Estimation and spatio-temporal characteristics of winter wheat evapotranspiration in Henan Province based on NPP VIIRS data and SEBS model
-
摘要: 农田蒸散量 (evapotranspiration, ET)是农田水热交换过程的关键变量, 准确估算农田ET对了解农田土壤水分变化动态, 监测预测作物旱情, 指导科学灌溉等具有重要作用。将Suomi NPP (National Polar-orbiting Partnership)卫星的新型遥感数据源可见光红外成像辐射仪(visible infrared imaging radiometer suite, VIIRS)数据用于ET反演, 基于地表能量平衡理论, 将NPP VIIRS反演的地表温度、地表反照率等参数和优化计算的VIIRS NDVI (normalized difference vegetation index)数据, 与SRTM DEM数据和气象观测数据输入地表能量平衡系统(surface energy balance system, SEBS)模型, 估算了2016—2018年河南省冬小麦关键生育时期——返青期至灌浆期的农田ET (VIIRS ET)。分别对比了VIIRS ET与彭曼公式(Penman-Monteith, P-M)计算的P-M ET、大型土壤蒸渗仪实测Real ET和MODIS (moderate-resolution imaging spectroradiometer)数据估算ET (MODIS ET)的结果, 并进行了ET时空变化特征分析。结果表明, VIIRS ET与Real ET的RMSE为0.203 mm∙d−1, 且VIIRS ET与P-M ET和MODIS ET均具有较高的一致性。该方法可为利用NPP VIIRS数据和SEBS模型估算ET提供方法、技术上的支持。研究区冬小麦关键生育时期ET的时间特征表现为自返青期后逐日上升, 抽穗期达到最大值, 灌浆期开始下降的趋势, 与冬小麦生长发育规律具有较好的一致性。综合空间特征来看, 在关键生育时期河南省冬小麦ET均呈现中部和东南部较高, 向西北部和西南部逐渐降低的趋势, 与灌溉条件具有较强的对应性。河南省冬小麦ET时空特征可为河南省农业水资源管理、分配和高效利用等提供重要依据。
-
关键词:
- 河南省 /
- 冬小麦 /
- 蒸散量 /
- 地表能量平衡系统(SEBS) /
- NPP VIIRS数据
Abstract: Crop evapotranspiration (ET), a key variable in water and heat exchange in agricultural fields, is of great significance for understanding the dynamics of soil moisture changes in agricultural fields, monitoring and predicting crop drought conditions, and guiding scientific irrigation. This study combined the surface energy balance system (SEBS) model to estimate ET of winter wheat in Henan Province during the critical growth period from 2016 to 2018 using the visible infrared imaging radiation suite (VIIRS) data of the Suomi National Polar-orbiting Partnership (NPP) satellite. Experimental accuracies were compared between VIIRS ET and the other three ET products (estimated by Penman-Monteith formula, P-M ET; estimated with MODIS data, MODIS ET; and macro-weighing lysimeter-measured ET, Real ET), and the spatial and temporal variation characteristics of ET in winter wheat area of Henan Province were analyzed. The results showed that comparing the VIIRS ET estimated by our proposed method with the P-M ET, the total average relative deviation was 10.1%, and VIIRS ET exhibited high consistency with P-M ET. The measured ET of the macro-weighing lysimeter was used to verify accuracy, and the root mean square error (RMSE) of the calculated VIIRS ET was 0.203 mm·d–1. The verification results showed that the NPP VIIRS data are suitable for ET inversion. The determination coefficients of linear regression analysis of VIIRS ET and MODIS ET were 0.804, 0.734, and 0.802 for the April 17th in 2016, 2017 and 2018, respectively. The three years RMSE of VIIRS ET based on MODIS ET were 0.222 mm·d–1, 0.158 mm·d–1, and 0.211 mm·d–1, respectively. This shows that there is good consistency between VIIRS ET and MODIS ET, and that VIIRS data can be used as an effective supplement and substitute. The ET spatial distribution was generally higher in the middle and southeast and gradually decreased to the northwest and southwest. The spatial variation characteristics of ET corresponded well with that of irrigation conditions. According to the time characteristics of farmland ET during the key growth period of winter wheat in the study area, the average daily ET in the regeneration stage was the lowest, and then it increased gradually, reached a maximum at the heading stage, and began to decrease at the filling stage. The temporal and spatial characteristics of winter wheat field ET in Henan Province were closely related to the local field management mode. The accurate estimation of winter wheat field ET can provide a scientific basis for the design of irrigation management systems. This is important for the management, distribution, and efficient utilization of agricultural water resources. -
农田蒸散量(ET)包括植株的蒸腾量和土壤的蒸发量[1], 是农田水碳交换过程的关键变量[2]。准确估算农田ET, 对于掌握农田水分的动态变化, 监测预测旱情, 制定科学的灌溉管理措施, 提高农田水分利用效率, 促进农业可持续发展等具有重要意义[3]。中国小麦(Triticum aestivum)种植面积占粮食作物种植总面积的22%左右, 水分条件是制约小麦生长发育的关键因素之一[4], 大尺度冬小麦ET的准确估算对于保障我国粮食安全具有重要意义。利用大型蒸渗仪、涡动相关法、通量仪法等传统方法可获得地表点尺度ET, 如胡程达等[5]利用大型蒸渗仪观测了充分灌水和自然降水两种状况下冬小麦的实际ET, 但这类方法无法反映ET的空间分布格局[6]。利用卫星遥感技术估算ET具有快速、宏观、动态、空间连续监测等优点, 近年来, 基于遥感数据估算区域尺度地表ET的研究取得了许多成果[7-8], 其中一类代表性方法是利用遥感反演的地表温度和气象观测的大气温度进行感热通量计算, 并进一步通过地表能量平衡方法计算潜热通量和ET[9-11]。
地表能量平衡系统(surface energy balance system, SEBS)是地表能量平衡方法中单层模型的一种, 由荷兰Wageningen大学的Su[12]在地表能量平衡算法(surface energy balance algorithm for land, SEBAL)基础上发展而来, 近年来在国内外获得了广泛应用。Ma等[13]使用SEBS模型和ASTER卫星数据估算了澳大利亚Coleamball灌区的ET, 并结合实测数据进行了验证。张亚丽等[14]提出一种基于面积比例加权聚合的空间尺度转换方法, 分别利用HJ卫星数据及中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer, MODIS)数据 , 结合SEBS模型估算了伊洛河流域地表ET。Wu等[15]利用MODIS数据, 通过优化空气热力学粗糙度参数化方案, 提高了基于SEBS模型的黑河中游ET估算精度。张圆等[16]利用Landsat 8影像, 采用SEBS模型估算了新疆呼图壁县的ET, 并进行了时空格局分析。Mohammadian等[17]和郑倩倩等[18]分别在伊朗中部半干旱地区和新疆精河流域开展了类似的研究。在上述研究中, 中低空间分辨率的MODIS数据和高空间分辨率的ASTER、HJ、Landsat卫星数据均得到有效应用, 其中MODIS数据因高时间分辨率在大尺度ET估算中具有应用优势。国家极地轨道卫星Suomi NPP (National Polar-orbiting Partnership)由美国国家航空航天局(NASA)等机构研发, 其搭载的可见光红外成像辐射仪(visible infrared imaging radiometer suite, VIIRS)是对MODIS传感器的继承与发展, 具有优于400 m的星下点分辨率, 每12 h可提供一次全球影像[19], 在陆地、海洋和大气参数的全球性观测等方面具有很大应用潜力。近年来, 不少学者将NPP VIIRS数据应用于气溶胶光学厚度、水体浊度、湖冰等的监测[20-23], 苏城林等[24]将VIIRS 反演的气溶胶光学厚度(aerosol optical depth, AOD)对标MODIS AOD产品进行检验, 证明两者具有显著的相关性。将VIIRS数据用于估算农田ET的研究尚鲜见报道[25]。
为探索NPP VIIRS数据在ET反演中的适用性, 我们将VIIRS数据反演的地表温度等参数和优化计算的归一化植被指数(normalized differential vegetation index, NDVI)数据代入SEBS模型, 通过运行SEBS模型估算了河南省冬小麦农田ET, 并进行了精度验证, 进而开展了河南冬麦区ET时空特征分析。本文旨在通过系统性的研究, 一方面探究NPP VIIRS卫星数据应用于ET估算的适用性, 为利用NPP VIIRS数据和SEBS模型估算ET提供方法、技术上的支持; 另一方面通过研究ET的时空分布格局, 为河南省冬小麦干旱监测评估、农田灌溉管理以及农业可持续发展等提供科学依据。
1. 研究区域与数据源
1.1 研究区域
本研究选取我国冬小麦种植第一大省河南省为研究区, 位于110°21′E~116°39′E, 31°23′N~36°22′N, 属暖温带至亚热带、湿润至半湿润季风气候, 冬季寒冷、雨雪少, 夏季炎热、雨量丰沛。全省年平均气温普遍为12~16 ℃, 1月份平均气温普遍为−3~3 ℃, 7月份平均气温普遍为24~29 ℃, 大体呈东高西低、南高北低分布。河南麦区耕作模式主要为冬小麦和夏玉米(Zea mays)轮作, 冬小麦播种期一般为10月上中旬, 收获期一般为次年5月下旬至6月上旬。研究区内冬小麦生育时期监测数据来源于河南省内农业气象观测站, 研究区位置及农业气象站分布情况如图1所示。河南省作为全国粮食生产大省, 水资源严重不足, 在河南麦区掌握农田水分的动态变化规律, 进行科学的灌溉管理尤为重要。
![]()
图 1 研究区与农业气象观测站位置分布图Figure 1. Study area and location distribution of agrometeorological observation stations1.2 气象数据与预处理
本研究所需气象数据包括气温、气压、相对湿度、辐射量、2 m高度风速等, 来源于2016年至2018年冬小麦关键生育时期河南省119个气象观测站的实测数据, 其中辐射量根据文献[26]由日照时数计算得到, 2 m高度风速由气象观测站实测10 m风速转换计算得到。采用反距离插值法将站点尺度的气象观测数据拓展为面尺度气象数据, 在ArcGIS 10.2软件中实现。
1.3 遥感数据与预处理
1.3.1 NPP VIIRS数据
NPP VIIRS传感器设置有22个波段, 包括9个可见光至近红外波段, 8个短波、中波红外波段, 4个热红外波段和1个日夜波段(Day-Night Band, DNB), 每天提供两次全球影像。VIIRS传感器相较MODIS传感器具有更高的灵敏度, 且大多数波段分辨率高于MODIS传感器, 其星下点空间分辨率为371 m, 扫描幅宽为3000 km。从美国宇航局戈达尔德航天中心(LAADS DAAC)网站下载覆盖2016年至2018年冬小麦关键生育时期河南省范围的VIIRS产品级数据, 利用HEG (HDF-EOS to GeoTIFF)软件从VIIRS L2级数据VNP09GA、VNP21A1D和VNP43A1中分别提取地表温度(land surface temperature, LST)、比辐射率(emissivity)、地表反照率(albedo)、太阳天顶角(sun zenith angle)等波段, 将这些地表参数数据统一重采样为0.01°, 重投影为WGS84坐标系, 使用ENVI5.6软件进行辐射定标和研究区裁剪。
1.3.2 GF-1 WFV数据
GF-1卫星搭载了4台WFV传感器, 可获取空间分辨率为16 m的多光谱影像, 幅宽为800 km[27-28]。从中国资源卫星应用中心网站下载2018年冬小麦生长季覆盖河南省境内的晴空影像, 产品等级为Level 2几何校正影像产品。使用ENVI5.6软件对WFV影像进行辐射定标、大气校正和以省辖市行政区划为处理单元的晴空影像拼接。
利用支持向量机(support vector machine, SVM)方法对河南省各省辖市WFV影像进行监督分类, 将土地利用类型划分为冬小麦田、水田、林草地、水体、建筑用地、其他用地共6类。在各省辖市的分类影像上提取冬小麦田并拼接为河南省冬小麦种植区掩模, 用于在预处理后的VIIRS数据上提取研究区, 该方法精度李颖等[29]在前期研究中已验证。
2. 研究方法
2.1 基于SEBS模型的ET估算
地表能量平衡理论是SEBS模型的理论基础, 地表能量平衡方程为[30]:
$$ {R}_{\mathrm{n}}={H+G}_{0}+\lambda E $$ (1) 式中:
$ {R}_{\mathrm{n}} $ 表示地表净辐射通量, H表示感热通量,$ {G}_{0} $ 表示土壤热通量$ ,\lambda E $ 表示潜热通量。地表净辐射通量
$ {R}_{\mathrm{n}} $ 指长、短波辐射经过相互抵消后地表所得到的净能量, 是驱动水分交换和大气运动的主要能量, 其计算公式为:$$ {R}_{\mathrm{n}}={{R}_{\mathrm{n}\mathrm{l}}+R}_{\mathrm{n}\mathrm{s}}=\left(1-\alpha \right){\times R}_{\mathrm{s}\mathrm{w}\mathrm{d}}+{\varepsilon }_{\mathrm{a}}\times {R}_{\mathrm{l}\mathrm{w}\mathrm{d}}-\varepsilon \times \mathrm{\sigma }\times {T}_{0}^{4} $$ (2) 式中:
$ \alpha $ 为地表反照率, 来源于遥感影像;$ {R}_{\mathrm{s}\mathrm{w}\mathrm{d}} $ 为下行的太阳短波辐射;$ {\varepsilon }_{\mathrm{a}} $ 为大气比辐射率;$ \varepsilon $ 为地表比辐射率, 来源于遥感影像;$ {R}_{\mathrm{l}\mathrm{w}\mathrm{d}} $ 为下行的大气长波辐射;$ \mathrm{\sigma } $ 为斯蒂芬-波尔兹曼(Stefan-Boltzmann)常数, 取值为2.68×10−8 W∙m−2∙k−4;$ {T}_{0} $ 为地表温度;$ {R}_{\mathrm{n}\mathrm{l}} $ 为地表长波净辐射;$ {R}_{\mathrm{n}\mathrm{s}} $ 为地表短波净辐射。土壤热通量(G0)计算公式为[31]:
$$ {G}_{0}={R}_{\mathrm{n}}\times \left[{\varGamma }_{\mathrm{c}}+\left(1-{f}_{\mathrm{c}}\right)\left({\varGamma }_{\mathrm{s}}-{\varGamma }_{\mathrm{c}}\right)\right] $$ (3) 式中:
$ {\varGamma }_{\mathrm{c}} $ 为植被覆盖区参数,$ {\varGamma }_{\mathrm{s}} $ 为裸土区参数, 根据荷兰国际地球观测研究所开发的陆地及水体集成系统ILWIS软件中的SEBS模块, 这两个参数分别取值0.050和0.315;$ {f}_{\mathrm{c}} $ 为植被覆盖率, 由VIIRS NDVI影像计算得到。感热通量(H)的计算根据大气边界层相似理论, 由以下公式推导得到:
$$ u=\frac{{u}_{\mathrm{*}}}{\mathrm{k}}\left[\mathrm{ln}\left(\frac{z-{d}_{0}}{{z}_{\mathrm{o}\mathrm{m}}}\right)-{\varPsi }_{\mathrm{m}}\left(\frac{z-{d}_{0}}{L}\right)+{\varPsi }_{\mathrm{m}}\left(\frac{{z}_{0\mathrm{m}}}{L}\right)\right] $$ (4) 式中:
$ u $ 为风速;$ {u}_{\mathrm{*}} $ 为摩擦速度;$ \mathrm{k} $ 为卡尔曼常数, 本研究取0.4;$ z $ 为参考高度;$ {d}_{0} $ 为零平面位移高度;$ {z}_{\mathrm{o}\mathrm{m}} $ 为动量传输粗糙长度;$ {\varPsi }_{\mathrm{m}} $ 为动力学稳定度修正函数;$ L $ 为由感热通量(H)计算得到的奥布霍夫长度。SEBS模型的输入参数来源于气象数据、DEM数据和遥感数据, 通过公式(2)至(4)可分别计算得到地表净辐射通量、土壤热通量和感热通量, 进而可通过公式(1)得到潜热通量
$ \lambda E $ , 进而估算ET。2.2 VIIRS NDVI优化
NDVI数据是SEBS模型的一项重要的输入参数, 用于反演叶面积指数(leaf area index, LAI), 并进一步计算得到冠层内风速廓线消光系数[12]。由遥感影像计算得到的单日NDVI易受天气情况的影响, 本研究在利用VNP09GA产品的I1和I2波段计算NDVI影像时做出了优化。采用最大值合成法(maximum value composite, MVC)对单日NDVI数据进行校正[32], 选择应用较广泛的周最大值合成策略, 即利用研究日当天及其前后3 d的影像分别计算NDVI, 取1周内的最大值合成VIIRS NDVI取代单日NDVI。
2.3 彭曼公式
本研究利用彭曼(Penman-Monteith, P-M)公式结合气象观测数据计算河南省冬小麦农田ET, 用于基于VIIRS数据的ET估算结果的验证。彭曼公式如下[33]:
$$ {\mathrm{E}\mathrm{T}}_{0}=\frac{0.408\mathrm{\Delta }\left({R}_{\mathrm{n}}-{G}_{0}\right)+\gamma \dfrac{900}{T+273}{u}_{2}\left({e}_{\mathrm{s}}-{e}_{{\rm{a}}}\right)}{\mathrm{\Delta }+\mathrm{\gamma }\left(1+0.34{u}_{2}\right)} $$ (5) 式中:
$ {\mathrm{E}\mathrm{T}}_{0} $ 为参考作物的潜在蒸散量,$ {R}_{\mathrm{n}} $ 为地表净辐射,$ {u}_{2} $ 为2 m高处的风速,$ \Delta $ 为饱和水气压曲线斜率,$ \mathrm{\gamma } $ 为干湿系数,$ T $ 为2 m高处日均气温,$ {e}_{\mathrm{s}} $ 为饱和水汽压,$ {e}_{\mathrm{a}} $ 为实际水汽压。由彭曼公式计算得到参考作物的潜在蒸散量
$ {\mathrm{E}\mathrm{T}}_{0} $ , 实际ET可由$ {\mathrm{E}\mathrm{T}}_{0} $ 乘以作物系数得到, 本研究根据文献[34]得到冬小麦不同生育时期相应的作物系数, 进而计算得到实际ET, 记为P-M ET。3. 结果与讨论
3.1 研究区ET估算结果
利用荷兰国际地球观测研究所开发的陆地及水体集成系统ILWIS软件中的SEBS模块, 输入气象观测数据、90 m空间分辨率的SRTM DEM数据和NPP VIIRS数据, 对河南省冬小麦ET进行估算, 空间分辨率为0.01°, 研究时段为2016年至2018年冬小麦关键生育时期(返青期至灌浆期)。以2018年为例, 以8 d为时间间隔且尽量选取晴空遥感影像, 对3月8日至5月19日河南省冬小麦日蒸散量进行估算(图2)。图中无ET数据的区域除山区等非冬小麦种植区外, 还有少量冬小麦种植区内的像元因局部云影响等遥感数据质量问题赋为空值。采用ArcGIS 10.2软件中的自然断点分级法将每幅影像的ET值分为4级, 可直观显示冬小麦农田ET在空间上的分布情况。其在空间格局上大体呈现中部和东南部较高, 向西北部和西南部逐渐降低的趋势, 在时间格局上呈现由返青期(3月8日)开始上升, 至抽穗期(3月24日)达最大值, 灌浆期(5月19日)开始下降的趋势。
![]()
图 2 2018年以8 d为间隔的研究区冬小麦关键生育时期(返青期至灌浆期)日蒸散量空间分布图Figure 2. Spatial distribution of daily evapotranspiration in 2018 at interval of 8 days during winter wheat key growth period (from regeneration to filling) in the study area3.2 模型验证与分析
3.2.1 结合彭曼公式进行精度验证
在返青期、拔节期和抽穗期分别采用P-M ET 对本研究利用SEBS模型和VIIRS数据估算的VIIRS ET进行验证。VIIRS ET为面尺度数据, P-M ET则为点尺度数据, 为使两种数据表征相同位置的冬小麦农田ET, 根据周边环境选取研究区内有代表性的9个国家气象站, 确保站点位于冬小麦种植区掩膜内。利用彭曼公式计算其站点
$ {\mathrm{E}\mathrm{T}}_{0} $ , 根据文献[33]得到冬小麦返青期、拔节期和抽穗期的平均作物系数分别为0.8、0.9和1.1, 进而计算得到P-M ET; 再根据站点经纬度提取其对应像元的VIIRS ET, 对比两种方法估算的日蒸散发如表1所示。表 1 2018年代表性站点冬小麦返青期(3月8日)、拔节期(3月24日)和抽穗期(4月17日)可见光红外成像辐射仪数据估算蒸散(VIIRS ET)与彭曼公式估算蒸散(P-M ET)对比Table 1. Comparison between ET estimated by visible infrared imaging radiometer suite data (VIIRS ET) and Penman-Monteith formula (P-M ET) at regeneration stage (March 8th), jointing stage (March 24th) and heading stage (April 17th) in 2018 at representative stations站点
Station返青期(3月8日)
Regeneration stage (March 8th)拔节期(3月24日)
Jointing stage (March 24th)抽穗期(4月17日)
Heading stage (April 17th)VIIRS ET
(mm∙d−1)P-M ET
(mm∙d−1)绝对偏差
Absolute deviation
(mm∙d−1)相对偏差
Relative deviation
(%)VIIRS ET
(mm∙d−1)P-M ET
(mm∙d−1)绝对偏差
Absolute deviation
(mm∙d−1)相对偏差
Relative deviation
(%)VIIRS ET
(mm∙d−1)P-M ET
(mm∙d−1)绝对偏差
Absolute deviation
(mm∙d−1)相对偏差
Relative deviation
(%)民权 Minquan 0.967 0.802 0.165 20.6 2.338 2.493 0.155 6.2 4.249 4.869 0.620 12.7 新蔡 Xincai 0.949 0.868 0.081 8.1 2.155 2.216 0.061 2.8 3.432 4.080 0.648 15.9 许昌 Xuchang 1.209 1.033 0.176 17.0 2.471 2.483 0.012 0.5 3.483 4.094 0.611 14.9 登封 Dengfeng 1.088 1.012 0.076 7.5 2.870 2.857 0.013 0.5 3.510 4.571 1.061 23.2 伊川 Yichuan 1.475 1.231 0.244 19.8 2.374 2.519 0.145 5.8 4.369 5.033 0.664 13.2 孟州 Mengzhou 1.134 0.930 0.204 21.9 2.385 2.396 0.011 0.5 3.774 4.635 0.861 18.6 濮阳 Puyang 1.330 1.235 0.095 7.7 2.510 2.518 0.008 0.3 3.492 3.945 0.453 11.5 长垣 Changyuan 1.047 1.032 0.015 1.4 2.320 2.279 0.041 1.8 3.904 4.688 0.784 16.7 武陟 Wuzhi 0.974 0.916 0.058 6.3 2.027 2.152 0.125 5.8 4.178 4.962 0.784 15.8 平均 Average 1.130 1.006 0.124 12.3 2.383 2.435 0.063 2.7 3.820 4.540 0.721 15.8
表1显示, 2018年3月8日、3月24日和4月17日3个时相的日VIIRS ET与P-M ET对比, 平均绝对偏差分别为0.124 mm∙d−1、0.063 mm∙d−1和0.721 mm∙d−1, 总的平均绝对偏差为0.303 mm∙d−1; 平均相对偏差分别为12.3%、2.7%及15.8%, 总的平均相对偏差为10.3%。本研究使用SEBS模型和VIIRS数据估算的VIIRS ET与采用联合国粮食及农业组织(FAO)推荐的彭曼公式计算得到的P-M ET的相对偏差在作物不同生育时期在2%~16%的范围内波动。相对偏差的波动较大, 主要因为难以在时间上和空间上准确确定作物系数。作物系数的测定过程复杂, 适用于反映特定区域多年平均值。总体来看, VIIRS ET与P-M ET的总体偏差在10%左右, 且两者的变化趋势具有较高的一致性。
3.2.2 结合大型土壤蒸渗仪实测蒸散量进行精度验证
研究区内郑州农业气象试验站(113°39′0′′, 34°43′12′′)安装有大型称重式蒸渗仪, 可获得冬小麦试验田ET的实测数据, 记为Real ET, 用于本研究VIIRS ET精度的验证。于2018年冬小麦返青期至灌浆期, 以8 d为间隔, 在郑州农业气象试验站对比VIIRS ET与Real ET如表2所示。
表 2 2018年冬小麦返青期(3月8日)至灌浆期(5月19日)可见光红外成像辐射仪数据估算蒸散(VIIRS ET)与大型称重式蒸渗仪实测蒸散(Real ET)对比Table 2. Comparison of between daily evapotranspiration estimated by visible infrared imaging radiometer suite data (VIIRS ET) and macro-weighting lysmeter measured ET (Real ET) from winter wheat regeneration stage (March 8th ) to filling stage (May 19th) in 2018日期(月-日) Data (month-day) Real ET (mm∙d−1) VIIRS ET (mm∙d−1) 绝对偏差 Absolute deviation (mm∙d−1) 相对偏差 Relative deviation (%) 03-08 2.06 1.89 0.17 8.25 03-16 2.23 2.16 0.07 3.14 03-24 3.52 3.22 0.30 8.52 04-01 2.81 3.05 0.24 8.54 04-09 2.66 2.84 0.18 6.77 04-17 3.73 3.30 0.43 11.53 04-25 3.07 2.74 0.33 10.75 05-03 4.29 4.32 0.03 0.70 05-11 2.16 2.02 0.14 6.48 05-19 2.24 2.18 0.06 2.68 平均 Average 2.88 2.77 0.20 6.74 表2显示, 2018年3月8日至5月19日期间, VIIRS ET对比郑州农业气象试验站实测ET平均绝对偏差为0.20 mm∙d−1, 平均相对偏差为6.74%。以Real ET为基准, 进一步计算VIIRS ET的均方根误差RMSE为0.203 mm∙d−1。证明本研究方法得到的VIIRS ET具有较高精度。
3.2.3 与MODIS ET进行对比
利用MODIS数据估算ET的精度已得到广泛验证[35-37], 可作为基准来评价其他遥感数据源估算ET的效果, 如赵红等[38]将FY-3 VIRR数据反演的日ET与同区域、同时段的EOS MODIS数据反演的日ET进行对比分析, 通过证实两种产品的一致性较好, 指出利用国产FY-3卫星资料估算ET是可行的。因MODIS ET产品MOD16是空间分辨率1 km的8 d、月、年尺度数据, 与本研究0.01°空间分辨率的单日VIIRS ET数据时空分辨率不一致, 故对比分析时未直接使用MOD16产品, 而是采用本研究中VIIRS ET的计算方法处理同一日期的MODIS地表反射率产品MOD09GA数据等, 运行SEBS模型计算MODIS ET, 空间分辨率统一设为0.01°, 以准确评估两种传感器数据反演ET的一致性。本研究选择2016年至2018年冬小麦抽穗期代表性的1天(4月17日), 将相同技术方法反演的当日VIIRS ET与MODIS ET进行对比分析, 每年在研究区随机且均匀选择40~50个影像质量较好的像元作为对比样本点, 2016年至2018年VIIRS ET与MODIS ET对比图如图3所示。
![]()
图 3 可见光红外成像辐射仪数据估算日蒸散量(VIIRS ET)与中分辨率成像光谱仪数据估算日蒸散量(MODIS ET)对比图Figure 3. Comparison between daily evapotranspiration estimated by visible infrared imaging radiometer suite data (VIIRS ET) and by MODIS data (MODIS ET)图3中VIIRS估算日蒸散量与MODIS估算日蒸散量对比散点图显示, 大部分样本点分布在1∶1线附近, 对VIIRS ET与MODIS ET进行线性回归分析, 2016年、2017年和2018年相关系数R分别为0.897、0.857和0.896, 决定系数R2分别为0.804、0.734和0.802。以MODIS ET为基准验证VIIRS ET的RMSE分别为0.222 mm∙d−1、0.158 mm∙d−1和0.211 mm∙d−1。结果表明, VIIRS ET与MODIS ET具有较好的一致性。
3.3 河南省冬小麦农田蒸散量时空特征分析
本研究利用VIIRS数据, 结合SEBS模型估算2016年至2018年河南省冬小麦关键生育时期农田ET, 进而分析研究区日蒸散量的时空分布格局。首先计算2016年至2018年河南省冬小麦关键生育时期代表性日期的麦区平均日蒸散量(表3), 分析返青期至灌浆期农田ET的时间变化特征。河南省冬小麦农田ET的时间变化趋势在2016年、2017年和2018年保持一致, 在关键生育时期均以返青期的平均日ET为最低, 其后日ET逐渐上升, 抽穗期达到最大值, 灌浆期开始下降。本研究得到的河南麦区平均日ET时间变化特征与姚瑶等[39]研究得到的华北平原冬小麦不同生育阶段的ET特征基本一致。结合郑珍等[1]的研究, 分析冬小麦农田ET时间变化特征与冬小麦生长发育规律的关系, 在冬小麦生育初期, ET主要来自于土壤蒸发, 在快速生长期至生育中期, 植株的蒸腾量变大, 特别是抽穗期至灌浆期, 冬小麦日均ET达到最大, 此时作物对水分亏缺敏感, 应保证该生育阶段水分充分供应以满足作物生长需要, 到了作物生育后期, 冬小麦灌浆期至成熟期, 随着籽粒开始成熟, 叶子变黄, 植株的蒸腾量随之降低, 应减少该生育阶段的田间灌水量, 有助提高作物产量。
表 3 2016年至2018年河南省冬小麦关键生育时期麦区平均日蒸散量Table 3. Average daily evapotranspiration in key growth periods of winter wheat in Henan Province from 2016 to 2018年份
Year返青期
(3月8日)
Regeneration stage
(March 8th)拔节期
(3月24日)
Jointing stage
(March 24th)抽穗期
4月17日)
Heading stage
(April 17th)灌浆期
(5月11日)
Filling stage
(May 11th)mm∙d−1 2016 1.219 1.655 3.623 2.983 2017 1.451 1.933 3.873 3.830 2018 1.130 2.749 3.576 3.410 将河南省冬小麦农田ET的时间特征与空间特征协同分析, 冬小麦农田ET在不同生育时期的空间分布均大体呈现中部和东南部较高, 向西北部和西南部逐渐降低的趋势。分析河南省的地形地貌, 西部、西南部和西北部多山地与丘陵, 这些区域的冬小麦种植区多为雨养区, 易发生春旱和秋旱, 供给蒸发与散发的水分不足, 各生育时期ET均相对较低; 中部和东南部则多平原, 这些区域的冬小麦种植区多为灌溉区, 水热条件较好, 各生育时期ET均相对较高。与张圆等[16]对新疆呼图壁县ET时空格局受人类活动影响的分析一致, 河南省冬小麦区ET的时空变化特征与灌溉条件亦具有较好对应性, 受农业管理活动影响明显。进一步对农业干旱进行评估时, 可利用VIIRS ET与潜在蒸散的关系计算作物缺水指数(crop water stress index, CWSI)[40], 结合其他农业干旱监测指标, 得到河南省干旱时空变化特征。
4. 讨论与结论
本文通过MVC方法优化计算VIIRS NDVI, 将VIIRS NDVI和VIIRS数据反演的地表温度等参数与SRTM DEM、气象观测数据等输入SEBS模型, 估算了2016年至2018年河南省冬小麦返青期至灌浆期的VIIRS ET, 验证了VIIRS ET与P-M ET、Real ET和MODIS ET结果的一致性。前人研究中主要利用MODIS数据和Landsat卫星数据估算ET[41-42], 本文利用NPP VIIRS数据实现了河南省冬小麦ET的高精度估算, 展示了这种新型遥感数据源用于农田ET反演的适用性, 为今后研究中利用NPP VIIRS数据和SEBS模型估算ET提供了方法、技术上的支持。张志高等[41]利用MODIS蒸散产品MOD16研究了河南省2001—2019年蒸散量时空变化特征, 得出河南省ET多年均值西南部山区最高, 东南部较高, 西南部和中北部较低的空间分布特点, 本文与张志高等结论里东南部ET较高、西南部ET较低的趋势相同, 不同点在于本文得到中部ET较高、西北部ET较低的特点, 原因在于本文是去除西南部和西北部等山地、丘陵后的冬小麦ET, 且本文仅研究冬小麦关键生育时期的田间ET。河南中部地区灌溉条件良好, 在冬小麦关键生育时期由于作物生长旺盛且灌溉供水充足, 田间ET较高, 西北部则为冬小麦雨养区, 田间ET相对较低。张志高等[41]研究了多年平均ET, 中部耕地冬季ET较低, 森林覆盖类型的年均ET高于其他土地覆盖类型。通过上述讨论, 在排除研究对象和研究时段不同的影响后, 本文得到的河南省冬小麦ET分布特点与前人研究具有良好的一致性。本文开展了针对农作物关键生育时期的田间ET估算, 可为指导河南省农业水资源管理、分配和高效利用等提供重要依据。本文的主要结论如下:
1)利用NPP VIIRS数据, 结合SEBS模型估算了2016年至2018年河南省冬小麦关键生育时期ET。将本研究方法估算的VIIRS ET与彭曼公式计算的P-M ET进行比较, 两者的总体偏差在10%左右, 且两者的变化趋势具有较高的一致性。将大型土壤蒸渗仪实测Real ET用于精度验证, 计算VIIRS ET的均方根误差RMSE为0.203 mm∙d−1, 验证结果表明, 新型遥感数据NPP VIIRS数据适用于ET反演, 本研究方法估算的VIIRS ET具有较高精度。
2)将利用相同技术方法反演的VIIRS ET与MODIS ET进行线性回归分析, 2016年至2018年R2分别为0.804、0.734和0.802; 以MODIS ET为基准验证VIIRS ET, 3年的RMSE分别为0.222 mm∙d−1、0.158 mm∙d−1和0.211 mm∙d−1。表明VIIRS ET与MODIS ET具有较好的一致性, VIIRS数据可以作为MODIS数据的有效补充与替代遥感数据源, 在农田ET估算中发挥积极作用。
3)河南冬小麦区ET空间分布大体呈现中部和东南部较高, 向西北部和西南部逐渐降低的趋势, ET的空间变化特征与灌溉条件具有较好对应性。研究区冬小麦关键生育时期农田ET的时间变化特征以返青期的平均日ET为最低, 其后日ET逐渐上升, 抽穗期达到最大值, 灌浆期开始下降。河南省冬小麦农田ET的时空特征与冬小麦生长发育规律和田间管理密切相关, 准确估算河南省冬小麦农田ET, 可为设计灌溉管理制度提供科学依据, 对保障区域粮食安全具有重要意义。
-
![]()
图 1 研究区与农业气象观测站位置分布图
Figure 1. Study area and location distribution of agrometeorological observation stations
![]()
图 2 2018年以8 d为间隔的研究区冬小麦关键生育时期(返青期至灌浆期)日蒸散量空间分布图
Figure 2. Spatial distribution of daily evapotranspiration in 2018 at interval of 8 days during winter wheat key growth period (from regeneration to filling) in the study area
![]()
图 3 可见光红外成像辐射仪数据估算日蒸散量(VIIRS ET)与中分辨率成像光谱仪数据估算日蒸散量(MODIS ET)对比图
Figure 3. Comparison between daily evapotranspiration estimated by visible infrared imaging radiometer suite data (VIIRS ET) and by MODIS data (MODIS ET)
表 1 2018年代表性站点冬小麦返青期(3月8日)、拔节期(3月24日)和抽穗期(4月17日)可见光红外成像辐射仪数据估算蒸散(VIIRS ET)与彭曼公式估算蒸散(P-M ET)对比
Table 1 Comparison between ET estimated by visible infrared imaging radiometer suite data (VIIRS ET) and Penman-Monteith formula (P-M ET) at regeneration stage (March 8th), jointing stage (March 24th) and heading stage (April 17th) in 2018 at representative stations
站点
Station返青期(3月8日)
Regeneration stage (March 8th)拔节期(3月24日)
Jointing stage (March 24th)抽穗期(4月17日)
Heading stage (April 17th)VIIRS ET
(mm∙d−1)P-M ET
(mm∙d−1)绝对偏差
Absolute deviation
(mm∙d−1)相对偏差
Relative deviation
(%)VIIRS ET
(mm∙d−1)P-M ET
(mm∙d−1)绝对偏差
Absolute deviation
(mm∙d−1)相对偏差
Relative deviation
(%)VIIRS ET
(mm∙d−1)P-M ET
(mm∙d−1)绝对偏差
Absolute deviation
(mm∙d−1)相对偏差
Relative deviation
(%)民权 Minquan 0.967 0.802 0.165 20.6 2.338 2.493 0.155 6.2 4.249 4.869 0.620 12.7 新蔡 Xincai 0.949 0.868 0.081 8.1 2.155 2.216 0.061 2.8 3.432 4.080 0.648 15.9 许昌 Xuchang 1.209 1.033 0.176 17.0 2.471 2.483 0.012 0.5 3.483 4.094 0.611 14.9 登封 Dengfeng 1.088 1.012 0.076 7.5 2.870 2.857 0.013 0.5 3.510 4.571 1.061 23.2 伊川 Yichuan 1.475 1.231 0.244 19.8 2.374 2.519 0.145 5.8 4.369 5.033 0.664 13.2 孟州 Mengzhou 1.134 0.930 0.204 21.9 2.385 2.396 0.011 0.5 3.774 4.635 0.861 18.6 濮阳 Puyang 1.330 1.235 0.095 7.7 2.510 2.518 0.008 0.3 3.492 3.945 0.453 11.5 长垣 Changyuan 1.047 1.032 0.015 1.4 2.320 2.279 0.041 1.8 3.904 4.688 0.784 16.7 武陟 Wuzhi 0.974 0.916 0.058 6.3 2.027 2.152 0.125 5.8 4.178 4.962 0.784 15.8 平均 Average 1.130 1.006 0.124 12.3 2.383 2.435 0.063 2.7 3.820 4.540 0.721 15.8
下载: 导出CSV
表 2 2018年冬小麦返青期(3月8日)至灌浆期(5月19日)可见光红外成像辐射仪数据估算蒸散(VIIRS ET)与大型称重式蒸渗仪实测蒸散(Real ET)对比
Table 2 Comparison of between daily evapotranspiration estimated by visible infrared imaging radiometer suite data (VIIRS ET) and macro-weighting lysmeter measured ET (Real ET) from winter wheat regeneration stage (March 8th ) to filling stage (May 19th) in 2018
日期(月-日) Data (month-day) Real ET (mm∙d−1) VIIRS ET (mm∙d−1) 绝对偏差 Absolute deviation (mm∙d−1) 相对偏差 Relative deviation (%) 03-08 2.06 1.89 0.17 8.25 03-16 2.23 2.16 0.07 3.14 03-24 3.52 3.22 0.30 8.52 04-01 2.81 3.05 0.24 8.54 04-09 2.66 2.84 0.18 6.77 04-17 3.73 3.30 0.43 11.53 04-25 3.07 2.74 0.33 10.75 05-03 4.29 4.32 0.03 0.70 05-11 2.16 2.02 0.14 6.48 05-19 2.24 2.18 0.06 2.68 平均 Average 2.88 2.77 0.20 6.74
下载: 导出CSV
表 3 2016年至2018年河南省冬小麦关键生育时期麦区平均日蒸散量
Table 3 Average daily evapotranspiration in key growth periods of winter wheat in Henan Province from 2016 to 2018
年份
Year返青期
(3月8日)
Regeneration stage
(March 8th)拔节期
(3月24日)
Jointing stage
(March 24th)抽穗期
4月17日)
Heading stage
(April 17th)灌浆期
(5月11日)
Filling stage
(May 11th)mm∙d−1 2016 1.219 1.655 3.623 2.983 2017 1.451 1.933 3.873 3.830 2018 1.130 2.749 3.576 3.410
下载: 导出CSV
-
[1] 郑珍, 王子凯, 蔡焕杰. 基于SIMDual_Kc模型估算非充分灌水条件下冬小麦蒸散量[J]. 排灌机械工程学报, 2020, 38(2): 212−216 ZHENG Z, WANG Z K, CAI H J. Estimation of evapotranspiration of winter wheat under deficient irrigation based on SIMDual_Kc model[J]. Journal of Drainage and Irrigation Machinery Engineering, 2020, 38(2): 212−216
[2] FONG B N, REBA M L, TEAGUE T G, et al. Eddy covariance measurements of carbon dioxide and water fluxes in US mid-south cotton production[J]. Agriculture, Ecosystems & Environment, 2020, 292: 106813
[3] 李杰, 陈锐, 吴杨焕, 等. 北疆地区滴灌冬小麦农田蒸散特征[J]. 干旱地区农业研究, 2016, 34(1): 31−37, 80 doi: 10.7606/j.issn.1000-7601.2016.01.05 LI J, CHEN R, WU Y H, et al. Evapotranspiration in a drip-irrigated winter wheat field in Northern Xinjiang[J]. Agricultural Research in the Arid Areas, 2016, 34(1): 31−37, 80 doi: 10.7606/j.issn.1000-7601.2016.01.05
[4] 王妍, 张晓龙, 石嘉丽, 等. 中国冬小麦主产区气候变化及其对小麦产量影响研究[J]. 中国生态农业学报(中英文), 2022, 30(5): 723−734 doi: 10.12357/cjea.20210702 WANG Y, ZHANG X L, SHI J L, et al. Climate change and its effect on winter wheat yield in the main winter wheat production areas of China[J]. Chinese Journal of Eco-Agriculture, 2022, 30(5): 723−734 doi: 10.12357/cjea.20210702
[5] 胡程达, 方文松, 王红振, 等. 河南省冬小麦农田蒸散和作物系数[J]. 生态学杂志, 2020, 39(9): 3004−3010 HU C D, FANG W S, WANG H Z, et al. Evapotranspiration and crop coefficient of winter wheat cropland in Henan Province[J]. Chinese Journal of Ecology, 2020, 39(9): 3004−3010
[6] 宋璐璐, 尹云鹤, 吴绍洪. 蒸散发测定方法研究进展[J]. 地理科学进展, 2012, 31(9): 1186−1195 doi: 10.11820/dlkxjz.2012.09.010 SONG L L, YIN Y H, WU S H. Advancements of the metrics of evapotranspiration[J]. Progress in Geography, 2012, 31(9): 1186−1195 doi: 10.11820/dlkxjz.2012.09.010
[7] LI Z L, TANG R L, WAN Z M, et al. A review of current methodologies for regional evapotranspiration estimation from remotely sensed data[J]. Sensors, 2009, 9(5): 3801−3853 doi: 10.3390/s90503801
[8] 郑超磊, 胡光成, 陈琪婷, 等. 遥感土壤水分对蒸散发估算的影响[J]. 遥感学报, 2021, 25(4): 990−999 ZHENG C L, HU G C, CHEN Q T, et al. Impact of remote sensing soil moisture on the evapotranspiration estimation[J]. National Remote Sensing Bulletin, 2021, 25(4): 990−999
[9] TANG R L, LI Z L, TANG B H. An application of the Ts-VI triangle method with enhanced edges determination for evapotranspiration estimation from MODIS data in arid and semi-arid regions: implementation and validation[J]. Remote Sensing of Environment, 2010, 114(3): 540−551 doi: 10.1016/j.rse.2009.10.012
[10] 矫京均, 辛晓洲, 余珊珊, 等. HJ-1卫星数据估算地表能量平衡[J]. 遥感学报, 2014, 18(5): 1048−1058 doi: 10.11834/jrs.20143322 JIAO J J, XIN X Z, YU S S, et al. Estimation of surface energy balance from HJ-1 satellite data[J]. Journal of Remote Sensing, 2014, 18(5): 1048−1058 doi: 10.11834/jrs.20143322
[11] 张振宇, 李小玉, 孙浩. 地表反照率不同计算方法对干旱区流域蒸散反演结果的影响−以新疆三工河流域为例[J]. 生态学报, 2019, 39(8): 2911−2921 ZHANG Z Y, LI X Y, SUN H. Influence of different surface albedo calculation methods on the simulation of evapotranspiration from the Sangong River Basin in the arid region of Xinjiang[J]. Acta Ecologica Sinica, 2019, 39(8): 2911−2921
[12] SU Z. The Surface Energy Balance System (SEBS) for estimation of turbulent heat fluxes[J]. Hydrology and Earth System Sciences, 2002, 6(1): 85−100 doi: 10.5194/hess-6-85-2002
[13] MA W Q, HAFEEZ M, ISHIKAWA H, et al. Evaluation of SEBS for estimation of actual evapotranspiration using ASTER satellite data for irrigation areas of Australia[J]. Theoretical and Applied Climatology, 2013, 112(3/4): 609−616
[14] 张亚丽, 王万同. 遥感估算伊洛河流域地表蒸散的空间尺度转换[J]. 测绘学报, 2013, 42(6): 906−912 ZHANG Y L, WANG W T. Spatial scaling transformation of evapotranspiration based on remote sensing in Yiluo River basin[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(6): 906−912
[15] WU X J, ZHOU J, WANG H J, et al. Evaluation of irrigation water use efficiency using remote sensing in the middle reach of the Heihe River, in the semi-arid Northwestern China[J]. Hydrological Processes, 2015, 29(9): 2243−2257 doi: 10.1002/hyp.10365
[16] 张圆, 郑江华, 刘志辉, 等. 基于Landsat8遥感影像和SEBS模型的呼图壁县蒸散量时空格局分析[J]. 生态科学, 2016, 35(2): 26−32 ZHANG Y, ZHENG J H, LIU Z H, et al. Spatial and temporal distribution of evapotranspiration in the Hutubi County based on Landsat8 data and SEBS model[J]. Ecological Science, 2016, 35(2): 26−32
[17] MOHAMMADIAN M, ARFANIA R, SAHOUR H. Evaluation of SEBS algorithm for estimation of daily evapotranspiration using Landsat-8 dataset in a semi-arid region of central Iran[J]. Open Journal of Geology, 2017, 7(3): 335−347 doi: 10.4236/ojg.2017.73023
[18] 郑倩倩, 代鹏超, 张金燕, 等. 基于SEBS模型的精河流域蒸散发研究[J]. 干旱区研究, 2020, 37(6): 1378−1387 ZHENG Q Q, DAI P C, ZHANG J Y, et al. Evapotranspiration in the Jinghe River Basin based on the surface energy balance system[J]. Arid Zone Research, 2020, 37(6): 1378−1387
[19] 赵笑然, 石汉青, 杨平吕, 等. NPP卫星VIIRS微光资料反演夜间PM2.5质量浓度[J]. 遥感学报, 2017, 21(2): 291−299 ZHAO X R, SHI H Q, YANG P L, et al. Inversion algorithm of PM2.5 air quality based on nighttime light data from NPP-VIIRS[J]. Journal of Remote Sensing, 2017, 21(2): 291−299
[20] 丁梦娇, 丘仲锋, 张海龙, 等. 基于NPP-VIIRS卫星数据的渤黄海浊度反演算法研究[J]. 光学学报, 2019, 39(6): 17−25 DING M J, QIU Z F, ZHANG H L, et al. Inversion algorithm for turbidity of Bohai and Yellow Seas based on NPP-VIIRS satellite data[J]. Acta Optica Sinica, 2019, 39(6): 17−25
[21] 孙皓, 李传华, 姚晓军. 基于NPP-VIIRS数据的喜马拉雅山北坡典型湖泊湖冰提取分析[J]. 冰川冻土, 2021, 43(1): 70−79 SUN H, LI C H, YAO X J. Extraction and analysis of lake ice in typical lakes on the northern slopes of the Himalayas based on NPP-VIIRS data[J]. Journal of Glaciology and Geocryology, 2021, 43(1): 70−79
[22] LI F, WANG Q L, HU W J, et al. Rapid assessment of disaster damage and economic resilience in relation to the flooding in Zhengzhou, China in 2021[J]. Remote Sensing Letters, 2022, 13(7): 651−662 doi: 10.1080/2150704X.2022.2068987
[23] WANG M J, WANG Y J, TENG F, et al. Estimation and analysis of PM2.5 concentrations with NPP-VIIRS nighttime light images: a case study in the Chang-Zhu-Tan urban agglomeration of China[J]. International Journal of Environmental Research and Public Health, 2022, 19(7): 4306 doi: 10.3390/ijerph19074306
[24] 苏城林, 苏林, 陈良富, 等. NPP VIIRS数据反演气溶胶光学厚度[J]. 遥感学报, 2015, 19(6): 977−982 SU C L, SU L, CHEN L F, et al. Retrieval of aerosol optical depth using NPP VIIRS data[J]. Journal of Remote Sensing, 2015, 19(6): 977−982
[25] 张宇. 基于SEBS模型的河南省麦区蒸散发估算[D]. 郑州: 郑州大学, 2019 ZHANG Y. Estimation of evapotranspiration in wheat area of Henan Province based on SEBS model[D]. Zhengzhou: Zhengzhou University, 2019
[26] PEREIRA L S, ALLEN R G, SMITH M, et al. Crop evapotranspiration estimation with FAO56: Past and future[J]. Agricultural Water Management, 2015, 147: 4−20 doi: 10.1016/j.agwat.2014.07.031
[27] 王欢, 张超, 郧文聚, 等. 基于多时相GF1-WFV和GF3-FSⅡ极化特征的湿地分类[J]. 农业机械学报, 2020, 51(3): 209−215 doi: 10.6041/j.issn.1000-1298.2020.03.024 WANG H, ZHANG C, YUN W J, et al. Wetland classification based on multi-temporal GF1-WFV and GF3-FSⅡ polarization features[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(3): 209−215 doi: 10.6041/j.issn.1000-1298.2020.03.024
[28] 何真, 胡洁, 蔡志文, 等. 协同多时相国产GF-1和GF-6卫星影像的艾草遥感识别[J]. 农业工程学报, 2022, 38(1): 186−195 doi: 10.11975/j.issn.1002-6819.2022.01.021 HE Z, HU J, CAI Z W, et al. Remote sensing identification forArtemisia argyi integrating multi-temporal GF-1 and GF-6 images[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(1): 186−195 doi: 10.11975/j.issn.1002-6819.2022.01.021
[29] 李颖, 李耀辉, 王金鑫, 等. SVM和ANN在多光谱遥感影像分类中的比较研究[J]. 海洋测绘, 2016, 36(5): 19−22 doi: 10.3969/j.issn.1671-3044.2016.05.005 LI Y, LI Y H, WANG J X, et al. A comparative study of SVM and ANN in multispectral image classification[J]. Hydrographic Surveying and Charting, 2016, 36(5): 19−22 doi: 10.3969/j.issn.1671-3044.2016.05.005
[30] 王蕊, 张继权, 曹永强, 等. 基于SEBS模型估算辽西北地区蒸散发及时空特征[J]. 水土保持研究, 2017, 24(6): 382−387 WANG R, ZHANG J Q, CAO Y Q, et al. Estimation of evapotranspiration and analysis of temporal-space characteristic in northwest of Liaoning Province based on SEBS model[J]. Research of Soil and Water Conservation, 2017, 24(6): 382−387
[31] 何磊, 王瑶, 别强, 等. 基于SEBS-METRIC方法的黑河流域中游地区农田蒸散[J]. 兰州大学学报(自然科学版), 2013, 49(4): 504−510 HE L, WANG Y, BIE Q, et al. Estimation of field evapotranspiration in the middle reaches of Heihe River Basin based on SEBS-METRIC method[J]. Journal of Lanzhou University (Natural Sciences), 2013, 49(4): 504−510
[32] 李颖, 李耀辉, 王金鑫. 夏玉米生长过程曲线重建研究−以鹤壁市为例[J]. 气象与环境科学, 2016, 39(4): 7−13 LI Y, LI Y H, WANG J X. Research on summer corn growth curve reconstruction: a case study in Hebi[J]. Meteorological and Environmental Sciences, 2016, 39(4): 7−13
[33] DJAMAN K, IRMAK S, KABENGE I, et al. Evaluation of FAO-56 Penman-Monteith model with limited data and the Valiantzas models for estimating grass-reference evapotranspiration in Sahelian conditions[J]. Journal of Irrigation and Drainage Engineering, 2016, 142(11). DOI: 10.1061/(ASCE)IR.1943-4774.0001070
[34] 韩淑敏, 程一松, 胡春胜. 太行山山前平原作物系数与降水年型关系探讨[J]. 干旱地区农业研究, 2005, 23(5): 152−158 doi: 10.3321/j.issn:1000-7601.2005.05.030 HAN S M, CHENG Y S, HU C S. Relationship between crop coefficient and precipitation pattern in the piedmont of Mt. Taihang[J]. Agricultural Research in the Arid Areas, 2005, 23(5): 152−158 doi: 10.3321/j.issn:1000-7601.2005.05.030
[35] 何延波, 王石立. 遥感数据支持下不同地表覆盖的区域蒸散[J]. 应用生态学报, 2007, 18(2): 288−296 doi: 10.3321/j.issn:1001-9332.2007.02.010 HE Y B, WANG S L. Regional evapotranspiration of different land covers based on remote sensing[J]. Chinese Journal of Applied Ecology, 2007, 18(2): 288−296 doi: 10.3321/j.issn:1001-9332.2007.02.010
[36] 曾丽红, 宋开山, 张柏, 等. 松嫩平原不同地表覆盖蒸散特征的遥感研究[J]. 农业工程学报, 2010, 26(9): 233−242, 388 doi: 10.3969/j.issn.1002-6819.2010.09.039 ZENG L H, SONG K S, ZHANG B, et al. Analysis of evapotranspiration characteristics for different land covers over Songnen Plain based on remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(9): 233−242, 388 doi: 10.3969/j.issn.1002-6819.2010.09.039
[37] 褚荣浩, 李萌, 谢鹏飞, 等. 安徽省近20年地表蒸散和干旱变化特征及其影响因素分析[J]. 生态环境学报, 2021, 30(6): 1229−1239 CHU R H, LI M, XIE P F, et al. Characteristics and influencing factors of surface evapotranspiration and drought in Anhui Province during recent 20 years[J]. Ecology and Environmental Sciences, 2021, 30(6): 1229−1239
[38] 赵红, 赵玉金, 李峰, 等. FY-3/VIRR卫星遥感数据反演省级区域蒸散量[J]. 农业工程学报, 2014, 30(13): 111−118, 294 doi: 10.3969/j.issn.1002-6819.2014.13.014 ZHAO H, ZHAO Y J, LI F, et al. Modelling evapotranspiration in provincial regions based on FY-3/VIRR remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(13): 111−118, 294 doi: 10.3969/j.issn.1002-6819.2014.13.014
[39] 姚瑶, 唐婉莹, 袁宏伟, 等. 基于称重式蒸渗仪的淮北平原冬小麦蒸散估算模型的本地化[J]. 麦类作物学报, 2020, 40(6): 737−745 doi: 10.7606/j.issn.1009-1041.2020.06.12 YAO Y, TANG W Y, YUAN H W, et al. Calibration of evapotranspiration for winter wheat based on the value of weighing lysimeter measurements in Huaibei Plain[J]. Journal of Triticeae Crops, 2020, 40(6): 737−745 doi: 10.7606/j.issn.1009-1041.2020.06.12
[40] 赵焕, 徐宗学, 赵捷. 基于CWSI及干旱稀遇程度的农业干旱指数构建及应用[J]. 农业工程学报, 2017, 33(9): 116−125, 316 doi: 10.11975/j.issn.1002-6819.2017.09.015 ZHAO H, XU Z X, ZHAO J. Development and application of agricultural drought index based on CWSI and drought event rarity[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(9): 116−125, 316 doi: 10.11975/j.issn.1002-6819.2017.09.015
[41] 张志高, 邵亚军, 郭超凡, 等. 基于MOD16的河南省地表蒸散量时空变化特征[J]. 西南师范大学学报(自然科学版), 2021, 46(9): 128−135 ZHANG Z G, SHAO Y J, GUO C F, et al. On spatial-temporal variation charaateristics of evapotranspiration in Henan Province based on MOD16 data[J]. Journal of Southwest China Normal University (Natural Science Edition), 2021, 46(9): 128−135
[42] 蒋博武, 孟丹, 郭晓彤, 等. 基于Landsat-8 遥感数据的冬小麦种植区地表蒸散量时空分布研究[J]. 灌溉排水学报, 2022, 41(7): 140−146 JIANG B W, MENG D, GUO X T, et al. Calculating spatiotemporal distribution of evapotranspiration of winter wheat using the Landsat-8 imageries[J]. Journal of Irrigation and Drainage, 2022, 41(7): 140−146
-
期刊类型引用(0)
其他类型引用(4)
计量
- 文章访问数: 571
- HTML全文浏览量: 230
- PDF下载量: 80
- 被引次数: 4
