影响[113, 114].如“黑河综合遥感联合试验” 显著提升了对流域生态和水文过程的观测能力,建立了国际领先的流域观测系统,提高了遥感在流域生态—水文集成研究和水资源管理中的应用能力,在蒸散发研究方面也取得了令人瞩目的研究成果[115-117]. ...
... [110]、GLASS下行短波辐射产品[111]等可直接用于地表净辐射的估算;逐步完善地面通量站点的布设,能全面覆盖典型非均匀下垫面区域,建立星、机、地一体化通量观测网[8,19,112],开展遥感—地面观测同步试验,发展流域基础数据,融合多源遥感观测的流域尺度动态监测方法,综合利用卫星、航空、地面等相关设备,对地气交换及生态过程进行更加详尽的观测,同时为遥感产品的真实性检验提供数据支持,并在验证中考虑涡动相关仪、大孔径闪烁仪的观测值的 “源区”的影响[113, 114].如“黑河综合遥感联合试验” 显著提升了对流域生态和水文过程的观测能力,建立了国际领先的流域观测系统,提高了遥感在流域生态—水文集成研究和水资源管理中的应用能力,在蒸散发研究方面也取得了令人瞩目的研究成果[115-117]. ...
中国-东盟5 km分辨率下行短波辐射数据集(2013)
2
2017
... 遥感蒸散发产品的应用广泛,未来将向着提高蒸散发产品时空分辨率,融合多源驱动数据、多源算法模型,提高算法模型的稳定性、可靠性及精确性的方向发展,如Yao等基于通量观测数据按贝叶斯平均法融合了5种蒸散发反演模型[107],在一定程度上提高了地表蒸散发的估算精度;结合云计算等技术方法,逐渐向直接利用已有遥感产品过渡.目前,地表净辐射的获取方法趋于多元化发展[108,110, 111],如多源协同定量遥感产品生产系统MuSyQ(Multi-source data Synergized Quantitative remote sensing production system)生产的下行短波辐射产品[110]、GLASS下行短波辐射产品[111]等可直接用于地表净辐射的估算;逐步完善地面通量站点的布设,能全面覆盖典型非均匀下垫面区域,建立星、机、地一体化通量观测网[8,19,112],开展遥感—地面观测同步试验,发展流域基础数据,融合多源遥感观测的流域尺度动态监测方法,综合利用卫星、航空、地面等相关设备,对地气交换及生态过程进行更加详尽的观测,同时为遥感产品的真实性检验提供数据支持,并在验证中考虑涡动相关仪、大孔径闪烁仪的观测值的 “源区”的影响[113, 114].如“黑河综合遥感联合试验” 显著提升了对流域生态和水文过程的观测能力,建立了国际领先的流域观测系统,提高了遥感在流域生态—水文集成研究和水资源管理中的应用能力,在蒸散发研究方面也取得了令人瞩目的研究成果[115-117]. ...
... [110]、GLASS下行短波辐射产品[111]等可直接用于地表净辐射的估算;逐步完善地面通量站点的布设,能全面覆盖典型非均匀下垫面区域,建立星、机、地一体化通量观测网[8,19,112],开展遥感—地面观测同步试验,发展流域基础数据,融合多源遥感观测的流域尺度动态监测方法,综合利用卫星、航空、地面等相关设备,对地气交换及生态过程进行更加详尽的观测,同时为遥感产品的真实性检验提供数据支持,并在验证中考虑涡动相关仪、大孔径闪烁仪的观测值的 “源区”的影响[113, 114].如“黑河综合遥感联合试验” 显著提升了对流域生态和水文过程的观测能力,建立了国际领先的流域观测系统,提高了遥感在流域生态—水文集成研究和水资源管理中的应用能力,在蒸散发研究方面也取得了令人瞩目的研究成果[115-117]. ...
基于干旱/半干旱区协同观测网络的GLASS下行短波辐射产品精度验证及影响因素评估
2
2013
... 遥感蒸散发产品的应用广泛,未来将向着提高蒸散发产品时空分辨率,融合多源驱动数据、多源算法模型,提高算法模型的稳定性、可靠性及精确性的方向发展,如Yao等基于通量观测数据按贝叶斯平均法融合了5种蒸散发反演模型[107],在一定程度上提高了地表蒸散发的估算精度;结合云计算等技术方法,逐渐向直接利用已有遥感产品过渡.目前,地表净辐射的获取方法趋于多元化发展[108,110, 111],如多源协同定量遥感产品生产系统MuSyQ(Multi-source data Synergized Quantitative remote sensing production system)生产的下行短波辐射产品[110]、GLASS下行短波辐射产品[111]等可直接用于地表净辐射的估算;逐步完善地面通量站点的布设,能全面覆盖典型非均匀下垫面区域,建立星、机、地一体化通量观测网[8,19,112],开展遥感—地面观测同步试验,发展流域基础数据,融合多源遥感观测的流域尺度动态监测方法,综合利用卫星、航空、地面等相关设备,对地气交换及生态过程进行更加详尽的观测,同时为遥感产品的真实性检验提供数据支持,并在验证中考虑涡动相关仪、大孔径闪烁仪的观测值的 “源区”的影响[113, 114].如“黑河综合遥感联合试验” 显著提升了对流域生态和水文过程的观测能力,建立了国际领先的流域观测系统,提高了遥感在流域生态—水文集成研究和水资源管理中的应用能力,在蒸散发研究方面也取得了令人瞩目的研究成果[115-117]. ...
... [111]等可直接用于地表净辐射的估算;逐步完善地面通量站点的布设,能全面覆盖典型非均匀下垫面区域,建立星、机、地一体化通量观测网[8,19,112],开展遥感—地面观测同步试验,发展流域基础数据,融合多源遥感观测的流域尺度动态监测方法,综合利用卫星、航空、地面等相关设备,对地气交换及生态过程进行更加详尽的观测,同时为遥感产品的真实性检验提供数据支持,并在验证中考虑涡动相关仪、大孔径闪烁仪的观测值的 “源区”的影响[113, 114].如“黑河综合遥感联合试验” 显著提升了对流域生态和水文过程的观测能力,建立了国际领先的流域观测系统,提高了遥感在流域生态—水文集成研究和水资源管理中的应用能力,在蒸散发研究方面也取得了令人瞩目的研究成果[115-117]. ...
黑河综合遥感联合试验研究进展:概述
1
2012
... 遥感蒸散发产品的应用广泛,未来将向着提高蒸散发产品时空分辨率,融合多源驱动数据、多源算法模型,提高算法模型的稳定性、可靠性及精确性的方向发展,如Yao等基于通量观测数据按贝叶斯平均法融合了5种蒸散发反演模型[107],在一定程度上提高了地表蒸散发的估算精度;结合云计算等技术方法,逐渐向直接利用已有遥感产品过渡.目前,地表净辐射的获取方法趋于多元化发展[108,110, 111],如多源协同定量遥感产品生产系统MuSyQ(Multi-source data Synergized Quantitative remote sensing production system)生产的下行短波辐射产品[110]、GLASS下行短波辐射产品[111]等可直接用于地表净辐射的估算;逐步完善地面通量站点的布设,能全面覆盖典型非均匀下垫面区域,建立星、机、地一体化通量观测网[8,19,112],开展遥感—地面观测同步试验,发展流域基础数据,融合多源遥感观测的流域尺度动态监测方法,综合利用卫星、航空、地面等相关设备,对地气交换及生态过程进行更加详尽的观测,同时为遥感产品的真实性检验提供数据支持,并在验证中考虑涡动相关仪、大孔径闪烁仪的观测值的 “源区”的影响[113, 114].如“黑河综合遥感联合试验” 显著提升了对流域生态和水文过程的观测能力,建立了国际领先的流域观测系统,提高了遥感在流域生态—水文集成研究和水资源管理中的应用能力,在蒸散发研究方面也取得了令人瞩目的研究成果[115-117]. ...
黑河综合遥感联合试验研究进展:概述
1
2012
... 遥感蒸散发产品的应用广泛,未来将向着提高蒸散发产品时空分辨率,融合多源驱动数据、多源算法模型,提高算法模型的稳定性、可靠性及精确性的方向发展,如Yao等基于通量观测数据按贝叶斯平均法融合了5种蒸散发反演模型[107],在一定程度上提高了地表蒸散发的估算精度;结合云计算等技术方法,逐渐向直接利用已有遥感产品过渡.目前,地表净辐射的获取方法趋于多元化发展[108,110, 111],如多源协同定量遥感产品生产系统MuSyQ(Multi-source data Synergized Quantitative remote sensing production system)生产的下行短波辐射产品[110]、GLASS下行短波辐射产品[111]等可直接用于地表净辐射的估算;逐步完善地面通量站点的布设,能全面覆盖典型非均匀下垫面区域,建立星、机、地一体化通量观测网[8,19,112],开展遥感—地面观测同步试验,发展流域基础数据,融合多源遥感观测的流域尺度动态监测方法,综合利用卫星、航空、地面等相关设备,对地气交换及生态过程进行更加详尽的观测,同时为遥感产品的真实性检验提供数据支持,并在验证中考虑涡动相关仪、大孔径闪烁仪的观测值的 “源区”的影响[113, 114].如“黑河综合遥感联合试验” 显著提升了对流域生态和水文过程的观测能力,建立了国际领先的流域观测系统,提高了遥感在流域生态—水文集成研究和水资源管理中的应用能力,在蒸散发研究方面也取得了令人瞩目的研究成果[115-117]. ...
An Analytical Footprint Model for Non-Neutral Stratification
1
2001
... 遥感蒸散发产品的应用广泛,未来将向着提高蒸散发产品时空分辨率,融合多源驱动数据、多源算法模型,提高算法模型的稳定性、可靠性及精确性的方向发展,如Yao等基于通量观测数据按贝叶斯平均法融合了5种蒸散发反演模型[107],在一定程度上提高了地表蒸散发的估算精度;结合云计算等技术方法,逐渐向直接利用已有遥感产品过渡.目前,地表净辐射的获取方法趋于多元化发展[108,110, 111],如多源协同定量遥感产品生产系统MuSyQ(Multi-source data Synergized Quantitative remote sensing production system)生产的下行短波辐射产品[110]、GLASS下行短波辐射产品[111]等可直接用于地表净辐射的估算;逐步完善地面通量站点的布设,能全面覆盖典型非均匀下垫面区域,建立星、机、地一体化通量观测网[8,19,112],开展遥感—地面观测同步试验,发展流域基础数据,融合多源遥感观测的流域尺度动态监测方法,综合利用卫星、航空、地面等相关设备,对地气交换及生态过程进行更加详尽的观测,同时为遥感产品的真实性检验提供数据支持,并在验证中考虑涡动相关仪、大孔径闪烁仪的观测值的 “源区”的影响[113, 114].如“黑河综合遥感联合试验” 显著提升了对流域生态和水文过程的观测能力,建立了国际领先的流域观测系统,提高了遥感在流域生态—水文集成研究和水资源管理中的应用能力,在蒸散发研究方面也取得了令人瞩目的研究成果[115-117]. ...
地表变量非均匀性对遥感水热通量的影响研究
1
2016
... 遥感蒸散发产品的应用广泛,未来将向着提高蒸散发产品时空分辨率,融合多源驱动数据、多源算法模型,提高算法模型的稳定性、可靠性及精确性的方向发展,如Yao等基于通量观测数据按贝叶斯平均法融合了5种蒸散发反演模型[107],在一定程度上提高了地表蒸散发的估算精度;结合云计算等技术方法,逐渐向直接利用已有遥感产品过渡.目前,地表净辐射的获取方法趋于多元化发展[108,110, 111],如多源协同定量遥感产品生产系统MuSyQ(Multi-source data Synergized Quantitative remote sensing production system)生产的下行短波辐射产品[110]、GLASS下行短波辐射产品[111]等可直接用于地表净辐射的估算;逐步完善地面通量站点的布设,能全面覆盖典型非均匀下垫面区域,建立星、机、地一体化通量观测网[8,19,112],开展遥感—地面观测同步试验,发展流域基础数据,融合多源遥感观测的流域尺度动态监测方法,综合利用卫星、航空、地面等相关设备,对地气交换及生态过程进行更加详尽的观测,同时为遥感产品的真实性检验提供数据支持,并在验证中考虑涡动相关仪、大孔径闪烁仪的观测值的 “源区”的影响[113, 114].如“黑河综合遥感联合试验” 显著提升了对流域生态和水文过程的观测能力,建立了国际领先的流域观测系统,提高了遥感在流域生态—水文集成研究和水资源管理中的应用能力,在蒸散发研究方面也取得了令人瞩目的研究成果[115-117]. ...
地表变量非均匀性对遥感水热通量的影响研究
1
2016
... 遥感蒸散发产品的应用广泛,未来将向着提高蒸散发产品时空分辨率,融合多源驱动数据、多源算法模型,提高算法模型的稳定性、可靠性及精确性的方向发展,如Yao等基于通量观测数据按贝叶斯平均法融合了5种蒸散发反演模型[107],在一定程度上提高了地表蒸散发的估算精度;结合云计算等技术方法,逐渐向直接利用已有遥感产品过渡.目前,地表净辐射的获取方法趋于多元化发展[108,110, 111],如多源协同定量遥感产品生产系统MuSyQ(Multi-source data Synergized Quantitative remote sensing production system)生产的下行短波辐射产品[110]、GLASS下行短波辐射产品[111]等可直接用于地表净辐射的估算;逐步完善地面通量站点的布设,能全面覆盖典型非均匀下垫面区域,建立星、机、地一体化通量观测网[8,19,112],开展遥感—地面观测同步试验,发展流域基础数据,融合多源遥感观测的流域尺度动态监测方法,综合利用卫星、航空、地面等相关设备,对地气交换及生态过程进行更加详尽的观测,同时为遥感产品的真实性检验提供数据支持,并在验证中考虑涡动相关仪、大孔径闪烁仪的观测值的 “源区”的影响[113, 114].如“黑河综合遥感联合试验” 显著提升了对流域生态和水文过程的观测能力,建立了国际领先的流域观测系统,提高了遥感在流域生态—水文集成研究和水资源管理中的应用能力,在蒸散发研究方面也取得了令人瞩目的研究成果[115-117]. ...
黑河流域生态—水文过程综合遥感观测联合试验总体设计
1
2012
... 遥感蒸散发产品的应用广泛,未来将向着提高蒸散发产品时空分辨率,融合多源驱动数据、多源算法模型,提高算法模型的稳定性、可靠性及精确性的方向发展,如Yao等基于通量观测数据按贝叶斯平均法融合了5种蒸散发反演模型[107],在一定程度上提高了地表蒸散发的估算精度;结合云计算等技术方法,逐渐向直接利用已有遥感产品过渡.目前,地表净辐射的获取方法趋于多元化发展[108,110, 111],如多源协同定量遥感产品生产系统MuSyQ(Multi-source data Synergized Quantitative remote sensing production system)生产的下行短波辐射产品[110]、GLASS下行短波辐射产品[111]等可直接用于地表净辐射的估算;逐步完善地面通量站点的布设,能全面覆盖典型非均匀下垫面区域,建立星、机、地一体化通量观测网[8,19,112],开展遥感—地面观测同步试验,发展流域基础数据,融合多源遥感观测的流域尺度动态监测方法,综合利用卫星、航空、地面等相关设备,对地气交换及生态过程进行更加详尽的观测,同时为遥感产品的真实性检验提供数据支持,并在验证中考虑涡动相关仪、大孔径闪烁仪的观测值的 “源区”的影响[113, 114].如“黑河综合遥感联合试验” 显著提升了对流域生态和水文过程的观测能力,建立了国际领先的流域观测系统,提高了遥感在流域生态—水文集成研究和水资源管理中的应用能力,在蒸散发研究方面也取得了令人瞩目的研究成果[115-117]. ...
黑河流域生态—水文过程综合遥感观测联合试验总体设计
1
2012
... 遥感蒸散发产品的应用广泛,未来将向着提高蒸散发产品时空分辨率,融合多源驱动数据、多源算法模型,提高算法模型的稳定性、可靠性及精确性的方向发展,如Yao等基于通量观测数据按贝叶斯平均法融合了5种蒸散发反演模型[107],在一定程度上提高了地表蒸散发的估算精度;结合云计算等技术方法,逐渐向直接利用已有遥感产品过渡.目前,地表净辐射的获取方法趋于多元化发展[108,110, 111],如多源协同定量遥感产品生产系统MuSyQ(Multi-source data Synergized Quantitative remote sensing production system)生产的下行短波辐射产品[110]、GLASS下行短波辐射产品[111]等可直接用于地表净辐射的估算;逐步完善地面通量站点的布设,能全面覆盖典型非均匀下垫面区域,建立星、机、地一体化通量观测网[8,19,112],开展遥感—地面观测同步试验,发展流域基础数据,融合多源遥感观测的流域尺度动态监测方法,综合利用卫星、航空、地面等相关设备,对地气交换及生态过程进行更加详尽的观测,同时为遥感产品的真实性检验提供数据支持,并在验证中考虑涡动相关仪、大孔径闪烁仪的观测值的 “源区”的影响[113, 114].如“黑河综合遥感联合试验” 显著提升了对流域生态和水文过程的观测能力,建立了国际领先的流域观测系统,提高了遥感在流域生态—水文集成研究和水资源管理中的应用能力,在蒸散发研究方面也取得了令人瞩目的研究成果[115-117]. ...
黑河综合遥感联合试验研究进展:水文与生态参量遥感反演与估算
0
2012
黑河综合遥感联合试验研究进展:水文与生态参量遥感反演与估算
0
2012
MODIS数据估算区域蒸散量的空间尺度误差纠正
2
2012
... 遥感蒸散发产品的应用广泛,未来将向着提高蒸散发产品时空分辨率,融合多源驱动数据、多源算法模型,提高算法模型的稳定性、可靠性及精确性的方向发展,如Yao等基于通量观测数据按贝叶斯平均法融合了5种蒸散发反演模型[107],在一定程度上提高了地表蒸散发的估算精度;结合云计算等技术方法,逐渐向直接利用已有遥感产品过渡.目前,地表净辐射的获取方法趋于多元化发展[108,110, 111],如多源协同定量遥感产品生产系统MuSyQ(Multi-source data Synergized Quantitative remote sensing production system)生产的下行短波辐射产品[110]、GLASS下行短波辐射产品[111]等可直接用于地表净辐射的估算;逐步完善地面通量站点的布设,能全面覆盖典型非均匀下垫面区域,建立星、机、地一体化通量观测网[8,19,112],开展遥感—地面观测同步试验,发展流域基础数据,融合多源遥感观测的流域尺度动态监测方法,综合利用卫星、航空、地面等相关设备,对地气交换及生态过程进行更加详尽的观测,同时为遥感产品的真实性检验提供数据支持,并在验证中考虑涡动相关仪、大孔径闪烁仪的观测值的 “源区”的影响[113, 114].如“黑河综合遥感联合试验” 显著提升了对流域生态和水文过程的观测能力,建立了国际领先的流域观测系统,提高了遥感在流域生态—水文集成研究和水资源管理中的应用能力,在蒸散发研究方面也取得了令人瞩目的研究成果[115-117]. ...
... 今后应建立适应用户不同需求的算法,建立复杂下垫面的蒸散发估算模型及系统[117],研究地表蒸散发与气象、植被等不同驱动数据之间的敏感性关系,考虑地表参数异质性及其对蒸散发的影响[71,118],如地表温度与土壤湿度是建立基于概率密度函数(PDF)的遥感蒸散发模型时需要优先考虑的地表变量[118],考虑云及地形等因素的影响,考虑混合像元对水热通量模拟造成的尺度效应[2].此外,应逐步完善考虑不同下垫面类型的蒸散发估算模型[43],如考虑城镇[119, 120]、水体、冰雪[45]等,并且对于植被覆盖区域,需要根据作物的物候分阶段建模[121-122];进一步考虑夜间地表蒸散发过程的算法模型,发展稳定、可靠、精度更高的时间尺度扩展方法也是十分必要的. ...
MODIS数据估算区域蒸散量的空间尺度误差纠正
2
2012
... 遥感蒸散发产品的应用广泛,未来将向着提高蒸散发产品时空分辨率,融合多源驱动数据、多源算法模型,提高算法模型的稳定性、可靠性及精确性的方向发展,如Yao等基于通量观测数据按贝叶斯平均法融合了5种蒸散发反演模型[107],在一定程度上提高了地表蒸散发的估算精度;结合云计算等技术方法,逐渐向直接利用已有遥感产品过渡.目前,地表净辐射的获取方法趋于多元化发展[108,110, 111],如多源协同定量遥感产品生产系统MuSyQ(Multi-source data Synergized Quantitative remote sensing production system)生产的下行短波辐射产品[110]、GLASS下行短波辐射产品[111]等可直接用于地表净辐射的估算;逐步完善地面通量站点的布设,能全面覆盖典型非均匀下垫面区域,建立星、机、地一体化通量观测网[8,19,112],开展遥感—地面观测同步试验,发展流域基础数据,融合多源遥感观测的流域尺度动态监测方法,综合利用卫星、航空、地面等相关设备,对地气交换及生态过程进行更加详尽的观测,同时为遥感产品的真实性检验提供数据支持,并在验证中考虑涡动相关仪、大孔径闪烁仪的观测值的 “源区”的影响[113, 114].如“黑河综合遥感联合试验” 显著提升了对流域生态和水文过程的观测能力,建立了国际领先的流域观测系统,提高了遥感在流域生态—水文集成研究和水资源管理中的应用能力,在蒸散发研究方面也取得了令人瞩目的研究成果[115-117]. ...
... 今后应建立适应用户不同需求的算法,建立复杂下垫面的蒸散发估算模型及系统[117],研究地表蒸散发与气象、植被等不同驱动数据之间的敏感性关系,考虑地表参数异质性及其对蒸散发的影响[71,118],如地表温度与土壤湿度是建立基于概率密度函数(PDF)的遥感蒸散发模型时需要优先考虑的地表变量[118],考虑云及地形等因素的影响,考虑混合像元对水热通量模拟造成的尺度效应[2].此外,应逐步完善考虑不同下垫面类型的蒸散发估算模型[43],如考虑城镇[119, 120]、水体、冰雪[45]等,并且对于植被覆盖区域,需要根据作物的物候分阶段建模[121-122];进一步考虑夜间地表蒸散发过程的算法模型,发展稳定、可靠、精度更高的时间尺度扩展方法也是十分必要的. ...
Analysis of the Spatial Variability of Land Surface Variables for ET Estimation: Case Study in HiWATER Campaign
2
2018
... 今后应建立适应用户不同需求的算法,建立复杂下垫面的蒸散发估算模型及系统[117],研究地表蒸散发与气象、植被等不同驱动数据之间的敏感性关系,考虑地表参数异质性及其对蒸散发的影响[71,118],如地表温度与土壤湿度是建立基于概率密度函数(PDF)的遥感蒸散发模型时需要优先考虑的地表变量[118],考虑云及地形等因素的影响,考虑混合像元对水热通量模拟造成的尺度效应[2].此外,应逐步完善考虑不同下垫面类型的蒸散发估算模型[43],如考虑城镇[119, 120]、水体、冰雪[45]等,并且对于植被覆盖区域,需要根据作物的物候分阶段建模[121-122];进一步考虑夜间地表蒸散发过程的算法模型,发展稳定、可靠、精度更高的时间尺度扩展方法也是十分必要的. ...
... [118],考虑云及地形等因素的影响,考虑混合像元对水热通量模拟造成的尺度效应[2].此外,应逐步完善考虑不同下垫面类型的蒸散发估算模型[43],如考虑城镇[119, 120]、水体、冰雪[45]等,并且对于植被覆盖区域,需要根据作物的物候分阶段建模[121-122];进一步考虑夜间地表蒸散发过程的算法模型,发展稳定、可靠、精度更高的时间尺度扩展方法也是十分必要的. ...
基于地表能量平衡的厦门岛城市功能区人为热排放分析
1
2018
... 今后应建立适应用户不同需求的算法,建立复杂下垫面的蒸散发估算模型及系统[117],研究地表蒸散发与气象、植被等不同驱动数据之间的敏感性关系,考虑地表参数异质性及其对蒸散发的影响[71,118],如地表温度与土壤湿度是建立基于概率密度函数(PDF)的遥感蒸散发模型时需要优先考虑的地表变量[118],考虑云及地形等因素的影响,考虑混合像元对水热通量模拟造成的尺度效应[2].此外,应逐步完善考虑不同下垫面类型的蒸散发估算模型[43],如考虑城镇[119, 120]、水体、冰雪[45]等,并且对于植被覆盖区域,需要根据作物的物候分阶段建模[121-122];进一步考虑夜间地表蒸散发过程的算法模型,发展稳定、可靠、精度更高的时间尺度扩展方法也是十分必要的. ...
基于地表能量平衡的厦门岛城市功能区人为热排放分析
1
2018
... 今后应建立适应用户不同需求的算法,建立复杂下垫面的蒸散发估算模型及系统[117],研究地表蒸散发与气象、植被等不同驱动数据之间的敏感性关系,考虑地表参数异质性及其对蒸散发的影响[71,118],如地表温度与土壤湿度是建立基于概率密度函数(PDF)的遥感蒸散发模型时需要优先考虑的地表变量[118],考虑云及地形等因素的影响,考虑混合像元对水热通量模拟造成的尺度效应[2].此外,应逐步完善考虑不同下垫面类型的蒸散发估算模型[43],如考虑城镇[119, 120]、水体、冰雪[45]等,并且对于植被覆盖区域,需要根据作物的物候分阶段建模[121-122];进一步考虑夜间地表蒸散发过程的算法模型,发展稳定、可靠、精度更高的时间尺度扩展方法也是十分必要的. ...
北京市城市蒸散发研究
1
2015
... 今后应建立适应用户不同需求的算法,建立复杂下垫面的蒸散发估算模型及系统[117],研究地表蒸散发与气象、植被等不同驱动数据之间的敏感性关系,考虑地表参数异质性及其对蒸散发的影响[71,118],如地表温度与土壤湿度是建立基于概率密度函数(PDF)的遥感蒸散发模型时需要优先考虑的地表变量[118],考虑云及地形等因素的影响,考虑混合像元对水热通量模拟造成的尺度效应[2].此外,应逐步完善考虑不同下垫面类型的蒸散发估算模型[43],如考虑城镇[119, 120]、水体、冰雪[45]等,并且对于植被覆盖区域,需要根据作物的物候分阶段建模[121-122];进一步考虑夜间地表蒸散发过程的算法模型,发展稳定、可靠、精度更高的时间尺度扩展方法也是十分必要的. ...
北京市城市蒸散发研究
1
2015
... 今后应建立适应用户不同需求的算法,建立复杂下垫面的蒸散发估算模型及系统[117],研究地表蒸散发与气象、植被等不同驱动数据之间的敏感性关系,考虑地表参数异质性及其对蒸散发的影响[71,118],如地表温度与土壤湿度是建立基于概率密度函数(PDF)的遥感蒸散发模型时需要优先考虑的地表变量[118],考虑云及地形等因素的影响,考虑混合像元对水热通量模拟造成的尺度效应[2].此外,应逐步完善考虑不同下垫面类型的蒸散发估算模型[43],如考虑城镇[119, 120]、水体、冰雪[45]等,并且对于植被覆盖区域,需要根据作物的物候分阶段建模[121-122];进一步考虑夜间地表蒸散发过程的算法模型,发展稳定、可靠、精度更高的时间尺度扩展方法也是十分必要的. ...
西北内陆河流域典型生态系统通量数据空间代表性研究
1
2015
... 今后应建立适应用户不同需求的算法,建立复杂下垫面的蒸散发估算模型及系统[117],研究地表蒸散发与气象、植被等不同驱动数据之间的敏感性关系,考虑地表参数异质性及其对蒸散发的影响[71,118],如地表温度与土壤湿度是建立基于概率密度函数(PDF)的遥感蒸散发模型时需要优先考虑的地表变量[118],考虑云及地形等因素的影响,考虑混合像元对水热通量模拟造成的尺度效应[2].此外,应逐步完善考虑不同下垫面类型的蒸散发估算模型[43],如考虑城镇[119, 120]、水体、冰雪[45]等,并且对于植被覆盖区域,需要根据作物的物候分阶段建模[121-122];进一步考虑夜间地表蒸散发过程的算法模型,发展稳定、可靠、精度更高的时间尺度扩展方法也是十分必要的. ...
西北内陆河流域典型生态系统通量数据空间代表性研究
1
2015
... 今后应建立适应用户不同需求的算法,建立复杂下垫面的蒸散发估算模型及系统[117],研究地表蒸散发与气象、植被等不同驱动数据之间的敏感性关系,考虑地表参数异质性及其对蒸散发的影响[71,118],如地表温度与土壤湿度是建立基于概率密度函数(PDF)的遥感蒸散发模型时需要优先考虑的地表变量[118],考虑云及地形等因素的影响,考虑混合像元对水热通量模拟造成的尺度效应[2].此外,应逐步完善考虑不同下垫面类型的蒸散发估算模型[43],如考虑城镇[119, 120]、水体、冰雪[45]等,并且对于植被覆盖区域,需要根据作物的物候分阶段建模[121-122];进一步考虑夜间地表蒸散发过程的算法模型,发展稳定、可靠、精度更高的时间尺度扩展方法也是十分必要的. ...
遥感反演蒸散发的日尺度扩展方法研究进展
1
2019
... 今后应建立适应用户不同需求的算法,建立复杂下垫面的蒸散发估算模型及系统[117],研究地表蒸散发与气象、植被等不同驱动数据之间的敏感性关系,考虑地表参数异质性及其对蒸散发的影响[71,118],如地表温度与土壤湿度是建立基于概率密度函数(PDF)的遥感蒸散发模型时需要优先考虑的地表变量[118],考虑云及地形等因素的影响,考虑混合像元对水热通量模拟造成的尺度效应[2].此外,应逐步完善考虑不同下垫面类型的蒸散发估算模型[43],如考虑城镇[119, 120]、水体、冰雪[45]等,并且对于植被覆盖区域,需要根据作物的物候分阶段建模[121-122];进一步考虑夜间地表蒸散发过程的算法模型,发展稳定、可靠、精度更高的时间尺度扩展方法也是十分必要的. ...
遥感反演蒸散发的日尺度扩展方法研究进展
1
2019
... 今后应建立适应用户不同需求的算法,建立复杂下垫面的蒸散发估算模型及系统[117],研究地表蒸散发与气象、植被等不同驱动数据之间的敏感性关系,考虑地表参数异质性及其对蒸散发的影响[71,118],如地表温度与土壤湿度是建立基于概率密度函数(PDF)的遥感蒸散发模型时需要优先考虑的地表变量[118],考虑云及地形等因素的影响,考虑混合像元对水热通量模拟造成的尺度效应[2].此外,应逐步完善考虑不同下垫面类型的蒸散发估算模型[43],如考虑城镇[119, 120]、水体、冰雪[45]等,并且对于植被覆盖区域,需要根据作物的物候分阶段建模[121-122];进一步考虑夜间地表蒸散发过程的算法模型,发展稳定、可靠、精度更高的时间尺度扩展方法也是十分必要的. ...
/
〈
|
|
〉
|
|