遥感技术与应用, 2021, 36(1): 103-120 doi: 10.11873/j.issn.1004-0323.2021.1.0103

蒸散发遥感专栏

地表蒸散发遥感产品比较与分析

李佳,1,2, 辛晓洲,1, 彭志晴1,2, 李小军1,2

1.中国科学院空天信息创新研究院 遥感科学国家重点实验室，北京 100101

2.中国科学院大学，北京 100049

Remote Sensing Products of Terrestrial Evapotranspiration: Comparison and Outlook

Li Jia,1,2, Xin Xiaozhou,1, Peng Zhiqing1,2, Li Xiaojun1,2

1.State Key Laboratory of Remote Sensing Science，Aerospace Information Research Institute，Chinese Academy of Sciences，Beijing 100101，China

2.University of Chinese Academy of Sciences，Beijing 100049，China

通讯作者: 辛晓洲(1976—)，男，青海民和人，副研究员，主要从事地表辐射与能量平衡遥感估算理论与方法研究。E⁃mail: xin_xzh@163.com

收稿日期: 2019-02-18   修回日期: 2020-12-03   网络出版日期: 2021-04-13

基金资助: 国家自然科学基金项目.  41871252
中国科学院战略性先导科技专项（Ａ类）课题.  XDA15012400
国家重点研发计划项目.  2018YFA060550202

Received: 2019-02-18   Revised: 2020-12-03   Online: 2021-04-13

作者简介 About authors

李佳(1992—)，女，河北石家庄人，硕士研究生，主要从事地表能量平衡遥感估算方面的研究E⁃mail:lijia@radi.ac.cn , E-mail：lijia@radi.ac.cn

摘要

蒸散发遥感估算与其他定量遥感反演参数相比存在算法复杂，环节多，输入参数多，不确定性来源多等不利因素，因而造成蒸散发遥感产品成熟度较低，产品较少，不能满足高时空分辨率、高精度、实时获取等应用需求的问题。从蒸散发遥感产品角度出发，选择目前国内外较为常用和知名的蒸散发遥感产品，系统分析了各产品的实际蒸散发估算模型方法、阻抗的参数化方案、地表可用能量的估算方法、时间尺度扩展方法，以及计算流程和输入数据等，重点比较各产品在模型算法和计算流程上的不同设计思路和处理方法，以便更加深入地理解地表蒸散遥感估算的复杂性和不确定性，对未来研发出精度更高，普适性更广的蒸散发遥感产品提供重要的参考和基础框架。最后对这些产品的验证和应用情况进行了分析对比，总结了目前蒸散发遥感产品在产品生产、验证等方面存在的问题，探讨了未来蒸散发遥感产品的发展趋势。

关键词： 遥感产品 ; 地表蒸散发 ; 对比分析 ; 模型算法 ; 未来趋势

Abstract

Evapotranspiration（ET） is one of the most important term of land surface， which is an indicator of agriculture growth conditions and yield. Remote sensing technology has advantages in monitoring evapotranspiration， however， remote sensing evapotranspiration products develop slower than other remote sensing products. This paper compared seven widely used ET products and two ET systems， including MODIS-MOD16， SSEBop， ET_PT-JPL， ET_ALEXI， LSA-SAF， GLEAM， BESS， ETWatch and ETMonitor. We introduced the details of these ET products. In order to propose a framework of estimating high accuracy and widely used remote sensing ET products， and to better understand the complexity and uncertainty in ET estimation， we focused on comparing the design ideas and processing procedure of these ET products through summarizing algorithms of estimating actual ET， resistances parameterizations， available energy calculating methods， temporal upscaling methods， estimating procedures and input data sources， respectively. In addition， the current problems of ET calculating from remote sensing are proposed， including complex algorithms with multi parameters， inconsistent spatial and temporal resolutions， and difficult to be validated. Finally， we discussed possible directions of the future remote sensing ET products.

Keywords： Evapotranspiration ; Remote sensing ; Comparison and analysis ; Models and algorithms ; Future development and tendency

PDF (1613KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

李佳, 辛晓洲, 彭志晴, 李小军. 地表蒸散发遥感产品比较与分析. 遥感技术与应用[J], 2021, 36(1): 103-120 doi:10.11873/j.issn.1004-0323.2021.1.0103

Li Jia, Xin Xiaozhou, Peng Zhiqing, Li Xiaojun. Remote Sensing Products of Terrestrial Evapotranspiration: Comparison and Outlook. Remote Sensing Technology and Application[J], 2021, 36(1): 103-120 doi:10.11873/j.issn.1004-0323.2021.1.0103

1 引 言

地表蒸散发（Evapotranspiration， ET）主要包括地表土壤水分蒸发、植被蒸腾及植被冠层对降水的截留蒸发［1］，是陆面过程和生态系统的重要组成部分，也是地气交换以及大气动力和热力过程的基础［2］，在气象、水文、农业、林业和生态等领域具有重要的应用价值［3-4］，例如合理分配水资源、监测旱情、农作物估产等，同时也为区域乃至全球地表能量平衡、气候变化、水循环等研究提供重要参考［5-7］。

传统地面观测方法存在站点观测结果空间代表范围有限的问题，遥感卫星能快速实时获取海量时空信息，为获取区域尺度的地表信息提供了良好的条件。目前，基于遥感数据的大气、陆地、海洋等遥感产品陆续发展。而蒸散发遥感产品发展相对迟缓，因为蒸散发过程复杂，涉及的地表水热通量估算模型和植被生理生态、空气动力学、表面阻抗等参数较多、不确定性较大［8-10］。近数十年来，遥感估算地表蒸散发的技术手段在模型方法方面获得很大进展，主要有地表能量平衡模型（单层模型和多层模型）［11-13］，Penman-Monteith（P-M）类模型［14-15］，Priestley-Taylor（P-T）类模型［16］，温度—植被指数特征空间模型［17-18］，互补相关类模型［19-20］及其他方法等［21-22］，使得蒸散发遥感产品实现了从无到有的跨越，并趋于多样化发展。目前国内外的研究主要集中于从模型角度对比各自的假设及优缺点［18，23-24］、存在的困难、未来的发展趋势等［6，25-26］，关于蒸散发产品的对比集中于大气再分析数据、陆面同化模型等的模拟结果［27-28］。针对基于遥感估算的蒸散发产品的对比研究较少［25］。现有的遥感蒸散发计算方法包括经验公式、机器学习及基于物理模型等。经验公式在大范围推广使用受限，机器学习等方法需要大量的样本数据［29］且估算过程不透明［30-31］，基于物理模型计算地表蒸散发的方法被人为更加可靠，使用也更加普遍。因此本文着重从地表蒸散发遥感产品的模型机理入手，对比各产品的算法模型、驱动数据和产品的应用精度，为蒸散发遥感产品的实际应用提供参考，并进一步分析了蒸散发遥感产品面临的问题以及今后的发展趋势。

近20 a涌现出的地表蒸散发遥感产品并不是很多，其中比较知名的有以下几种：①美国航空航天局NASA（National Aeronautics and Space Administration）发布的MODIS-MOD16（the Moderate Resolution Imaging Spectroradiometer）蒸散发产品；②美国NASA的喷气实验室JPL（Jet Propulsion Laboratory）基于国际空间站ISS（International Space Station）热红外试验ECOSTRESS（ECOsystem Spaceborne Thermal Radiometer Experiment on Space Station）计划［32］发布的ET_PT-JPL和ET_ALEXI（Atmosphere–Land Exchange Inverse）两种蒸散发产品［33］；③美国地质调查局USGS（United States Geological Survey）发布的业务化运行的SSEBop（the Operational Simplified Surface Energy Balance）蒸散发产品；④欧洲气象卫星组织EUMETSAT（European Organization for the Exploitation of Meteorological Satellites）发布的高时间分辨率的蒸散发产品，LSA-301、302、303（Land Surface Analysis）；⑤荷兰阿姆斯特丹大学和根特大学发布的GLEAM（the Global Land Evapotranspiration Amsterdam Model）蒸散发产品［34］；⑥韩国首尔大学发布的BESS（Breathing Earth System Simulator）蒸散发产品［22，35］；⑦中科院遥感所建立了能够获取区域地表蒸散发的ETWatch系统和ETMonitor系统并发布了黑河流域相应的蒸散发产品。这些产品的基本信息以及文献中的验证精度等情况见表1。

表1   蒸散发遥感产品概览

Table 1  The overview of ET products

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NASAMODIS-MOD16P-M8 d、1 m、1 a500 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NASASSEBopSSEB8 d、1 m、3 m、 1 a1 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JPLET_PT-JPLP-T取决于ISS的过境时间70 m全球陆地-[33]
美国喷气实验室JPLET_ALEXIALEXI1 d30 m农业监测站-[39]
欧洲气象卫星组织EUMETSATLSA-SAFSVAT1 h、1 d3 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GLEAMP-T1 d0.25°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BESSP-M

8 d平均、

1 m

1 km、

0.5°

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ETWatchSEBAL/SEBS、P-M

1 m、3 m、

1 a

30 m、

1 km

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ETMonitorShuttleworth-Wallace

1 d，8 d平均，

1 m、1 a累积

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]

新窗口打开| 下载CSV


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。

2.1　地表实际蒸散发估算

地表实际蒸散发是由地表潜热通量与汽化潜热计算得到。在能量平衡模型中，潜热通量作为能量平衡方程的余项，由地表可用能量与显热通量的差值获取；P-M类模型则引入表面阻抗的概念得到适合于非饱和下垫面的潜热通量；P-T类模型是P-M类模型的简化，使用经验系数或公式代替了复杂的空气动力学估算部分。

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。

2.1.1　MODIS-MOD16蒸散发产品

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］。

λE= s×A+ρcPes-earas+γ×(1+rsra)

其中：λE为潜热通量（W/m2），λ为汽化潜热系数，s为饱和水汽压随温度变化曲线的斜率（kPa/℃），ρ为空气密度（kg/m3），cP为空气定压比热，值为1 004 J/（kg·K），es为饱和水汽压（kPa），ea为实际水气压（kPa），γ为干湿表常数， ra是空气动力学阻抗（s/m），rs为冠层阻抗（s/m）。

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］。

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。

2.1.2　SSEBop蒸散发产品

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。

表2   各产品潜热通量及显热通量计算公式对比

Table 2  The comparison of algorithms of latent heat flux and sensible heat flux

蒸散发产品算法参数化方案参考文献
MODIS-MOD16λE=λEwet_c+λEtrans+λEsoilλE为潜热通量，λEwet_c、λEtrans、λEsoil分别表示湿冠层、干冠层及土壤的蒸散通量[36-37]
SSEBopETa=ETf×kET0

ETa为实际蒸散，ETf为蒸发比例，k为系数，ET0为草地的参考蒸散值

ETf=Th-TsTh-Tc=Th-TsdT=ρaCpRnrah(Th-Ts)

k=1.25

[35,38]
ET_PT-JPLAET= ETs+ETc+ETi

ETc=(1-fwet)fgfTfMαΔΔ+γRnc 植被的潜热通量

ETs=fwet+fSM1-fwetαΔΔ+γ(Rn-G) 土壤的潜热通量

ETi=fwetαΔΔ+γRnc冠层截留的潜热通量

[33]
ET_ALEXIλE=λEs+λEcλEC=αPTfgss+γRn,c, λEC为植被部分的潜热通量[39]
LSA-SAF

LEi=∑ζiLEi

H= ∑ζiHi

LEi和Hi分别为斑块的潜热通量和显热通量

LEi=Lvρarai+rciqsatTsk,i-qaTa

LEi=Lvρa(rai+rci)[qsatTsk,i-qa(Ta)]

[40]
GLEAME= Ep×S+I-βI

Ep为潜在蒸散，S为土壤胁迫系数，I为降雨截留蒸散，β为截留系数取0.07

λEp=αΔΔ+ψ(Rn-G)

[34,41]
BESS

aλEj2+bλEj+c=0

λEsoil=ss+γRnsoil-Gsoil×RHD/1000

a、b、c为相应的系数，j分别表示叶片的光照和阴影部分

λEsoil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，γ为湿度常数，Rnsoil和Gsoil分别表示土壤表面的净辐射和土壤热通量，RH为相对湿度，D为饱和水汽压差。

[35,42]
ETWatchLE=ΔRn-G+ρCpraes(Ta-ea)Δ+r(1+rsra)LE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]
ETMonitorET= CpPMc+CsPMs

Cc和Cs分别为冠层和土壤的表面阻抗系数，PMc和PMs分别表示植被蒸腾和土壤水分蒸发的变量

PMc=ΔRn-G0+(ρCpVPD-ΔracRns-G0)/(raa+rac))(Δ+γ(1+rss/(raa+rac)))λ

PMs=ΔRn-G0+(ρCpVPD-ΔracRnc/(raa+ras))(Δ+γ(1+rss/(raa+ras)))λ

[45-46]

新窗口打开| 下载CSV


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］。

2.1.3　ET_PT-JPL蒸散发产品

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α获取潜在蒸散发。

PET= αΔΔ+γRn

其中：PET为潜在蒸散发，α为比例系数，取值1.26，Δ为饱和水汽压随温度变化曲线的斜率（kPa/℃），γ为干湿表常数，Rn为净辐射通量，W/m2。

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］。

2.1.4　ET_ALEXI蒸散发产品

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。

2.1.5　LSA-SAF蒸散发产品

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。

2.1.6　GLEAM蒸散发产品

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］。

2.1.7　BESS蒸散发产品

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］。

2.1.8　ETWatch系统

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］。

2.1.9　ETMonitor系统

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］。

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。

2.2　阻抗的参数化方案

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。

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］。

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］。

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］。

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］。

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］。

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］。

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。

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］。

2.3　地表可用能量估算

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。

2.3.1　地表净辐射

净辐射是地表接收的总下行长波辐射与短波辐射及总上行长波及短波辐射的净差值。目前，蒸散发遥感产品的净辐射可以借助现有的长短波辐射产品及反照率产品估算或者先计算长、短波辐射，再代入净辐射估算公式得到。

其中基于辐射产品获取地表净辐射通量的有：MODIS-MOD16、ET_PT-JPL、LSA-SAF、GLEAM、BESS、ETMonitor。需计算长、短波辐射的产品有：SSEBop、ET_ALEXI、ETWatch。

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］。

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。

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］。

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］。

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］。

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］。

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］。

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］。

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］。

2.3.2　土壤热通量

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］。

2.4　蒸散发遥感产品的时间尺度扩展

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］。

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］。

ET_PT-JPL产品是每日ISS过境时刻的瞬时蒸散发估算结果［33］。

ET_ALEXI根据瞬时潜热通量与日照比率进行时间尺度扩展输出日总蒸散发。

ETd=fSUN×Rs24/λ
fSUN=λEinst/Rsinst

其中：ETd为日总蒸散发，Rs24为经时间插值后的日累积日照率，fSUN为瞬时潜热通量与ISS过境时刻的日照数据Rsinst的比值，λ为汽化潜热系数［39］。

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］。

DMET= ∫h1h2METi(t)dt

其中：METi(t)为瞬时蒸散发估算结果，h1为1 d的起始时刻，h2为1 d的最后时刻。

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］。

BESS首先对驱动数据的时间分辨率统一至与MODIS相同，然后估算获取瞬时蒸散发结果，再根据时间尺度扩展公式获取8天平均的日累积蒸散发结果。

λE8day=18∑d=181800×λE(td)SFd(td)

其中：λE8day为8 d平均的日累积蒸散发，1 800表示半小时的秒数，td是卫星的过境时刻，SFd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］。

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］。

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］。

3 蒸散发产品的驱动数据

蒸散发遥感产品的业务化生产流程为：数据预处理，获取相应的地表参数，根据模型估算地表蒸散发等。本节对各个产品的驱动数据进行对比。

获取地表蒸散发所需要的数据主要有遥感数据、气象数据和再分析数据等。目前各类数据的时空分辨率及精度均存在一定的差异。

MODIS-MOD16、SSEBop、ET_PT-JPL、GLEAM、BESS及ETWatch和ETMonitor均需要MODIS的相关产品作为驱动数据，LSA-SAF主要使用MSG SEVIRI卫星数据，此外，各产品同时还需要结合再分析或同化的气象数据及地表覆盖类型数据等辅助估算蒸散发。

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］。

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］。

ET_PT-JPL的驱动数据主要为ISS搭载的温度传感器获取的地表温度数据和MODIS的数据产品，当MODIS的数据缺失时，使用VIIRS、GMAO或MERRA的数据，并重采样至70 m×70 m的空间分辨率［33］。

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］。

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］。

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］。

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］。

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］。

表3   驱动数据对比

Table 3  The comparison of input data

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GMAOTEM、PRS、RHU等1°×1°、1°×1.25°6 h[36-37]
遥感数据MODISAlbedo、LAI、Landcover等1 km8 d合成、16 d合成
SSEBop遥感数据MODIS、SRTMAlbedo、LST、NDVI等1 km8 d合成[35,38]
模型模拟PRISMTEM、dT、ra等1 km1 d
同化数据GDASET01 km1 d
ET_PT-JPL遥感数据ECOSTRESS、MODISLST、Albedo、LAI、NDVI等70 m、1 km1 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、LandsatLST、LAI、地表反射率70 m、30 m8 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NLCDLandcover30 m1 a
LSA-SAF气象数据ECMWFTEM、PRS、tem_soil等0.25°×0.25°3 h[40]
遥感数据MSG-SEVIRIDSSF、DSLF、Albedo3 km

30 min或

15 min

地表参数ECOCLIMAPLandcover、tile、LAI_tile等1 km1 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MODISAlbedo、LAI、LST1 km或5 km8 d、16 d[35,42]
再分析数据NCEPTEM、WDS、tem_dewpoint1 km6 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LandsatAlbedo、LAI、NDVI等1 km或30 m8 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 km1 h[45-46]
遥感数据GLASS、MODIS、AMSR-EAlbedo、Preciptation、SM1 km8 d合成
地表覆盖类型数据多源合成数据集Landcover1 km1 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

新窗口打开| 下载CSV


4 产品验证及应用

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］。

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］。

Fisher等利用16个通量站点的观测数据验证了基于ET_PT-JPL模型估算1986~1993年全球地表蒸散发的结果，与观测值的R2为0.90，结果表明该模型适用于多数生态系统、植被类型及气候区域，能够在全球范围获取可靠的蒸散发［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］。

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］。

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］。

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］。

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］。

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。

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］。

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。

5 结 语

本文针对目前较为成熟的几类蒸散发遥感产品及估算系统进行对比分析。整体来看，MODIS-MOD16的应用研究最多，其算法物理意义明确，考虑了夜间蒸散发的过程，但仅估算陆地蒸散发缺乏空间连续性，并在干旱气候区域存在较大的低估，在湿润气候区存在不同程度的高估；SSEBop简化了计算，但依赖地表温度和参考作物的蒸散发数据，适用于美国大陆地区；PT-JPL和PT-ALEXI模型可靠，估算精度最高，空间分辨率高，但时间分辨率受ISS的过境时间影响；LSA-SAF时间分辨率最高，但仅覆盖全球部分区域，且空间分辨率较低；ETWatch发展了阴雨—晴好日的蒸散发估算方法，ETMonitor完善了冠层降水截留的估算，但两者均尚未发展为实时产品。

基于以上产品的对比，目前蒸散发遥感产品仍面临以下几个问题：不同产品的算法模型的可靠性、估算结果的精确性尚待进一步研究，尚未有单一模型能够适用于多种气候区域、考虑不同下垫面类型的蒸散发估算；其次，遥感估算蒸散发为复杂的非线性模型，同时所需的数据及中间参数较多，云和地形的影响等问题导致蒸散发产品的生产及发布均存在一定的滞后性；蒸散发是一个持续的过程，长时间尺度的估算结果更具有直接利用价值，而多数遥感数据为白天、瞬时观测的结果，因此对于夜间蒸散发及时间尺度扩展仍需进一步的研究；此外，多源驱动数据的时空分辨率的统一及同步获取在不同区域的难易程度不同。

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。

参考文献

Song Lisheng，Liu Shaomin，Xu Tongren，et al.

Soil Evapotranspiration and Vegetation Transpiration： Remotely Sensed Estimation and Validation

［J］.Journal of Remote Sensing，2017，21（6）：966-981.

[本文引用: 2]

宋立生，刘绍民，徐同仁，等.

土壤蒸发和植被蒸腾遥感估算与验证

［J］.遥感学报，2017，21（6）：966-981.

[本文引用: 2]

Chen Qiting.

Scaling Effects in Land Surface Water and Heat Flux Modeling

［D］.Beijing： University of Chinese Academy of Sciences，2017.

[本文引用: 3]

陈琪婷.

地表水热通量模拟尺度效应研究

［D］.北京：中国科学院大学（中国科学院遥感与数字地球研究所），2017.

[本文引用: 3]

Ma Hanqing，Gao Feng，Huang Xinyu，et al.

Development Trend of Research on Water Remote Sensing based on Bibliometric

［J］. Remote Sensing Technology and Application，2014，29（6）：1089-1094.

[本文引用: 1]

马瀚青，高峰，黄新宇，等.

基于文献计量的水遥感研究发展态势

［J］.遥感技术与应用，2014，29（6）：1089-1094.

[本文引用: 1]

Zhan Zhiming.

Study on Regional Evapotranspiration Model based on Remote Sensing Method

［J］.Remote Sensing Technology and Application，2002，17（6）：364-369.

[本文引用: 1]

詹志明.

区域遥感蒸散发模型方法研究

［J］.遥感技术与应用，2002，17（6）：364-369.

[本文引用: 1]

Jung M，Reichstein M，Ciais P，et al.

Recent Decline in the Global Land Evapotranspiration Trend due to Limited Moisture Supply

［J］.Nature，2010，467（7318）：951-954.

[本文引用: 1]

Li Z L，Tang R L，Wan Z M，et al.

A Review of Current Methodologies for Regional Evapotranspiration Estimation from Remotely Sensed Data

［J］.Sensors，2009，9（5）：3801-3853.

[本文引用: 1]

Duveiller G，Hooker J，and Cescatti A.

The Mark of Vegetation Change on Earth's Surface Energy Balance

［J］.Nature Communications，2018，9（1）：679.doi：10.1038/s41467-017-02810-8.

[本文引用: 1]

Mueller B，Seneviratne S I，Jimenez C，et al.

Evaluation of Global Observations-based Evapotranspiration Datasets and IPCC AR4 Simulations

［J］.Geophysical Research Letters，2011，38（6）：422-433.

[本文引用: 2]

Chen He.

Data Assimilation of Land Surface Processes based on Remote Sensing Evapotranspiration

［D］.Beijing： Tsinghua University，2013.

陈鹤.

基于遥感蒸散发的陆面过程同化方法研究

［D］.北京：清华大学，2013.

Liu Meng.

Quantitative Estimation Research of Mesoscale Land Surface Evapotranspiration by Remote Sensing-A Case Study of Mainland China

［D］.Chengdu： Chengdu University of Technology，2015.

[本文引用: 1]

刘萌.

中尺度陆表蒸散遥感定量估算研究

［D］.成都：成都理工大学，2015.

[本文引用: 1]

Anderson M C，Norman J M，Diak G R，et al.

A Two-source Time-integrated Model for Estimating Surface Fluxes using Thermal Infrared Remote Sensing

［J］.Remote Sensing of Environment，1997，60（2）：195-216.

[本文引用: 1]

William P K.

Estimates of Evapotranspiration with a One- and Two-Layer Model of Heat Transfer over Partial Canopy Cover

［J］.Journal of Applied Meteorology，1990，29（8）： 704-715.

Mcshane R R，Driscoll K P， Sando R.

A Review of Surface Energy Balance Models for Estimating Actual Evapotranspiration with Remote Sensing at High Spatiotemporal Resolution over Large Extents

［C］∥Scientific Investigations Report 2017–5087 Reston，VA： US Geological Survey，2017. doi：10.3133/sir20175087.

[本文引用: 1]

Penman H L.

Natural Evaporation from Open Water， Bare Soil and Grass

［J］.Proceedings of the Royal Society of London，1948，193（1032）：120-145.

[本文引用: 1]

Allen R G，Pereira L S，Raes D，et al.

FAO Irrigation and Drainage Paper No.56

［J］.Rome： Food and Agriculture Organization of the United Nations，1998，56（97）：26-40.

[本文引用: 3]

Fisher J B，Tu K P， Baldocchi D D.

Global Estimates of the Land-atmosphere Water Flux based on Monthly AVHRR and ISLSCP-II Data，Validated at 16 FLUXNET Sites

［J］.Remote Sensing of Environment，2008，112（3）：901-919.

[本文引用: 5]

Price J C.

Using Spatial Context in Satellite Data to Infer Regional Scale Evapotranspiration

［J］.IEEE Transactions on Geoscience and Remote Sensing，1990，28（5）：940-948.

[本文引用: 1]

Wang K C，Dickinson R E.

A Review of Global Terrestrial Evapotranspiration： Observation，Modeling，Climatology，and Climatic Variability

［J］.Reviews of Geophysics，2012，50（2）： RG2005.doi：10.1029/2011RG000373.

[本文引用: 2]

Zhou Ti，Peng Zhiqing，Xin Xiaozhou，et al.

Remote Sensing Research of Evapotranspiration over Heterogeneous Surfaces： A Review

［J］.Journal of Remote Sensing，2016，20（2）：257-277.

[本文引用: 3]

周倜，彭志晴，辛晓洲，等.

非均匀地表蒸散遥感研究综述

［J］.遥感学报，2016，20（2）：257-277.

[本文引用: 3]

Liu Shaomin，Sun Rui，Sun Zhongping，et al.

Comparison of Different Complementary Relationship Models for Regional Evapotranspiration Estimation

［J］.Acta Geographica Sinica，2004，59（3）：331-340.

[本文引用: 1]

刘绍民，孙睿，孙中平，等.

基于互补相关原理的区域蒸散量估算模型比较

［J］.地理学报，2004，59（3）：331-340.

[本文引用: 1]

Tang Ronglin，Li Zhaoliang， Tang Bohui.

An Application of the Ts-VI Triangle Method with Enhanced Edges Determination for Evapotranspiration Estimation from MODIS Data in Arid and Semi-arid Regions： Implementation and Validation

［J］.Remote Sensing of Environment，2010，114（3）：540-551.

[本文引用: 1]

Zhang K，Kimball J S，Running S W.

A Review of Remote Sensing based Actual Evapotranspiration Estimation

［J］.Wiley Interdisciplinary Reviews： Water，2016，3（6）：834-853.

[本文引用: 2]

Gao Yanchun，Long Di.

Progress in Models for Evapotranspiration Estimation Using Remotely Sensed Data

［J］.Journal of Remote Sensing，2008，12（3）：515-528.

[本文引用: 1]

高彦春，龙笛.

遥感蒸散发模型研究进展

［J］.遥感学报，2008，12（3）：515-528.

[本文引用: 1]

Yao Yunjun，Cheng Jie，Zhao Shaohua，et al.

Estimation of Farmland Evapotranspiration：A Review of Method Using Thermal Infrared Remote Sensing Data

［J］.Advances in Earth Science，2012.27（12）：1308-1318.

姚云军

，程洁，赵少华，等.

基于热红外遥感的农田蒸散估算方法研究综述

［J］.地球科学进展，2012，27（12）：1308-1318.

[本文引用: 2]

Chen Y，Xia J Z，Liang S L，et al.

Comparison of Satellite-based Evapotranspiration Models over Terrestrial Ecosystems in China

［J］.Remote Sensing of Environment，2014，140（140）：279-293.

[本文引用: 2]

Wagle P，Bhattarai N，Gowda P H，et al.

Performance of Five Surface Energy Balance Models for Estimating Daily Evapotranspiration in High Biomass Sorghum

［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2017，128：192-203.

[本文引用: 1]

Jiménez C，Prigent C，Mueller B，et al.

Global Intercomparison of 12 Land Surface Heat Flux Estimates

［J］.Journal of Geophysical Research Atmospheres，2011，116（D2）：D02102.doi：10.1029/2010JD014545.

[本文引用: 1]

Mueller B，Hirschi M，Jimenez C，et al.

Benchmark Products for Land Evapotranspiration： Land Flux-EVAL Multi-data Set Synthesis

［J］.Hydrology and Earth System Sciences，2013，17：3707-3720.

[本文引用: 1]

Xu T R，Guo Z X，Liu S M，et al.

Evaluating Different Machine Learning Methods for Upscaling Evapotranspiration from Flux Towers to the Regional Scale

［J］.Journal of Geophysical Research： Atmospheres，2018，123（16）：8674-8690.

[本文引用: 1]

Francesco G，Stefano P， Giovanni E，et al.

Machine Learning Algorithms for the Forecasting of Wastewater Quality Indicators

［J］.Water，2017，9（2）：105.doi：10.3390/w9020105.

[本文引用: 1]

Rezaie-Balf M，Kisi O.

New Formulation for Forecasting Streamflow： Evolutionary Polynomial Regression vs Extreme Learning Machine

［J］.Hydrology Research，2018，49（3）：939-953.

[本文引用: 1]

Hulley G，Hook S，Fisher J，et al.

Ecostress，a NASA Earth-Ventures Instrument for Studying Links between the Water Cycle and Plant Health over the Diurnal Cycle

［C］∥IEEE International Geoscience and Remote Sensing Symposium，2017.doi：10.1109/IGARSS.2017.8128248.

[本文引用: 3]

Fisher J B，Hook S J，Allen R G，et al.

ECOSTRESS： NASA's Next-generation Mission to Measure Evapotranspiration from the International Space Station

［C］∥Abstracts. AGU Fall Meeting，2015. doi：10.1029/2019WR026058.

[本文引用: 10]

Miralles D G，Holmes T R H，De J R A M，et al.

Global Land-Surface Evaporation Estimated from Satellite-based Observations

［J］.Hydrology and Earth System Sciences， 2010， 15（2）：453-469.

[本文引用: 5]

Jiang C，Ryu Y.

Multi-Scale Evaluation of Global Gross Primary Productivity and Evapotranspiration Products derived from Breathing Earth System Simulator （BESS）

［J］.Remote Sensing of Environment，2016，186：528-547.

[本文引用: 11]

Mu Q Z，Zhao M S，and Running S W.

Improvements to a MODIS Global Terrestrial Evapotranspiration Algorithm

［J］. Remote Sensing of Environment，2011，115（8）：1781-1800.

[本文引用: 12]

Mu Q Z， Heinsch F A， Zhao M S，et al.

Development of a Global Evapotranspiration Algorithm based on MODIS and Global Meteorology Data

［J］.Remote Sensing of Environment，2007，111（4）：519-536.

[本文引用: 4]

Senay G B，Bohms S，Singh R K，et al.

Operational Evapotranspiration Mapping Using Remote Sensing and Weather Datasets： A New Parameterization for the SSEB Approach

［J］.Jawra Journal of the American Water Resources Association，2013，49（3）：577-591.

[本文引用: 10]

Hook S，Fisher J B，Allen R，et al.

ECOSTRESS： ECOsystem Spaceborne Thermal Radiometer Experiment on Space Station

［DB/OL］，https：//trs.jpl.nasa.gov/bitstream/handle/2014/45942/15-5824_A1b.pdf？sequence=1，2015，2017.

[本文引用: 6]

Ghilain N，De Roo F，Arboleda A，et al.

LSA-SAF Evapotranspiration Products based on MSG/SEVIRI： Improvement Opportunities from Moderate Spatial Resolution Satellites Sensors for Vegetation （SPOT-VGT

，MODIS，

PROBA-V）

［EB/OL］，，2012.

URL     [本文引用: 5]

Martens B，Gonzalez Miralles D，Lievens H，et al.

GLEAM V3： Satellite-based Land Evaporation and Root-zone Soil Moisture

［J］.Geoscientific Model Development Discussions，2017，10（5）：1-36.

[本文引用: 12]

Ryu Y，Baldocchi D D，Kobayashi H，et al.

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

［J］.Global Biogeochemical Cycles，2011，25（4）：271-284.

[本文引用: 9]

Wu Bingfang，Xiong Jun，Yan Nana，et al.

ET Watch for Monitoring Regional Evapotranspiration with Remote Sensing

［J］.Advances in Water Science，2008，19（5）：671-678.

[本文引用: 8]

吴炳方，熊隽，闫娜娜，等.

基于遥感的区域蒸散量监测方法—ETWatch

［J］.水科学进展，2008，19（5）：671-678.

[本文引用: 8]

Wu Bingfang，Xiong Jun，Yan Nana，et al.

ET Watch： Models and Methods

［J］.Journal of Remote Sensing，2011，15（2）：224-239.

[本文引用: 5]

吴炳方，熊隽，闫娜娜.

ET Watch的模型与方法

［J］.遥感学报，2011，15（2）：224-239.

[本文引用: 5]

Hu G C，Jia L.

Monitoring of Evapotranspiration in a Semi-Arid Inland River Basin by Combining Microwave and Optical Remote Sensing Observations

［J］.Remote Sensing，2015，7（3）：3056-3087.

[本文引用: 9]

Zheng C L，Jia L，Hu G C，et al.

Global Evapotranspiration Derived by ETMonitor Model based on Earth Observations

［C］∥2016 IEEE International Geoscience and Remote Sensing Symposium （IGARSS）. IEEE，2016：222-225.

[本文引用: 6]

Cao Wen，Shen Shuanghe，Duan Chunfeng.

Temporal-spatial Variations of Potential Evapotranspiration and Quantification of the Causes in Northwest China

［J］.Acta Ecologica Sinica，2012，32（11）：3394-3403.

[本文引用: 1]

曹雯，申双和，段春锋.

中国西北潜在蒸散时空演变特征及其定量化成因

［J］.生态学报，2012，32（11）： 3394-3403.

[本文引用: 1]

Pan Suli.

Change of Potential Evapotranspiration and Analysis of Hydrological Process in Zhejiang Province

［D］.Hangzhou University，2017.

泮苏莉

.

浙江省潜在蒸散发变化及水文过程研究

［D］.杭州：浙江大学，2017.

[本文引用: 1]

Xiong Jun.

Dual-Temperature Measurements based Two-Source Evapotranspiration Modeling and Its Application on MODIS Data

［D］.Beijing： Institute of Remote Sensing Applications Chinese Academy of Sciences，2008.

[本文引用: 1]

熊隽.

基于MODIS数据的双温双源蒸散发模型研究

［D］.北京：中国科学院遥感应用研究所，2008.

[本文引用: 1]

Liu S M，Sun R，Sun Z P，et al.

Evaluation of Three Complementary Relationship Approaches for Evapotranspiration over the Yellow River Basin

［J］.Hydrological Processes，2006，20（11）：2347-2361.

[本文引用: 2]

Cui Yaokui.

Estimation of Evapotranspiration from Soil-Vegetation System Using Multi-Source Remote Sensing Data

［D］.Beijing： Institute of Remote Sensing and Digital Earth Chinese Academy of Sciences，2015.

[本文引用: 9]

崔要奎.

多源遥感观测数据驱动的土壤-植被系统蒸散发估算研究

［D］.北京：中国科学院遥感与数字地球研究所，2015.

[本文引用: 9]

Miralles D G，De Jeu R A，Gash J H，et al.

Magnitude and Variability of Land Evaporation and Its Components at the Global Scale

［J］. Hydrology and Earth System Sciences，2011，15（3）：967-981.

[本文引用: 3]

Singh R K，Senay G B，Velpuri N M，et al.

Actual Evapotranspiration （Water Use） Assessment of the Colorado River Basin at the Landsat Resolution Using the Operational Simplified Surface Energy Balance Model

［J］.Remote Sensing，2013，6（1）：233-256.

[本文引用: 1]

Senay Gabriel B.

Satellite Psychrometric Formulation of the Operational Simplified Surface Energy Balance （SSEBop） Model for Quantifying and Mapping Evapotranspiration

［J］.Applied Engineering in Agriculture，2018，34（3）：555-566.

[本文引用: 2]

Priestley C H B，Taylor R J.

On the Assessment of Surface Heat Flux and Evaporation Using Large-Scale Parameters

［J］.Monthly Weather Review，1972，100（2）：81-92.

[本文引用: 1]

Lu Qianqian，He Honglin，Zhu Xianjin，et al.

Study on the Variations of Forest Evapotranspiration and Its Components in Eastern China

［J］.Journal of Natural Resources，2015，30（9）：1436-1448.

[本文引用: 1]

路倩倩，何洪林，朱先进，等.

中国东部典型森林生态系统蒸散及其组分变异规律研究

［J］.自然资源学报，2015，30（9）：1436-1448.

[本文引用: 1]

Hu Yonghong，Jia Gensuo.

Land-Atmospheric Interaction from Remote Sensing： A Comparison between Ordinary Dual-Source Model and ALEXI Model

［J］.Advances in Meteorological Science and Technology，2012，2（2）： 13-18.

[本文引用: 1]

胡永红，贾根锁.

陆气相互作用中普通双源模型与ALEXI模型的比较

［J］.气象科技进展，2012，2（2）：13-18.

[本文引用: 1]

Gellens-Meulenberghs F，Ghilain N，Arboleda A.

Land Surface Evapotranspiration as Seen from Meteosat Second Generation Satellites：LSA-SAF Developments and Perspectives

［C］∥2012 IEEE International Geoscience and Remote Sensing Symposium.IEEE，2012：1018-1021.

[本文引用: 3]

LSA-SAF Product User Manual–Evapotranspiration （ET）.

（PUM MET/22），2010，33

［DB/OL］，https：//landsaf.ipma.pt/GetDocument.do？id=754.

[本文引用: 1]

Yang Xiuqin，Wang Guojie，Pan Xin，et al.

Spatio-temporal Variability of Terrestrial Evapotranspiration in China from 1980 to 2011 based on GLEAM Data

［J］.Transactions of the Chinese Society of Agricultural Engineering，2015，（21）：132-141.

杨秀芹

，王国杰，潘欣，等.

基于GLEAM遥感模型的中国1980~2011年地表蒸散发时空变化

［J］.农业工程学报，2015，21：132-141.

[本文引用: 2]

Miralles D G，Gash J H，Holmes T R H，et al.

Global Canopy Interception from Satellite Observations

［J］.Journal of Geophysical Research Atmospheres，2010，115（D16122）.doi：10.1029/2009jd013530.

[本文引用: 2]

Miralles D G，Crow W T，Cosh M H.

Estimating Spatial Sampling Errors in Coarse-scale Soil Moisture Estimates derived from Point-scale Observations

［J］.Journal of Hydrometeorology，2010，11（6）：1423-1429.

[本文引用: 2]

Gruber A，Su C H，Zwieback S，et al.

Recent Advances in （Soil Moisture） Triple Collocation Analysis

［J］.International Journal of Applied Earth Observations and Geoinformation，2016，45：200-211.

[本文引用: 1]

Tuanmu M N，Jetz W.

A Global 1 km Consensus Land-Cover Product for Biodiversity and Ecosystem Modelling

［J］.Global Ecology and Biogeography，2015，23（9）：1031-1045.

[本文引用: 1]

Xiong J，Wu B F，Yan N N，et al.

Estimation and Validation of Land Surface Evaporation Using Remote Sensing and Meteorological Data in North China

［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2010，3（3）： 337-344.

[本文引用: 1]

Shuttleworth W J， Wallace J S.

Evaporation from Sparse Crops‐an Energy Combination Theory

［J］.Quarterly Journal of the Royal Meteorological Society，1985，111（469）：839-855.

[本文引用: 2]

Zhou Yanzhao.

Estimate the Complex Surface Evapotranspiration Based on the M-SEBAL Model

［D］.Lanzhou：Cold and Arid Regions Environmental and Engineering Research Institute，2015.

[本文引用: 1]

周彦昭.

基于M-SEBAL模型的复杂地表蒸散发的遥感估算

［D］.兰州：中国科学院寒区旱区环境与工程研究所，2015.

[本文引用: 1]

Cui Y K，Jia L.

A Modified Gash Model for Estimating Rainfall Interception Loss of Forest Using Remote Sensing Observations at Regional Scale

［J］.Water，2014，6（4）：993-1012.

[本文引用: 2]

Wang Bin，Zhu Shi jiang，Huang Jin bai，et al.

GSAC Model Calibration based on Evapotranspiration Data from Global Land Data Assimilation System

［J］. Transactions of The Chinese Society of Agricultural Machinery，2018，49（2）：232-240.

[本文引用: 1]

王斌，朱士江，黄金柏，等.

基于全球陆面数据同化系统蒸散量的GSAC模型率定

［J］.农业机械学报，2018，49（2）：232-240.

[本文引用: 1]

Peng Z Q，Xin X Z，Jiao J J，et al.

Remote Sensing Algorithm for Surface Evapotranspiration Considering Landscape and Statistical Effects on Mixed-Pixels

［J］.Hydrology and Earth System Sciences，2016，20（11）：4409-4438.

[本文引用: 2]

Su Z.

A Surface Energy Balance System （SEBS） for Estimation of Turbulent Heat Fluxes from Point to Continental Scale

［J］.Hydrology and Earth System Sciences，2002，6（1）：85-99.

[本文引用: 2]

Song Xiaoning，Zhao Yingshi.

Improved Remote Sensing Monitoring Method for Regional Water Scarcity

［J］.Science in China Series D： Earth Sciences，2006，36（2）：188-194.

宋小宁，赵英时.

改进的区域缺水遥感监测方法

［J］.中国科学：地球科学，2006，36（2）：188-194.

Wang Lijuan，Zuo Hongchao，Yang Qidong.

Improvement and Validation of Aerodynamic Resistance about the Typical Underlying Surface in Northwest of China

［J］. Journal of Arid Meteorology，2013，31（4）：650-656.

[本文引用: 1]

王丽娟，左洪超，杨启东.

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

［J］.干旱气象，2013，31（4）：650-656.

[本文引用: 1]

Min Wenbin.

Adaptability Analysis of Aerodynamic Resistance Estimation Models in Linzhi，Tibet

［J］.Resources and Environment in the Yangtze Basin，2016，25（4）：606-612.

[本文引用: 1]

闵文彬.

西藏林芝地区空气动力学阻抗估算模型适用性分析

［J］.长江流域资源与环境，2016，25（4）：606-612.

[本文引用: 1]

Brown K W，Rosenberg N J.

A Resistance Model to Predict Evapotranspiration and Its Application to a Sugar Beet Field

［J］.Agronomy Journal，1973，65（3）：341-347.

[本文引用: 1]

Liu Shaomin，Lu Li，Mao Defa，et al.

Measurements of the Aerodynamic Resistance

［J］.Journal of Applied Meteorological Science，2007，18（2）：247-250.

[本文引用: 1]

刘绍民，卢俐，毛德发，等.

空气动力学阻抗的测量研究

［J］.应用气象学报，2007，18（2）：247-250.

[本文引用: 1]

Xiong Jun，Wu Bingfang，Yan Nana，et al.

Research on Temporal Reconstruction of Evapotranspiration by Using Remote Sensing

［J］.Progress in Geography，2008，27（2）：53-59.

[本文引用: 2]

熊隽，吴炳方，闫娜娜，等.

遥感蒸散模型的时间重建方法研究

［J］.地理科学进展，2008，27（2）：53-59.

[本文引用: 2]

Ghilain N，Arboleda A， Gellens-meulenberghs F.

Evapotranspiration Modelling at Large Scale Using Near-real Time MSG SEVIRI Derived Data

［J］.Hydrology and Earth System Sciences，2011，7（5）：7079-7120.

[本文引用: 3]

Yin Jian，Zhaofan Ou ，Fu Qiang，et al.

Review of Current Methodologies for Regional Evapotranspiration Estimation： Inversion and Data Assimilation

［J］.Scientia Geographica Sinica，2018，38（3）：448-456.

[本文引用: 2]

尹剑，欧照凡，付强，等.

区域尺度蒸散发遥感估算—反演与数据同化研究进展

［J］.地理科学，2018，38（3）：448-456.

[本文引用: 2]

Ryu Y，Baldocchi D D，Ma S，et al.

Interannual Variability of Evapotranspiration and Energy Exchange over an Annual Grassland in California

［J］.Journal of Geophysical Research Atmospheres，2008，113（D9）：D9104.doi：10.1029/2007JD009263.

[本文引用: 1]

Badgley G，Fisher J B，Jiménez Carlos ，et al.

On Uncertainty in Global Terrestrial Evapotranspiration Estimates from Choice of Input Forcing Datasets

［J］.Journal of Hydrometeorology，2015，16（4）：150317081742006.doi：10.1175/JHM-D-14-0040.1.

[本文引用: 1]

Chen Y，Xia J Z，Liang S L，et al.

Comparison of Satellite-Based Evapotranspiration Models over Terrestrial Ecosystems in China

［J］.Remote Sensing of Environment，2014，140：279-293.

[本文引用: 1]

Kowalczyk E A，Wang Y P，Law R M，et al.

The CSIRO Atmosphere Biosphere Land Exchange （CABLE） Model for Use in Climate Models and as an Offline Model

［R］.CSIRO Marine and Atmospheric Research Paper，2006：13-42.

[本文引用: 1]

Campbell G S，Norman J M. An Introduction to Environmental Biophysics［M］.New York： Springer Science & Business Media，2012.

[本文引用: 1]

Goudriaan J.

Crop Micrometeorology： A Simulation Study

［D］.Wageningen：PUDOC，1977.

[本文引用: 1]

Anderson M C，Norman J M，Meyers T P，et al.

An Analytical Model for Estimating Canopy Transpiration and Carbon Assimilation Fluxes based on Canopy Light-Use Efficiency

［J］.Agricultural and Forest Meteorology，2000，101（4）：265-289.

[本文引用: 1]

Li Zhansheng.

Spatio-Temporal Continuous Estimation of Daily Evapotranspiration by Using Land Surface Temperature Observations from Geostationary Meteorological Satellites

［D］.Beijing： Institude of Remote Sensing and Digital Earth Chinese Academy of Sciences，2015.

[本文引用: 1]

李占胜.

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

［D］.北京：中国科学院遥感与数字地球研究所，2015.

[本文引用: 1]

Zhu Weiwei.

Research on Land Surface Soil Heat Flux Remote Sensing Estimation

［D］.Beijing：University of Chinese Academy of Sciences，2014.

[本文引用: 1]

朱伟伟.

地表土壤热通量遥感估算方法研究

［D］.北京：中国科学院大学，2014.

[本文引用: 1]

Li Nana.

Regional Estimation of the Surface Soil Heat Flux by Remote Sensing Observations

［D］.Beijing： University of Chinese Academy of Sciences，2015.

[本文引用: 1]

李娜娜.

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

［D］.北京：中国科学院大学，2015.

[本文引用: 1]

Jia L，Shang H，Hu G，et al.

Phenological Response of Vegetation to Upstream River Flow in the Heihe Rive Basin by Time Series Analysis of MODIS Data

［J］.Hydrology and Earth System Sciences，2011，15（3）：1047-1064.

[本文引用: 1]

Gao F，Kustas W P，Anderson M C.

A Data Mining Approach for Sharpening Thermal Satellite Imagery over Land

［J］.Remote Sensing，2012，4（11）：3287-3319.

[本文引用: 1]

Masson Valéry ，Champeaux J L，Chauvin F，et al.

A Global Database of Land Surface Parameters at 1 km Resolution in Meteorological and Climate Models

［J］.Journal of Climate，2003，16（9）：1261-1282.

[本文引用: 1]

Yan N N，Zhu W W，Feng X L，et al.

Spatial-temporal Change Analysis of Evapotranspiration in the Heihe River Basin

［C］∥2014 Third International Workshop on Earth Observation and Remote Sensing Applications （EORSA）.IEEE， 2014：38-41.

[本文引用: 1]

Liu Shufu，Xiong Jun，Wu Bingfang.

ET Watch：A Method of Multi-resolution ET Data Fusion

［J］.Journal of Remote Sensing，2011，15（2）：255-269.

[本文引用: 1]

柳树福，熊隽，吴炳方.

ETWatch中不同尺度蒸散融合方法

［J］.遥感学报，2011，15（2）：255-269.

[本文引用: 1]

Hu G C，Jia L.

Monitoring of Evapotranspiration in a Semi-Arid Inland River Basin by Combining Microwave and Optical Remote Sensing Observations

［J］.Remote Sensing，2015，7（3）：3056-3087.

[本文引用: 1]

Kim H W，Hwang K，Mu Q Z，et al.

Validation of MODIS 16 Global Terrestrial Evapotranspiration Products in Various Climates and Land Cover Types in Asia

［J］.KSCE Journal of Civil Engineering，2012，16（2）：229-238.

[本文引用: 1]

Du J，Song K S.

Validation of Global Evapotranspiration Product （MOD16） Using Flux Tower Data from Panjin Coastal Wetland，Northeast China

［J］.Chinese Geographical Science，2018，28（3）：420-429.

[本文引用: 1]

Khan M S，Liaqat U W，Baik J，et al.

Stand-alone Uncertainty Characterization of GLEAM，GLDAS and MOD16 Evapotranspiration Products Using an Extended Triple Collocation Approach

［J］.Agricultural and Forest Meteorology，2018，252：256-268.

[本文引用: 3]

Behrangi A，Wong S，Mallick K，et al.

On the Net Surface Water Exchange Rate Estimated from Remote Sensing Observation and Reanalysis

［J］.International Journal of Remote Sensing，2014，35（6）：2170-2185.

[本文引用: 1]

Chen M S，Senay G B，Singh R K，et al.

Uncertainty Analysis of the Operational Simplified Surface Energy Balance （SSEBop） Model at Multiple Flux Tower Sites

［J］.Journal of Hydrology，2016，536：384-399.

[本文引用: 1]

Hu G C，Jia L，and Menenti M Comparison of MOD16 and

LSA-SAF MSG Evapotranspiration Products over Europe for 2011

［J］.Remote Sensing of Environment，2015，156：510-526.

[本文引用: 2]

Jung M，Reichstein M，Margolis H A，et al.

Global Patterns of Land-atmosphere Fluxes of Carbon Dioxide，Latent Heat，and Sensible Heat derived from Eddy Covariance，Satellite，and Meteorological Observations

［J］.Journal of Geophysical Research-Biogeoscience，2011，116（G00J07）.doi：10.1029/2010jg001566.

[本文引用: 1]

Wu B F，Yan N N，Xiong J，et al.

Validation of ET Watch Using Field Measurements at Diverse Landscapes： A Case Study in Hai Basin of China

［J］.Journal of Hydrology，2012，436-437（5）：67-80.

[本文引用: 1]

Barraza Bernadas V，Grings F，Restrepo-coupe N，et al.

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

［J］.International Journal of Remote Sensing， 2018，39（19）： 6300-6315.

[本文引用: 1]

Zeweldi D A，Gebremichael M.

Evaluation of CMORPH Precipitation Products at Fine Space-time Scales

［J］.Journal of Hydrometeorology，2009，10（1）：300-307.

[本文引用: 1]

Talsma C J，Good S P，Miralles D G，et al.

Sensitivity of Evapotranspiration Components in Remote Sensing-based Models

［J］.Remote Sensing，2018，10（10）：1601.doi：10.3390/rs10101601.

[本文引用: 1]

Yao Y J，Liang S L，Li X L，et al.

Bayesian Multimodel Estimation of Global Terrestrial Latent Heat Flux from Eddy Covariance，Meteorological，and Satellite Observations

［J］.Journal of Geophysical Research： Atmospheres，2014，119（8）：4521-4545.

[本文引用: 1]

Sun Zhian，Liu Jingmiao，Zeng Xianning，et al.

Estimation of Global and Net Solar Radiation at the Earth Surface Under Clear-Sky Condition

［J］.Journal of Meteorology and Environment，30（2）：1-13.

孙治安

，刘晶淼，曾宪宁，等.

晴天地表总辐射和净辐射瞬时值计算方法

［J］.气象与环境学报，2014，30（2）：1-13.

[本文引用: 1]

Luo Jing.

Research on Estimation of Net Radiation Using Remote Sensing Data in the Middle Researches of Heihe River Basin over the Typical Land Surface

［D］.Lanzhou： Northwest Normal University，2015.

罗晶.

黑河中游典型下垫面地表净辐射遥感估算研究

［D］.兰州：西北师范大学，2015.

Zhang Hailong，Xin Xiaozhou，Yu Shanshan，et al.

A 5 km/Daily Downward Shortwave Radiation Data Product over China-ASEAN（2013）

［J］. Journal of Global Change Data and Discovery，2017，1（3）：299-302.

[本文引用: 2]

张海龙，辛晓洲，余珊珊，等.

中国-东盟5 km分辨率下行短波辐射数据集（2013）

［J］.全球变化数据学报，2017，1（3）：299-302.

[本文引用: 2]

Hu Yonghong， Bai Linyan， Wang Hesong，et al.

Validation for Downward Shortwave Radiation of GLASS Product by Coordinated Enhanced Observation

［J］.Advances in Meteorological Science and Technology，2013，3（5）：12-18.

胡永红

，白林燕，王鹤松，等.

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

［J］. 气象科技进展2013，3（5）：12-18.

[本文引用: 2]

Li Xin，Li Xiaowen，Li Zengyuan，et al.

Progresses on the Watershed Allied Telemetry Experimental Research（WATER）

［J］. Remote Sensing Technology and Application，2012，27（5）：637-649.

[本文引用: 1]

李新，李小文，李增元，等.

黑河综合遥感联合试验研究进展：概述

［J］.遥感技术与应用，2012，27（5）：637-649.

[本文引用: 1]

Kormann R，Meixner F X.

An Analytical Footprint Model for Non-Neutral Stratification

［J］.Boundary-layer Meteorology，2001，99（2）：207-224.

[本文引用: 1]

Peng Zhiqing.

Heterogeneity of Surface Variables and Influences on Remotely Sensed Heat Fluxes

［D］.Beijing： University of Chinese Academy of Sciences，2016.

[本文引用: 1]

彭志晴.

地表变量非均匀性对遥感水热通量的影响研究

［D］.北京：中国科学院遥感与数字地球研究所，2016.

[本文引用: 1]

Li Xin，Liu Shaomin，Ma Mingguo，et al.

HiWATER： An Integrated Remote Sensing Experiment on Hydrological and Ecological Processes in the Heihe River Basin

［J］.Advances in Earth Science，2012，27（5）：481-498.

[本文引用: 1]

李新，刘绍民，马明国，等.

黑河流域生态—水文过程综合遥感观测联合试验总体设计

［J］.地球科学进展，2012，27（5）：481-498.

[本文引用: 1]

Li Xin，Liu Qiang，Liu Qinhuo，et al.

The Progresses on the Watershed Allied Telemetry Experimental Research（WATER）： Remote Sensing of Key Hydrological and Ecological Parameters

［J］.Remote Sensing Technology and Application，2012，27（5）：650-662.

李新，刘强，柳钦火，等.

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

［J］.遥感技术与应用，2012，27（5）：650-662.

Xin Xiaozhou，Liu Yani，Liu Qinhuo，et al.

Spatial Error Correction Methods for Regional Fluxes Retrieval Using MODIS Data

［J］.Journal of Remote Sensing，2012，16（2）：207-231.

[本文引用: 2]

辛晓洲， 刘雅妮， 柳钦火， 等.

MODIS数据估算区域蒸散量的空间尺度误差纠正

［J］. 遥感学报， 2012， 16（2）：207-231.

[本文引用: 2]

Li X J，Xin X Z，Peng Z Q，et al.

Analysis of the Spatial Variability of Land Surface Variables for ET Estimation： Case Study in HiWATER Campaign

［J］.Remote Sensing，2018，10（1）：91. doi：10.3390/rs10010091.

[本文引用: 2]

Liu Jia hui，Zhao Xiaofeng，Lin Jianyi.

Analysis of Anthropogenic Heat Discharge of Urban Functional Regions based on Surface Energy Balance in Xiamen Island

［J］.Journal of Geo-information Science，2018，20（7）：1026-1036.

[本文引用: 1]

刘嘉慧，赵小锋，林剑艺.

基于地表能量平衡的厦门岛城市功能区人为热排放分析

［J］.地球信息科学学报，2018，20（7）：1026-1036.

[本文引用: 1]

Zhou Lin.

Urban Evapotranspiration in Beijing

［D］.Beijing： Tsinghua University，2015.

[本文引用: 1]

周琳.

北京市城市蒸散发研究

［D］.北京：清华大学，2015.

[本文引用: 1]

Zhang Kun，Han Tuo，Zhu Gaofeng，et al.

Investigation of Spatial Representativeness for Flux Data of Continental River Basin in Arid Region of Northwestern China

［J］.Arid Land Geograph，2015，38（4）：743-752.

[本文引用: 1]

张琨，韩拓，朱高峰，等.

西北内陆河流域典型生态系统通量数据空间代表性研究

［J］.干旱区地理，2015，38（4）：743-752.

[本文引用: 1]

Wang Tong，Tang Ronglin，Li Zhaoliang，et al.

Temporal Upscaling Methods for Daily Evapotranspiration Estimation from Remotely Sensed Instantaneous Observations

［J］.Journal of Remote Sensing，2019，23（5）：813-830.

[本文引用: 1]

王桐，唐荣林，李召良，等.

遥感反演蒸散发的日尺度扩展方法研究进展

［J］.遥感学报，2019，23（5）：813-830.

[本文引用: 1]