基于數據融合算法的灌區蒸散發空間降尺度研究

白亮亮 蔡甲冰,2 劉 鈺,2 陳 鶴,2 張寶忠,2 黃凌旭,2

(1.中國水利水電科學研究院流域水循環模擬與調控國家重點實驗室， 北京 100038；2.國家節水灌溉北京工程技術研究中心， 北京 100048)

基于數據融合算法的灌區蒸散發空間降尺度研究

白亮亮1蔡甲冰1,2劉 鈺1,2陳 鶴1,2張寶忠1,2黃凌旭1,2

(1.中國水利水電科學研究院流域水循環模擬與調控國家重點實驗室， 北京 100038；2.國家節水灌溉北京工程技術研究中心， 北京 100048)

采用Landsat和MODIS數據，通過增強自適應融合算法(Enhanced spatial and temporal adaptive reflectance fusion model，ESTARFM)對蒸散發進行空間降尺度，構建田塊尺度蒸散發數據集；利用2015年田間水量平衡方法計算的蒸散發數據對融合結果進行評價。在融合蒸散發基礎上，結合解放閘灌域2000—2015年間種植結構信息，提取不同作物各自生育期和非生育期內年際蒸散發量，并分析了大型灌區節水改造以來，作物蒸散發占比的年際變化。研究結果表明：融合蒸散發與水量平衡蒸散發變化過程較吻合，小麥耗水峰值出現在6月中下旬—7月初，玉米和向日葵峰值出現在7月份。在相關性分析中，玉米、小麥和向日葵的決定系數R2分別達到了0.85、0.79和0.82；生育期內玉米(5—10月份)、小麥(4—7月份)和向日葵(6—10月份)的均方根誤差均不高于0.70 mm/d；平均絕對誤差均不高于0.75 mm/d；相對誤差均不高于16%。在農田蒸散發總量驗證中，融合蒸散發與水量平衡蒸散發相關性較好，兩者決定系數達到了0.64。基于ESTARFM融合算法生成的高分辨率蒸散發(ET)結果可靠，具有較好的融合精度。融合結果與Landsat 蒸散發的空間分布和差異性一致，7月23日、8月24日和9月1日相關系數分別達到0.85、0.81和0.77；差值均值分別為0.24 mm、0.19 mm和0.22 mm；標準偏差分別為0.81 mm、0.72 mm和0.61 mm。ESTARFM融合算法在農田蒸散發空間降尺度得到較好的應用，可有效區分不同作物蒸散發之間的差異。不同作物在生育期和非生育期內耗水量差別較大；生育期內套種(4—10月份)耗水量最大，達到637 mm，玉米(5—10月份)和向日葵(6—10月份)次之，分別為598 mm和502 mm，小麥(4—7月份)最低為412 mm；非生育期內，小麥(8—10月份)耗水量最大，年均達到214 mm，玉米(4月份)和向日葵(4—5月份)分別為42 mm和128 mm。不同作物多年平均耗水量(4—10月份)差異較小，其年際耗水總量主要隨作物種植面積的變化而變化。

遙感； 數據融合； 蒸散發； 地表能量平衡模型； 增強時空自適應融合算法； 河套灌區

引言

詳細的農田蒸散發時空信息是研究農業水文循環、農業灌溉用水管理的重要依據[1-2]，尤其在種植結構比較復雜和破碎的灌區。遙感技術的發展為區域蒸散發計算提供了一條有效途徑，為灌區用水效率定量評價奠定了基礎[3]。由于遙感技術的限制和昂貴的影像費用，同時兼顧高時間、高空間分辨率影像的獲取和應用受到限制[4]。如IRS、 SPOT、CBERS和Landsat系列衛星等，具有較高的空間分辨率，但由于較長的重訪周期以及云雨天氣等，限制了遙感數據在連續監測地表參數和地表通量方面的應用。高頻率重訪周期遙感衛星MODIS和AVHRR可以連續觀測地表參數的連續變化，但不能有效分辨復雜下墊面參數的變化。

數據融合可以有效地整合多源遙感數據，構建具有高時空分辨率影像。傳統的融合算法包括亮度-色調-飽和度變換[5]、主成分分析[6]以及小波變換[7]等，將全色波段與多光譜波段進行融合以獲得高分辨率多光譜圖像，但不能有效獲取由物候引起的地表反射率變化；GAO等[8]提出了時空自適應融合算法(STARFM)，該算法綜合考慮了距離權重、光譜權重和時間權重，有效融合了Landsat和MODIS數據。數據融合方法通常用來整合較低級的地表參數，這些參數隨時間的變化較緩慢，如歸一化差值植被指數(NDVI)等。而地表溫度(LST)隨時間變化較為劇烈，同時依賴于不同傳感器觀測角，很大程度上限制了數據融合的應用。因此，CAMMALLERI等[9-10]采用時空自適應融合算法(STARFM)直接融合MODIS 和 Landsat 蒸散發產品，實現了不同數據源高級產品的融合。但STARFM算法在缺少關鍵期影像時，不能有效捕捉物候劇烈變化信息。HIKER等[11]提出了一種時空自適應融合變化監測方法，該方法避免了短暫劇烈的地物變化問題；ROY等[12]采用一種半物理的數據融合方法，使用MODIS二性反射等地表數據產品和Landsat ETM+進行融合并預測對應日期或前后相鄰日期的數據。以上融合結果的優劣在一定程度上依賴于下墊面的復雜程度，如破碎下墊面條件。 ZHU等[4]提出了增強時空自適應融合算法(Enhanced spatial and temporal adaptive reflectance fusion model, ESTARFM)，在相似像元選取和時間權重計算上更加合理，并且可以有效捕捉地物劇烈變化特征，改善了復雜下墊面情況下地表特征參數融合精度。

為應對黃河流域水資源供需矛盾的現狀，黃河水利委員會對引黃灌溉水量實行統一調度，將河套灌區年引黃水量由52億m3逐步壓縮到40億m3，同時實施了大型灌區續建配套與節水改造工程建設。灌區引水量的減少[13]和節水改造工程的實施，使得作為灌區主要水量消耗的農業耗水以及區域水土環境必然會受到影響。本文采用地表能量平衡模型(Surface energy balance system, SEBS)[14]生成Landsat 空間尺度蒸散發數據，并結合MODIS日蒸散發數據，利用增強時空自適應融合算法(ESTARFM)實現蒸散發的空間降尺度，進而構建高時空分辨率蒸散發數據集；并通過田塊尺度根區水量平衡模型對蒸散發融合結果進行驗證和評價。同時根據研究區域多年種植結構空間信息，提取和分析不同作物生育期和非生育期年際耗水變化，將數據融合結果進行應用，以期為大型灌區節水改造實施效果評價、農業耗水變化以及灌區農田灌溉用水管理提供參考和依據。

1 材料與方法

1.1 研究區概況

以內蒙古自治區河套灌區解放閘灌域為對象開展研究(圖1)。解放閘灌域為河套灌區第2大灌域(106°43′～107°27′E、40°34′～41°14′N)，南鄰黃河，北依陰山[15]。地處干旱半干旱內陸地區，年平均氣溫9℃，海拔高度在1 030～1 046 m之間；年均降水量151 mm，蒸發量2 300 mm。總土地面積約2 345 km2，土壤類型為潮灌淤土和鹽化土，土壤質地為粉壤土；其中60%以上為耕地，種植結構較破碎，糧食作物以春玉米和春小麥為主，經濟作物以向日葵為主[16]。

圖1 解放閘灌域及田間試驗位置示意圖Fig.1 Locations of Jiefangzha irrigation district and field experiment

點試驗觀測區位于內蒙古河套灌區解放閘灌域沙壕渠光明二隊，儀器安裝和數據監測地如圖1所示，包括玉米、小麥和向日葵3種主栽作物。為保證像元為純像元，作物田塊尺寸均大于60 m×60 m。地下水水位變化通過田塊布設的觀測井每日監測；土壤含水率每日監測，詳見蔡甲冰等[17]相關研究；田間灌溉水量和降水量通過人工觀測記錄。

1.2 融合遙感影像及預處理

融合過程中所用空間分辨率為30 m的遙感影像，包括Landsat5 TM、Landsat7 ETM+和Landsat8 OLI/TIRS系列數據(http:∥glovis.usgs.gov)。根據遙感影像質量(晴空或少量云覆蓋)，分別選取數據較好的2000、2002、2005、2008、2010、2014、2015年影像作為研究時段，其年內跨度為主要作物生育期的4—10月份，具體數據見表1。影像經過輻射、大氣校正、條帶修復、鑲嵌和裁剪，并利用手持GPS采集的地面控制點統一進行幾何精校正，誤差控制在1/2個像元以內，處理后影像作為遙感蒸散發模型的輸入數據。空間分辨率為250 m的MODIS 日蒸散發數據來自YANG 等[18]的計算結果，產品通過MRT工具重投影到WGS84/UTM(北48區)坐標系統，空間分辨率重采樣到與Landsat系列蒸散發數據一致。

表1 融合過程可用Landsat系列影像

1.3 SEBS遙感蒸散發模型

SEBS模型是SU[14]在2002年提出的基于能量平衡原理的單層模型。SEBS模型主要包括以下幾部分：反照率和輻射率等地表物理參數反演；熱量粗糙長度計算；顯熱通量計算；潛熱通量計算。

能量平衡方程計算式為

Rn=H+λET+G0

(1)

式中Rn——凈輻射量G0——土壤熱通量H——顯熱通量λ——水的汽化潛熱

SEBS模型結合了BRUTSAERT[19]裸地條件下和CHOUDHURY等[20]完全植被覆蓋條件下kB-1計算公式，提出了基于部分植被覆蓋的混合像元條件下kB-1計算公式

(2)

對于絕大多數冠層和自然條件的情況，Ct的取值范圍是[0.005N，0.075N]，其中N代表植被葉片參與熱量交換的面數，取值為1或2。具體計算過程和參數詳見文獻[14]。

1.4ESTARFM數據融合

ESTARFM數據融合算法起初被用來對低級產品的降尺度，如地表反射率、NDVI等地表特征參數；本文將其應用到蒸散發空間降尺度，以期構建Landsat空間尺度蒸散發數據集。算法通過臨近相似像元的光譜信息來預測目標像元的特征值，根據就近原則，利用與預測時期前后相鄰2個時期的原有Landsat空間尺度和MODIS空間尺度蒸散發數據以及預測時期MODIS空間尺度蒸散發，共同生成預測時期的Landsat空間尺度蒸散發。最終預測時期蒸散發的計算式為

ET(xw/2,yw/2,tp)=TmETm(xw/2,yw/2,tp)+

TnETn(xw/2,yw/2,tp)

(3)

ETk(xw/2,yw/2,tp)=ETL(xw/2,yw/2,tk)+

(k=m,n)

(4)

其中

(5)

Di=(1-Ri)di

(6)

(7)

式中ET——最終預測時期的高分辨率蒸散發

tp——預測影像時期

ETm——Tm時期預測的高分辨率蒸散發

ETn——Tn時期預測的高分辨率蒸散發

ETL——Landsat蒸散發

ETM——MODIS蒸散發

ETk——Tk時期預測的高分辨率蒸散發

(xw/2,yw/2)——中心像元位置

(xi,yi)——第i個相似像元位置

N′——相似像元的個數

Wi——綜合權重因子

Vi——轉換系數di——距離權重

Ri——光譜相似權重

w——相似像元搜索窗口，取12個MODIS像元(50個Landsat 像元)大小范圍

Tm、Tn時期的時間權重因子Tk表達式為

Tk=

(k=m,n)

(8)

具體計算過程參照文獻[4]。

1.5 地面點蒸散發數據

為評價ESTARFM融合算法在蒸散發數據中的應用，地面蒸散發數據采用文獻[21]中根區水量平衡模型得出，該模型同時考慮了地下水滲漏和補給量對蒸散發的影響。根區水量平衡表達式為

Wi=Wi-1-(Pi-ROi)-Ii-GRi+ETi+DPi

(9)

式中Wi——第i天根區土壤儲水量Wi-1——第i-1天根區土壤儲水量Pi——第i天降水量ROi——第i天地表徑流量Ii——第i天灌溉量GRi——第i天地下水補給量ETi——第i天土壤蒸散發量DPi——第i天根層滲漏量

地下水補給量GR和滲漏量DP計算公式分別為

GR=

(10)

DP=Wi-Wi+1(Wi>WFC,Wi=atb)

(11)

其中

(12)

(13)

(14)

(15)

式中CRmax——根區底部最大向上通量Dw——地下水埋深，mDwc——地下水臨界埋深ETp——作物潛在騰發量Wa——土壤實際儲水量b——衰減系數Wc——根層臨界儲水量Ws——根層穩定儲水量WFC——根層田間持水量根層實際土壤儲水量

a——土壤儲水分量，介于田間持水量和飽和含水率之間

t——灌溉、降水后儲水量大于田間儲水能力的天數

a1、a2、a3、a4、b1、b2、b3、b4參數值見表2。詳細計算過程見文獻[21]。

表2 地下水補給計算采用的參數

2 結果與分析

2.1 蒸散發融合結果驗證

2.1.1 點尺度驗證

圖3 不同作物水量平衡和融合蒸散發對比Fig.3 Comparison of evapotranspiration from water balance and data fusion

圖2為玉米、小麥和向日葵融合后的蒸散發與水量平衡蒸散發生育期內變化過程，兩者變化過程較吻合，其中小麥耗水峰值出現在6月中下旬—7月初，玉米和向日葵峰值出現在7月份。由圖3散點圖可以看出，不同作物生育期蒸散發與地面點數據散點分布于1∶1線兩側，玉米、小麥和向日葵的決定系數R2分別達到了0.85、0.79和0.82；生育期內，玉米(5—10月份)、小麥(4—7月份)和向日葵(6—10月份)融合和水量平衡計算的蒸散發的均方根誤差RMSE均不高于0.70 mm/d，平均絕對誤差MAD均不高于0.75 mm/d，相對誤差RE均不高于16%。基于ESTARFM融合算法生成的高分辨率ET結果可靠，在點尺度上具有較好的融合精度。

圖2 不同作物蒸散發變化過程的水量平衡和融合結果對比Fig.2 Comparison of evapotranspiration processes from water balance and data fusion

2.1.2 融合蒸散發總量驗證

對區域農田融合蒸散發總量的驗證采用YANG等[18]區域水量平衡計算方法，其中灌排數據和地下水數據來源于河套灌區解放閘灌域。圖4為兩者相關性分析結果，其散點均勻分布在1∶1線兩側，兩者決定系數R2達到了0.64，說明兩者一致性較好。

圖4 區域水量平衡蒸散發與融合蒸散發總量對比Fig.4 Comparison of total evapotranspiration from water balance and data fusion

2.1.3 融合結果與Landsat 蒸散發空間對比

通過ESTARFM算法分別對多年Landsat和MODIS 蒸散發(2000、2002、2005、2008、2010、2014、2015年)進行融合。受篇幅限制，文中選取2015年7月23日、8月24日和9月1日研究區域融合結果(400像元×400像元)進行評價和分析，原有Landsat 蒸散發和融合蒸散發影像見圖5。融合蒸散發所用影像按照時間就近原則，根據2015年研究區域過境Landsat和MODIS 影像質量和有無云覆蓋情況，7月23日融合結果由Landsat 6月5日、

8月24日蒸散發和MODIS 6月5日、7月23日、8月24日蒸散發5景影像共同預測生成；8月24日融合結果由Landsat 7月23日、9月1日蒸散發和MODIS 7月23日、8月24日和9月1日蒸散發共同預測生成；9月1日融合結果由Landsat 8月24日、9月25日蒸散發和MODIS 8月24日、9月1日和9月25日蒸散發共同預測生成。

從圖5可以看出，融合結果的空間差異性和分布與Landsat 蒸散發影像一致，在30 m尺度上能夠反映出空間差異，其中高灰度代表高蒸散發值，表明該區域植被覆蓋較密；低灰度代表低蒸散發值，表明該區域為裸地或稀疏植被覆蓋，如城鎮、鄉村等區域。同時可以看出，在地物交匯處的預測結果局部出現模糊現象，這是由于地物類型混雜，下墊面破碎程度高，導致融合結果質量下降。

圖5 Landsat 蒸散發與融合蒸散發影像Fig.5 Images of evapotranspiration from Landsat and fusion

圖6為融合結果與Landsat 蒸散發相關性，其散點分布在1∶1線附近，7月23日、8月24日和9月1日相關系數r分別達到0.85、0.81和0.77。由圖7知，7月23日蒸散發差值均值μ和標準偏差σ分別為0.24 mm和0.81 mm；8月24日蒸散發差值均值μ和標準偏差σ分別為0.19 mm和0.72 mm；9月1日蒸散發差值均值μ和標準偏差σ分為0.22 mm和0.61 mm。總體上看，融合結果良好。

2.2 融合蒸散發在農田耗水中的應用

2.2.1 基于融合的主要作物耗水量差異

研究區域種植結構的提取同樣采用融合方法對MODIS歸一化植被指數進行降尺度，根據植被參數時間序列的差異，獲取田塊尺度植被信息[22]。在此基礎上，對不同作物年際耗水量進行提取。為更好區別不同作物耗水量之間的差異，將整個研究時段按照不同作物生育階段分為生育期和非生育期。表3為不同作物生育期和非生育期年際耗水量變化，可以看出不同作物生育期和非生育期年均耗水量差別較大。生育期內套種(4—10月份)耗水量最大，達到637 mm，玉米(5—10月份)和向日葵(6—10月份)次之，分別為598 mm和502 mm，小麥(4—7月份)最低為412 mm。非生育期內，小麥(8—10月份)耗水量最大，年均達到214 mm，玉米(4月份)和向日葵(4—5月份)分別為42 mm和128 mm。但4—10月份作物多年平均耗水量差異較小。

圖6 Landsat 與融合蒸散發相關性Fig.6 Correlation of evapotranspiration from Landsat and fusion

圖7 Landsat 與融合蒸散發差值分布曲線Fig.7 Distribution curves of evapotranspiration difference from Landsat and fusion

Tab.3 Interannual variation of water consumption for different crops during growth and non-growth periods mm

年份生育期非生育期4—10月份小麥玉米向日葵套種小麥玉米向日葵套種小麥玉米向日葵套種2000427630527647219321290646662656647200240060849662322134116062164261262320054266045056402114013506376446406402008377541457576201431190578584576576201041362151964119727114061064863364120144076024956572366115506436636506572015431579512675212551250643634637675平均值412598502637214421280625640629637

2.2.2 基于融合的作物耗水總量變化

表4為不同作物4—10月份耗水量占比年際變化，其中玉米耗水量逐年上升，由2000年的6%(0.54億m3)上升到2015年的31%(2.79億m3)；向日葵耗水量由下降變為上升趨勢，由2000年的17%(1.53億m3)增至2015年的28%(2.58億m3)；近年來，套種模式耗水量急劇減少，由2000年的31%(2.86億m3)減少到2015年的3%(0.31億m3)；小麥耗水量占比較小，維持在10%以內；其他作物總耗水量有所減少，由2000年的41%(3.78億m3)減少到2015年的28%(2.59億m3)。根據多年作物種植面積[20]可知，作物耗水量年際變化主要由作物種植面積的改變引起。

2.3 討論

ESTARFM算法可有效對空間地表參數進行降尺度，但由于云雨天氣的影響，使得遙感影像序列并非等間隔(Landsat系列)或每日間隔(MODIS)，融合結果的質量不可避免地受到就近影像選擇的影響。在時間間隔較長時段內地物發生劇烈變化，如果影像并不能有效捕捉到地物變化特征，則融合結果將會偏離實際情況。

融合算法在窗口內搜索與中心像元相似的像元時，復雜下墊面情況和混合像元的存在使得在選取相似像元時不可避免出現誤判現象。如將地表類型進行分類后再融合，均勻下墊面條件下融合結果將會得到改善。

融合結果的優劣除依賴于算法本身參數外，與所融合的數據質量也有很大關系。相對于較低級別的地表特征數據，高級別的地表產品往往需要較多的參數，加大了數據本身質量控制的難易程度。高級產品數據的質量對融合的精度將產生直接的影響。

表4 不同作物耗水量年際變化

3 結論

(1)不同作物融合蒸散發與水量平衡蒸散發變化過程較吻合，玉米、小麥和向日葵決定系數R2分別達到了0.85、0.79和0.82；均方根誤差均不高于0.70 mm/d；相對誤差均不高于16%。在區域農田耗水總量驗證中，融合蒸散發與水量平衡蒸散發相一致，兩者決定系數達到了0.64。

(2)融合結果與Landsat 蒸散發在空間紋理信息和空間差異性上一致。7月23日、8月24日和9月1日相關系數分別達到0.85、0.81和0.77。差值均值分別為0.24 mm、0.19 mm和0.22 mm；標準偏差分別為0.81 mm、0.72 mm和0.61 mm，融合結果良好。

(3)ESTARFM融合算法在農田耗水空間降尺度得到較好的應用，可有效區分不同作物耗水量之間的差異。在各作物不同生育期和非生育期內，作物耗水量差異明顯，但由于4—10月份不同作物平均耗水量差異不大，其年際耗水總量主要隨不同作物種植面積的改變而變化。

1 GOWDA P H, CHAVEZ J L, COLAIZZI P D, et al. ET mapping for agricultural water management: present status and challenges [J]. Irrigation Science, 2008, 26(3): 223-237.

2 LEI H M, YAND D W. Interannual and seasonal variability in evapotranspiration and energy partitioning over an irrigated cropland in the North China Plain [J]. Agricultural and Forest Meteorology, 2010, 150(4): 581-589.

3 尚松浩，蔣磊，楊雨亭. 基于遙感的農業用水效率評價方法研究進展[J/OL]. 農業機械學報，2015，46(10)：81-92. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20151013&flag=1. DOI:10.6041/j.issn.1000-1298.2015.10.013. SHANG Songhao, Jiang Lei, YANG Yuting. Review of remote sensing-based assessment method for irrigation and crop water use efficiency[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(10):81-92. (in Chinese)

4 ZHU X L, CHEN J, GAO F, et al. An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions [J]．Remote Sensing of Environment, 2010, 114(11)：2610-2623．

5 CARPER W J, LILLES T M, KIEFER R W．The use of intensity-hue-saturation transformations for merging SPOT panchromatic and multispectral image data [J]．Photogrammetric Engineering and Remote Sensing, 1990, 56(4)：459-467．

6 SHETTIGARA V K. A generalized component substitution technique for spatial enhancement of multispectral images using a higher resolution data set [J]．Photogrammetric Engineering and Remote Sensing, 1992, 58(5)：561-567．

7 YOCKY D A．Multiresolution wavelet decomposition image merger of Landsat Thematic Mapper and SPOT panchromatic data [J]．Photogrammetric Engineering and Remote Sensing, 1996, 62(9)：1067-1074．

8 GAO F, MASEK J, SCHWALLER M, et al．On the blending of the Landsat and MODIS surface reflectance: predicting daily Landsat surface reflectance [J]．IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(8)：2207-2218．

9 CAMMALLERI C, ANDERSON M C, GAO F, et al. A data fusion approach for mapping daily evapotranspiration at field scale [J]. Water Resource Research, 2013, 49(1): 1-15.

10 CAMMALLERI C, ANDERSON M C, GAO F, et al. Mapping daily evapotranspiration at field scales over rainfed and irrigated agricultural areas using remote sensing data fusion [J]. Agricultural and Forest Meteorology, 2014, 186: 1-11.

11 HIKER T, WULDER M A, COOPS N C, et al．A new data fusion model for high spatial- and temporal-resolution mapping of forest based on Landsat and MODIS [J]. Remote Sensing of Environment, 2009, 113(8):1613-1627．

12 ROY D P, JU J, LEWIS P, et al．Muti-temporal MODIS-Landsat data fusion for relative radiometric normalization, gap filling, and prediction of Landsat data [J]. Remote Sensing of Environment, 2008, 112(6)：3112-3130．

13 屈忠義, 楊曉, 黃永江．內蒙古河套灌區節水工程改造效果分析與評估[J/OL]．農業機械學報, 2015, 46(4)：70-76．http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20150412&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2015.04.012. QU Zhongyi, YANG Xiao, HUANG Yongjiang．Analysis and assessment of water-saving project of Hetao irrigation district in Inner Mongolia [J/OL]．Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(4): 70-76. (in Chinese)

14 SU Z. The surface energy balance system (SEBS) for estimation of turbulent heat fluxes [J]. Hydrology and Earth System Sciences, 2002, 6(1): 85-99.

15 張娜，屈忠義，楊曉，等. 貝葉斯模型在土壤轉換函數中的應用與適應性評價[J/OL]. 農業機械學報，2014，45(2)：149-155. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20140225&flag=1. DOI:10.6041/j.issn.1000-1298.2014.02.025. ZHANG Na, QU Zhongyi, YANG Xiao, et al. Application and adaptability evaluation of Bayesian model in soil transfer functions [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(2): 149-155. (in Chinese)

16 茌偉偉．基于分布式水溫模型的灌區用水效率評價[D]．北京：中國水利水電科學研究院, 2013． CHI Weiwei．Water use performance for irrigation area based on distributed hydrological model [D]．Beijing: China Institute of Water Resource and Hydropower Research, 2013. (in Chinese)

17 蔡甲冰，劉鈺，白亮亮，等. 低功耗經濟型區域墑情實時監測系[J]. 農業工程學報，2015,31(20)：88-94. CAI Jiabing, LIU Yu, BAI Liangliang, et al. Low-cost and low-power dissipation system to monitor soil water status inreal time for areal irrigation management [J]. Transactions of the CSAE, 2015, 31(20): 88-94. (in Chinese)

18 YANG Y T, SHANG S H, JIANG L．Remote sensing temporal and spatial patterns of evapotranspiration and the responses to water management in a large irrigation district of North China [J]．Agricultural and Forest Meteorology, 2012, 164：112-122.

19 BRUTSAERT W. On a derivable formula for long-wave radiation from clear skies [J]. Water Resources Research, 1975, 11(5): 742-744.

20 CHOUDHURY B J, MONTEITH J L. A four-layers model for the heat budget of homogeneous land surfaces [J]. Quarterly Journal of the Royal Meteorological Society, 1988, 114(480): 373-398.

21 LIU Y, PEREIRA L S, FEMANDO R M. Fluxes through the bottom boundary of the root zone in silty soils: parametric approaches to estimate groundwater contribution and percolation [J]. Agricultural Water Management, 2006, 84(1-2): 27-40.

22 白亮亮，蔡甲冰，劉鈺，等. 灌區種植結構時空變化及其與地下水相關性分析[J/OL]. 農業機械學報，2015，47(9)：202-211. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160929&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2016.09.029. BAI Liangliang, CAI Jiabing, LIU Yu, et al. Temporal and spatial variation of crop planting structure and its correlation analysis with groundwater in large irrigation area [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(9): 202-211. (in Chinese)

Spatial Downscaling of Evapotranspiration in Large Irrigation Area Based on Data Fusion Algorithm

BAI Liangliang1CAI Jiabing1,2LIU Yu1,2CHEN He1,2ZHANG Baozhong1,2HUANG Lingxu1,2

(1.StateKeyLaboratoryofSimulationandRegulationofWaterCycleinRiverBasin,ChinaInstituteofWaterResourcesandHydropowerResearch,Beijing100038,China2.NationalCenterforEfficientIrrigationEngineeringandTechnologyResearch-Beijing,Beijing100048，China)

In order to construct the high spatial-temporal dataset of evapotranspiration (ET), the Landsat and MODIS data were used to achieve spatial downscaling ofETby using the enhanced spatial and temporal adaptive reflectance fusion model (ESTARFM). The result of data fusion was evaluated by fieldEToutput from root zone water balance model. According to crop planting structure information from 2000 to 2015 in the study area, the water consumption of different crops was exacted during their growth and non-growth periods. Based on the fusionET, the interannual variation of total agricultural water consumption was analyzed since the implement of water-saving project in large irrigation district. The result showed that the process of fusionETwas more consistent withEToutput from water balance. In the correlation analysis of water balance and fusionET, the determination coefficients (R2) of maize, wheat and sunflower reached 0.85, 0.79 and 0.82, respectively. During the growth period, the root mean square errors (RMSE) of maize (May to October), wheat (April to October) and sunflower (June to October) were lower than 0.70 mm/d, the mean absolute error (MAD) was all lower than 0.75 mm/d, and the relative error (RE) was all less than 16%. On the spatial scale, the spatial characteristics of fusion results were consistent with the LandsatET. The correlation coefficients of July 23, August 24 and September 1 reached 0.85, 0.81 and 0.77, the mean values of the differences were 0.24 mm, 0.19 mm and 0.22 mm, and the standard deviations were 0.81 mm, 0.72 mm and 0.61 mm, respectively. The high resolutionETbased on ESTARFM fusion algorithm was reliable and had good fusion precision. The water consumption of different crops varied greatly both in the growth period and non-growth period. During the growth period, the maximum water consumption was 637 mm for interplanting (April to October), followed by maize and sunflower, which were 598 mm (May to October) and 502 mm (June to October), respectively, the minimum water consumption of wheat was 412 mm (April to July). During the non-growth period, wheat (August to October) had the highest water consumption with an annual average of 214 mm, and those of maize (April) and sunflower (April to May) were 42 mm and 128 mm, respectively. Due to the difference of average annual water consumption of different crops was not significant during April to October, the variation of total water consumption for different crops was varied with the changes of crop acreage.

remote sensing; data fusion; evapotranspiration; surface energy balance model; enhanced spatial and temporal adaptive reflectance fusion model; Hetao irrigation district

10.6041/j.issn.1000-1298.2017.04.028

2017-01-07

2017-02-06

“十二五”國家科技支撐計劃項目(2012BAD08B01)、國家自然科學基金項目(51679254)和國家重點研發計劃項目(2016YFC0400101)

白亮亮(1986—)，男，博士生，主要從事農業遙感及灌溉管理研究，E-mail: bll306@126.com

蔡甲冰(1976—)，女，教授級高級工程師，博士，主要從事節水灌溉理論與技術研究，E-mail: caijb@iwhr.com

S127

A

1000-1298(2017)04-0215-09