全 文 ：中国生态农业学报 2014年 8月 第 22卷 第 8期
Chinese Journal of Eco-Agriculture, Aug. 2014, 22(8): 911−919


* 中国科学院知识创新项目(KSCX2-EW-J5)资助
** 通讯作者: 沈彦俊, 主要从事生态水文过程、资源环境遥感以及气候变化影响与适应方面的研究。E-mail: yjshen@sjziam.ac.cn
李放, 主要从事区域遥感蒸散发模型方面的研究。E-mail: lifanggucas@126.com
收稿日期: 2014−05−10 接受日期: 2014−06−25
DOI: 10.13930/j.cnki.cjea.140792
基于 STME模型和MODIS数据的滹滏平原
实际蒸散量遥感估算*
李 放1,2 沈彦俊1** 张玉翠1
(1. 中国科学院遗传与发育生物学研究所农业资源研究中心 石家庄 050022; 2. 中国科学院大学 北京 100049)
摘 要 滹滏平原光、热及土壤资源优越, 是华北平原重要的粮食生产基地, 灌溉是该区农业获得稳产高产的
重要保障, 持续抽取地下水和无节制利用地表水已经引起了严重的水资源危机, 合理高效利用有限水资源进
行农业生产势在必行。本文利用单源梯形遥感蒸散发模型(a single-source trapezoid model for evapotranspiration,
STME)和中等分辨率成像光谱仪 MODIS(2011—2012年共 115期)地表温度和反射率产品估算区域地表土壤缺
水状况及实际蒸散量, 并利用中国科学院栾城农业生态系统试验站(以下简称“栾城站”)和赵县梨园涡度相关
系统地表水热通量的观测值对 STME模型估算结果进行验证。结果表明该模型可以很好地估算区域蒸散量, 误
差在可接受范围内。赵县梨园净辐射 Rn的观测平均值为 4.10 mm, 估算平均值为 4.69 mm, 均方根差 RMSD
为 0.80 mm; 赵县梨园蒸散量观测平均值为 2.86 mm, 估算平均值为 3.01 mm, 均方根差 RMSD为 0.95 mm; 栾
城站蒸散量的观测平均值为 2.67 mm, 估算平均值为 2.44 mm, 均方根差 RMSD为 0.87 mm。将 STME模型应
用到滹滏平原估算日蒸散量, 明确了区域尺度蒸散发的时空变化特征: 10 月份果园生态系统蒸散量多于农田
生态系统; 11月份区域蒸散量整体小于 1 mm; 第 2年春季小麦返青、拔节期, 农田生态系统蒸散量多于果园
生态系统蒸散量; 5月份处于植被生长旺盛期, 农田和果园生态系统的蒸散量相差不大; 6月份小麦收获, 玉米
播种, 农田生态系统蒸散量少于果园生态系统; 7月份整个区域蒸散量达到最大, 蒸散量不仅与植被长势相关,
而且与土壤湿度相关; 8、9月份随着植被的成熟和收获, 区域蒸散量整体变小。不同时期区域水分亏缺指数不
同, 可根据其指导区域灌溉量。STME模型继承了基于数理计算确定梯形顶点的方法和水分亏缺指数, 使得计
算过程得以简化且物理机制明确。
关键词 蒸散 STME 水分亏缺指数 MODIS 滹滏平原 农田生态系统 果园生态系统
中图分类号: TP79 文献标识码: A 文章编号: 1671-3990(2014)08-0911-09
Estimation of regional evapotranspiration over the Hufu Plain
using STME and MODIS data
LI Fang1,2, SHEN Yanjun1, ZHANG Yucui1
(1. Center for Agricultural Resources Research, Institute of Genetics and Developmental Biology, Chinese Academy of Sciences,
Shijiazhuang 050022, China; 2. University of Chinese Academy of Sciences, Beijing 100049, China)
Abstract The Hufu Plain is a vital grain production base, with sufficient solar radiation, energy, fertile soils as well as intensive
agricultural management. In the region, irrigation has ensured stable and high crop yields over the years. The continuous extraction of
groundwater and surface water has induced severe water shortage in the Hufu Plain region. Therefore reasonable and efficient use of
the limited water resources was necessary for sustainable agricultural production. Here in this study, we developed a remote sensing
evapotranspiration (ET) model, STME (a single-source trapezoid model for evapotranspiration), and took 115 MODIS (moderate
resolution imaging spectrometer) images (local surface temperature and reflectance) for October 1, 2011 to September 30, 2012 to
estimate regional surface water deficit index (WDI) and evapotranspiration in the Hufu Plain. Two typical farmland ecosystems were
selected as the investigated objectives, one was cropland ecosystem in Luancheng, the other one was orchard ecosystem in Zhaoxian.
912 中国生态农业学报 2014 第 22卷


We compared the estimated ET by STME with observations by the eddy covariance system. Results suggested that the STME model
well estimated daily ET. The average observed net radiation (Rn) was 4.10 mm and the average estimated Rn was 4.69 mm, with a
root mean square difference (RMSD) of 0.80 mm for Zhaoxian orchard ecosystem. The average observed daily ET was 2.86 mm and
the average estimated daily ET was 3.01 mm, with RMSD = 0.95 mm for Zhaoxian orchard ecosystem. Also the average observed
daily ET was 2.67 mm and the average estimated daily ET was 2.44 mm, with RMSD = 0.87 mm for Luancheng cropland ecosystem.
To interpret the temporal and spatial variations in regional ET, we used the STME model to estimate regional ET in the Hufu Plain
study area. Furthermore, the water deficit index (WDI) reflected the severity of drought in the region. ET for orchard ecosystems in
October was more than that for cropland ecosystems. The regional ET was less than 1 mm in November. In April, ET for cropland
ecosystems was more than that for orchard ecosystems. Then in May, ET for cropland and orchard ecosystems was somehow similar
as there was vigorous vegetation growth. In June, ET for cropland ecosystems was less than that for orchard ecosystems because
wheat of cropland was harvested and maize just planted. In July, ET for the whole region was the maximum. This suggested that ET
was not only related to vegetation growth, but also associated with soil moisture. In the months of August and September, ET
decreased as crops matured and were harvested. WDI varied with time and place and it was practicable in guiding irrigation. STME,
a mathematically-based model for calculating the vertex of trapezoid framework and water deficit index, simplified and clarified ET
estimation process.
Keywords Evapotranspiration; Single-source trapezoid model for evapotranspiration (STME); Water deficit index (WDI);
MODIS; Hufu Plain; Cropland ecosystem; Orchard ecosystem
(Received May 10, 2014; accepted Jun. 25, 2014)
蒸散发(evapotranspiration, ET)包括植被蒸腾与
土壤蒸发, 是地表能量平衡与水量平衡的重要组成
部分 [1], 也是陆面过程研究的关键参数。在全球变
暖、气候极端事件频率增加、水循环要素存在加强
趋势的背景下 [2−3], 深入了解其在不同时空尺度上
的分布及变化情况对水资源管理、全球气候变化等
相关研究工作具有十分重要的意义[4−7]。蒸散量的理
论计算方法大多局限于单点、田间以及景观尺度 ,
其空间代表性通常只有几十米至几千米, 无法满足
流域(区域)尺度的蒸散量估算需求。卫星遥感技术的
兴起, 使获取大尺度非均匀下垫面的地表特征参数
成为可能, 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。
遥感蒸散发模型大多以地表垂直方向上的能量
平衡方程[见公式(1)]为基础, 感热通量(H)和潜热通
量(λE)的参数化是物理基础较强的遥感蒸散发模型
的核心。
nR H E Gλ= + + (1)
式中: Rn为净辐射量(W·m−2), H为感热通量(W·m−2),
λE为潜热通量(W·m−2), G为土壤热通量(W·m−2)。
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[8−9]。其物理基础在于, 在裸土
地表, 地表温度对土壤湿度变化的敏感性远大于植
被覆盖区域 , 使得地表温度−植被指数散点图多呈
三角形或梯形。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, 进而反演区域实际
蒸散量。
1994 年 , Moran 等 [8]提出了 VITT 梯形模型
(vegetation index/temperature trapezoid model)。VITT
尝试将地表温度与空气温度的差值(Ts−Ta)与植被指
数(Ⅵ)联系起来, 建立梯形模型, 提出水分亏缺指数
概念(water deficit index, WDI), 此理论适用于不同
植被覆盖度的下垫面。VITT通过计算梯形端点的特
征值, 然后利用梯形特征空间, 计算区域不同植被
覆盖度地表的实际蒸散量。但计算过程中利用的极
值条件下的各种阻抗计算过程繁复难以确定。
Long 等[10]继承了 Moran 梯形模型框架[8]、Calson
土壤表层可用水分等值线概念[9,11]以及 PCACA 模
型 [12]的地表反照率分解方法, 提出双层梯形蒸散发模
型(a two-sources trapezoid model for evapotranspiration,
TTME), 该模型为平行双层模型, 将遥感 ET梯形模
型进行了合理简化, 并有严格的适用边界条件。但
在具体计算过程中, 小区域的地表反照率分解方法
难以精确确定。
本文结合 VITT 模型提出的利用理论数值计算
确定梯形框架顶点的方法和 VITT 提出的水分亏缺
指数概念 WDI, 提出了单源梯形遥感蒸散发模型
STME(a single-source trapezoid model for evapotran-
spiration), 并利用观测站点数据对模型模拟结果进
行验证, 探索区域蒸散量的估算方法。
1 STME模型机理研究方法
1.1 fc-Trad梯形框架端点的确定
Long 等 [10]提出的利用理论数值计算方法确定
的植被覆盖度(fc)−地表辐射温度(Trad)梯形框架如图
1所示, 4个顶点代表 4种极端地表状态。A点代表
极干旱裸土地表温度(Ts, max), D 点代表极干旱全植
被覆盖地表温度(Tc, max)。B点和 C点代表水分充足
第 8期 李 放等: 基于 STME模型和 MODIS数据的滹滏平原实际蒸散量遥感估算 913


条件下的裸土地表温度和全植被覆盖地表温度, 在
此假设处于潜在蒸散发状态的地表温度相同, 等同
于平均空气温度 Ta。模型中 A、D点可通过数值计算
得到, 避免了人为主动性选择极端点的不确定性。

图 1 模型植被覆盖度(fc)−地表辐射温度(Trad)梯形框架
及图解水分亏缺指数(WDI)的计算
Fig. 1 A sketch of the trapezoid vegetation coverage
(fc)-surface radiation temperature (Trad) space involved in model
and illustration of water deficit index (WDI) calculation
1) Ts,max的确定
s s d d u s d
s d s d u
4 4
s d s a a s s
(1 ) ( ) (1 )
(1 )
(1 )
R S L L L
S L L
S T T
α ε
α ε
α ε ε σ ε σ
= − + − − −
= − + −
= − + −

(2)

s a
s s s p s
as
T T
R G H E c E
r
λ ρ λ−− = + = + (3)
式中: Rs为极干旱裸土地表的净辐射通量(W·m−2); αs
为土壤反照率 (0.35); Sd 为向下方向的短波辐射
(W·m−2); Ld和 Lu为向下方向和向上方向的长波辐射
(W·m−2), 由 Stefan-Boltzmann法则计算得到; εs为土
壤发射率(0.96)[13]; εa为大气发射率, 是气温 Ta(K)和
水汽压 ea(hPa)的函数[εa=1.24(ea×10/Ta)1/7]; ρ为空气
密度(kg·m−3); Cp为空气比热(J·kg−1·K−1); ra,s为土壤
表层空气动力学阻抗(s·m−1)[10]; Hs 为土壤感热通量
(W·m−2); Ts 为土壤温度(K)、λEs 为土壤潜热通量
(W·m−2); σ为斯蒂芬−玻尔兹曼常数。
对 Lu以 Ta为基础进行泰勒近似计算:
4 4 3
u s s s a s a s a4 ( )L T T T T Tε σ ε σ ε σ= ≈ + − (4)
用公式(4)替代公式(2)中的 Lu得:
4 4
s s d s a a s a
4 4 3
s d s a a s a s a s a
(1 )
(1 ) 4 ( )
R S T T
S T T T T T
α ε ε σ ε σ
α ε ε σ ε σ ε σ
= − + −
≈ − + − − − (5)
令 Rs,o=(1−αs)Sd+εsεaσTa4−εsσTa4, 结合 Rs,o、公式
(3)和(5), 令 G=cRs(c取 0.35), 得到:
s,o s
s a3
s a p as
(1 )
4 [ (1 )]
R E c
T T
T c r c
λ
ε σ ρ
− −= ++ − (6)
当 λEs=0时, 可得到 Ts,max, 即:
s,o
s,max a3
s a p as4 [ (1 )]
R
T T
T c r cε σ ρ= ++ − (7)
2) Tc,max的确定
Tc,max的确定与 Ts,max类似:
c c d d u c d
c d a d u
4 4
c d c a a c c
(1 ) ( ) (1 )
(1 )
(1 )
R S L L L
S L L
S T T
α ε
α ε
α ε ε σ ε σ
= − + − − −
= − + −
= − + −

(8)

c a
c c c p c
ac
T T
R H E c E
r
λ ρ λ−= + = + (9)
式中: αc为植被反照率(0.2), εc为植被发射率(0.985)[13],
rac为冠层空气动力学阻抗(s⋅m−1)[10]。
结合公式(8)和(9), 并对 Lu以 Ta为基础进行利
用泰勒近似计算, 得:
c,o c
c a3
c a p ac4
R E
T T
T c r
λ
ε σ ρ
−= ++ (10)
当 λEc=0时, 可得到 Tc,max, 即:
c,o
c,max a3
c a p ac4
R
T T
T c rε σ ρ= ++ (11)
1.2 水分亏缺指数(WDI)的确定
水分亏缺指数(WDI)是建立在作物水分胁迫指
数理论基础上的, 在本文模型研究中, 假设当土壤
完全被植被覆盖且处于水分充足状态时, 土壤表层
温度与空气温度相同, 即 Ta; 当裸露土壤处于极干旱
状态时, 其表层温度达最大值, 即 Tradmax。Moran等[8]
提出了水分亏缺指数(WDI)的算法, 当研究区内任意
一点的地表辐射温度为 Trad, 其WDI计算法如下:
rad a
rad max a
WDI
T T
T T
−= − (12)
式中: Trad为地表辐射温度(K), Ta为研究区内气象站
点观测的气温平均值(K), Trad max为像元对应的极干
旱情况下的地表温度(K)。
通过图 1 中的梯形框架, 可得出 Trad max的计算
方法如下:
radmax c c,max c,max s,max( )T f T T T= − + (13)
0.625
max
c
max min
NDVI NDVI
1
NDVI NDVI
f
⎛ ⎞−= − ⎜ ⎟−⎝ ⎠
(14)
nir red
nir red
NDVI
ρ ρ
ρ ρ
−= + (15)
式中: NDVI为卫星过境当天的均一化植被指数; ρnir
和ρred分别为地表在近红外波段和红外波段的反射
率 , 由MODIS地表反射率产品MOD09GA得到 ;
NDVImax和NDVImin分别取值0.89和0.10[14]。
1.3 潜热通量(λE)的确定
实际潜热通量(λE)可根据水分亏缺指数(WDI)
和潜在蒸散量(λEp)计算公式得到[8,15]:
p(1 WDI)E Eλ λ= − × (16)
式中: λE为实际潜热通量(W·m−2), λEp为潜在潜热通
量(W·m−2)。
914 中国生态农业学报 2014 第 22卷


潜在潜热通量 λEp可由 Penman-Monteith公式计
算得到:
s a
n p
a
p
( ) e eR G c
r
E
ρ
λ γ
−Δ − +
= Δ + (17)
式中: Rn 为净辐射量(W·m−2), G 为土壤热通量(W·m−2),
cp为空气比热(1.013×10−3 MJ·kg−1·℃−1), es为空气温
度 Ta下的饱和水汽压, ea为空气温度 Ta下的实际水
汽压, Δ为饱和水汽压−温度关系斜率, γ为温湿度常
数, ra为空气动力学阻抗(s·m−1)。
1.4 蒸发比(EF)的确定
蒸发比 EF(evaporative fraction)为潜热通量与可
利用能量的比值, 反映了一定净能量收入情况下水
和热的分割情况, 它受到土壤水分、近地面层气象
状况等因素的影响。计算方法如下:
n
EF= E
R G
λ
− (18)
n d d u d
4 4
d a a rad
(1 ) ( ) (1 )
(1 )
R S L L L
S T T
α ε
α εε σ εσ
= − + − − −
= − + − (19)
c c c s c c(1 ) 4 d (1 )f f f fε ε ε ε= + − + ⋅ − (20)
4
n rad( 273.15)(0.003 8 0.007 4 )(1 0.98NDVI )G R T α= − + −
(21)
式中: Rn为卫星过境时刻的净辐射(W·m−2); λE和G为卫
星过境时刻的潜热通量和土壤热通量(W·m−2); α为地
表反照率, 由MODIS中7波段的反射比计算得到; ε为
地表发射率, 脚标a、s和c分别代表大气、土壤和植被;
dε为植被结构参数0.02[16]; Trad为地表辐射温度(K)。
1.5 日蒸散量 ET24的确定
遥感蒸散发模型计算的是地表瞬时通量(卫星
过境时刻的地表温度信息), 而在农业工程和水资源
应用当中一定时间段(如日、月、季等时间尺度)的累
积蒸散量, 更具有应用价值。大气近地层试验结果
表明, EF在晴天白天的 8~10 h内大致维持不变, 考
虑 ET的一般日变化规律, 假设一天中 EF基本不变,
但 Anderson等[17]指出日出后 5 h的蒸发比偏小, 研
究区卫星过境时刻为上午 11:00—12:00, 所以将
10%的蒸散发纠正到日蒸散发总量中:
24 n24 24ET =0.408EF( ) 1.1R G− × (22)
式中: ET24为日蒸散量(mm), 日土壤热通量G24在日
变化中可以忽略不计 , 日净辐射量 Rn24可通过
FAO56中的公式计算得到[18](MJ·m−2·d−1), 本文中为
表示和计算方便, 将实际净辐射的能量值换算为与
蒸散量单位一致的水量值(mm), MJ·m−2·d−1与mm之
间的换算系数为0.408。
2 研究区域概况与数据来源
2.1 研究区域概况
滹滏平原区位于河北省中西部太行山山前平原,
面积8 820 km2。该地区为半湿润半干旱季风气候,
冬春多风, 夏季多雨; 年平均气温在13°左右, 全年
无霜期约180~210 d; 年降水量500~600 mm, 降水量
年际变化较大, 降雨多集中在每年的7—9月份, 约
占全年降水量的70%左右, 且多为暴雨。区内人口密
集 , 土地利用类型简单 , 除城镇建设用地外 , 绝大
部分开垦为耕地或果园(图2)。作物生产模式以冬小

图 2 滹滏平原土地利用图
Fig. 2 Land use map of the Hufu Plain
第 8期 李 放等: 基于 STME模型和 MODIS数据的滹滏平原实际蒸散量遥感估算 915


麦−夏玉米一年两熟为主 , 是华北平原的重要果蔬
高产地区; 其中, 栾城县是全国闻名的粮食生产基
地县, 年灌溉量每年在 400 mm左右, 为高灌区; 赵
县是果园集中分布区, 以梨树种植为主, 梨果种植
面积 1.67×104 hm2, 年总产量约 5×108 kg。研究区内
的两套涡度相关系统分别布设在中国科学院栾城农
业生态系统试验站(以下简称“栾城站”)和赵县梨园,
栾城站代表山前平原冬小麦−夏玉米一年两熟典型
区; 赵县梨园试验点则为典型灌溉果园类型。
2.2 数据来源
选取2011年10月1日—2012年9月30日整个冬小
麦−夏玉米生长季的涡度相关系统地表通量观测数
据, 涡度相关观测系统分别布设在栾城站(37°53′21.7″N,
114°41′34.4″E)和赵县梨园(37°47′44.2″N, 114°55′57″E)。
气象数据采用研究区内气象站点(石家庄站和饶阳
站)的平均值, 包括平均气温、平均水汽压、风速、日
照时数、日最高气温、日最低气温等, 由“中国气象科
学数据共享服务网”获得(http://cdc.cma.gov.cn/home.do)。
2.3 遥感图像
本研究采用MODIS数据产品 (the moderate
resolution imaging spectroradiometer), 经由NASA网
站下载(http://reverb.echo.nasa.gov/ reverb/)。地表辐射
温度Trad由地表辐射温度产品MOD11A1(d, 1 000 m)
得到 , 反照率(α)、植被覆盖度(fc)由地表反射率产
品MOD09GA(d, 1 000 m)计算得到。在研究时段内,
栾城站晴天图像有112景 , 赵县梨园晴天图像有
115景。
3 结果与分析
3.1 研究区地表特征温度变化
图 3 显示了石家庄和饶阳气象站日观测平均气
温(Ta)、极干旱裸土地表温度(Ts,max)与极干旱全植被
覆盖地表温度(Tc,max)的变化趋势。Tc,max 低于 Ts,max,
高于对应的 Ta, 表明梯形框架的正确性。

图 3 卫星过境时刻研究区内日观测平均气温(Ta)、极干旱全植被覆盖地表温度(Tc,max)和极干旱裸土地表温度(Ts,max)趋
势图
Fig. 3 Trends of the average air temperature (Ta), the temperature of driest full vegetated surface (Tc,max) and driest bare surface
(Ts,max) of study sites at the satellite pass time
3.2 ET的估算与验证
利用栾城站和赵县梨园的涡度相关系统观测值与
模型反演得到的 Rn和 ET 进行对比, 以评估模型计算
精度。图 4为两站点 ET的时间序列变化趋势, ET在
冬小麦−夏玉米生长季内呈现 2次明显的高峰期, 1次
在 4—5月份, 1次在 7—9月份(河北平原的雨季)。而
图 5中的WDI表现出与图 4中 ET相反的趋势。从图
6 可以看出, 两站点利用模型估算得到的 ET 与实测
值有较好的一致性。对估算值和观测值进行统计分析
表明, 赵县梨园净辐射 Rn的观测平均值为 4.10 mm,
估算平均值为4.69 mm, 均方根差RMSD为0.80 mm; 赵
县梨园蒸散量 ET 的观测平均值为 2.86 mm, 估算平
均值为 3.01 mm, 均方根差 RMSD为 0.95 mm; 栾城
站蒸散量 ET 的观测平均值为 2.67 mm, 估算平均值
为 2.44 mm, 均方根差 RMSD为 0.87 mm。
3.3 区域尺度蒸散量特性分析
3.3.1 水分亏缺指数(WDI)的空间分布分析
旱灾对我国的农业生产影响极大, 水分亏缺指
数(WDI)作为一种表征农业干旱的指标, 一直以来
受到研究者的关注。以蒸散量作为参数的水分亏缺
指标得到广泛承认, WDI可指示研究区内的缺水程度,
指导灌溉量。图 7 是选取 2011 年 10 月 1 日—2012
年 9月 30日内每月全区域无云或少云图像的模拟结
果, 从模拟结果可以看出 WDI的时空差异。在空间
上, 城区的水分亏缺指数大于农田和果园, 农田与
果园的缺水程度在不同时期也有所不同。在时间上,
WDI 呈现季节性干旱, 10 月份, 玉米收获、果园树
叶掉落, 整个研究区缺水程度偏小; 11月底, 果园树
叶完全脱落, 但小麦正值灌溉上冻水时期, 显然农
田比果园缺水; 2012年 4月, 小麦开始返青拔节, 需
916 中国生态农业学报 2014 第 22卷



图 4 研究区观测站点蒸散量(ET24)观测值和估算值时间序列变化
Fig. 4 Time series of daily evapotranspiration (ET24) from observed data and estimated data of the study sites
a: 赵县梨园; b: 栾城站。a: Zhaoxian station; b: Luancheng station.

图 5 研究区观测站点水分亏缺指数(WDI)变化趋势图
Fig. 5 Change trends of water deficit index (WDI) of the study sites
a: 赵县梨园; b: 栾城站。a: Zhaoxian station; b: Luancheng station.

要大量水分, 此时缺水程度严重, 而果园树叶刚开
始生长, 需水量小, 其缺水程度也较轻; 5、6月份整
个流域的干旱程度增加, 此时也正是缺水季节; 7月
份雨季来临, 干旱程度得到缓解; 8、9月份随着果实
收获, 整个研究区缺水程度都不大。流域整体缺水
程度由表 1 中数据也有所体现, 4 月 13 日滹滏平原
平均水分亏缺指数WDI为 0.30, 5月 17日平均值为
0.28, 6月 11日为 0.30, 7月 11日为 0.18, 8月 24日
为 0.28, 9月 4日为 0.28, 4月份达到缺水的最大值, 7
—9 月正值雨季, 缺水程度得到缓解。可根据 WDI
计算流域灌溉量, 实行定量灌溉, 对于节省水资源
有一定的指导意义。
第 8期 李 放等: 基于 STME模型和 MODIS数据的滹滏平原实际蒸散量遥感估算 917



图 6 研究区内观测站点净辐射(Rn)、蒸散量(ET)观测值与估算值对比图
Fig. 6 Comparison of estimated and observed net radiation (Rn) and evapotranspiration (ET) of the study sites
a: 赵县梨园净辐射; b: 赵县梨园蒸散量; c: 栾城站蒸散量。a: net radiation in Zhaoxian station; b: evapotransipiration in Zhaoxian station; c:
evatransipiration in Luancheng station.

3.3.2 日蒸散量 ET24的空间分布分析
时间尺度为日、空间尺度为 1 km的地表实际蒸
散量及区域空间分布特征见图 8 和表 1。在时间分
布上, 不同时期内蒸散量不同: 10 月份果园生态系
统蒸散量多于农田生态系统; 11 月份区域蒸散量整
体小于 1 mm; 第 2年春季小麦返青、拔节, 农田生
态系统蒸散量多于果园生态系统蒸散量; 5月份处于
植被生长旺盛期, 农田和果园生态系统的蒸散量相
差不大; 6 月份小麦收获, 玉米播种, 农田生态系统
蒸散量少于果园生态系统; 7月份整个区域蒸散量达
到最大, 蒸散量不仅与植被长势相关, 而且与土壤
湿度相关; 8、9月份随着植被的成熟和收获, 区域蒸
散量整体变小。蒸散量的多少不仅与植物生长状况、
天气状况有关, 还与土壤湿润程度有关。对滹滏平
表 1 滹滏平原 2011—2012年典型水分亏缺指数(WDI)和日蒸散量(ET24)统计
Table 1 Statistics of typical water deficit index (WDI) and daily evapotranspiration (ET24) of the Hufu Plain from 2011 to 2012
水分亏缺指数 Water deficit index 日蒸散量(ET24) Daily evapotranspiration (mm) 时间(年-月-日)
Date
(year-month-day)
最大值
Maximum value
最小值
Minimum value
平均值±标准差
Mean ± standard error
最大值
Maximum value
最小值
Minimum value
平均值±标准差
Mean ± standard error
2011-10-06 0.44 0.11 0.29±0.04 2.30 1.30 1.70±0.13
2011-11-23 0.49 0.15 0.30±0.04 0.58 0.29 0.38±0.04
2012-04-13 0.55 0.15 0.30±0.04 3.40 1.69 2.57±0.19
2012-05-17 0.59 0.09 0.28±0.06 4.60 1.89 3.32±0.33
2012-06-11 0.48 0.14 0.30±0.04 4.60 2.60 3.50±0.27
2012-07-11 0.36 0.01 0.18±0.04 0.60 3.86 4.96±0.29
2012-08-24 0.64 0.12 0.28±0.08 4.20 1.70 3.25±0.38
2012-09-04 0.55 0.14 0.28±0.05 3.90 1.79 2.80±0.22
918 中国生态农业学报 2014 第 22卷



图 7 模型估算的不同时期水分亏缺指数(WDI)的滹滏平原空间分布图
Fig. 7 Spatial distribution of water deficit index (WDI) in different times in the Hufu plain estimated by the model

图 8 模型估算的不同时期日蒸散量(ET24)的滹滏平原空间分布图
Fig. 8 Spatial distribution of daily evapotranspiration (ET24) in different times in the Hufu plain estimated by the model
原进行区域蒸散量的估算, 有利于分析区域内蒸散
量的整体分布, 对指导农业生产有一定作用。
4 讨论与结论
本研究利用栾城站和赵县梨园涡度相关系统的
地表水热通量观测值对 STME 模型估算结果进行验
证。赵县梨园净辐射 Rn的观测平均值为 4.10 mm, 估
算平均值为 4.69 mm, 均方根差 RMSD为 0.80 mm;
赵县梨园蒸散量(ET)的观测平均值为 2.86 mm, 估
算平均值为 3.01 mm, 均方根误差 RMSD为 0.95 mm;
栾城站蒸散量(ET)的观测平均值为 2.67 mm, 估算
平均值为 2.44 mm, 均方根误差 RMSD为 0.87 mm,
第 8期 李 放等: 基于 STME模型和 MODIS数据的滹滏平原实际蒸散量遥感估算 919


表明该模型可以很好地估算区域蒸散量, 误差在可
接受范围内。
将 STME 模型应用到滹滏平原估算日蒸散量,
能够明确区域尺度蒸散发耗水规律。10月份果园生
态系统蒸散量多于农田生态系统; 11 月份区域蒸散
量整体小于 1 mm; 第 2年春季小麦返青、拔节, 农
田生态系统蒸散量多于果园生态系统蒸散量; 5月份
处于植被生长旺盛期, 农田和果园生态系统的蒸散
量相差不大; 6 月份小麦收获, 玉米播种, 农田生态
系统蒸散量少于果园生态系统; 7月份整个区域蒸散
量达到最大, 蒸散量不仅与植被长势相关, 还且与
土壤湿度相关; 8、9月份随着植被的成熟和收获, 区
域蒸散量整体变小。不同时期区域水分亏缺指数
(WDI)不同, 可根据其指导区域灌溉量。
STME 模型继承了 Long 等[10]提出的基于数理
计算确定梯形顶点的方法, 规避了传统人为选择极
值点所带来的不确定性; 继承了 Moran 等[8]提出的
水分亏缺指数(WDI), 使得计算过程得以简化且物
理机制明确; ③利用 Penman-Monteith公式计算潜在
蒸散量。与典型的单层模型 SEBAL相比, STME利
用理论计算的方法确定梯形端点, 避免了人为选择
极值点的不确定性, 以及研究区内无极值点存在的
情况; 与 TTME相比, STME在计算实际潜热通量时
简化了计算流程; 与 Moran 等[8]提出的梯形框架相
比, STME对梯形框架端点的计算过程更易操作, 简
化了各种阻抗的计算, 地表参数更易获取。此外, 利
用 MODIS 产品估算地表 ET, 其时间分辨率具有较
强的优势, 应用前景广阔。
参考文献
[1] Brutsaert W H. Hydrology: An Introduction[M]. Cambridge:
Cambridge University Press, 2005: 618
[2] Stocker T F, Raible C C. Climate change: Water cycle shifts
gear[J]. Nature, 2005, 434(7035): 830–833
[3] Parry M L, Canziani O F, Palutikof J P, et al. Climate Change:
Impacts, Adaptation and Vulnerability[M]. Bangkok:
Intergovernmental Panel on Climate Change, 2007
[4] Long D, Singh V P, Li Z L. How sensitive is SEBAL to
changes in input variables, domain size and satellite
sensor?[J]. Journal of Geophysical Research, 2011, 116: D21,
doi: 10.1029/2011JD016542
[5] McCabe M F, Wood E F. Scale influences on the remote
estimation of evapotranspiration using multiple satellite
sensors[J]. Remote Sensing of Environment, 2006, 105(4):
271–285
[6] 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(2): 81–92
[7] Shen Y, Kondoh A, Tang C, et al. Measurement and analysis
of evapotranspiration and surface conductance of a wheat
canopy[J]. Hydrological Processes, 2002, 16(11): 2173–2187
[8] Moran M S, Clarke T R, Inoue Y, et al. Estimating crop water-
deficit using the relation between surface-air temperature and
spectral vegetation index[J]. Remote Sensing of Environment,
1994, 49(3): 246–263
[9] Carlson T N, Capehart W J, Gillies R R. A new look at the
simplified method for remote-sensing of daily evapotranspiration[J].
Remote Sensing of Environment, 1995, 54(2): 161–167
[10] Long D, Singh V P. A Two-source Trapezoid Model for
Evapotranspiration (TTME) from satellite imagery[J]. Remote
Sensing of Environment, 2012, 121: 370–388
[11] 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
[12] Zhang R H, Sun X M, Wang W M, et al. An operational
two-layer remote sensing model to estimate surface flux in
regional scale: Physical background[J]. Science in China
Series D-Earth Sciences, 2005, 48(S1): 225–244
[13] Sánchez J, Kustas W, Caselles V, et al. Modelling surface
energy fluxes over maize using a two-source patch model and
radiometric soil and canopy temperature observations[J].
Remote Sensing of Environment, 2008, 112(3): 1130–1143
[14] Li F, Kustas W P, Prueger J H, et al. Utility of remote
sensing-based two-source energy balance model under
low-and high-vegetation cover conditions[J]. Journal of
Hydrometeorology, 2005, 6(6): 878–891
[15] 沈彦俊, 夏军, 张永强, 等. 陆面蒸散的双源遥感模型及其
在华北平原的应用[J]. 水科学进展, 2006, 17(3): 371–375
Shen Y J, Xia J, Zhang Y Q, et al. Dual-source remote sensing
model for estimating land surface evapotranspiration and its
application in North China Plain[J]. Advances in Water Sci-
ence, 2006, 17(3): 371–375
[16] Roerink G, Su Z, Menenti M. S-SEBI: A simple remote
sensing algorithm to estimate the surface energy balance[J].
Physics and Chemistry of the Earth, Part B: Hydrology.
Oceans and Atmosphere, 2000, 25(2): 147–157
[17] Anderson M, Norman J, Diak G, 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
[18] Allen R G, Pereira L, Raes D, et al. FAO Irrigation and
drainage paper No. 56[M]. Rome: Food and Agriculture
Organization of the United Nations, 1998: 26–40