估算玛纳斯河流域的陆面蒸散量和时空分布

　　蒸散发包括植被蒸腾和土壤表面蒸发两部分,是水文循环中自降水到达地表后由液态或固体转化为水汽返回大气的阶段.Rosenberg N. J. 和 Blad B. L. 等人[1]的研究指出降落到地表的降水约有 70% 通过蒸散发返回大气,在干旱区这个数字能达到 90%[2].由此可见蒸散发是水文循环的重要环节.作为淡水资源的主要耗散方式之一,近年来,对陆面蒸散发的研究越来越受到重视,首先因为它是陆地表层水文循环中最大、最难估算的分量,在地球的大气圈 - 水圈 - 生物圈中发挥着极其重要的作用,我们人类必须了解它[3]; 其次,由水分变成水汽需要吸收能量,因而它也是地表能量平衡的主要分量,而地表热量和水分收支状况在很大程度上决定着天气、气候的变化,所以在对全球气候变化的认识和研究中,蒸散发信息的重要性也日益得到重视[3 -5]; 另外,在全球水资源日益匮乏的现实背景下,为了合理利用和分配水资源,更需深入了解不同植被覆盖和土地利用条件下的蒸散发耗水规律,在干旱区尤为如此.因此,作为干旱区流域最主要的耗水方式,准确合理地估算蒸散发量,深入分析其时空分布特征,对了解干旱区流域水分循环和能量平衡,科学管理水资源,具有重要的理论价值和迫切的现实意义.

　　传统的蒸散发量估算方法如 Penman - Monteith 模型、Penman - 组合模型和基于太阳辐射的日蒸散发模型等,主要利用气象数据,估算点尺度上的蒸散发量,局限于离散的点观测与估算,存在插值外延精度低、大范围高密度观测成本大等缺陷[6],而遥感技术提供了面尺度上估算方法.随着遥感空间分辨率、时间分辨率和光谱分辨率的不断改善,利用遥感技术定量反演地表参数和地表通量,进而基于地表能量平衡方程推算陆面蒸散发量已经成为估算区/流域蒸散发量的重要发展方向[7].

　　文中基于双层阻抗模型,以典型干旱区流域 - 玛纳斯河流域为研究对象,采用理论基础坚实、区域应用限制小、反演陆面蒸散发量较为合理准确的双层阻抗模型,并根据研究区实际情况进行了模型参数化的基础上,结合 MOIDS 数据、气象观测数据和 DEM 数据,估算了该流域的陆面蒸散量,并分析了其时空分布特征.

　　1 材料与研究方法

　　1. 1 研究区概况

　　玛纳斯河流域位于新疆天山北麓中段,准噶尔盆地南缘,地理坐标 85°01' ~86°32'E,43°27' ~45°21'N,东西最长 198. 7km,南北最宽 260. 8km,海拔最高 5242. 5m,最低 256m,由南向北依次分为南部山地丘陵区、中部绿洲平原区和北部沙漠区 3 大地貌类型区,流域总面积 2. 67 ×10^4km²[8].流域远离海洋,属典型的大陆性干旱气候,年平均气温在 6. 0 ~6. 9 ℃之间,夏季极端最高气温可达 43. 1 ℃,冬季极端最低气温可达 -42. 8℃左右[9].年降水量 110 ~200mm,年蒸发量 1500 ~2000mm,具有气候干燥,光照充足,热量丰富,雨量稀少,蒸发量大,气温日较差大等大陆性气候特点[10,11].

　　1. 2 数据来源

　　文中研究主要采用了两类数据: MODIS 遥感数据和地面实测数据.

　　1. 2. 1 MODIS 遥感数据

　　文中研究采用了 2007 年 7 月 3 日的可用来监测地球植被季节变化和年际变化的 MODIS 反射率数据( 图 1) ,空间分辨率为 500m.该数据从地球观测系统( EOS) 计划的 NASA 网站上下载,已进行了辐射和大气校正,其特点是在已有数据的基础上进行了一些改进,如去除了部分影响较大的噪音点.

　　1. 2. 2 地面实测数据

　　为了深入分析遥感反演结果,与遥感数据相对应,文中获取了该流域 2007 年 7 月 3 日炮台、钟家庄和乌兰乌苏气象站( 图 2) 的实测数据.

　　

　　1. 3 研究方法

　　1. 3. 1 双层阻抗模型

　　所谓的双层就是把非均匀陆面的植被冠层和土壤表面分别看作独立的通量源,作为上下两个层,分别考虑他们的动量吸收、能量和物质转化传输过程以及两者的相互作用.双层阻抗模型将充分考虑到冠层小气候对土壤和植被的不同影响,从而分别针对土壤表面和植被冠层进行模型的参数确定.对于陆地地表来说,地表能量平衡方程可简化为[12,13]: LE = Rn- H - G     ( 1)
    式中: LE 为潜热通量( L 为蒸散系数,通常取 2. 49 ×10^6W / ( m²·mm) ; E 为蒸散发量,单位 mm) ,Rn为地表净辐射,H 为显热通量,G 为土壤热通量.各参数的单位均为 W/m².

　　由式( 1) 及梯度扩散理论,植被冠层和土壤表面的能量平衡方程可分别表示为:

　　LEv= Rnv- Hv    ( 2).

　　LEg= Rng- Hg- G     ( 3)

    式中: LEv为植被冠层的潜热通量,LEg为土壤表面的潜热通量,Rnv为植被冠层截获的净辐射,Rng为透过植被冠层孔隙到达下层土壤表面的净辐射,Hv为植被冠层的显热通量,Hg为土壤表面的显热通量.各参数的单位均为 W/m².

　　因而,对蒸散发量的估算就演变成对 Rnv、Rng、Hv、Hg、G 的估算.

　　( 1) 植被冠层和土壤表面的净辐射( Rnv、Rng)
Rnv和 Rng可以利用植被覆盖率来估算他们的构成比例,具体可分别用公式( 4) 和( 5) 来估算:

　　Rnv= fv·Rn    ( 4)
    Rng= ( 1 - fv) ·Rn    ( 5)

    式中: fv为像元上植被所覆盖的比例,即植被覆盖率.一般情况下,植被指数与植被覆盖度具有较强的正相关性,植被指数值越高,其植被覆盖度就越大[14],据 Gutman 研究表明 fv可由公式( 6) 计算得到[15]:

　　fv= ( NDVI - NDVImin) /( NDVImax- NDVImin)     ( 6)

    式中: NDVI 为归一化差异植被指数,NDVImax和 NDVImin分别为整个生长季 NDVI 的最大和最小值.

　　( 2) 土壤热通量( G)

    G 可以采用公式( 7) 给出综合法进行计算: G = Rn·( kv+ ( 1 - fv) ·( ks- kv) )     ( 7)

    通常式中: ks= 0. 315、kv= 0. 05.

　　( 3) 显热通量( H,Hv、Hg)

    整个植被冠层与参考高度处空气的显热通量 H,可以湍流形式表示为[16]:

　　H = ρCp( Te- T) / ra    ( 8)     H = Hv+ Hs    ( 9)

    显然,植被冠层与空气的显热通量( Hv) 和土壤表面与植被冠层的显热通量( Hg) 分别表示为:

　　Hv= ρCp( Tv- Te) /rv    ( 10)     Hg= ρCp( Tg- Te) /rg( 11)

    式中: ρ 为空气密度,kg/m3; Cp为空气定压比热,J/( kg·K) ; Ta为参考高度处的气温,Tg为土壤表面温度,Tv为植被冠层温度,Te为冠层有效高度处的空气动力学温度,单位均为 K; ra为空气动力学阻抗,rv为整个植被冠层的叶面边界层阻抗,rg为土壤表面与热源高度间的空气动力学阻抗,单位均为 s/m.

　　将式( 10) 、( 11) 代入式( 9) 并与式( 8) 联立可得到式( 12) ,再将式( 12) 代入式( 10) 、( 11) ,则得到式( 13) 、( 14) :

　　

　　1. 3. 2 日蒸散发模型

　　遥感获取的是卫星过境时地表瞬时影像信息,由此反演得到的地表参数只代表那个瞬时的值,因而估算得到的辐射量、热通量以及蒸散发量也只代表那个瞬时的状况.而实际应用中需要的至少是日蒸散发量,因此,就必须对其进行时间尺度扩展,从瞬时值推算一天的累计值.相关研究表明,日蒸散发量与瞬时蒸散发量存在如下关系[17 -19].

　　

　　式中: Ed为日蒸散发量,Ei为卫星过境时的瞬时蒸散发量,单位 mm; t 为从日出到 i 时刻的时间间隔;NE为日出到日落的时间长度,可近似为日照时数减 2[12].

　　2 结果与分析

　　2. 1 瞬时蒸散发量

　　应用上述双层阻抗模型,利用 2007 年 7 月3 日的 MODIS 数据,在 ENVI + IDL 4. 5 软件环境下,通过编制程序,反演得到了 2007 年 7 月 3 日卫星过境时的瞬时蒸散发量及其空间分布( 图 3) .

　　从图 3 可以看出玛纳斯河流域的瞬时蒸散发量表现出明显的地理分布规律,从南到北依次可分为 4个区: 南部高山区、低山丘陵区、平原绿洲区、平原沙漠区.南部高山区瞬时蒸散发量最低,沙漠区瞬时蒸散发量最大.

　　2. 2 日蒸散发量

　　应用上述日蒸散发模型,对反演得到的瞬时蒸散发量进行时间尺度扩展,得到 2007 年 7 月 3 日的日蒸散发量及其空间分布( 图 4) .

　　

　　从图 4 可以看出,南部高山区海拔高,终年积雪,气温低,蒸散发量很小; 中山区植被覆盖度高,气温低、蒸散发量也很小; 低山丘陵区海拔较低,气温较高、植被稀疏,蒸发强烈,蒸散发量较大; 绿洲平原区气温高、但由于植被( 农田) 覆盖率很高,蒸散发量较低山丘陵区小; 沙漠区植被稀疏、气温很高、蒸发强烈,因而蒸散发量最大.

　　2. 3 地面实测验证

　　为了验证遥感反演结果,文中选取炮台、钟家庄和乌兰乌苏三个气象站 2007 年 7 月 3 日的实测数据与遥感反演结果进行对比分析,分析对比结果( 表 1) .

　　

　　从对比分析结果可以看出,炮台站和钟家庄站利用 MODIS 数据反演的蒸散发量与实测值相对误差最大不超过 6. 0%,可以认为利用 MODIS 数据反演的蒸散发量是合理的,而且精度较高.而乌兰乌苏站利用 MODIS 数据反演的蒸散发量与实测值相比误差很大,相对误差达到了 31. 48%,因此是不合理的,其主要原因是乌兰乌苏气象站附近当天下午有雨,实测降雨量为 4. 8mm,由于遥感数据是卫星过境瞬时( 上午10 时 30 分) 的数据,当时天气晴朗,而进行时间尺度扩展时以此数据为基准,没有考虑一天内天气的变化对蒸散量的影响.因此,将瞬时遥感蒸散发量进行时间尺度的扩展时,应该考虑当天天气的变化情况.

　　3 讨论

　　( 1) 基于双层阻抗模型,利用 MODIS 数据可以有效及时地估算时段内流域比较准确的蒸散量及其分布情况,其所具有的计算迅捷、准确、无成本等优势使其具有了很好的推广价值.但是在实际应用中还存在一些问题,如模型在地形陡峭的山区中应用尚不成熟,模型采用的大量经验公式还需用实测资料来加以率定以及最终计算结果往往还需根据实际情况进行人工的修正等等,这些不足之处还都有待于在今后的工作中予以改进.

　　( 2) 研究发现一天内天气的变化对蒸散发量的影响较大,而模型在进行时间尺度扩展时没有考虑当天天气的变化情况,目前这方面的研究还比较薄弱,因此,今后应该加强这方面的研究.

　　( 3) 文中主要利用了 MODIS 遥感数据.MODIS 数据时间分辨率高,有利于捕捉地面快速动态变化信息,适合估算时间变异性大的蒸散发量.但是 MODIS 数据空间分辨率不足,这将影响估算的精度,因此,在今后的研究中,应该将 MODIS 数据与其他遥感数据相结合,充分利用其他数据的高空间和光谱分辨率,达到优势互补,从而实现对蒸散发量的有效估算.

　　4 结论

　　( 1) 基于双层阻抗模型,利用 MODIS 数据,得到了玛纳斯河流域的蒸散发量及空间分布情况.研究区瞬时蒸散量的最小值为 0. 2035mm,最大值为 2. 3981mm,日蒸散量的最小值为 2. 2062mm/d,最大值为25. 9978mm / d,平均值为 10. 0057mm / d.

　　( 2) 在空间上,中高山区和绿洲平原区,由于植被覆盖度高,以植被蒸腾为主,蒸散发量小; 而低山丘陵区和沙漠区,由于植被稀疏,以土壤蒸发为主,蒸发强烈,蒸散发量大.因而,在干旱区流域植被覆盖对下垫面的蒸散发量的影响很大,有无植被覆盖的下垫面蒸散发量很不相同[20].

　　参考文献

　　[1]Rosenberg N J,Blad B L,Verma S B. Microclimate: the biological environment of Plants[M]. New York: Wiley - Interscience,1983.

　　[2]郭晓寅,程国栋. 遥感技术应用于地表面蒸散发的研究进展[J]. 地球科学进展,2004,19( 1) : 107 -114.

　　[3]辛晓洲. 用定量遥感方法计算地表蒸散[D]. 北京: 中国科学院研究生院( 遥感应用研究所) 地图学与地理信息系统,2003.

　　[4]Sellers P J,Bounoua L,Collatz G J,et al. Comparison of radiative and physiological effects of doubled atmospheric CO2 on climate[J]. Science,1996,271( 5254) : 1402 - 1406.

　　[5]Sellers P J,Randall D A,Collatz G J,et al. A revised land surface parameterization ( SiB2) for atmospheric GCMs. Part I: Model formulation[J]. Journal of Climate,1996,9( 4) : 676 -705.

　　[6]邓世赞,张友静,张子衡,等. 基于 IDL 的 MODIS 影像地表蒸散发参数反演系统[J]. 河海大学学报( 自然科学版) ,2010,38( 4) : 447- 451.

　　[7]李发鹏,徐宗学,李景玉. 基于 MODIS 数据的黄河三角洲区域蒸散发量时空分布特征[J]. 农业工程学报,2009,25( 2) : 113 -120.

　　[8]赵宝峰. 干旱区水资源特征及其合理开发模式研究 - 以玛纳斯河流域为例[D]. 西安: 长安大学,2010.

　　[9]凌红波,徐海量,张青青,等. 1956 -2007 年新疆玛纳斯河流域气候变化趋势分析[J]. 冰川冻土,2011,33( 1) : 64 -71.

　　[10]封玲. 玛纳斯河流域农业开发与生态环境变迁研究[D]. 南京: 南京农业大学,2005.

　　[11]禹朴家,张青青,樊自立,等. 玛纳斯河流域生态补偿机制探析[J]. 水土保持通报,2010,30( 5) : 191 -195.

　　[12]陈云浩,李晓兵,李京,等. 陆面日蒸发散量计算的两层阻抗遥感模型[J]. 武汉大学学报( 信息科学版) ,2005,30( 12) : 1075 -1079.

　　[13]乔平林,张继贤,王翠华. 石羊河流域蒸散发遥感反演方法[J]. 干旱区资源与环境,2007,21( 4) : 107 -110.

　　[14]段英杰,何政伟,王永前,等. 基于遥感数据的西藏自治区土地沙漠化监测分析研究[J]. 干旱区资源与环境,2014,28( 1) : 55 -61.

　　[15]Gutman G,Ignatov A. The Derivation of the Green Vegetation Fraction from NOAA/AVHRR Data for Use in Numerical Weather Prediction Mod-els[J]. International Journal of Remote Sensing,1998( 19) : 1533 - 1543.

　　[16]Spittlehouse L D,Black A T. Evaluation of the Bowen Ratio/energy Balance Method for Determining forest Evapotranspiration[J]. Atmosphere -Ocean,1980( 18) : 98 - 116.

　　[17]D J R. Evaluating Evapotranspiration at Local and Regional Scales[M]. USA: Proceedings of The I. E. E. E. ,1985.

　　[18]谢贤群. 遥感瞬时作物表面温度估算农田全日蒸发散总量[J]. 环境遥感,1991,6( 4) : 253 -259.

　　[19]Zhang L,Lemeur R,Goutorbe J P. A one - layer resistance model for estimating regional evapotranspiration using remote sensing data[J]. Agri-cultural and Forest Meteorology,1995,77( 3 - 4) : 241 - 261.

　　[20]Huo Aidi,Li Hua,Hou Ming,et al. Relations between surface evapotranspiration and water table: A case study base on remote sensing[J]. Afri-can Journal of Agricultural Research,2011,6( 32) : 6653 - 6660