遥感技术与应用, 2021, 36(1): 121-131 doi: 10.11873/j.issn.1004-0323.2021.1.0121

蒸散发遥感专栏

蒸散发遥感反演产品应用关键问题浅议

熊育久,1,2, 冯房观1, 方奕舟1, 邱国玉3, 赵少华4, 姚云军5

1.中山大学土木工程学院，广东 广州 510275

2.广东省华南地区水安全调控工程技术研究中心，广东 广州 510275

3.北京大学深圳研究生院环境与能源学院，广东 深圳 518055

4.生态环境保护部卫星环境应用中心/国家环境保护卫星遥感重点实验室，北京 100094

5.北京师范大学地理科学学部，北京 100875

Critical Problems When Applying Remotely Sensed Evapotranspiration Products

Xiong Yujiu,1,2, Feng Fangguan1, Fang Yizhou1, Qiu Guoyu3, Zhao Shaohua4, Yao Yunjun5

1.School of Civil Engineering，Sun Yat-Sen University，Guangzhou 510275，China

2.Guangdong Engineering Technology Research Center of Water Security Regulation and Control for Southern China，Guangzhou 510275，China

3.Satellite Environment Center，Ministry of Ecology and Environment / State Environmental Protection Key Laboratory of Satellite Remote Sensing，Beijing 100094，China

4.Faculty of Geographical Science，Beijing Normal University，Beijing 100875，China

收稿日期: 2020-02-23   修回日期: 2020-12-25   网络出版日期: 2021-04-13

基金资助: 国家自然科学基金面上项目“黄土高原蒸散发组分时空格局及其对植被恢复的响应研究”.  42071395
“干旱区绿洲与荒漠植被蒸散发及其组分定量遥感反演研究”.  41671416

Received: 2020-02-23   Revised: 2020-12-25   Online: 2021-04-13

作者简介 About authors

熊育久（1982-），男，贵州麻江人，博士，副教授，主要从事蒸散发遥感反演方面的研究E⁃mail:xiongyuj@mail.sysu.edu.cn , E-mail：xiongyuj@mail.sysu.edu.cn

摘要

陆地蒸散发精确测算是地球系统和全球变化研究的薄弱环节与难点。遥感提供的蒸散发产品极大地推动了相关领域的研究，但蒸散发遥感产品种类多、反演理论涉及水文学与遥感科学，不仅影响初涉该领域的用户选择产品，且无视数据物理含义、简单拿来主义式的应用可能导致不合理的分析结果，影响科学问题深入研究。基于MODIS、GLEAM等6种长时间序列（1980~2018年）蒸散发遥感产品，以黄土高原蒸散发多年变化趋势为应用案例，从产品特征、反演算法与精度等角度，探讨在应用蒸散发遥感产品时需要注意的关键问题。结果表明：①各种蒸散发产品与观测值在年尺度上差异显著（方差分析/ANOVA，P<0.01）、相对误差在17%~30%之间（R2<0.4）；②蒸散发多年平均值的空间分布整体趋势相似、但局部差异明显（同一区域可高达400 mm/y）；③产品差异使得统计的黄土高原蒸散发变化趋势不一致，甚至出现相反的变化趋势。可见，应用蒸散发遥感产品前，需查明产品算法、输入数据特征、产品反演精度（如误差大小及来源），掌握产品的优点与局限性；有可供利用的观测数据时，务必深入检验产品在拟开展研究区域的精度，方能根据产品提供的数据展开客观分析。研究结果可为干旱、半干旱地区蒸散发产品选择与应用提供参考。

关键词： 蒸散发 ; 遥感反演 ; 全球产品 ; 黄土高原

Abstract

Accurate estimation of terrestrial evapotranspiration （ET） is challenged substantially in studies on the Earth system and global change. Remotely sensed ET products have greatly fostered researches on related areas. However， there are various ET products retrieved based on different theories involving hydrology and quantitative Remote Sensing （RS）. These theories are probably too esoteric to understand for students and young scientists （new users） alike. As such， ignoring the physical meaning of the products may hinder their proper application， lead to unreasonable analysis and affect an in-depth study of scientific problems. Therefore， we compared and analyzed six RS-based ET products， including MODIS and GLEAM （1980~2018）， over the Loess Plateau， northwest China， aiming to discuss critical problems when applying these products. The results show that： ① there is a low correlation between RS-based ET and water balance ET （R2<0.4） because significant differences exist at yearly scale （ANOVA， P<0.01）， with mean absolute percent errors ranging from 17% to 30%； ②spatially， although ET values show a similar distribution in general， substantial difference exists at certain regions， with a value up to 400 mm/y； ③when analyzing change trends of ET over the Loess Plateau based on these ET products， inconsistent trend or even opposite change trends will be observed. It concluded that before applying RS products， one should perform validations and master their advantages and limitations before application， including algorithm， model input and possible error propagation. This study can provide guidelines for selecting proper ET products for related researches in arid and semi-arid regions.

Keywords： Evapotranspiration ; Quantitative remote sensing ; Global ET product ; Loess Plateau

PDF (6710KB) 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

熊育久, 冯房观, 方奕舟, 邱国玉, 赵少华, 姚云军. 蒸散发遥感反演产品应用关键问题浅议. 遥感技术与应用[J], 2021, 36(1): 121-131 doi:10.11873/j.issn.1004-0323.2021.1.0121

Xiong Yujiu, Feng Fangguan, Fang Yizhou, Qiu Guoyu, Zhao Shaohua, Yao Yunjun. Critical Problems When Applying Remotely Sensed Evapotranspiration Products. Remote Sensing Technology and Application[J], 2021, 36(1): 121-131 doi:10.11873/j.issn.1004-0323.2021.1.0121

1 引 言

陆地蒸散发（Evapotranspiration/ET）包括植被蒸腾（Vegetation Transpiration/T）、土壤蒸发（Soil Evaporation/E）、植被冠层截留蒸发和水面蒸发，是土壤—植被—大气连续体中联系水分与能量交换及碳循环的关键纽带。蒸散发的精确测算一直是地球系统和全球变化等领域的薄弱环节与难点［1-5］。遥感与计算机的发展，使空间大尺度蒸散发的估算成为可能。目前，蒸散发遥感反演方法大致可分为6类：经验法（如基于统计关系［6-7］、基于机器学习［8-9］）、微气象理论法（如Penman-Monteith公式［10］和Priestley-Taylor公式［11-12］）、蒸发互补理论［13-14］、能量平衡余项法（如SEBAL［15］、SEBS［16］）、地表温度—植被指数空间法［17］、数据同化法［18-21］。根据土壤、植被对冠层总能量的贡献，各类方法还可细分为单层模型（不区分土壤、植被组分的贡献，仅能反演ET）和双层模型（区分组分贡献，能反演ET及其T、E组分）［22］。

在多种反演算法与多源遥感数据支持下，形成了不同的遥感蒸散发产品，覆盖不同区域乃至全球。时间跨度相对较长、且可免费获取的全球典型产品有GLEAM、MOD16、MTE、SSEBop等（表1），其中GLEAM不仅提供ET产品，还提供土壤蒸发、植被蒸腾等组分产品。这些蒸散发遥感产品均与地面涡度通量站观测数据或流域水量平衡测算数据进行了对比验证［35］，平均相对误差在5%~35%之间［36］，极大地推动了全球水热领域研究，加深了对水文循环与环境演变过程和机理的认识［32，37-38］。但是，蒸散发反演理论涉及水文学与遥感科学，不同遥感产品的反演方法与产品特征（如不同时空分辨率）差异大，对初涉该领域的用户或不具备遥感反演理论与方法的用户，不仅难以选择合适产品，且无视数据物理含义、简单拿来主义式的应用可能导致不合理的分析结果、使遥感数据备受质疑［39］，影响深入研究科学问题。

表1   典型的全球蒸散发遥感产品

Table 1  Typical remotely sensed evapotranspiration (ET) products at global scale

典型遥感 产品空间 分辨率时间 分辨率覆盖范围参考文献
空间时间
BESS

0.01°、

0.5°

8 d、

逐月

全球2000~2015[23-24]
GLASS0.05°逐日全球2002~2015[12,25-26]
GLEAM0.25°逐日全球1980~2018[27-28]
MOD160.01°8 d全球2000~2017[29]
MTE

0.5°、

0.08°

逐月全球1982~2016[8，30]
PLSH0.08°、1°逐月全球1982~2013[31-32]
PML0.05°8 d全球2002~2017[33]
SSEBop0.01°逐月全球2003~2018[34]

注：表中各产品全称如下：

BESS: Breathing Earth System Simulator

GLASS: Global Land Surface Satellite Product

GLEAM: Global Land‐Surface Evaporation: The Amsterdam Methodology

MOD16: MODIS Global Evapotranspiration Project

MTE: model tree ensemble data-driven process-based model

PLSH: Process-based Land Surface Evapotranspiration/Heat Fluxes algorithm

PML: Penman-Monteith-Leuning model

SSEBop: Operational Simplified Surface Energy Balance model

新窗口打开| 下载CSV


此外，遥感像元尺度反演结果真实性检验面临诸多挑战［40］，尽管各蒸散发产品发布前均已验证，但地面站点观测数据与像元反演值在时空尺度的匹配程度影响评价结果。即使反演值与观测值吻合程度高、验证效果好，受观测数据空间分布与数量制约及地表异质性影响，反演结果在其他区域的精度仍然有待检验。尤其在受水分限制的干旱、半干旱地区，景观破碎、地表异质性复杂、地表过程参量变化剧烈，增加了蒸散发反演的难度［41-43］。鉴于蒸散发精准量化是干旱、半干旱地区农业水资源管理、生态环境建设等领域的重大需求，以探索黄土高原蒸散发多年变化趋势为应用案例，基于6种典型的蒸散发遥感产品，从产品特征、反演精度等角度，探讨蒸散发遥感反演产品应用中应注意的关键问题，为干旱、半干旱地区的蒸散发产品应用提供参考与借鉴。

2 研究方法

2.1　研究区域概况

研究区域为黄土高原及其西北方向的内陆河流域（33.5°~49.5° N，73°~115° E，图1），该区域横跨河南、山西、陕西、甘肃、宁夏、内蒙古、青海和新疆等省区，覆盖半湿润、半干旱、干旱等3种气候特征，具有林地、草地、灌木、农田及荒漠等多种景观类型（见图1（b）中2010年MODIS土地利用分类产品）。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区域地理位置

Fig.1   Geographic information for the study area


2.2　蒸散发遥感产品

研究选用了5种典型的全球蒸散发遥感产品，包括MTE（0.5°）、GLEAM（0.25°）、SSEBop（0.01°）、MOD16（0.01°）、PLSH（0.08°），以及一套中国区域的蒸散发遥感产品（ET_CR、0.1°）（表2）。选择依据包括以上产品应用广泛，以及反演算法覆盖了Penman-Monteith（P-M）公式（MOD16、PLSH）、Priestley-Taylor公式（GLEAM）、地表能量平衡方程（SSEBop）、蒸发互补（ET_CR）、机器学习（MTE）等5类主流方法，可对比不同算法在研究区的应用差异。各产品简要介绍如下：

表2   6种用于论文研究的典型蒸散发遥感产品及其特征

Table 2  Information for the six types of remotely sensed evapotranspiration (ET) products used in this study

蒸散发 遥感产品反演方法空间 分辨率时间 分辨率数据长度数据格式 与版本来源
MTE机器学习0.5°逐月1980~2016nc、第8版https:∥www.bgc-jena.mpg.de/geodb/projects/Data.php
MOD16P-M公式0.01°逐年2000~2014Geotif、第5版http:∥files.ntsg.umt.edu/data/NTSG_Products/MOD16/MOD16A3.105_MERRAGMAO/Geotiff/
PLSHP-M公式0.08°逐月1982~2013nc、第2版http:∥files.ntsg.umt.edu/data/ET_global_monthly/Global_8kmResolution/
GLEAMP-T公式0.25°逐年1980~2018nc、第3.3a版https:∥www.GLEAM.eu/
ET_CR蒸散发互补方法0.1°逐月1982~2015nc、第1.5版http:∥data.tpdc.ac.cn/zh-hans/data/b6d9f525-5b76-48b0-82db-bb2963465cac
SSEBop能量平衡法0.01°逐年2003~2018Geotif、第4版https:∥edcintl.cr.usgs.gov/downloads/sciweb1/shared∥fews/web/global/yearly/eta/downloads/

新窗口打开| 下载CSV


（1）MTE。该数据集由德国马普学会生物地球化学研究所Jung等［8，37］研发，以全球通量站点观测数据为基础，结合MODIS数据和气象数据，利用机器学习将站点数据尺度上推至全球尺度。

（2）MOD16。该数据集由美国蒙大拿大学陆地数值模拟研究中心的Mu等［29，44］研发，基于MODIS遥感数据、再分析气象数据与改进的P-M公式反演获得。

（3）PLSH。该数据集由河海大学张珂等［31-32］在美国蒙大拿大学陆地数值模拟研究中心研发，基于AVHRR遥感数据、再分析气象数据与改进的P-M公式反演获得。PLSH与MOD16最大的差别在于两种算法对植被冠层阻抗参数化方式不一样［31］。

（4）GLEAM。该数据集由英国布里斯托大学的Miralles等［27-28］研发，基于多源遥感数据、再分析气象数据与改进的Priestley-Taylor（P-T）公式反演获得。

（5）SSEBop。该数据集由美国地质调查局的Senay等［34-45］研发，基于MODIS遥感数据、再分析气象数据与简化的地表能量平衡方程反演获得。

（6）ET_CR。该数据集由中国科学院青藏高原研究所马宁等［14］研发，基于MODIS等多源遥感数据、再分析气象数据与蒸散发互补方法反演获得。

2.3　数据处理与评价方法

根据蒸散发空间分布定性分析各产品的特征，以流域水量平衡方程测算的年蒸散发（式1）为标准，定量分析比较各蒸散发产品的差异。根据水量平衡方程，在假设年尺度土壤水分变化为零时，有：

ET=P-Q

其中：P为降水量、Q地表径流量，单位均为mm。

根据公式（1），利用覆盖黄土高原14个子流域（表3、图1（b））的降水、径流观测数据（1983~2009年），计算获得各子流域年均蒸散发值 ［46］。因其中5个子流域面积过小，在0.5°的MTE蒸散发产品中像元数小于等于1，为保证对比数据的一致性，去掉这5个子流域（图1（b）中灰色虚线区域），仅在其他9个子流域（图1（b）中红色实线区域）进行比较。

表3   黄土高原14个子流域基本信息[46]

Table 3  Basic information of the 14 basins in the Loess Plateau

序号名称面积 /km2多年平均（1961~2009年）降水量（P）、潜在蒸发量（E0）
P/mm·a-1E0/mm·a-1
1皇甫川流域3 2304061 026
2窟野河流域8 6214021 075
3孤山川流域1 2604101 047
4秃尾河流域3 3074111 093
5佳芦河流域1 1384371 093
6无定河流域24 6823731 133
7大理河流域3 8614841 110
8清涧河流域3 6004991 084
9延河流域5 8575071 072
10北洛河流域25 7235021 049
11泾河流域43 1065271 000
12渭河流域30 1225021 015
13汾河流域38 7285151 004
14昕水河流域4 1865021 009

新窗口打开| 下载CSV


对于年尺度分辨率的蒸散发产品（即MOD16、GLEAM、SSEBop），在ENVI/IDL软件中直接用流域边界生成感兴趣区统计对应的年平均值；对于月尺度的产品（即MTE、PLSH、ET_CR），则编写IDL程序，逐月累加获得年值，再统计各流域蒸散发年均值。将各产品统计的年均值，与水量平衡观测结果对比。因SSEBop数据时间跨度最短，为确保评价数据的一致性，对比验证时间段仅覆盖2003~2009年。分析中采用了相关分析、方差分析等方法，以及确定系数（R2）、平均绝对误差（MAE）（式（2））、平均相对误差（MPAE）（式3）等指标。

MAE=1n∑i=1nMi-Oi
MAPE=100O1n∑i=1nMi-Oi

其中：Mi和Oi分别为反演值及其对应的观测值，O是所有观测数据的平均值。

3 结果与讨论

3.1　蒸散发产品空间分布特征差异

从2003~2013年的多年平均值空间分布看（图2），各蒸散发产品空间变化趋势相似，即数值整体上沿东南向西北递减，但局部区域差异明显，如黄河流域上游（兰州以西）和黄土高原东南部分（西安以东），同一位置处的蒸散发相差高达400 mm，并且MTE和MOD16未提供荒漠或稀疏植被覆盖区蒸散发值（图2（b）、（e）中白色无值部分）。根据各产品统计黄土高原多年平均蒸散发，由高到低分别为422±205（SSEBop）、422±177（PLSH）、411±126（MTE）、393±93（ET_CR）、377±127（GLEAM）、336±118（MOD16）mm，最大、最小平均值相差86 mm。在SSEBop、PLSH产品中高值（绿色）出现频率最高，蒸散发均值相应最大；MOD16在黄土高原中部与西北部可能低估、蒸散发均值最小。结合图1（b）植被分布特征，GLEAM、ET_CR等产品在针、阔叶林分布区域低估蒸散发概率高。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   西北地区典型蒸散发遥感产品空间分布特征（2003~2013多年平均值）

Fig.2   Distribution of multi-year (2003~2013) mean annual evapotranspiration from different evapotranspiration (ET) products in the study area


蒸散发产品对地面空间异质性的刻画效果随空间分辨率的提高而增加，即：0.5°的MTE对蒸散发空间异质性刻画效果最差，次之为0.25°的GLEAM；空间异质性差异最明显的是分辨率为0.01°的SSEBop。如黄土高原北部的河套灌区，其带状分布在SSEBop（图2（f））中清晰呈现、蒸散发数值与周围差异最明显，但GLEAM（图2（a））、MTE（图2（b））、ET_CR（图2（d））中甚至体现不出该灌区的带状特征。

3.2　蒸散发产品精度差异

与水量平衡方程测算的流域蒸散发值相比（2003~2009年的逐年均值），尽管相关性显著（P<0.01），但R2多低于0.4，且各产品大多低估蒸散发（图3中表现为散点集中分布于1∶1线的一侧），仅有SSEBop、PLSH等两种产品约1/3的散点高估蒸散发，故回归方程斜率较其他产品更接近1，分别为0.78和0.70（其他产品的回归方程斜率约为0.5）。整体而言，蒸散发产品反演精度由高到低依次为MTE、SSEBop、GLEAM、ET_CR、PLSH和MOD16，对应的平均绝对误差（平均相对误差）分别为74、84、89、94、108、122 mm/a（17%、19%、20%、22%、25%、28%）。单因素方差分析（ANOVA）表明，在0.05检验水平，SSEBop、ET_CR和PLSH等蒸散发产品与水量平衡测算值无显著差异，其他产品均与观测值差异显著（P<0.01，图3（g））。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   基于水量平衡的蒸散发遥感产品验证

（注：验证时间段为2003-2009年，样本量n=63；(g)图中星号表示与水量平衡测算的蒸散发相比差异显著（方差分析，P<0.01））

Fig.3   Comparison of the annual ET values from different evapotranspiration (ET) products and the water budget in the nine river basins in Fig. 1(b) during 2003~2009


水量平衡理论测算流域年平均蒸散发时（式（1）），降水、径流均为实际观测值，尽管忽略了流域水储量变化，考虑到黄土高原流域水储量变化较小［47］，水量平衡测算的蒸散发误差可忽略。鉴于对比验证是基于流域尺度的平均值，本文认为各产品不同的空间分辨率不影响区域平均数值的相互比较，但各产品在反演过程中使用不同空间分辨率的输入数据，是引起蒸散发空间分布差异的主要原因之一。尤其在蒸散发值超过500 mm的高值区，各产品明显低估，可能与各产品反演时低估森林植被、耕地等区域的蒸散发有关。此外，不同蒸散发反演方法差异，如模型原理及其假设、模型结构引起的蒸散发反演误差［1-2，29］，亦是引起各产品差异的主要原因，如P-M公式（图2（c）、2（e））与地表能量平衡方程（图2（f））在黄土高原、青藏高原反演数值差异。甚至同类方法中个别变量参数化方法差异，都能引起蒸散发反演差异，如PLSH和MOD16均采用P-M公式，两种算法之间仅有植被冠层阻抗参数化方法不一样［31］，但图2（c）、2（e）却显示两种产品具有明显差别。

3.3　基于不同产品的黄土高原蒸散发变化趋势

如图4（a）所示，基于6种产品统计的黄土高原年均蒸散发值在300~450 mm之间变化，且各产品年际波动范围明显不同，差值最高约为100 mm（折合水量约600亿m3）。若分析各产品全时间序列变化趋势，可发现从20世纪80年代以来，MTE和ET_CR两种产品反演的黄土高原蒸散发呈显著下降趋势，斜率分别为-0.39（P<0.05）和-1.56（P<0.001）（图4（b）），而其他4种产品的结果则呈现上升趋势，其中PLSH、GLEAM的上升趋势显著，斜率分别为2.11（P<0.001）、1.60（P<0.001）（图4（b））。因各产品时间跨度不一样，若取所有产品的公共时间段（2003~2013）分析，仅有ET_CR的反演结果呈现显著下降趋势（P<0.05）、MTE下降趋势不显著（图4（c）），其他4种蒸散发产品则为上升趋势，但仅有PLSH的上升趋势显著（斜率为4.66，P<0.001，图4（c））。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   基于不同蒸散发遥感产品的黄土高原蒸散发变化趋势

Fig.4   Annual ET trends of different evapotranspiration (ET) products in the Loess Plateau


尽管各蒸散发产品反演误差均在当前文献报道的反演精度范围（5%~35%）［36］，但依此统计的结果却显示黄土高原蒸散发出现截然相反的变化趋势，究竟哪种变化趋势更符合客观情况？

从区域植被变化而言，中国自1999年开始实施退耕还林还草政策后，大量监测研究表明近年来黄土高原植被在逐渐恢复 ［48-52］，理论上植被增加会导致蒸腾量增加［53-54］。从这一角度看，SSEBop、GLEAM、PLSH、MOD16等4种产品，无论从1980年开始（图4（b））还是从1999年开始统计（图4（d）），均呈增加趋势，与植被增加导致蒸散发变大的认知一致。

相比之下，MTE、ET_CR两种产品统计结果呈现下降趋势（图4（b）、4（c）），其原因值得探索。以反演误差最小的MTE为例，图3（g）、图4（a）均显示MTE的蒸散发数值波动小（最大仅相差58 mm），但图3（a）的验证显示MTE反演误差平均为72 mm，图4（b）中自1980年以来的小幅度下降（斜率仅为 -0.39），可能是反演误差导致。因为从产品算法角度而言，MTE是基于机器学习算法反演，即利用机器学习建立蒸散发与其他模型输入的函数关系。建模过程需要训练样本（蒸散发与其他输入因子的通量塔观测数据），模型代表性与精度必然依赖训练样本。经分析，该产品反演时使用的中国通量数据来源于13个观测站［30］，除3个湿地站在南方外，其他站点均在北方，但西北地区仅有3个站。中国陆地生态系统通量观测研究网络（ChinaFLUX）2002年才建成，20世纪80、90年代通量观测数据缺失概率非常高，机器学习在无训练样本时采用其他时段或其他区域的经验关系，可能会引起反演误差，不适用于黄土高原，该版本的MTE产品在中国的精度有待深入检验。此外，从图4（c）看，2003~2013年间MTE的下降趋势并不显著。若从退耕还林还草政策实施的1999年开始统计，基于MTE产品的黄土高原蒸散发呈微弱的增加趋势（斜率为0.21，但不显著，图4（d））。可见，趋势分析中时间段的起始对分析结果亦有较大影响。

3.4　蒸散发产品应用需注意的关键问题

从3.3节的应用案例可知，尽管已经有不少蒸散发产品可供选择，但各产品之间存在差异，应根据研究目的和产品的时空分辨率、反演精度等综合考虑。在进行应用前，建议重点考虑以下环节：

（1）产品验证。尽管产品在发布前已经进行了检验，但遥感反演结果验证困难［40，55］。因此，掌握待用产品验证的方法、数据及其来源区域等，有助于判断待用产品的反演精度。应用区域有可供验证的观测数据时，建议先根据蒸散发产品应用目的，确定验证方法和验证数据的时间、空间尺度，再检验产品精度。如3.2节的验证结果是以流域年尺度平均值为参考，即使待检验产品在某区域平均蒸散发的年值精确性高，却难以保证该产品的月尺度数据具有相似精度［56］，需谨慎应用其月尺度产品分析年内蒸散发变化。最后，验证中若误差超过应用要求精度，还需要进行校正。

（2）掌握产品的反演算法、反演数据源等。通过分析反演算法可掌握其优势与局限性；了解产品反演时输入数据的来源、精度等特征，同样有助于理解误差来源与产品的反演精度等。如3.3节分析了MTE产品在黄土高原蒸散发反演不确定性大的原因，即机器学习在训练时可利用的地面观测数据少、构建的模型代表性不高，引起蒸散发的统计趋势与其他产品不一致。再如，图2（e）中MOD16在干旱的荒漠或植被稀疏区域未提供蒸散发数值，经分析该产品反演算法可知，因P-M公式局限性，植被稀疏区域的蒸散发反演误差大，均假设为零、未反演［29］。但观测数据表明植被稀疏区域蒸散发量不为零［57-58］，更容易理解MOD16产品在中国干旱、半干旱地区误差较大的原因［56，59-60］。

（3）产品特征与应用的匹配性。不仅产品反演精度影响应用研究，笔者发现产品时空分辨率同样影响应用研究［56，61-62］。如3.2节中验证案例，为统一对比数据一致性，图1（b）中5个面积较小的流域被弃用，因为这些形状不规则的流域在0.5°空间分辨率的MTE产品中最多仅能形成1个像元。实际上这5个流域中面积最小的约为1 140 km2、最大约为4 200 km2。换言之，0.5° 分辨率的产品不适合用于研究面积过小的流域（如5 000 km2）。可见，较低的空间分辨率难以刻画流域内蒸散发的空间异质性（如图2中的MTE、GLEAM等均未能刻画黄土高原北部河套灌区的带状分布）。

4 结 论

蒸散发产品在反演原理、反演精度、空间分辨率等方面均存在差异，对比6种主流蒸散发产品在黄土高原的特征与趋势，主要结论如下：

（1）在黄土高原，不同的蒸散发产品差异显著，据此统计获得的黄土高原蒸散发变化趋势不一致，甚至出现相反的变化趋势，可见即使各蒸散发产品的反演误差均在当前认可的反演精度范围（<30%），蒸散发反演不确定性仍然很高，应用前需结合产品反演算法等，深入分析掌握数据物理含义、开展产品验证等工作，否则简单拿来主义式的应用可能导致不合理的统计结果。

（2）空间分辨率影响蒸散发反演结果的异质性，应用时需根据研究内容和目的，选择恰当的遥感产品。基于水量平衡方法验证结果表明，PLSH、SSEBop、ET_CR等产品在黄土高原流域尺度的平均值与观测值无明显差异，统计区域年平均值时可优先选用。

参考文献

Wang K C， Dickinson R E.

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

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

[本文引用: 2]

Zhang K， Kimball J S， Running S W.

A Review of Remote Sensing based Actual Evapotranspiration Estimation

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

[本文引用: 1]

Yang Dawen， Xu Zongxue， Li Zhe， et al.

Progress and Prospect of Hydrological Sciences

［J］. Progress in Geography， 2018， 37（1）： 36-45.

杨大文， 徐宗学， 李哲， 等.

水文学研究进展与展望

［J］. 地理科学进展， 2018， 37（1）： 36-45.

Chen Fahu， Fu Bojie， Xia Jun， et al.

Major Advances in Studies of The Physical Geography and Living Environment of China during the Past 70 Years and Future Prospects

［J］. Science China Earth Sciences，2019，49（11）：1659-1696.

陈发虎， 傅伯杰， 夏军，等.

近70年来中国自然地理与生存环境基础研究的重要进展与展望

［J］. 中国科学： 地球科学， 2019，49（11）： 1659-1696.

Wang Jingfeng， Liu Yuanbo， Zhang Ke.

The Maximum Entropy Production Approach for Estimating Evapotranspiration： Principle and Applications

［J］. Advances in Earth Science， 2019， 34（6）： 596-605.

[本文引用: 1]

Wang Jingfeng， 刘元波， 张珂.

最大熵增地表蒸散模型：原理及应用综述

［J］. 地球科学进展， 2019， 34（6）： 596-605.

[本文引用: 1]

Jackson R D， Reginato R J， Idso S B.

Wheat Canopy Temperature： A Practical Tool for Evaluating Water Requirements

［J］. Water Resource Research， 1997， 13： 651-656.

[本文引用: 1]

Wang K， Wang P， Li Z Q， et al.

A Simple Method to Estimate Actual Evapotranspiration from a Combination of Net Radiation， Vegetation Index， and Temperature

［J］. Journal of Geophysical Research： Atmospheres， 2007，

112 （D

15）： D15107.

[本文引用: 1]

Jung M， Koirala S， Weber U， et al.

The FLUXCOM Ensemble of Global Land-Atmosphere Energy Fluxes

［J］. Scientific Data， 2019， 6： 74. doi： 10.1038/s41597-019-0076-8.

[本文引用: 3]

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]

Monteith J L.

Evaporation and Environment

［J］. Symposia of the Society for Experimental Biology， 1965， 19： 205-234.

[本文引用: 1]

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： 81-92.

[本文引用: 1]

Yao Y J， Liang S L， Li X L， et al.

A Satellite-based Hybrid Algorithm to Determine the Priestley-taylor Parameter for Global Terrestrial Latent Heat Flux Estimation across Multiple Biomes

［J］. Remote Sensing of Environment， 2015， 165： 216-233.

[本文引用: 2]

Brutsaert W.

A Generalized Complementary Principle with Physical Constraints for Land-Surface Evaporation

［J］. Water Resources Research， 2015， 51 （10）： 8087-8093.

[本文引用: 1]

Ma N， Szilagyi J， Zhang Y， et al.

Complementary-relationship-based Modeling of Terrestrial Evapotranspiration across China during 1982~2012： Validations and Spatiotemporal Analyses

［J］. Journal of Geophysical Research： Atmospheres， 2019， 124（8）： 4326-4351.

[本文引用: 2]

Bastiaanssen W G M， Menenti M， Feddes R A， et al.

A Remote Sensing Surface Energy Balance Algorithm for Land （SEBAL） 1. Formulation

［J］. Journal of Hydrology， 1998， 212-213： 198-212.

[本文引用: 1]

Su Z.

the Surface Energy Balance System （SEBS） for Estimation of The Turbulent Heat Fluxes

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

[本文引用: 1]

Carlson T.

An Overview of The Triangle Method for Estimating Surface Evapotranspiration and Soil Moisture from Satellite Imagery

［J］. Sensors， 2007， 7（8）： 1612-1629.

[本文引用: 1]

Crow W T， Kustas W P.

Utility of Assimilating Surface Radiometric Temperature Observations for Evaporative Fraction and Heat Transfer Coefficient Retrieval

［J］. Boundary-Layer Meteorology， 2005， 115 （1）： 105-130.

[本文引用: 1]

Bateni S M， Entekhabi D， Castelli F.

Mapping Evaporation and Estimation of Surface Control of Evaporation Using Remotely Sensed Land Surface Temperature from a Constellation of Satellites

［J］. Water Resources Research， 2013， 49（2）： 950-968.

Xu T R， Bateni S M， Liang S， et al.

Estimation of Surface Turbulent Heat Fluxes via Variational Assimilation of Sequences of Land Surface Temperatures from Geostationary Operational Environmental Satellites

［J］. Journal of Geophysical Research： Atmosphere， 2014， 119（18）： 10780-10798.

Xu T R， X L， He S， et al.

Mapping Regional Turbulent Heat Fluxes via Variational Assimilation of Land Surface Temperature Data from Polar Orbiting Satellites

［J］. Remote Sensing of Environment， 2019， 221： 444-461.

[本文引用: 1]

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

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

［J］. Advances in Earth Science， 2012， 27（12）： 1308-1318.

[本文引用: 1]

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: 1]

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: 1]

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： GB4017. doi：10.1029/2011GB004053.

[本文引用: 1]

Yao Y J， Liang S L， Cheng J， et al.

MODIS-driven Estimation of Terrestrial Latent Heat Flux in China based on a Modified Priestley-taylor Algorithm

［J］. Agricultural and forest Meteorology， 2013， 171-172： 187-202.

[本文引用: 1]

Yao Y J， Liang S L， Li X L， et al.

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

［J］. Journal of Geophysical Research-atmospheres， 2014， 119： 4521-4545.

[本文引用: 1]

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

Global Land-Surface Evaporation Estimated from Satellite-based Observations

［J］. Hydrology and Earth System Sciences， 2011， 15（2）： 453-469.

[本文引用: 2]

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

GLEAM v3： Satellite-based Land Evaporation and Root-zone Soil Moisture

［J］. Geoscientific Model Development， 2017， 10： 1903-1925.

[本文引用: 2]

Mu Q， Zhao M， Running S W.

Improvements to a MODIS Global Terrestrial Evapotranspiration Algorithm

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

[本文引用: 4]

Tramontana G， Jung M， Ichii K， et al.

Predicting Carbon Dioxide and Energy Fluxes across Global Fluxnet Sites with Regression Algorithms

［J］.Biogeosciences，2016，13：4291-4313.

[本文引用: 2]

Zhang K， Kimball J S， Nemani R R， et al.

A Continuous Satellite-derived Global Record of Land Surface Evapotranspiration from 1983~2006

［J］. Water Resources Research，2010， 46（9）：W09522. doi：10.1029/2009WR008800，2010.

[本文引用: 4]

Zhang K， Kimball J， Nemani R， et al.

Vegetation Greening and Climate Change Promote Multidecadal Rises of Global Land Evapotranspiration

［J］.Scientific Reports，2015，5：15956. doi：10.1038/srep15956.

[本文引用: 3]

Zhang Y Q， Kong D D， Rong G， et al.

Coupled Estimation of 500 m and 8-Day Resolution Global Evapotranspiration and Gross Primary Production in 2002~2017

［J］. Remote Sensing of Environment， 2019， 222： 165-182.

[本文引用: 1]

Senay G B， Bohms S， Singh R， et al.

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

［J］. Journal of American Water Resources Research， 2013， 49： 577-591.

[本文引用: 2]

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: 1]

Xu T R， Guo Z X， Xia Y L， et al.

Evaluation of Twelve Evapotranspiration Products from Machine Learning， Remote Sensing and Land Surface Models over Conterminous United States

［J］. Journal of Hydrology， 2019， 578： 124105.

[本文引用: 2]

Jung M， Reichstein M， Ciais P， et al.

A Recent Slowdown in Global Land Evapotranspiration due To Limited Moisture Supply

［J］. Nature， 2010， 467： 951-954.

[本文引用: 2]

Forzieri G， Alkama R， Miralles D G， et al.

Satellites Reveal Contrasting Responses of Regional Climate To The Widespread Greening of Earth

［J］. Science， 2017， 356（6343）： 1180-1184.

[本文引用: 1]

Pan Ning， Wang Shuai， Liu Yanxu， et al.

Advances in Soil Moisture Retrieval from Remote Sensing

［J］. Acta Ecologica Sinica， 2019， 39（13）： 4615-4626.

[本文引用: 1]

潘宁， 王帅， 刘焱序， 等.

土壤水分遥感反演研究进展

［J］. 生态学报， 2019， 39（13）： 4615-4626.

[本文引用: 1]

Wu Xiaodan， Xiao Qing， Wen Jianguang， et al.

Advances in Uncertainty Analysis for the Validation of Remote Sensing Products： Take Leaf Area Index for Example

［J］. Journal of Remote Sensing， 2014， 18（5）： 1011-1023.

[本文引用: 2]

吴小丹， 肖青， 闻建光， 等.

遥感数据产品真实性检验不确定性分析研究进展

［J］. 遥感学报， 2014， 18（5）： 1011-1023.

[本文引用: 2]

Yi Yonghong， Yang Dawen， Liu Yu， et al.

Review of Study On Regional Evapotranspiration Modeling based on Remote Sensing

［J］. Journal of Hydraulic Engineering， 2008， 39 （9）： 1118-1124.

[本文引用: 1]

易永红， 杨大文， 刘钰， 等.

区域蒸散发遥感模型研究的进展

［J］. 水利学报， 2008， 39 （9）： 1118-1124.

[本文引用: 1]

Wang Guohua， Zhao Wenzhi.

Advances in the Application of Remote Sensing to Evapotranspiration Research in Arid Regions

［J］. Advances in Earth Science， 2011， 26（8）： 848-858.

王国华， 赵文智.

遥感技术估算干旱区蒸散发研究进展

［J］. 地球科学进展， 2011， 26 （8）： 848-858.

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.

[本文引用: 1]

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.

[本文引用: 1]

Mu Q， Heinsch F A， Zhao M， 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: 1]

Senay G B， Budde M， Verdin J P.

Enhancing the Simplified Surface Energy Balance （SSEB） Approach for Estimating Landscape ET： Validation with the METRIC Model

［J］. Agricultural Water Management， 2011， 98（4）： 606-618.

[本文引用: 1]

Liang W， Bai D， Wang F， et al.

Quantifying the Impacts of Climate Change and Ecological Restoration on Streamflow Changes based on A Budyko Hydrological Model in China's Loess Plateau

［J］. Water Resources Research， 2015， 51（8）： 6500-6519.

[本文引用: 2]

Mo X， Wu J J， Wang Q， et al.

Variations in Water Storage In China over Recent Decades from Grace Observations and GLDAS

［J］. Natural Hazards and Earth System Sciences， 2016， 16： 469-482.

[本文引用: 1]

Wang S， Fu B J， Piao S L， et al.

Reduced Sediment Transport in the Yellow River due To Anthropogenic Changes

［J］. Nature Geoscience， 2016， 9： 38-41.

[本文引用: 1]

Xu G C， Zhang J X， Li P， et al.

Vegetation Restoration Projects and Their Influence on Runoff and Sediment in China

［J］. Ecological Indicators， 2018， 95（1）： 233-241.

Chen C， Park T J， Wang X H， et al.

China and India Lead in Greening of the World Through Land-use Management

［J］. Nature Sustainability， 2019， 2： 122-129.

Zhang Hanyu， Fang Lufang， Shi Zhihua， et al.

Spatio-temporal Patterns for the NDVI and Its Responses to Climatic Factors in the Loess Plateau， China

［J］. Acta Ecologica Sinica， 2016，36（13）： 3960-3968.

张含玉， 方怒放， 史志华， 等.

黄土高原植被覆盖时空变化及其对气候因子的响应

［J］. 生态学报， 2016，36（13）： 3960-3968.

Zhao Anzhou， Zhang Anbin， Liu Hhaixin， et al.

Spatiotemporal Variation of Vegetation Coverage before and after Implementation of Grain for Green Project in the Loess Plateau

［J］. Journal of Natural Resources， 2017， 104（A）： 449-460.

[本文引用: 1]

赵安周， 张安兵， 刘海新， 等.

退耕还林（草）工程实施前后黄土高原植被覆盖时空变化分析

［J］. 自然资源学报， 2017， 104（A）： 449-460.

[本文引用: 1]

Wang Yashu， Li Xiaoyan， Shi Fangzhong， et al.

The Grain for Green Project Intensifies Evapotranspiration in the Revegetation Area of the Loess Plateau in China

［J］. Chinese Science Bulletin ， 2019， 64（21）： 588-599.

[本文引用: 1]

王雅舒， 李小雁， 石芳忠， 等.

退耕还林还草工程加剧黄土高原退耕区蒸散发

［J］. 科学通报， 2019， 64（21）： 588-599.

[本文引用: 1]

Zhou Zhipeng， Sun Wenyi， Mu Xingmin， et al.

Temporal and Spatial Pattern of Actual Evapotranspiration in the Loess Plateau from 2001 to 2017

［J］.Yellow River，2019，41（6）：76-80.

[本文引用: 1]

周志鹏， 孙文义， 穆兴民， 等.

2001~2017年黄土高原实际蒸散发的时空格局

［J］. 人民黄河， 2019， 41（6）： 76-80.

[本文引用: 1]

Zhang Yuan， Jia Zhenzhen， Liu Shaomin， et al.

Advances in Validation of Remotely Sensed Land Surface Evapotranspiration

［J］. Journal of Remote Sensing， 2020， 24（8）： 975-999.

[本文引用: 1]

张圆， 贾贞贞， 刘绍民， 等.

遥感估算地表蒸散发真实性检验研究进展

［J］. 遥感学报， 2020， 24（8）： 975-999.

[本文引用: 1]

Xiong Y J， Qiu G Y， Zhao S H， et al.

An Evapotranspiration Product for Arid Regions based on the Three-temperature Model and Thermal Remote Sensing

［J］. Journal of Hydrology， 2015， 530： 392-404.

[本文引用: 3]

Shen Y， Chen Y.

Global Perspective on Hydrology， Water Balance， and Water Resources Management in Arid Basins

［J］. Hydrological Processes， 2010， 24： 129-135.

[本文引用: 1]

Qiu G Y， Li C， Yan C H.

Characteristics of Soil Evaporation， Plant Transpiration and Water Budget of Nitraria Dune in the Arid Northwest China

［J］. Agricultural and forest Meteorology， 2015， 203： 107-117.

[本文引用: 1]

Feng X M， Sun G， Fu B J， et al.

Regional Effects of Vegetation Restoration on Water Yield across the Loess Plateau， China

［J］. Hydrology and Earth System Sciences， 2012， 9（3）： 2617-2628.

[本文引用: 1]

Wei Hejie， Zhang Yangfang， Zhu Ni， et al.

Spatial and Temporal Characteristic of ET in the Weihe River Basin based on MOD16 Data

［J］. Journal of Desert Research， 2015， 35 （2）： 414-422.

[本文引用: 1]

位贺杰， 张艳芳， 朱妮， 等.

基于MOD16数据的渭河流域地表实际蒸散发时空特征

［J］. 中国沙漠，2015，35 （2）：414-422.

[本文引用: 1]

Wang Y Q， Xiong Y J， Qiu GY， et al.

Is Scale Really A Challenge in Evapotranspiration Estimation？ A Multi-scale Study in the Heihe Oasis Using Thermal Remote Sensing and The Three-temperature Model

［J］. Agricultural and forest Meteorology， 2016， 230-231： 128-141.

[本文引用: 1]

Xiong Y J， Zhao W L， Wang P， et al.

Simple and Applicable Method for Estimating Evapotranspiration and Its Components in Arid Regions

［J］. Journal of Geophysical Research： Atmospheres， 2019， 124（17-18）： 9963-9982.

[本文引用: 1]

/

〈 〉