基于數(shù)據(jù)融合算法的灌區(qū)蒸散發(fā)空間降尺度研究

白亮亮 蔡甲冰,2 劉 鈺,2 陳 鶴,2 張寶忠,2 黃凌旭,2

(1.中國(guó)水利水電科學(xué)研究院流域水循環(huán)模擬與調(diào)控國(guó)家重點(diǎn)實(shí)驗(yàn)室， 北京 100038；2.國(guó)家節(jié)水灌溉北京工程技術(shù)研究中心， 北京 100048)

基于數(shù)據(jù)融合算法的灌區(qū)蒸散發(fā)空間降尺度研究

白亮亮1蔡甲冰1,2劉 鈺1,2陳 鶴1,2張寶忠1,2黃凌旭1,2

(1.中國(guó)水利水電科學(xué)研究院流域水循環(huán)模擬與調(diào)控國(guó)家重點(diǎn)實(shí)驗(yàn)室， 北京 100038；2.國(guó)家節(jié)水灌溉北京工程技術(shù)研究中心， 北京 100048)

采用Landsat和MODIS數(shù)據(jù)，通過增強(qiáng)自適應(yīng)融合算法(Enhanced spatial and temporal adaptive reflectance fusion model，ESTARFM)對(duì)蒸散發(fā)進(jìn)行空間降尺度，構(gòu)建田塊尺度蒸散發(fā)數(shù)據(jù)集；利用2015年田間水量平衡方法計(jì)算的蒸散發(fā)數(shù)據(jù)對(duì)融合結(jié)果進(jìn)行評(píng)價(jià)。在融合蒸散發(fā)基礎(chǔ)上，結(jié)合解放閘灌域2000—2015年間種植結(jié)構(gòu)信息，提取不同作物各自生育期和非生育期內(nèi)年際蒸散發(fā)量，并分析了大型灌區(qū)節(jié)水改造以來，作物蒸散發(fā)占比的年際變化。研究結(jié)果表明：融合蒸散發(fā)與水量平衡蒸散發(fā)變化過程較吻合，小麥耗水峰值出現(xiàn)在6月中下旬—7月初，玉米和向日葵峰值出現(xiàn)在7月份。在相關(guān)性分析中，玉米、小麥和向日葵的決定系數(shù)R2分別達(dá)到了0.85、0.79和0.82；生育期內(nèi)玉米(5—10月份)、小麥(4—7月份)和向日葵(6—10月份)的均方根誤差均不高于0.70 mm/d；平均絕對(duì)誤差均不高于0.75 mm/d；相對(duì)誤差均不高于16%。在農(nóng)田蒸散發(fā)總量驗(yàn)證中，融合蒸散發(fā)與水量平衡蒸散發(fā)相關(guān)性較好，兩者決定系數(shù)達(dá)到了0.64?；贓STARFM融合算法生成的高分辨率蒸散發(fā)(ET)結(jié)果可靠，具有較好的融合精度。融合結(jié)果與Landsat 蒸散發(fā)的空間分布和差異性一致，7月23日、8月24日和9月1日相關(guān)系數(shù)分別達(dá)到0.85、0.81和0.77；差值均值分別為0.24 mm、0.19 mm和0.22 mm；標(biāo)準(zhǔn)偏差分別為0.81 mm、0.72 mm和0.61 mm。ESTARFM融合算法在農(nóng)田蒸散發(fā)空間降尺度得到較好的應(yīng)用，可有效區(qū)分不同作物蒸散發(fā)之間的差異。不同作物在生育期和非生育期內(nèi)耗水量差別較大；生育期內(nèi)套種(4—10月份)耗水量最大，達(dá)到637 mm，玉米(5—10月份)和向日葵(6—10月份)次之，分別為598 mm和502 mm，小麥(4—7月份)最低為412 mm；非生育期內(nèi)，小麥(8—10月份)耗水量最大，年均達(dá)到214 mm，玉米(4月份)和向日葵(4—5月份)分別為42 mm和128 mm。不同作物多年平均耗水量(4—10月份)差異較小，其年際耗水總量主要隨作物種植面積的變化而變化。

遙感； 數(shù)據(jù)融合； 蒸散發(fā)； 地表能量平衡模型； 增強(qiáng)時(shí)空自適應(yīng)融合算法； 河套灌區(qū)

引言

詳細(xì)的農(nóng)田蒸散發(fā)時(shí)空信息是研究農(nóng)業(yè)水文循環(huán)、農(nóng)業(yè)灌溉用水管理的重要依據(jù)[1-2]，尤其在種植結(jié)構(gòu)比較復(fù)雜和破碎的灌區(qū)。遙感技術(shù)的發(fā)展為區(qū)域蒸散發(fā)計(jì)算提供了一條有效途徑，為灌區(qū)用水效率定量評(píng)價(jià)奠定了基礎(chǔ)[3]。由于遙感技術(shù)的限制和昂貴的影像費(fèi)用，同時(shí)兼顧高時(shí)間、高空間分辨率影像的獲取和應(yīng)用受到限制[4]。如IRS、 SPOT、CBERS和Landsat系列衛(wèi)星等，具有較高的空間分辨率，但由于較長(zhǎng)的重訪周期以及云雨天氣等，限制了遙感數(shù)據(jù)在連續(xù)監(jiān)測(cè)地表參數(shù)和地表通量方面的應(yīng)用。高頻率重訪周期遙感衛(wèi)星MODIS和AVHRR可以連續(xù)觀測(cè)地表參數(shù)的連續(xù)變化，但不能有效分辨復(fù)雜下墊面參數(shù)的變化。

數(shù)據(jù)融合可以有效地整合多源遙感數(shù)據(jù)，構(gòu)建具有高時(shí)空分辨率影像。傳統(tǒng)的融合算法包括亮度-色調(diào)-飽和度變換[5]、主成分分析[6]以及小波變換[7]等，將全色波段與多光譜波段進(jìn)行融合以獲得高分辨率多光譜圖像，但不能有效獲取由物候引起的地表反射率變化；GAO等[8]提出了時(shí)空自適應(yīng)融合算法(STARFM)，該算法綜合考慮了距離權(quán)重、光譜權(quán)重和時(shí)間權(quán)重，有效融合了Landsat和MODIS數(shù)據(jù)。數(shù)據(jù)融合方法通常用來整合較低級(jí)的地表參數(shù)，這些參數(shù)隨時(shí)間的變化較緩慢，如歸一化差值植被指數(shù)(NDVI)等。而地表溫度(LST)隨時(shí)間變化較為劇烈，同時(shí)依賴于不同傳感器觀測(cè)角，很大程度上限制了數(shù)據(jù)融合的應(yīng)用。因此，CAMMALLERI等[9-10]采用時(shí)空自適應(yīng)融合算法(STARFM)直接融合MODIS 和 Landsat 蒸散發(fā)產(chǎn)品，實(shí)現(xiàn)了不同數(shù)據(jù)源高級(jí)產(chǎn)品的融合。但STARFM算法在缺少關(guān)鍵期影像時(shí)，不能有效捕捉物候劇烈變化信息。HIKER等[11]提出了一種時(shí)空自適應(yīng)融合變化監(jiān)測(cè)方法，該方法避免了短暫劇烈的地物變化問題；ROY等[12]采用一種半物理的數(shù)據(jù)融合方法，使用MODIS二性反射等地表數(shù)據(jù)產(chǎn)品和Landsat ETM+進(jìn)行融合并預(yù)測(cè)對(duì)應(yīng)日期或前后相鄰日期的數(shù)據(jù)。以上融合結(jié)果的優(yōu)劣在一定程度上依賴于下墊面的復(fù)雜程度，如破碎下墊面條件。 ZHU等[4]提出了增強(qiáng)時(shí)空自適應(yīng)融合算法(Enhanced spatial and temporal adaptive reflectance fusion model, ESTARFM)，在相似像元選取和時(shí)間權(quán)重計(jì)算上更加合理，并且可以有效捕捉地物劇烈變化特征，改善了復(fù)雜下墊面情況下地表特征參數(shù)融合精度。

為應(yīng)對(duì)黃河流域水資源供需矛盾的現(xiàn)狀，黃河水利委員會(huì)對(duì)引黃灌溉水量實(shí)行統(tǒng)一調(diào)度，將河套灌區(qū)年引黃水量由52億m3逐步壓縮到40億m3，同時(shí)實(shí)施了大型灌區(qū)續(xù)建配套與節(jié)水改造工程建設(shè)。灌區(qū)引水量的減少[13]和節(jié)水改造工程的實(shí)施，使得作為灌區(qū)主要水量消耗的農(nóng)業(yè)耗水以及區(qū)域水土環(huán)境必然會(huì)受到影響。本文采用地表能量平衡模型(Surface energy balance system, SEBS)[14]生成Landsat 空間尺度蒸散發(fā)數(shù)據(jù)，并結(jié)合MODIS日蒸散發(fā)數(shù)據(jù)，利用增強(qiáng)時(shí)空自適應(yīng)融合算法(ESTARFM)實(shí)現(xiàn)蒸散發(fā)的空間降尺度，進(jìn)而構(gòu)建高時(shí)空分辨率蒸散發(fā)數(shù)據(jù)集；并通過田塊尺度根區(qū)水量平衡模型對(duì)蒸散發(fā)融合結(jié)果進(jìn)行驗(yàn)證和評(píng)價(jià)。同時(shí)根據(jù)研究區(qū)域多年種植結(jié)構(gòu)空間信息，提取和分析不同作物生育期和非生育期年際耗水變化，將數(shù)據(jù)融合結(jié)果進(jìn)行應(yīng)用，以期為大型灌區(qū)節(jié)水改造實(shí)施效果評(píng)價(jià)、農(nóng)業(yè)耗水變化以及灌區(qū)農(nóng)田灌溉用水管理提供參考和依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

以內(nèi)蒙古自治區(qū)河套灌區(qū)解放閘灌域?yàn)閷?duì)象開展研究(圖1)。解放閘灌域?yàn)楹犹坠鄥^(qū)第2大灌域(106°43′～107°27′E、40°34′～41°14′N)，南鄰黃河，北依陰山[15]。地處干旱半干旱內(nèi)陸地區(qū)，年平均氣溫9℃，海拔高度在1 030～1 046 m之間；年均降水量151 mm，蒸發(fā)量2 300 mm?？偼恋孛娣e約2 345 km2，土壤類型為潮灌淤土和鹽化土，土壤質(zhì)地為粉壤土；其中60%以上為耕地，種植結(jié)構(gòu)較破碎，糧食作物以春玉米和春小麥為主，經(jīng)濟(jì)作物以向日葵為主[16]。

圖1 解放閘灌域及田間試驗(yàn)位置示意圖Fig.1 Locations of Jiefangzha irrigation district and field experiment

點(diǎn)試驗(yàn)觀測(cè)區(qū)位于內(nèi)蒙古河套灌區(qū)解放閘灌域沙壕渠光明二隊(duì)，儀器安裝和數(shù)據(jù)監(jiān)測(cè)地如圖1所示，包括玉米、小麥和向日葵3種主栽作物。為保證像元為純像元，作物田塊尺寸均大于60 m×60 m。地下水水位變化通過田塊布設(shè)的觀測(cè)井每日監(jiān)測(cè)；土壤含水率每日監(jiān)測(cè)，詳見蔡甲冰等[17]相關(guān)研究；田間灌溉水量和降水量通過人工觀測(cè)記錄。

1.2 融合遙感影像及預(yù)處理

融合過程中所用空間分辨率為30 m的遙感影像，包括Landsat5 TM、Landsat7 ETM+和Landsat8 OLI/TIRS系列數(shù)據(jù)(http:∥glovis.usgs.gov)。根據(jù)遙感影像質(zhì)量(晴空或少量云覆蓋)，分別選取數(shù)據(jù)較好的2000、2002、2005、2008、2010、2014、2015年影像作為研究時(shí)段，其年內(nèi)跨度為主要作物生育期的4—10月份，具體數(shù)據(jù)見表1。影像經(jīng)過輻射、大氣校正、條帶修復(fù)、鑲嵌和裁剪，并利用手持GPS采集的地面控制點(diǎn)統(tǒng)一進(jìn)行幾何精校正，誤差控制在1/2個(gè)像元以內(nèi)，處理后影像作為遙感蒸散發(fā)模型的輸入數(shù)據(jù)?？臻g分辨率為250 m的MODIS 日蒸散發(fā)數(shù)據(jù)來自YANG 等[18]的計(jì)算結(jié)果，產(chǎn)品通過MRT工具重投影到WGS84/UTM(北48區(qū))坐標(biāo)系統(tǒng)，空間分辨率重采樣到與Landsat系列蒸散發(fā)數(shù)據(jù)一致。

表1 融合過程可用Landsat系列影像

1.3 SEBS遙感蒸散發(fā)模型

SEBS模型是SU[14]在2002年提出的基于能量平衡原理的單層模型。SEBS模型主要包括以下幾部分：反照率和輻射率等地表物理參數(shù)反演；熱量粗糙長(zhǎng)度計(jì)算；顯熱通量計(jì)算；潛熱通量計(jì)算。

能量平衡方程計(jì)算式為

Rn=H+λET+G0

(1)

式中Rn——凈輻射量G0——土壤熱通量H——顯熱通量λ——水的汽化潛熱

SEBS模型結(jié)合了BRUTSAERT[19]裸地條件下和CHOUDHURY等[20]完全植被覆蓋條件下kB-1計(jì)算公式，提出了基于部分植被覆蓋的混合像元條件下kB-1計(jì)算公式

(2)

對(duì)于絕大多數(shù)冠層和自然條件的情況，Ct的取值范圍是[0.005N，0.075N]，其中N代表植被葉片參與熱量交換的面數(shù)，取值為1或2。具體計(jì)算過程和參數(shù)詳見文獻(xiàn)[14]。

1.4ESTARFM數(shù)據(jù)融合

ESTARFM數(shù)據(jù)融合算法起初被用來對(duì)低級(jí)產(chǎn)品的降尺度，如地表反射率、NDVI等地表特征參數(shù)；本文將其應(yīng)用到蒸散發(fā)空間降尺度，以期構(gòu)建Landsat空間尺度蒸散發(fā)數(shù)據(jù)集。算法通過臨近相似像元的光譜信息來預(yù)測(cè)目標(biāo)像元的特征值，根據(jù)就近原則，利用與預(yù)測(cè)時(shí)期前后相鄰2個(gè)時(shí)期的原有Landsat空間尺度和MODIS空間尺度蒸散發(fā)數(shù)據(jù)以及預(yù)測(cè)時(shí)期MODIS空間尺度蒸散發(fā)，共同生成預(yù)測(cè)時(shí)期的Landsat空間尺度蒸散發(fā)。最終預(yù)測(cè)時(shí)期蒸散發(fā)的計(jì)算式為

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

TnETn(xw/2,yw/2,tp)

(3)

ETk(xw/2,yw/2,tp)=ETL(xw/2,yw/2,tk)+

(k=m,n)

(4)

其中

(5)

Di=(1-Ri)di

(6)

(7)

式中ET——最終預(yù)測(cè)時(shí)期的高分辨率蒸散發(fā)

tp——預(yù)測(cè)影像時(shí)期

ETm——Tm時(shí)期預(yù)測(cè)的高分辨率蒸散發(fā)

ETn——Tn時(shí)期預(yù)測(cè)的高分辨率蒸散發(fā)

ETL——Landsat蒸散發(fā)

ETM——MODIS蒸散發(fā)

ETk——Tk時(shí)期預(yù)測(cè)的高分辨率蒸散發(fā)

(xw/2,yw/2)——中心像元位置

(xi,yi)——第i個(gè)相似像元位置

N′——相似像元的個(gè)數(shù)

Wi——綜合權(quán)重因子

Vi——轉(zhuǎn)換系數(shù)di——距離權(quán)重

Ri——光譜相似權(quán)重

w——相似像元搜索窗口，取12個(gè)MODIS像元(50個(gè)Landsat 像元)大小范圍

Tm、Tn時(shí)期的時(shí)間權(quán)重因子Tk表達(dá)式為

Tk=

(k=m,n)

(8)

具體計(jì)算過程參照文獻(xiàn)[4]。

1.5 地面點(diǎn)蒸散發(fā)數(shù)據(jù)

為評(píng)價(jià)ESTARFM融合算法在蒸散發(fā)數(shù)據(jù)中的應(yīng)用，地面蒸散發(fā)數(shù)據(jù)采用文獻(xiàn)[21]中根區(qū)水量平衡模型得出，該模型同時(shí)考慮了地下水滲漏和補(bǔ)給量對(duì)蒸散發(fā)的影響。根區(qū)水量平衡表達(dá)式為

Wi=Wi-1-(Pi-ROi)-Ii-GRi+ETi+DPi

(9)

式中Wi——第i天根區(qū)土壤儲(chǔ)水量Wi-1——第i-1天根區(qū)土壤儲(chǔ)水量Pi——第i天降水量ROi——第i天地表徑流量Ii——第i天灌溉量GRi——第i天地下水補(bǔ)給量ETi——第i天土壤蒸散發(fā)量DPi——第i天根層滲漏量

地下水補(bǔ)給量GR和滲漏量DP計(jì)算公式分別為

GR=

(10)

DP=Wi-Wi+1(Wi>WFC,Wi=atb)

(11)

其中

(12)

(13)

(14)

(15)

式中CRmax——根區(qū)底部最大向上通量Dw——地下水埋深，mDwc——地下水臨界埋深ETp——作物潛在騰發(fā)量Wa——土壤實(shí)際儲(chǔ)水量b——衰減系數(shù)Wc——根層臨界儲(chǔ)水量Ws——根層穩(wěn)定儲(chǔ)水量WFC——根層田間持水量根層實(shí)際土壤儲(chǔ)水量

a——土壤儲(chǔ)水分量，介于田間持水量和飽和含水率之間

t——灌溉、降水后儲(chǔ)水量大于田間儲(chǔ)水能力的天數(shù)

a1、a2、a3、a4、b1、b2、b3、b4參數(shù)值見表2。詳細(xì)計(jì)算過程見文獻(xiàn)[21]。

表2 地下水補(bǔ)給計(jì)算采用的參數(shù)

2 結(jié)果與分析

2.1 蒸散發(fā)融合結(jié)果驗(yàn)證

2.1.1 點(diǎn)尺度驗(yàn)證

圖3 不同作物水量平衡和融合蒸散發(fā)對(duì)比Fig.3 Comparison of evapotranspiration from water balance and data fusion

圖2為玉米、小麥和向日葵融合后的蒸散發(fā)與水量平衡蒸散發(fā)生育期內(nèi)變化過程，兩者變化過程較吻合，其中小麥耗水峰值出現(xiàn)在6月中下旬—7月初，玉米和向日葵峰值出現(xiàn)在7月份。由圖3散點(diǎn)圖可以看出，不同作物生育期蒸散發(fā)與地面點(diǎn)數(shù)據(jù)散點(diǎn)分布于1∶1線兩側(cè)，玉米、小麥和向日葵的決定系數(shù)R2分別達(dá)到了0.85、0.79和0.82；生育期內(nèi)，玉米(5—10月份)、小麥(4—7月份)和向日葵(6—10月份)融合和水量平衡計(jì)算的蒸散發(fā)的均方根誤差RMSE均不高于0.70 mm/d，平均絕對(duì)誤差MAD均不高于0.75 mm/d，相對(duì)誤差RE均不高于16%?；贓STARFM融合算法生成的高分辨率ET結(jié)果可靠，在點(diǎn)尺度上具有較好的融合精度。

圖2 不同作物蒸散發(fā)變化過程的水量平衡和融合結(jié)果對(duì)比Fig.2 Comparison of evapotranspiration processes from water balance and data fusion

2.1.2 融合蒸散發(fā)總量驗(yàn)證

對(duì)區(qū)域農(nóng)田融合蒸散發(fā)總量的驗(yàn)證采用YANG等[18]區(qū)域水量平衡計(jì)算方法，其中灌排數(shù)據(jù)和地下水?dāng)?shù)據(jù)來源于河套灌區(qū)解放閘灌域。圖4為兩者相關(guān)性分析結(jié)果，其散點(diǎn)均勻分布在1∶1線兩側(cè)，兩者決定系數(shù)R2達(dá)到了0.64，說明兩者一致性較好。

圖4 區(qū)域水量平衡蒸散發(fā)與融合蒸散發(fā)總量對(duì)比Fig.4 Comparison of total evapotranspiration from water balance and data fusion

2.1.3 融合結(jié)果與Landsat 蒸散發(fā)空間對(duì)比

通過ESTARFM算法分別對(duì)多年Landsat和MODIS 蒸散發(fā)(2000、2002、2005、2008、2010、2014、2015年)進(jìn)行融合。受篇幅限制，文中選取2015年7月23日、8月24日和9月1日研究區(qū)域融合結(jié)果(400像元×400像元)進(jìn)行評(píng)價(jià)和分析，原有Landsat 蒸散發(fā)和融合蒸散發(fā)影像見圖5。融合蒸散發(fā)所用影像按照時(shí)間就近原則，根據(jù)2015年研究區(qū)域過境Landsat和MODIS 影像質(zhì)量和有無云覆蓋情況，7月23日融合結(jié)果由Landsat 6月5日、

8月24日蒸散發(fā)和MODIS 6月5日、7月23日、8月24日蒸散發(fā)5景影像共同預(yù)測(cè)生成；8月24日融合結(jié)果由Landsat 7月23日、9月1日蒸散發(fā)和MODIS 7月23日、8月24日和9月1日蒸散發(fā)共同預(yù)測(cè)生成；9月1日融合結(jié)果由Landsat 8月24日、9月25日蒸散發(fā)和MODIS 8月24日、9月1日和9月25日蒸散發(fā)共同預(yù)測(cè)生成。

從圖5可以看出，融合結(jié)果的空間差異性和分布與Landsat 蒸散發(fā)影像一致，在30 m尺度上能夠反映出空間差異，其中高灰度代表高蒸散發(fā)值，表明該區(qū)域植被覆蓋較密；低灰度代表低蒸散發(fā)值，表明該區(qū)域?yàn)槁愕鼗蛳∈柚脖桓采w，如城鎮(zhèn)、鄉(xiāng)村等區(qū)域。同時(shí)可以看出，在地物交匯處的預(yù)測(cè)結(jié)果局部出現(xiàn)模糊現(xiàn)象，這是由于地物類型混雜，下墊面破碎程度高，導(dǎo)致融合結(jié)果質(zhì)量下降。

圖5 Landsat 蒸散發(fā)與融合蒸散發(fā)影像Fig.5 Images of evapotranspiration from Landsat and fusion

圖6為融合結(jié)果與Landsat 蒸散發(fā)相關(guān)性，其散點(diǎn)分布在1∶1線附近，7月23日、8月24日和9月1日相關(guān)系數(shù)r分別達(dá)到0.85、0.81和0.77。由圖7知，7月23日蒸散發(fā)差值均值μ和標(biāo)準(zhǔn)偏差σ分別為0.24 mm和0.81 mm；8月24日蒸散發(fā)差值均值μ和標(biāo)準(zhǔn)偏差σ分別為0.19 mm和0.72 mm；9月1日蒸散發(fā)差值均值μ和標(biāo)準(zhǔn)偏差σ分為0.22 mm和0.61 mm。總體上看，融合結(jié)果良好。

2.2 融合蒸散發(fā)在農(nóng)田耗水中的應(yīng)用

2.2.1 基于融合的主要作物耗水量差異

研究區(qū)域種植結(jié)構(gòu)的提取同樣采用融合方法對(duì)MODIS歸一化植被指數(shù)進(jìn)行降尺度，根據(jù)植被參數(shù)時(shí)間序列的差異，獲取田塊尺度植被信息[22]。在此基礎(chǔ)上，對(duì)不同作物年際耗水量進(jìn)行提取。為更好區(qū)別不同作物耗水量之間的差異，將整個(gè)研究時(shí)段按照不同作物生育階段分為生育期和非生育期。表3為不同作物生育期和非生育期年際耗水量變化，可以看出不同作物生育期和非生育期年均耗水量差別較大。生育期內(nèi)套種(4—10月份)耗水量最大，達(dá)到637 mm，玉米(5—10月份)和向日葵(6—10月份)次之，分別為598 mm和502 mm，小麥(4—7月份)最低為412 mm。非生育期內(nèi)，小麥(8—10月份)耗水量最大，年均達(dá)到214 mm，玉米(4月份)和向日葵(4—5月份)分別為42 mm和128 mm。但4—10月份作物多年平均耗水量差異較小。

圖6 Landsat 與融合蒸散發(fā)相關(guān)性Fig.6 Correlation of evapotranspiration from Landsat and fusion

圖7 Landsat 與融合蒸散發(fā)差值分布曲線Fig.7 Distribution curves of evapotranspiration difference from Landsat and fusion

Tab.3 Interannual variation of water consumption for different crops during growth and non-growth periods mm

年份生育期非生育期4—10月份小麥玉米向日葵套種小麥玉米向日葵套種小麥玉米向日葵套種2000427630527647219321290646662656647200240060849662322134116062164261262320054266045056402114013506376446406402008377541457576201431190578584576576201041362151964119727114061064863364120144076024956572366115506436636506572015431579512675212551250643634637675平均值412598502637214421280625640629637

2.2.2 基于融合的作物耗水總量變化

表4為不同作物4—10月份耗水量占比年際變化，其中玉米耗水量逐年上升，由2000年的6%(0.54億m3)上升到2015年的31%(2.79億m3)；向日葵耗水量由下降變?yōu)樯仙厔?shì)，由2000年的17%(1.53億m3)增至2015年的28%(2.58億m3)；近年來，套種模式耗水量急劇減少，由2000年的31%(2.86億m3)減少到2015年的3%(0.31億m3)；小麥耗水量占比較小，維持在10%以內(nèi)；其他作物總耗水量有所減少，由2000年的41%(3.78億m3)減少到2015年的28%(2.59億m3)。根據(jù)多年作物種植面積[20]可知，作物耗水量年際變化主要由作物種植面積的改變引起。

2.3 討論

ESTARFM算法可有效對(duì)空間地表參數(shù)進(jìn)行降尺度，但由于云雨天氣的影響，使得遙感影像序列并非等間隔(Landsat系列)或每日間隔(MODIS)，融合結(jié)果的質(zhì)量不可避免地受到就近影像選擇的影響。在時(shí)間間隔較長(zhǎng)時(shí)段內(nèi)地物發(fā)生劇烈變化，如果影像并不能有效捕捉到地物變化特征，則融合結(jié)果將會(huì)偏離實(shí)際情況。

融合算法在窗口內(nèi)搜索與中心像元相似的像元時(shí)，復(fù)雜下墊面情況和混合像元的存在使得在選取相似像元時(shí)不可避免出現(xiàn)誤判現(xiàn)象。如將地表類型進(jìn)行分類后再融合，均勻下墊面條件下融合結(jié)果將會(huì)得到改善。

融合結(jié)果的優(yōu)劣除依賴于算法本身參數(shù)外，與所融合的數(shù)據(jù)質(zhì)量也有很大關(guān)系。相對(duì)于較低級(jí)別的地表特征數(shù)據(jù)，高級(jí)別的地表產(chǎn)品往往需要較多的參數(shù)，加大了數(shù)據(jù)本身質(zhì)量控制的難易程度。高級(jí)產(chǎn)品數(shù)據(jù)的質(zhì)量對(duì)融合的精度將產(chǎn)生直接的影響。

表4 不同作物耗水量年際變化

3 結(jié)論

(1)不同作物融合蒸散發(fā)與水量平衡蒸散發(fā)變化過程較吻合，玉米、小麥和向日葵決定系數(shù)R2分別達(dá)到了0.85、0.79和0.82；均方根誤差均不高于0.70 mm/d；相對(duì)誤差均不高于16%。在區(qū)域農(nóng)田耗水總量驗(yàn)證中，融合蒸散發(fā)與水量平衡蒸散發(fā)相一致，兩者決定系數(shù)達(dá)到了0.64。

(2)融合結(jié)果與Landsat 蒸散發(fā)在空間紋理信息和空間差異性上一致。7月23日、8月24日和9月1日相關(guān)系數(shù)分別達(dá)到0.85、0.81和0.77。差值均值分別為0.24 mm、0.19 mm和0.22 mm；標(biāo)準(zhǔn)偏差分別為0.81 mm、0.72 mm和0.61 mm，融合結(jié)果良好。

(3)ESTARFM融合算法在農(nóng)田耗水空間降尺度得到較好的應(yīng)用，可有效區(qū)分不同作物耗水量之間的差異。在各作物不同生育期和非生育期內(nèi)，作物耗水量差異明顯，但由于4—10月份不同作物平均耗水量差異不大，其年際耗水總量主要隨不同作物種植面積的改變而變化。

1 GOWDA P H, CHAVEZ J L, COLAIZZI P D, et al. ET mapping for agricultural water management: present status and challenges [J]. Irrigation Science, 2008, 26(3): 223-237.

2 LEI H M, YAND D W. Interannual and seasonal variability in evapotranspiration and energy partitioning over an irrigated cropland in the North China Plain [J]. Agricultural and Forest Meteorology, 2010, 150(4): 581-589.

3 尚松浩，蔣磊，楊雨亭. 基于遙感的農(nóng)業(yè)用水效率評(píng)價(jià)方法研究進(jìn)展[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46(10)：81-92. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20151013&flag=1. DOI:10.6041/j.issn.1000-1298.2015.10.013. SHANG Songhao, Jiang Lei, YANG Yuting. Review of remote sensing-based assessment method for irrigation and crop water use efficiency[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(10):81-92. (in Chinese)

4 ZHU X L, CHEN J, GAO F, et al. An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions [J]．Remote Sensing of Environment, 2010, 114(11)：2610-2623．

5 CARPER W J, LILLES T M, KIEFER R W．The use of intensity-hue-saturation transformations for merging SPOT panchromatic and multispectral image data [J]．Photogrammetric Engineering and Remote Sensing, 1990, 56(4)：459-467．

6 SHETTIGARA V K. A generalized component substitution technique for spatial enhancement of multispectral images using a higher resolution data set [J]．Photogrammetric Engineering and Remote Sensing, 1992, 58(5)：561-567．

7 YOCKY D A．Multiresolution wavelet decomposition image merger of Landsat Thematic Mapper and SPOT panchromatic data [J]．Photogrammetric Engineering and Remote Sensing, 1996, 62(9)：1067-1074．

8 GAO F, MASEK J, SCHWALLER M, et al．On the blending of the Landsat and MODIS surface reflectance: predicting daily Landsat surface reflectance [J]．IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(8)：2207-2218．

9 CAMMALLERI C, ANDERSON M C, GAO F, et al. A data fusion approach for mapping daily evapotranspiration at field scale [J]. Water Resource Research, 2013, 49(1): 1-15.

10 CAMMALLERI C, ANDERSON M C, GAO F, et al. Mapping daily evapotranspiration at field scales over rainfed and irrigated agricultural areas using remote sensing data fusion [J]. Agricultural and Forest Meteorology, 2014, 186: 1-11.

11 HIKER T, WULDER M A, COOPS N C, et al．A new data fusion model for high spatial- and temporal-resolution mapping of forest based on Landsat and MODIS [J]. Remote Sensing of Environment, 2009, 113(8):1613-1627．

12 ROY D P, JU J, LEWIS P, et al．Muti-temporal MODIS-Landsat data fusion for relative radiometric normalization, gap filling, and prediction of Landsat data [J]. Remote Sensing of Environment, 2008, 112(6)：3112-3130．

13 屈忠義, 楊曉, 黃永江．內(nèi)蒙古河套灌區(qū)節(jié)水工程改造效果分析與評(píng)估[J/OL]．農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(4)：70-76．http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20150412&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2015.04.012. QU Zhongyi, YANG Xiao, HUANG Yongjiang．Analysis and assessment of water-saving project of Hetao irrigation district in Inner Mongolia [J/OL]．Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(4): 70-76. (in Chinese)

14 SU Z. The surface energy balance system (SEBS) for estimation of turbulent heat fluxes [J]. Hydrology and Earth System Sciences, 2002, 6(1): 85-99.

15 張娜，屈忠義，楊曉，等. 貝葉斯模型在土壤轉(zhuǎn)換函數(shù)中的應(yīng)用與適應(yīng)性評(píng)價(jià)[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45(2)：149-155. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20140225&flag=1. DOI:10.6041/j.issn.1000-1298.2014.02.025. ZHANG Na, QU Zhongyi, YANG Xiao, et al. Application and adaptability evaluation of Bayesian model in soil transfer functions [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(2): 149-155. (in Chinese)

16 茌偉偉．基于分布式水溫模型的灌區(qū)用水效率評(píng)價(jià)[D]．北京：中國(guó)水利水電科學(xué)研究院, 2013． CHI Weiwei．Water use performance for irrigation area based on distributed hydrological model [D]．Beijing: China Institute of Water Resource and Hydropower Research, 2013. (in Chinese)

17 蔡甲冰，劉鈺，白亮亮，等. 低功耗經(jīng)濟(jì)型區(qū)域墑情實(shí)時(shí)監(jiān)測(cè)系[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015,31(20)：88-94. CAI Jiabing, LIU Yu, BAI Liangliang, et al. Low-cost and low-power dissipation system to monitor soil water status inreal time for areal irrigation management [J]. Transactions of the CSAE, 2015, 31(20): 88-94. (in Chinese)

18 YANG Y T, SHANG S H, JIANG L．Remote sensing temporal and spatial patterns of evapotranspiration and the responses to water management in a large irrigation district of North China [J]．Agricultural and Forest Meteorology, 2012, 164：112-122.

19 BRUTSAERT W. On a derivable formula for long-wave radiation from clear skies [J]. Water Resources Research, 1975, 11(5): 742-744.

20 CHOUDHURY B J, MONTEITH J L. A four-layers model for the heat budget of homogeneous land surfaces [J]. Quarterly Journal of the Royal Meteorological Society, 1988, 114(480): 373-398.

21 LIU Y, PEREIRA L S, FEMANDO R M. Fluxes through the bottom boundary of the root zone in silty soils: parametric approaches to estimate groundwater contribution and percolation [J]. Agricultural Water Management, 2006, 84(1-2): 27-40.

22 白亮亮，蔡甲冰，劉鈺，等. 灌區(qū)種植結(jié)構(gòu)時(shí)空變化及其與地下水相關(guān)性分析[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，47(9)：202-211. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160929&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2016.09.029. BAI Liangliang, CAI Jiabing, LIU Yu, et al. Temporal and spatial variation of crop planting structure and its correlation analysis with groundwater in large irrigation area [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(9): 202-211. (in Chinese)

Spatial Downscaling of Evapotranspiration in Large Irrigation Area Based on Data Fusion Algorithm

BAI Liangliang1CAI Jiabing1,2LIU Yu1,2CHEN He1,2ZHANG Baozhong1,2HUANG Lingxu1,2

(1.StateKeyLaboratoryofSimulationandRegulationofWaterCycleinRiverBasin,ChinaInstituteofWaterResourcesandHydropowerResearch,Beijing100038,China2.NationalCenterforEfficientIrrigationEngineeringandTechnologyResearch-Beijing,Beijing100048，China)

In order to construct the high spatial-temporal dataset of evapotranspiration (ET), the Landsat and MODIS data were used to achieve spatial downscaling ofETby using the enhanced spatial and temporal adaptive reflectance fusion model (ESTARFM). The result of data fusion was evaluated by fieldEToutput from root zone water balance model. According to crop planting structure information from 2000 to 2015 in the study area, the water consumption of different crops was exacted during their growth and non-growth periods. Based on the fusionET, the interannual variation of total agricultural water consumption was analyzed since the implement of water-saving project in large irrigation district. The result showed that the process of fusionETwas more consistent withEToutput from water balance. In the correlation analysis of water balance and fusionET, the determination coefficients (R2) of maize, wheat and sunflower reached 0.85, 0.79 and 0.82, respectively. During the growth period, the root mean square errors (RMSE) of maize (May to October), wheat (April to October) and sunflower (June to October) were lower than 0.70 mm/d, the mean absolute error (MAD) was all lower than 0.75 mm/d, and the relative error (RE) was all less than 16%. On the spatial scale, the spatial characteristics of fusion results were consistent with the LandsatET. The correlation coefficients of July 23, August 24 and September 1 reached 0.85, 0.81 and 0.77, the mean values of the differences were 0.24 mm, 0.19 mm and 0.22 mm, and the standard deviations were 0.81 mm, 0.72 mm and 0.61 mm, respectively. The high resolutionETbased on ESTARFM fusion algorithm was reliable and had good fusion precision. The water consumption of different crops varied greatly both in the growth period and non-growth period. During the growth period, the maximum water consumption was 637 mm for interplanting (April to October), followed by maize and sunflower, which were 598 mm (May to October) and 502 mm (June to October), respectively, the minimum water consumption of wheat was 412 mm (April to July). During the non-growth period, wheat (August to October) had the highest water consumption with an annual average of 214 mm, and those of maize (April) and sunflower (April to May) were 42 mm and 128 mm, respectively. Due to the difference of average annual water consumption of different crops was not significant during April to October, the variation of total water consumption for different crops was varied with the changes of crop acreage.

remote sensing; data fusion; evapotranspiration; surface energy balance model; enhanced spatial and temporal adaptive reflectance fusion model; Hetao irrigation district

10.6041/j.issn.1000-1298.2017.04.028

2017-01-07

2017-02-06

“十二五”國(guó)家科技支撐計(jì)劃項(xiàng)目(2012BAD08B01)、國(guó)家自然科學(xué)基金項(xiàng)目(51679254)和國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目(2016YFC0400101)

白亮亮(1986—)，男，博士生，主要從事農(nóng)業(yè)遙感及灌溉管理研究，E-mail: bll306@126.com

蔡甲冰(1976—)，女，教授級(jí)高級(jí)工程師，博士，主要從事節(jié)水灌溉理論與技術(shù)研究，E-mail: caijb@iwhr.com

S127

A

1000-1298(2017)04-0215-09