遥感技术与应用, 2022, 37(4): 839-853 doi: 10.11873/j.issn.1004-0323.2022.4.0839

蒸散发遥感专栏

基于遥感的地表蒸散发研究进展

孟莹,, 姜鹏, 董巍

中国气象局气象干部培训学院辽宁分院，辽宁 沈阳 110166

Progress in the Evapotranspiration Estimation Using Remotely Sensed Data

Meng Ying,, Jiang Peng, Dong Wei

Liaoning Branch of China Meteorological Administration Training Centre，Shenyang 110166，China

收稿日期: 2021-04-19   修回日期: 2021-08-31  

Received: 2021-04-19   Revised: 2021-08-31  

作者简介 About authors

孟莹（1973-），女，辽宁营口人，高级工程师，主要从事气候变化与气象教育培训E⁃mail:mylnqx@163.com , E-mail：mylnqx@163.com

摘要

地表蒸散发是整个生物圈、大气圈和水圈中水分循环和能量传输的重要控制因素。遥感技术的应用使得区域尺度的蒸散发估算成为可能，并在过去的几十年中快速发展。研究对遥感蒸散发估算进行了总结与归纳，在此基础上展望了今后的发展方向，明确指出了遥感蒸散发未来研究的突破点及发展方向。提出未来应加强蒸散发尺度效应、夜间蒸散发、不同蒸散发产品的统一真实性检验、国产卫星数据的使用、更高时空分辨率产品的研发以及机器学习在遥感蒸散发产品中的应用。

关键词： 地表蒸散发 ; 遥感 ; 模型

Abstract

The surface Evapotranspiration （ET） is an important controlling factor to water cycle and energy transmission in the biosphere， atmosphere and hydrosphere. Satellite provides an unprecedented spatial distribution of ET in the past decades. In this paper，the estimation methods of evapotranspiration using remotely sensed data were summarized，and the existing issues that should be further studied were discussed. In the future research，we should strengthen the improvement of the evapotranspiration regarding scale effect， nighttime ET， the general validation method of different ET products， remotely sensed data in China， the ET products with higher spatial-temporal resolution， and the new ET model using the machine learning methods.

Keywords： Evapotranspiration ; Remote sensing ; Model

PDF (793KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

孟莹, 姜鹏, 董巍. 基于遥感的地表蒸散发研究进展. 遥感技术与应用[J], 2022, 37(4): 839-853 doi:10.11873/j.issn.1004-0323.2022.4.0839

Meng Ying, Jiang Peng, Dong Wei. Progress in the Evapotranspiration Estimation Using Remotely Sensed Data. Remote Sensing Technology and Application[J], 2022, 37(4): 839-853 doi:10.11873/j.issn.1004-0323.2022.4.0839

1 引 言

地表蒸散发（Evapotranspiration，ET）是指水分子从液态/固态变成汽态的过程，包括土壤和水体蒸发、植被冠层截留降水蒸发、植被蒸腾以及冰雪升华等。它是整个生物圈、大气圈和水圈中水分循环和能量传输的重要控制因素，是地球系统物质循环（水、能量和生物化学循环）的核心，影响着陆地表面降水和辐射能量的重新分配，是极其重要的水循环要素过程［1］。在全球范围内，地球表面吸收的太阳能有一半以上用于蒸散发，同时地表蒸散发将有超过60%的降水量返回于大气中［2］，是陆域水循环的第二大组成部分（仅次于降水）。几乎所有的干旱、热浪等极端水文气象事件都与蒸散发密切相关，且与日常生活密切相关的农田灌溉的节水提升、精准农业的高效实施、水库兴利的合理调度、湖泊范围的扩张萎缩、荒漠绿洲的维护保持等也都与蒸散发紧密相关。总而言之，与地表蒸散发紧密联系的学科已经涵盖了农学、生态学、水文学、大气科学、环境科学等在内的10多个科学领域［3］。鉴于蒸散发的重要性，其已成为国际研究的热点。国际许多领域对地表蒸散发都十分关注，如国际水文计划（IHP）、国际地圈—生物圈计划（IGBP）、世界气候研究计划（WCRP）、联合国环境计划（UNEP）、联合国粮农组织（FAO）等都把蒸散发的测估算问题列为陆地-大气相互作用、地球气候和水圈相互作用、农业灌排等研究的重要内容之一。

传统的蒸渗仪、大孔径闪烁仪、波文比和涡度相关观测系统等观测仅限于点或局地尺度，而且价格昂贵，很难实现区域和全球尺度地表蒸散发估算。卫星遥感技术的兴起，特别是20世纪70年代以来热红外遥感的应用和发展，使获取大尺度非均匀下垫面的地表特征参数成为可能，如从热红外波段信息可获取地表与大气界面的地表辐射和温度状况；从可见光、近红外和短波红外波段信息可以获取反演蒸散量所涉及的下垫面特征参数（如地表反照率和植被覆盖度等）；从微波波段可反映土壤和植被水分状况等；从日光诱导叶绿素荧光（SIF）遥感数据可以反映植被的光合作用［3］。一系列旨在精确估算地表实际蒸散量的遥感模型由此应运而生。

研究对现有的遥感估算地表蒸散发的诸多方法进行归纳和总结，在此基础上展望今后的发展方向，明确指出遥感蒸散发未来研究的突破点及发展方向。

2 遥感蒸散发模型

近30 a来，国内外学者发展了大量的基于遥感技术的蒸散发模型来估算区域和全球蒸散发量。根据基本原理与模型结构，可以将其大致分为经验方法（如基于统计关系的方法［5］和基于机器学习的方法［6-7］）、能量平衡余项法（如SEBAL［8］和SEBS［9］）、微气象理论法（如Penman-Monteith公式［10］和Priestley-Taylor公式［11-12］）、蒸发互补理论［13］、地表温度—植被指数空间法［14-15］、数据同化法［16］、结合重力学卫星GRACE的水量平衡方法［17-18］等。

2.1　经验方法

基于蒸散发量与环境因子，如植被指数、气温、辐射等之间的统计关系，建立一个或多个统计经验方程来估算蒸散发量。Jackson等［5］在Phoenix地区不同下垫面上，首次建立了日蒸散发与正午时刻地表温度、参考高度处空气温度之间的统计回归关系，提出了简化的经验回归法。其表达式如下：

Rn,d-LEd=A+B(Tc,i-Ta,i)

其中：Rn，d为日净辐射（J/m2/day）；LEd为日潜热通量（J/m2/day）；Tc，i和Tc，i分别为正午时冠层表面辐射温度和参考高度处的气温（K）。A和B为回归系数。

在此基础上，不同学者发展了不同的经验公式。例如，Wang等［19］结合昼夜地表温差反映土壤水分对蒸散的影响，建立了净辐射、植被指数、温度、土壤湿度与蒸散发量之间的经验关系，并运用到全球尺度的蒸散发量估算，反演结果能很好地表现出蒸散发的季节变化趋势［20］。

近些年，随着机器学习，特别是深度学习的广泛应用，基于机器学习算法的遥感蒸散发估算开始崭露头角。如Jung等［7］提出以全球通量站点观测数据为基础，结合MODIS数据和气象数据，利用机器学习将站点数据尺度上推至全球尺度；Xu等［16］比较了不同的机器学习算法估算区域尺度蒸散发的能力，发现机器学习算法能够很好地捕捉到蒸散发的时空变化。

无论是传统的统计回归方法还是新近流行的机器学习算法，都是将通量站点观测数据和遥感数据结合，直接拟合或者学习蒸散量与地表参数的关系，进而估算区域尺度蒸散发。该类模型物理机制较为简单，所需参数较少［19，21］；缺点在于样本数量及其代表性对模型的影响很大，可移植性较差。

2.2　能量平衡余项法

能量平衡余项法的基本思想是：不考虑平流的影响，能量通量只在垂直一维的方向上进行传输。能量平衡方程为：

LE=Rn-H-G-P-S

其中：LE为潜热通量（W·m-2）；Rn为净辐射（W·m-2）；G为土壤热通量（W·m-2）H为感热通量（W·m-2）；P为光合作用消耗的能量（W·m-2）；S为冠层的储热（W·m-2）。潜热通量指物质发生相变且温度不发生变化时吸收或放出的热量。显热通量指物体在加热（冷却）过程中温度升高（降低）而不改变其原有相态所需吸收（放出）的热量，因而显热通量也称为感热通量。一般情况下可以忽略掉P，对于低矮植被，也可以忽略掉S。其中Rn 和G可以通过太阳天顶角和地表参数等计算出来，其参数化方案均已较为成熟，其不确定性较低，因此各模型的核心思路是如何确定H和LE。

根据空气动力学理论，H和LE可表达为：

H=ρ⋅Cp⋅Taero-Tara
λE=ρ⋅Cp⋅eγ⋅ra+rs

其中：Taero 为位于温度廓线一定高度（zh）的空气动力学温度（K）；Ta 为参考高度温度（冠层上方2 m，K）；ρ为空气密度（kg/m3）；Cp为空气定压比热（J/kg-1·K-1）；e为水汽压亏缺（kPa）；γ为干湿计常数（kPa/K）；ra 为空气动力学阻力（s/m）；rs 为表面水汽扩散阻力（s/m）。ra 可以通过动量传输粗糙长度（z0m ）、热量传输粗糙长度（z0h ）以及风速和大气稳定度来确定。由于rs 与植被生理特征和环境因子有复杂的关系，难以对其进行量化求解。为避免表面阻抗对于估算LE带来的误差，研究者通常先对H进行估算，再将LE作为能量平衡的剩余项得出，故称此方法为能量平衡余项法。

由于Taero 难以通过遥感反演得到，实际应用中通常用地表辐射温度（Trad ）进行代替［22-23］。Trad 与Taero 并不能简单的替换，而是需要通过一系列的方法对Trad 进行修正［23-24］。这样，显热通量H就可以被估算出来，而潜热通量λE则通过式（1）中能量平衡的余项残差来确定。

根据计算H时是否对植被和土壤进行区分，可分为单源模型和双源模型两种。其中，单源模型又称大叶模型，把土壤和植被看成一个系统，不区分土壤和植被对地表水热通量的贡献。单源模型在下垫面均一的地区应用较为广泛，精度较高。在该模型中，核心的问题是空气动力学温度（Taero ）的获取。由于空气动力学温度（Taero ）很难由遥感技术直接获取，通常用地表辐射温度（Ts ）代替。然而，空气动力学温度和地表辐射温度存在明显的差异，尤其是在植被稀疏的干旱半干旱地区。为此，该模型通过引入剩余阻抗或经验公式来调整二者的温差。单源模型的优点是：简单实用、应用很广；缺点是不适合下垫面不均一的情况，需要实地校正；表面阻抗在不均一、水分胁迫时不容易求解。

双源模型则分别考虑土壤与植被对地表水热通量的贡献。双源模型的优点是物理机理明确，适用下垫面的情况广，避免了剩余阻抗的估算，不需要实地校正；缺点是需要众多的参数，部分参数很难获取，需要进一步的简化［21，25-28］。

常见的单源模型为陆地表面能量平衡算法SEBAL［8］和地表能量平衡系统SEBS［9］；常见的双源模型为Shuttleworth-Wallace模型［29］和TSEB模型［30］等。下面简单介绍比较常用的单源和双源模型。

2.2.1　单源模型

Bastiaanssen等［31-33］提出的SEBAL模型已经被证明在全球不同气候条件下的局地和流域尺度上取得了较好的结果。在田间尺度上应用时，日均蒸散发的估算精度在85%左右，而季节尺度的蒸散发估算精度在95%左右［32］。

SEBAL模型中存在两个重要假设：①地气温差dT与地表温度Ts存在线性关系，即dT=a+b•Ts，其中a、b 为经验回归系数；②研究区域中同时存在冷像元和热像元，并且冷热像元的H分别为0和（Rn-G）。

第一个假设引入了dT与Ts的概念，使得求解空气动力学温度与空气温度的差值的复杂问题，变化简化求解地表辐射温度Ts的线性系数问题；第二个假设，引入了两个蒸散发极值情况（冷像元H为0，热像元LE为0），从而将求解出上述线性关系的系数，进而求解出整个区域的H。

Timmermans等［34］通过对比分析SEBAL 模型和TSEB双层模型，指出SEBAL模型在裸土和稀疏植被区域的误差较大。Paul等［35］使用蒸渗仪和航空影像对SEBAL模型进行了详细的评估，指出地气温差的线性假设在灌溉农田的误差较小，在受水分胁迫较大的区域误差较大。

SEBAL模型的优点在于：①需要较少的地面辅助数据；②由于模型本身的自动校正功能，地表温度的反演不需要严格的大气校正；③研究涉及的每幅影像均能实现自动校正。缺点在于：①需要主观确定研究区域内的干湿点；②通常只适用于平坦地区，当SEBAL 模型应用于山区时，需要利用数字高程模型对地表温度和风速进行高程校正；③没有考虑观测角度对地表温度的影响。④当存在植被覆盖度较大但受到水分胁迫的像元时，dT的线性关系假设会引起较大误差。在SEBAL 模型的基础上，Allen等［36］提出了一个SEBAL 模型的变形模型，即METRIC模型。METRIC 保留了SEBAL模型的自动校正算法（冷热像元选取）来估算地表显热和潜热通量的同时，将地形条件对于估算结果的影响考虑了进去。METRIC 与SEBAL 模型相比的主要区别是［36］：①冷像元的感热通量不等于0，潜热通量不等于地表可利用能量（Rn-G），冷像元的ET=1.05 ETr（ETr 为利用标准化的ASCE Penman-Monteith 方程估算得到的参考蒸散发）；②使用参考作物蒸发比，而不是真正的蒸发比，将瞬时ET扩展为日尺度ET。

METRIC 模型的优点在于［36］：①考虑了地形因素对于通量和温度等因子的影响；②充分考虑了下垫面的实际情况来计算冷热像元的实际蒸散发。缺点在于：①用户需要对研究区域比较了解，才能选取合适的冷热像元；②瞬时ET 拓展的方法对气象数据精度要求较高，但是大部分气象数据都无法获取栅格数据，只能用站点观测数据代替，影响了模型的广泛应用。METRIC在山区的适用性虽较SEBAL有所提高，但 SEBAL存在的其它问题仍然没有解决。突出表现在两个方面。一方面是冷热像元的人为主观选取，这对模型的使用者提出了很高的要求。使用者不仅需要了解近地面边界层传输理论，还需要对研究区域非常了解。研究者很大可能将其主观性误差带入到模型中，这就使得SEBAL模型反演的精度很大程度上取决于人为选取的冷热像元。为了解决这个问题，许多学者提出了不同的基于统计方法的冷热像元自动化选取方法［37］，Allen等［38］对这些方法进行了详细的总结，并在加拿大落基山脉区域进行了对比，结果显示有经验的人工选取方法比自动化的选取方法估算的蒸散发相对误差小10%左右；另一方面是单一的冷热像元定标方案，可能是导致SEBAL估算出的感热通量有时被高估，有时被低估的重要原因。为此冯景泽等［24］在总结SEBAL、SEBI、S-SEBI、SEBS等模型冷热干湿像元的基础上，提出了参考干湿限的概念，并基于此提出了“基于遥感的参考干湿限能量平衡算法”（REDRAW）。但是REDRAW模型在求解参考植被干边和参考植被湿边时，由于附加阻尼kB-1的不确定性很大，一定程度上限制了该算法的应用。Long等［39］提出了基于地表辐射温度-植被指数特征空间的定标方案，即在地气间的温差与地表辐射温度呈线性关系的基础上，引入了下垫面植被覆盖度与地表辐射温度的关系信息，该模型使用2002年在美国开展的“土壤水分和大气的耦合实验”（SMACEX）数据进行验证，结果表明：地表辐射温度-植被指数特征空间的定标方案反演蒸散均方根误差要比SEBAL小，且应用性较强［39］。

为避免人为确定干湿像元或干湿边带来的不确定性，Su等［9］在2002年提出了SEBS模型。该模型的突出之处在于：①提出了新的kB-1计算公式，该计算公式可以适用于不同植被覆盖度的情况；②每个像元都设定一个干限和湿限，并且使每个像元的H都介于干限和湿限的H之间，一定程度上避免了空间插值不确定性带来的误差；③SEBS 模型对行星（大气）边界层与近地表层的相似度进行了区分；④不需要地表湍流通量的先验知识。

模型的输入包括遥感可反演参数和地面观测气象数据，如地表温度、叶面积指数、植被覆盖度、植被高度、地表反照率、风速、湿度和气温等。

SEBS模型的不足之处在于：①kB-1计算中的不确定性以及存在率定的可能性；②计算逐像元干湿限的H需要输入逐像元的气象数据，因此需面临气象数据空间插值可能带来的误差；③对于空气空气动力学粗糙度比较敏感，当地表参数的误差较大时，会产生较大的误差。

有研究表明，SEBS 模型在干旱半干旱区域，存在感热通量高估，潜热通量低估的现象［40］。Gokmen等［40］基于优化算法，利用实测的土壤体积含水量修正了SEBS 模型中kB-1系数，有效改善了SEBS 模型在遭遇干旱水分胁迫时对潜热通量的高估现象。

总之，单层模型在反演植被覆盖度较高、下垫面均匀的陆面蒸散发时精度较高，并且由于所涉及的空气动力学阻抗能够根据下垫面特征及常规气象观测资料较为容易求解，因此获得广泛应用［27-28］。然而，由于无法解释空气动力学温度与遥感获得的表面温度之间的差异问题，使得单层模型在植被稀疏地区的模拟效果较差。

2.2.2　双源模型

当地表植被覆盖稀疏时，土壤和植被冠层与大气间的水热交互不是在同一表面，因此单层的“大叶”模型并不能刻画出研究区域下垫面的异质性。因此，用双源模型则能更加真实地模拟稀疏植被覆盖条件下土壤和植被与大气间水热湍流的交互关系［27，41］。辛晓洲等［23］比较了单层模型和双层模型与地面观测结果的差异，结果同样表明，在植被覆盖度较高时，单层模型可以模拟出与实际比较相符的湍流热通量，而在植被稀疏和较干旱的情况下，双层模型比单层模型具有更明显的优势。

根据土壤和植被冠层之间阻力连接机制的不同，又可分为双层串联模型［29］与双层平行模型［30］。其中，串联模型将土壤与冠层视为连续体，各部分阻力机制之间相互耦合，将下层土壤和上层植被叶片看作连续的湍流输送源，下层和上层的温度和湍流是互相作用和影响的，考虑了土壤和植被的耦合关系，故也称为系列模式；而平行模型则认为土壤与冠层分别作为独立的个体与大气进行水热交换，土壤通量和植被冠层通量互相平行，两者独自与空气进行湍流交流，两者之间不存在这相互的影响，总显热通量等于各部分显热通量面积的加权平均。与串联假设相比，平行假设使方程更易求解［30］。

比较有代表性的双源模型有S-W模型［29］、TSEB［30］、ALEXI［41］、TTME［42］和HTEM［43］。Hu和Jia［44］综合了微波和光学卫星遥感数据，对S-W模型中阻抗等进行优化，并增加了加树冠截流模型，构建了适用于区域尺度地表蒸散发计算的遥感ETmonitor模型；Xin等［45］通过构建极端干燥和湿润能量控制条件下土壤和植被温度差异指数，代入到S-W模型中计算土壤蒸发和植被蒸腾，简化了S-W模型的计算。

为了更好地与遥感技术相结合，Norman等［30］将经典S-W模型的5个阻抗参数简化为植被冠层的总边界层阻抗和土壤表面阻抗，称为TSEB模型。TSEB模型一般通过定向辐射温度分解并结合Priestley-Taylor公式的方法确定冠层温度和土壤温度；也可用多角度的热红外遥感数据来计算冠层与土壤温度。由于对土壤温度和冠层温度进行了区分，TSEB模型在干旱稀疏植被覆盖地区适用性较好。Timmermans等［34］对双层的TSEB模型与单层的SEBAL模型作了对比评价，TSEB在裸土或稀疏植被区的模拟表现与通量站的观测更为接近。

Song等［46］将遥感反演的组分温度输入TSEB模型中，提高了TSEB模型在异质性下垫面估算地表蒸散发的精度。另外，Song等［47］通过引入优化的Priestley-Taylor公式，直接从混合辐射温度中分解出植被和土壤温度，提高组分温度分解精度（TSEB-A），解决了在高植被覆盖和平流影响条件下，TSEB模型容易高估土壤蒸发，低估植被蒸腾的问题。

在TSEB模型的基础上，Anderson 等［41］根据早晨地表温度上升的速率和大气边界层增长模型，提出了时间积分模型（TSTIM），也称为ALEXI模型，并使用ISLSCP和Monsoon'90试验数据验证了该模型的适用性。ALEXI 模型不需要地面气温观测数据的辅助，而且对地表比辐射率和大气校正造成的地表温度反演误差也不敏感。Anderson等［48］利用GOES 卫星数据基于ALEXI 模型估算了美国地表的潜热通量（空间分辨率10 km），分析了地表的干旱状况，取得了理想的结果。但ALEXI模型需要多次地表温度数据，这限制了其更广泛的应用。

总而言之，双层模型更真实地刻画了土壤—植被大气系统水热交换机制，在理论上比单层模型进步，尤其是反演稀疏植被覆盖条件下的水热通量，避免了空气动力学温度和地表辐射温度的差异，更加适合植被稀疏的干旱半干旱地区，其优越性更为显著。然而，双源模型中涉及的阻抗参数和组分温度与植被结构、生理特征、土壤水分等因素有关，其估算的不确定性很高。一种可能的方法是多角度热红外遥感反演组分温度。但目前可用的多角度卫星数据很少，组分温度反演理论和方法也不成熟。因此，在只有单一角度红外观测的情况下，求解双层蒸散模型，并使精度得以提高，需要一种新的方法。

2.3　微气象理论法

传统的基于微气象理论方法的蒸散发估算具有较为坚实的理论基础，物理概念比较明确，能较好地反映蒸散发的物理机制。通过遥感技术计算微气象理论方法中所需要的净辐射、土壤热通量、阻抗等地表参数，进而计算区域蒸散发，使微气象理论方法计算蒸散发从单点尺度推广到区域尺度，成为近年来研究的重点。

该类模型的优点在于：物理机理强，结合不同时间尺度的气象数据和长期遥感反演的地表植被信息作为驱动，不需要地表热红外信息，有效避免了从瞬时至日尺度扩展所带来的不确定性，因此更加适合长期连续的蒸散发估测［49］，便用业务化应用和大尺度蒸散发的遥感估算。缺点在于：①由于表面阻抗涉及土壤水分状况及植被生理特征等参数，其准确估算面临较大挑战；②需要精确模拟参考高度温度场、风速场和湿度场，而气象模型往往由于空间分辨率较低而不能满足蒸散发估算的精度要求。

常用的基于微气象理论方法的蒸散发估算方法为：Penman-Monteith（PM）方法和Priestley-Taylor（PT）方法。下面分别介绍这两种方法。

2.3.1　Penman-Monteith（PM）方法

1948年Penman［50］提出了计算开放的水面和湿润下垫面潜在蒸发的公式Penman 公式。在湿润的地表面，Penman公式是一种简单的计算蒸散发通量的方法，这种计算蒸散发通量的方法不仅简单，而且对于理解蒸发量对环境因子的依赖性十分有益；1964年Monteith 在此基础上又引入“表面阻力”概念的，从而导出了计算非饱和下垫面蒸散发的Penman-Monteith（PM） 公式［10］：

λE=Δ⋅A+ρ⋅Cp⋅e/raΔ+γ⋅1+rs/ra

其中：Δ是饱和水汽压与气温曲线的斜率（kPa/K）；A是可利用的能量（W/m2）；ρ是空气密度（kg/m3）；Cp 是空气定压比热（J/kg-1·K-1）；e是水汽压亏缺（kPa）；γ是干湿计常数（Pa/K）；rs 和ra 分别是表面水汽扩散阻力和空气动力学阻力（s/m）。PM公式中的大部分参数都可以由地面气象观测直接获得，或者根据地面观测计算获得。只有表面阻抗和空气动力阻抗需要经过合理的参数化方法来求得。

PM模型在点尺度中的应用效果较好，由于地球空间的异质性和复杂性，该模型在空间尺度上的扩展还存在不小的困难。多源遥感数据以及地表参数反演产品的飞速发展可以为PM模型提供地表辐射、土壤热通量的参数以及地表下垫面的一些基本参数，促进了PM模型的发展和应用［28］。

近年来，国内外许多学者利用遥感产品对空气动力学阻抗和地表阻抗进行参数化，使得PM模型的可操作性大大提高。其中，Cleugh等［51］利用叶面积指数、空气温度、水汽压差和光合有效辐射等参数对植被冠层阻抗进行了参数化。此后，Mu 等［52-53］针对不同的植被类型，分别采用叶面积指数、最低空气温度限制因子和水汽压限制因子对Cleugh 方法进行了简化，该算法成为MODIS 蒸散产品MODIS16的官方算法。Cui等［54］在GLEAM模型的基础上，结合黑河流域上游的特点，简化了截留模型Gash，从而便于应用遥感数据来估算森林区域的蒸散发。Hu等［50］在考虑黑河流域不同下垫面的情况下，综合利用可见近红外、热红外和微波数据，设计了ETMonitor模型。该模型结合土地利用/覆被数据，分别估算出土壤蒸发、水面蒸散、降雨截留、植被蒸散发和雪冰升华等。该模型是基于遥感的蒸散发模型中为数不多的考虑雪冰下垫面的一个模型。Zhang 等［55］基于NDVI，对每种植被类型采用特定的最大气孔阻抗值，以计算表面阻抗，并成功估算了1983—2006年全球尺度的蒸散量。

2.3.2　Priestley-Taylor（PT）方法

Priestley 等［11］在1972 年以平衡蒸发为基础，在无平流假设的前提下，建立了饱和下垫面蒸散发的计算方法，提出了Priestley-Taylor（PT）模型，

λE=α⋅ΔΔ+γ⋅A

其中：α为Priestley-Taylor系数；Δ为饱和水汽压与气温关系斜率kPa/K）；γ为干湿计常数（Pa/K）；A为可利用能量（W/m2）。

PT方程的物理机制相对较弱，但有效地避免了PM方程中大量的阻力参数化方案对模型结果带来的不确定性。因此模型结构更为简洁，此类模型以GLEAM模型［56］和PT-JPL模型［54］为代表，研究表明其在大部分植被类型下较同类蒸散发模型有着更好的表现［57］。Ershadi等［58］通过位于不同生态系统类型的通量站的长期观测数据，系统地比较了目前几类主要的蒸散发模型，研究表明PT-JPL的结果与站点涡度观测最为接近。由于PT-JPL模型中用来限制潜在蒸散发的大量生理生态因子会随着环境条件和植被类型改变，因此Zhang等［59］对PT-JPL模型在不同生态类型下的参数敏感性做了系统分析，并依据位于全球不同气候与生态类型区的涡度观测数据对敏感参数进行了优化估计，结果表明经过优化的模型有效地降低了原先在干旱半干旱区对蒸散发高估的情况。

2.4　互补相关方法

互补相关模型是Bouchet于1963年提出的无平流影响时大气对陆面蒸散反馈的基本假设［60］。其基本原理为湿润环境下实际蒸散和潜在蒸散相等；随着土壤水分减少，实际蒸散减小，而潜在蒸散增加，二者的增量绝对值相等。潜在蒸散变化范围为湿润环境下实际蒸散范围的1—2倍。该理论为实际蒸散与潜在蒸散建立了联系，为实际蒸散的估算提供了新思路，具体表达式如下：

E+EP=2EW

其中：E为实际蒸散量，EP为潜在蒸散量，一般指下垫面广阔均一且充分供水时的最大可能蒸散发量；EW为湿润条件下的陆面蒸散量，定义为无平流条件下，净辐射能量保持不变，下垫面供水充分时的蒸散发总量。

互补相关模型的最大优点是简化蒸散机理，只需常规气象观测资料就可以计算旬、月、年的陆面蒸散量；缺点是：①由于模型没有考虑空气与外界的能量和物质交换，认为释放的能量只用来进行蒸散，也忽略了大气平流层和大尺度天气系统的影响。真实农田的异质性和不连续性给模型带来了较大的误差。②迄今为止，互补关系原理中潜在蒸散发和实际蒸散发增量绝对值相等尚未得到证明，同时由于湿润环境蒸发和非饱和面潜在蒸发有多种定义，致使基于该原理的蒸散发模型估算结果会有较大的差别。

许多学者根据互补相关原理，建立了一系列计算实际蒸散发的模型。目前应用比较多的互补相关模型主要有3种：Granger 模型［61］、平流干旱模型［62］、CRAE［63］模型。例如，Venturini等［64］将Grange 模型和PT 模型结合，引入了不改变地表实际水汽压而通过降温使地表水汽压达到饱和的虚拟地表温度，得到一个相对简单的蒸散计算模型，运用MODIS数据产品，估算美国南部大平原瞬时蒸散发，使遥感数据能应用到Grange 模型中，实现全遥感数据的模型估算。刘绍民等［65］利用黄河流域1981—2000 年的气象、水文资料以及卫星遥感信息和数字高程模型，比较了平流干旱、CRAE、Granger 等互补相关模型在不同时间尺度、不同气候类型区域的计算精度。结果表明平流干旱模型估算的月蒸散量比较合理。

2.5　地表温度—植被指数空间法

地表温度—植被指数空间法，也称空间纹理方法、特征空间法模型。该模型的产生，源于许多研究者的一个重要发现，即一个区域的地表温度及植被指数的散点图多呈梯形或三角形的形状［14］。其生物物理基础在于，在裸地区域，地表温度Ts 对土壤湿度变化的敏感性远大于植被覆盖区域，使得 Ts/VI 散点图多呈三角形或梯形，其中当土壤水分和植被指数均在0~1 之间变化时，Ts-VI 三角空间由一干边和一湿边形成上下包络线，并最终在全植被覆盖地区相交于一点。由此可利用该特征空间的形状来确定整个区域蒸散发的上下边界，进而反演出各像元的实际蒸散发［15，66］。

在过去20多年，基于地表温度—植被指数三角/梯形空间反演地表蒸散发及分离土壤蒸发与植被蒸腾的研究已经取得了长足进展，并通过不同的假设和解译机制，发展出了多种干湿边或极限端元温度确定方法以及蒸散发建模方案［39，43］。例如，张仁华等［67］采用混合像元组分排序对比法（PCACA） 提出了可操作的蒸散二层模型，计算了区域尺度上的波文比，开展了区域尺度上的蒸散遥感估算研究；Jiang和Islam［68］在Ts/VI 特征空间中引入Priestley-Taylor 参数来反演LE。该方法假设Priestley-Taylor 参数只与地表温度和植被指数有关，并通过Ts/NDVI特征空间对其进行估计； Tang 等［66］构建了蒸发比与三角特征空间的理论关系模型，建立了全自动干湿边确定的温度—植被覆盖度三角法，克服了Ts-VI三角特征空间法在干湿边确定上具有较大的主观性和随意性的问题。Long等［69］通过确定理论干边和湿边，很好地解决了当研究区域不存在干边或者干边较难确定的问题。

基于地表温度—植被指数三角/梯形特征空间反演地表蒸散发的关键在于如何确定干湿边或极限端元的地表温度。目前，一般通过经验回归［66］，或者通过理论计算（依赖于大量地面气象与植被数据辅助［69］），或者利用长时间序列地表温度极值替代［70］。

这种方法的优点是：①只需要常规气象数据即可反演地表通量；②不需要空气动力学阻抗的计算；③不需要绝对的温度反演精度和大气校正；④直接计算出蒸发比：只需要计算出能量比值，而不需要能量平衡算法；⑤估算出的蒸发比和净辐射，是相对独立的，因此总体误差可以追溯到蒸散发和净辐射。缺点在于：①干湿点选取的主观性；②研究区域应该存在土壤水分不同的植被、裸土情况；③假设研究区域的大气条件均一，因此不适用于大区域的蒸散发估算。

2.6　数据同化方法

基于遥感的ET模型一般只能得到卫星过境时的瞬时蒸散发，无法提供时间连续的的蒸散发。陆面数据同化可以在陆面过程模型的动力框架内，利用数据同化算法，融合时空上离散分布的不同来源和不同分辨率的直接与间接观测信息来改善动态模型状态的估计，将陆面过程模型和各种观测算子（如辐射传输模型）集成为不断地依靠观测而自动调整模型轨迹以减小误差的预报系统［67］，从而提高地表辐射通量（ 包括潜热和显热通量） 的模拟与预报精度。数据同化系统通常由三部分组成［71-72］：①数据，包括驱动数据、观测数据和模型所需的参数集；②陆面过程模型；③数据同化算法。

在估算水热通量方面主要用到的数据同化算法为连续数据同化算法如三维、四维变分算法等和顺序数据同化算法如卡尔曼滤波、集合卡曼滤波等。连续数据同化是指在一个同化窗口内，利用优化算法，通过迭代而不同的调整模型的初始场，最终将模型轨迹拟合到同化窗口周期内获取的所有观测上［73］。顺序数据同化是指在系统的运行过程中，在有观测的时刻，利用观测信息在观测和模型误差分别加权的基础上对模型状态进行更新，从而获得模型状态的后验优化估计，状态更新后，模型利用新的状态重新初始化，继续向前进行积分，直到获得新的观测信息［74］。

已有很多研究尝试利用数据同化来进行地表区域蒸散发的估算，如Huang等［75］采用集合卡尔曼滤波（EnKF）的方法将MODIS地表温度产品和叶面积指数产品同化到通用陆面过程模型（CoLM）中，提高了蒸散发的模拟精度；Xu等［76］使用EnKF将多时相的GOES数据同化到CoLM模型中，结果表明其同化效果优于同化MODIS地表温度产品。

数据同化技术具有如下优点：①同化过程不仅估算了潜热通量，而且可以输出与显热和潜热有关的中间变量；②能够得到更高分辨率、具有物理一致性和时空一致性的感热通量和潜热通量；③能够充分利用不同时空分辨率和误差精度的多源信息；④不仅可以估算出当前的蒸散发，同时可以预测未来的蒸散发，并给出预报的精度信息。不足之处在于：①数据同化系统中不同数据源的不确定性与误差估计是亟需解决的重中之重的问题；②同化系统中同化什么观测量，需要一定的经验或者尝试；③模型复杂，计算量大。

2.7　结合重力学卫星GRACE的水量平衡方法

对于封闭的流域，水量平衡公式为：

E=P-R-ΔS

其中：E为实际蒸散量，P为降水量，R为径流深，ΔS为水储量变化。在GRACE出现之前，由于很难观测或测量区域尺度水储量变化，通常假设在长时间段内水储量变化等于0。这使得水量平衡方法计算的蒸散发存在较大的不确定性，且通常只能估算长时间尺度的蒸散发。GRACE卫星的出现，使得估算流域尺度的水储量变化成为了可能。Rodell等［17］探讨了在流域尺度上结合GRACE卫星的水量平衡方法估计蒸散发的方法，认为基于GRACE卫星的水量平衡方法获得的蒸散发可以用来评估陆面模式模拟的蒸散发。此后，基于GRACE水量平衡方法估计实际蒸散发已成功应用于全球多个地区［18］。

基于GRACE的水量平衡方法的优点在于：方法简单，计算量小，适合大范围、大流域尺度甚至全球尺度的蒸散发估算；不足之处在于：无法用于较小区域的蒸散发估算，同时由于降水数据的不确定性较高，导致最终计算的蒸散发不确定性较大。

3 尺度扩展及转化

基于遥感算法得到的地表蒸散发一般为瞬时值（即卫星过境时的信息），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。精确的日尺度的蒸散发估算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［77］。目前，国内外基于遥感估算瞬时蒸散发进行日尺度扩展的研究主要有两大类，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［77］。扩展因子法中的蒸发比不变法和参考蒸发比不变法是目前最常用的两种日尺度扩展方法。下面简单介绍下扩展因子法。

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。扩展因子法，即寻找一个与蒸散发密切相关的变量Y，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Y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。扩展因子法可以表示为：

λEiλEd=YiYd

其中：下标“i”和“d”分别代表瞬时尺度与日尺度；Y为与蒸散发变化过程密切相关的变量。当Y为地表可利用能量时，上述方法即为常用的蒸发比不变法；当Y为参考蒸散发时，上述方法即为常用的参考蒸发比不变法。

蒸发比不变法由于简单易用，是目前最常用的日尺度扩展方法。早期研究者发现，蒸发比在白天具有较好的稳定性，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［78］。此后的研究发现，只有在无云、干燥、植被类型简单、地表能量平流较小时，蒸发比具有较好的稳定性；除此之外，蒸发比的稳定性较差，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［78］。此时，基于蒸发比的日尺度扩展方法可能会导致日尺度的蒸散发的低估或高估［36，80］。

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［81］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。该方法的优点在于，其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［36］。其不足之处在于：使用此方法精确获取日蒸散发需要高精度的气象参数，在资料缺乏地区往往难以获取。其他扩展因子方法应用的不多。例如，Tang 等［82］采用解耦因子不变法和参考蒸发比不变法扩展瞬时值估算日尺度蒸散发，与通过气象数据输入直接获得每日蒸散发相比，这两种日尺度扩展方法的估算结果与华北平原禹城站的涡动观测数据具有更好的一致性，并且认为这两种扩展方法的性能没有显著差异。Jiang等［83］为了评估云量对辐射能量比不变法外推瞬时蒸散发到日尺度蒸散发的影响，对比了在华北平原禹城站晴空、部分多云和假定晴空的条件下，辐射能量比不变法对瞬时蒸散发时间尺度外推情况下的云效应。结果表明了晴空条件下的估算偏差最小，部分多云条件下的估算偏差较大并且有严重的低估现象。

4 遥感蒸散发数据产品与真实性检验

目前，基于遥感算法、机器学习模型、陆面过程同化、大气再分析资料等已经生产了多种全球/区域蒸散发产品。例如，基于能量平衡余项法的（SSEBop、EB-ET和ETWatch）、PM类模型（MOD16、PML、BESS和ETWatch）、PT类模型（ET_PT-JPL、GLEAM）、互补原理（CR-ET），并逐步考虑不同的下垫面类型（冰雪、水体）估算地表实际蒸散发（GLEAM、ETWatch、ETMonitor）。此外，MOD16、ET_PT-JPL、GLEAM 和ETMonitor均考虑了植被冠层截留部分的水分蒸发，对植被的含水状态进行了细分。多数产品（MOD16、SSEBop、ET_PT-JPL、GLEAM、BESS）是在地表均匀的假设下估算地表蒸散发，而下垫面是非均匀的，主要有由地表类型不同引起的景观异质性和由相同景观内部结构不同引起的地表变量的非均匀性。LSA-SAF 考虑了由地表类型引起的非均匀性，ETMonitor 则是考虑了植被垂直结构引起的非均匀性［84］。表1系统地总结了目前常用的蒸散发产品。

表1   典型的蒸散发产品

Table 1  Typical remotely sensed evapotranspiration products

产品名称理论基础时空分辨率覆盖范围时间范围下载地址参考文献
BESSPM公式

0.01̊/0.5̊

8 d

全球2000-2015https://www.environment.snu.ac.kr[93]
GLASS集成模型

5 km/1 km

8 d

全球1981-2019http://www.geodata.cn/[20]
GLEAMPT公式

0.25̊

日/月/年

全球1980-2018https://www.gleam.eu/[56]
MOD16PM公式

500 m/1 km

8 d

全球2000-2020https://modis.gsfc.nasa.gov/data/[53]
MTE机器学习

0.08̊/0.5̊

月

全球1982-2016——[94]
FLUXCOM机器学习

0.08̊/0.5̊

8 d/d

全球

2002-2015

1980-2019

http://www.fluxcom.org/[7]
PLSHPM公式

0.08̊/1̊

月

全球1982-2013——[55]
PML_V2PM公式

500 m

8 d

全球2002-2020

https://data.tpdc.ac.cn/

zh-hans/data/

[95]
SSEBopSSEB

1 km

8 d/月

全球2003-2018

https://earlywarning.usgs.

gov/ssebop/modis

[96]
ETWatch

SEBAL/SEBS

PM公式

30 m/1 km

月/年

中国黑河流域2000-2012https://data.tpdc.ac.cn/[97]
ETMonitor

Shuttleworth-

Wallace公式

250 m/1 km

日/月/年

中国黑河流域2009-2012https://data.tpdc.ac.cn/[44]
PT-JPLPT公式

0.5̊/1̊

月

全球1984-2006http://josh.yosh.org/[3]
L3_ET_PT-JPLPT公式

70 m

1-5 d

全球2018-2021https://search.earthdata.nasa.gov[49]
EB-ETSEBS0.1̊/0.05̊日/月中国/全球2000-2017https://data.tpdc.ac.cn/[98]
CR-ET互补原理

0.1̊

月

中国1982-2015https://data.tpdc.ac.cn/[13]
LSA-SAFSVAT

3 km

h/d

欧洲/非洲/南美洲2010-2021https://landsaf.ipma.pt/[99]
HiTLLSEBS

100 m

日

黑河流域2010-2016https://data.tpdc.ac.cn/[100]

新窗口打开| 下载CSV


由于地表空间异质性和近地层气象条件的复杂性，利用遥感技术估算地表蒸散发仍存在模型机理与变量参数化方案、输入数据以及时间尺度扩展等多方面的制约因子［85-86］，且地表蒸散发遥感产品在生产过程中还需引入较多假设和先验知识，计算结果不可避免地存在不确定性。因此，为了提升蒸散发产品在模型开发，全球气候变化和水资源管理中的可应用性，目前围绕全球/区域蒸散发产品的综合评估即真实性检验方面开展了诸多研究。

目前真实性检验方法可以分为：直接检验法和间接检验法［86］。直接检验法是基于像元尺度或区域尺度的地表蒸散发相对真值来检验地表蒸散发遥感产品。像元尺度的地表蒸散发相对真值可基于站点观测地表蒸散发获取；区域尺度地表蒸散发相对真值可通过水量平衡方法估算的蒸散发或基于区域内多个站点地表蒸散发观测值经过尺度转换得到区域地表蒸散发来获取。

Jia等［85］于涡动相关仪或闪烁仪的足迹来选取验证像元，利用归一化的足迹权重进行加权平均，得到了像元尺度的地表蒸散发真值，并用此方法验证了2002—2009年海河流域ETWatch系统估算30 m和1 km空间分辨率的地表蒸散发。Vinukollu等［87］通过水量平衡方法计算了全球26个流域2003—2006年地表蒸散发，并以此评估了5中不同地表蒸散发产品。发现，地表蒸散发遥感模型的估算结果在流域尺度与水量平衡方法结果的相关系数在0.72—0.80之间，好于再分析的蒸散发产品。钟玉龙等［88］基于西辽河流域的水量平衡方程，估算了流域尺度蒸散发，并基于此评估了遥感蒸散发产品和水文模式的蒸散发产品。

在无像元或区域尺度相对真值时可采用间接检验法。间接检验法又可细分为交叉检验法、基于高分辨率遥感数据的多尺度逐级检验法和时空变化趋势分析检验法。交叉检验法主要用于有已检地表蒸散发产品或3种及以上地表蒸散发产品但无地表蒸散发观测的情况；基于高分辨率遥感数据的多尺度逐级检验法需要结合不同空间分辨率的卫星遥感信息以及地表蒸散发观测数据等，并且涉及不同分辨率地表蒸散发遥感估算值的尺度效应等问题；时空变化趋势分析检验法可适用于上述检验方法都无法实施的情况。该方法检验地表蒸散发遥感产品时空变化趋势与地表蒸散发影响因子（如植被状况、气象条件、土壤水分等）的时空变化趋势是否一致，但无法定量给出待检产品的准确度。

Mueller等［89］以所有产品的均值作为相对真值，评估了41种全球地表蒸散发产品的全球空间分布格局。结果发现：不同产品的蒸散发空间格局基本一致（高值蒸散发分布在赤道附近，低值蒸散发在高纬度地区附近）。张仁华［90］利用研究区内站点观测的高、低值建立与高分辨率遥感估算值的纠正方程，进而校正整幅图像中每个像元估算值，以相同方式使相对真值从高空间分辨率像元传递到中低空间分辨率像元，从而实现中低分辨率遥感产品的检验。Miralles等［91］比较5种地表蒸散发产品在不同地表类型上的时间变化趋势，发现MOD16偏低，而ERA-Interim偏高。Xu等［92］通过分析12种不同的蒸散发产品在美国的时间变化趋势，检验其合理性。发现这12种蒸散发产品都能够捕捉到德克萨斯州2011年出现的严重干旱事件，证实了12种蒸散发产品的合理性。

5 存在的问题

经过近50 a的研究，遥感估算蒸散发的理论和方法逐渐成熟，遥感蒸散发产品日益增多（表1）。但仍然存在一些问题亟待解决。

（1）尺度效应与转换。“先反演后聚合”（使用高空间分辨率的数据先估算地表蒸散发，再将得到的水热通量聚合到低空间分辨率）与“先聚合后反演”（对高空间分辨率数据先聚合到低空间分辨率，再使用模型估算地表蒸散发）存在显著的差异。该误差被称为蒸散发估算中的尺度误差，即遥感估算地表蒸散的尺度效应［101-102］。蒸散发模型的非线性使得尺度效应更加明显。例如，在蒸散发估算中，非遥感信息往往是基于点尺度，而不同的遥感数据空间分辨率由米到公里不等。如何确定不同尺度和不同下垫面状况下适用地表蒸散发模型参数？如何量化遥感参数反演中的尺度问题及其对地表蒸散发计算的影响？这些问题是遥感蒸散发特别是多源多尺度遥感蒸散发估算面临的问题。

（2）真实性检验。尽管产品在发布前已经进行了检验，但不同的研究者们基于不同验证数据和方法给出的验证结论存在差异，且这些验证结果在多大程度上代表了遥感产品的真实准确度依然存在疑问。同时，缺少对遥感产品误差来源与验证过程中不确定性的分析。总之，目前遥感估算地表蒸散发真实性检验还缺少一个相对完善的理论框架和技术流程以及对多种遥感估算地表蒸散发产品的实证研究。

（3）夜间蒸散发的研究。在水文气象、生物气象、生态水文、陆面过程、植物生理等经典论著中，通常认为陆面夜间蒸散量处于极低水平，可忽略不计。近期，借助于植物茎干液流计、气体交换仪、涡动相关系统、蒸渗仪、同位素仪等观测技术，陆续发现不同生境的植物普遍存在着夜间蒸腾现象［103］。植物夜间蒸腾量约占全天总量的10%—25%，在干旱环境下会超过30%。由于夜间湍流不充分发展，基于M-O相似理论的测算方法在精度上存在很大的问题，是亟需解决的重要问题之一。

6 展 望

综合国内外研究进展，本文对遥感估算蒸散发研究作出如下展望：

（1）尺度效应。采用新的数学方法，从遥感信息机理出发，理解参数反演中的尺度问题，对不同参数在像元尺度的误差给出解析或定量表达［104］。从实证研究出发，分析不同空间尺度上地表参数与遥感蒸散发的不确定性，量化误差在不同空间尺度上的传递规律。

（2）夜间蒸散发。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贡献的新方法；或者基于植物茎干液流计、蒸渗仪、同位素仪等观测技术，分析夜间蒸散发与环境因子之间的关系，构建夜间蒸散发估算模型。

（3）不同蒸散发产品的统一真实性检验。首先，深入分析地面观测数据的空间代表性，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；其次，完善地面通量站点的布设，覆盖典型非均匀下垫面区域，建立星、机、地一体化通量观测网［65］。最终，在统一的标准下，比较众多的蒸散发产品，评估其不确定性。

（4）国产卫星数据的使用。尽管中国发射了众多的卫星，但是中国遥感学人更多使用的是国外的卫星数据。因此，未来应该加强对国产卫星数据低级（low-level）产品的质量改进，高级产品的研发，加强以用户导向的数据发布与共享。

（5）更高时空分辨率的产品的研发。随着一系列新型传感器的开发，尤其是多角度热红外和微波遥感的推广，为蒸散发模型提供了更多的信息源，可以避免单一的遥感数据源存在信息量不足等一系列问题，通过融合多种蒸散估算方法，利用数据的互补和数据协同优势，可以充分发挥各个模型的优势，提高蒸散估算的精度。

（6）机器学习在遥感蒸散发中的应用。在大数据时代，云计算和机器学习算法的发展，特别是深度学习，为遥感蒸散发研究提供了全新的模式。将传统的物理约束条件引入到机器学习模型中，从而更好地寻求蒸散形成的物理要素［105］，可能是未来遥感蒸散发的研究热点。

参考文献

Wang K C， Dickinson R E.

A review of global terrestrial evapotranspiration： Observation， modeling， climatology， and climatic variability

［J］. Reviews of Geophysics，2012，50：RG2005. DOI：2010.1029/2011RG000373 .

[本文引用: 1]

Trenberth K E， Fasullo J T， Kiehl J.

Earth's global energy budget

［J］. Bulletin of the American Meteorological Society Water， 2009，90： 311-324.

[本文引用: 1]

Fisher J B， Melton F， Middleton E， et al.

The future of evapotranspiration： Global requirements for ecosystem functioning， carbon and climate feedbacks， agricultural management， and water resources

［J］. Resources Research，2017，53： 2618-2626.

[本文引用: 3]

Guanter L， Zhang Y， Jung M， et al.

Global and time-resolved monitoring of crop photosynthesiswith chlorophyll fluorescence

［J］. Global and Time-resolved Monitoring of Crop Photosynthesis with Chlorophyll Fluorescencek，PNAS，2014，111（14）：E1327-E1333.

Jackson R D， Reginato R J， Idso S B.

Wheat Canopy Temperature：A practical tool for evaluating water requirements

［J］. Water Resource Research，1997，13：651-656.

[本文引用: 2]

Xu T R， Guo Z X， Liu S M，et al.

Evaluating different machine learning methods for upscaling evapotranspiration from flux towers to the regional scale

［J］. Journal of Geophysical Research： Atmospheres， 2018，123（16）： 8674-8690.

[本文引用: 1]

Jung M， Koirala S， Weber U，et al.

The FLUXCOM ensemble of global land-atmosphere energy fluxes

［J］. Scientific Data，2019，6：74. DOI：10.1038/s41597-019-0076-8 .

[本文引用: 3]

Bastiaanssen W G M， Menenti M， Feddes R A，et al.

A remote sensing Surface Energy Balance Algorithm for Land （SEBAL） 1. Formulation

［J］. Journal of Hydrology， 1998， 212-213：198-212.

[本文引用: 2]

Su Z.

The Surface Energy Balance System （SEBS） for estimation of the Turbulent Heat Fluxes

［J］. Hydrology and Earth Sciences， 2002， 6（1）： 85-99.

[本文引用: 3]

Monteith J L.

Evaporation and environment

［J］. Symposia of the Society for Experimental Biology， 1965， 19： 205-234.

[本文引用: 2]

Priestley C H B， Taylor R J.

On the assessment of surface heat flux and evaporation using large-scale parameters

［J］. Monthly Weather Review， 1972， 100： 81-92.

[本文引用: 2]

Yao Y J， Liang S L， Li X L，et al.

A Satellite-based hybrid algorithm to determine the priestley-taylor parameter for global terrestrial latent heat flux estimation across multiple biomes

［J］. Remote Sensing of Environment，2015，165：216-233.

[本文引用: 1]

Ma N， Szilagyi J， Zhang Y，et al.

Complementary-relationship-based modeling of terrestrial evapotranspiration across China during 1982~2012： Validations and spatiotemporal analyses

［J］. Journal of Geophysical Research： Atmospheres，2019，124（8）：4326-4351.

[本文引用: 2]

Carlson T.

An Overview of the triangle method for estimating surface evapotranspiration and soil moisture from satellite imagery

［J］. Sensors，2007，7（8）：1612-1629.

[本文引用: 2]

Tang Ronglin， Wang Shengli， Jiang Yazhen，et al.

A review of retrieval of land surface evapotranspiration based on remotely sensed surface temperature versus vegetation index triangular/trapezoidal characteristic space

［J］. National Remote Sensing Bulletin， 2021， 25（1）：65-82.

[本文引用: 2]

唐荣林，王晟力，姜亚珍，等.

基于地表温度—植被指数三角/梯形特征空间的地表蒸散发遥感反演综述

［J］. 遥感学报，2021，25（1）：65-82.

[本文引用: 2]

Xu T R， Bateni S M， Liang S，et al.

Estimation of surface turbulent heat fluxes via variational assimilation of sequences of Land Surface Temperatures from Geostationary Operational Environmental Satellites

［J］. Journal of Geophysical Research：Atmosphere，2014，119（18）：10780-10798.

[本文引用: 2]

Rodell M， Famiglietti J S， Chen J， et al.

Basin scale estimates of evapotranspiration using GRACE and other observations

［J］. Geophysical Research Letters， 2004，31（20）. DOI： 10.1029/2004GL020873 .

[本文引用: 2]

Zeng Z， Piao S， Lin X， et al.

Global evapotranspiration over the past three decades： estimation based on the water balance equation combined with empirical models

［J］. Environmental Research Letters， 2012，7（1）：014026. DOI： 10.1088/1748-9326/7/1/014026 .

[本文引用: 2]

Wang K， Liang S.

An improved method for estimating global evapotranspiration based on satellite determination of surface net radiation， Vegetation Index， temperature， and Soil Moisture

［J］. Journal of Hydrometeorol， 2008，9（4）：712-727.

[本文引用: 2]

Yao Y J， Liang S L， Li X L，et al.

Bayesian Multi-model Estimation of Global Terrestrial Latent Heat Flux from Eddy Covariance，Meteorological，and Satellite Observations

［J］. Journal of Geophysical Research-atmospheres，2014，119：4521-4545.

[本文引用: 2]

Li Xiaoyuan， Yu Deyong.

Progress on evapotranspiration estimation methods and driving forces in arid and semiarid regions

［J］. Arid Zone Research， 2020， 37（1）：26-36.

[本文引用: 2]

李晓媛， 于德永.

蒸散发估算方法及其驱动力研究进展

［J］. 干旱区研究， 2020， 37（1）： 26-36.

[本文引用: 2]

Kustas W， Anderson M.

Advances in thermal infrared remote sensing for land surface modeling

［J］. Agricultural and Forest Meteorology， 2009， 149（12）： 2071-2081.

[本文引用: 1]

Xing Xiaozhou.

Estimating evaportranspiration using quantitative parameters derived from remote sensin

［D］.Beijing： Institute of Remote Sensing Applications， Chinese Academy of Sciences， 2003.

[本文引用: 3]

辛晓洲.

用定量遥感方法计算地表蒸散

［D］. 北京： 中国科学院遥感应用研究所，2003.

[本文引用: 3]

Feng Jingze.

Mechanism of reference dry and wet limits in remote sensing evapotranspiration model： Study and application

［D］. Beijing： Tsinghua University， 2012.

[本文引用: 2]

冯景泽.

遥感蒸散发模型参照干湿限机理及其应用研究

［D］. 北京：清华大学， 2012.

[本文引用: 2]

Li Z L， Tang R， Wan Z， et al.

A Review of current methodologies for regional evapotranspiration estimation from remotely sensed data

［J］. Sensors， 2009， 9（5）： 3801-3853.

[本文引用: 1]

Liou Y A， Kar S K.

Evapotranspiration estimation with remote sensing and various surface energy balance algorithms-A review

［J］. Energies， 2014， 7（5）： 2821-2849.

Gao Yanchun， Long Di.

Progress in models for evapotranspiration estimation using remotely sensed data

［J］. Jouranl of Remote Sensing， 2008，12（3）：515-528.

[本文引用: 2]

高彦春， 龙笛.

遥感蒸散发模型研究进展

［J］. 遥感学报，2008，12（3）：515-528.

[本文引用: 2]

Yao Yunjun， Cheng Jie， Zhao Shaohua，et al.

Estimation of farmland evapotranspiration： A review of methods using thermal infrared remote sensing data

［J］. Advances in Earth Science，2012，27（12）：1308-1318．姚云军， 程洁， 赵少华， 等. 基于热红外遥感的农田蒸散估算方法研究综述［J］. 地球科学进展， 2012，27（12）： 1308-1318.

[本文引用: 3]

Shuttleworth W J， Wallace J S.

Evaporation from sparse crops-an energy combination theory

［J］. Quarterly Journal of the Royal Meteorological Society， 1985， 111（469）： 839-855.

[本文引用: 3]

Norman J M， Kustas W P， Humes K S.

A two-source approach for estimating soil and vegetation energy fluxes from observations of directional radiometric surface temperature

［J］. Agricultural and Forest Meteorology， 1995， 77（3-4）： 263-293.

[本文引用: 5]

Bastiaanssen W， Noordman E， Pelgrum H， et al.

SEBAL model with remotely sensed data to improve water-resources management under actual field conditions

［J］. Journal of Irrigation and Drainage Engineering， 2005， 131（1）： 85-93.

[本文引用: 1]

Allen R， Irmak A， Trezza R， et al.

Satellite-based ET estimation in agriculture using SEBAL and METRIC

［J］. Hydrological Processes， 2011， 25（26）： 4011-4027.

[本文引用: 1]

Zhou Yanzhao， Zhou Jian， Li Yan，et al.

Simulating the evapotranspiration with SEBAL and Modified SEBAL （M-SEBAL） models over the desert and oasis of the middle reaches of the Heihe Ｒiver

［J］. Journal of Glaciology and Geocryology，2014，36（6）： 1526-1537．

[本文引用: 1]

周彦昭，周剑，李妍，等 ．

利用 SEBAL 和改进的 SEBAL 模型估算黑河中游戈壁、绿洲的蒸散发

［J］. 冰川冻土，2014，36（6）： 1526-1537．

[本文引用: 1]

Timmermans W J， Kustas W P， Anderson M C， et al.

An intercomparison of the Surface Energy Balance Algorithm for Land （SEBAL） and the Two-Source Energy Balance（TSEB） modeling schemes

［J］. Remote Sensing of Environment， 2007， 108（4）： 369-384.

[本文引用: 2]

Paul G， Gowda P H， Vara Prasad P V， et al.

Investigating the influence of roughness length for heat transport （zoh） on the performance of SEBAL in semi-arid irrigated and dryland agricultural systems

［J］. Journal of Hydrology，2014，509：231-244.

[本文引用: 1]

Allen R G， Tasumi M， Morse A， et al.

Satellite-based energy balance for mapping evapotranspiration with internalized calibration （METRIC） - Applications

［J］. Journal of Irrigation and Drainage Engineering-Asce，2007，133（4）：395-406.

[本文引用: 5]

Morton C G， Huntington J L， Pohll G M， et al.

Assessing calibration uncertainty and automation for estimating evapotranspiration from agricultural areas using METRIC

［J］. Journal of the American Water Resources Association，2013，49（3）： 549-562.

[本文引用: 1]

Allen R G， Burnett B， Kramber W， et al.

Automated calibration of the METRIC‐Landsat evapotranspiration process

［J］. JAWRA Journal of the American Water Resources Association， 2013，49（3）：563-576.

[本文引用: 1]

Long D， Singh V P.

A Modified Surface Energy Balance algorithm for land （M-SEBAL） based on a trapezoidal framework

［J］. Water Resources Research， 2012， 48（2）：1-24.

[本文引用: 3]

Gokmen M， Vekerdy Z， Verhoef A， et al.

Integration of soil moisture in SEBS for improving evapotranspiration estimation under water stress conditions

［J］. Remote Sensing of Environment， 2012， 121： 261-274.

[本文引用: 2]

Anderson M C， Norman J M， Diak G R， et al.

A two-source time-integrated model for estimating surface fluxes using thermal infrared remote sensing

［J］. Remote Sensing of Environment， 1997， 60（2）： 195-216.

[本文引用: 3]

Long D， Singh V P.

A Two-source Trapezoid Model for Evapotranspiration （TTME） from satellite imagery

［J］. Remote Sensing of Environment，2012，121：370-88.

[本文引用: 1]

Yang Y， Shang S.

A hybrid dual-source scheme and trapezoid framework-based evapotranspiration model （HTEM） using satellite images： Algorithm and model test

［J］.Journal of Geophysical Research-Atmospheres，2013，118（5）：2284-300.

[本文引用: 2]

Hu G， Jia L.

Monitoring of evapotranspiration in a semi-zrid inland river basin by combining microwave and optical remote sensing observations

［J］. Remote Sensing， 2015， 7（3）： 3056-3087.

[本文引用: 2]

Xin X Z， Liu Q H.

The Two-layer Surface Energy Balance Parameterization Scheme（TSEBPS） for estimation of land surface heat fluxes

［J］.Hydrology and Earth System Science，2010，14（3）：491-504.DOI：10.5194/hess-14-491-2010 .

[本文引用: 1]

Song L S， Liu S M， Kustas W P，et al.

Application of remote sensing-based two-source energy balance model for mapping field surface fluxes with composite and component surface temperatures

［J］. Agricultural and Forest Meteorology，2016，230-231： 8-19. DOI： 10.1016/j.agrformet.2016.01.005 .

[本文引用: 1]

Song L S， Kustas W P， Liu S M， et al.

Applications of a thermal-based two-source energy balance model using Priestley-Taylor approach for surface temperature partitioning under advective conditions

［J］. Journal of Hydrology，2016，540：574-587. DOI： 10.1016/j.jhydrol.2016.06.034 .

[本文引用: 1]

Anderson M C， Norman J M， Mecikalski J R，et al.

A climatological study of evapotranspiration and moisture stress across the continental United States based on thermal remote sensing： 1.Model formulation

［J］. Journal of Geophysical Research，2007，112： D10117．

[本文引用: 1]

Fisher J B， Lee B， Purdy A J，et al.

ECOSTRESS：NASA's Next generation mis-sion to measure evapotranspiration from the international space station

［J］.Water Resources Research，2020，56（4）： e2019WR026058.1~e2019WR029058.20.

[本文引用: 2]

Penman H L.

Natural Evaporation from Open Water， Bare Soil and Grass

［J］. Proceedings of the Royal Society of London. Series A. Mathematical and Physical Sciences， 1948， 193（1032）： 120-145.

[本文引用: 2]

Cleugh H A， Leuning R， Mu Q， et al.

Regional evaporation estimates from flux tower and MODIS satellite data

［J］. Remote Sensing of Environment， 2007， 106（3）： 285-304.

[本文引用: 1]

Mu Q， Heinsch F A， Zhao M， et al.

Development of a global evapotranspiration algorithm based on MODIS and global meteorology data

［J］. Remote Sensing of Environment， 2007， 111（4）： 519-536.

[本文引用: 1]

Mu Q， Zhao M， Running S W.

Improvements to a MODIS global terrestrial evapotranspiration algorithm

［J］.Remote Sen-sing of Environment， 2011， 115（8）： 1781-1800.

[本文引用: 2]

Cui Y K， Jia L.

A Modified Gash Model for Estimating Rainfall Interception Loss of Forest Using Remote Sensing Observations at Regional Scale

［J］. Water， 2014， 6（4）： 993-1012.

[本文引用: 2]

Zhang K， Kimball J S， Nemani R R，et al ．

A continuous satellite-derived global record of land surface evapotranspiration from 1983 to 2006

［J］. Water Resources Research，2010，46 （9）： W9522.

[本文引用: 2]

Miralles D G， Holmes T R H， De Jeu Ra M， et al.

Global land-surface evaporation estimated from satellite-based observations

［J］. Hydrology & Earth System Sciences，2011， 15（2）： 453-469.

[本文引用: 2]

Miralles D G， Jiménez C， Jung M， et al.

The WACMOS-ET project & ndash； Part 2： Evaluation of global terrestrial evaporation data sets

Hydrology and Earth System Sciences 2016，20： 823-842.

[本文引用: 1]

Ershadi A， Mc Cabe M F， Evans J P， et al.

Multi-site evaluation of terrestrial evaporation models using FLUXNET data

［J］. Agricultural and Forest Meteorology，2014，187：46-61.

[本文引用: 1]

Zhang K， Ma J， Zhu G， et al.

Parameter sensitivity analysis and optimization for a satellite-based evapotranspiration model across multiple sites using Moderate Resolution Imaging Spectroradiometer and flux data

［J］. Journal of Geophysical Research： Atmospheres，2017，122： 230-245.

[本文引用: 1]

Bouchet R J.

Evapotranspiration réelle et potentielle，signification climatique

［J］. IAHS Publication，1963，62： 134-142．

[本文引用: 1]

Granger RJ.

A complementary relationship approach for evaporation from nonsaturated surfaces

［J］. Journal of Hydrology， 1980，111（1-4）： 31-38.

[本文引用: 1]

Brutsaert W， Stricker H.

An advection-aridity approach to estimate actual regional evapotranspiration

［J］. Water Resources Research， 1979，15（2）： 443-450.

[本文引用: 1]

Morton F I.

Estimating evaporation and transpiration from climatological observations

［J］. Journal of Applied Meteorology and Climatology， 1975，14（4）： 488-497.

[本文引用: 1]

Venturini V， Islam S， Rodrigue Z L.

Estimation of evaporative fraction and evapotranspiration from MODIS products using a complementary based model

［J］. Remote Sensing of Environment， 2008，112（1）： 132-141.

[本文引用: 1]

Liu Shaomin， Sun Rui， Sun Zhongping， et al.

Comparison of regional evtranspiration estimation models based on complementary correlation principle

［J］. Acta Geographica Sinic， 2004， 59（3）： 331-340．

[本文引用: 2]

刘绍民，孙睿，孙中平，等 ．

基于互补相关原理的区域蒸散量估算模型比较

［J］. 地理学报，2004，59（3）：331-340.

[本文引用: 2]

Tang R， Li Z L， Tang B.

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.

[本文引用: 3]

Zhang Renhua， Sun Xiaomin， Wang Weimin， et al.

Physical basis of an operational two-layer remote sensing model for quantitative land surface flux at regional scale

［J］. Scientia Sinica（Terrae），2004，34（Sup.2）：200-216.

[本文引用: 2]

张仁华， 孙晓敏， 王伟民， 等.

一种可操作的区域尺度地表通量定量遥感二层模型的物理基础

［J］. 中国科学（D辑：地球科学），2004，34（）： 200-216.

[本文引用: 2]

Jiang L， Islam S.

Estimation of surface evaporation map over southern Great Plains using remote sensing data

［J］. Water Resources Research， 2001， 37（2）： 329-340.

[本文引用: 1]

Long D， Singh V P， Scanlon B R.

Deriving theoretical boundaries to address scale dependencies of triangle models for eva-potranspiration estimation

［J］.Journal of Geophysical Resear-ch-Atmospheres，2012，117：17.DOI:10.1029/2012JD017763 .

[本文引用: 2]

Zhu W， Jia S， Lü A.

A time domain solution of the Modified Temperature Vegetation Dryness Index （MTVDI） for continuous soil moisture monitoring

［J］. Remote Sensing of Environment， 2017，200：1-17.

[本文引用: 1]

Li Xin， Huang Chunlin， Che Tao， et al.

Progress and prospect of land surface data assimilation system in China

［J］. Advances in Natural Science， 2007，17（2）： 163-173.

[本文引用: 1]

李新， 黄春林， 车涛， 等.

中国陆面数据同化系统研究的进展与前瞻

［J］. 自然科学进展， 2007，17（2）： 163-173.

[本文引用: 1]

Li Xin， Huang Chunlin.

Data assimilation is a new way to integrate multi-source geospatial data

［J］. Science & Technology Review， 2004（12）： 13-16.

[本文引用: 1]

李新， 黄春林.

数据同化—一种集成多源地理空间数据的新思路

［J］. 科技导报， 2004（12）： 13-16.

[本文引用: 1]

Liang S， Li X， Xie X. Land Surface Observation， Modeling and Data Assimilation［M］.Singapore：World Scientific，2013.

[本文引用: 1]

Ma Jianwen， Qin Sixian.

Recent advances and development of data assimilation algorithms

［J］. Advances in Earth Science，2012，27（7）：747-757.

[本文引用: 1]

马建文， 秦思娴.

数据同化算法研究现状综述

［J］. 地球科学进展， 2012，27（7）： 747-757.

[本文引用: 1]

Huang C L， Li X， Wang J M， et al.

Assimilation of remote sensing data products into common land model for evapotranspiration forecasting

［C］∥ Proceedings of the 8th International Symposium on Spatial Accuracy Assessment in Natural Resources and Environmental Sciences，2008， Vol I： 234-241.

[本文引用: 1]

Xu T R， Liang S L， Liu S M，et al.

Estimating turbulent fluxes through assimilation of geostationary operational environmental satellites data using ensemble Kalman filter

［J］.Journal of Geophysical Research： Atmospheres，2011，116（D9）：D09109.

[本文引用: 1]

Wang Tong， Tang Ronglin， Li Zhaoliang， et al.

Temporal upscaling methods for daily evapotranspiration estimation from remotely sensed instantaneous observations

［J］. Journal of Remote Sensing， 2019，23（5）：813–830.

[本文引用: 2]

王桐， 唐荣林， 李召良， 等.

遥感反演蒸散发的日尺度扩展方法研究进展

［J］. 遥感学报，2019，23（5）：813-830.

[本文引用: 2]

Brutsaert W， Sugita M.

Application of self‐preservation in the diurnal evolution of the surface energy budget to determine daily evaporation

［J］. Journal of Geophysical Research： Atmospheres， 1992，97（D17）： 18377–18382. DOI： 10.1029/92JD00255 .

[本文引用: 2]

Gentine P， Entekhabi D， Polcher J.

The diurnal behavior of evaporative fraction in the soil-vegetation-atmospheric boundary layer continuum

［J］. Journal of Hydrometeorology，2011，12（6）： 1530–1546. DOI： 10.1175/2011JHM1261.1 .

Farah H O， Bastiaanssen W G M， Feddes R A.

Evaluation of the temporal variability of the evaporative fraction in a tropical watershed

［J］. International Journal of Applied Earth Observation and Geoinformation，2004，5（2）：129-140. DOI： 10.1016/j.jag.2004.01.003 .

[本文引用: 1]

Trezza R.

Evapotranspiration using a satellite-based surface energy balance with standardized ground control

［R］. Logan， UT： Utah State University，2002： 339.

[本文引用: 1]

Tang R L， Li Z L， Huo X， et al.

A reexamination of two methods for estimating daily evapotranspiration from remotely sensed instantaneous observations

［J］. International Journal of Remote Sensing， 2019，40（5/6）： 1981-1995.

[本文引用: 1]

Jiang Y Z， Tang R L， Jiang X G et al.

Impact of clouds on the estimation of daily evapotranspiration from MODIS-derived instantaneous evapotranspiration using the constant global shortwave radiation ratio method

［J］. International Journal of Remote sensing， 2019，40（5/6）： 1930-1944.

[本文引用: 1]

Li Jia， Xin Xiaozhou， Peng Zhiqing，et al.

Remote Sensing Pro-ducts of Terrestrial Evapotranspiration：Comparison and Outlook

［J］.Remote Sensing Technology and Application，2021，36（1）：103-120.

[本文引用: 1]

李佳，辛晓洲，彭志晴，等.

地表蒸散发遥感产品比较与分析

［J］.遥感技术与应用，2021，36（1）：103-120.

[本文引用: 1]

Jia Z Z， Liu S M， Xu Z W，et al.

Validation of remotely sensed evapotranspiration over the Hai River Basin， China

［J］. Journal of Geophysical Research： Atmospheres，2012，117（D13）： D13113. DOI： 10.1029/2011jd017037 .

[本文引用: 2]

Zhang Yuan， Jia Zhenzhen， Liu Shaomin， et al.

Advances in validation of remotely sensed land surface evapotranspiration

［J］. Journal of Remote Sensing，2020，24（8）：975-999.

[本文引用: 2]

张圆， 贾贞贞，刘绍民， 等.

遥感估算地表蒸散发真实性检验研究进展

［J］. 遥感学报， 2020，24（8）： 975-999.

[本文引用: 2]

Vinukollu R K， Wood E F， Ferguson C R，et al.

Global estimates of evapotranspiration for climate studies using multisensor remote sensing data： Evaluation of three process-based approaches

［J］. Remote Sensing of Environment， 2011，115（3）： 801-823. DOI： 10.1016/j.rse.2010.11.006 .

[本文引用: 1]

Zhong Yulong, Zhong Min, Feng Wei,et al.

Evaluation the evapotranspiration in the West Liaohe River Basin based on GRACE satellite and in situ measurements

[J].Geomatics and Information Science of Wuhan University,2020,45(2):173-178.

[本文引用: 1]

钟玉龙， 钟敏， 冯伟， 等.

联合GRACE重力卫星与实测资料估计西辽河流域蒸散发量

［J］. 武汉大学学报（信息科学版）， 2020，45（2）：173-178.

[本文引用: 1]

Mueller B， Seneviratne S I， Jimenez C，et al.

Evaluation of global observations-based evapotranspiration datasets and IPCC AR4 simulations

［J］. Geophysical Research Letters， 2011，38（6）： L06402. DOI： 10.1029/2010gl046230 .

[本文引用: 1]

Zhang Renhua. Key scientific issues of quantitative remote Sensing［M］. Beijing： Higher Education Press，2016：16-23.

[本文引用: 1]

张仁华. 定量遥感若干关键科学问题研究［M］. 北京： 高等教育出版社，2016： 16-23.

[本文引用: 1]

Miralles D G， Jiménez C， Jung M，et al.

The WACMOS-ET project-Part 2： Evaluation of global terrestrial evaporation data sets

［J］. Hydrology and Earth System Sciences，2016，20（2）： 823-842. DOI： 10.5194/hess-20-823-2016 .

[本文引用: 1]

Xu T R， Guo Z X， Xia Y L， et al.

Evaluation of twelve evapotranspiration products from machine learning， remote sensing and land surface models over conterminous United States

［J］. Journal of Hydrology，2019，578： 124105. DOI： 10.1016/j.jhydrol.2019.124105 .

[本文引用: 1]

Jiang C， Ryu Y.

Multi-scale evaluation of global gross primary productivity and evapotranspiration products derived from Breathing Earth System Simulator（BESS）

［J］. Remote Sensing of Environment，2016，186：528-547.

[本文引用: 1]

Jung M， Reichstein M， Ciais P，et al.

Recent decline in the global land evapotranspiration trend due to limited moisture supply

［J］. Nature， 2010， 467： 951–954.

[本文引用: 1]

Zhang Y Q， Kong D D， Rong G，et al.

Coupled estimation of 500 m and 8-day resolution global evapotranspiration and gross primary production in 2002~2017

［J］. Remote Sensing of Environment，2019，222：165-182.

[本文引用: 1]

Senay G B， Bohms S， Singh R，et al.

Operational evapotranspiration mapping using remote sensing and weather datasets： A new parameterization for the SSEB approach

［J］. Journal of American Water Resources Research，2013，49：577-591.

[本文引用: 1]

Wu Bingfang， Xiong Jun， Yan Nana， et al.

ETWatch for monitoring regional evapotranspiration with remote sensing

［J］. Advances in Water Science， 2008，19（5）：671-678.

[本文引用: 1]

吴炳方，熊隽，闫娜娜，等.

基于遥感的区域蒸散量监测方法—ETWatch

［J］. 水科学进展，2008，19（5）：671-678.

[本文引用: 1]

Chen X， Su Z， Ma Y， Liu S，et al.

Development of a 10-year （2001-2010） 0.1° data set of land-surface energy balance for mainland China

［J］. Atmospheric Chemistry and Physics，2014（23）： 13097-13117.

[本文引用: 1]

Ghilain N， Arboleda A， Gellens-Meulenberghs F.

Evapotranspiration modelling at large scale using near-real time MSG SEVIRI derived data

［J］. Hydrology & Earth System Sciiences， 2011， 15： 771-786.

[本文引用: 1]

Ma Y， Liu S， Song L，et al.

Estimation of daily evapotranspiration and irrigation water efficiency at a Landsat-like scale for an arid irrigation area using multi-source remote sensing data

［J］. Remote Sensing of Environment，2018， 216：715-734.

[本文引用: 1]

Gebremichael M， Wang J M， Sammis T W.

Dependence of remote sensing evapotranspiration algorithm on spatial resolution

［J］. Atmospheric Research， 2010，96（4）：489-495. DOI： 10.1016/j.atmosres. 2009.12.003 .

[本文引用: 1]

Zhou Ti， Peng Zhiqing， Xin Xiaozhou，et al.

Remote sensing research of evapotranspiration over heterogeneous surfaces： A review

［J］. Journal of Remote Sensing， 2016，20（2）： 257–277.

[本文引用: 1]

周倜， 彭志晴， 辛晓洲，等.

非均匀地表蒸散遥感研究综述

［J］. 遥感学报，2016，20（2）： 257-277.

[本文引用: 1]

Ogle K， Lucas R W， Bentley L P，et al.

Differential daytime and night-time stomatal behavior in plants from North American deserts

［J］. New Phytologist， 2012，194： 464–476.

[本文引用: 1]

Liu F， Li X.

Formulation of scale transformation in a stochastic data assimilation framework

［J］. Nonlinear Processes in Geophysics，2017，24（2）：279-291.DOI：10.5194/npg-24-279-2017 .

[本文引用: 1]

Zhao W L， Gentine P， Reichstein M，et al.

Physics-constrained machine learning of evapotranspiration

［J］. Geophysical Research Letters，2019，46（24）： 14496-14507.

[本文引用: 1]

/

〈 〉