基于時空融合技術的高精度遙感蒸散計算

戴肖杰, 范曉梅, 閔彤

(南京信息工程大學地理科學學院, 南京 210044)

蒸散作為水循環和氣候系統的中心過程,它不斷驅動著氣候系統,在地表能量平衡和水量平衡中具有舉足輕重的地位[1-2]。蒸散代表著生態系統功能、氣候、碳反饋及水循環之間的聯系,它在水量預測、干旱分析、氣候變化以及環境監測等方面發揮著不可替代的作用[3]。因此,精確量化蒸散的時空動態對于理解氣候變化和優化水資源管理具有相當重要的意義。

近幾十年,遙感技術的進步為區域蒸散的反演提供了新的可能,利用遙感反演蒸散已成為估算區域和全球蒸散最常用的手段[4]。目前,基于能量平衡原理的地表能量平衡系統(surface energy balance algorithm for land,SEBAL)[5]、SEBS(surface energy balance system)[6]等蒸散模型應用較為廣泛。SEBS模型除物理機理明確、計算簡單外,該模型還提出了參數化方案,能夠準確地計算熱量粗糙長度,比其他蒸散模型采用固定值更為精確,在中國北方和歐亞地區均有良好表現。Liaqat等[7]基于Landsat影像分別利用SEBS模型和METRIC模型對亞洲東北部地區的生態系統進行了蒸散的計算,并利用通量數據對結果進行了驗證,結果表明SEBS模型具有更高的準確性。王曉勇等[8]基于SEBS模型對不同時期的海流兔河流域的蒸散進行量化,并結合長序列地下水監測數據和土地利用數據對不同土地類型轉移量的地下水位及影響因素進行了分析。由此可見,前期的蒸散反演多采用MODIS或Landsat等單一遙感數據,而單一傳感器往往存在一些無法避免的數據缺陷[9]。比如,Landsat數據雖然空間分辨率較高(30 m),但重訪周期較長(16 d)且易受云雨天氣干擾,常出現影像缺失問題,無法進行長時間動態監測。MODIS數據重訪周期較短(8 d),但空間分辨率較粗(250～1 000 m),無法適用于范圍較小且地表復雜條件下的蒸散研究。如何融合多源遙感數據發揮各自時空分辨率的優勢,對于小區域的高精度蒸散反演具有重要的理論意義和應用價值。

時空融合技術通過建立高空間與高時間分辨率數據之間的變化關系,對高空間分辨率數據的空間細節特征與高時間分辨率數據的時間變化信息進行有機結合,是獲取高時空分辨率遙感影像的有效方法[10]。目前,已有眾多國內外學者對時空融合算法展開了研究。Gao等[11]提出一種時空自適應反射率融合模型(spatial and temporal adaptive reflectance fusion model,STARFM),該方法在地表均質性較高時性能表現良好,但在地表異質度較高的情況下,其預測精度會降低,且此方法難以預測地表的突變現象[12]。為了提高STARFM模型在復雜地表下的預測精度,Zhu等[13]提出了增強型時空自適應反射率融合模型(enhanced spatial and temporal adaptive reflectance fusion model, ESTARFM),該算法考慮了像元反射率的時間變化特征,能夠有效捕捉地物劇烈變化特征,提高了復雜下墊面情況下地表特征參數的融合精度[14]。目前,時空融合算法已被廣泛應用于植被物候、干旱和水體監測等諸多領域[15-17],在蒸散反演中也有良好表現。白亮亮等[18]基于Landsat系列數據和SEBS模型估算了河套灌區的蒸散量,并結合MODIS日蒸散數據,利用 ESTARFM 算法實現蒸散數據的空間降尺度,構建了河套地區高時空分辨率蒸散數據集。尉毓姣等[19]基于SEBS模型獲取了南京地區Landsat空間尺度的蒸散數據,在此基礎上,采用ESTARFM模型將蒸散結果與MOD16A2數據進行時空融合,并對模型的融合精度進行了評價。利用ESTARFM算法對 MODIS 蒸散產品進行降尺度,是獲取高精度蒸散的有效手段,但由于MOD16A2數據對建設用地、水域等非植被像元賦予無意義數值,導致部分像元缺失,無法融合得到完整的蒸散數據。對于水體、灘涂分布較廣的濱海地區而言,如何構建區域內高時空分辨率的遙感數據集獲取較為完整的蒸散序列是當前研究中亟須解決的問題。

因此,現以地表高度破碎化的黃河三角洲為研究區,利用ESTARFM算法融合Landsat和MODIS數據,構建研究區具有高時空分辨率的遙感數據集,并采用SEBS模型計算了區域的日蒸散量。通過比較融合反射率與實際反射率之間的差異,評估ESTARFM算法的性能,并利用彭曼公式估算的參考蒸散量、通量站觀測數據及蒸發皿實測數據,對融合模型估算的蒸散結果進行了驗證,探討融合算法和蒸散模型結合的可行性和精度,以期為黃河三角洲水資源保護和生態系統良性發展提供科學依據,并為地表類型復雜且高度破碎化區域的蒸散研究提供新的思路。

1 材料與方法

1.1 研究區概況

黃河三角洲位于山東省東營市境內的黃河入海口地區(118°31′E～119°18′E,36°55′N～38°16′N),是由黃河尾閭不斷改道和泥沙淤積所形成的扇形地塊[20],如圖1所示。研究區地屬溫帶季風型大陸性氣候,四季變化明顯,年平均氣溫11.7～12.6 ℃;年均降水量530～630 mm,70%分布在夏季,平均蒸散量為750～2 400 mm。區內地勢整體呈西南高、東北低,平均高程在5 m以下,地下潛水普遍埋深較淺(平均埋深為1.14 m),且礦化度較高(含鹽量平均值為14.3 g/ L)[21]。自20世紀70年代以來,受農田開墾、油田開發等人為因素影響,黃河三角洲天然濕地大幅減少,區內景觀破碎化程度不斷加重[22]。目前,黃河三角洲面臨著淡水資源匱乏、土壤鹽漬化嚴重、生態系統失衡等問題[23]。因此,準確地計算區域蒸散量分析其時空變化過程可為正確估算土壤水分、預測農田旱情的發生和生態變化提供重要信息,對指導農業灌溉與排水、提高水資源的利用率等有著重要的意義。

1.2 數據來源

1.2.1 遙感影像數據

(1)Landsat8 OLI數據來源于美國地質調查局網站(http://glovis.usgs.goc/),OLI傳感器包括了ETM+傳感器所有的波段,并對波段進行了重新調整,能夠更好地避免大氣吸收特征,OLI的第1～7波段空間分辨率為30 m,第10～11波段為熱紅外波段,空間分辨率為100 m,回訪周期均為16 d。研究主要使用了OLI的第2～7波段來計算歸一化植被指數NDVI、地表反照率等參數,并基于OLI的熱紅外波段采用單窗算法[24]來反演地表溫度。經篩選,2019年11月—2021年1月共有15期質量較好(云量小于10%)的Landsat影像見表1。采用 ENVI 軟件進行影像的輻射校正、大氣校正和圖像裁切等預處理工作,地表參數的計算通過波段運算工具完成。

表1 遙感數據類型及獲取日期Table 1 Remote sensing data types and acquisition date

(2)MOD09A1產品提供了7個波段的地表反射率,空間分辨率為500 m,回訪周期為8 d。MOD11A2數據是MODIS地表溫度產品,空間分辨率為1 000 m,時間分辨率為8 d。MOD09A1、MOD11A2數據均來源于美國航天局網站(https://urs.earthdata.nasa.gov/)。由于MOD09A1、MOD11A2為正弦曲線投影,利用MRT軟件將兩種MODIS產品重投影至與OLI數據一致的UTM-WGS84坐標系,并將其空間分辨率統一采樣為 30 m,對MODIS和OLI數據進行空間配準及波段匹配處理,以便后續進行數據融合。MOD09A1和Landsat8 OLI的波段對應關系如表2所示。

表2 MOD09A1和Landsat8 OLI 波段對應關系Table 2 Band correspondence between MOD09A1 and Landsat8 OLI

1.2.2 專題數據

(1)氣象數據。氣象數據均下載于中國氣象數據網(http://data.cma.cn/),選取研究區墾利站的日氣溫、氣壓、風速等氣象要素,作為SEBS模型的輸入參數。選取日照時數、日平均氣溫、相對濕度等要素用于彭曼公式的參考蒸散量估算。

(2)通量站數據。通量站驗證數據來源于國家生態科學數據中心(http://www.nesdc.org.cn/),山東禹城農田生態系統國家野外科學觀測研究站的通量數據產品是利用 ChinaFLUX技術體系進行標準化的質量控制和數據處理后的通量日值數據。

(3)土地利用類型數據。在參考研究區已有土地利用類型圖的基礎上,根據黃河三角洲2020年一期Landsat8 OLI遙感影像,按照自然資源部土地分類標準分類并制作了研究區的土地利用現狀圖,如圖2所示,主要包括林地、水體、灘涂、農田、蘆葦沼澤和建設用地6種土地利用類型。課題組又在2022年5月通過野外調查,對土地利用圖分類的準確性進行了驗證。

圖2 2020年黃河三角洲土地利用分布Fig.2 Land use distribution in the Yellow River Delta in 2020

2 研究方法

研究基于ESTARFM算法和SEBS模型獲取了黃河三角洲較高時空分辨率的蒸散數據,并對蒸散的時空格局及典型地物的蒸散特征分析,技術流程如圖3所示。主要步驟如下:①首先對MODIS和Landsat遙感影像進行預處理;②利用ESTARFM算法生成高時空分辨率遙感數據集;③2020年黃河三角洲地區ET的計算和驗證;④結合土地利用數據分析黃河三角洲蒸散時空格局及典型土地利用的蒸散特征。

NDVI為歸一化植被指數;LAI為葉面積指數;ALBEDO為地表反照率;LST為地表溫度;FVC為植被覆蓋度圖3 技術流程圖Fig.3 Technical flowchart

2.1 時空融合算法

使用的時空融合算法是由Zhu等[13]提出的增強型時空融合模型(ESTARFM),該模型不僅考慮到了像元反射率的空間可變性、中心像元與周圍像元的光譜相似性、還考慮到了不同時相上反射率值的變化,并使用滑動窗口的方法來抑制低空間分辨率影像的邊界效應,有效提高了融合精度。該模型通過輸入兩個時相的Landsat數據和MODIS數據,以及一個預測時相的MODIS數據,從而生成預測時相的Landsat數據。融合過程忽略了影像的幾何校正和大氣校正的誤差,首先確定搜索窗口大小,根據空間、光譜相關性使用搜索窗口在兩期Landsat反射率數據中搜索與中心像元光譜特征相似的像元,然后結合兩期MODIS反射率數據賦予每個相似像元距離權重和轉換系數,通過權重來分配相似像元對中心像元的貢獻率,再根據以上兩期及預測期的MODIS數據計算時間權重,最后加入MODIS數據獲取的時間關系系數,生成預測時期的Landsat尺度反射率數據。預測時期反射率的具體計算公式如下。

R(xω/2,yω/2,tp,B)=TmRm(xω/2,yω/2,tp,B)+

TnRn(xω/2,yω/2,tp,B)

(1)

Rk(xω/2,yω/2,tp,B)=RL(xω/2,yω/2,tk,B)+

RM(xi,yi,tk,B)]

(2)

式中:R為最終預測時期的高分辨率反射率;ω為相似像元搜索窗口,主要由地物類型的異質性所決定,這里取50個Landsat像元大小范圍;tp為預測影像時期;B為遙感影像的B波段;Rm、Rn分別為Tm、Tn時期融合影像的反射率;Rk為Tk時期預測的高分辨率影像的反射率,k=m,n;RL、RM分別為Landsat影像、MODIS影像反射率;(xω/2,yω/2)為中心像元位置;(xi,yi)為第i個相似像元位置;N為相似像元的數量;Wi為綜合權重因子;Vi為轉換系數。

Tm和Tn時期的時間權重Tk,根據tk(k=m,n)時期與預測時期tp之間的反射率變化幅度由式(3)計算而來。

Tk=

(3)

2.2 蒸散量計算方法

所使用的蒸散量計算方法是地表能量平衡系統模型(SEBS),它是目前應用比較廣泛的單層能量平衡模型之一。該模型具有堅實的理論基礎,物理機理明確,而且考慮的氣象要素較少,便于應用。SEBS模型的基本理論依據是地表能量平衡方程,在某一時刻的地表能量可表示為

Rn=G+H+λE

(4)

式(4)中:Rn為凈輻射通量,W/m2;G為土壤熱通量,W/m2;H為顯熱通量,W/m2;λ為水的汽化潛熱,J/kg;E為瞬時蒸散量,kg/(m2·s);λE為潛熱通量,W/m2。

SEBS模型采用地表能量平衡指數法來確定蒸發比,根據地表能量平衡方程,當地表處于極度干燥狀態下,其潛熱通量為零,此時顯熱通量為最大值,Hdry可表示為

Hdry=Rn-G

(5)

在地表極濕潤環境下,土壤水分供應充足,此時顯熱通量為最小值,Hwet可表示為

Hwet=Rn-G-λEwet

(6)

極濕潤條件下的潛熱通量λEwet可以根據Peman-Monteith方法[25]求得。

相對蒸散比可以由實際顯熱與干、濕限顯熱的關系得到,即

(7)

最終蒸發比定義為實際蒸散與可用能量之比,計算公式為

(8)

從而得到瞬時蒸散量為

Eins=Λ(Rn-G)/λρw

(9)

式(9)中:ρw為水密度,kg/cm3。

2.3 時間尺度擴展

2.3.1 日尺度蒸散擴展

通過SEBS模型獲取的是衛星過境時刻的瞬時蒸散量,但在實際研究中長時間尺度的蒸散量才更有意義。假設能量通量在一天中會發生變化,但各組分之間的比例即蒸發比在一天中保持不變,因此日平均蒸發比就等于過境時刻的瞬時蒸發比。日蒸散量計算公式為

ETd=8.64×107Λ(Rnd-Gd)/λρw

(10)

式(10)中:ETd為日蒸散量,mm;Λ為日均蒸發比;Rnd為日凈輻射;Gd為日土壤熱通量;λ為水的汽化熱量,J/kg。

2.3.2 月尺度蒸散擴展

月尺度蒸散的擴展借鑒了日尺度蒸散擴展的思想,Du等[26]認為,某一天的實際蒸散ET與日參考作物蒸散ETr之間的比值是不變的。通過計算某一天晴空遙感影像的ET與ETr之間的比值EFd,并以該比值作為某段時間內的特征值來計算這一段時間內的實際蒸散。其計算公式為

(11)

日參考蒸散量由世界糧農組織推薦的FAO56 Penman-Monteith[27]公式計算得,即

(12)

式(12)中:ETr為參考蒸散量,mm;Rn為凈輻射通量,W/m2;G為土壤熱通量,W/m2;Ta為大氣溫度,℃;U2為2 m高處的風速,m/s;es為平飽和水汽壓,kPa;ea為實際水氣壓,kPa;Δ為飽和水汽壓與溫度的曲線斜率,kPa/℃;γ為干濕常數,kPa/℃。

通過ESTARFM算法獲得了時間分辨率為8 d的Landsat數據,因此式(13)中的ET8dr為8 d累積的參考蒸散量,而8 d的實際蒸散量的總和為

ET8d=EFdET8dr

(13)

2.4 精度評價方法

2.4.1 融合算法精度評價

為驗證融合算法的性能,選取2020年4月15日、5月17日和6月2日的影像作為實驗,隨機選取研究區內的40 000個像元對融合反射率與實際反射率進行對比,得到各日期不同波段的擬合曲線,并使用相關系數R、均方根誤差RMSE、平均相對誤差MRE對融合影像的質量進行評價。

(14)

(15)

(16)

2.4.2 蒸散結果精度評價

研究區日蒸散結果的總體精度采用彭曼公式估算的日參考蒸散量進行驗證,對比融合蒸散與參考蒸散量的變化過程,并對二者進行線性擬合,采用R、RMSE評價了融合蒸散結果的可靠性。

研究區地表覆蓋類型復雜且破碎化程度較高,對區域內每種覆蓋類型的蒸散結果進行驗證較為困難,由于研究區內農田和水體分布范圍較廣,二者的面積占比分別達到了29.1%和27.3%,所以研究重點對區域內農田和水體的蒸散計算結果進行驗證。研究區內缺少通量站數據,而禹城農田觀測站與研究區基本處在同一緯度,同位于魯西北平原和黃河下游引黃灌區,距離研究區僅200 km,水熱條件和地表環境與研究區基本一致,因此采用禹城站觀測的顯熱通量與研究區農田生態系統的瞬時顯熱通量進行線性擬合,并利用R、RMSE驗證農田蒸散的計算精度。水體蒸散的驗證采用墾利氣象站的蒸發皿數據進行,對比水體的估算值與蒸發皿折算數據的散點分布并利用R、RMSE評價水體蒸散結果的準確性。

3 結果與分析

3.1 影像融合結果及精度驗證

將3個不同日期的Landsat影像和融合影像在標準假彩色合成下的圖像(圖4)進行對比(400像元×400像元),由圖4可見,融合影像空間細節良好、地物紋理清晰,能夠明顯區分不同地物間的反射率差異,與原始Landsat影像的整體差異較小。植被、裸地等混合像元較少的單一地表,融合反射率變化較小,預測精度較高。居民區、建設用地等地物交匯區域,融合影像受Red波段和混合像元的影響,部分建筑物有些泛紅。同時,ESTARFM算法假設像元反射率隨時間變化穩定且隨時間的變化是線性的,而在復雜地表下像元反射率的變化并非線性,這也可能導致融合影像的反射率變化。

圖4 Landsat影像與融合影像對比Fig.4 Comparison of Landsat images and fusion images

對比融合影像各波段反射率與實際反射率之間的散點分布(圖5),由圖5可知,融合反射率與實際反射率散點均勻分布于1∶1線附近,各波段相關系數R均在0.91以上,平均相對誤差MRE均小于15.3%,均方根誤差RMSE接近于0。ESTARFM算法通過對移動窗口中的相似像素進行加權來提高中心像素反射率的預測性能,能夠很好地反映空間變異性。總體來講,ESTARFM算法在地表破碎、景觀異質性較強的黃三角地區具有良好的適用性,融合精度能夠滿足后續研究需要。

圖5 融合反射率與實際反射率散點圖Fig.5 Scatter plot of fusion reflectance with actual reflectance

3.2 蒸散結果及精度驗證

基于融合得到的高時空分辨率遙感數據,利用SEBS模型計算日ET,并將日ET與彭曼公式估算的參考蒸散量及蒸發皿數據的變化過程進行對比(圖6),由圖6可見,模型計算的日蒸散量與蒸發皿數據、參考蒸散量的變化過程基本一致。但受到降雨天氣的影響,導致融合蒸散與蒸發皿數據之間存在部分的差異。

圖6 SEBS模型計算的日蒸散量與日參考蒸散量及蒸發皿數據的對比Fig.6 Comparison between daily evapotranspiration calculated by SEBS model with reference evapotranspiration and pan data

將SEBS模型估算的瞬時顯熱通量與禹城站的顯熱通量數據進行對比,得到如圖7所示的散點分布圖。可見,模型估算結果與通量站觀測值的擬合效果較好,相關系數達到了0.87,均方根誤差僅為57.8 W/m2。將SEBS模型計算的水體日蒸散量與墾利站蒸發皿折算數據進行擬合(圖8),模型計算的水面蒸發與蒸發皿折算的水面蒸發散點均分布于1∶1線兩側,相較于MODIS數據估算的水面蒸散結果,融合數據的水面蒸發與蒸發皿數據的相關系數R由0.87提升至0.93,均方根誤差RMSE由0.44 mm/d下降至0.35 mm/d。ESTARFM算法和SEBS模型的結合不僅能夠保證蒸散結果的計算精度,還能有效提高蒸散的時空分辨率。綜上所述,利用MODIS和Landsat多時相遙感數據,基于 ESTARFM 算法和SEBS模型獲得的高精度蒸散數據,避免了單一傳感器和云雨污染的限制,能夠滿足地表破碎化地區的蒸散研究需求。

圖7 SEBS模型計算的瞬時顯熱通量與通量塔觀測數據對比Fig.7 Comparison of instantaneous sensible heat flux calculated by SEBS model with flux tower observation data

圖8 SEBS模型計算的水面蒸發與蒸發皿折算數據的相關性分析Fig.8 Correlation analysis between water surface evaporation calculated by SEBS model and pan conversion data

3.3 蒸散時空格局

將研究區的月蒸散量疊加土地利用圖,對區域蒸散的時空變化特征進行了研究(圖9)。區域內蒸散隨季節變化明顯,總蒸散量的變化規律為:夏季>春季>秋季>冬季。春季(3—5月)氣溫回升,農田和濕地植被開始進入生長季,區內平均蒸散量大約為269.2 mm,標準差為36.9 mm,低值主要集中在黃河故道兩岸的裸地和孤東等植被稀疏地區,而高值分布在沿海灘涂和水體等區域,海陸差異明顯;夏季(6—8月)降水增多,土壤水分充足,植物進入生長季中期,部分農田和濕地植被的蒸散量超過灘涂和水體。區域平均蒸散量達到最大值(345.2 mm),與其他季節相比,其空間變化幅度較大,標準差為43.1 mm,低值主要集中在西南部的荒地和居民區等植被覆蓋率較低的內陸區域;秋季(9—11月)區內平均蒸散量略低于春季,為248.4 mm,標準差為33.5 mm;冬季(12月—次年2月)由于氣溫較低,水循環緩慢,蒸散量較低,區內不同土地利用類型的平均蒸散量僅為99.4 mm,同時蒸散的空間變異性也較小,標準差僅為7.03 mm。由此可見,黃河三角洲各季節蒸散量空間分布特征較為相似,整體上由沿海灘涂向內陸逐漸減小,受到氣溫、降水和植被等因素影響,不同季節之間的蒸散量差異顯著。

黃河三角洲典型地表覆蓋類型的蒸散量如圖10所示,可以看出,不同土地類型之間的蒸散量具有明顯差異,總體表現為:水體>灘涂>林地>蘆葦沼澤>農田>建設用地。水體的年蒸散量最大,達到了1 289.9 mm/a;由于灘涂位于潮浸地帶,下墊面含水量較高,其年蒸散量僅次于水體,達到了 1 024.6 mm/a;林地的植被覆蓋度較高,需水量與儲水量較大,年蒸散量達到了971.3 mm/a;蘆葦沼澤年蒸散量為884.4 mm/a,春季由于其植被覆蓋度較低,蒸散量僅為241.5 mm,而夏季由于降水較多,植被生長旺盛,導致蒸散量顯著增加(333.2 mm),秋季以后大部分蘆葦枯萎或被收割因此蒸散下降至220.8 mm;由于研究區農田多為旱地作物,植被覆蓋度不及林地和濕地植被,年蒸散量僅為 835 mm。農田在春季和夏季由于灌溉和降水的補充,下墊面供水充足,蒸散量和林地差距不大,但秋季以后由于作物收割導致蒸散量下降明顯;建設用地由于其下墊面多為不透水面,導致四季的蒸散量都是最低,全年蒸散量為548.2 mm/a。

4 討論

4.1 ESTARFM算法的不確定性分析

基于ESTARFM算法進行遙感數據的時空融合,結果表明,融合反射率與實際反射率之間的相關性均達到了0.85以上(表4)。ESTARFM算法能夠充分利用像元之間的相似性并減小系統產生的誤差,不僅能提升遙感數據的時空分辨率,同時還有較高的光譜還原度[28]。由表4可知,融合影像與實際影像在Blue、Green等波段的相關性接近0.95,而在SWIR1、SWIR2波段的相關性僅為0.9左右,這可能是由于不同傳感器在光譜設置和光譜響應函數上有所差異,使得不同傳感器之間存在系統性誤差[29]。MODIS在SWIR1、SWIR2波段的空間分辨率僅為500 m,且OLI與MODIS傳感器在SWIR1、SWIR2波段的光譜范圍差異大于其他波段。另外,4月15日的融合精度(R=0.95)高于5月17日和6月2日(R=0.89和R=0.92),其原因主要是輸入影像與融合預測影像的時間間隔不同。張曉川等[15]發現在融合過程中,輸入數據與融合數據的日期間隔越短、輸入影像質量越好,預測精度越高。相比于5月17日和6月2日的輸入影像,4月15日的輸入影像質量較好且與融合預測影像的時間間隔更短,地表類型變化更小,對應的光譜反射率更為相似。

表4 不同波段的反射率融合精度評價Table 4 Accuracy evaluation of fusion reflectance in different bands

相較于反射率的融合,地表溫度的融合誤差相對較大,眾多研究[30-32]表明,低空間分辨率影像的像元邊界、混合像元等問題會增加融合過程的不確定性。由于Landsat地表溫度是利用熱紅外波段基于單窗算法反演得到,空間分辨率為100 m,而MOD11A2數據的空間分辨率僅為1 000 m,MOD11A2的低分辨率像元和邊界效應會降低地表溫度的融合精度[24]。總體來講,ESTARFM算法在地表破碎的黃河三角洲地區具有良好的適用性,并且輸入影像質量越高、距離預測日期越近,其融合精度越高。因此在研究中,應盡可能選擇距離預測日期較近且質量較高的影像進行融合。

4.2 融合算法與蒸散模型結合的可行性分析

為探討不同融合方案對最終蒸散結果的影響,設計方案一(先融合波段后計算蒸散)和方案二(先計算蒸散后進行融合)兩種融合方案,并將融合結果與Landsat蒸散結果進行比較,系統評價兩種融合方案的蒸散精度。

圖11展示了兩種融合方案的蒸散結果與原始Landsat蒸散結果對比,可見,兩種方案的蒸散結果與實際Landsat蒸散在空間分布上都具有一定的相似性,但方案一的蒸散結果與Landsat計算的蒸散更為接近,二者日蒸散差值(圖12)主要集中在 -0.4～0.4 mm/d,方案二的蒸散結果與Landsat蒸散的差值集中在-0.6～0.6 mm/d。將融合蒸散與Landsat蒸散進行線性擬合,由圖13可見,相較于方案二,方案一的擬合效果更好(R=0.88),誤差更小(0.36 mm/d)。該結果與Ke等[33]研究的結果一致,他們比較了與擬議方案一和方案二相似的3種融合方案生成的8 d 30 m蒸散數據,發現方案一的誤差(RMSE<2.7 mm/8 d)總是小于方案二和方案三(RMSE<3.7 mm/8 d;RMSE<3.3 mm/8 d),并總結稱降尺度后的蒸散與實際蒸散的一致性取決于地表參數反演的準確性,相較于先計算蒸散再進行融合降尺度,先融合出預測日期的反射率再計算蒸散更能提高蒸散的準確性。方案二在先進行蒸散計算時,由于MODIS影像的地表參數反演精度較低,且MOD11A2地表溫度影像常存在邊界模糊和像元缺失等問題,導致SEBS模型在估算中的不確定性增加,誤差在后續的蒸散融合過程中會進一步增大[31]。而方案一先利用ESTARFM算法模擬出預測時期的高分辨率影像,能夠最大限度地減小系統偏差并抑制低分辨率像元的影響[34],提高了地表參數的反演精度,使得蒸散的計算誤差較小。

圖11 融合蒸散影像與實際Landsat蒸散影像對比Fig.11 Comparison between fused evapotranspiration images and actual Landsat evapotranspiration image

圖12 融合蒸散與Landsat蒸散的差值頻率分布Fig.12 Frequency distribution of difference between fusion evapotranspiration and Landsat evapotranspiration

圖13 不同方案的融合蒸散與Landsat蒸散相關性分析Fig.13 Correlation analysis between fusion evapotranspiration of different schemes and Landsat evapotranspiration

5 結論

將ESTARFM時空融合算法與SEBS模型相結合計算黃河三角洲地區的蒸散量,獲得了研究區不同土地利用類型的高精度蒸散結果,并利用參考蒸散量、通量站和蒸發皿數據等對蒸散結果進行了驗證,研究結果如下。

(1)ESTARFM算法能夠解決單一傳感器限制和云雨污染的問題,不僅可以提高影像的時空分辨率,還有著較高的光譜還原度。融合反射率與實際反射率的相關系數R均在0.85以上,均方根誤差RMSE接近于0。但融合效果對輸入影像的質量要求較高,輸入影像的質量越高、光譜差異越小,融合精度越高。

(2)融合模型和蒸散模型的結合方式對蒸散的計算結果具有一定影響,先融合數據后計算蒸散的方法得到的蒸散結果精度更高,更適用于黃河三角洲地區的蒸散研究。融合日蒸散量與參考蒸散量的變化趨勢高度一致,二者相關系數R達到了0.87。模型計算的農田瞬時顯熱通量與通量站觀測的顯熱通量的相關系數R達到了0.87,均方根誤差RMSE為57.8 W/m2。融合數據計算的水面蒸發與蒸發皿折算數據的相關系數R達到了0.93,均方根誤差RMSE僅為0.35 mm/d。基于融合數據的蒸散結果在保證蒸散精度的同時,有效提高了蒸散的時空分辨率,能夠滿足地表破碎地區的蒸散研究需求。

(3)黃河三角洲蒸散量隨季節變化較大,夏季蒸散量較高,約占全年的40%。受土地利用和植被覆蓋的影響,研究區蒸散量空間變異性較大,高值主要分布在沿海灘涂和內陸水體等區域,低值集中內陸居民區和西南部的裸地等植被覆蓋率較低區域。蒸散量在不同土地利用類型中具有明顯的差異性,水體、灘涂等自然地物的蒸散量明顯高于農田、建設用地等人工地物。

基于ESTARFM算法和SEBS模型能夠有效提升蒸散數據的時空分辨率,但是融合算法對輸入影像的質量要求較高,應盡可能選擇時間間隔較短的輸入影像以最小化地表突變所引起的反射率差異。研究區地表破碎化程度高,混合像元較多,這會對融合精度產生一定影響,后續應對時空融合算法進一步優化,提升融合精度并嘗試多種傳感器數據的融合,以構建長時間連續的高分辨率蒸散序列。