王桐1,2
,
唐荣林1,2
,
李召良3,1
,
姜亚珍2
,
刘萌1,2
,
唐伯惠1
,
吴骅1
|
收稿日期: 2017-10-12; 预印本: 2018-01-29
基金项目: 国家自然科学基金(编号：41571351，41571367)；科技部国际合作项目(编号：2014DFE10220)；北京市科委项目(编号：Z181100005318003)
第一作者简介: 王桐，1993年生，男，硕士研究生，研究方向为地表蒸散发遥感反演。E-mail：tongwang_whu@163.com
通信作者简介: 唐荣林，1983年生，男，研究员，研究方向为地表蒸散发和土壤水分的遥感反演。E-mail：tangrl@lreis.ac.cn
|
摘要
遥感技术能够提供卫星过境时刻地表参量的瞬时值，进而通过模型构建可反演得到瞬时蒸散发。相对于瞬时蒸散发，日尺度蒸散发在实际生产生活中具有更重要的应用价值。本文系统地总结分析了遥感反演瞬时蒸散发的代表性日尺度扩展方法，包括蒸发比不变法、解耦因子不变法、辐射能量比不变法、参考蒸发比不变法、地表阻抗不变法和数据同化法，并对各方法的基本原理、估算精度、适用性等进行了对比分析。在此基础上，进一步综述了日尺度扩展方法存在的不确定性和主要问题，包括扩展方法本身误差、云覆盖、气象数据获取、夜间蒸散发估算、遥感反演同扩展误差累积及真实性检验等，并指出今后应从加强有云天及夜间蒸散发扩展机理和方法等方面的研究来提升瞬时蒸散发日尺度扩展精度。
关键词
遥感, 蒸散发, 时间尺度, 扩展方法, 不确定性分析
WANG Tong1,2
,
TANG Ronglin1,2
,
LI Zhaoliang3,1
,
JIANG Yazhen2
,
LIU Meng1,2
,
TANG Bohui1
,
WU Hua1
Abstract
Evapotranspiration (ET), including evaporation from soil surface and vegetation transpiration, is an important component for water and energy balances on the Earth’s surface. The quantification of ET at daily or long time scales is significant in modeling the global hydrological cycle, studying climate change, and managing water resources. However, current remote sensing-based ET models can generally only provide snapshots of ET at the time of a satellite overpass and do not satisfy the expectations of hydrologists, irrigation engineers, and water resources managers concerned with practical applications. In this paper, a comprehensive overview of the methods for estimating daily ET from remotely sensed instantaneous observations is presented. These methods include the constant upscaling factor methods (constant evaporative fraction, constant decoupling factor, radiation-energy derived, constant reference evaporative fraction, and constant surface resistance) and data assimilation method. The commonly used approaches are compared with a discussion regarding the main merits, limitations, and accuracies. The problems and uncertainties of the temporal upscaling of ET, including the evaluation of model applicability, the daily variation of cloud, the spatial interpolation accuracy of meteorological parameters, nighttime ET, the uncertainties from the temporal upscaling methods and ET models, and the approaches of accuracy assessment, are discussed. To improve the accuracy of daily ET estimation from remotely sensed instantaneous observations, several suggestions for future research are proposed as follows: First, research on the continuous surface meteorological data at remote sensing image pixel scale should be enhanced because large-area applications of the temporal upscaling methods are hampered by the lack of appropriate ground-based observations and the spatial heterogeneity causes low accuracy of the spatial interpolation methods of meteorological parameters. Second, the accuracy of ET estimation using remotely sensed data can significantly affect the accuracy of the temporal upscaling of ET. As ET estimation models have not been perfected yet, the methods for the temporal upscaling of ET can be combined with those for ET estimation to reduce the influence of accumulated errors. Third, to weaken the influence of unstable upscaling factor during cloudy days, research on the relation between the constant upscaling factor and cloud (e.g., the appearing time, thickness, and duration of cloud) should be enhanced. Therefore, developing a robust method for the temporal upscaling of ET during cloudy days is vital. Fourth, research on the physical mechanisms of each commonly used method and development of an improved upscaling factor that can be independent of the variation in atmospheric variables and can incorporate the horizontal advection are essential. Fifth, numerous methods for the temporal upscaling of ET can only accurately provide daytime ET, whereas the daily ET is closely concerned with practical applications. Thus, research regarding the temporal upscaling methods should be enhanced in consideration of nighttime ET and its physical mechanisms. Finally, enhancing the research on the new technology and methods of accuracy assessment for ET can weaken the uncertainty of verification.
Key words
remote sensing, evapotranspiration, temporal scale, upscaling methods, uncertainty analysis
1 引 言
蒸散发(ET)，包括土壤蒸发和植被蒸腾，是地球表层能量交换的主要过程，也是水循环中最重要的分量之一(Priestley和Taylor，1972)。从技术性、经济性和实效性等方面来看，遥感技术以其快速、高时空分辨率、适用于大面积长期观测的特点，被认为是高时效、高精度获取地球表面区域或全球尺度蒸散发最有效的方法(Li 等，2009)。然而，基于遥感反演模型得到的地表蒸散发一般为瞬时值，无法满足实际应用中对日尺度甚至更长时间尺度蒸散发的要求，而精确的蒸散发日尺度值能够为流域水资源管理、水文循环研究及农业灌溉用水决策提供重要指导(Tang 等，2013)。因此，当前迫切需要开展遥感反演地表蒸散发的日尺度扩展研究。
遥感反演瞬时蒸散发日尺度扩展是地表蒸散发定量遥感研究的热点问题与前沿课题之一。自20世纪70年代以来，扩展因子法及数据同化法等多种遥感反演瞬时蒸散发的日尺度扩展方法被相继提出。现有的日尺度扩展研究方法在实际应用中大多以卫星过境时刻与白天/日平均的扩展因子相等为假设，学者们通过开展地表蒸散发与各地表能量辐射、参考蒸散发、阻抗以及各参量的组合等主要控制/表征因子之比(即蒸散发日尺度扩展因子)日内变化过程的计算，进而利用一天内相对平稳的扩展因子进行瞬时蒸散发的日尺度扩展(Gómez 等，2005；Sobrino 等，2007；Gao 等，2008；Jia 等，2009；Galleguillos 等，2011；Delogu 等，2012；Tang 等，2013；Xu 等，2015；Wandera 等，2017；Zhang 等，2017)，并逐步尝试新的扩展因子，如表征地表—大气交互作用程度的解耦系数等(Tang和Li, 2017a，2017b)。本文综述了各扩展方法的基本原理，全面总结了各方法的适用条件、优缺点、误差来源及扩展精度，深入分析了制约瞬时蒸散发日尺度扩展的技术瓶颈，明确指出了瞬时蒸散发日尺度扩展未来研究的突破点及发展方向。
2 日尺度扩展方法
开展遥感反演瞬时地表蒸散发的日尺度扩展，其核心即为利用一天中有限卫星过境时刻获得的瞬时蒸散发估算出日蒸散发。20世纪70年代以来，研究者首先假定地表蒸散发与入射短波辐射具有相同的日内变化特征(在晴空无云条件下呈正弦函数变化)，实现瞬时蒸散发到日尺度蒸散发的扩展(Jackson 等，1983)。随着瞬时蒸散发日尺度扩展研究的进一步发展，相继提出了日尺度扩展因子法和数据同化法。扩展因子法，即寻找一个与蒸散发密切相关的变量X(如地表可利用能量、参考蒸散发等)来构建日尺度扩展因子(即卫星过境时刻瞬时蒸散发与变量X之比)，并假定卫星过境时刻的日尺度扩展因子在一天内保持相对稳定，进而将瞬时蒸散发扩展至日蒸散发。代表性日尺度扩展方程可以表示为
| $\frac{{E{T_{\rm{i}}}}}{{E{T_{\rm{d}}}}}=\frac{{L{E_{\rm{i}}}}}{{L{E_{\rm{d}}}}}=\frac{{{X_{\rm{i}}}}}{{{X_{\rm{d}}}}}$ | (1) |
式中，LE代表潜热通量，是ET的能量表达形式，在本文中与ET互用，X为与蒸散发变化过程密切相关的变量，如地表可利用能量、下行太阳辐射、地表净辐射和参考蒸散发等。下标“i”和“d”分别代表瞬时尺度与日尺度，下同。
目前，国内外基于遥感反演瞬时蒸散发进行日尺度扩展的研究，所形成的方法主要有2大类，分别是扩展因子法(包括蒸发比不变法、解耦因子不变法、辐射能量比不变法、参考蒸发比不变法、地表阻抗不变法等)和数据同化法。
2.1 扩展因子法
2.1.1 蒸发比不变法
蒸发比(EF)是指潜热通量与地表可利用能量(地表净辐射通量Rn与土壤热通量G之差)的比值(Shuttleworth，1989)。在蒸发比不变法中，式(1)中的X为地表可利用能量，即
| $\frac{{L{E_{\rm{i}}}}}{{L{E_{\rm{d}}}}}=\frac{{{{({R_{\rm{n}}} - G)}_{\rm{i}}}}}{{{{({R_{\rm{n}}} - G)}_{\rm{d}}}}}$ | (2) |
该方法的理论基础是蒸发比在白天的相对稳定性(图1)。20世纪80年代末至90年代，研究者们发现，蒸发比在白天具有较好的稳定性，并明确指出这一发现在由瞬时蒸散发扩展至日尺度蒸散发的研究中具有重要意义(Sugita和Brutsaert，1991；Brutsaert和Sugita，1992)。20世纪90年代中期以来，研究者们基于PM(Penman-Monteith)方程、空气动力学水热传输方程和土壤—植被—大气传输(SVAT)物理模型等，研究了蒸发比在白天保持相对稳定的物理机制及其日内变化过程与环境参数的关系，并认为蒸发比的全天稳定性受环境影响较大。Crago(1996)发现，辐射作用、云以及地表变量和大气变量的复杂反馈关系会导致白天蒸发比微弱波动。其中，土壤湿度以及植被阻抗是影响蒸发比稳定性的重要地表参量，土壤湿度同蒸发比呈正相关；相同土壤湿度情况下，叶面积指数越大，蒸发比稳定性越差(Gentine 等，2007)。同时，土壤组分的蒸发比较植被组分稳定性更好的特性使得植被指数低的地区蒸发比稳定性好于植被指数高的地区(Lhomme和Elguero，1999；Farah 等，2004)。另外，云、能量平流以及地表的空间异质性会影响蒸发比的测定；研究表明，利用地表温度和近地表气温间的差值可以对其进行纠正(Gentine 等，2007)。研究者们通过理论推导和数值模拟发现：在不同大气强迫条件下，蒸发比在白天的变化过程可能呈凹型曲线、水平线、抛物线等多种表现形式(Crago，1996；Hoedjes 等，2008；Gentine 等，2011)。仅当天空无云、环境干燥以及有较强的下行短波辐射时，日蒸发比的表现形式会接近水平线；随着空气相对湿度的增大、下行短波辐射的逐渐减弱，蒸发比的日变化模式将会转变为凹形曲线或抛物线，而凹形曲线将会导致蒸发比不变法在正午时刻扩展时出现不可忽视的低估。综上所述，蒸发比法由于物理基础不严密，稳定性受到多方面因素的影响，其扩展精度具有一定的不确定性。大量实验表明，受到蒸发比不稳定性的影响，此方法会低估(低估程度 10%—20%)白天/日尺度蒸散发(Allen 等，2007；Gentine 等，2007，2011；Hoedjes 等，2008；刘国水 等，2011a；van Niel 等，2012；Delogu 等，2012；Ryu 等，2012；陈鹤 等，2013)。然而，部分研究同时也发现，利用蒸发比不变法可能会高估白天/日尺度的蒸散发，高估程度约10%(Farah 等，2004；Nichols和Cuenca，1993)。由于蒸发比的全天稳定性是影响蒸发比不变法的关键因素之一，故在近似无云、环境干燥、植被类型简单、地表能量平流较小时，此方法才能得到较高精度的估算结果。
学者们尝试运用多种方法来提升蒸发比法日尺度扩展的精度，如Chemin和Alexandridis(2001)提出了假设土壤热通量日均值为0的简化方法，以减小计算日尺度蒸散发时因土壤热通量精度不够带来的误差；Delogu 等(2012)发展了一种利用下行短波辐射及相对湿度计算蒸发比的方法，该方法借助这两个关键物理量即可克服由蒸发比日变化凹形曲线导致的正午时刻扩展值偏低的问题，使其低估程度从15.8%降至6.5%；van Niel 等(2011)在扩展过程中引入了白天蒸散发同全天蒸散发、白天有效能量、蒸发比之间的3个差异系数修正蒸散发偏差，降低日蒸散发估算误差约0.5 mm/d。另有一些学者尝试引入经验系数(1.1左右，不同研究、季节及气候区有所不同)对蒸发比法日尺度扩展结果进行校正(Zhang和Lemeur，1995；Sugita和Brutsaert，1991；Anderson 等，1997)。
尽管很多学者对白天蒸发比相对稳定这一规律存在质疑，但由于简单易用，蒸发比不变法仍然是目前研究最多、应用最为广泛的时间尺度扩展方法，很多研究已经利用该方法从瞬时蒸散发得到了日蒸散发(Gómez 等，2005；Sobrino 等，2007；Gao 等，2008；Jia 等，2009；Galleguillos 等，2011；Tang 等，2013；赵晓松 等，2013；Xu 等，2015；Wandera 等，2017)。
2.1.2 解耦因子不变法
由于蒸发比法难以保证扩展因子在全天的稳定性，且容易造成日蒸散发的低估，Tang和Li(2017a,2017b)提出了解耦因子不变法。该方法首先对PM方程进行重构，将地表蒸散发(或潜热通量)表示为
| $LE = \alpha \frac{\Delta }{{\Delta + \gamma }}({R_{\rm n}} - G)$ | (3) |
| $\alpha = \varOmega /{\varOmega ^*}$ | (4) |
| $\varOmega = \dfrac{1}{{1 + \dfrac{\gamma }{{\Delta + \gamma }}\dfrac{{{r_{\rm s}}}}{{{r_{\rm a}}}}}}$ | (5) |
| ${\varOmega ^*} = \dfrac{1}{{1 + \dfrac{\gamma }{{\Delta + \gamma }}\dfrac{{{r^*}}}{{{r_{\rm a}}}}}}$ | (6) |
| ${r^*} = \frac{{(\Delta + \gamma)\rho {c_{\rm p}}VPD}}{{\Delta \gamma ({R_{\rm n}} - G)}}$ | (7) |
式中，Δ为饱和水汽压与空气温度曲线斜率，kPa/°C；
基于式(3)—(7)可以同时适用于计算瞬时蒸散发及日尺度蒸散发的性质(Allen 等，1998；ASCE-EWRI，2005)，能够得到
| $\begin{split} L{E_{\rm{d}}} = & \frac{{L{E_{\rm{i}}}{{({R_{\rm{n}}} - G)}_{\rm{d}}}}}{{{{({R_{\rm{n}}} - G)}_{\rm{i}}}}}\frac{{{\Delta _{\rm{d}}}}}{{{\Delta _{\rm{d}}} + \gamma }}\frac{{{\Delta _{\rm{i}}} + \gamma }}{{{\Delta _{\rm{i}}}}}\frac{{{\alpha _{\rm{d}}}}}{{{\alpha _{\rm{i}}}}} = \\ & \frac{{L{E_{\rm{i}}}{{({R_{\rm{n}}} - G)}_{\rm{d}}}}}{{{{({R_{\rm{n}}} - G)}_{\rm{i}}}}}\frac{{{\Delta _{\rm{d}}}}}{{{\Delta _{\rm{d}}} + \gamma }}\frac{{{\Delta _{\rm{i}}} + \gamma }}{{{\Delta _{\rm{i}}}}}\frac{{\varOmega _{\rm{i}}^*}}{{\varOmega _{\rm{d}}^*}}\frac{{{\varOmega _{\rm{d}}}}}{{{\varOmega _{\rm{i}}}}} \end{split} $ | (8) |
假设Ω的日尺度值和瞬时值相等，得到
| $\begin{split} L{E_{\rm{d}}}= &\frac{{L{E_{\rm{i}}}{{({R_{\rm{n}}} - G)}_{\rm{d}}}}}{{{{({R_{\rm{n}}} - G)}_{\rm{i}}}}}\frac{{{\Delta _{\rm{d}}}}}{{{\Delta _{\rm{d}}} + \gamma }}\frac{{{\Delta _{\rm{i}}} + \gamma }}{{{\Delta _{\rm{i}}}}}\frac{{\varOmega _{\rm{i}}^*}}{{\varOmega _{\rm{d}}^*}} = \\ & {(L{E_{\rm{d}}})_{{\rm{EF}}}}\frac{{{\Delta _{\rm{d}}}}}{{{\Delta _{\rm{d}}} + \gamma }}\frac{{{\Delta _{\rm{i}}} + \gamma }}{{{\Delta _{\rm{i}}}}}\frac{{\varOmega _{\rm{i}}^*}}{{\varOmega _{\rm{d}}^*}} \end{split} $ | (9) |
式中，(LEd)EF表示同样情况下通过蒸发比不变法计算出的日潜热通量。
从式(9)可以看出，解耦因子不变法实质上可以看成是蒸发比不变法的修正方法，其通过修正参数
值得注意的是，该方法需提供较多地面测量参数(气温、风速及饱和水汽压差等)。同时，作为新近提出的日尺度扩展方法，仍需大量实验对其扩展性能进行验证。
2.1.3 辐射能量比不变法
辐射能量比是指潜热通量与太阳辐射驱动能量(如下行短波辐射、大气层顶太阳辐射等)的比值。该方法利用地表蒸散发与入射太阳辐射、净辐射、大气层顶太阳辐射等具有相似的日内变化特征(图2)，即辐射能量比不变来进行日尺度扩展。例如，早期Jackson等(1983)利用地表蒸散发同太阳辐射在无云天呈正弦函数变化的性质开展了正弦关系法日尺度扩展的研究；之后，瞬时蒸散发同下行太阳辐射之比又被很多研究作为扩展因子进行日尺度扩展(Jackson 等，1983；谢贤群，1991；陈云浩 等，2002；黄妙芬 等，2008；Sun 等，2009；van Niel 等，2011；熊育久 等，2012)，称为下行太阳辐射法；另外，大气层顶太阳辐射(Ryu 等，2012)、净辐射(Brutsaert和Sugita，1992；陈鹤 等，2013)等也被发现同蒸散发具有相似的日内变化特征，被用于蒸散发日尺度扩展因子的构建，即
| $ \frac{{L{E_{\rm{i}}}}}{{L{E_{\rm{d}}}}}=\frac{{R_{{\rm{s,i}}}}}{{{R_{{\rm{s}},{\rm{d}}}}}}\left({\text{或}}\frac{{R_{{\rm{n,i}}}}}{{{R_{{\rm{n}},{\rm{d}}}}}},\;\frac{{R_{{\rm{s}},{\rm{i}}}^{{\rm{TOP}}}}}{{R_{{\rm{s}},{\rm{d}}}^{{\rm{TOP}}}}}{\text{等}}\right) $ | (10) |
式中，Rs表示短波太阳辐射，W/m2；
正弦函数法、下行太阳辐射法、大气层顶太阳辐射法及净辐射法均为辐射能量比不变法。其中，正弦函数法仅适用于完全晴空条件，大气层顶太阳辐射法的蒸散发日尺度扩展仅与特定时间、位置及日地间几何关系相关，下行太阳辐射法、净辐射法难以充分考虑水平平流和气象参数变化的影响。故这些以辐射能量构建日尺度扩展因子的方法，无法考虑气温、风速变化以及大气水平平流等对蒸散发日变化过程的影响，在应用上有较大局限性。
2.1.4 参考蒸发比不变法
考虑到参考蒸散发与实际蒸散发对气象参数具有相似的响应过程，Trezza(2002)利用参考蒸散发构建时间尺度扩展因子，提出了参考蒸发比(实际蒸散发与参考蒸散发之比)不变的时间尺度扩展方法(又被国内学者称为作物系数法)。使用此方法精确获取日蒸散发需要高精度的气象参数(Li 等，2009)。
参考蒸散发的计算公式来自于PM方程对地表阻抗的简化，如FAO-PM方程及ASCE-PM方程(Allen 等，1998；ASCE-EWRI，2005)，可表示为
| $E{T_{\rm{r}}} = \frac{{0.408\Delta ({R_{\rm{n}}} - G) + \gamma \dfrac{{{C_{\rm{n}}}}}{{{T_{\rm{a}}} + 273}}{u_2} \cdot VPD}}{{\Delta + \gamma (1 + {C_{\rm{d}}}{u_2})}}$ | (11) |
式中，ETr为参考蒸散发，mm/d；Ta为地表2 m处空气温度，°C；u2为地表2 m处风速，m/s；Cn和Cd值由下垫面类别(参考草地或苜蓿地)、时间尺度、参考蒸散发计算方法及所处时间段决定，是对变化地表阻抗的简化表示，其值如表1所示。
表 1 FAO-PM及ASCE-PM方程Cn和Cd值
Table 1 Values for Cn and Cd in FAO-PM and ASCE-PM standardized PM equations
| 方法 | 时间尺度 | Cn | Cd |
| FAO-PM | 日尺度 | 900 | 0.34 |
| 1小时及更小尺度 | 37 | 0.24(白天)
0.96(夜晚) |
|
| ASCE-PM
(参考草地) |
日尺度 | 900 | 0.34 |
| 1小时及更小尺度 | 37 | 0.24(白天)
0.96(夜晚) |
|
| ASCE-PM
(0.5 m高苜蓿地) |
日尺度 | 1600 | 0.38 |
| 1小时及更小尺度 | 66 | 0.25(白天)
1.70(夜晚) |
参考蒸发比(ETrF)可以表示为
| $E{T_{\rm{r}}}F = \frac{{E{T_{\rm{i}}}}}{{E{T_{{\rm{r}},{\rm{i}}}}}}$ | (12a) |
| $E{T_{\rm{d}}} = E{T_{\rm{r}}}F \times E{T_{{\rm{r}},{\rm{d}}}}$ | (12b) |
其范围一般在0和1之间，对于极干燥地表其值为0，对于刚灌溉后的地表其值略大于1(Allen 等，2007)。此方法能够将水平平流和大气强迫变化对蒸散发日过程的影响考虑在内，从而在一定程度上提高日尺度蒸散发计算的精度(Trezza，2002；Allen 等，2007；Liu 等，2012a)，目前已被成功应用于多组蒸散发日尺度扩展实验中(刘国水 等，2011a；Delogu 等，2012；Xu 等，2015；Zhang 等，2017)，均方根误差小于0.7 mm/d。
值得注意的是，尽管在大气不稳定时，参考蒸发比不变法能够比其他未考虑大气状态的扩展方法提供更好的结果，但其在应用中也存在一定困难。首先，该方法需要风速、水汽压亏缺、近地面空气温度等多种气象参数作为输入，在资料缺乏地区往往难以获取；另外，此方法的重要特征是对地表阻抗的简化，相关研究(Todorovic，1999；Lecina 等，2003；Perez 等，2006)发现，用于计算参考蒸散发的地表阻抗即使在充分供水条件下也会随着大气强迫的变化而变化，而现有研究大多采用白天固定不变的地表阻抗代替可变地表阻抗(Allen 等，1998；ASCE-EWRI，2005；Tang 等，2017)，即利用参数Cn和Cd对地表阻抗进行简化，这种替代带来的不确定性亟待研究。
为了克服该方法的应用困难及固有缺陷，过去10年间已经发展了多种气象数据预测方法以及参考蒸散发计算方法。Ishak等(2010)、Tian和Martinez(2012)的研究分别利用气象预测模型(Weather Prediction Models)及全球气候模型(Global Climate Model)的降尺度转化得到多种气象参数，如近地表气温、相对湿度等，相对误差小于20%。学者们利用人工神经网络、极端学习机及遗传算法等能够在气象参数不足时计算参考蒸散发，此时不同的气象参数组合可借助此类方法通过训练及模拟两大过程得到参考蒸散发，其均方根误差在0.3 mm/d左右(Kisi，2014；Feng 等，2016；Pham 等，2016)。Tang等(2015)发展了一种基于天气预报信息的参考蒸发比不变法，该方法只需要少量天气预报信息(包括日最高/低温，太阳辐射，风速等)即可进行瞬时蒸散发的日尺度扩展，估算得到的日蒸散量均方根误差不超过0.7 mm/d。
2.1.5 地表阻抗不变法
地表阻抗不变法以瞬时地表阻抗与日尺度地表阻抗(或由空气动力学阻抗和地表阻抗共同构建的变量)相等为基本假设，以PM方程为理论基础，将由遥感数据计算得到的瞬时地表阻抗、通量数据、下垫面参数等代入，并结合日尺度地面气象观测数据，直接求得日尺度蒸散发(熊隽 等，2008；刘国水 等, 2011a，2011b；杨永民，2014)。其中，瞬时地表阻抗(或所构建的变量)根据PM方程反算得到。不考虑大气稳定度迭代校正求解，地表阻抗不变法的核心公式可表示为
| $ {r_{{\rm{s}},{\rm{i}}}}={r_{{\rm{a}},{\rm{i}}}} \times \left({ {\left({\frac{{{\Delta _{\rm{i}}}{{({R_{\rm{n}}} - G)}_{\rm{i}}} + \frac{{{\rho _{\rm{i}}} \cdot {c_{\rm{p}}}}}{{{r_{{\rm{a}},{\rm{i}}}}}} \cdot VP{D_{\rm{i}}}}}{{L{E_{\rm{i}}}}} - {\Delta _{\rm{i}}}} \right)\frac{1}{\gamma } - 1} } \right) $ | (13) |
| $L{E_{\rm{d}}}=\frac{{{\Delta _{\rm{d}}}{{({R_{\rm{n}}} - G)}_{\rm{d}}} + \frac{{{\rho _{\rm{d}}} \cdot {c_{\rm{p}}}}}{{{r_{{\rm{a}},{\rm{d}}}}}}VP{D_{\rm{d}}}}}{{{\Delta _{\rm{d}}} + \gamma \left({1 + \frac{{{r_{{\rm{s}},{\rm{i}}}}}}{{{r_{{\rm{a}},{\rm{d}}}}}}} \right)}}$ | (14) |
此方法的计算过程能够考虑到水平平流和大气强迫变化对蒸散发日内变化过程的影响，可较为稳健地估算日蒸散发。类似于参考蒸发比不变法，此方法需要气温、风速、水汽压亏缺等多种近地表气象参数输入，在资料缺乏或无资料地区的应用具有一定的不确定性；另外，因地表阻抗易受温度、辐射、湿度、水汽压亏缺等因素的影响，此方法假定地表阻抗(或所构建的变量)在日内不变(特别是有云条件下)的合理性尚需进一步深入研究(Cleugh 等，2007；Mu 等，2007；Leuning 等，2008；Yuan 等，2010)。
2.2 数据同化法
数据同化法是一种将遥感反演参数与过程模型相结合来实现蒸散发时间尺度扩展的方法，可通过同化地表少量空间点的观测值或瞬时遥感数据获得时空连续的地表参数(Allen 等，2002；Tasumi 等，2005；Xu 等，2015)。陆面数据同化的研究主要为：在陆面模型或水文模型的基础上，采用不同的数据同化算法同化地表观测数据及卫星传感器数据，优化地表参数(Boni 等，2001；Wang 等，2013；Li，2014；李艳 等，2014)。
通过数据同化法估算日尺度蒸散发的方法主要分为两大类。(1)直接同化法，即直接同化地表通量数据获得日蒸散量。如Schuurmans等(2003)利用卡尔曼滤波对SEBAL模型估算的潜热通量进行同化，最终得到了高海拔地区日到年尺度潜热通量的空间分布。Jang等(2010)利用变分法和四维数据同化系统，结合第5代中尺度大气模型直接同化蒸散发数据，解决了计算阴雨天日蒸散的问题，均方根误差不超过1 mm/d。(2)间接同化法，即将遥感估算的植被指数、叶面积指数、土壤湿度、地表温度等，引入到陆面过程模型中来估算日蒸散量。如Pipunic等(2008)通过对反演地表温度的输入数据进行同化，最终得到较高精度的潜热通量时间序列模拟值。Xu等(2011)利用集合卡尔曼滤波、复合型混合演化法，分别采取同化土壤湿度、地表温度两种策略，提高了地表时间序列水热通量反演精度。随后，Xu等(2015)又对PM方程中的表面阻抗和可利用能量进行同化，获得连续日蒸散发，均方根误差在1 mm/d左右。
陆面数据同化法虽然能够模拟蒸散发过程的连续变化，但其在应用上存在着一定的局限性。首先，该方法在数值模拟时需要输入大量与土壤和植被相关的参数及连续的气象参数，若此类参数不易获得，其应用将受到较大限制；第二，该方法的模型算子(如水文模型)的稳定性对蒸散发的模拟结果有重要影响；第三，数据同化结果精度和“观测值”输入频率密切相关，在观测或遥感数据较少的情况下，同化性能将会下降；另外，在利用高分辨率遥感数据进行同化时计算量巨大；最后，由于过程模型本身的不完善性，当其同遥感反演参数相结合时会产生更多的不确定性。
3 日尺度扩展方法比较
前人针对上述几类时间尺度扩展方法的性能开展了许多对比研究。各研究以观测数据或遥感反演数据构建扩展因子变量，将瞬时蒸散发扩展到白天或日尺度。本文综合已有研究成果，按照扩展方法不同进行分类，对近年来开展的时间尺度扩展实验进行了总结分析(表2)，可为其他研究在选择扩展方法时提供参考。
表 2 瞬时遥感反演蒸散发日尺度扩展研究总结
Table 2 Summary of temporal upscaling studies for estimating daily evapotranspiration from remotely-sensed instantaneous observations
| 方法 | 文献 | 研究区及植被类型 | 瞬时蒸散发来源 | 有云/无云 | 能量不平衡性纠正 | 扩展时刻 | 验证数据 | 均方根误差/(mm/d) |
| 蒸发比不变法 | Colaizzi等，2006 | 美国德州Bushland，玉米地 | 蒸渗仪 | 未区分 | — | 9:45；11:15；12:45；14:15 | 蒸渗仪 | 1.70 |
| Chávez等，2008 | 美国爱荷华州，耕地 | 机载遥感影像反演 | 遥感器过境时刻无云 | 无纠正、BR纠正 | 机载遥感器过境时间 (9:30—15:30) | 涡度相关仪 | 0.35 | |
| Ryu等，2012 | 31个通量塔数据，7种不同植被覆盖类型 | 遥感反演(双源模型) | 未区分 | 无纠正、纠正 | MODIS过境时刻 | 涡度相关仪、MODIS影像 | 77%(相对) | |
| Delogu等，2012 | 法国南部和摩纳哥不同气候类型小麦等农作物 | 涡度相关仪 | 无云天 | 无纠正 | 正午时刻 | 涡度相关仪 | 0.77 | |
| 刘国水等，2012 | 北京大兴站，冬小麦、玉米 | 涡度相关仪、蒸渗仪 | 未区分 | 无纠正 | 10:30—14:30每小时 | 涡度相关仪、蒸渗仪 | 1.56 | |
| Tang等，2013 | 禹城农业综合实验站，冬小麦、玉米 | 遥感反演(N95模型)、涡度相关仪 | 有云天及无云天 | 无纠正、BR纠正、RE纠正 | 9:30—14:30每小时及MODIS过境时刻 | 涡度相关仪、MODIS影像 | 0.90 | |
| 杨永民，2014 | 美国德州Bushland，玉米地 | BEAREX08实验蒸渗仪 | 未区分 | — | — | 蒸渗仪 | 1.39 | |
| Cammalleri等，2014 | 美国耕地、林地、草地及稀树草原 | 涡度相关仪 | 无云天 | 无纠正、BR纠正、RE纠正 | 9:00—15:00每小时 | 涡度相关仪 | — | |
| Ruan等，2014 | 黑河流域阿柔站、草地；黑河流域盈科站，休耕裸土 | 涡度相关仪 | 有云天及无云天 | BR纠正 | 10:15；12:15；14:15 | 涡度相关仪 | 无云天0.91 有云天1.19 | |
| Xu等，2015 | 中国东部季风区馆陶站，耕地；青藏高原
区阿柔站，草地 |
遥感反演(SEBS模型)、气象站 | 无云天 | 无纠正 | MODIS过境时刻 | 涡度相关仪、MODIS影像 | 0.69 | |
| Zhang等，2017 | 北京大兴站，冬小麦、玉米 | 涡度相关仪 | 无云天 | BR纠正 | 9:00—17:00每小时 | 涡度相关仪 | 0.3 | |
| Wandera等，2017 | 全球通量观测网FLUXNET的41个通量站，70°N 与30°S间不同植被覆盖类型区 | 涡度相关仪 | 按不同云量分类 | 无纠正、BR纠正 | 11:00；13:30 | 涡度相关仪 | 0.89 | |
| Tang和Li，2017a | 禹城农业综合实验站，冬小麦、玉米 | 涡度相关仪、遥感反演(N95模型) | 无云天 | 无纠正、BR纠正、RE纠正 | 10:30；13:30；MODIS过境时刻 | 涡度相关仪 | 0.85 | |
| 大气层顶太阳辐射法 | Ryu等，2012 | 31个通量塔数据，7种不同植被覆盖类型 | 遥感反演(双源模型) | 未区分 | 无纠正、纠正 | MODIS过境时刻 | 涡度相关仪、MODIS影像 | 27%(相对) |
| Tang等，2013 | 禹城农业综合实验站，冬小麦、玉米 | 遥感反演(N95模型)、涡度相关仪 | 有云天及无云天 | 无纠正、BR纠正、RE纠正 | 9:30—14:30每小时及MODIS过境时刻 | 涡度相关仪、MODIS影像 | 1.10 |
这些研究利用通量站观测数据、遥感数据构建时间尺度扩展因子，分别从扩展因子、云、扩展时刻、下垫面情况及验证方法等不同角度分析了日蒸散扩展结果的影响因素。由于多种因素共同影响蒸散发时间尺度扩展的精度，不同的对比研究很少取得一致性结论。
实验表明，蒸发比不变法简单易用，却经常存在低估现象(在有云情况下尤其严重)。辐射能量比不变法在不同下垫面状况下精度变化不大，故具有最高的稳健性(Ryu 等，2012)。解耦因子不变法及参考蒸发比不变法由于融入了气象参数，在日内气象条件变动较大时仍具有较高的扩展精度，同时在正午时段的扩展精度最高(Colaizzi 等，2006；Gentine 等，2007，2011；Delogu 等，2012；Tang和Li, 2017a，2017b)。
在晴天和有云天的对比研究中，云的出现会导致下行太阳辐射及净辐射的衰减速率快于潜热通量，这将使得蒸发比、参考蒸发比等与辐射有关的扩展因子计算结果偏高，最终引起日尺度扩展值偏高(Crago，1996；van Niel 等，2011,2012；Tang 等，2013)。Tang等(2013)的研究表明，云的出现可能会使蒸发比不变法、辐射能量比不变法以及参考蒸发比不变法的扩展精度下降近50%。对于不同扩展方法在有云天的表现，Crago等(1996)的研究表明，蒸发比在地表可利用能量较低(如早晨、傍晚和冬季)时对云的影响更为敏感。辐射能量比不变法中的大气层顶太阳辐射法不受云的影响，利用卫星过境时刻大气层顶太阳辐射构建的扩展因子无法考虑云对蒸散发日内变化过程的影响，故其扩展精度在有云天降低较多。解耦因子不变法及参考蒸发比不变法能够在输入的气象数据中包含云的影响，被证明在有云天有较高的扩展精度(Tang 等，2013；Tang和Li, 2017a，2017b)，是目前较适合在有云天开展的瞬时蒸散发日尺度扩展方法。
比较不同扩展时刻瞬时蒸散发到日蒸散发的扩展精度。一些研究表明，由于正午时段的峰值太阳辐射削弱了其他气象条件对扩展因子稳定性的影响，除蒸发比不变法外，其余日尺度扩展方法均在正午时段具有最佳扩展性能(刘国水 等，2011a；Tang 等，2013；Cammalleri 等，2014；Zhang 等，2017)。对于蒸发比不变法，蒸发比常呈现的凹形曲线日变化形式使之在正午时段低估效应最为明显，而在中午至下午时段，其估算精度有所提升(Chávez 等，2008；Zhang 等，2017)。
不同的时间尺度扩展方法在不同的季节和下垫面情况下也存在差异(Zhang 等，1995；Colaizzi 等，2006；Li，2014；Chávez 等，2008；刘国水 等，2011b；Delogu 等，2012)。总体上，所有方法在植被覆盖度高的地区扩展精度高于植被覆盖度低的地区及裸土区；而当下垫面情况相近时，蒸散量较大的地区日蒸散发估算误差相对较大(Alfieri 等，2017)。对于不同时间尺度扩展方法在不同季节的差异，学者们存在较大争议，Cammalleri等(2014)认为参考蒸发比不变法受季节影响较小，蒸发比法仅在盛夏(7、8月份)能够准确估算日蒸散，而Xu等(2015)认为在植被非生长季宜采用大气层顶太阳辐射法，生长季宜采用参考蒸发比不变法。
以上各节简要介绍了各日尺度扩展方法的原理、优缺点，并对各方法进行对比分析。表3对上述各种扩展方法进行了归纳总结。
表 3 常见日尺度扩展方法在模型假设和优缺点方面的比较
Table 3 Primary hypothesis, merits, limitations and applications of commonly used temporal upscaling methods
| 方法 | 主要假设 | 优点 | 缺点 | 适用范围 | |||
| 蒸发比不变法 | 瞬时蒸发比与日尺度蒸发比相等 | 简单、输入参数少 | 容易低估，难以考虑夜间蒸散发 | 近似无云、环境干燥、植被类型简单、能量水平平流小 | |||
| 正弦函数法 | 无云天，蒸散发与下行太阳辐射呈同相位正弦变化形式 | 简单、输入参数少 | 仅适用于全天无云天 | 全天无云 | |||
| 大气层顶太阳辐射法 | 瞬时蒸散发与瞬时大气层顶太阳辐射之比等于相应日尺度值 | 简单、输入参数少 | 扩展性能受天气影响较大，难以考虑夜间蒸散发 | 近似无云、能量平流较小 | |||
| 下行太阳辐射法 | 瞬时蒸散发与瞬时下行太阳辐射之比等于相应日尺度值 | 简单、输入参数少 | 扩展性能受天气影响较大，难以考虑夜间蒸散发 | 近似无云、能量水平平流小 | |||
| 参考蒸发比不变法 | 瞬时参考蒸发比与日尺度参考蒸发比相等 | 考虑环境影响及夜间蒸散发 | 需地面气象观测数据辅助 | 精确的地面观测数据、大气强迫作用小 | |||
| 地表阻抗不变法 | 瞬时地表阻抗与日尺度地表阻抗相等 | 考虑环境影响及夜间蒸散发 | 需地面气象观测数据辅助 | 精确的地面观测数据、大气强迫作用小 | |||
| 解耦因子不变法 | 瞬时解耦因子与日尺度解耦因子相等 | 考虑环境影响及夜间蒸散发 | 需地面气象观测数据辅助 | 精确的地面观测数据 | |||
| 数据同化法 | — | 模拟得到蒸散发过程的连续变化 | 计算量大，需地面气象观测数据辅助 | 充足的土壤、植被、大气相关参数 |
4 问题及不确定性分析
近40年来，基于遥感反演瞬时蒸散发的日尺度扩展方法研究已经取得了显著成果，遥感的实时性、空间大尺度代表性在长时间尺度上得以充分发挥。综合国内外相关研究方向和发展趋势来看，虽然瞬时蒸散发的日尺度扩展在研究日蒸散发中具有不可替代的作用，但其在实际应用中仍存在一定的困难及不确定性。
4.1 扩展方法本身误差
国内外关于瞬时蒸散发日尺度扩展的研究结果表明：各类日尺度扩展方法都存在不同程度的局限性及不确定性。蒸发比不变法和辐射能量比不变法的物理基础不严密，在有云天估算精度受到严重影响；参考蒸发比不变法虽融入气象参数，但各参数的不确定性将对参考蒸散发的计算产生较大累积误差；解耦因子不变法和地表阻抗不变法虽有较强的理论基础，但其众多参数难以全部获取的特性使其应用存在局限；数据同化法难以获得足够的输入参数进行数值模拟，且过程模型的估值精度有待提高。
4.2 云的影响
目前绝大多数扩展方法都仅能在晴空条件下保证较高的扩展精度，并没有适合所有天气状况的稳健方法。云对日尺度扩展造成的困难主要有：遥感数据的主要波段(可见光、近红外和热红外波段)受天气影响较为严重，优质数据仅能在晴天时得到，故云会造成数据的缺失；另外，目前的研究对于不同云特征(云现时间、云层厚度、云持续时间)对地表蒸散发及各主要控制或表征因子的影响和作用机理方面认识不清，扩展因子在有云天难以保持稳定，这导致利用现有蒸散发时间尺度扩展方法开展有云日的蒸散发估算具有较大不确定性，图3表明了蒸发比受云影响而难以保持稳定的情况。目前大部分研究都处于有云日同无云日扩展因子变化趋势比较，以及扩展精度对比分析阶段(Tang 等，2013；Ruan 等，2014；Xu 等，2015；Wandera 等，2017)，只有很少的研究对有云天的日尺度扩展方法进行了探讨。如Wandera等(2017)将云量量化为下行短波辐射与大气层顶太阳辐射之比，借助人工神经网络方法，使其扩展精度在有云天较常规方法提升约10%。因此，云对日尺度扩展的影响仍需要进一步研究，包括：不同天气状况下，地表蒸散发在日内是如何变化的；不同天气状况下，影响地表蒸散发日变化的主要参数有哪些；云在白天不同时刻出现、不同云层厚度和持续时间长短是如何以及多大程度影响地表蒸散发及其控制、表征因子的日变化过程和作用机理的。
4.3 大范围高精度的连续气象数据获取困难
实际应用中常需要全省、全国乃至全球日蒸散发信息，因而当利用参考蒸发比不变法、地表阻抗不变法、解耦因子不变法等开展日尺度扩展时，将需要像元尺度的近地层或大气边界层的气象场数据，如风速、近地表空气温度等。研究者们通常使用再分析数据得到气象场数据或利用空间内插法将台站观测的气象数据扩展到二维空间。然而，各气象观测站点间自然条件千差万别，非均匀下垫面条件下水热传输的过程机理有待进一步研究，以空间统计为基础的插值精度有限，这些都将对日尺度扩展方法的大范围应用产生影响。
4.4 夜间蒸散发
地表可利用能量、净辐射等在夜间波动较大，下行太阳辐射在夜间为0，以及蒸散发在夜间较小的特性使得蒸发比等扩展因子在夜间不稳定(图4)。因此，瞬时扩展因子的全天代表性将会影响日尺度扩展精度。
前人的研究(Donohue 等，2010a，2010b；van Niel 等，2011)在解决此类问题上主要有两种途径：(1)不考虑扩展因子夜间的不稳定性，直接使用日尺度数据计算得到日蒸散发；(2)使用白天数据计算得到白天蒸散发后，利用纠正系数将其扩展至日蒸散发。显然，方法一没有考虑到扩展因子在夜间的不稳定性，将会带来较大不确定性。van Niel等(2011)的研究表明，将日尺度值直接代入计算，将会带来近10%的误差。方法二虽将夜间蒸散发单独计算，但通过经验方法获得的纠正系数难以适用于多种地表情况及气候类型。部分研究表明：夜间蒸散发约占白天的10%—20%(Sugita和Brutsaert，1991；Novick 等，2009；Wang和Dickinson，2012)，并且在植被覆盖度高、土壤湿度大、风速快、近地表气温高以及水汽压差大时，会随之升高(Tolk 等，2006；Dawson 等，2007；Novick 等，2009)。因此，合理考虑夜间蒸散发的日尺度扩展方法有待进一步研究。
4.5 瞬时蒸散发遥感反演同扩展误差累积
日尺度扩展方法的应用是建立在遥感反演瞬时蒸散发基础上的，不同遥感反演方法的精度及适用情况不同。为更准确地对各扩展因子的精度进行评估，以排除蒸散发遥感反演精度的影响，当前较多研究直接利用地面实验站测量的瞬时潜热通量进行扩展。研究表明：基于遥感数据估算结果的日尺度扩展性能较基于实测数据的扩展性能有所下滑(Tang 等，2013；Xu 等，2015)。不同扩展方法结合不同反演方法引起的误差累积或抵偿是造成瞬时蒸散发日尺度扩展的不确定性原因之一。
4.6 真实性检验的困难
日尺度蒸散发的地面验证最重要的问题是像元尺度地面真实值的代表性和精度。遥感反演瞬时蒸散发的日尺度扩展值为遥感卫星像元尺度的平均值，而地表观测的通量数据通常局限于点尺度，二者尺度不一致将会造成真实性检验的不确定性，尤其是在利用MODIS和NOAA等中低分辨率遥感数据时，该不确定性较为明显。目前，日尺度蒸散发的地面验证主要是将日尺度扩展结果同地面实测值相比较，进而通过统计参量来衡量各扩展方法的性能。
真实性检验所需数据主要来自于蒸渗仪、波文比能量平衡观测系统、涡度相关仪、大孔径闪烁仪等(Colaizzi 等，2006；刘国水 等，2011b；张荣华 等，2012；陈鹤 等，2013；Tang 等，2013；张宝忠 等，2015；Alfieri 等，2017)。其中，蒸渗仪具有较高的观测精度，但其观测的空间尺度远小于像元尺度。波文比能量平衡观测系统和涡度相关仪虽提高了蒸散发测定的空间尺度，却仍存在较大的局限性。另外，涡度相关仪被认为是真实性检验的理想工具，但其存在的能量不闭合特性尚未有公认的纠正方法(Twine 等，2000)，这将导致不同纠正方法产生不同的验证结果。研究表明：不同的能量不平衡纠正方法对扩展性能的验证影响较大，甚至将纠正前得到的高估结论扭转为低估亦或相反。大孔径闪烁仪虽有接近像元尺度的观测范围，但其直接观测值为感热通量，仍需要根据能量平衡方程计算潜热通量；同时，能量平衡方程中的土壤热通量观测空间尺度远小于感热通量的观测尺度，引发的尺度不匹配问题也会对扩展结果的验证造成不确定性。另外，涡度相关仪和大孔径闪烁仪的观测范围受风速和风向影响较大，难以保证全天观测足迹不变(Schuepp 等，1990)。
值得注意的是，多个研究发现利用不同仪器观测结果对同一地区扩展结果进行真实性检验时，会得到不同的结论(刘国水 等, 2011a，2011b，2012)，这说明在空间尺度变化时，扩展性能会发生变化。总之，观测点位置、近地表气象参数平均观测值与遥感反演瞬时值的对应程度、各仪器观测结果的不确定性等均会造成真实性检验的困难(Twine 等，2000)。
5 展 望
日、旬、年等长时间尺度地表蒸散发在许多领域的研究与应用中具有关键作用，如地表水循环、陆地生态系统物质和能量交换以及全球气候变化等。瞬时蒸散发日尺度扩展的研究使遥感估算蒸散发在长时间尺度上的应用成为可能。提高蒸散发遥感反演精度可以一定程度上提高日尺度扩展精度。综合国内外研究进展，本文对遥感反演瞬时蒸散发的日尺度扩展研究作出如下展望：
(1)重点研究适用于有云天稳健的扩展方法。加强对云现时间、云层厚度、云持续时间同地表蒸散发及各主要控制或表征因子关系的研究，降低现有日尺度扩展方法存在的不确定性。以现有研究为基础，深入进行云影响机理探索，发展精度可靠、适用于有云天的日尺度扩展方法是遥感反演瞬时蒸散发日尺度扩展的重点研究方向之一。
(2)针对不同扩展方法进行改进。对于蒸发比不变法，有学者揭示了其常出现低估现象的物理机理，并提出解耦因子不变法，此方法同时考虑到太阳辐射及空气动力学要素对总蒸散发的贡献，日蒸散均方根误差约0.65 mm/d(Tang和Li, 2017a，2017b)，未来的研究可针对此方法的合理性及扩展性能开展进一步实验。而对于其他方法，目前对扩展因子的机理分析严重不足，可以进一步研究地表阻抗同蒸散发的物理联系，从而解决参考蒸发比不变法中固定阻抗代替可变阻抗带来的不确定性以及地表阻抗不变法中假定地表阻抗在日内不变(特别是有云条件下)的不合理性问题。开展辐射能量比不变法内在物理机理的研究，在原方法的基础上引入其他气象参数，以扩展辐射能量比不变法的适用范围。最后，对于数据同化法，随着陆面同化系统中过程模型在未来的逐步完善，采用更先进的同化方法进行蒸散发过程连续变化的模拟。
(3)加强夜间蒸散发估算的研究。通过研究全天蒸散发的物理机理，将植被覆盖度、土壤湿度、气象参数等引入到白天蒸散发向日尺度蒸散发的转换中，以降低经验方法的不确定性；或者寻找适用于全天的扩展因子，建立能够直接考虑到夜间蒸散发的新方法。
(4)强化真实性检验评价方法及新技术的研究。深入分析地面观测数据的空间代表性，完善验证像元的选取和定量评价指标，研究并掌握真实性检验的新技术、新方法，从而克服由于遥感数据与地面观测数据空间尺度不匹配带来的真实性检验困难。
参考文献(References)
-
Alfieri J G, Anderson M C, Kustas W P and Cammalleri C. 2017. Effect of the revisit interval and temporal upscaling methods on the accuracy of remotely sensed evapotranspiration estimates. Hydrology and Earth System Sciences, 21 (1): 83–98. [DOI: 10.5194/hess-21-83-2017]
-
Allen R G, Morse A, Tasumi M, Trezza R, Bastiaanssen W, Wright J L and Kramber W. 2002. Evapotranspiration from a satellite-based surface energy balance for the Snake Plain Aquifer in Idaho//Proceedings of the USCID/EWRI Conference on Energy, Climate, Environment and Water Issues and Opportunities for Irrigation and Drainage. SanLuis Obispo, California, USA: USCID: 167-178
-
Allen R G, Pereira L S, Raes D and Smith M. 1998. Crop Evapotranspiration: Guidelines for Computing Crop Water Requirements. FAO
-
Allen R G, Tasumi M and Trezza R. 2007. Satellite-based energy balance for mapping evapotranspiration with internalized calibration (METRIC)–model. Journal of Irrigation and Drainage Engineering, 133 (4): 380–394. [DOI: 10.1061/(ASCE)0733-9437(2007)133:4(380)]
-
Anderson M C, Norman J M, Diak G R, Kustas W P and Mecikalski J R. 1997. A two-source time-integrated model for estimating surface fluxes using thermal infrared remote sensing. Remote Sensing of Environment, 60 (2): 195–216. [DOI: 10.1016/S0034-4257(96)00215-5]
-
ASCE-EWRI (Environmental and Water Resources Institute). 2005. The ASCE standardized reference evapotranspiration equation. Bell Drive, Reston, VA: American Society of Civil Engineers
-
Boni G, Entekhabi D and Castelli F. 2001. Land data assimilation with satellite measurements for the estimation of surface energy balance components and surface control on evaporation. Water Resources Research, 37 (6): 1713–1722. [DOI: 10.1029/2001WR900020]
-
Brutsaert W and Sugita M. 1992. Application of self‐preservation in the diurnal evolution of the surface energy budget to determine daily evaporation. Journal of Geophysical Research: Atmospheres, 97 (D17): 18377–18382. [DOI: 10.1029/92JD00255]
-
Cammalleri C, Anderson M C and Kustas W P. 2014. Upscaling of evapotranspiration fluxes from instantaneous to daytime scales for thermal remote sensing applications. Hydrology and Earth System Sciences, 18 (5): 1885–1894. [DOI: 10.5194/hess-18-1885-2014]
-
Chávez J L, Neale C M U, Prueger J H and Kustas W P. 2008. Daily evapotranspiration estimates from extrapolating instantaneous airborne remote sensing ET values. Irrigation Science, 27 (1): 67–81. [DOI: 10.1007/s00271-008-0122-3]
-
Chemin Y and Alexandridis T A. 2001. Improving spatial resolution of ET seasonal for irrigated rice in Zhanghe, China. Asian Journal of Geoinformatics, 5 (1): 3–11.
-
Chen H, Yang D W and Lü H F. 2013. Comparison of temporal extrapolation methods for evapotranspiration over variant underlying croplands. Transactions of the Chinese Society of Agricultural Engineering, 29 (6): 73–81. [DOI: 10.3969/j.issn.1002-6819.2013.06.010] ( 陈鹤, 杨大文, 吕华芳. 2013. 不同作物类型下蒸散发时间尺度扩展方法对比. 农业工程学报, 29 (6): 73–81. [DOI: 10.3969/j.issn.1002-6819.2013.06.010] )
-
Chen Y H, Li X B, Chen J and Shi P J. 2002. The change of NDVI time series based on change vector analysis in China 1983-1992. Journal of Remote Sensing, 6 (1): 12–19. [DOI: 10.11834/jrs.20020103] ( 陈云浩, 李晓兵, 陈晋, 史培军. 2002. 1983-1992年中国陆地植被NDVI演变特征的变化矢量分析. 遥感学报, 6 (1): 12–19. [DOI: 10.11834/jrs.20020103] )
-
Cleugh H A, Leuning R, Mu Q Z and Running S W. 2007. Regional evaporation estimates from flux tower and MODIS satellite data. Remote Sensing of Environment, 106 (3): 285–304. [DOI: 10.1016/j.rse.2006.07.007]
-
Colaizzi P D, Evett S R, Howell T A and Tolk J A. 2006. Comparison of five models to scale daily evapotranspiration from one-time-of-day measurements. Transactions of the ASABE, 49 (5): 1409–1417. [DOI: 10.13031/2013.22056]
-
Crago R D. 1996. Comparison of the evaporative fraction and the Priestley-Taylor α for parameterizing daytime evaporation. Water Resources Research, 32 (5): 1403–1409. [DOI: 10.1029/96WR00269]
-
Dawson T E, Burgess S S O, Tu K P, Oliveira R S, Santiago L S, Fisher J B, Simonin K A and Ambrose A R. 2007. Nighttime transpiration in woody plants from contrasting ecosystems. Tree Physiology, 27 (4): 561–575. [DOI: 10.1093/treephys/27.4.561]
-
Delogu E, Boulet G, Olioso A, Coudert B, Chirouze J, Ceschia E, Le Dantec V, Marloie O, Chehbouni G and Lagouarde J P. 2012. Reconstruction of temporal variations of evapotranspiration using instantaneous estimates at the time of satellite overpass. Hydrology and Earth System Sciences, 16 (8): 2995–3010. [DOI: 10.5194/hess-16-2995-2012]
-
Donohue R J, McVicar T R, Li L T and Roderick M L. 2010a. A data resource for analysing dynamics in Australian ecohydrological conditions. Austral Ecology, 35 (5): 593–594. [DOI: 10.1111/j.1442-9993.2010.02144.x]
-
Donohue R J, McVicar T R and Roderick M L. 2010b. Assessing the ability of potential evaporation formulations to capture the dynamics in evaporative demand within a changing climate. Journal of Hydrology, 386 (1/4): 186–197. [DOI: 10.1016/j.jhydrol.2010.03.020]
-
Eichinger W E, Parlange M B and Stricker H. 1996. On the concept of equilibrium evaporation and the value of the Priestley-Taylor coefficient. Water Resources Research, 32 (1): 161–164. [DOI: 10.1029/95WR02920]
-
Farah H O, Bastiaanssen W G M and Feddes R A. 2004. Evaluation of the temporal variability of the evaporative fraction in a tropical watershed. International Journal of Applied Earth Observation and Geoinformation, 5 (2): 129–140. [DOI: 10.1016/j.jag.2004.01.003]
-
Feng Y, Cui N B, Zhao L, Hu X T and Gong D Z. 2016. Comparison of ELM, GANN, WNN and empirical models for estimating reference evapotranspiration in humid region of Southwest China. Journal of Hydrology, 536 : 376–383. [DOI: 10.1016/j.jhydrol.2016.02.053]
-
Galleguillos M, Jacob F, Prévot L, French A and Lagacherie P. 2011. Comparison of two temperature differencing methods to estimate daily evapotranspiration over a Mediterranean vineyard watershed from ASTER data. Remote Sensing of Environment, 115 (6): 1326–1340. [DOI: 10.1016/j.rse.2011.01.013]
-
Gao Y C, Long D and Li Z L. 2008. Estimation of daily actual evapotranspiration from remotely sensed data under complex terrain over the upper Chao river basin in North China. International Journal of Remote Sensing, 29 (11): 3295–3315. [DOI: 10.1080/01431160701469073]
-
Gentine P, Entekhabi D, Chehbouni A, Boulet G and Duchemin B. 2007. Analysis of evaporative fraction diurnal behaviour. Agricultural and Forest Meteorology, 143 (1/2): 13–29. [DOI: 10.1016/j.agrformet.2006.11.002]
-
Gentine P, Entekhabi D and Polcher J. 2011. The diurnal behavior of evaporative fraction in the soil-vegetation-atmospheric boundary layer continuum. Journal of Hydrometeorology, 12 (6): 1530–1546. [DOI: 10.1175/2011JHM1261.1]
-
Gómez M, Olioso A, Sobrino J A and Jacob F. 2005. Retrieval of evapotranspiration over the Alpilles/ReSeDA experimental site using airborne POLDER sensor and a thermal camera. Remote Sensing of Environment, 96 (3/4): 399–408. [DOI: 10.1016/j.rse.2005.03.006]
-
Hoedjes J C B, Chehbouni A, Jacob F, Ezzahar J and Boulet G. 2008. Deriving daily evapotranspiration from remotely sensed instantaneous evaporative fraction over olive orchard in semi-arid Morocco. Journal of Hydrology, 354 (1/4): 53–64. [DOI: 10.1016/j.jhydrol.2008.02.016]
-
Huang M F, Xing X F, Yu W Y, Zhang Y M and Shen J L. 2008. Estimation mode of chlorophyII-a concentration on water based on remote sensing technique. Arid Land Geography, 31 (1): 62–66. ( 黄妙芬, 邢旭峰, 于五一, 张一民, 申晋利. 2008. 干旱区水环境叶绿素遥感估算模式. 干旱区地理, 31 (1): 62–66. )
-
Ishak A M, Bray M, Remesan R and Han D W. 2010. Estimating reference evapotranspiration using numerical weather modelling. Hydrological Processes, 24 (24): 3490–3509. [DOI: 10.1002/hyp.7770]
-
Jackson R D, Hatfield J L, Reginato R J, Idso S B and Pinter Jr P J. 1983. Estimation of daily evapotranspiration from one time-of-day measurements. Agricultural Water Management, 7 (1/3): 351–362. [DOI: 10.1016/0378-3774(83)90095-1]
-
Jang K, Kang S, Kim J, Lee C B, Kim T, Kim J, Hirata R and Saigusa N. 2010. Mapping evapotranspiration using MODIS and MM5 four-dimensional data assimilation. Remote Sensing of Environment, 114 (3): 657–673. [DOI: 10.1016/j.rse.2009.11.010]
-
Jia L, Xi G, Liu S, Huang C, Yan Y and Liu G. 2009. Regional estimation of daily to annual regional evapotranspiration with MODIS data in the Yellow River Delta wetland. Hydrology and Earth System Sciences, 13 (10): 1775–1787. [DOI: 10.5194/hess-13-1775-2009]
-
Kisi O. 2014. Comparison of different empirical methods for estimating daily reference evapotranspiration in mediterranean climate. Journal of Irrigation and Drainage Engineering, 140 (1): 49–55. [DOI: 10.1061/(ASCE)IR.1943-4774.0000664]
-
Lecina S, Martı́nez-Cob A, Pérez P J, Villalobos F J and Baselga J J. 2003. Fixed versus variable bulk canopy resistance for reference evapotranspiration estimation using the Penman–Monteith equation under semiarid conditions. Agricultural Water Management, 60 (3): 181–198. [DOI: 10.1016/S0378-3774(02)00174-9]
-
Leuning R, Zhang Y Q, Rajaud A, Cleugh H and Tu K. 2008. A simple surface conductance model to estimate regional evaporation using MODIS leaf area index and the Penman‐Monteith equation. Water Resources Research, 44 (10): W01701 [DOI: 10.1029/2007WR006562]
-
Lhomme J P and Elguero E. 1999. Examination of evaporative fraction diurnal behaviour using a soil-vegetation model coupled with a mixed-layer model. Hydrology and Earth System Sciences, 3 (2): 259–270. [DOI: 10.5194/hess-3-259-1999]
-
Li X. 2014. Characterization, controlling, and reduction of uncertainties in the modeling and observation of land-surface systems. Science China Earth Sciences, 57 (1): 80–87. [DOI: 10.1007/s11430-013-4728-9]
-
Li Y, Huang C L, Lu L and Gu J. 2014. Progress in evapotranspiration estimation using remotely sensed data. Journal of Lanzhou University (Natural Sciences), 50 (6): 765–772. [DOI: 10.13885/j.issn.0455-2059.2014.06.001] ( 李艳, 黄春林, 卢玲, 顾娟. 2014. 蒸散发遥感估算方法的研究进展. 兰州大学学报(自然科学版), 50 (6): 765–772. [DOI: 10.13885/j.issn.0455-2059.2014.06.001] )
-
Li Z L, Tang R L, Wan Z M, Bi Y Y, Zhou C H, Tang B H, Yan G J and Zhang X Y. 2009. A review of current methodologies for regional evapotranspiration estimation from remotely sensed data. Sensors, 9 (5): 3801–3853. [DOI: 10.3390/s90503801]
-
Liu G S, Hafeez M, Liu Y, Xu D and Vote C. 2012a. A novel method to convert daytime evapotranspiration into daily evapotranspiration based on variable canopy resistance. Journal of Hydrology, 414-415 : 278–283. [DOI: 10.1016/j.jhydrol.2011.10.042]
-
Liu G S, Liu Y and Xu D. 2011a. Investigation on performance of evapotranspiration temporal upscaling methods based on eddy covariance measurements. Transactions of the CSAE, 27 (6): 7–12. [DOI: 10.3969/j.issn.1002-6819.2011.06.002] ( 刘国水, 刘钰, 许迪. 2011a. 基于涡度相关仪的蒸散量时间尺度扩展方法比较分析. 农业工程学报, 27 (6): 7–12. [DOI: 10.3969/j.issn.1002-6819.2011.06.002] )
-
Liu G S, Liu Y and Xu D. 2011b. Comparison of evapotranspiration temporal scaling methods based on lysimeter measurements. Journal of Remote Sensing, 15 (2): 271–280. [DOI: 10.11834/jrs.20110301] ( 刘国水, 刘钰, 许迪. 2011b. 基于蒸渗仪的蒸散量时间尺度扩展方法对比. 遥感学报, 15 (2): 271–280. [DOI: 10.11834/jrs.20110301] )
-
Liu G S, Xu D and Liu Y. 2012b. Influence of spatial scale variation on ET temporal upscaling methods. Journal of Hydraulic Engineering, 43 (8): 999–1003. ( 刘国水, 许迪, 刘钰. 2012b. 空间观测尺度差异对蒸散量时间尺度扩展方法估值的影响. 水利学报, 43 (8): 999–1003. )
-
McNaughton K G and Jarvis P G. 1983. Predicting effects of vegetation changes on transpiration and evaporation//Kozlowski T T, ed. Water Deficits and Plant Growth: Volume VII: Additional Woody Crop Plants. New York: Academic Press: 1-47 [DOI: 10.1016/B978-0-12-424157-2.50007-0]
-
Mu Q Z, Heinsch F A, Zhao M S and Running S W. 2007. Development of a global evapotranspiration algorithm based on MODIS and global meteorology data. Remote Sensing of Environment, 111 (4): 519–536. [DOI: 10.1016/j.rse.2007.04.015]
-
Nichols W E and Cuenca R H. 1993. Evaluation of the evaporative fraction for parameterization of the surface energy balance. Water Resources Research, 29 (11): 3681–3690. [DOI: 10.1029/93WR01958]
-
Novick K A, Oren R, Stoy P C, Siqueira M B S and Katul G G. 2009. Nocturnal evapotranspiration in eddy-covariance records from three co-located ecosystems in the Southeastern U. S.: implications for annual fluxes. Agricultural and Forest Meteorology, 149 (9): 1491–1504. [DOI: 10.1016/j.agrformet.2009.04.005]
-
Pereira A R. 2004. The Priestley-Taylor parameter and the decoupling factor for estimating reference evapotranspiration. Agricultural and Forest Meteorology, 125 (3/4): 305–313. [DOI: 10.1016/j.agrformet.2004.04.002]
-
Perez P J, Lecina S, Castellvi F, Martínez-Cob A and Villalobos F J. 2006. A simple parameterization of bulk canopy resistance from climatic variables for estimating hourly evapotranspiration. Hydrological Processes, 20 (3): 515–532. [DOI: 10.1002/hyp.5919]
-
Pham M T, Vernieuwe H, de Baets B, Willems P and Verhoest N E C. 2016. Stochastic simulation of precipitation-consistent daily reference evapotranspiration using vine copulas. Stochastic Environmental Research and Risk Assessment, 30 (8): 2197–2214. [DOI: 10.1007/s00477-015-1181-7]
-
Pipunic R C, Walker J P and Western A. 2008. Assimilation of remotely sensed data for improved latent and sensible heat flux prediction: a comparative synthetic study. Remote Sensing of Environment, 112 (4): 1295–1305. [DOI: 10.1016/j.rse.2007.02.038]
-
Priestley C H B and Taylor R J. 1972. On the assessment of surface heat flux and evaporation using large-scale parameters. Monthly Weather Review, 100 (2): 81–92. [DOI: 10.1175/1520-0493(1972)100<0081:OTAOSH>2.3.CO;2]
-
Ruan Z J, Jia L and Menenti M. 2014. Evaluation of algorithms to estimate daily evapotranspiration from instantaneous measurements under all-sky conditions. IOP Conference Series: Earth and Environmental Science, 17 (1): 012133 [DOI: 10.1088/1755-1315/17/1/012133]
-
Ryu Y, Baldocchi D D, Black T A, Detto M, Law B E, Leuning R, Miyata A, Reichstein M, Vargas R, Ammann C, Beringer J, Flanagan L B, Gu L H, Hutley L B, Kim J, McCaughey H, Moors E J, Rambal S, Vesala T. 2012. On the temporal upscaling of evapotranspiration from instantaneous remote sensing measurements to 8-day mean daily-sums. Agricultural and Forest Meteorology, 152 : 212–222. [DOI: 10.1016/j.agrformet.2011.09.010]
-
Schuepp P H, Leclerc M Y, MacPherson J I and Desjardins R L. 1990. Footprint prediction of scalar fluxes from analytical solutions of the diffusion equation. Boundary-Layer Meteorology, 50 (1/4): 355–373. [DOI: 10.1007/BF00120530]
-
Schuurmans J M, Troch P A, Veldhuizen A A, Bastiaanssen W G M and Bierkens M F P. 2003. Assimilation of remotely sensed latent heat flux in a distributed hydrological model. Advances in Water Resources, 26 (2): 151–159. [DOI: 10.1016/S0309-1708(02)00089-1]
-
Shuttleworth W J. 1989. FIFE: the variation in energy partitioning at surface flux sites, remote sensing and large-scale global processes//Proceedings of the Baltimore Symposium. Oxfordshire: IAHS Publication: 67-74
-
Sobrino J A, Gómez M, Jiménez-Muñoz J C and Olioso A. 2007. Application of a simple algorithm to estimate daily evapotranspiration from NOAA–AVHRR images for the Iberian Peninsula. Remote Sensing of Environment, 110 (2): 139–148. [DOI: 10.1016/j.rse.2007.02.017]
-
Sugita M and Brutsaert W. 1991. Daily evaporation over a region from lower boundary layer profiles measured with radiosondes. Water Resources Research, 27 (5): 747–752. [DOI: 10.1029/90WR02706]
-
Sun Z G, Wang Q X, Matsushita B, Fukushima T, Ouyang Z and Watanabe M. 2009. Development of a simple remote sensing EvapoTranspiration model (Sim-ReSET): algorithm and model test. Journal of Hydrology, 376 (3/4): 476–485. [DOI: 10.1016/j.jhydrol.2009.07.054]
-
Tang R L and Li Z L. 2017a. An improved constant evaporative fraction method for estimating daily evapotranspiration from remotely sensed instantaneous observations. Geophysical Research Letters, 44 (5): 2319–2326. [DOI: 10.1002/2017GL072621]
-
Tang R L and Li Z L. 2017b. Estimating daily evapotranspiration from remotely sensed instantaneous observations with simplified derivations of a theoretical model. Journal of Geophysical Research: Atmospheres, 122 (19): 10177–10190. [DOI: 10.1002/2017JD027094]
-
Tang R L, Li Z L and Sun X M. 2013. Temporal upscaling of instantaneous evapotranspiration: an intercomparison of four methods using eddy covariance measurements and MODIS data. Remote Sensing of Environment, 138 : 102–118. [DOI: 10.1016/j.rse.2013.07.001]
-
Tang R L, Li Z L, Sun X M and Bi Y Y. 2017. Temporal upscaling of instantaneous evapotranspiration on clear-sky days using the constant reference evaporative fraction method with fixed or variable surface resistances at two cropland sites. Journal of Geophysical Research: Atmospheres, 122 (2): 784–801. [DOI: 10.1002/2016JD025975]
-
Tang R L, Tang B H, Wu H and Li Z L. 2015. On the feasibility of temporally upscaling instantaneous evapotranspiration using weather forecast information. International Journal of Remote Sensing, 36 (19/20): 4918–4935. [DOI: 10.1080/01431161.2015.1029597]
-
Tasumi M, Allen R G, Trezza R and Wright J L. 2005. Satellite-based energy balance to assess within-population variance of crop coefficient curves. Journal of Irrigation and Drainage Engineering, 131 (1): 94–109. [DOI: 10.1061/(ASCE)0733-9437(2005)131:1(94)]
-
Tian D and Martinez C J. 2012. Forecasting reference evapotranspiration using retrospective forecast analogs in the southeastern United States. Journal of Hydrometeorology, 13 (6): 1874–1892. [DOI: 10.1175/JHM-D-12-037.1]
-
Todorovic M. 1999. Single-layer evapotranspiration model with variable canopy resistance. Journal of Irrigation and Drainage Engineering, 125 (5): 235–245. [DOI: 10.1061/(ASCE)0733-9437(1999)125:5(235)]
-
Tolk J A, Howell T A and Evett S R. 2006. Nighttime evapotranspiration from alfalfa and cotton in a semiarid climate. Agronomy Journal, 98 (3): 730–736. [DOI: 10.2134/agronj2005.0276]
-
Trezza R. 2002. Evapotranspiration using a satellite-based surface energy balance with standardized ground control. Logan, UT: Utah State University: 339
-
Twine T E, Kustas W P, Norman J M, Cook D R, Houser P R, Meyers T P, Prueger J H, Starks P J and Wesely M L. 2000. Correcting eddy-covariance flux underestimates over a grassland. Agricultural and Forest Meteorology, 103 (3): 279–300. [DOI: 10.1016/S0168-1923(00)00123-4]
-
van Niel T G, McVicar T R, Roderick M L, van Dijk A I J M, Renzullo L J and van Gorsel E. 2011. Correcting for systematic error in satellite-derived latent heat flux due to assumptions in temporal scaling: assessment from flux tower observations. Journal of Hydrology, 409 (1/2): 140–148. [DOI: 10.1016/j.jhydrol.2011.08.011]
-
van Niel T G, McVicar T R, Roderick M L, van Dijk A I J M, Beringer J, Hutley L B and van Gorsel E. 2012. Upscaling latent heat flux for thermal remote sensing studies: comparison of alternative approaches and correction of bias. Journal of Hydrology, 468-469 : 35–46. [DOI: 10.1016/j.jhydrol.2012.08.005]
-
Wandera L, Mallick K, Kiely G, Roupsard O, Peichl M and Magliulo V. 2017. Upscaling instantaneous to daily evapotranspiration using modelled daily shortwave radiation for remote sensing applications: an Artificial Neural Network approach. Hydrology and Earth System Sciences, 21 (1): 197–215. [DOI: 10.5194/hess-21-197-2017]
-
Wang K, Tang R L and Li Z L. 2013. Comparison of integrating LAS/MODIS data into a land surface model for improved estimation of surface variables through data assimilation. International Journal of Remote Sensing, 34 (9/10): 3193–3207. [DOI: 10.1080/01431161.2012.716914]
-
Wang K C and Dickinson R E. 2012. A review of global terrestrial evapotranspiration: observation, modeling, climatology, and climatic variability. Reviews of Geophysics, 50 (2): RG2005 [DOI: 10.1029/2011RG000373]
-
Xie X Q. 1991. Estimation of daily Evapotranspiration(ET)from one time-of-Day remotely sensed canopy temperature. Journal of Remote Sensing (4): 253–260. ( 谢贤群. 1991. 遥感瞬时作物表面温度估算农田全日蒸散总量. 遥感学报 (4): 253–260. )
-
Xiong J, Wu B F, Yan N N, Hu M G and Sun M Z. 2008. Research on temporal reconstruction of evapotranspiration by using remote sensing. Progress in Geography, 27 (2): 53–59. [DOI: 10.11820/dlkxjz.2008.02.008] ( 熊隽, 吴炳方, 闫娜娜, 胡明罡, 孙敏章. 2008. 遥感蒸散模型的时间重建方法研究. 地理科学进展, 27 (2): 53–59. [DOI: 10.11820/dlkxjz.2008.02.008] )
-
Xiong Y J, Qiu G Y, Chen X H, Zhao S H and Tian F. 2012. Estimation of evapotranspiration using three-temperature model based on MODIS data. Journal of Remote Sensing, 16 (5): 969–985. ( 熊育久, 邱国玉, 陈晓宏, 赵少华, 田菲. 2012. 三温模型与MODIS影像反演蒸散发. 遥感学报, 16 (5): 969–985. )
-
Xu T R, Liu S M, Liang S L and Qin J. 2011. Improving predictions of water and heat fluxes by assimilating MODIS land surface temperature products into the common land model. Journal of Hydrometeorology, 12 (2): 227–244. [DOI: 10.1175/2010jhm1300.1]
-
Xu T R, Liu S M, Xu L, Chen Y J, Jia Z Z, Xu Z W and Nielson J. 2015. Temporal upscaling and reconstruction of thermal remotely sensed instantaneous evapotranspiration. Remote Sensing, 7 (3): 3400–3425. [DOI: 10.3390/rs70303400]
-
Yang Y M. 2014. A new remotely sensed model to retrieve regional evapotranspiration considering advection effects. Beijing: University of Chinese Academy of Sciences. (杨永民. 2014. 考虑平流影响的遥感蒸散模型及区域蒸散估算. 北京: 中国科学院大学)
-
Yuan W P, Liu S G, Yu G R, Bonnefond J M, Chen J Q, Davis K, Desai A R, Goldstein A H, Gianelle D, Rossi F, Suyker A E and Verma S B. 2010. Global estimates of evapotranspiration and gross primary production based on MODIS and global meteorology data. Remote Sensing of Environment, 114 (7): 1416–1431. [DOI: 10.1016/j.rse.2010.01.022]
-
Zhang B Z, Chen H, Xu D and Li F S. 2017. Methods to estimate daily evapotranspiration from hourly evapotranspiration. Biosystems Engineering, 53 : 129–139. [DOI: 10.1016/j.biosystemseng.2016.11.008]
-
Zhang B Z, Xu D, Liu Y and Chen H. 2015. Review of multi-scale evapotranspiration estimation and spatio-temporal scale expansion. Transactions of the Chinese Society of Agricultural Engineering, 31 (6): 8–16. [DOI: 10.3969/j.issn.1002-6819.2015.06.002] ( 张宝忠, 许迪, 刘钰, 陈鹤. 2015. 多尺度蒸散发估测与时空尺度拓展方法研究进展. 农业工程学报, 31 (6): 8–16. [DOI: 10.3969/j.issn.1002-6819.2015.06.002] )
-
Zhang L and Lemeur R. 1995. Evaluation of daily evapotranspiration estimates from instantaneous measurements. Agricultural and Forest Meteorology, 74 (1/2): 139–154. [DOI: 10.1016/0168-1923(94)02181-I]
-
Zhang R H, Du J P and Sun R. 2012. Review of estimation and validation of regional evapotranspiration based on remote sensing. Advances in Earth Science, 27 (12): 1295–1307. [DOI: 10.11867/j.issn.1001-8166.2012.12.1295] ( 张荣华, 杜君平, 孙睿. 2012. 区域蒸散发遥感估算方法及验证综述. 地球科学进展, 27 (12): 1295–1307. [DOI: 10.11867/j.issn.1001-8166.2012.12.1295] )
-
Zhao X S, Liu Y B and Wu G P. 2013. A satellite-based study on spatiotemporal variation in evapotranspiration and its controlling factors over the Poyang lake basin of China during 2000-2009. Resources and Environment in the Yangtze Basin, 22 (3): 369–378. ( 赵晓松, 刘元波, 吴桂平. 2013. 基于遥感的2000~2009年鄱阳湖流域蒸散特征及影响因子研究. 长江流域资源与环境, 22 (3): 369–378. )
