考慮植被蓋度的城市蒸散發(fā)模擬研究

陳摯 黃櫻 丁金山 石喆 邱國玉 鄢春華

北京大學(xué)深圳研究生院環(huán)境與能源學(xué)院, 深圳 518055; ?通信作者, E-mail: yanch@pkusz.edu.cn

隨著全球氣候變化, 以城市熱島為代表的一系列生態(tài)環(huán)境問題日益顯著, 給實現(xiàn)聯(lián)合國“可持續(xù)城市和社區(qū)”的可持續(xù)發(fā)展目標(biāo)帶來巨大挑戰(zhàn)[1]。作為聯(lián)系城市水分循環(huán)與能量平衡的紐帶, 蒸散發(fā)是最經(jīng)濟有效的城市溫度調(diào)節(jié)手段[2]。加強城市地區(qū)蒸散發(fā)的研究, 對緩解氣候變化影響和優(yōu)化城市綠化方案至關(guān)重要[3]。

目前對城市樣點或斑塊尺度植被蒸散發(fā)的研究較多, 由于觀測方法的限制, 對人類直接生存的鄰里空間(neighborhood scale)的城市蒸散發(fā)時空分布特征研究有限[4]。渦度相關(guān)法(eddy covariance, EC)根據(jù)湍流統(tǒng)計理論, 利用風(fēng)、溫、濕等氣象要素的脈動數(shù)據(jù), 計算相應(yīng)脈動量的協(xié)方差, 進(jìn)而得到地表顯熱通量和潛熱通量(蒸散量)[4]。渦度相關(guān)法假設(shè)條件較少, 通過調(diào)整架設(shè)高度, 可以實現(xiàn)不同范圍湍流通量的觀測, 是最適合城市不同尺度蒸散發(fā)的直接觀測系統(tǒng)[5]。1999年, Grimmond 等[6]通過渦度相關(guān)法對城市蒸散發(fā)進(jìn)行測量。近年來, 利用渦度系統(tǒng)陸續(xù)開展不同城市區(qū)域蒸散發(fā)觀測研究, 探究城鄉(xiāng)區(qū)域蒸散發(fā)差異以及不同區(qū)域的蒸散發(fā)的時間變化特征, 定性分析氣象因素對區(qū)域蒸散發(fā)的影響[7–9]。國內(nèi)城市中也開展了渦度相關(guān)監(jiān)測, 但主要用于碳通量的觀測研究[10–14]。世界氣象組織強調(diào)有必要進(jìn)行更多城市的能量通量觀測, 這些觀測覆蓋更多地點, 能夠包括更全面的城市特征和受不同天氣影響的城市通量的季節(jié)變化[15–16]。

由于設(shè)備故障、湍流的隨機性、垂直風(fēng)速與標(biāo)量之間計算協(xié)方差的不確定性以及儀器誤差, 會導(dǎo)致一系列隨機誤差[17], 測量數(shù)據(jù)會出現(xiàn)明顯缺失。在城市復(fù)雜環(huán)境中, 數(shù)據(jù)缺失量能達(dá)到 30%, 甚至更高[18–19]。不完整的數(shù)據(jù)集會導(dǎo)致有偏差的不可靠的結(jié)果[20]。其次, 計算觀測通量的年度或月度預(yù)算需要填充數(shù)據(jù)缺口來獲得連續(xù)數(shù)據(jù)集。目前, 通常采用以下方法來填補通量以及氣象驅(qū)動因素的數(shù)據(jù)缺口: 非線性回歸法[21–23]、查表法[24](look-up tables, LUT)、人工神經(jīng)網(wǎng)絡(luò)[25–27](artificial neural networks, ANNs)、 隨 機 森 林[28–29](random forest,RF)、邊際分布抽樣算法[30](marginal distribution sampling, MDS)等。這些插值方法基本上只考慮氣象驅(qū)動因素, 在森林等均質(zhì)研究區(qū)域可獲得較好的插值效果[29]。由于城市具有空間異質(zhì)性, 地表植被零散, 分布不均, 相似氣象條件下不同區(qū)域的蒸散發(fā)有一定的差異, 在異質(zhì)性城市使用現(xiàn)有方法進(jìn)行 EC 空缺值插值的準(zhǔn)確性有待進(jìn)一步探究。邊際分布抽樣算法(MDS)是歐洲通量網(wǎng)(EUROFLUX)中標(biāo)準(zhǔn)的間隙填充方法之一[30], 具有與人工神經(jīng)網(wǎng)絡(luò)相近的性能, 比其他算法更加可靠。

本研究基于城市渦動觀測系統(tǒng) 2017—2018 每30 分鐘觀測數(shù)據(jù), 結(jié)合足跡源區(qū)范圍及下墊面遙感數(shù)據(jù), 獲取源區(qū)下墊面信息–植被蓋度, 構(gòu)建引入植被覆蓋率的城市蒸散發(fā)隨機森林估算模型(RF_S 模型)。通過與未引入植被蓋度的 RF 模型對比, 探究模型估算效果, 并與應(yīng)用較為廣泛的 MDS 插值模型對比插值效果, 同時通過敏感性分析, 探究影響城市蒸散發(fā)的潛在因子。深圳市 4—9月雨量充足,為典型濕季, 已有研究發(fā)現(xiàn)干、濕季植被蒸散發(fā)有顯著的差異[31–32]。為了使隨機模型可以更精準(zhǔn)地學(xué)習(xí)蒸散發(fā)規(guī)律, 本研究將數(shù)據(jù)劃分為濕季和干季。

1 材料與方法

1.1 研究區(qū)域

研究區(qū)域位于廣東省深圳市北京大學(xué)深圳研究生院內(nèi)(簡稱北大園區(qū))。觀測儀器安置于北大園區(qū)環(huán)境與能源學(xué)院 E 棟樓頂, 具體位置見圖1。以觀測點為圓心, 250 m 為半徑, 觀測區(qū)域下墊面如圖1(c)所示。一條公路橫貫研究區(qū)域, 公路以北下墊面以草坪林地為主, 人類活動較少; 公路以南為北大園區(qū), 建筑物和不透水面增加, 人類活動頻繁。

圖1 研究區(qū)域概況Fig.1 Study area

1.2 研究方法

1.2.1 渦動相關(guān)數(shù)據(jù)處理

通過渦動相關(guān)系統(tǒng), 對研究區(qū)域的水熱通量、凈輻射及常規(guī)氣象要素進(jìn)行長期觀測。該系統(tǒng)主要由三維超聲風(fēng)速溫度計、快速響應(yīng)紅外線氣體分析儀及凈輻射測量系統(tǒng)組成, 以 10 Hz 的采樣頻率采集傳感器高度上的水平風(fēng)速、垂直風(fēng)速、溫度、水汽密度和二氧化碳密度等。主要觀測要素及儀器如表1 所示。通過渦動相關(guān)系統(tǒng)內(nèi)部軟件進(jìn)行數(shù)據(jù)前處理, 獲得每 30 分鐘平均湍流數(shù)據(jù)。

表1 渦動相關(guān)系統(tǒng)儀器說明Table 1 Detail information about eddy covariance system

數(shù)據(jù)處理過程遵循標(biāo)準(zhǔn)程序, 包括野點去除、坐標(biāo)旋轉(zhuǎn)、頻率損失修正、感熱通量的超聲虛溫修正和 WPL 修正。渦動系統(tǒng)是連續(xù)測量, 但儀器故障、雨雪條件影響及異常值等會造成數(shù)據(jù)缺失, 同時非湍流運動會給渦動相關(guān)通量計算帶來偏差。通過摩擦速度u*的閾值篩選, 剔除低湍流狀態(tài)數(shù)據(jù)。輸出數(shù)據(jù)質(zhì)量標(biāo)記為“0”的是高質(zhì)量原始數(shù)據(jù); 標(biāo)記為“1”的較為可靠, 可用于長期通量統(tǒng)計; 標(biāo)記為“2”和“3”的次之[33–34]。本研究中將經(jīng)篩選后標(biāo)記為“2”和“3”的無效數(shù)據(jù)剔除, 記為空缺值。

邊際分布抽樣算法(MDS)綜合了平均晝夜變化法和查表法兩種算法[28]。本研究將該算法與構(gòu)建模型進(jìn)行對比, 對每 30 分鐘數(shù)據(jù)空缺值進(jìn)行插值,分析模型空缺值插值效果。

該方法中的插值算法取決于氣象數(shù)據(jù)太陽輻射(Rs)、氣溫(Ta)以及飽和水汽壓差(VPD)的可利用性。1) 當(dāng)氣象數(shù)據(jù)中 Rs, Ta 和 VPD 均可獲得時, 用相鄰7天中相似氣象條件下的有效觀測值的平均值來填補缺失值(LUT 算法)。相似氣象條件定義為 Rs, Ta 和 VPD 差異分別不超過 50 W/m2, 2.5℃和 5.0 hPa。當(dāng) 7 天窗口不存在相似氣象條件時, 查詢窗口延長為 14 天。2) 當(dāng) Rs, Ta 和 VPD 缺失, 但Rs 觀測正常時, 仍然采用上述 LUT 算法, 但相似條件僅定義為 Rs 差異不超過 50 W/m2。3) 當(dāng) Rs, Ta 和VPD 同時缺失, 采用平均晝夜變化法算法進(jìn)行插值。首先采用同一天相鄰 1 小時的有效觀測數(shù)據(jù)進(jìn)行線性插值; 若同一天相鄰 1 小時的觀測數(shù)據(jù)缺失,將窗口擴大到相鄰 1 天或 2 天。如果執(zhí)行完以上 3個插值步驟后, 缺失值仍未被完全插值, 則繼續(xù)增加觀察窗口天數(shù), 做進(jìn)一步的插值。

u*過濾及 MDS 空缺值填充均使用 R 語言的通量數(shù)據(jù)處理包 REddyProc 實現(xiàn)[34]。

1.2.2 蒸散發(fā)源區(qū)及植被蓋度獲取

EC 觀測值代表其迎風(fēng)向一定區(qū)域內(nèi)觀測要素的均值, 其觀測區(qū)域(即代表的下墊面源區(qū)范圍, 也稱足跡范圍)隨風(fēng)向不斷變化。本研究使用 Kljun等[35]2015年提出的二維足跡模型進(jìn)行每半小時周期足跡計算。該模型是基于拉格朗日隨機粒子彌散模型 LPDM-B 的一種二維通量足跡參數(shù)化方法(flux footprint parameterization, FFP), 適用于大范圍的邊界層條件和不同粗糙度表面[36–37]。

足跡函數(shù)f(x,y,zm)用測風(fēng)累積函數(shù)和高斯測風(fēng)色散函數(shù)Dy表示(假設(shè)側(cè)風(fēng)湍流彌散獨立于垂直或流向輸運):

其中,σy為測風(fēng)距離標(biāo)準(zhǔn)偏差,X*為縮放的無量綱迎風(fēng)距離,zm為儀器觀測高度(實際觀測高度減去零平面位移高度),h為邊界c 層高度,u*為摩擦速度,為觀測高度平均風(fēng)速,k為von Karman常數(shù)。

足跡計算通過 www.footprint.kljun.net 網(wǎng)站獲取標(biāo)準(zhǔn) FFP 程序包, 輸入函數(shù)所需參數(shù), 在 Matlab 中實現(xiàn)每半小時足跡函數(shù)計算, 空間分辨率為 1 m。模型主要輸入?yún)?shù)如表2 所示。

表2 通量足跡模型輸入?yún)?shù)詳細(xì)信息Table 2 Detailed information of input variables for FFP model

參數(shù) umean,u*和σv=可由渦動相關(guān)數(shù)據(jù)處理獲得。參數(shù)zm和z0根據(jù)下墊面元素平均高度zH計算,zm=z-zd=z-fd·zH,z0=f0·zH(fd=0.7,f0=0.1)[37–38]。奧布霍夫長度邊界層高度計算通常參考 Kljun 等[35]建議的方法。以上計算所需參數(shù)均可由渦度及無人機遙感數(shù)據(jù)獲取。

使用無人機獲取覆蓋整個研究區(qū)域的正射影像, 將圖片導(dǎo)入 ENVI 遙感數(shù)據(jù)處理軟件, 通過最大似然法對圖片進(jìn)行監(jiān)督分類, 將研究區(qū)域分為植被覆蓋區(qū)及非植被覆蓋區(qū)。圖像于 2019年拍攝, 由于深圳市地處亞熱帶季風(fēng)氣候區(qū), 且研究區(qū)域內(nèi)植被以常綠闊葉植物為主, 該區(qū)域內(nèi)植被年內(nèi)無明顯變化, 同時下墊面構(gòu)成相對穩(wěn)定。因此, 基于渦度每 30 分鐘周期平均湍流數(shù)據(jù), 通過足跡分析獲取相應(yīng)時刻的源區(qū)范圍。圖2 為基于 2018年7月29日夜間 3:00 和日間 14:30 時的數(shù)據(jù)，計算得到相應(yīng)的源區(qū)范圍, 結(jié)合下墊面分類圖, 即可獲得該時刻源區(qū)范圍內(nèi)的植被蓋度。

圖2 蒸散發(fā)足跡源區(qū)范圍及植被覆蓋率(S )Fig.2 Source area and vegetation coverage (S)of evapotranspiration

1.2.3 隨機森林(RF)模型

本文使用隨機森林, 基于半小時周期數(shù)據(jù)估算城市度蒸散發(fā)。隨機森林模型是一種基于集成決策樹的算法, 可用于分類、回歸和聚類[39]。其原理如下。1) 通過重采樣, 從訓(xùn)練集N中有放回地隨機抽取n(n

模型通過 MATLAB 中 TreeBagger 函數(shù)實現(xiàn)。通過均方根誤差, 對超參數(shù) mtryMinLeafSize 進(jìn)行遍歷尋優(yōu), 最終確定為 5。當(dāng)決策樹的數(shù)量為 400~500 時, 模型 OOB 誤差不再有明顯的波動, 本研究將決策樹的數(shù)量設(shè)置為 500。以往研究也表明, 在該數(shù)值下模型即可表現(xiàn)較為優(yōu)異[40]。

模型所有輸入?yún)?shù)信息見表3。為了使隨機森林能夠更好地學(xué)習(xí)不同季節(jié)和晝夜的蒸散規(guī)律, 本研究將濕季和干季區(qū)分研究。濕季和干季分別標(biāo)記為 1 和 2, 白天和夜間分別標(biāo)記為 1 和 2?；?2017—2018年每半小時周期數(shù)據(jù)集, 剔除輸入變量存在空缺值以及降雨時數(shù)據(jù), 將輸出標(biāo)記為“0”的高質(zhì)量數(shù)據(jù)作為原始數(shù)據(jù)集, 從中隨機選取 70%的數(shù)據(jù)作為訓(xùn)練集(數(shù)據(jù)量N=5091), 30%的數(shù)據(jù)作為驗證集, 驗證模型效果(數(shù)據(jù)量N=2181)。為了對比植被蓋度對城市區(qū)域蒸散發(fā)的影響, 對包含植被蓋度(輸入變量M=10)和剔除植被蓋度(輸入變量M=9)的數(shù)據(jù)集分別構(gòu)建模型, 模擬每半小時蒸散發(fā)值。

表3 隨機森林模型輸入?yún)?shù)Table 3 Detailed information of input variables for random forest

本研究使用決定系數(shù)R2、均方根誤差 RMSE、平均絕對誤差 MAE 和偏差百分比 pbias 來評估蒸發(fā)模型:

其 中,N為 樣 本 數(shù) 量 ;Oi為 樣 本i的 實 測 值 ;pi為 樣本i的模型估計值; pbias 表示模型傾向于高估或低估了蒸發(fā)量, 并表示為觀測值的百分比。

2 結(jié)果與討論

2.1 數(shù)據(jù)質(zhì)量分析

經(jīng)標(biāo)準(zhǔn)程序處理及u*過濾[34]后, 2017 和 2018年數(shù)據(jù)空缺值占比分別為 48.6%和 39.3%。圖3 為2017—2018年蒸散發(fā)時間分布示意圖, 其中夜間數(shù)據(jù)空缺值比例顯著高于白天。2017 和 2018年夜間數(shù)據(jù)空缺值占比分別為 61.6%和 53.9%。由于儀器故障, 2017–08–16 至2017–09–20 沒有觀測數(shù)據(jù), 2017年數(shù)據(jù)缺失率高于 2018年。蒸散發(fā)年度或月度預(yù)算需基于連續(xù)的渦動數(shù)據(jù), 因此空缺值的填充十分必要。由于夜間湍流狀態(tài)較為穩(wěn)定, 夜間渦動系統(tǒng)通量觀測值整體偏低[41]。因此, 夜間數(shù)據(jù)經(jīng)摩擦速度篩選后, 可用于模型建立與驗證的高質(zhì)量數(shù)據(jù)集較少[34]。

圖3 基于質(zhì)量控制篩選后的 2017—2018年蒸散發(fā)的時間變化Fig.3 Annual and diurnal course of observed evapotranspiration (2017–2018)

2.2 RF_S 模型與 RF 估算模型對比分析

表4 列出 RF 模型輸入?yún)?shù)主要氣象因子及植被蓋度與蒸散發(fā)的 Pearson 相關(guān)系數(shù)?？梢钥闯?植被蓋度與 LE 顯著正相關(guān), 且相關(guān)性呈現(xiàn)明顯的干、濕季差異。其中, 濕季植被蓋度與蒸散發(fā)的 Pearson相關(guān)系數(shù)為 0.21, 高于風(fēng)速和土壤含水量。這一結(jié)果表明, 將植被覆蓋度作為模型輸入變量的蒸散發(fā)模擬及插值十分必要。

表4 輸入?yún)?shù)與蒸散發(fā)的Pearson相關(guān)性Table 4 Pearson correlation between input parameters and evapotranspiration

圖4 為 RF_S 模型及 RF 模型的模擬效果, 可以看出, 無論訓(xùn)練集還是測試集, 考慮植被蓋度的RF_S 模型擬合效果均好于傳統(tǒng) RF 模型。對于測試集 , RF 模 型 的 決 定 系 數(shù)R2為 0.66, RMSE 為 23.7 W/m2, MAE 為 15.2 W/m2。 RF_S 模 型 的R2可 達(dá)0.73, RMSE 為 20.5 W/m2, MAE 為 13.3 W/m2。上述結(jié)果表明, 增加植被蓋度作為輸入?yún)?shù)可以進(jìn)一步提高隨機森林模型對研究區(qū)域蒸散發(fā)的估算精度。RF_S 測試集中回歸擬合線的斜率為 1.06 (接近 1),由圖4(b)可知, 散點均勻地分布在 1:1 線兩側(cè), 表明RF_S 的估算結(jié)果非常接近渦度實測數(shù)據(jù)。

圖4 基于隨機森林模擬的城市蒸散發(fā)模擬與實測值比較Fig.4 Performance of the evapotranspiration estimation by random forest

2.3 RF_S 模型與 MDS 模型插值效果對比分析

圖5 為 RF_S 模型與 MDS 的估算效果對比。渦動觀測系統(tǒng)不僅會在不同時間點出現(xiàn)零散空缺值,受觀測條件影響, 還可能產(chǎn)生時間較長的連續(xù)缺口。因此將隨機選取的測試集 LE 設(shè)為空, 對比 RF_S 模型與 MDS 的估算效果(圖5(a))。同時, 選取數(shù)據(jù)質(zhì)量較高的一段連續(xù)時間數(shù)據(jù)集(2018–05–14 至2018–05–19), 對比長時間序列蒸散發(fā)空缺值填充效果(圖5(b))。對于隨機空缺值填充, MDS 算法的R2為0.57, 明顯小于 RF_S 模型(R2=0.73); RMSE 為 26.2 W/m2, MAE 為 17.2 W/m2, 均大于 RF_S 相應(yīng)統(tǒng)計指標(biāo)。蒸散發(fā)出現(xiàn)連續(xù)空缺時, MDS 算法的精度有所下降, 且擬合效果依舊劣于 RF_S。因此, 對于城市蒸散發(fā)空缺值填充, 考慮植被蓋度的隨機森林估算模型明顯優(yōu)于邊際分布抽樣(MDS)算法。

圖5 基于RF_S隨機森林模型與MDS算法的城市蒸散發(fā)估算值與真實值比較Fig.5 Comparison of estimation effect between RF_S and MDS algorithm

深圳地區(qū)呈現(xiàn)典型干濕季特征, 隨機森林及MDS 算法在不同時期日間及夜間對蒸散發(fā)估算效果如圖6 所示?？梢? 不同時期日間及夜間隨機森林模型整體擬合效果均優(yōu)于 MDS 算法。對于隨機森林模型, 干季擬合效果 (日間,R2=0.70, pbias=0.05%; 夜間,R2=0.41, pbias=–1.0%)優(yōu)于濕季(日間,R2=0.66, pbias=2.3%; 夜間,R2=0.34, pbias=–14.5%)。日間, 蒸散發(fā)估算存在一定的高估現(xiàn)象, 而夜間,存在一定的低估現(xiàn)象?；趯崪y值和隨機森林模型估算值, 獲取干濕季日內(nèi)不同時刻蒸散發(fā)均值, 兩者保持較好的一致性。對于濕季白天較高蒸散發(fā)區(qū)間(10:00—17:00), LE 真實值的均值為 70.4 W/m2,RF_S 模型估算值為 67.1 W/m2, MDS 模型估算值為 61.7 W/m2。與真實值相比, RF_S 及 MDS 模型分別低估 4.7%和 12.4%。對于干季白天較高蒸散發(fā)區(qū)間(10:00—14:00), LE 真實值的均值為 59.3 W/m2,RF_S 模型估算值為 58.4 W/m2, MDS 模型估算值為 59.1 W/m2。與真實值相比, RF_S 及 MDS 模型分別低估 1.5%和0.3%。

圖6 干濕季基于MDS、RF_S模型的不同時刻蒸散發(fā)均值分析及擬合效果分析Fig.6 Estimation effect of evapotranspiration in dry and wet seasons

綜上所述, RF_S 估算模型能獲得較高的蒸散發(fā)估算值, MDS 模型存在明顯的低估現(xiàn)象。濕季,日間 MDS 模型比 RF_S 模型存在更顯著低估現(xiàn)象。由于 MDS 僅考慮相似氣象條件, 未考慮下墊面類型,因此, 相比 MDS 算法, 通過 RF_S 模型對城市蒸散發(fā)進(jìn)行插值能獲得更準(zhǔn)確的年度及月度蒸散發(fā)量。

2.4 城市蒸散發(fā)影響因子敏感性分析

本研究納入影響蒸散發(fā)的因子(如植被蓋度),選擇表現(xiàn)更優(yōu)的模型, 直接建立各因子與蒸散發(fā)的關(guān)系。通過控制其他氣象因子不變, 對某一因子變量增加擾動, 獲得在多因子共同控制下的某一因子變化對估算值的影響, 進(jìn)一步分析各因子對蒸散發(fā)的相對控制作用, 探討控制蒸散發(fā)的潛在因素。給每個輸入變量增加 10%~90%標(biāo)準(zhǔn)差的擾動后, 估算 的 LE 值 與 實 際 值 的R2和 RMSE 如 圖7 所 示 。R2和 RMSE 變化趨勢表明, 從全年整體上看, 植被蓋度(S)、氣溫(T)和凈輻射(Rn)是城市蒸散發(fā)估算中最主要的環(huán)境因子。擾動前R2和 RMSE 分別為0.73 和 20.5 W/m2, 擾動后植被蓋度(S)、氣溫(T)和凈輻射(Rn)的平均R2分別為 0.70, 0.70 和 0.71, 平均 RMSE 分別為 21.6, 21.8 和 21.9 W/m2。大氣壓(P)和風(fēng)速(V)影響相對最小, 擾動后平均R2和 RMSE依次為 0.72~0.73 和 20.7~20.8 W/m2。干濕季主控因子存在明顯差異。濕季植被蓋度(S)是主要控制因素, 增加擾動后R2由 0.74 變?yōu)?0.70, RMSE 由 23.3 W/m2變?yōu)?24.8 W/m2。其次是大氣壓(P)、溫度(T)和凈輻射(Rn), 相對濕度(RH)和風(fēng)速(V)的影響最弱。濕季深圳雨量充足且凈輻射較大, 因此植被蓋度是蒸散發(fā)主控因子。干季深圳降雨少, 凈輻射小,植被蓋度(S)的影響明顯降低。溫度(T)、凈輻射(Rn)和飽和蒸氣壓差(VPD)是主要控制因子, 土壤含水量(SWC)的影響大于干季, 相對濕度(RH)的影響最弱。

圖7 隨機森林估算模型各輸入變量的敏感性分析Fig.7 Sensitivity analysis for evapotranspiration estimations by deep neural network for each input variable over the test dataset

3 結(jié)論

本研究基于城市渦度相關(guān)系統(tǒng)觀測數(shù)據(jù), 通過引入下墊面植被蓋度, 構(gòu)建隨機森林模型來模擬城市蒸散發(fā)值, 可應(yīng)用于渦度數(shù)據(jù)空缺值插值, 獲取連續(xù)高時間分辨率城市蒸散發(fā)值。利用該模型探究干濕季, 不同氣象因子及植被蓋度對蒸散發(fā)的影響,主要結(jié)論如下。

1) 與傳統(tǒng)的隨機森林模型及 MDS 模型相比,考慮植被蓋度的隨機森林模型可以更高精度地模擬城市蒸散發(fā)。與實測數(shù)據(jù)相比,R2=0.73, RMSE=20.5 W/m2, MAE=13.3 W/m2, pbias=0.8%。

2) 對于濕季日間蒸散發(fā)空缺值的填充, RF_S 隨機森林模型顯著優(yōu)于 MDS 模型。與實測數(shù)據(jù)相比,MDS 模型低估 12.4%, RF_S 模型低估 4.7%。

3) 基于隨機森林模型參數(shù)敏感性分析結(jié)果發(fā)現(xiàn), 從全年數(shù)據(jù)來看, 植被蓋度(S)、氣溫(T)和凈輻射(Rn)是城市蒸散發(fā)估算中最主要的環(huán)境因子。濕季, 植被蓋度(S)是主要控制因素。干季, 溫度(T)、凈輻射(Rn)和飽以及蒸氣壓差(VPD)是主要控制因子。