南京地區(qū)蒸散發(fā)降尺度研究
——基于增強型時空自適應(yīng)反射融合模型

尉毓姣,朱 琳,*,曹鑫宇,王文科,龔建師,余慧琳,孟 丹

1 首都師范大學(xué) 資源環(huán)境與旅游學(xué)院,北京 100048 2 城市環(huán)境過程與數(shù)字模擬國家重點實驗室培育基地,北京 100048 3 首都師范大學(xué) 水資源安全北京實驗室,北京 100048 4 長安大學(xué) 水利與環(huán)境學(xué)院,西安 710054 5 中國地質(zhì)調(diào)查局南京地質(zhì)調(diào)查中心,南京 210016 6 自然資源部流域生態(tài)地質(zhì)過程重點實驗室,南京 210016

蒸散發(fā)是水文循環(huán)中自降水到達地面后由液態(tài)或固態(tài)轉(zhuǎn)化為水汽返回大氣的過程,包括水面蒸發(fā)、土壤蒸發(fā)和植被蒸騰,是陸地水分循環(huán)和能量交換的重要組成部分,能夠調(diào)節(jié)全球能量和水量平衡。精確估算蒸散發(fā)以及獲取高時空分辨率的蒸散發(fā)數(shù)據(jù)對區(qū)域乃至全球氣候變化、水資源評價和陸地碳水循環(huán)具有重要意義[1—2]。

針對大范圍、快速變化的地表信息監(jiān)測,單一傳感器無法滿足需求,許多學(xué)者針對這一問題,提出了切實可行的遙感數(shù)據(jù)時空融合技術(shù)[3]。2006年,Gao等人[4]首次提出STARFM(Spatial and Temporal Adaptive Reflectance Fusion Model)融合算法,開創(chuàng)了遙感數(shù)據(jù)融合的先河。Yi等人[5]使用STARFM模型對MODIS和ASTER蒸散發(fā)結(jié)果進行數(shù)據(jù)融合,用于獲取農(nóng)田尺度上連續(xù)的日蒸散發(fā),發(fā)現(xiàn)在非均質(zhì)農(nóng)業(yè)區(qū)融合精度低于均質(zhì)區(qū)域。Yang等人[6]使用STARFM模型融合基于Landsat和MODIS數(shù)據(jù)估算的蒸散發(fā),發(fā)現(xiàn)精度與僅使用Landsat估算的蒸散發(fā)相似或略低。STARFM算法進行遙感數(shù)據(jù)的融合可以較好的捕捉植被的物候變化,適用于地表覆蓋同質(zhì)的像元,而對于復(fù)雜、異質(zhì)性的地表覆蓋,預(yù)測效果不佳。Zhu等人[7]提出增強型時空自適應(yīng)反射融合模型(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model,ESTARFM),該模型考慮了像元之間的光譜和空間相似性,保留了空間細節(jié),適合復(fù)雜地物區(qū)域的數(shù)據(jù)預(yù)測。程筱茜等人[8]利用ESTARFM模型模擬了內(nèi)蒙古紅堿淖1987—2018年間缺失的Landsat影像數(shù)據(jù),用于反映水體的變化情況,該模型模擬精度達到0.95,彌補了Landsat數(shù)據(jù)在時間分辨率上的不足。Zhou等人[9]利用ESTARFM模型對歸一化植被指數(shù)(Normalized Difference Vegetation Index,NDVI)和地表溫度(Land Surface Temperature,LST)分別進行融合,用于提高干旱監(jiān)測的精度,發(fā)現(xiàn)預(yù)測結(jié)果與實際數(shù)據(jù)的相關(guān)系數(shù)分別為0.9和0.74。Heimhuber等人[10]分別利用STARFM和ESTARFM模型對Landsat影像和MODIS影像進行了8 d間隔、30 m分辨率的數(shù)據(jù)預(yù)測,發(fā)現(xiàn)ESTARFM結(jié)果優(yōu)于STARFM,在漫灘地區(qū)融合精度最佳。鄔明權(quán)等人[3]將STARFM、ESTARFM以及統(tǒng)計回歸等模型進行對比,發(fā)現(xiàn)ESTARFM模型的融合精度最高。

目前,對于蒸散發(fā)的研究以中國北部地區(qū)居多,且研究內(nèi)容以蒸散發(fā)估算、時空特征分析為主,而對于南部地區(qū)蒸散發(fā)降尺度的研究較少。因此,本文選擇南京市為案例區(qū),結(jié)合Landsat- 8遙感影像數(shù)據(jù)和氣象數(shù)據(jù),采用基于能量平衡原理的SEBS(Surface Energy Balance System)模型估算南京市的地表日蒸散量。在此基礎(chǔ)上,選取南京市部分區(qū)域(400像元×400像元,面積144 km2),采用ESTARFM模型將高空間分辨率(30 m)的Landsat蒸散發(fā)估算結(jié)果與高時間分辨率(8 d)的MOD16A2產(chǎn)品數(shù)據(jù)進行時空融合,并評價模型的融合精度。研究結(jié)果可為南京市水資源的合理規(guī)劃提供基礎(chǔ)數(shù)據(jù)。

1 研究區(qū)概況

南京市(31°14′—32°37′N,118°22′—119°14′E)位于中國東部、長江下游中部地區(qū),是長三角輻射帶動中西部地區(qū)發(fā)展的國家重要門戶城市,總面積6587 km2。區(qū)內(nèi)四季分明,雨水充沛,多年平均溫度為16.6 ℃(2000—2019年),年平均降雨量為1150.8 mm,屬亞熱帶季風濕潤氣候。長江穿城而過,沿江岸線總長近200 km,境內(nèi)共有大小河道120條,水域面積占總面積的11%。南京市是中國重要的農(nóng)業(yè)和商品糧基地之一,植物資源豐富、種類繁多。全市森林覆蓋率27%,建成區(qū)綠化覆蓋率45%,人均公共綠地面積13.7 m2。研究區(qū)示意圖如圖1所示。

圖1 研究區(qū)示意圖Fig.1 Location map of study area

2 數(shù)據(jù)與研究方法

2.1 數(shù)據(jù)來源與預(yù)處理

本文采用的數(shù)據(jù)包括遙感影像數(shù)據(jù)和專題數(shù)據(jù),其中專題數(shù)據(jù)包括：氣象數(shù)據(jù)、土地利用類型數(shù)據(jù)、數(shù)字高程模型以及MOD16A2蒸散發(fā)產(chǎn)品數(shù)據(jù)。

2.1.1遙感影像數(shù)據(jù)

由于時空數(shù)據(jù)融合需要盡量選擇日期相同或相近的兩種數(shù)據(jù)源,且融合需要三個時期的數(shù)據(jù),本次經(jīng)過數(shù)據(jù)篩選后,發(fā)現(xiàn)Landsat- 8遙感影像在2017年7月21日、10月9日和12月12日數(shù)據(jù)質(zhì)量較好(云量小于2%),且能夠與MOD16A2蒸散發(fā)產(chǎn)品保持日期一致。故選擇覆蓋南京市的2017年7月21日、10月9日和12月12日三期Landsat- 8遙感影像(地理空間數(shù)據(jù)云：http://www.gscloud.cn/),空間分辨率為30 m,時間分辨率為16 d。在ENVI 5.3中對影像數(shù)據(jù)進行輻射定標、大氣校正、圖像裁剪等預(yù)處理,通過波段運算工具計算歸一化植被指數(shù)NDVI、地表比輻射率和反照率參數(shù),采用大氣校正法計算地表溫度[11]。

2.1.2專題數(shù)據(jù)

(1)氣象數(shù)據(jù)

氣象數(shù)據(jù)來源于中國氣象數(shù)據(jù)網(wǎng)(http://data.cma.cn/),選取南京市及周邊城市共計11個站點的日風速、氣溫、氣壓、相對濕度等氣象要素,作為SEBS模型的輸入數(shù)據(jù)。在ArcGIS 10.5中采用反距離加權(quán)插值方法將站點數(shù)據(jù)進行空間插值,得到30 m分辨率的柵格數(shù)據(jù)。

(2)土地利用類型數(shù)據(jù)

土地利用類型數(shù)據(jù)為2018年1 km空間分辨率的柵格數(shù)據(jù),來源于中科院資源環(huán)境科學(xué)與數(shù)據(jù)中心網(wǎng)站(http://www.resdc.cn/Default.aspx)。原數(shù)據(jù)包括耕地、林地、草地、水域、居民地和未利用土地6個一級類型和25個二級類型。在ArcGIS 10.5中對二級類型進行合并處理,并將合并結(jié)果重分類為耕地、林地、水域、草地和其他五類(表1),通過裁剪得到南京市土地利用類型圖(圖2),其中其他類別主要包括建設(shè)用地和未利用土地。

表1 南京市土地利用類型分類表

圖2 研究區(qū)土地利用類型圖Fig.2 Land use type map of the study area

(3)數(shù)字高程模型(DEM)

數(shù)字高程模型(Digital Elevation Model,DEM)為30 m空間分辨率的SRTM產(chǎn)品,下載于Google Earth Engine平臺(https://earthengine.google.com/),并通過裁剪處理得到南京市DEM圖。

(4)MOD16A2蒸散發(fā)產(chǎn)品數(shù)據(jù)

MOD16A2蒸散發(fā)產(chǎn)品數(shù)據(jù)來源于美國國家航空航天局(NASA)網(wǎng)站(https://ladsweb.modaps.eosdis.nasa.gov),空間分辨率為500 m,時間分辨率為8 d。本次通過MRT(MODIS Reprojection Tool)工具對MOD16A2產(chǎn)品數(shù)據(jù)進行格式轉(zhuǎn)換、投影轉(zhuǎn)換等預(yù)處理,并重采樣至30 m格網(wǎng)大小,便于后續(xù)與基于Landsat-遙感影像反演的蒸散發(fā)結(jié)果進行融合計算。此外,該產(chǎn)品數(shù)據(jù)對建設(shè)用地、水域、裸地等區(qū)域賦值無意義數(shù)值,為無效值(https://lpdaac.usgs.gov/products/mod16a2v006/)。為了減少對融合結(jié)果的影響,本次采用鄰域均值代替無效值,并選取無效值較少的區(qū)域(400像元×400像元,面積144 km2)作為后續(xù)的融合計算區(qū)。

2.2 研究方法

2.2.1SEBS模型

2002年,荷蘭學(xué)者蘇中波[12]提出基于能量平衡原理的單層模型—SEBS模型,該模型具有較高的估算精度和更好的實用價值,目前廣泛應(yīng)用于干旱監(jiān)測、水資源評價等方面[13—16]。該模型假設(shè)每個像元的顯熱通量都介于該像元的干限和濕限顯熱通量之間,一定程度上避免了氣象數(shù)據(jù)空間插值不確定性帶來的誤差[17—18]。SEBS模型的地表能量平衡方程[19]為：

Rn=G0+H+λE

(1)

式中,Rn為地表凈輻射通量(W/m2)；G0為土壤熱通量(W/m2)；H為感熱通量(W/m2)；λE為潛熱通量(W/m2),其中E為蒸散量(mm),λ為水的汽化潛熱(Wm-2mm-1),與地表溫度Ts(K)之間的關(guān)系式為[20]：

λ=[2.501-0.002361×(Ts-273.15)]×106

(2)

(1)地表凈輻射通量Rn

地表凈輻射(輻射平衡)指地表向上和向下的總輻射之差,是地面所獲取的凈輻射能量[21]。計算公式為：

(3)

ε=0.004×Pv+0.986

(4)

式中,Pv為植被覆蓋度,公式計算如下：

(5)

式中,NDVI為歸一化植被指數(shù)；NDVISoil為裸土或無植被覆蓋區(qū)的NDVI值；NDVIVeg為植被完全覆蓋區(qū)的NDVI值。本次取累計概率為5%和95%的NDVI值作為NDVISoil和NDVIVeg,對植被覆蓋度進行計算[23]。

(2)土壤熱通量G0

土壤熱通量是單位面積土壤在單位時間內(nèi)的熱交換量[24],是由于傳導(dǎo)導(dǎo)致的儲存到土壤和植被中的熱量的比率[20],經(jīng)驗統(tǒng)計公式為：

(6)

(3)感熱通量H

感熱通量也叫做顯熱通量,是指由于溫度變化而引起的大氣與下墊面之間發(fā)生的湍流形式的熱交換[25],是由地表溫度和參考高度的氣象參數(shù)獲取的,與溫度差值成正比[26],計算公式為：

H=ρCp(Ts-Ta)/γa

(7)

式中,ρ=1.29(kg/m3)為空氣密度；Cp=1004(Jkg-1K-1)為空氣定壓比熱容；Ta為參考高度的溫度(K)；γa為空氣動力學(xué)阻抗(s/m)?？諝鈩恿W(xué)阻抗γa與風速、粗糙度和大氣層結(jié)構(gòu)有關(guān),根據(jù)大氣邊界層相似理論,存在以下關(guān)系：

(8)

(9)

(10)

(4)蒸發(fā)比

基于能量平衡公式計算的蒸散發(fā)是衛(wèi)星過境時刻的瞬時值,本文采用恒定蒸發(fā)比法將瞬時蒸散發(fā)擴展到日蒸散發(fā)[29]。該時間尺度擴展方法簡單易用,適用于晴朗或云量保持恒定不變的白天[30]。計算公式為：

(11)

(12)

式中,ET24為日實際蒸散發(fā)量(mm)；EF為蒸發(fā)比；Rn24為日凈輻射通量(W/m2)；G024為日土壤熱通量(W/m2)；ρw為水的密度。

2.2.2ESTARFM時空融合模型

ESTARFM時空融合模型是對STARFM模型的改進,其原理是考慮同一時間同一區(qū)域內(nèi)像元空間和光譜的相似性,依據(jù)預(yù)測日期前后至少兩對高低分辨率影像,以及預(yù)測日期當天的一幅低分辨率影像,計算對應(yīng)像元之間的權(quán)重和轉(zhuǎn)換系數(shù),從而模擬出預(yù)測日期的高時空分辨率數(shù)據(jù)[31]。本次利用待預(yù)測時期(2017年10月9日)前后兩個時期(2017年7月21日、12月12日)基于Landsat-8遙感影像反演的蒸散發(fā)數(shù)據(jù)和MOD16A2產(chǎn)品數(shù)據(jù)以及待預(yù)測時期的MOD16A2產(chǎn)品數(shù)據(jù),模擬出待預(yù)測時期30 m的蒸散發(fā)數(shù)據(jù)[32]。計算公式為[5]：

ET(xw/2,yw/2,tp)=TmETm(xw/2,yw/2,tp)+TnETn(xw/2,yw/2,tp)

(13)

(14)

式中,ET為最終預(yù)測時期的蒸散發(fā)；tp為預(yù)測時期；ETm為Tm時期預(yù)測的蒸散發(fā)；ETn為Tn時期預(yù)測的蒸散發(fā)；ETL為基于Landsat-8遙感影像反演的蒸散發(fā)；ETM為MODI6A2蒸散發(fā)；ETk為Tk時期預(yù)測的蒸散發(fā)；(xw/2,yw/2)為中心像元的位置；w為相似像元搜索窗口；(xi,yi)為第i個相似像元的位置；N′為相似像元的個數(shù)；Vi為轉(zhuǎn)換系數(shù)；Wi為綜合權(quán)重因子,計算公式如下：

(15)

Di=(1-Ri)di

(16)

(17)

式中,di為距離權(quán)重；Ri為光譜相似權(quán)重。

Tk為Tm、Tn時期的時間權(quán)重因子,計算公式為：

(18)

3 結(jié)果與分析

3.1 SEBS模型結(jié)果驗證

以往研究利用通量站數(shù)據(jù)、蒸發(fā)皿觀測數(shù)據(jù)或P-M公式計算的潛在蒸散發(fā)量與蒸散發(fā)模型估算的結(jié)果進行對比驗證,以證明結(jié)果的合理性[33—35]。因未收集到通量站實測數(shù)據(jù),本文采用南京市氣象站點(31°55′N,118°54′E)在3個研究時期的蒸發(fā)皿折算數(shù)據(jù)以及MOD16A2產(chǎn)品數(shù)據(jù)進行SEBS模型30 m Landsat蒸散發(fā)估算結(jié)果的驗證。由于蒸發(fā)皿實測數(shù)據(jù)為水面蒸發(fā),本次參考相關(guān)文獻確定該研究區(qū)水面蒸發(fā)的折算系數(shù)[36—37],將水面蒸發(fā)轉(zhuǎn)化為實際蒸發(fā)后與SEBS模型結(jié)果進行對比。統(tǒng)計結(jié)果如表2所示,模型估算結(jié)果與蒸發(fā)皿折算數(shù)據(jù)的平均相對誤差為0.14 mm/d,與MOD16A2產(chǎn)品數(shù)據(jù)的平均相對誤差為0.22 mm/d。三者變化趨勢相同,并與已有研究[38—39]的蒸散發(fā)驗證結(jié)果的表現(xiàn)規(guī)律一致,可認為SEBS模型的估算結(jié)果合理。

表2 SEBS模型計算結(jié)果與蒸發(fā)皿折算數(shù)據(jù)、MOD16A2產(chǎn)品數(shù)據(jù)結(jié)果對比

3.2 SEBS模型估算的蒸散發(fā)時空特征

研究區(qū)3個不同時期的日蒸散量空間分布如圖3所示,7月21日平均蒸散量為7 mm,最大值為10 mm；10月9日平均蒸散量為3.9 mm,最大值為5.6 mm；12月12日平均蒸散量為1.1 mm,最大值僅為2.8 mm。由此得出,蒸散量在季節(jié)上差異較大,呈現(xiàn)夏季>秋季>冬季的變化規(guī)律。7月21日為植被的生長季中期,氣溫高,降水充沛,日照時間長,植被生長比較旺盛,尤其是農(nóng)田水分灌溉充足,植被覆蓋度高,蒸騰量增加等都是導(dǎo)致該時間蒸散量較高的原因。10月9日為植被的生長季末期,氣溫降低,降水減少,氣候已發(fā)生明顯變化,并且農(nóng)田水分灌溉減少,植被覆蓋度降低,因而蒸散量有所降低。12月12日正值冬季,氣溫較低從而導(dǎo)致蒸散量很低。

圖3 研究區(qū)日蒸散量空間分布圖Fig.3 Spatial distribution of daily evapotranspiration in the study area

在空間上,南京市各區(qū)在7月21日的平均蒸散量差異較大,最大為六合區(qū)的7.7 mm,最小為秦淮區(qū)的5.4 mm。六合區(qū)耕地面積626km2,水域面積202km2,植被蒸騰量和水面蒸發(fā)量在夏季都比較大,所以該地區(qū)蒸散量最大。秦淮區(qū)屬于城市中心區(qū)域,只有少部分自然河、人工河錯落和極少的城市綠地分布,蒸散量最小。

為了進一步分析研究區(qū)不同土地利用類型的蒸散發(fā)差異,選取特征最為明顯的7月21日的蒸散發(fā)結(jié)果,將土地利用與Landsat蒸散發(fā)數(shù)據(jù)進行疊加并分區(qū)統(tǒng)計,得到研究區(qū)不同土地利用類型的蒸散量。由表3可知,南京市不同土地利用類型的蒸散量大小為：水域>林地>耕地>草地>其他。水域是蒸散量最高的地物類型,因其水量充足,水面蒸發(fā)量最大；林地具有涵養(yǎng)水源的能力及較高的植被蒸騰,雖然面積占整個南京市面積的比例不大,但蒸散量較高；耕地面積最大,約占南京市總面積的51%,并且南部高淳區(qū)分布大量水田,夏季較高的氣溫、充足的灌溉條件等使得耕地蒸散量較高。

表3 研究區(qū)7月21日各土地利用類型平均蒸散量統(tǒng)計

3.3 ESTARFM模型結(jié)果及精度評價

本次輸入ESTARFM模型的初始數(shù)據(jù)為2017年7月21日、12月12日的兩組Landsat、MOD16A2數(shù)據(jù)以及預(yù)測時期10月9日的MOD16A2數(shù)據(jù),以此融合預(yù)測10月9日的Landsat蒸散發(fā)數(shù)據(jù),融合區(qū)域范圍見圖1。

圖4為融合區(qū)10月9日基于ESTARFM模型的融合結(jié)果與基于Landsat-8遙感影像反演的蒸散發(fā)結(jié)果,圖中亮白色代表蒸散發(fā)較高,為植被覆蓋度較高的區(qū)域；黑灰色代表蒸散發(fā)較低,主要為其他類型的地物。經(jīng)統(tǒng)計,融合結(jié)果最大值為5.8 mm,最小值為0 mm,平均值為4 mm；Landsat蒸散發(fā)結(jié)果最大值為5.5 mm,最小值為0 mm,平均值為3.6 mm。整體上看,融合結(jié)果數(shù)值偏高,但二者在空間分布上具有一定的相似性。為了進一步度量時空融合模型的預(yù)測結(jié)果精度,本次選擇融合區(qū)域內(nèi)均勻分布的10000個驗證點,并計算二者的相關(guān)系數(shù)。圖中(圖5)散點分布在1：1線附近,相關(guān)系數(shù)為0.74,表明基于ESTARFM模型融合的高分辨率蒸散發(fā)結(jié)果可靠。

圖4 融合結(jié)果與Landsat蒸散發(fā)對比Fig.4 Comparison of fusion result and Landsat evapotranspiration

圖5 Landsat蒸散發(fā)與融合結(jié)果相關(guān)性分析 Fig.5 Correlation analysis between Landsat evapotranspiration and fusion result

4 討論與結(jié)論

4.1 討論

4.1.1SEBS模型的不確定性分析

本文利用Landsat- 8遙感影像數(shù)據(jù)進行地表參數(shù)的反演,采用SEBS模型估算地表日蒸散量。研究結(jié)果經(jīng)過多種方法的驗證,表明SEBS模型估算的蒸散發(fā)具有合理性。但是模型本身會受到輸入氣象要素與地表參數(shù)精度的影響,帶來模型反演結(jié)果的不確定性。因此,保證模型輸入?yún)?shù)的準確性對于提高模型的精度極其重要。同時,受地面通量站實測數(shù)據(jù)的限制,精度驗證的結(jié)果受到了一定的制約,獲取充足的蒸散發(fā)實測驗證數(shù)據(jù)是需要進一步解決的問題。此外,基于地表能量平衡的蒸散發(fā)模型分為單層模型和雙層模型,其中單層模型又稱為大葉模型,把地表視為一張大葉與外界進行水分和能量的交換,在下墊面均勻的陸面反演蒸散發(fā)的精度較高。本文采用的SEBS模型是單層模型的典型代表,雖然應(yīng)用較為廣泛,但實際上研究區(qū)下墊面并非單一均勻組成,這在一定程度上也會對反演結(jié)果造成誤差。而雙層模型是單層模型的延伸,能夠定量描述陸面非均勻性對地表通量的影響,分別獲得土壤蒸發(fā)和植被蒸騰[40—41]。故在后續(xù)研究中將考慮下墊面異質(zhì)性問題,采用特征空間的雙層蒸散模型進行區(qū)域蒸散發(fā)反演方面的研究。

4.1.2ESTARFM模型的不確定性分析

本文采用ESTARFM模型進行蒸散發(fā)產(chǎn)品數(shù)據(jù)的時空融合,研究結(jié)果表明,該模型可以有效地進行數(shù)據(jù)時空降尺度。為了進一步討論融合結(jié)果的質(zhì)量,將融合區(qū)土地利用分別與ESTARFM模型融合結(jié)果和Landsat蒸散發(fā)估算結(jié)果進行疊加并分區(qū)統(tǒng)計,分析二者在土地利用類型上的蒸散發(fā)差異。融合區(qū)不同土地利用類型在10月9日的平均蒸散量統(tǒng)計結(jié)果如表4所示,由于融合區(qū)域范圍小,沒有涉及草地這一地物類型,故沒有做相應(yīng)的統(tǒng)計。由表可以看出,二者均呈現(xiàn)水域>林地>耕地>其他的特點。ESTARFM模型融合結(jié)果與基于Landsat-8遙感影像反演的蒸散發(fā)結(jié)果的土地利用蒸散量差異在0.2—0.4 mm之間,其中,差異最大的土地利用類型為其他類型和水域,這可能與MOD16A2產(chǎn)品本身在建設(shè)用地、水域、裸地等區(qū)域存在無效值有關(guān)。由此可見,輸入ESTARFM模型的遙感數(shù)據(jù)質(zhì)量對融合結(jié)果的質(zhì)量會產(chǎn)生直接影響。

本次采用的Landsat- 8遙感影像為2017年7月21日、10月9日和12月12日三期,長時間間隔對融合結(jié)果會產(chǎn)生一定的影響。此外,融合結(jié)果會受到模型本身參數(shù)的影響,導(dǎo)致相似像元的選取會產(chǎn)生一定的誤差,使模型存在一定的不確定性。本次只針對小部分區(qū)域進行了時空數(shù)據(jù)融合降尺度研究,在后續(xù)的工作中可以嘗試將該模型應(yīng)用到更大的尺度上,并且盡量選擇同一季節(jié)、質(zhì)量更好的產(chǎn)品數(shù)據(jù)進行融合,為獲取長時間序列的蒸散發(fā)數(shù)據(jù)集提供數(shù)據(jù)保證,這也是未來進一步研究的方向。

表4 融合區(qū)10月9日土地利用類型平均蒸散量統(tǒng)計

4.2 結(jié)論

本文基于Landsat- 8遙感影像數(shù)據(jù)和氣象數(shù)據(jù)采用SEBS模型進行南京市地表日蒸散發(fā)的估算,分析蒸散發(fā)的時空分布特征及不同地物類型的差異。在此基礎(chǔ)上,采用ESTARFM模型融合Landsat蒸散發(fā)數(shù)據(jù)與MOD16A2蒸散發(fā)產(chǎn)品數(shù)據(jù),進行時空降尺度研究。主要結(jié)論如下：

(1)采用蒸發(fā)皿折算后的數(shù)據(jù)與MOD16A2產(chǎn)品數(shù)據(jù)進行SEBS模型估算結(jié)果的精度評價,平均相對誤差分別為0.14 mm/d和0.22 mm/d,表明使用該模型進行該研究區(qū)蒸散發(fā)估算的結(jié)果合理。

(2)南京市蒸散量季節(jié)差異明顯,夏季蒸散量最大,冬季最?。桓鲄^(qū)在夏季的日平均蒸散量差異較大,六合區(qū)蒸散量最大,秦淮區(qū)最?。粡耐恋乩妙愋蜕峡?日平均蒸散量差異也較大,呈現(xiàn)水域>林地>耕地>草地>其他的特點。

(3)基于ESTARFM模型融合的蒸散發(fā)與基于Landsat-8遙感影像反演的蒸散發(fā)相比,數(shù)值偏高,但二者在空間分布上具有相似性,相關(guān)系數(shù)為0.74,融合結(jié)果可靠。對于不同的土地利用類型,受產(chǎn)品數(shù)據(jù)本身無效值的影響,融合效果差異最大的為其他類型和水域。