摘要
目前，基于热遥感的蒸散（ET）模型只能计算卫星过境时的瞬时蒸散量。为了将瞬时蒸散量扩展到日尺度，选择了五种时间放大方法，即恒定蒸发分比法（ConEF）、校正的恒定蒸发比法（CorEF）、日蒸发比法（DiEF）、恒定太阳辐射比（SolRad）和恒定参考蒸发比法（ConETrF）。此外，还采用了五种时间重建方法，即数据同化（ET_EnKF 和 ET_SCE_UA）、地表阻力（ET_SR）、参考蒸散量（ET_ETrF）和时间序列谐波分析（ET_HANTS），以离散晴空日蒸散量值生成连续的日蒸散量。在生成晴空日蒸发量方面，SolRad 和 ConETrF 的估算结果最佳。相比之下，ConEF 通常低估了日蒸散发。不过，最佳方法是将 SolRad 和 ConETrF 结合起来，这样产生的均方根误差 (RMSE) 值最小。
方法
文章中提到的五种时间上尺度方法具体操作如下：
1. 恒定蒸发比法（ConEF）：
- 假设蒸发分数（EF，即潜热通量与可用能量的比值）在白天保持恒定。
- 利用公式 λETd = [EFi (Rn - G)d] 计算日ET，其中λ是蒸发潜热，ETd 是日ET，EFi 是卫星过境时的蒸发分数，(Rn - G)d是日可用能量。
2. 校正的恒定蒸发比法（CorEF）：
- 考虑到ConEF方法通常会导致日ET的5%-10%的低估，CorEF方法通过增加10%的ET来校正这一误差。
- 使用公式 λETd = [1.1×EFi (Rn - G)d]。
3. 日蒸发比法（DiEF）：
- 引入三个参数来校正ConEF方法的误差，包括瞬时与日间EF的差异（βEF）、日间平均与日平均可用能量的差异（βA）以及日间与日ET的差异（βLE）。
- 计算公式为 λETd = EFi (Rn - G)d × (βLE ×βA × βEF)。
4. 恒定太阳辐射比法（SolRad）：
- 假设潜热通量与太阳辐射的比值在日时间尺度上是恒定的。
- 使用公式λETd = ESi (Rs)d，其中ESi 是卫星过境时的潜热通量与太阳辐射的比率，Rs 是太阳辐射。
5. 恒定参考蒸发比法（ConETrF）：
- 假设ET与参考蒸发量（ETr）的比值在日时间尺度上是恒定的。
- 利用公式 ETrF = ET/ETr 和 (ETd = (ETrF)i (ETr)d 计算日ET，其中 ETrF 是ET与ETr的比率，ETr可以根据FAO-56文件计算得出。
这些方法通过不同的假设和计算方式，将卫星过境时获取的瞬时ET值转换为日ET值，以便于进行长期的水文循环和能量平衡研究。
讨论
在实际应用中，这些时间尺度方法的准确性受到多种因素的影响，每种方法都有其特定的假设和可能的误差来源。以下是文章中提到的五种时间上尺度方法的准确性评估和潜在误差来源：
1.恒定蒸发比法（ConEF）：
- 准确性：通常低估日ET，因为该方法假设EF在白天恒定，而实际上EF在一天中会有变化。
- 误差来源：未考虑EF的日变化，尤其是在早晨和下午晚些时候EF可能更高。
2. 校正的恒定蒸发比法（CorEF）：
- 准确性：通过在ConEF的基础上增加10%的ET来校正低估问题，但仍然可能存在误差。
- 误差来源：虽然校正了一部分低估，但对夜间ET的忽略可能导致日ET的系统性偏差。
3. 日蒸发比法（DiEF）：
- 准确性：考虑了EF的日变化和夜间ET，提供了更准确的日ET估计。
- 误差来源：依赖于瞬时ET观测和三个校正因子的准确性，如果这些因子的估计不准确，会影响最终结果。
4. 恒定太阳辐射比法（SolRad）：
- 准确性：在晴朗天气下表现良好，特别是在植被休眠季节。
- 误差来源：假设了潜热通量与太阳辐射之间的恒定比率，可能忽略了其他影响ET的因素，如土壤湿度和植被状况。
5. 恒定参考蒸发分数法（ConETrF）：
- 准确性：在植被生长期表现最佳，因为参考ET（ETr）能够反映一天中温度、风速和湿度的变化。
- 误差来源：如果参考ET的计算不准确或未能反映实际的气象条件变化，将影响最终的ET估算。
文章还指出，结合SolRad和ConETrF的方法可以产生最低的均方根误差（RMSE），表明结合使用这两种方法可以在不同季节和不同土地覆盖类型下提供更准确的日ET估算。然而，所有这些方法都没有使用土壤湿度或降水数据，而这些数据的突然变化可能会影响ET的分布和估算的准确性。因此，在未来的研究中，将土壤湿度和降水观测纳入ET时间重建方法可能有助于减少误差。
文章中提到的五种时间尺度方法各自具有不同的优势和局限性，具体如下：
1. 常数蒸发分数法（ConEF）：
- 优势：方法简单，易于实施，只需要在卫星过境时的瞬时ET数据和日可用能量。
- 局限性：低估日ET，因为假设EF在白天恒定，而实际上EF会随时间和环境条件变化。
2. 校正的常数蒸发分数法（CorEF）：
- 优势：对ConEF方法进行了改进，通过增加10%的ET来校正日ET的系统性低估。
- 局限性：尽管进行了校正，但仍然可能存在偏差，特别是在夜间ET未被考虑的情况下。
3. 日蒸发分数法（DiEF）：
- 优势：考虑了EF的日变化，通过引入三个参数来校正不同时间段的ET，提高了估算的准确性。
- 局限性：需要额外的参数来校正，这可能需要更复杂的计算和更多的输入数据。
4. 恒定太阳辐射比率法（SolRad）：
- 优势：假设潜热通量与太阳辐射的比值在日时间尺度上恒定，这种方法在晴朗天气下表现良好，尤其是在植被休眠季节。
- 局限性：可能忽略了除太阳辐射外其他影响ET的因素，如土壤湿度、植被状况和气象条件的变化。
5. 恒定参考蒸发分数法（ConETrF）：
- 优势：使用参考ET（ETr）来估算日ET，能够更好地反映一天中温度、风速和湿度的变化，尤其在植被生长期表现更佳。
- 局限性：依赖于准确的ETr计算，如果ETr的估算不准确，将直接影响ET的估算结果。
图1 五种时间重建方法得出的每月蒸散发变化
总的来说，每种方法都有其适用的场景和限制。例如，ConEF和CorEF方法计算简单，但可能在EF变化较大的条件下不够准确；DiEF方法考虑了EF的日变化，但需要更多的输入数据；SolRad方法在晴朗天气下表现良好，但在多云或阴天条件下可能不够准确；ConETrF方法在考虑了更多气象因素的情况下，提供了更稳定的估算，但需要准确的ETr数据。实际应用中，选择哪种方法取决于可用数据、所需精度和具体研究目标。
延申
除了文章中提到的五种时间尺度方法外，还有一些其他的方法可以用于从瞬时测量估算日蒸发量。以下是一些常见的方法：
1. 温度-植被指数（Ts-VI）三角法：
- 这种方法使用地表温度（Ts）和植被指数（如NDVI）之间的关系来估算ET。
2. 双源模型（Two-Source Model）：
- 该模型将植被和土壤视为两个独立的蒸发源，并分别计算它们对总ET的贡献。
3. 基于物理的模型（Physics-Based Models）：
- 这些模型基于能量平衡和物质传输的原理，通过模拟植被和土壤的物理过程来估算ET。
4. 经验模型（Empirical Models）：
- 这些模型基于观测数据建立的统计关系，通常涉及气象变量、植被指数和土壤湿度等参数。
5. 数据同化（Data Assimilation）：
- 使用数学和统计技术，结合观测数据和模型预测，以改进ET的估算。
6. 谐波分析（Harmonic Analysis）：
- 除了HANTS方法外，其他谐波分析技术也可以用于从时间序列数据中提取周期性模式，以估算ET。
7. 机器学习方法（Machine Learning Approaches）：
- 利用机器学习算法，如随机森林、梯度提升机或神经网络，基于大量输入变量和观测数据来预测ET。
8. 基于水文模型的方法（Hydrological Model-Based Approaches）：
- 结合水文模型来估算流域或区域尺度上的ET，这些模型可以模拟水分在土壤-植被-大气连续体中的运动。
9. 基于通量塔的方法（Flux Tower-Based Approaches）：
- 利用通量塔观测的连续ET数据，通过统计分析和模型转换，将瞬时ET转换为日或月尺度的ET。
10. 遥感数据融合方法（Remote Sensing Data Fusion）：
- 结合不同传感器和不同时间分辨率的遥感数据，以提高ET估算的连续性和准确性。
每种方法都有其特定的应用场景和局限性，选择哪种方法取决于可用数据的类型、空间和时间分辨率、所需精度以及研究的具体目标。在实际应用中，可能需要根据具体情况选择合适的方法或结合多种方法来提高估算的准确性。
声明：本推送内容仅代表本人对文章的理解，不是对原文的翻译，由于本人水平实在极其有限，难免出现错误，欢迎各位老师、同学批评指正。
