基于時(shí)空融合技術(shù)的高精度遙感蒸散計(jì)算

戴肖杰, 范曉梅, 閔彤

(南京信息工程大學(xué)地理科學(xué)學(xué)院, 南京 210044)

蒸散作為水循環(huán)和氣候系統(tǒng)的中心過程,它不斷驅(qū)動著氣候系統(tǒng),在地表能量平衡和水量平衡中具有舉足輕重的地位[1-2]。蒸散代表著生態(tài)系統(tǒng)功能、氣候、碳反饋及水循環(huán)之間的聯(lián)系,它在水量預(yù)測、干旱分析、氣候變化以及環(huán)境監(jiān)測等方面發(fā)揮著不可替代的作用[3]。因此,精確量化蒸散的時(shí)空動態(tài)對于理解氣候變化和優(yōu)化水資源管理具有相當(dāng)重要的意義。

近幾十年,遙感技術(shù)的進(jìn)步為區(qū)域蒸散的反演提供了新的可能,利用遙感反演蒸散已成為估算區(qū)域和全球蒸散最常用的手段[4]。目前,基于能量平衡原理的地表能量平衡系統(tǒng)(surface energy balance algorithm for land,SEBAL)[5]、SEBS(surface energy balance system)[6]等蒸散模型應(yīng)用較為廣泛。SEBS模型除物理機(jī)理明確、計(jì)算簡單外,該模型還提出了參數(shù)化方案,能夠準(zhǔn)確地計(jì)算熱量粗糙長度,比其他蒸散模型采用固定值更為精確,在中國北方和歐亞地區(qū)均有良好表現(xiàn)。Liaqat等[7]基于Landsat影像分別利用SEBS模型和METRIC模型對亞洲東北部地區(qū)的生態(tài)系統(tǒng)進(jìn)行了蒸散的計(jì)算,并利用通量數(shù)據(jù)對結(jié)果進(jìn)行了驗(yàn)證,結(jié)果表明SEBS模型具有更高的準(zhǔn)確性。王曉勇等[8]基于SEBS模型對不同時(shí)期的海流兔河流域的蒸散進(jìn)行量化,并結(jié)合長序列地下水監(jiān)測數(shù)據(jù)和土地利用數(shù)據(jù)對不同土地類型轉(zhuǎn)移量的地下水位及影響因素進(jìn)行了分析。由此可見,前期的蒸散反演多采用MODIS或Landsat等單一遙感數(shù)據(jù),而單一傳感器往往存在一些無法避免的數(shù)據(jù)缺陷[9]。比如,Landsat數(shù)據(jù)雖然空間分辨率較高(30 m),但重訪周期較長(16 d)且易受云雨天氣干擾,常出現(xiàn)影像缺失問題,無法進(jìn)行長時(shí)間動態(tài)監(jiān)測。MODIS數(shù)據(jù)重訪周期較短(8 d),但空間分辨率較粗(250～1 000 m),無法適用于范圍較小且地表復(fù)雜條件下的蒸散研究。如何融合多源遙感數(shù)據(jù)發(fā)揮各自時(shí)空分辨率的優(yōu)勢,對于小區(qū)域的高精度蒸散反演具有重要的理論意義和應(yīng)用價(jià)值。

時(shí)空融合技術(shù)通過建立高空間與高時(shí)間分辨率數(shù)據(jù)之間的變化關(guān)系,對高空間分辨率數(shù)據(jù)的空間細(xì)節(jié)特征與高時(shí)間分辨率數(shù)據(jù)的時(shí)間變化信息進(jìn)行有機(jī)結(jié)合,是獲取高時(shí)空分辨率遙感影像的有效方法[10]。目前,已有眾多國內(nèi)外學(xué)者對時(shí)空融合算法展開了研究。Gao等[11]提出一種時(shí)空自適應(yīng)反射率融合模型(spatial and temporal adaptive reflectance fusion model,STARFM),該方法在地表均質(zhì)性較高時(shí)性能表現(xiàn)良好,但在地表異質(zhì)度較高的情況下,其預(yù)測精度會降低,且此方法難以預(yù)測地表的突變現(xiàn)象[12]。為了提高STARFM模型在復(fù)雜地表下的預(yù)測精度,Zhu等[13]提出了增強(qiáng)型時(shí)空自適應(yīng)反射率融合模型(enhanced spatial and temporal adaptive reflectance fusion model, ESTARFM),該算法考慮了像元反射率的時(shí)間變化特征,能夠有效捕捉地物劇烈變化特征,提高了復(fù)雜下墊面情況下地表特征參數(shù)的融合精度[14]。目前,時(shí)空融合算法已被廣泛應(yīng)用于植被物候、干旱和水體監(jiān)測等諸多領(lǐng)域[15-17],在蒸散反演中也有良好表現(xiàn)。白亮亮等[18]基于Landsat系列數(shù)據(jù)和SEBS模型估算了河套灌區(qū)的蒸散量,并結(jié)合MODIS日蒸散數(shù)據(jù),利用 ESTARFM 算法實(shí)現(xiàn)蒸散數(shù)據(jù)的空間降尺度,構(gòu)建了河套地區(qū)高時(shí)空分辨率蒸散數(shù)據(jù)集。尉毓姣等[19]基于SEBS模型獲取了南京地區(qū)Landsat空間尺度的蒸散數(shù)據(jù),在此基礎(chǔ)上,采用ESTARFM模型將蒸散結(jié)果與MOD16A2數(shù)據(jù)進(jìn)行時(shí)空融合,并對模型的融合精度進(jìn)行了評價(jià)。利用ESTARFM算法對 MODIS 蒸散產(chǎn)品進(jìn)行降尺度,是獲取高精度蒸散的有效手段,但由于MOD16A2數(shù)據(jù)對建設(shè)用地、水域等非植被像元賦予無意義數(shù)值,導(dǎo)致部分像元缺失,無法融合得到完整的蒸散數(shù)據(jù)。對于水體、灘涂分布較廣的濱海地區(qū)而言,如何構(gòu)建區(qū)域內(nèi)高時(shí)空分辨率的遙感數(shù)據(jù)集獲取較為完整的蒸散序列是當(dāng)前研究中亟須解決的問題。

因此,現(xiàn)以地表高度破碎化的黃河三角洲為研究區(qū),利用ESTARFM算法融合Landsat和MODIS數(shù)據(jù),構(gòu)建研究區(qū)具有高時(shí)空分辨率的遙感數(shù)據(jù)集,并采用SEBS模型計(jì)算了區(qū)域的日蒸散量。通過比較融合反射率與實(shí)際反射率之間的差異,評估ESTARFM算法的性能,并利用彭曼公式估算的參考蒸散量、通量站觀測數(shù)據(jù)及蒸發(fā)皿實(shí)測數(shù)據(jù),對融合模型估算的蒸散結(jié)果進(jìn)行了驗(yàn)證,探討融合算法和蒸散模型結(jié)合的可行性和精度,以期為黃河三角洲水資源保護(hù)和生態(tài)系統(tǒng)良性發(fā)展提供科學(xué)依據(jù),并為地表類型復(fù)雜且高度破碎化區(qū)域的蒸散研究提供新的思路。

1 材料與方法

1.1 研究區(qū)概況

黃河三角洲位于山東省東營市境內(nèi)的黃河入?？诘貐^(qū)(118°31′E～119°18′E,36°55′N～38°16′N),是由黃河尾閭不斷改道和泥沙淤積所形成的扇形地塊[20],如圖1所示。研究區(qū)地屬溫帶季風(fēng)型大陸性氣候,四季變化明顯,年平均氣溫11.7～12.6 ℃;年均降水量530～630 mm,70%分布在夏季,平均蒸散量為750～2 400 mm。區(qū)內(nèi)地勢整體呈西南高、東北低,平均高程在5 m以下,地下潛水普遍埋深較淺(平均埋深為1.14 m),且礦化度較高(含鹽量平均值為14.3 g/ L)[21]。自20世紀(jì)70年代以來,受農(nóng)田開墾、油田開發(fā)等人為因素影響,黃河三角洲天然濕地大幅減少,區(qū)內(nèi)景觀破碎化程度不斷加重[22]。目前,黃河三角洲面臨著淡水資源匱乏、土壤鹽漬化嚴(yán)重、生態(tài)系統(tǒng)失衡等問題[23]。因此,準(zhǔn)確地計(jì)算區(qū)域蒸散量分析其時(shí)空變化過程可為正確估算土壤水分、預(yù)測農(nóng)田旱情的發(fā)生和生態(tài)變化提供重要信息,對指導(dǎo)農(nóng)業(yè)灌溉與排水、提高水資源的利用率等有著重要的意義。

1.2 數(shù)據(jù)來源

1.2.1 遙感影像數(shù)據(jù)

(1)Landsat8 OLI數(shù)據(jù)來源于美國地質(zhì)調(diào)查局網(wǎng)站(http://glovis.usgs.goc/),OLI傳感器包括了ETM+傳感器所有的波段,并對波段進(jìn)行了重新調(diào)整,能夠更好地避免大氣吸收特征,OLI的第1～7波段空間分辨率為30 m,第10～11波段為熱紅外波段,空間分辨率為100 m,回訪周期均為16 d。研究主要使用了OLI的第2～7波段來計(jì)算歸一化植被指數(shù)NDVI、地表反照率等參數(shù),并基于OLI的熱紅外波段采用單窗算法[24]來反演地表溫度。經(jīng)篩選,2019年11月—2021年1月共有15期質(zhì)量較好(云量小于10%)的Landsat影像見表1。采用 ENVI 軟件進(jìn)行影像的輻射校正、大氣校正和圖像裁切等預(yù)處理工作,地表參數(shù)的計(jì)算通過波段運(yùn)算工具完成。

表1 遙感數(shù)據(jù)類型及獲取日期Table 1 Remote sensing data types and acquisition date

(2)MOD09A1產(chǎn)品提供了7個(gè)波段的地表反射率,空間分辨率為500 m,回訪周期為8 d。MOD11A2數(shù)據(jù)是MODIS地表溫度產(chǎn)品,空間分辨率為1 000 m,時(shí)間分辨率為8 d。MOD09A1、MOD11A2數(shù)據(jù)均來源于美國航天局網(wǎng)站(https://urs.earthdata.nasa.gov/)。由于MOD09A1、MOD11A2為正弦曲線投影,利用MRT軟件將兩種MODIS產(chǎn)品重投影至與OLI數(shù)據(jù)一致的UTM-WGS84坐標(biāo)系,并將其空間分辨率統(tǒng)一采樣為 30 m,對MODIS和OLI數(shù)據(jù)進(jìn)行空間配準(zhǔn)及波段匹配處理,以便后續(xù)進(jìn)行數(shù)據(jù)融合。MOD09A1和Landsat8 OLI的波段對應(yīng)關(guān)系如表2所示。

表2 MOD09A1和Landsat8 OLI 波段對應(yīng)關(guān)系Table 2 Band correspondence between MOD09A1 and Landsat8 OLI

1.2.2 專題數(shù)據(jù)

(1)氣象數(shù)據(jù)。氣象數(shù)據(jù)均下載于中國氣象數(shù)據(jù)網(wǎng)(http://data.cma.cn/),選取研究區(qū)墾利站的日氣溫、氣壓、風(fēng)速等氣象要素,作為SEBS模型的輸入?yún)?shù)。選取日照時(shí)數(shù)、日平均氣溫、相對濕度等要素用于彭曼公式的參考蒸散量估算。

(2)通量站數(shù)據(jù)。通量站驗(yàn)證數(shù)據(jù)來源于國家生態(tài)科學(xué)數(shù)據(jù)中心(http://www.nesdc.org.cn/),山東禹城農(nóng)田生態(tài)系統(tǒng)國家野外科學(xué)觀測研究站的通量數(shù)據(jù)產(chǎn)品是利用 ChinaFLUX技術(shù)體系進(jìn)行標(biāo)準(zhǔn)化的質(zhì)量控制和數(shù)據(jù)處理后的通量日值數(shù)據(jù)。

(3)土地利用類型數(shù)據(jù)。在參考研究區(qū)已有土地利用類型圖的基礎(chǔ)上,根據(jù)黃河三角洲2020年一期Landsat8 OLI遙感影像,按照自然資源部土地分類標(biāo)準(zhǔn)分類并制作了研究區(qū)的土地利用現(xiàn)狀圖,如圖2所示,主要包括林地、水體、灘涂、農(nóng)田、蘆葦沼澤和建設(shè)用地6種土地利用類型。課題組又在2022年5月通過野外調(diào)查,對土地利用圖分類的準(zhǔn)確性進(jìn)行了驗(yàn)證。

圖2 2020年黃河三角洲土地利用分布Fig.2 Land use distribution in the Yellow River Delta in 2020

2 研究方法

研究基于ESTARFM算法和SEBS模型獲取了黃河三角洲較高時(shí)空分辨率的蒸散數(shù)據(jù),并對蒸散的時(shí)空格局及典型地物的蒸散特征分析,技術(shù)流程如圖3所示。主要步驟如下:①首先對MODIS和Landsat遙感影像進(jìn)行預(yù)處理;②利用ESTARFM算法生成高時(shí)空分辨率遙感數(shù)據(jù)集;③2020年黃河三角洲地區(qū)ET的計(jì)算和驗(yàn)證;④結(jié)合土地利用數(shù)據(jù)分析黃河三角洲蒸散時(shí)空格局及典型土地利用的蒸散特征。

NDVI為歸一化植被指數(shù);LAI為葉面積指數(shù);ALBEDO為地表反照率;LST為地表溫度;FVC為植被覆蓋度圖3 技術(shù)流程圖Fig.3 Technical flowchart

2.1 時(shí)空融合算法

使用的時(shí)空融合算法是由Zhu等[13]提出的增強(qiáng)型時(shí)空融合模型(ESTARFM),該模型不僅考慮到了像元反射率的空間可變性、中心像元與周圍像元的光譜相似性、還考慮到了不同時(shí)相上反射率值的變化,并使用滑動窗口的方法來抑制低空間分辨率影像的邊界效應(yīng),有效提高了融合精度。該模型通過輸入兩個(gè)時(shí)相的Landsat數(shù)據(jù)和MODIS數(shù)據(jù),以及一個(gè)預(yù)測時(shí)相的MODIS數(shù)據(jù),從而生成預(yù)測時(shí)相的Landsat數(shù)據(jù)。融合過程忽略了影像的幾何校正和大氣校正的誤差,首先確定搜索窗口大小,根據(jù)空間、光譜相關(guān)性使用搜索窗口在兩期Landsat反射率數(shù)據(jù)中搜索與中心像元光譜特征相似的像元,然后結(jié)合兩期MODIS反射率數(shù)據(jù)賦予每個(gè)相似像元距離權(quán)重和轉(zhuǎn)換系數(shù),通過權(quán)重來分配相似像元對中心像元的貢獻(xiàn)率,再根據(jù)以上兩期及預(yù)測期的MODIS數(shù)據(jù)計(jì)算時(shí)間權(quán)重,最后加入MODIS數(shù)據(jù)獲取的時(shí)間關(guān)系系數(shù),生成預(yù)測時(shí)期的Landsat尺度反射率數(shù)據(jù)。預(yù)測時(shí)期反射率的具體計(jì)算公式如下。

R(xω/2,yω/2,tp,B)=TmRm(xω/2,yω/2,tp,B)+

TnRn(xω/2,yω/2,tp,B)

(1)

Rk(xω/2,yω/2,tp,B)=RL(xω/2,yω/2,tk,B)+

RM(xi,yi,tk,B)]

(2)

式中:R為最終預(yù)測時(shí)期的高分辨率反射率;ω為相似像元搜索窗口,主要由地物類型的異質(zhì)性所決定,這里取50個(gè)Landsat像元大小范圍;tp為預(yù)測影像時(shí)期;B為遙感影像的B波段;Rm、Rn分別為Tm、Tn時(shí)期融合影像的反射率;Rk為Tk時(shí)期預(yù)測的高分辨率影像的反射率,k=m,n;RL、RM分別為Landsat影像、MODIS影像反射率;(xω/2,yω/2)為中心像元位置;(xi,yi)為第i個(gè)相似像元位置;N為相似像元的數(shù)量;Wi為綜合權(quán)重因子;Vi為轉(zhuǎn)換系數(shù)。

Tm和Tn時(shí)期的時(shí)間權(quán)重Tk,根據(jù)tk(k=m,n)時(shí)期與預(yù)測時(shí)期tp之間的反射率變化幅度由式(3)計(jì)算而來。

Tk=

(3)

2.2 蒸散量計(jì)算方法

所使用的蒸散量計(jì)算方法是地表能量平衡系統(tǒng)模型(SEBS),它是目前應(yīng)用比較廣泛的單層能量平衡模型之一。該模型具有堅(jiān)實(shí)的理論基礎(chǔ),物理機(jī)理明確,而且考慮的氣象要素較少,便于應(yīng)用。SEBS模型的基本理論依據(jù)是地表能量平衡方程,在某一時(shí)刻的地表能量可表示為

Rn=G+H+λE

(4)

式(4)中:Rn為凈輻射通量,W/m2;G為土壤熱通量,W/m2;H為顯熱通量,W/m2;λ為水的汽化潛熱,J/kg;E為瞬時(shí)蒸散量,kg/(m2·s);λE為潛熱通量,W/m2。

SEBS模型采用地表能量平衡指數(shù)法來確定蒸發(fā)比,根據(jù)地表能量平衡方程,當(dāng)?shù)乇硖幱跇O度干燥狀態(tài)下,其潛熱通量為零,此時(shí)顯熱通量為最大值,Hdry可表示為

Hdry=Rn-G

(5)

在地表極濕潤環(huán)境下,土壤水分供應(yīng)充足,此時(shí)顯熱通量為最小值,Hwet可表示為

Hwet=Rn-G-λEwet

(6)

極濕潤條件下的潛熱通量λEwet可以根據(jù)Peman-Monteith方法[25]求得。

相對蒸散比可以由實(shí)際顯熱與干、濕限顯熱的關(guān)系得到,即

(7)

最終蒸發(fā)比定義為實(shí)際蒸散與可用能量之比,計(jì)算公式為

(8)

從而得到瞬時(shí)蒸散量為

Eins=Λ(Rn-G)/λρw

(9)

式(9)中:ρw為水密度,kg/cm3。

2.3 時(shí)間尺度擴(kuò)展

2.3.1 日尺度蒸散擴(kuò)展

通過SEBS模型獲取的是衛(wèi)星過境時(shí)刻的瞬時(shí)蒸散量,但在實(shí)際研究中長時(shí)間尺度的蒸散量才更有意義。假設(shè)能量通量在一天中會發(fā)生變化,但各組分之間的比例即蒸發(fā)比在一天中保持不變,因此日平均蒸發(fā)比就等于過境時(shí)刻的瞬時(shí)蒸發(fā)比。日蒸散量計(jì)算公式為

ETd=8.64×107Λ(Rnd-Gd)/λρw

(10)

式(10)中:ETd為日蒸散量,mm;Λ為日均蒸發(fā)比;Rnd為日凈輻射;Gd為日土壤熱通量;λ為水的汽化熱量,J/kg。

2.3.2 月尺度蒸散擴(kuò)展

月尺度蒸散的擴(kuò)展借鑒了日尺度蒸散擴(kuò)展的思想,Du等[26]認(rèn)為,某一天的實(shí)際蒸散ET與日參考作物蒸散ETr之間的比值是不變的。通過計(jì)算某一天晴空遙感影像的ET與ETr之間的比值EFd,并以該比值作為某段時(shí)間內(nèi)的特征值來計(jì)算這一段時(shí)間內(nèi)的實(shí)際蒸散。其計(jì)算公式為

(11)

日參考蒸散量由世界糧農(nóng)組織推薦的FAO56 Penman-Monteith[27]公式計(jì)算得,即

(12)

式(12)中:ETr為參考蒸散量,mm;Rn為凈輻射通量,W/m2;G為土壤熱通量,W/m2;Ta為大氣溫度,℃;U2為2 m高處的風(fēng)速,m/s;es為平飽和水汽壓,kPa;ea為實(shí)際水氣壓,kPa;Δ為飽和水汽壓與溫度的曲線斜率,kPa/℃;γ為干濕常數(shù),kPa/℃。

通過ESTARFM算法獲得了時(shí)間分辨率為8 d的Landsat數(shù)據(jù),因此式(13)中的ET8dr為8 d累積的參考蒸散量,而8 d的實(shí)際蒸散量的總和為

ET8d=EFdET8dr

(13)

2.4 精度評價(jià)方法

2.4.1 融合算法精度評價(jià)

為驗(yàn)證融合算法的性能,選取2020年4月15日、5月17日和6月2日的影像作為實(shí)驗(yàn),隨機(jī)選取研究區(qū)內(nèi)的40 000個(gè)像元對融合反射率與實(shí)際反射率進(jìn)行對比,得到各日期不同波段的擬合曲線,并使用相關(guān)系數(shù)R、均方根誤差RMSE、平均相對誤差MRE對融合影像的質(zhì)量進(jìn)行評價(jià)。

(14)

(15)

(16)

2.4.2 蒸散結(jié)果精度評價(jià)

研究區(qū)日蒸散結(jié)果的總體精度采用彭曼公式估算的日參考蒸散量進(jìn)行驗(yàn)證,對比融合蒸散與參考蒸散量的變化過程,并對二者進(jìn)行線性擬合,采用R、RMSE評價(jià)了融合蒸散結(jié)果的可靠性。

研究區(qū)地表覆蓋類型復(fù)雜且破碎化程度較高,對區(qū)域內(nèi)每種覆蓋類型的蒸散結(jié)果進(jìn)行驗(yàn)證較為困難,由于研究區(qū)內(nèi)農(nóng)田和水體分布范圍較廣,二者的面積占比分別達(dá)到了29.1%和27.3%,所以研究重點(diǎn)對區(qū)域內(nèi)農(nóng)田和水體的蒸散計(jì)算結(jié)果進(jìn)行驗(yàn)證。研究區(qū)內(nèi)缺少通量站數(shù)據(jù),而禹城農(nóng)田觀測站與研究區(qū)基本處在同一緯度,同位于魯西北平原和黃河下游引黃灌區(qū),距離研究區(qū)僅200 km,水熱條件和地表環(huán)境與研究區(qū)基本一致,因此采用禹城站觀測的顯熱通量與研究區(qū)農(nóng)田生態(tài)系統(tǒng)的瞬時(shí)顯熱通量進(jìn)行線性擬合,并利用R、RMSE驗(yàn)證農(nóng)田蒸散的計(jì)算精度。水體蒸散的驗(yàn)證采用墾利氣象站的蒸發(fā)皿數(shù)據(jù)進(jìn)行,對比水體的估算值與蒸發(fā)皿折算數(shù)據(jù)的散點(diǎn)分布并利用R、RMSE評價(jià)水體蒸散結(jié)果的準(zhǔn)確性。

3 結(jié)果與分析

3.1 影像融合結(jié)果及精度驗(yàn)證

將3個(gè)不同日期的Landsat影像和融合影像在標(biāo)準(zhǔn)假彩色合成下的圖像(圖4)進(jìn)行對比(400像元×400像元),由圖4可見,融合影像空間細(xì)節(jié)良好、地物紋理清晰,能夠明顯區(qū)分不同地物間的反射率差異,與原始Landsat影像的整體差異較小。植被、裸地等混合像元較少的單一地表,融合反射率變化較小,預(yù)測精度較高。居民區(qū)、建設(shè)用地等地物交匯區(qū)域,融合影像受Red波段和混合像元的影響,部分建筑物有些泛紅。同時(shí),ESTARFM算法假設(shè)像元反射率隨時(shí)間變化穩(wěn)定且隨時(shí)間的變化是線性的,而在復(fù)雜地表下像元反射率的變化并非線性,這也可能導(dǎo)致融合影像的反射率變化。

圖4 Landsat影像與融合影像對比Fig.4 Comparison of Landsat images and fusion images

對比融合影像各波段反射率與實(shí)際反射率之間的散點(diǎn)分布(圖5),由圖5可知,融合反射率與實(shí)際反射率散點(diǎn)均勻分布于1∶1線附近,各波段相關(guān)系數(shù)R均在0.91以上,平均相對誤差MRE均小于15.3%,均方根誤差RMSE接近于0。ESTARFM算法通過對移動窗口中的相似像素進(jìn)行加權(quán)來提高中心像素反射率的預(yù)測性能,能夠很好地反映空間變異性。總體來講,ESTARFM算法在地表破碎、景觀異質(zhì)性較強(qiáng)的黃三角地區(qū)具有良好的適用性,融合精度能夠滿足后續(xù)研究需要。

圖5 融合反射率與實(shí)際反射率散點(diǎn)圖Fig.5 Scatter plot of fusion reflectance with actual reflectance

3.2 蒸散結(jié)果及精度驗(yàn)證

基于融合得到的高時(shí)空分辨率遙感數(shù)據(jù),利用SEBS模型計(jì)算日ET,并將日ET與彭曼公式估算的參考蒸散量及蒸發(fā)皿數(shù)據(jù)的變化過程進(jìn)行對比(圖6),由圖6可見,模型計(jì)算的日蒸散量與蒸發(fā)皿數(shù)據(jù)、參考蒸散量的變化過程基本一致。但受到降雨天氣的影響,導(dǎo)致融合蒸散與蒸發(fā)皿數(shù)據(jù)之間存在部分的差異。

圖6 SEBS模型計(jì)算的日蒸散量與日參考蒸散量及蒸發(fā)皿數(shù)據(jù)的對比Fig.6 Comparison between daily evapotranspiration calculated by SEBS model with reference evapotranspiration and pan data

將SEBS模型估算的瞬時(shí)顯熱通量與禹城站的顯熱通量數(shù)據(jù)進(jìn)行對比,得到如圖7所示的散點(diǎn)分布圖?？梢?模型估算結(jié)果與通量站觀測值的擬合效果較好,相關(guān)系數(shù)達(dá)到了0.87,均方根誤差僅為57.8 W/m2。將SEBS模型計(jì)算的水體日蒸散量與墾利站蒸發(fā)皿折算數(shù)據(jù)進(jìn)行擬合(圖8),模型計(jì)算的水面蒸發(fā)與蒸發(fā)皿折算的水面蒸發(fā)散點(diǎn)均分布于1∶1線兩側(cè),相較于MODIS數(shù)據(jù)估算的水面蒸散結(jié)果,融合數(shù)據(jù)的水面蒸發(fā)與蒸發(fā)皿數(shù)據(jù)的相關(guān)系數(shù)R由0.87提升至0.93,均方根誤差RMSE由0.44 mm/d下降至0.35 mm/d。ESTARFM算法和SEBS模型的結(jié)合不僅能夠保證蒸散結(jié)果的計(jì)算精度,還能有效提高蒸散的時(shí)空分辨率。綜上所述,利用MODIS和Landsat多時(shí)相遙感數(shù)據(jù),基于 ESTARFM 算法和SEBS模型獲得的高精度蒸散數(shù)據(jù),避免了單一傳感器和云雨污染的限制,能夠滿足地表破碎化地區(qū)的蒸散研究需求。

圖7 SEBS模型計(jì)算的瞬時(shí)顯熱通量與通量塔觀測數(shù)據(jù)對比Fig.7 Comparison of instantaneous sensible heat flux calculated by SEBS model with flux tower observation data

圖8 SEBS模型計(jì)算的水面蒸發(fā)與蒸發(fā)皿折算數(shù)據(jù)的相關(guān)性分析Fig.8 Correlation analysis between water surface evaporation calculated by SEBS model and pan conversion data

3.3 蒸散時(shí)空格局

將研究區(qū)的月蒸散量疊加土地利用圖,對區(qū)域蒸散的時(shí)空變化特征進(jìn)行了研究(圖9)。區(qū)域內(nèi)蒸散隨季節(jié)變化明顯,總蒸散量的變化規(guī)律為:夏季>春季>秋季>冬季。春季(3—5月)氣溫回升,農(nóng)田和濕地植被開始進(jìn)入生長季,區(qū)內(nèi)平均蒸散量大約為269.2 mm,標(biāo)準(zhǔn)差為36.9 mm,低值主要集中在黃河故道兩岸的裸地和孤東等植被稀疏地區(qū),而高值分布在沿海灘涂和水體等區(qū)域,海陸差異明顯;夏季(6—8月)降水增多,土壤水分充足,植物進(jìn)入生長季中期,部分農(nóng)田和濕地植被的蒸散量超過灘涂和水體。區(qū)域平均蒸散量達(dá)到最大值(345.2 mm),與其他季節(jié)相比,其空間變化幅度較大,標(biāo)準(zhǔn)差為43.1 mm,低值主要集中在西南部的荒地和居民區(qū)等植被覆蓋率較低的內(nèi)陸區(qū)域;秋季(9—11月)區(qū)內(nèi)平均蒸散量略低于春季,為248.4 mm,標(biāo)準(zhǔn)差為33.5 mm;冬季(12月—次年2月)由于氣溫較低,水循環(huán)緩慢,蒸散量較低,區(qū)內(nèi)不同土地利用類型的平均蒸散量僅為99.4 mm,同時(shí)蒸散的空間變異性也較小,標(biāo)準(zhǔn)差僅為7.03 mm。由此可見,黃河三角洲各季節(jié)蒸散量空間分布特征較為相似,整體上由沿海灘涂向內(nèi)陸逐漸減小,受到氣溫、降水和植被等因素影響,不同季節(jié)之間的蒸散量差異顯著。

黃河三角洲典型地表覆蓋類型的蒸散量如圖10所示,可以看出,不同土地類型之間的蒸散量具有明顯差異,總體表現(xiàn)為:水體>灘涂>林地>蘆葦沼澤>農(nóng)田>建設(shè)用地。水體的年蒸散量最大,達(dá)到了1 289.9 mm/a;由于灘涂位于潮浸地帶,下墊面含水量較高,其年蒸散量僅次于水體,達(dá)到了 1 024.6 mm/a;林地的植被覆蓋度較高,需水量與儲水量較大,年蒸散量達(dá)到了971.3 mm/a;蘆葦沼澤年蒸散量為884.4 mm/a,春季由于其植被覆蓋度較低,蒸散量僅為241.5 mm,而夏季由于降水較多,植被生長旺盛,導(dǎo)致蒸散量顯著增加(333.2 mm),秋季以后大部分蘆葦枯萎或被收割因此蒸散下降至220.8 mm;由于研究區(qū)農(nóng)田多為旱地作物,植被覆蓋度不及林地和濕地植被,年蒸散量僅為 835 mm。農(nóng)田在春季和夏季由于灌溉和降水的補(bǔ)充,下墊面供水充足,蒸散量和林地差距不大,但秋季以后由于作物收割導(dǎo)致蒸散量下降明顯;建設(shè)用地由于其下墊面多為不透水面,導(dǎo)致四季的蒸散量都是最低,全年蒸散量為548.2 mm/a。

4 討論

4.1 ESTARFM算法的不確定性分析

基于ESTARFM算法進(jìn)行遙感數(shù)據(jù)的時(shí)空融合,結(jié)果表明,融合反射率與實(shí)際反射率之間的相關(guān)性均達(dá)到了0.85以上(表4)。ESTARFM算法能夠充分利用像元之間的相似性并減小系統(tǒng)產(chǎn)生的誤差,不僅能提升遙感數(shù)據(jù)的時(shí)空分辨率,同時(shí)還有較高的光譜還原度[28]。由表4可知,融合影像與實(shí)際影像在Blue、Green等波段的相關(guān)性接近0.95,而在SWIR1、SWIR2波段的相關(guān)性僅為0.9左右,這可能是由于不同傳感器在光譜設(shè)置和光譜響應(yīng)函數(shù)上有所差異,使得不同傳感器之間存在系統(tǒng)性誤差[29]。MODIS在SWIR1、SWIR2波段的空間分辨率僅為500 m,且OLI與MODIS傳感器在SWIR1、SWIR2波段的光譜范圍差異大于其他波段。另外,4月15日的融合精度(R=0.95)高于5月17日和6月2日(R=0.89和R=0.92),其原因主要是輸入影像與融合預(yù)測影像的時(shí)間間隔不同。張曉川等[15]發(fā)現(xiàn)在融合過程中,輸入數(shù)據(jù)與融合數(shù)據(jù)的日期間隔越短、輸入影像質(zhì)量越好,預(yù)測精度越高。相比于5月17日和6月2日的輸入影像,4月15日的輸入影像質(zhì)量較好且與融合預(yù)測影像的時(shí)間間隔更短,地表類型變化更小,對應(yīng)的光譜反射率更為相似。

表4 不同波段的反射率融合精度評價(jià)Table 4 Accuracy evaluation of fusion reflectance in different bands

相較于反射率的融合,地表溫度的融合誤差相對較大,眾多研究[30-32]表明,低空間分辨率影像的像元邊界、混合像元等問題會增加融合過程的不確定性。由于Landsat地表溫度是利用熱紅外波段基于單窗算法反演得到,空間分辨率為100 m,而MOD11A2數(shù)據(jù)的空間分辨率僅為1 000 m,MOD11A2的低分辨率像元和邊界效應(yīng)會降低地表溫度的融合精度[24]?？傮w來講,ESTARFM算法在地表破碎的黃河三角洲地區(qū)具有良好的適用性,并且輸入影像質(zhì)量越高、距離預(yù)測日期越近,其融合精度越高。因此在研究中,應(yīng)盡可能選擇距離預(yù)測日期較近且質(zhì)量較高的影像進(jìn)行融合。

4.2 融合算法與蒸散模型結(jié)合的可行性分析

為探討不同融合方案對最終蒸散結(jié)果的影響,設(shè)計(jì)方案一(先融合波段后計(jì)算蒸散)和方案二(先計(jì)算蒸散后進(jìn)行融合)兩種融合方案,并將融合結(jié)果與Landsat蒸散結(jié)果進(jìn)行比較,系統(tǒng)評價(jià)兩種融合方案的蒸散精度。

圖11展示了兩種融合方案的蒸散結(jié)果與原始Landsat蒸散結(jié)果對比,可見,兩種方案的蒸散結(jié)果與實(shí)際Landsat蒸散在空間分布上都具有一定的相似性,但方案一的蒸散結(jié)果與Landsat計(jì)算的蒸散更為接近,二者日蒸散差值(圖12)主要集中在 -0.4～0.4 mm/d,方案二的蒸散結(jié)果與Landsat蒸散的差值集中在-0.6～0.6 mm/d。將融合蒸散與Landsat蒸散進(jìn)行線性擬合,由圖13可見,相較于方案二,方案一的擬合效果更好(R=0.88),誤差更小(0.36 mm/d)。該結(jié)果與Ke等[33]研究的結(jié)果一致,他們比較了與擬議方案一和方案二相似的3種融合方案生成的8 d 30 m蒸散數(shù)據(jù),發(fā)現(xiàn)方案一的誤差(RMSE<2.7 mm/8 d)總是小于方案二和方案三(RMSE<3.7 mm/8 d;RMSE<3.3 mm/8 d),并總結(jié)稱降尺度后的蒸散與實(shí)際蒸散的一致性取決于地表參數(shù)反演的準(zhǔn)確性,相較于先計(jì)算蒸散再進(jìn)行融合降尺度,先融合出預(yù)測日期的反射率再計(jì)算蒸散更能提高蒸散的準(zhǔn)確性。方案二在先進(jìn)行蒸散計(jì)算時(shí),由于MODIS影像的地表參數(shù)反演精度較低,且MOD11A2地表溫度影像常存在邊界模糊和像元缺失等問題,導(dǎo)致SEBS模型在估算中的不確定性增加,誤差在后續(xù)的蒸散融合過程中會進(jìn)一步增大[31]。而方案一先利用ESTARFM算法模擬出預(yù)測時(shí)期的高分辨率影像,能夠最大限度地減小系統(tǒng)偏差并抑制低分辨率像元的影響[34],提高了地表參數(shù)的反演精度,使得蒸散的計(jì)算誤差較小。

圖11 融合蒸散影像與實(shí)際Landsat蒸散影像對比Fig.11 Comparison between fused evapotranspiration images and actual Landsat evapotranspiration image

圖12 融合蒸散與Landsat蒸散的差值頻率分布Fig.12 Frequency distribution of difference between fusion evapotranspiration and Landsat evapotranspiration

圖13 不同方案的融合蒸散與Landsat蒸散相關(guān)性分析Fig.13 Correlation analysis between fusion evapotranspiration of different schemes and Landsat evapotranspiration

5 結(jié)論

將ESTARFM時(shí)空融合算法與SEBS模型相結(jié)合計(jì)算黃河三角洲地區(qū)的蒸散量,獲得了研究區(qū)不同土地利用類型的高精度蒸散結(jié)果,并利用參考蒸散量、通量站和蒸發(fā)皿數(shù)據(jù)等對蒸散結(jié)果進(jìn)行了驗(yàn)證,研究結(jié)果如下。

(1)ESTARFM算法能夠解決單一傳感器限制和云雨污染的問題,不僅可以提高影像的時(shí)空分辨率,還有著較高的光譜還原度。融合反射率與實(shí)際反射率的相關(guān)系數(shù)R均在0.85以上,均方根誤差RMSE接近于0。但融合效果對輸入影像的質(zhì)量要求較高,輸入影像的質(zhì)量越高、光譜差異越小,融合精度越高。

(2)融合模型和蒸散模型的結(jié)合方式對蒸散的計(jì)算結(jié)果具有一定影響,先融合數(shù)據(jù)后計(jì)算蒸散的方法得到的蒸散結(jié)果精度更高,更適用于黃河三角洲地區(qū)的蒸散研究。融合日蒸散量與參考蒸散量的變化趨勢高度一致,二者相關(guān)系數(shù)R達(dá)到了0.87。模型計(jì)算的農(nóng)田瞬時(shí)顯熱通量與通量站觀測的顯熱通量的相關(guān)系數(shù)R達(dá)到了0.87,均方根誤差RMSE為57.8 W/m2。融合數(shù)據(jù)計(jì)算的水面蒸發(fā)與蒸發(fā)皿折算數(shù)據(jù)的相關(guān)系數(shù)R達(dá)到了0.93,均方根誤差RMSE僅為0.35 mm/d?；谌诤蠑?shù)據(jù)的蒸散結(jié)果在保證蒸散精度的同時(shí),有效提高了蒸散的時(shí)空分辨率,能夠滿足地表破碎地區(qū)的蒸散研究需求。

(3)黃河三角洲蒸散量隨季節(jié)變化較大,夏季蒸散量較高,約占全年的40%。受土地利用和植被覆蓋的影響,研究區(qū)蒸散量空間變異性較大,高值主要分布在沿海灘涂和內(nèi)陸水體等區(qū)域,低值集中內(nèi)陸居民區(qū)和西南部的裸地等植被覆蓋率較低區(qū)域。蒸散量在不同土地利用類型中具有明顯的差異性,水體、灘涂等自然地物的蒸散量明顯高于農(nóng)田、建設(shè)用地等人工地物。

基于ESTARFM算法和SEBS模型能夠有效提升蒸散數(shù)據(jù)的時(shí)空分辨率,但是融合算法對輸入影像的質(zhì)量要求較高,應(yīng)盡可能選擇時(shí)間間隔較短的輸入影像以最小化地表突變所引起的反射率差異。研究區(qū)地表破碎化程度高,混合像元較多,這會對融合精度產(chǎn)生一定影響,后續(xù)應(yīng)對時(shí)空融合算法進(jìn)一步優(yōu)化,提升融合精度并嘗試多種傳感器數(shù)據(jù)的融合,以構(gòu)建長時(shí)間連續(xù)的高分辨率蒸散序列。