基于2003-2007年千烟洲涡度相关通量塔观测的气象数据和蒸散发数据, 评价了常用的蒸散发模型模拟森林生态系统蒸散发的适用性, 包括Priestly-Taylor、Blaney-Criddle、Hargreaves-Samani、Jensen-Haise、Hamon、Turc、Makkink和Thornthwaite模型。结果表明, 日尺度上Priestly-Taylor模型的模拟效果较好, 相关系数达0.953; 月尺度上Makkink模型的模拟效果较好, 相关系数达0.995; 而Thornthwaite模型在月尺度上模拟误差较大, 均方根误差与平均偏差分别为15.559和13.436; Jensen-Haise模型在日、月尺度上模拟效果均较差。采用偏相关法分析气象因子与蒸散发值的关系, 得出森林生态系统蒸散发驱动因子的贡献排序为: 辐射>温度>水气压>风速>土壤温度>相对湿度>白天时长, 即辐射对蒸散发的影响较为显著, 与基于辐射法的Priestly-Taylor和Makkink模型分别在日、月尺度上适用性较好的结论一致。
Using meteorological and evapotranspiration (ET) data acquired at the Eddy Covariance Flux tower in Qianyanzhou, Jiangxi Province, for 2003 to 2007, we evaluated the applicability of 8 widely used evapotranspiration simulation models (Priestly-Taylor, Blaney-Criddle, Hargreaves-Samani, Jensen-Haise, Hamon, Turc, Makkink and Thornthwaite) for a forest ecosystem. Among these 8 models, the Priestly-Taylor model was the best (R=0.953) on a daily time scale, the Makkink model was the best (R=0.995) on a monthly scale, and the Thornthwaite model was the worst on a monthly scale (RMSE=15.559, MBE=13.436). The Jensen-Haise model failed in simulation of ET on both day and month scales. Partial correlation analysis of simulated ET against meteorological factors showed that the order of factors contributing to ET for the forest ecosystem was radiation>air temperature>surface pressure>wind speed>soil temperature>relative humidity> daytime length. Radiation was the most important driving factor for ET, which is consistent with the performance of radiation-based ET models (e.g., the Priestly-Taylor and Makkink models) being better than other models.
全 文 :植物学报 Chinese Bulletin of Botany 2016, 51 (2): 226–234, www.chinbullbotany.com
doi: 10.11983/CBB15055
——————————————————
收稿日期: 2015-03-31; 接受日期: 2015-09-21
基金项目: 国家自然科学基金(No.41271116/D010106)
* 通讯作者。E-mail: baozhang.chen@ubc.ca
千烟洲森林生态系统蒸散发模拟模型的适用性
刘莹1, 陈报章1, 2*, 陈婧2, 许光2, 3
1北京林业大学, 北京 100083; 2中国科学院地理科学与资源研究所, 资源与环境信息系统国家重点实验室, 北京 100101
3中国科学院大学, 北京 100049
摘要 基于2003–2007年千烟洲涡度相关通量塔观测的气象数据和蒸散发数据, 评价了常用的蒸散发模型模拟森林生态系
统蒸散发的适用性, 包括Priestly-Taylor、Blaney-Criddle、Hargreaves-Samani、Jensen-Haise、Hamon、Turc、Makkink
和Thornthwaite模型。结果表明, 日尺度上Priestly-Taylor模型的模拟效果较好, 相关系数达0.953; 月尺度上Makkink模型
的模拟效果较好, 相关系数达0.995; 而Thornthwaite模型在月尺度上模拟误差较大, 均方根误差与平均偏差分别为15.559
和13.436; Jensen-Haise模型在日、月尺度上模拟效果均较差。采用偏相关法分析气象因子与蒸散发值的关系, 得出森林
生态系统蒸散发驱动因子的贡献排序为: 辐射>温度>水气压>风速>土壤温度>相对湿度>白天时长, 即辐射对蒸散发的影
响较为显著, 与基于辐射法的Priestly-Taylor和Makkink模型分别在日、月尺度上适用性较好的结论一致。
关键词 涡度相关, 蒸散发, 森林生态系统, 千烟洲
刘莹, 陈报章, 陈婧, 许光 (2016). 千烟洲森林生态系统蒸散发模拟模型的适用性. 植物学报 51, 226–234.
蒸散发(evapotranspiration, ET)是植物叶面蒸腾
与植株间土壤蒸发量之和, 是陆地和大气之间水分转
化的主要方式, 连接着地表水分、碳循环和地表能量
的变化(Bonan, 2008)。森林生态系统蒸散发在系统
机制方面的研究仍不够深入, 探究其时间和空间变化
对理解陆地和大气之间的物质循环转化至关重要(杨
贵军等, 2010; 李菲菲等, 2012)。国内有关森林生态
系统蒸散发的研究较少。王梅和王建波(2005)利用林
内含水量估计黑龙江省森林生态系统蒸散发; 程根伟
等(2003)应用P-M模型研究贡嘎山森林生态系统蒸散
发, 但研究中均忽略了所用模型在研究区域的适用
性。采用何种模型模拟研究区的蒸散发更为准确, 仍
需进一步探讨。
目前的蒸散发模型大致分为3类, 分别基于辐射
方法、温度方法和组合方法(杜加强等, 2013)。其中
较具代表性的有Penman-Monteith (Allen et al.,
1998)、Priestly-Taylor (Priestly and Taylor, 1972)、
Blaney-Criddle (Blaney and Criddle, 1962)、Hargr-
eaves-Samani (Hargreaves and Samani, 1985)、
Jensen-Haise (Trajkovic and Kolakovic, 2009)、
Hamon (Lu et al., 2005)、Turc (Douglas et al.,
2009)、Makkink (Xu and Singh, 2005)和Thorn-
thwaite (Pereira and Pruitt, 2004)模型。Penman-
Monteith模型考虑空气动力学阻抗及所涉及的下垫
面特征参数, 能够清楚地表达蒸散发变化过程及影响
机制, 具有较好的物理基础, 不需要对参数进行重新
确定(王昊等, 2007), 但所需的详细完整气象资料却
在大多地区难以提供(张晓琳等, 2012)。气象资料的
种类或质量很大程度上决定蒸散发模型的选择, 仅需
要少量资料的蒸散发模型容易在多数地区被广泛应
用(胡兴波等, 2013)。
一般情况下, 选择模型需考虑精确的计算结果和
复杂程度(Fisher et al., 2011)。大体而言, 模拟精确
度越高的模型, 其驱动参数越多, 模型越复杂。依据
研究目的和研究区的特性选择合适的模型十分重要。
本研究依托千烟洲生态试验站观测数据 , 探讨Pri-
estly-Taylor、Blaney-Criddle、Hargreaves-Samani、
Jensen-Haise、Hamon、Turc、Makkink和Thornth-
waite模型模拟森林生态系统蒸散发的适用性。
1 研究区概况
千烟洲(115°03′29.2″E, 26°44′29.1″N)通量站位于江
·研究报告·
刘莹等: 千烟洲森林生态系统蒸散发模拟模型的适用性 227
西省泰和县中国生态系统研究网络千烟洲试验站内,
土壤及地形属红壤丘陵区, 植被属中亚热带常绿阔叶
林, 但原始植被已破坏殆尽, 现主要为人工林或草、
灌丛次生植被。森林覆盖率在90%以上, 以湿地松
(Pinus elliotii)、马尾松(P. massoniana)和杉木(Cun-
ninghamia lanceolata)为主, 平均树高为12 m, 树龄
多为20年左右。Chen等(2010)指出, 千烟洲森林生态
系统90%通量的足迹区面积在冬季大约为1 km2, 夏季
约为2.5 km2。假定足迹区是圆形, 可简单计算出该圆
形的直径(廓线直径): 冬季为1.129 km, 夏季为1.785
km。本研究以千烟洲试验站全年的连续观测数据为依
据, 探讨模型模拟森林生态系统蒸散发的适用性。
2 研究方法
2.1 蒸散发模型简介
2.1.1 Priestley-Taylor (P-T)模型法
Priestley和Taylor (1972)在假设无平流的条件下提出
了Priestley-Taylor公式, 许多学者对Priestley-Taylor
方程进行改进, 以求准确估算ET, 表达式为:
式中, ET为蒸散发(mm·d–1); ∆为饱和水汽压与温度
曲线的斜率(Kpa·°C–1); γ为温度计常数(Kpa·°C–1);
Rn为净辐射(W·m–2); G为土壤热通量(W·m–2); α为修
正系数, 通常取值为1.26。
2.1.2 Blaney-Criddle (B-C)模型法
Blaney和Criddle (1962)最早提出仅用温度估算蒸散
发, 模型较为简单, 并被较多地应用在估算实际蒸散
发、水循环模式及遥感观测等方面(Loukas et al.,
2005), 表达式为:
ET=α·p·(0.46T+8.13)
(2)
式中, p为日白昼时间占全年白昼时间的百分比(%); α
为经验系数, 取决于植被类型和地理位置, 通常取值
在0.5–1.2之间, T为日平均温度(°C)。
2.1.3 Hargreaves-Samani (H-S)模型法
自20世纪50–60年代, Hargreaves和Samani (1985)
逐步提出并不断改进H-S模型, H-S模型仅需要最高
温度和最低温度就可以计算ET, 自提出以来得到了
较多的研究与应用, 表达式为:
ET=α·Ra·(T+17.8·(TMAX–TMIN)0.5) (3)
式中, Ra为地外辐射(MJ·(m2·d) –1), T为日平均温度
(°C); TMAX和TMIN分别为日最高温度(°C)和最低温度
(°C); α为经验系数, 根据地区不同而取值不同, 通常
取值为0.002 3。
2.1.4 Jensen-Haise (J-H)模型法
Jensen-Haise模型是通过土壤取样评估蒸散发值得
出的经验公式(Trajkovic and Kolakovic, 2009), 表达
式为:
式中, n为实际的日照时数(小时); N为日照最大可能
的时数(小时); T为日平均温度(°C); Ra为地外辐射
(MJ·(m2·d) –1); α为经验系数, 通常取值为0.87。
2.1.5 Hamon (Ham)模型法
Hamon模型的原理是在林地背景下提出气温是驱动
蒸散发的主要动力(Lu et al., 2005), 表达式为:
式中, Rrhosat为日平均气温的饱和蒸汽密度(g·m–1); T
为日平均温度(°C); n为实际的日照时数(小时); α为经
验系数, 通常取值为1.2。
2.1.6 Turc (Tu)模型法
采用Tu模型计算佛罗里达地区不同地表植被的蒸散
发(Douglas et al., 2009), 表达式为:
ET=α·(23.88Rs+50)·T·(T+15)–0.5 (6)
式中, Rs为太阳辐射(W·m–2); T为日平均温度(°C); α
通常取值为0.013。
2.1.7 Makkink (Ma)模型法
该方法用入射短波太阳辐射Rs代替每天的净辐射值
(Xu and Singh, 2005), 表达式为:
式中, Rs为太阳辐射(W·m–2), ∆为饱和水汽压与温度
228 植物学报 51(2) 2016
曲线的斜率(Kpa·°C–1); γ为温度计常数(Kpa·°C–1); λ
为蒸发潜热(通常取值为2.501×106 J·kg–1), α通常取
值为0.61。
2.1.8 Thornthwaite (Th)模型法
该方法仅考虑温度的变化, 划分温度区间计算蒸散发
量, 求得月蒸散发值(Pereira and Pruitt, 2004) (本研
究仅在月尺度研究时考虑该模型), 表达式为:
式中, Ti为月平均气温(°C); I为温度效率指数; β为热
量指数的函数; α为经验参数。
2.2 数据及其预处理
2.2.1 数据
研究采用中国科学院生态网络千烟洲生态试验站千
烟洲区域数据, 获得2003–2007年30分钟/次的涡度
观测数据及气象数据。应用该数据对千烟洲区域蒸散
发进行研究, 对这些年份数据进行筛选以确定研究年
份。筛选原则: 根据能量守恒(Rn–G)/(H+LE)=1 (Rn
为净辐射, G为土壤热通量, H为显热通量, LE为潜热
通量)原则对白天时段数值进行筛选, 若其比值为1,
说明能量守恒, 满足筛选条件。
但在实际应用中, 保证完全能量守恒是及其困难
的, 参考Chen等(2013)的研究方法将(Rn–G)/(H+LE)
值划分为5个区间段 , 分别为0.2–1.8、0.3–1.7、
0.4–1.6、0.5–1.5和0.6–1.4, 并将满足各个区间段内
的数据与白天总时段数据相比得到表1。
表1中能量守恒比值在0.6–1.4区间内数据可用
量最大的年份为2004年, 数据可用量仅为42.61%;
且2006年能量守恒比值在0.4–1.6和0.3–1.7区间内
数据可用量均不到50%; 能量守恒比值在0.2–1.8区
间内除2005年数据可用量仅为38.34%外, 其余年份
均达50%以上, 所以本研究选取数据可用量大于50%
表1 2003–2007年按能量守恒原则筛选的数据可用量区间
Table 1 Available quantity of data for 2003–2007 based on
the principle of conservation energy
Year Screening interval (%)
0.2–1.8 0.3–1.7 0.4–1.6 0.5–1.5 0.6–1.4
2003 62.23 58.19 53.69 47.93 41.13
2004 64.88 60.73 55.70 49.72 42.61
2005 38.34 34.02 29.44 24.76 20.01
2006 51.16 45.75 40.35 34.44 28.12
2007 60.33 55.88 50.45 44.19 37.65
的2003、2004、2006和2007年为蒸散发研究年。
2.2.2 预处理
涡度观测数据为通量塔30分钟/次的潜热通量(LE, 单
位: W·m–2)。依据Chen等(2013)的研究(ET=LE/λ, 其
中λ为2.501×106 J·kg–1), 将潜热通量换算为蒸散发
值(mm·s–1), 并计算日和月尺度上的蒸散发量。Zha
等(2010)的研究表明, P-T模型参数α在不同地区有明
显的季节性变化, 本研究在选取模型参数α时, 对其
进行逐年逐月一元线性回归, 采用最小二乘法计算α
值。
为探究参数α的季节性变化, 选取能量守恒较好
的生长季(4–9月)的α值进行研究(表2)。P-T、B-C、
Tu和Ma模型的α峰值均出现在7月, 分别为0.932、
0.606、0.031和0.862。H-S模型的α值没有明显变化。
J-H和Ham模型的α值没有波峰或低谷的变化, 一方
面α值可能与研究区域有关, 另一方面因千烟洲处于
湿润且降水较为充沛的区域, α值对该区域的灵敏性
较低。Th模型依据月平均温度划分计算出不同温度下
的α值, 其中7和8月的月平均温度大于26.5°C, α值为
0.940, 其它月份为8.113。本研究以2003年为基准年,
2004、2006和2007年为验证年, 验证模型是否可以
准确模拟蒸散发值。
2.3 分析方法
利用SPSS软件对观测蒸散发值(观测值, Obs ET)与
模型模拟蒸散发值(模拟值, Model ET)进行Person相
关性检验(相关系数R和显著性P), 同时检验模拟值
与观测值的均方根误差(RMSE)和平均偏差(MBE),
探究模型在模拟蒸散发过程中的模拟效果及适用
性。
刘莹等: 千烟洲森林生态系统蒸散发模拟模型的适用性 229
表2 采用最小二乘法计算模型参数α值及其标准差(Sd)、均值(Mean)和变异系数(CV)
Table 2 Model parameter (α), standard deviation (Sd), mean and coefficient variation (CV) using the least square method
Month Models
P-T B-C H-S J-H Ham Tu Ma Th
1 1.213 0.353 0.003 2.151 0.078 0.022 0.550 8.113
2 0.991 0.350 0.003 1.225 0.068 0.019 0.520 8.113
3 0.888 0.381 0.003 0.998 0.070 0.018 0.482 8.113
4 0.790 0.415 0.003 0.901 0.070 0.020 0.546 8.113
5 0.863 0.499 0.003 0.931 0.077 0.024 0.668 8.113
6 0.872 0.526 0.003 0.914 0.076 0.026 0.707 8.113
7 0.932 0.606 0.004 0.995 0.080 0.031 0.862 0.940
8 0.883 0.561 0.004 0.993 0.077 0.029 0.816 0.940
9 0.886 0.526 0.004 1.073 0.080 0.025 0.722 8.113
10 0.929 0.407 0.003 1.072 0.068 0.021 0.625 8.113
11 1.072 0.357 0.003 1.248 0.065 0.020 0.604 8.113
12 1.204 0.357 0.003 2.069 0.076 0.020 0.561 8.113
Sd 0.1353 0.0928 0.0004 0.4329 0.0051 0.0042 0.1192 2.792
Mean 0.9602 0.4448 0.0031 1.2142 0.0737 0.0230 0.6385 6.917
CV (%) 14.089 20.874 13.547 35.653 6.948 18.254 18.671 40.363
Sd为标准差; Mean为均值; CV为变异系数。
Sd for standard deviation; Mean for mean; CV for coefficient variation.
式中, Xi为观测值(mm·d–1); Yi为模拟值(mm·d–1); n为
总时段数量。
3 结果与讨论
3.1 蒸散发日尺度变化
日尺度处理: 将2003年的观测值与模拟值拟合, 得到
的全年各月的α值代入2004、2006及2007年模型相应
月份的计算公式中, 得到日模拟值(观测值与模拟值
在日尺度上分别取均值, 得到多年日均蒸散发值)。其
中Th模型为月尺度研究模型, 不符合日尺度模拟, 因
此在研究蒸散发日尺度变化时不予考虑。图1为多年
日均观测值与模拟值之间的线性关系, R2为拟合优
度。
拟合优度R2越接近1 (模拟值越接近观测值)说明
拟合程度越好, 模拟效果越好。其中, P-T模型的R2
最高, 为0.891 9; 其次为H-S模型, R2为0.859 2; Ma
模型的R2相对较低, 为0.810 5。进一步探究日均观测
值与模拟值的关系, 并计算相关系数R、显著性P及平
均偏差MBE和均方根误差RMSE(表3)。
一般情况下, 相关系数|R|>0.8, 认为2个变量有
很强的相关性。本文7个模型(Th模型不予考虑)的日
均观测值与模拟值在Person检验下均呈显著相关。其
中, P-T模型的相关系数R最高, 为0.953; 其次为H-S
模型和Ham模型, 相关系数分别为0.927和0.925; Tu
模型的相关系数最低 , 为0.910; 其次为J-H模型,
表3 日均观测值与模拟值的相关性分析
Table 3 Correlation analysis of daily evapotranspiration
(ET) observation and ET simulation on average
Model RMSE MBE R
P-T 0.456 0.355 0.953**
B-C 0.458 0.342 0.917**
H-S 0.453 0.343 0.927**
J-H 0.512 0.399 0.911**
Ham 0.439 0.332 0.925**
Tu 0.476 0.362 0.910**
Ma 0.467 0.348 0.913**
**表示极显著相关(P<0.01); R为相关系数; RMSE为均方根误
差; MBE为平均偏差。
** indicated the significant difference at P<0.01; R for corre-
lation coefficient; RMSE for root mean square error; MBE for
mean bias error.
230 植物学报 51(2) 2016
相关系数较低, 为0.911。Ham模型均方根误差最小,
为0.439, 且平均偏差最小为0.332; 其次为H-S模型
和P-T模型, 均方根误差分别为0.453和0.456; P-T模
型的平均偏差为0.355, 处于中等水平; B-C模型和
H-S模型的平均偏差均较小, 分别为0.342和0.343;
J-H模型的均方根误差最大(0.512), 且平均偏差最大
为0.399。综上所述, 在日尺度上, 各模型均能较好地
模拟蒸散发, 其中P-T模型的模拟相对更为精确, J-H
模型的模拟误差较大。
3.2 蒸散发月尺度变化
与其它模型不同, Th模型计算方法随月平均温度变化
发生改变, 参数α值应根据计算公式的不同分别采用
最小二乘法计算, 并将计算结果分别代入相应的公式
中; 将其它7种模型的验证年日观测值和模拟值按月
累加得到12个月蒸散发值(累加值); 8种模型均取多
年相应月份蒸散发均值得到多年月均蒸散发值, 比较
年内蒸散发的变化情况, 结果见表4。
图1 观测值与模拟值多年日均变化对比
(A)–(G) 分别为P-T、B-C、H-S、J-H、Ham、Tu和Ma模型的拟合图像。横坐
标表示观察值; 纵坐标表示模型模拟值, R2为拟合优度。
Figure 1 Daily evapotrans piration (ET) observation and ET simulation on
average of years
(A)–(G) The fitting prctures of P-T, B-C, H-S, J-H, Ham, Tu and Ma model,
respectively. Abscissa represents observation; Ordinate represents simula-
tion; R2 represents goodness of fit.
刘莹等: 千烟洲森林生态系统蒸散发模拟模型的适用性 231
图2 观测值与模拟值多年月均蒸散发关系对比
(A) 观测值与P-T模型模拟值月蒸散发变化; (B) 观测值与B-C模型模拟值月蒸散发变化; (C) 观测值与H-S模型模拟值月蒸散发变
化; (D) 观测值与J-H模型模拟值月蒸散发变化; (E) 观测值与Ham模型模拟值月蒸散发变化; (F) 观测值与Tu模型模拟值月蒸散发
变化; (G) 观测值与Ma模型模拟值月蒸散发变化; (H) 观测值与Th模型模拟值月蒸散发变化
Figure 2 Comparison of monthly evapotranspiration (ET) observation and ET simulation of years on average
(A) The picture of monthly variation between observation and P-T model simulation; (B) The picture of monthly variation between
observation and B-C model simulation; (C) The picture of monthly variation between observation and H-S model simulation; (D)
The picture of monthly variation between observation and J-H model simulation; (E) The picture of monthly variation between
observation and Ham model simulation; (F) The picture of monthly variation between observation and Tu model simulation; (G)
The picture of monthly variation between observation and Ma model simulation; (H) The picture of monthly variation between
observation and Th model simulation
232 植物学报 51(2) 2016
表4 蒸散发观测值与模拟值的多年月变化(mm·m–1)
Table 4 Monthly change of evapotranspiration (ET) observation and ET simulation of years (mm·m–1)
Coefficient Obs Model
P-T B-C H-S J-H Ham Tu Ma Th
Sd 33.337 34.987 33.174 34.383 36.171 33.158 33.962 33.165 48.385
Mean 68.045 65.514 66.629 64.011 63.319 65.891 66.078 66.701 64.885
CV (%) 48.992 57.858 49.790 53.714 57.125 50.322 51.397 49.722 74.570
Sd为标准差; Mean为均值; CV为变异系数。
Sd for standard deviation; Mean for mean; CV for coefficient variation.
表5 模拟值与观测值多年月均蒸散发关系
Table 5 Monthly evapotranspiration (ET) observation and
ET simulation on average of years
Model RMSE MBE R
P-T 6.337 5.621 0.994**
B-C 3.752 3.179 0.994**
H-S 6.198 5.685 0.990**
J-H 7.203 6.306 0.990**
Ham 4.468 3.881 0.992**
Tu 3.931 3.632 0.995**
Ma 3.495 2.999 0.995**
Th 15.559 13.436 0.992**
**表示在P<0.01水平上显著相关; R为相关系数; RMSE为均方
根误差; MBE为平均偏差。
** indicated the significant difference at P<0.01; R for corre-
lation coefficient; RMSE for root mean square error; MBE for
mean bias error.
月尺度上的模拟值均低于观测值, 但总体差异并
不显著。除Th模型变异系数最大(74.570%)外, 其它
模拟值与观测值变异均大致在50%左右浮动。为进一
步分析蒸散发的月变化, 在Person相关性检验下模
拟值与观测值均显著相关(图2; 表5)。其中, Th模型的
模拟效果最差, 均方根误差和平均偏差均最大(分别
为15.559和13.436)。可能的原因是, 其它7种模型的
月蒸散发值为累加值, 而该模型是直接以月均温计算
而得, 因此误差相对较大, 从而导致模拟效果较差。
Ma模型的模拟效果较好, 均方根误差和平均偏差分
别为3.495和2.999。P-T模型在辐射及温度较低的月
份, 模拟值明显低于观测值, 模拟精确度不如Ma模
型, 但其相关系数较高(0.994)。H-S和J-H模型的模拟
值低于观测值, 且均方根误差和平均偏差较大, 相关
系数也相对较低, 模拟效果较差。
通过日尺度和月尺度分析可以得出, 日尺度上
P-T模型的模拟效果较好, J-H模型的模拟效果较差;
月尺度上Ma模型和P-T模型的模拟效果较好, Th、
表6 气象因子与观测值的关系(R)
Table 6 Correlation coefficient (R) of meteorological factor and evapotranspiration (ET) observation under Person correlation
test
Rn Ts Ta RH Ws Pvapor Rainfall n
R 0.951** 0.877** 0.900** –0.326** 0.371** 0.891** 0.061 0.799**
**表示极显著相关(P<0.01); R为相关系数; Rn为辐射值; Ts为土壤温度; Ta为温度; RH为相对湿度; Ws为风速; Pvapor为水气压; Rainfall
为降雨量; n为白天时长。
** indicated the significant difference at P<0.01; R for correlation coefficient; Rn for radiation; Ts for soil temperature; Ta for tem-
perature; RH for relative humidity; Ws for wind speed; Pvapor for vapor pressure; Rainfall for rainfall; n for daytime.
表7 气象因子与观测值偏相关分析(R)
Table 7 Correlation coefficient of meteorological factor and evapotranspiration (ET) observation under partial correlation
analysis
Rn Ts Ta RH Ws Pvapor n
R 0.733** 0.300** –0.412** –0.206** 0.308** 0.334** –0.24
**表示极显著相关(P<0.01); R为相关系数; Rn为辐射值; Ts为土壤温度; Ta为温度; RH为相对湿度; Ws为风速; Pvapor为水气压; n为白
天时长。
** indicated the significant difference at P<0.01; R for correlation coefficient; Rn for radiation; Ts for soil temperature; Ta for tem-
perature; RH for relative humidity; Ws for wind speed; Pvapor for vapor pressure; n for daytime.
刘莹等: 千烟洲森林生态系统蒸散发模拟模型的适用性 233
J-H和H-S模型的模拟效果较差。综上, 日尺度模拟蒸
散发首选P-T模型, 而月尺度模拟蒸散发则首选Ma模
型。
3.3 蒸散发驱动因子分析
为进一步分析驱动因子对蒸散发的影响, 将蒸散发与
其驱动因子进行偏相关分析, 探究何种驱动因子对蒸
散发影响更显著。偏相关分析采用多年日均观测值和
气象因子(辐射值Rn、土壤温度Ts、温度Ta、相对湿度
RH、风速Ws、水气压Pvapor、降雨量Rainfall和白天时长
n)数据。首先判断气象因子与观测值的关系(表6)。
除降雨量Rainfall与观测值的相关性不显著外, 其
余气象因子与观测值均显著相关, 且蒸散发与Rn、Ts、
Ta和Pvapor有较强的相关性。
其次, 根据上述相关性结果(表7), 对蒸散发值与
Rn、Ts、Ta、RH、Ws、Pvapor和n进行偏相关分析, 结
果表明: Rn对蒸散发的影响较为显著, 偏相关系数为
0.733; 温度的偏相关系数也相对较高(–0.412), 而白
天时长与观测值的偏相关性不显著。根据偏相关系数
得出, 森林生态系统蒸散发驱动因子的贡献排序为
Rn>Ta>Pvapor>Ws>Ts>RH>n, 即辐射对蒸散发影响
较为显著。与日尺度上基于辐射法的P-T模型和月尺
度上Ma模型模拟效果较好的结论一致。
3.4 讨论
本研究采用多种模型模拟千烟洲区域森林生态系统
蒸散发适用性, 结果表明, 辐射法的模拟效果较好,
与杜加强等(2013)模拟黄河上游地区蒸散发的结果
一致。P-T、B-C、Tu和Ma模型的参数α值在生长季
随季节有明显变化, 与李玉霖(2002)和Zha等(2010)
研究参数α值的变化趋势一致; 而其它模型的参数α
值变化并不显著, 可能是α值仅与研究区域有关或是
α值在湿润、降雨量充足地区灵敏度较低。日尺度和
月尺度上, 基于辐射法的P-T和Ma模型模拟效果较
好, 而J-H模型在日、月尺度上模拟效果均较差, Th模
型模拟蒸散发月变化效果较差, 可能的原因是计算方
法误差较大, 并且基于辐射的Ma模型较P-T模型更适
合在月尺度上模拟森林生态系统蒸散发。影响蒸散发
驱动因子贡献排序为Rn>Ta>Pvapor>Ws>Ts>RH>n,
即辐射对蒸散发的影响更为显著, 其次为温度, 白天
时长对蒸散发影响最小。本研究为气候条件湿润、降
雨充足区域的蒸散发模型选择提供了理论依据, 并为
在气象资料缺失或不完整的条件下, 应用模型模拟蒸
散发提供了理论支撑。
致谢 感谢中国科学院生态网络千烟洲生态试验站
提供数据。
参考文献
程根伟, 余新晓, 赵玉涛, 周杨明, 罗辑 (2003). 贡嘎山亚高
山森林带蒸散特征模拟研究 . 北京林业大学学报 25(1),
23–27.
杜加强, 熊珊珊, 刘成程, 郭杨, 舒俭民, 张林波 (2013). 黄
河上游地区几种参考作物蒸散量计算方法的适用性比较.
干旱区地理 36, 831–840.
胡兴波, 芦新建, 董梅, 连利叶, 贺康宁 (2013). 简化参照作
物蒸散量(ET0)计算公式在青海省高寒区的适用性分析. 西
北农林科技大学学报(自然科学版) 41(11), 201–208.
李菲菲, 饶良懿, 吕琨珑, 李会杰, 宋丹丹 (2012). Priestley-
Taylor模型参数修正及在蒸散发估算中的应用. 浙江农林大
学学报 30, 748–754.
李玉霖, 崔建垣, 张铜会 (2002). 参考作物蒸散量计算方法
的比较研究. 中国沙漠 22, 372–376.
王昊, 许士国, 孙砳石 (2007). 扎龙湿地参照作物蒸散发估
算的经验模型. 水科学进展 18, 246–251.
王梅, 王建波 (2005). 森林内气象因素和蒸散发的观测实验.
黑龙江水专学报 32(2), 21–22, 25.
杨贵军, 黄文江, 王纪华, 邢著荣 (2010). 多源多角度遥感数
据反演森林叶面积指数方法. 植物学报 45, 566–578.
张晓琳, 熊立华, 林琳, 龙海峰 (2012). 五种潜在蒸散发公式
在汉江流域的应用. 干旱区地理 35, 229–237.
Allen RG, Pereira LS, Dirk R, Martin S (1998). Crop
Evapotranspiration: Guidelines for Computing Crop Water
Requirements. Rome: Natural Resources Management
and Environment Press. pp. 56.
Blaney HF, Criddle WD (1962). Determining consumptive
use and irrigation water requirements. Technical Bull 25,
369–373.
Bonan GB (2008). Ecological Climatology: Concepts and
Applications. Cambridge: Cambridge University Press.
pp. 31.
Chen B, Ge Q, Fu D, Yu G, Sun X, Wang S, Wang H
(2010). A data-model fusion approach for upscaling gross
ecosystem productivity to the landscape scale based on
remote sensing and flux footprint modelling. Biogeo-
234 植物学报 51(2) 2016
sciences 7, 2943–2958.
Chen J, Chen BZ, Black TA, Innes JL, Wang GY, Kiely G,
Hirano T, Wohlfahrt G (2013). Comparison of terres-
trial evapotranspiration estimates using the mass transfer
and Penman-Monteith equations in land surface models.
J Geophys Res 118, 1715–1731.
Douglas E, Jennifer MJ, Summer DS, Ram LR (2009). A
comparison of models for estimating potential evapo-
transpiration for Florida land cover types. J Hydrol 373,
366–376.
Fisher JB, Whittaker RJ, Malhi Y (2011). ET come home:
potential evapotranspiration in geographical ecology.
Global Ecol Biogeogr 20, 1–18.
Hargreaves GH, Samani ZA (1985). Reference crop evapo-
transpiration from temperature. Appl Eng Agric 1, 96–99.
Lu JB, Sun G, Mcnulty SG, Amatya DM (2005). A com-
parison of six potential evapotranspiration methods for
regional use in the southeastern US. J Am Water Works
Assn 41, 621–633.
Loukas A, Vasiliades L, Domenikiotis C, Dalezios NR
(2005). Basin-wide actual evapotranspiration estimation
using NOAA/AVHRR satellite data. Phys Chem Earth 30,
69–79.
Pereira AR, Pruitt WO (2004). Adaptation of the Thorn-
thwaite scheme for estimating daily reference evapora-
tion. Agr Water Manage 66, 251–257.
Priestly CHB, Taylor RJ (1972). On the assessment of
surface heat flux and evaporation using large-scale pa-
rameters. Mon Weather Rev 100(2), 81–92.
Trajkovic S, Kolakovic S (2009). Evaluation of reference
evapotranspiration equations under humid conditions.
Water Resour Manag 23, 3057–3067.
Xu CY, Singh VP (2005). Evaluation of three compl-
ementary relationship evapotranspiration models by water
balance approach to estimate actual regional evapo-
transpiration in different climatic regions. J Hydrol 308,
105–121.
Zha TS, Barr AG, van der Kamp G, Black TA, McCaughey
JH, Flanagan LB (2010). Interannual variation of evapo-
transpiration from forest and grassland ecosystems in
western Canada in relation to drought. Agric For Meteorol
150, 1476–1484.
Applicability of Evapotranspiration Simulation Models for Forest
Ecosystems in Qianyanzhou
Ying Liu 1, Baozhang Chen 1, 2*, Jing Chen 2, Guang Xu 2, 3
1Beijing Forestry University, Beijing 100083, China; 2State Key Laboratory of Resources and Environment Information
System, Institute of Geographical Science and Resources, Chinese Academy of Sciences, Beijing 100101, China
3University of Chinese Academy of Sciences, Beijing 100049, China
Abstract Using meteorological and evapotranspiration (ET) data acquired at the Eddy Covariance Flux tower in Qian-
yanzhou, Jiangxi Province, for 2003 to 2007, we evaluated the applicability of 8 widely used evapotranspiration simulation
models (Priestly-Taylor, Blaney-Criddle, Hargreaves-Samani, Jensen-Haise, Hamon, Turc, Makkink and Thornthwaite) for
a forest ecosystem. Among these 8 models, the Priestly-Taylor model was the best (R=0.953) on a daily time scale, the
Makkink model was the best (R=0.995) on a monthly scale, and the Thornthwaite model was the worst on a monthly scale
(RMSE=15.559, MBE=13.436). The Jensen-Haise model failed in simulation of ET on both day and month scales. Partial
correlation analysis of simulated ET against meteorological factors showed that the order of factors contributing to ET for
the forest ecosystem was radiation>air temperature>surface pressure>wind speed>soil temperature>relative humid-
ity>daytime length. Radiation was the most important driving factor for ET, which is consistent with the performance of
radiation-based ET models (e.g., the Priestly-Taylor and Makkink models) being better than other models.
Key words eddy covariance, evapotranspiration, forest ecosystem, Qianyanzhou
Liu Y, Chen BZ, Chen J, Xu G (2016). Applicability of evapotranspiration simulation models for forest ecosystems in
Qianyanzhou. Chin Bull Bot 51, 226–234.
———————————————
* Author for correspondence. E-mail: baozhang.chen@ubc.ca
(责任编辑: 朱亚娜)