基于光能利用效率的区域蒸散量反演模型——以玉米种植区为例

苏 涛，冯绍元，徐 英

(扬州大学水利科学与工程学院，扬州 225009)

0 引言

发展节水农业，实现水资源可持续利用，是保障中国水和粮食安全的重要战略举措和必然选择。地表蒸散发(以下简称蒸散)是陆地水分和能量循环过程中的重要环节，是影响水循环过程的重要因子之一［1］。因此，准确测定和获取区域蒸散量对提高农业水资源利用效率和水资源管理具有十分重要的现实意义。

随着观测技术、计算机技术和遥感技术的不断发展，蒸散研究从农田尺度逐渐发展到区域尺度。区域蒸散量的估算方法可分为2 大类［2－3］:①以水文学和气象学为主，②以遥感技术为主。在以遥感技术为基础的估算方法中，主要有统计经验法、能量平衡余项法、数值模型、全遥感信息模型和陆面数据同化等方法［4－5］，其中陆面能量平衡(surface energy balance algorithm for land，SEBAL)、地表能量平衡系统(surface energy balance system，SEBS)模型已经成为利用遥感数据计算蒸散量的重要方法［6］。Kongo 等［7］和Nahry等［8］利用SEBAL 模型、Jia 等［9］利用SEBS 模型结合ATSR 数据分别进行了蒸散量估算，均获得了较好的效果。虽然应用遥感技术估算陆地生态系统蒸散的研究已经取得很大的进步，获得了一定的成绩［10－11］，但依然存在诸如无法完整和连续表达地表水热通量等许多需要进一步探讨和研究的问题［3－4］。

作物蒸散由叶面蒸腾和棵间蒸发2 部分组成，作物生长与叶面蒸腾具有相关性［12］。苏涛等［13］研究了作物生物量与土壤含水率之间的关系，在基于水量平衡原理和相关动力学模型的基础上，建立了生物量与土壤含水量的动力学方程，提出了一种区域土壤含水量变化反演方法。该方法引入了农业技术推广支持系统(decision support system for agrotechnology transfer，DSSAT)模型，用点上的模拟曲线替代面上的数值变化。由于该模型没有考虑区域环境变化所造成的空间变异，其研究精度有待于进一步提高。

本研究以玉米种植区为例，在土壤含水量变化反演模型的基础上，利用RUE 计算生物量的变化量，建立区域蒸散反演模型。以SEBAL 作为对比模型，对同一区域的蒸散量进行监测，验证基于RUE的区域蒸散量反演模型的可行性。

1 研究区概况

内蒙古河套地区解放闸灌域位于E106°43'～107°27'，N40°34'～41°14'之间，处于河套灌区西部(图1)，是内蒙古河套灌区的第二大灌域，东南紧邻黄河，西北地处狼山脚下，土地总面积约325.52 万hm2，灌溉面积约213.15 万hm2，其中66%为耕地面积。灌区气候干燥，年均降雨量155 mm;蒸发量大，年均蒸发量(20 cm蒸发皿)在1 900～2 500 mm 之间;年均气温为5.6～7.8 ℃，年日照时数达3 100～3 300 h。小麦、玉米和葵花是灌区主要农作物。

图1 研究区地理位置Fig.1 Location of district

2 数据获取与处理

解放闸灌域2 景Landsat ETM+遥感影像的时相为2011年8月29 日，轨道号为129/31 和129/32，影像产品质量良好。在使用原始影像之前，对影像进行了大气校正、辐射定标及几何纠正等预处理。

在整个研究区内选取26个玉米样地进行观测试验;在每个样地内选取3 块间隔10 m 的测试点，使用AccuPAR 植物冠层分析仪测量叶面积指数(LAI)，共测量20 次，取其平均值作为该观测点的玉米LAI，同时用GPS 进行定位;利用面向对象的分类方法对研究区地物进行分类，分为玉米、葵花、其他作物、水体、裸地和城镇等6 类。本研究对象为玉米作物。

3 研究方法

3.1 蒸散量反演模型的构建

根据苏涛等［13］提出的干物质量与蒸散量的关系方程，用RUE 模型计算干物质量［14］，从而建立基于RUE 的区域蒸散量反演模型(简称RUE 方法)，模型描述为

式中:ET 是区域蒸散量，mm;γc是作物的蒸腾系数，表示作物通过蒸腾作用消耗的水分质量与同期作物积累干物质量的比值;α 是分摊系数;x 是作物地上部分干生物量，kg/m2;t 为时间;K 是单位转换系数;APAR 是植被在生育期内总吸收光合有效辐射量，MJ/m2;ε 是光能转化为干物质的效率，即光能利用效率，g/MJ。

3.2 用于对比的2个模型

3.2.1 SEBAL 模型

SEBAL 模型是利用遥感数据计算蒸散量的重要方法，具有坚实的物理基础，可应用于不同的气候条件。其公式描述为［7－8］

式中:Rn为地表净辐射通量，W/m2;G 为土壤热通量，W/m2;H 为感热通量，W/m2;λE 为潜热通量，W/m2，其中λ 是蒸发潜热，取2.49×10－6/W·m－2·mm－1。

3.2.2 DSSAT 模型

DSSAT 是在国际农业技术推广基准网络IBSNAT计划资助下开发的综合计算机系统［5］，包括数据库管理、作物模型、软件工具和系统分析等4个模块。CERES 模型是系统中的作物模型，本文选用的是CERES－Maize 模块，利用地面试验确定模型参数，确保模型本地化和区域间应用的可行性。

3.3 RUE 模型相关参数的计算

3.3.1 光能利用效率ε 的计算

作物在理想的条件下具有最大光能利用效率，通常在现实情况下会受到温度和土壤水分的影响［15］。光能利用效率ε 描述为［16－17］

式中:ε'是最大光能利用率;T1和T2表示温度胁迫系数;Wscalar表示土壤水分胁迫系数;Pscalar是叶片物候期参数;Wscalar和Pscalar的取值范围均在(0，1］之间。温度胁迫系数T1和T2的计算式分别为

式中:Topt是LAI 或NDVI 为最大值时的月平均空气温度，℃;Tmon是作物生长时期月平均空气温度，℃。

土壤水分胁迫系数Wscalar计算式为［17］

式中:LSWImax是作物生长时期内最大的土壤表面水分指数;Wscalar取值范围在(0，1］之间。LSWI 的计算式为［17］

式中:ρnir和ρswir分别是近红外波段(0.78～0.89 μm)和短波红外波段(1.58～1.75 μm)的反射率，对于TM/ETM+影像分别指第4 波段(B4)和第5 波段(B5)的反射率;LSWI 的数值范围在［－1，1］之间。

Pscalar的计算分2个阶段进行，第1 阶段是从种子发芽开始到叶片完全展开阶段，计算式为Pscalar=(1 +LSWI)/2;第2 阶段是叶片完全展开后阶段，此阶段Pscalar=1。

3.3.2 吸收有效辐射量APAR 的计算

吸收有效辐射量APAR 的计算式为

式中:APAR 是作物生育期内总吸收光合有效辐射量，MJ/m2;fAPARi是光合有效辐射分量，表示作物光合作用吸收有效辐射的比例;PARi是光合有效辐射，表示作物利用太阳可见光部分(0.4～0.7 μm)的能量;ta和tb分别是作物播种期和收获期时间;i是作物生长天数，iϵ［ta，tb］。

3.3.3 分摊系数α 的计算

康绍忠等［18］根据能量平衡原理和质量守恒定律，提出了作物蒸腾与棵间蒸发的分摊系数α 的计算公式，即

式中:td是一日中的时间，h，从零点开始;K，A 是经验系数，对于玉米而言，K=0.401 6，A=0.098 72;LAI 是作物叶面积指数。

3.3.4 蒸腾系数γc的计算

作物因本身种类的不同和外界环境(气象条件、土壤条件等因素)的影响，其生长发育速度具有差异性，因此，蒸腾系数γc随着作物种类和生长时期的变化而变化，计算时可选取变化值或固定值［19］，本文采用的是固定值，对于玉米作物，γc=370。

4 结果与分析

4.1 LAI 的计算

LAI 不仅是表征作物光合面积大小、冠层结构和判断作物长势优劣的重要参数［20］，也是生物量和产量的关键因子［21］。采用基于植被指数的统计回归反演LAI，易受土壤背景等因素的影响，没有考虑植被冠层的叶角分布。基于辐射传输模型反演LAI，虽然考虑了土壤背景因素、冠层的叶角分布，可能提高了LAI 的反演精度，但是增加了参数的测定，复杂程度提高。鉴于此，本研究选用地面观测的玉米LAI 与影像上对应位置的NDVI 进行指数回归［22－23］，获得面上的LAI，即

式中:LAI0829是2011年8月29 日的玉米叶面积指数;NDVI0829是2011年8月29 日的玉米归一化植被指数。其相关系数为0.625，通过了0.01 置信度检验。

4.2 蒸散量的计算

根据蒸散量反演模型(式(1))，获得研究区域蒸散量的空间分布(图2(左))。通过分析可知，研究区南部和东部玉米的蒸散量较大，而北部和西部地区的蒸散量较小，整个研究区域的蒸散量主要集中在3～5 mm 之间(图2(右))。

图2 基于RUE 方法的玉米蒸散空间分布(左)及其统计直方图(右)Fig.2 Distribution of evapotranspiration based on RUE method(left)and its statistical histogram(right)

由于缺少地面实测蒸散数据，为了说明基于RUE 蒸散反演模型的可行性和反演精度，本文SEBAL模型作为参考模型进行分析比较。根据式(2)和有关算法［24］，获得了基于SEBAL 模型的区域蒸散空间分布(图3)。

图3 基于SEBAL 模型的玉米蒸散空间分布(左)及其统计直方图(右)Fig.3 Distribution of evapotranspiration based on SEBAL model(left)and its statistical histogram(right)

通过分析图2(左)和图3(左)，可知二者空间分布的纹理特征相似，分布规律趋于一致，蒸散量都集中在3～5 mm 之间，说明了本文提出的方法能够较好地反演区域蒸散量。苏涛等［13］利用DSSAT 模型获得作物干物量增量，根据式(1)计算出区域蒸散空间分布规律，与基于SEBAL 模型反演的区域蒸散量相比较，结果表明前者反演结果数值偏大，本文的研究结果也有类似情况。

4.3 几种反演模型的比较分析

为了进一步分析RUE 反演模型的精确度，本文根据文献［13］方法(简称DSSAT 方法)，采用式(1)计算出区域蒸散空间分布规律，并与本文蒸散模型进行对比。

参考Chander 等［25］有关分析方法，在基于RUE，DSSAT 和SEBAL 等3 种模型的蒸散空间分布图中选取感兴趣区，遵循的原则包括:①应覆盖各类数值，既包括低、中数值，还要包括高数值，确保客观反映3 种蒸散空间分布的相互关系;②感兴趣区的数量不少于500个，确保3 种空间分布之间相互关系的可信度;③感兴趣区较均匀分布在整个研究区域。用兴趣区对这3 种模型的蒸散反演结果进行数据回归分析，其位置如图4，5 所示。

图4 基于RUE(横轴)和SEBAL(纵轴)模型蒸散量的散点图(左)及其差值(右)Fig.4 Scatter plots(left)and its different(right)of evapotranspiration based on RUE and SEBAL models

图5 基于DSSAT(横轴)和SEBAL(纵轴)模型蒸散量的散点图(左)及其差值(右)Fig.5 Scatter plots(left)and its different(right)of evapotranspiration based on DSSAT and SEBAL models

统计几种方法所得结果的均值和标准偏差见表1。

表1 两模型蒸散量的均值和标准偏差Tab.1 Mean and standard deviation of two model

通过分析图4，5 和表1 可知，对于同一兴趣区，基于RUE 方法和DSSAT 方法反演的蒸散量分别与基于SEBAL 模型反演的蒸散量之间均具有较强的相关性。2 组散点图具有以下几点差异:①决定系数R2不同。基于RUE 方法和SEBAL 的散点图具有较高的相关性，其决定系数R2=0.623，高于DSSAT方法和SEBAL 的决定系数(R2=0.538);②基于RUE 和SEBAL 方法的蒸散量的差值都集中在［－1，1］之间，其均值为－0.25，其标准偏差为0.41，而基于DSSAT 和SEBAL 方法有一部分样点蒸散量的差值大于［－1，1］范围，其均值为－0.29，其标准偏差为0.46，说明基于RUE 方法反演的蒸散量数值上更接近SEBAL 模型;③RUE 方法的蒸散量的平均值为3.41，标准偏差为0.58，均小于DSSAT 方法的有关数据，接近于SEBAL 模型的有关指标，说明RUE 方法反演的蒸散量总体上小于基于DSSAT方法的蒸散量，蒸散量数值较为集中。以上分析说明了基于RUE 方法反演的蒸散量具有较高的精确度。

基于RUE 和DSSAT 方法反演区域蒸散量具有一定的差异性，产生差异的原因可能有以下几点:①2 种方法的基础不同。RUE 方法以光能利用为出发点，具有一定的生态物理基础，需要的参数较少，具有一定的精度;DSSAT 方法认为作物生物量的变化遵循一定的变化规律，没有考虑空间的变异性，可能对计算结果产生差异。②与地面试验的依赖程度不同。RUE 方法以光能利用为基础，借助遥感植被指数，获得光合有效辐射分量，借助少量的气象资料可以获得具有一定精度的作物干物质积累量;DSSAT方法对地面试验的依赖性较强，通过地面试验获得地上部分作物干物质量，再与影像上对应位置的植被指数进行相关分析，进而获得面上的干物质量，地面试验的精确性直接影响了干物质的空间分布，在确保模型本地化和可行性试验时，需要一定数量的实测数据。③2 种方法中均存在不同的经验参数。RUE 方法在计算光合有效辐射分量等过程中，存在少量经验参数;在DSSAT方法中，作物蒸腾系数为经验值，在模型本地化过程中，需要一定数量的经验值。

基于RUE 方法反演区域蒸散量与SEBAL 模型相比具有一定的优势，具体表现在以下4个方面:①参数方面。RUE 方法需要的参数较少，即包括辐射量、NDVI 值最大时的空气温度和作物生长时期月平均空气温度等常规参数;而SEBAL 模型除需要相对湿度、风速和气象站温度等常规气象参数外，还需要表面粗糙度参数，由于模型对表面粗糙度的物理过程描述不充分，存在不确定性［5，26］。②遥感影像方面。RUE 方法适用于多种分辨率多光谱遥感数据;而SEBAL 模型由于需要地表温度参数，因此适用于具有热红外波段的多光谱遥感数据，而缺少热红外波段的光学卫星(例如:IRS－P6 LISS－III、SPOT 和THEOS 等)均不适用，应用范围具有一定的局限性。③植物覆盖方面。RUE 方法适用于不同植物覆盖度的研究区域;而SEBAL 模型仅适用于植物茂密的平原地区［26］。④瞬时蒸散的时间尺度问题。SEBAL 模型需要将瞬时蒸散扩展到日蒸散，对天气的要求较高，而RUE 方法则不需要时间扩展。

5 结论

1)采用RUE 方法获得干物质变化量，建立了区域蒸散反演模型:用SEBAL 模型作为参考模型，对比分析研究区域的蒸散量空间分布，结果表明，两模型的空间纹理特征相似，两模型蒸散量的散点图变化趋势一致。

2)采用DSSAT 作为对比模型，通过将RUE 和DSSAT 分别与SEBAL 模型进行对比分析，表明RUE 与SEBAL 模型反演的蒸散量相关性较高，其决定系数为0.623，高于DSSAT 与SEBAL 模型的相关性。

3)本研究改进了DSSAT 方法存在的一些问题，进一步提高了反演精度，为区域蒸散计算提供了一种方法。

4)本文仅以玉米作物为研究对象，其他作物也可按该方法建立蒸散反演模型;但对于裸地、盐土、水体和沙丘等没有作物覆盖的地物，该方法具有一定的局限性。

［1］Jiang L，Islam S，Guo W，et al.A satellite－based daily actual evapotranspiration estimation algorithm over South Florida［J］.Global and Planetary Change，2009，67(1/2):62－77.

［2］武夏宁，胡铁松，王修贵，等.区域蒸散发估算测定方法综述［J］.农业工程学报，2006，22(10):257－262.Wu X N，Hu T S，Wang X G，et al.Review of estimating and measuring regional evapotranspiration［J］.Transactions of the Chinese Society of Agricultural Engineering，2006，22(10):257－262.

［3］王娅娟，孙丹峰.基于遥感的区域蒸散研究进展［J］.农业工程学报，2005，21(7):162－167.Wang Y J，Sun D F.Review of the regional evapotranspiration estimation using remote sensing［J］.Transactions of the Chinese Society of Agricultural Engineering，2005，21(7):162－167.

［4］鱼腾飞，冯 起，司建华，等.遥感结合地面观测估算陆地生态系统蒸散发研究综述［J］.地球科学进展，2011，26(12):1260－1268.Yu T F，Feng Q，Si J H，et al.Estimating terrestrial ecosystems evapotranspiration:A review on methods of integrateing remote sensing and ground observations［J］.Advances in Earth Science，2011，26(12):1260－1268.

［5］苏 涛.基于叶面积指数和生物量的土壤水分变化量反演方法研究［D］.北京:中国农业大学，2010.Su T.Retrieval of soil water change amount based on remotely sensed LAI and biomass at regional scale［D］.Beijing:China Agricultural University，2010.

［6］Mohamed Y A，Bastiaanssen W G M，Saveniji H H G.Spatial variability of evaporation and moisture storage in the swamps of the Upper Nile Studied by remote sensing techniques［J］.Journal of Hydrology，2004，289(1/4):145－164.

［7］Kongo M V，Jewitt G W P，Lorentz S A.Evaporative water use of different land uses in the upper－thukela river basin assessed from satellite imagery［J］.Agricultural Water Management，2011，98(11):1727－1739.

［8］Ei Nahry A H，Ali R R，Ei Baroudy A A.An approach for precision farming under pivot irrigation system using remote sensing and GIS techniques［J］.Agricultural Water Management，2011，98(4):517－531.

［9］Jia L，Su Z B，Hurk B，et al.Estimation of sensible heat flux using the Surface Energy Balance System(SEBS)and ATSR measurements［J］.Physics and Chemistry of the Earth，2003，28(1/3):75－88.

［10］曾丽红，宋开山，张 柏，等.松嫩平原不同地表覆盖蒸散特征的遥感研究［J］.农业工程学报，2010，26(9):233－242.Zeng L H，Song K S，Zhang B，et al.Analysis of evapotranspiration characteristics for different land cover types over Songnen Plain based on remote sensing［J］.Transactions of the Chinese Society of Agricultural Engineering，2010，26(9):233－242.

［11］高永年，高俊峰，张万昌，等.地形效应下的区域蒸散遥感估算［J］.农业工程学报，2010，26(10):218－223.Gao Y N，Gao J F，Zhang W C，et al.Estimation of regional evapotranspiration by remote sensing data considering topographic effects［J］.Transactions of the Chinese Society of Agricultural Engineering，2010，26(10):218－223.

［12］Werf W V，Keesman K，Burgess P，et al.Yield－SAFE:A parameter－sparse，process－based dynamic model for predicting resource capture，growth，and production in agroforestry systems［J］.Ecological Engineering，2007，29(4):419－433.

［13］苏 涛，王鹏新，杨 博，等.基于生物量的区域土壤水分变化量反演［J］.农业工程学报，2010，26(5):52－58.Su T，Wang P X，Yang B，et al.Retrieval of regional soil moisture supplement using remotely sensed biomass products［J］.Transactions of the Chinese Society of Agricultural Engineering，2010，26(5):52－58.

［14］Monteith J L.Solar－radiation and productivity in tropical ecosystems［J］.Journal of Applied Ecology，1972，9(3):747－766.

［15］Potter C S，Randerson J T，Field C B.Terrestrial ecosystem production a process model based on global satellite and surface data［J］.Global Biochemical Cycles，1993，7(4):811－841.

［16］Bastiaanssen W G M，Ali S.A new crop yield forecasting model based on satellite measurements applied across the Indus Basin，Pakistan［J］.Agriculture，Ecosystems and Environment，2003，94(3):321－340.

［17］Xiao X M，Hollinger D，Aber J，et al.Satellite－based modeling of gross primary production in a seasonally moist tropical evergreen forest［J］.Remote Sensing of Environment，2005，94(1):105－122.

［18］康绍忠，张富仓，刘晓明.作物叶面蒸腾与棵间蒸发分摊系数的计算方法［J］.水科学进展，1995，6(4):285－289.Kang S Z，Zhang F C，Liu X M.Calculation method of the ratio between crop leaf transpiration and soil evaporation from farmland［J］.Advances in Water Science，1995，6(4):285－289.

［19］东先旺，张道玉，陈维新.夏玉米超高产群体水分蒸腾指标的研究［J］.玉米科学，2001，9(1):74－77.Dong X W，Zhang D Y，Chen W X.Study on water－transpiration index of super high yield autumn Maize［J］.Journal of Maize Sciences，2001，9(1):74－77.

［20］Chen J M，Cihlar J.Retrieving leaf area index of boreal conifer for-ests using Landsat TM images［J］.Remote Sensing of Environment，1996，55(2):153－162.

［21］Bouman B A M.Linking physical remote sensing models with crop growth simulation models，applied for sugar beet［J］.International Journal of Remote Sensing，1992，13(14):2565－2581.

［22］Price J C，Bausch J C.Leaf area index estimation from visible and near－infrared reflectance data［J］.Remote Sensing of Environment，1995，52(1):55－65.

［23］Peterson D L，Spanner M A，Running S W，et al.Relationship of thematic mapper simulator data to leaf area index of temperate coniferous forests［J］.Remote Sensing of Environment，1987，22(3):323－341.

［24］邸苏闯，吴文勇，刘洪禄，等.基于遥感技术的绿地耗水估算与蒸散发反演［J］.农业工程学报，2012，28(10):98－104.Di S C，Wu W Y，Liu H L，et al.Water consumption estimation and evapotranspiration inversion based on remote sensing technology［J］.Transactions of the Chinese Society of Agricultural Engineering，2012，28(10):98－104.

［25］Chander G，Coan M J，Scaramuzza P L.Evaluation and comparison of the IRS－P6 and the Landsat sensors［J］.IEEE Transactions on Geoscience and Remote Sensing，2008，46(1):209－221.

［26］张晓涛，康绍忠，王鹏新，等.估算区域蒸发蒸腾量的遥感模型对比分析［J］.农业工程学报，2006，22(7):6－13.Zhang X T，Kang S Z，Wang P X，et al.Comparative analysis of regional evapotranspiration estimation models using remotely sensed data［J］.Transactions of the Chinese Society of Agricultural Engineering，2006，22(7):6－13.