【论文精选】111：地中海半干旱地区传统灌溉区蒸散量估算：四种遥感模型的比较

01

摘  要

目的：测试在高阿特拉斯山脉(摩洛哥)山前的半干旱区，用于估计传统灌溉农业异质景观ETa的不同方法的性能。

方法：在2017年和2018年季节，在位于摩洛哥高阿特拉斯山山前的一个异质性和复杂的传统灌区，对高分辨率遥感数据驱动的四个模型进行了对比和评估，利用EC系统和LAS测量的实际蒸散量(ETa)来评估这四个模型。使用一个EC校准SAMIR和SPARSE (EC1)，使用第二个EC (EC2)进行验证。

四个模型：

(1)卫星灌溉监测(SAMIR)是基于FAO-56双作物系数水平衡模型的软件，采用Sentinel-2高分辨率归一化差异植被指数(NDVI)反演基础作物系数(Kcb);

(2)土壤植物大气和遥感蒸散发(SPARSE)，该模型是一个地表能量平衡模型，由Landsat 7和8提供的热数据提供地表温度(LST);

(3)改进的Shuttleworth-Wallace (SW)模型，该模型使用LST来计算地表阻力;

(4)METRIC- GEE是METRIC模型的一个版本(“用内化校准以高分辨率绘制蒸散量”)，该模型在谷歌地球引擎(GEE)平台上运行，也由LST驱动。

结果：四个模型较好地预测了连续两个生长季节(2017年和2018年)ETa的季节走向, 但不同季节、水分胁迫条件和植被发育程度的差异较大。将模拟结果与实测ETa的统计结果进行比较，发现SAMIR和METRIC-GEE的散射较小，与LAS的测量结果吻合较好。另一方面，与SW相比，SPARSE较少分散，而SW与观测值的相关性略好。

本研究有助于探讨这些方法之间的互补性，以改进高分辨率遥感数据监测的蒸散发制图。

03

结  果

本节介绍了四种模型对ETa的估计。这里只展示了SAMIR和SPARSE的校准和验证。然后，对四种模型的估计进行了评估，并与LAS和EC测量结果进行了比较，并讨论了误差和有效性域。

3.1. SAMIR校准

利用2017年和2018年两个季节在EC1上测量的潜热通量，通过最小化测量ET与模型ET之间计算的均方根误差(RMSE)，对树木类的SAMIR模型进行校准。主要校准参数列于表2。

Ks值表示植被发育过程中无胁迫状态(Ks = 1)，夏末和秋季出现胁迫，是由于河流缺水导致灌溉不足造成的。SAMIR ETa模拟结果与观测值吻合良好，RMSE、偏差和R分别约为0.50 mm/day、-0.11 mm/day和0.87(图5)。模拟值很好地再现了季节周期。

3.2. SAMIR验证

利用EC2和LAS提供的测量数据对模拟的SAMIR ETa值进行了验证。2017年和2018年SAMIR日ETa与EC2测量的ETa之间的比较表明，RMSE、偏差和R约为0.53 mm/天、−0.12 mm/天和0.82(图6)，非常接近EC1校准阶段获得的值。在2017年，SAMIR高估了7月至11月干旱期间的Eta，2018年夏季ETa没有被高估。

2017年和2018年SAMIR日ETa与LAS测量值的对比如图7所示。平均而言，在模拟和测量之间注意到良好的一致性。然而，在2017年1月至6月期间，SAMIR低估了ETa。

3.3. SPARSE校准

对于SAMIR，通过最小化模拟与观测LE之间的RMSE，在EC1站上对稀疏模型进行校准。校准了五个对模拟ETa有显著影响的SPARSE参数。1、设置为260 s/m的最小气孔阻力(rst_min)；2、叶宽(w)设置为0.03 m；3、土壤净辐射与热土壤通量的比值(ξ值)设为0.13；4、用LAI计算分数覆盖的方程中的消光系数(k)，设置为0.6；5、气动阻力(nSW)中的经验系数设置为2.5。校准结果显示，RMSE和R分别约为81.3 W/m2和0.58(图8)。

3.4. SPARSE验证

在EC1上获得的参数在EC2上进行了局部验证，并使用LAS测量值进行了空间验证, 图9和图10显示对EC2的净辐射值进行了稀疏估计，RMSE约为69.8 W/m2，然而，与两个站点的测量结果相比，它们显示出了低估，这是预期的，因为Landsat LST高估了地表温度。这与在校准阶段观察到的相同偏差一致。

该模型提供了较好的LE对EC2和LAS的估计，RMSE分别约为52.7 W/m²和78.8 W/m²。LE的差异可能与直接传递给LE的H和AE (Rn−G)的不确定性有关。

3.5. 模型的验证与比较

图11和图12分别是四种模型ETa估值与EC2和LAS测量值的散点图。这四种模型都低估了LAS的测量值。SPARSE和SW更分散。

用LAS和四种模型得到的日ETa值的时间序列如图13所示。总体而言，LAS和四种模型ETa表现出相似的季节动态。随着1月生长季节的开始而增加，4 - 5月生长高峰时达到最大值，随后下降至12月。

SPARSE低估了ETa值，这可能是由于已经观察到的表明模型应力条件的Landsat LST的高估(图2)。关于SAMIR，估计的ETa值被高估了。模型的RMSE和R表明，SAMIR和METRIC-GEE的散射最小，与测量值的相关性最大。另一方面，SPARSE的偏倚和离散度比SW小，而SW的相关性更好。

显示了四个模型的三个日期的ETa图像，以说明对比条件(图14)。通过LAS测量的偏差来评估每张图像的准确性(图15)。对于2017年1月16日，提供最佳估计的模型是SPARSE；与LAS相比，SPARSE的偏差较小；METRIC-GEE低估了最大的Eta。对于2017年8月20日的夏季，SW和SAMIR模式提供了最好的结果，METRIC-GEE显示出较高的偏差。2018年4月1日，在一年生发育阶段和无胁迫条件下，SAMIR模型与LAS观测值接近，而SW严重低估。

总体而言，四种方法预测ETa的准确性是可以接受的，尽管在特定条件下观察到一些差异，但不同时取决于模型。三个能量平衡模型，SPARSE, SW和METRIC-GEE的误差似乎不相关，这导致了一个测试计算其平均值的潜在好处的逻辑假设。如图16所示，该平均ETa值与测量值之间的相关系数比SPARSE、SW和METRIC-GEE分别提高了36%、29%和3%。然而，这一平均值被低估了，偏差约为−0.63 mm/天，这是预期的，因为三个模型的估计被低估了。

与热方法相比，SAMIR提供了一个很好的ETa，但它有一个主要缺点，即缺乏对土壤水分条件的控制。模型的优缺点各不相同，每种模型在特定条件下都可能适用(表3)。主要的限制是每次环境条件不同时都需要用户校准，METRIC-GEE除外，因为它是自动实现的（METRIC-GEE显示出与LAS测量结果的良好一致性，可以免费获得，并且不需要深入的技术知识）。此外，模型输入的可用性是选择模型的最重要因素，特别是在传统的复杂领域。