基于数据融合算法的灌区蒸散发空间降尺度研究

白亮亮 蔡甲冰,2 刘 钰,2 陈 鹤,2 张宝忠,2 黄凌旭,2

(1.中国水利水电科学研究院流域水循环模拟与调控国家重点实验室， 北京 100038；2.国家节水灌溉北京工程技术研究中心， 北京 100048)

基于数据融合算法的灌区蒸散发空间降尺度研究

白亮亮1蔡甲冰1,2刘 钰1,2陈 鹤1,2张宝忠1,2黄凌旭1,2

(1.中国水利水电科学研究院流域水循环模拟与调控国家重点实验室， 北京 100038；2.国家节水灌溉北京工程技术研究中心， 北京 100048)

采用Landsat和MODIS数据，通过增强自适应融合算法(Enhanced spatial and temporal adaptive reflectance fusion model，ESTARFM)对蒸散发进行空间降尺度，构建田块尺度蒸散发数据集；利用2015年田间水量平衡方法计算的蒸散发数据对融合结果进行评价。在融合蒸散发基础上，结合解放闸灌域2000—2015年间种植结构信息，提取不同作物各自生育期和非生育期内年际蒸散发量，并分析了大型灌区节水改造以来，作物蒸散发占比的年际变化。研究结果表明：融合蒸散发与水量平衡蒸散发变化过程较吻合，小麦耗水峰值出现在6月中下旬—7月初，玉米和向日葵峰值出现在7月份。在相关性分析中，玉米、小麦和向日葵的决定系数R2分别达到了0.85、0.79和0.82；生育期内玉米(5—10月份)、小麦(4—7月份)和向日葵(6—10月份)的均方根误差均不高于0.70 mm/d；平均绝对误差均不高于0.75 mm/d；相对误差均不高于16%。在农田蒸散发总量验证中，融合蒸散发与水量平衡蒸散发相关性较好，两者决定系数达到了0.64。基于ESTARFM融合算法生成的高分辨率蒸散发(ET)结果可靠，具有较好的融合精度。融合结果与Landsat 蒸散发的空间分布和差异性一致，7月23日、8月24日和9月1日相关系数分别达到0.85、0.81和0.77；差值均值分别为0.24 mm、0.19 mm和0.22 mm；标准偏差分别为0.81 mm、0.72 mm和0.61 mm。ESTARFM融合算法在农田蒸散发空间降尺度得到较好的应用，可有效区分不同作物蒸散发之间的差异。不同作物在生育期和非生育期内耗水量差别较大；生育期内套种(4—10月份)耗水量最大，达到637 mm，玉米(5—10月份)和向日葵(6—10月份)次之，分别为598 mm和502 mm，小麦(4—7月份)最低为412 mm；非生育期内，小麦(8—10月份)耗水量最大，年均达到214 mm，玉米(4月份)和向日葵(4—5月份)分别为42 mm和128 mm。不同作物多年平均耗水量(4—10月份)差异较小，其年际耗水总量主要随作物种植面积的变化而变化。

遥感； 数据融合； 蒸散发； 地表能量平衡模型； 增强时空自适应融合算法； 河套灌区

引言

详细的农田蒸散发时空信息是研究农业水文循环、农业灌溉用水管理的重要依据[1-2]，尤其在种植结构比较复杂和破碎的灌区。遥感技术的发展为区域蒸散发计算提供了一条有效途径，为灌区用水效率定量评价奠定了基础[3]。由于遥感技术的限制和昂贵的影像费用，同时兼顾高时间、高空间分辨率影像的获取和应用受到限制[4]。如IRS、 SPOT、CBERS和Landsat系列卫星等，具有较高的空间分辨率，但由于较长的重访周期以及云雨天气等，限制了遥感数据在连续监测地表参数和地表通量方面的应用。高频率重访周期遥感卫星MODIS和AVHRR可以连续观测地表参数的连续变化，但不能有效分辨复杂下垫面参数的变化。

数据融合可以有效地整合多源遥感数据，构建具有高时空分辨率影像。传统的融合算法包括亮度-色调-饱和度变换[5]、主成分分析[6]以及小波变换[7]等，将全色波段与多光谱波段进行融合以获得高分辨率多光谱图像，但不能有效获取由物候引起的地表反射率变化；GAO等[8]提出了时空自适应融合算法(STARFM)，该算法综合考虑了距离权重、光谱权重和时间权重，有效融合了Landsat和MODIS数据。数据融合方法通常用来整合较低级的地表参数，这些参数随时间的变化较缓慢，如归一化差值植被指数(NDVI)等。而地表温度(LST)随时间变化较为剧烈，同时依赖于不同传感器观测角，很大程度上限制了数据融合的应用。因此，CAMMALLERI等[9-10]采用时空自适应融合算法(STARFM)直接融合MODIS 和 Landsat 蒸散发产品，实现了不同数据源高级产品的融合。但STARFM算法在缺少关键期影像时，不能有效捕捉物候剧烈变化信息。HIKER等[11]提出了一种时空自适应融合变化监测方法，该方法避免了短暂剧烈的地物变化问题；ROY等[12]采用一种半物理的数据融合方法，使用MODIS二性反射等地表数据产品和Landsat ETM+进行融合并预测对应日期或前后相邻日期的数据。以上融合结果的优劣在一定程度上依赖于下垫面的复杂程度，如破碎下垫面条件。 ZHU等[4]提出了增强时空自适应融合算法(Enhanced spatial and temporal adaptive reflectance fusion model, ESTARFM)，在相似像元选取和时间权重计算上更加合理，并且可以有效捕捉地物剧烈变化特征，改善了复杂下垫面情况下地表特征参数融合精度。

为应对黄河流域水资源供需矛盾的现状，黄河水利委员会对引黄灌溉水量实行统一调度，将河套灌区年引黄水量由52亿m3逐步压缩到40亿m3，同时实施了大型灌区续建配套与节水改造工程建设。灌区引水量的减少[13]和节水改造工程的实施，使得作为灌区主要水量消耗的农业耗水以及区域水土环境必然会受到影响。本文采用地表能量平衡模型(Surface energy balance system, SEBS)[14]生成Landsat 空间尺度蒸散发数据，并结合MODIS日蒸散发数据，利用增强时空自适应融合算法(ESTARFM)实现蒸散发的空间降尺度，进而构建高时空分辨率蒸散发数据集；并通过田块尺度根区水量平衡模型对蒸散发融合结果进行验证和评价。同时根据研究区域多年种植结构空间信息，提取和分析不同作物生育期和非生育期年际耗水变化，将数据融合结果进行应用，以期为大型灌区节水改造实施效果评价、农业耗水变化以及灌区农田灌溉用水管理提供参考和依据。

1 材料与方法

1.1 研究区概况

以内蒙古自治区河套灌区解放闸灌域为对象开展研究(图1)。解放闸灌域为河套灌区第2大灌域(106°43′～107°27′E、40°34′～41°14′N)，南邻黄河，北依阴山[15]。地处干旱半干旱内陆地区，年平均气温9℃，海拔高度在1 030～1 046 m之间；年均降水量151 mm，蒸发量2 300 mm。总土地面积约2 345 km2，土壤类型为潮灌淤土和盐化土，土壤质地为粉壤土；其中60%以上为耕地，种植结构较破碎，粮食作物以春玉米和春小麦为主，经济作物以向日葵为主[16]。

图1 解放闸灌域及田间试验位置示意图Fig.1 Locations of Jiefangzha irrigation district and field experiment

点试验观测区位于内蒙古河套灌区解放闸灌域沙壕渠光明二队，仪器安装和数据监测地如图1所示，包括玉米、小麦和向日葵3种主栽作物。为保证像元为纯像元，作物田块尺寸均大于60 m×60 m。地下水水位变化通过田块布设的观测井每日监测；土壤含水率每日监测，详见蔡甲冰等[17]相关研究；田间灌溉水量和降水量通过人工观测记录。

1.2 融合遥感影像及预处理

融合过程中所用空间分辨率为30 m的遥感影像，包括Landsat5 TM、Landsat7 ETM+和Landsat8 OLI/TIRS系列数据(http:∥glovis.usgs.gov)。根据遥感影像质量(晴空或少量云覆盖)，分别选取数据较好的2000、2002、2005、2008、2010、2014、2015年影像作为研究时段，其年内跨度为主要作物生育期的4—10月份，具体数据见表1。影像经过辐射、大气校正、条带修复、镶嵌和裁剪，并利用手持GPS采集的地面控制点统一进行几何精校正，误差控制在1/2个像元以内，处理后影像作为遥感蒸散发模型的输入数据。空间分辨率为250 m的MODIS 日蒸散发数据来自YANG 等[18]的计算结果，产品通过MRT工具重投影到WGS84/UTM(北48区)坐标系统，空间分辨率重采样到与Landsat系列蒸散发数据一致。

表1 融合过程可用Landsat系列影像

1.3 SEBS遥感蒸散发模型

SEBS模型是SU[14]在2002年提出的基于能量平衡原理的单层模型。SEBS模型主要包括以下几部分：反照率和辐射率等地表物理参数反演；热量粗糙长度计算；显热通量计算；潜热通量计算。

能量平衡方程计算式为

Rn=H+λET+G0

(1)

式中Rn——净辐射量G0——土壤热通量H——显热通量λ——水的汽化潜热

SEBS模型结合了BRUTSAERT[19]裸地条件下和CHOUDHURY等[20]完全植被覆盖条件下kB-1计算公式，提出了基于部分植被覆盖的混合像元条件下kB-1计算公式

(2)

对于绝大多数冠层和自然条件的情况，Ct的取值范围是[0.005N，0.075N]，其中N代表植被叶片参与热量交换的面数，取值为1或2。具体计算过程和参数详见文献[14]。

1.4ESTARFM数据融合

ESTARFM数据融合算法起初被用来对低级产品的降尺度，如地表反射率、NDVI等地表特征参数；本文将其应用到蒸散发空间降尺度，以期构建Landsat空间尺度蒸散发数据集。算法通过临近相似像元的光谱信息来预测目标像元的特征值，根据就近原则，利用与预测时期前后相邻2个时期的原有Landsat空间尺度和MODIS空间尺度蒸散发数据以及预测时期MODIS空间尺度蒸散发，共同生成预测时期的Landsat空间尺度蒸散发。最终预测时期蒸散发的计算式为

ET(xw/2,yw/2,tp)=TmETm(xw/2,yw/2,tp)+

TnETn(xw/2,yw/2,tp)

(3)

ETk(xw/2,yw/2,tp)=ETL(xw/2,yw/2,tk)+

(k=m,n)

(4)

其中

(5)

Di=(1-Ri)di

(6)

(7)

式中ET——最终预测时期的高分辨率蒸散发

tp——预测影像时期

ETm——Tm时期预测的高分辨率蒸散发

ETn——Tn时期预测的高分辨率蒸散发

ETL——Landsat蒸散发

ETM——MODIS蒸散发

ETk——Tk时期预测的高分辨率蒸散发

(xw/2,yw/2)——中心像元位置

(xi,yi)——第i个相似像元位置

N′——相似像元的个数

Wi——综合权重因子

Vi——转换系数di——距离权重

Ri——光谱相似权重

w——相似像元搜索窗口，取12个MODIS像元(50个Landsat 像元)大小范围

Tm、Tn时期的时间权重因子Tk表达式为

Tk=

(k=m,n)

(8)

具体计算过程参照文献[4]。

1.5 地面点蒸散发数据

为评价ESTARFM融合算法在蒸散发数据中的应用，地面蒸散发数据采用文献[21]中根区水量平衡模型得出，该模型同时考虑了地下水渗漏和补给量对蒸散发的影响。根区水量平衡表达式为

Wi=Wi-1-(Pi-ROi)-Ii-GRi+ETi+DPi

(9)

式中Wi——第i天根区土壤储水量Wi-1——第i-1天根区土壤储水量Pi——第i天降水量ROi——第i天地表径流量Ii——第i天灌溉量GRi——第i天地下水补给量ETi——第i天土壤蒸散发量DPi——第i天根层渗漏量

地下水补给量GR和渗漏量DP计算公式分别为

GR=

(10)

DP=Wi-Wi+1(Wi>WFC,Wi=atb)

(11)

其中

(12)

(13)

(14)

(15)

式中CRmax——根区底部最大向上通量Dw——地下水埋深，mDwc——地下水临界埋深ETp——作物潜在腾发量Wa——土壤实际储水量b——衰减系数Wc——根层临界储水量Ws——根层稳定储水量WFC——根层田间持水量根层实际土壤储水量

a——土壤储水分量，介于田间持水量和饱和含水率之间

t——灌溉、降水后储水量大于田间储水能力的天数

a1、a2、a3、a4、b1、b2、b3、b4参数值见表2。详细计算过程见文献[21]。

表2 地下水补给计算采用的参数

2 结果与分析

2.1 蒸散发融合结果验证

2.1.1 点尺度验证

图3 不同作物水量平衡和融合蒸散发对比Fig.3 Comparison of evapotranspiration from water balance and data fusion

图2为玉米、小麦和向日葵融合后的蒸散发与水量平衡蒸散发生育期内变化过程，两者变化过程较吻合，其中小麦耗水峰值出现在6月中下旬—7月初，玉米和向日葵峰值出现在7月份。由图3散点图可以看出，不同作物生育期蒸散发与地面点数据散点分布于1∶1线两侧，玉米、小麦和向日葵的决定系数R2分别达到了0.85、0.79和0.82；生育期内，玉米(5—10月份)、小麦(4—7月份)和向日葵(6—10月份)融合和水量平衡计算的蒸散发的均方根误差RMSE均不高于0.70 mm/d，平均绝对误差MAD均不高于0.75 mm/d，相对误差RE均不高于16%。基于ESTARFM融合算法生成的高分辨率ET结果可靠，在点尺度上具有较好的融合精度。

图2 不同作物蒸散发变化过程的水量平衡和融合结果对比Fig.2 Comparison of evapotranspiration processes from water balance and data fusion

2.1.2 融合蒸散发总量验证

对区域农田融合蒸散发总量的验证采用YANG等[18]区域水量平衡计算方法，其中灌排数据和地下水数据来源于河套灌区解放闸灌域。图4为两者相关性分析结果，其散点均匀分布在1∶1线两侧，两者决定系数R2达到了0.64，说明两者一致性较好。

图4 区域水量平衡蒸散发与融合蒸散发总量对比Fig.4 Comparison of total evapotranspiration from water balance and data fusion

2.1.3 融合结果与Landsat 蒸散发空间对比

通过ESTARFM算法分别对多年Landsat和MODIS 蒸散发(2000、2002、2005、2008、2010、2014、2015年)进行融合。受篇幅限制，文中选取2015年7月23日、8月24日和9月1日研究区域融合结果(400像元×400像元)进行评价和分析，原有Landsat 蒸散发和融合蒸散发影像见图5。融合蒸散发所用影像按照时间就近原则，根据2015年研究区域过境Landsat和MODIS 影像质量和有无云覆盖情况，7月23日融合结果由Landsat 6月5日、

8月24日蒸散发和MODIS 6月5日、7月23日、8月24日蒸散发5景影像共同预测生成；8月24日融合结果由Landsat 7月23日、9月1日蒸散发和MODIS 7月23日、8月24日和9月1日蒸散发共同预测生成；9月1日融合结果由Landsat 8月24日、9月25日蒸散发和MODIS 8月24日、9月1日和9月25日蒸散发共同预测生成。

从图5可以看出，融合结果的空间差异性和分布与Landsat 蒸散发影像一致，在30 m尺度上能够反映出空间差异，其中高灰度代表高蒸散发值，表明该区域植被覆盖较密；低灰度代表低蒸散发值，表明该区域为裸地或稀疏植被覆盖，如城镇、乡村等区域。同时可以看出，在地物交汇处的预测结果局部出现模糊现象，这是由于地物类型混杂，下垫面破碎程度高，导致融合结果质量下降。

图5 Landsat 蒸散发与融合蒸散发影像Fig.5 Images of evapotranspiration from Landsat and fusion

图6为融合结果与Landsat 蒸散发相关性，其散点分布在1∶1线附近，7月23日、8月24日和9月1日相关系数r分别达到0.85、0.81和0.77。由图7知，7月23日蒸散发差值均值μ和标准偏差σ分别为0.24 mm和0.81 mm；8月24日蒸散发差值均值μ和标准偏差σ分别为0.19 mm和0.72 mm；9月1日蒸散发差值均值μ和标准偏差σ分为0.22 mm和0.61 mm。总体上看，融合结果良好。

2.2 融合蒸散发在农田耗水中的应用

2.2.1 基于融合的主要作物耗水量差异

研究区域种植结构的提取同样采用融合方法对MODIS归一化植被指数进行降尺度，根据植被参数时间序列的差异，获取田块尺度植被信息[22]。在此基础上，对不同作物年际耗水量进行提取。为更好区别不同作物耗水量之间的差异，将整个研究时段按照不同作物生育阶段分为生育期和非生育期。表3为不同作物生育期和非生育期年际耗水量变化，可以看出不同作物生育期和非生育期年均耗水量差别较大。生育期内套种(4—10月份)耗水量最大，达到637 mm，玉米(5—10月份)和向日葵(6—10月份)次之，分别为598 mm和502 mm，小麦(4—7月份)最低为412 mm。非生育期内，小麦(8—10月份)耗水量最大，年均达到214 mm，玉米(4月份)和向日葵(4—5月份)分别为42 mm和128 mm。但4—10月份作物多年平均耗水量差异较小。

图6 Landsat 与融合蒸散发相关性Fig.6 Correlation of evapotranspiration from Landsat and fusion

图7 Landsat 与融合蒸散发差值分布曲线Fig.7 Distribution curves of evapotranspiration difference from Landsat and fusion

Tab.3 Interannual variation of water consumption for different crops during growth and non-growth periods mm

年份生育期非生育期4—10月份小麦玉米向日葵套种小麦玉米向日葵套种小麦玉米向日葵套种2000427630527647219321290646662656647200240060849662322134116062164261262320054266045056402114013506376446406402008377541457576201431190578584576576201041362151964119727114061064863364120144076024956572366115506436636506572015431579512675212551250643634637675平均值412598502637214421280625640629637

2.2.2 基于融合的作物耗水总量变化

表4为不同作物4—10月份耗水量占比年际变化，其中玉米耗水量逐年上升，由2000年的6%(0.54亿m3)上升到2015年的31%(2.79亿m3)；向日葵耗水量由下降变为上升趋势，由2000年的17%(1.53亿m3)增至2015年的28%(2.58亿m3)；近年来，套种模式耗水量急剧减少，由2000年的31%(2.86亿m3)减少到2015年的3%(0.31亿m3)；小麦耗水量占比较小，维持在10%以内；其他作物总耗水量有所减少，由2000年的41%(3.78亿m3)减少到2015年的28%(2.59亿m3)。根据多年作物种植面积[20]可知，作物耗水量年际变化主要由作物种植面积的改变引起。

2.3 讨论

ESTARFM算法可有效对空间地表参数进行降尺度，但由于云雨天气的影响，使得遥感影像序列并非等间隔(Landsat系列)或每日间隔(MODIS)，融合结果的质量不可避免地受到就近影像选择的影响。在时间间隔较长时段内地物发生剧烈变化，如果影像并不能有效捕捉到地物变化特征，则融合结果将会偏离实际情况。

融合算法在窗口内搜索与中心像元相似的像元时，复杂下垫面情况和混合像元的存在使得在选取相似像元时不可避免出现误判现象。如将地表类型进行分类后再融合，均匀下垫面条件下融合结果将会得到改善。

融合结果的优劣除依赖于算法本身参数外，与所融合的数据质量也有很大关系。相对于较低级别的地表特征数据，高级别的地表产品往往需要较多的参数，加大了数据本身质量控制的难易程度。高级产品数据的质量对融合的精度将产生直接的影响。

表4 不同作物耗水量年际变化

3 结论

(1)不同作物融合蒸散发与水量平衡蒸散发变化过程较吻合，玉米、小麦和向日葵决定系数R2分别达到了0.85、0.79和0.82；均方根误差均不高于0.70 mm/d；相对误差均不高于16%。在区域农田耗水总量验证中，融合蒸散发与水量平衡蒸散发相一致，两者决定系数达到了0.64。

(2)融合结果与Landsat 蒸散发在空间纹理信息和空间差异性上一致。7月23日、8月24日和9月1日相关系数分别达到0.85、0.81和0.77。差值均值分别为0.24 mm、0.19 mm和0.22 mm；标准偏差分别为0.81 mm、0.72 mm和0.61 mm，融合结果良好。

(3)ESTARFM融合算法在农田耗水空间降尺度得到较好的应用，可有效区分不同作物耗水量之间的差异。在各作物不同生育期和非生育期内，作物耗水量差异明显，但由于4—10月份不同作物平均耗水量差异不大，其年际耗水总量主要随不同作物种植面积的改变而变化。

1 GOWDA P H, CHAVEZ J L, COLAIZZI P D, et al. ET mapping for agricultural water management: present status and challenges [J]. Irrigation Science, 2008, 26(3): 223-237.

2 LEI H M, YAND D W. Interannual and seasonal variability in evapotranspiration and energy partitioning over an irrigated cropland in the North China Plain [J]. Agricultural and Forest Meteorology, 2010, 150(4): 581-589.

3 尚松浩，蒋磊，杨雨亭. 基于遥感的农业用水效率评价方法研究进展[J/OL]. 农业机械学报，2015，46(10)：81-92. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20151013&flag=1. DOI:10.6041/j.issn.1000-1298.2015.10.013. SHANG Songhao, Jiang Lei, YANG Yuting. Review of remote sensing-based assessment method for irrigation and crop water use efficiency[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(10):81-92. (in Chinese)

4 ZHU X L, CHEN J, GAO F, et al. An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions [J]．Remote Sensing of Environment, 2010, 114(11)：2610-2623．

5 CARPER W J, LILLES T M, KIEFER R W．The use of intensity-hue-saturation transformations for merging SPOT panchromatic and multispectral image data [J]．Photogrammetric Engineering and Remote Sensing, 1990, 56(4)：459-467．

6 SHETTIGARA V K. A generalized component substitution technique for spatial enhancement of multispectral images using a higher resolution data set [J]．Photogrammetric Engineering and Remote Sensing, 1992, 58(5)：561-567．

7 YOCKY D A．Multiresolution wavelet decomposition image merger of Landsat Thematic Mapper and SPOT panchromatic data [J]．Photogrammetric Engineering and Remote Sensing, 1996, 62(9)：1067-1074．

8 GAO F, MASEK J, SCHWALLER M, et al．On the blending of the Landsat and MODIS surface reflectance: predicting daily Landsat surface reflectance [J]．IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(8)：2207-2218．

9 CAMMALLERI C, ANDERSON M C, GAO F, et al. A data fusion approach for mapping daily evapotranspiration at field scale [J]. Water Resource Research, 2013, 49(1): 1-15.

10 CAMMALLERI C, ANDERSON M C, GAO F, et al. Mapping daily evapotranspiration at field scales over rainfed and irrigated agricultural areas using remote sensing data fusion [J]. Agricultural and Forest Meteorology, 2014, 186: 1-11.

11 HIKER T, WULDER M A, COOPS N C, et al．A new data fusion model for high spatial- and temporal-resolution mapping of forest based on Landsat and MODIS [J]. Remote Sensing of Environment, 2009, 113(8):1613-1627．

12 ROY D P, JU J, LEWIS P, et al．Muti-temporal MODIS-Landsat data fusion for relative radiometric normalization, gap filling, and prediction of Landsat data [J]. Remote Sensing of Environment, 2008, 112(6)：3112-3130．

13 屈忠义, 杨晓, 黄永江．内蒙古河套灌区节水工程改造效果分析与评估[J/OL]．农业机械学报, 2015, 46(4)：70-76．http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20150412&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2015.04.012. QU Zhongyi, YANG Xiao, HUANG Yongjiang．Analysis and assessment of water-saving project of Hetao irrigation district in Inner Mongolia [J/OL]．Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(4): 70-76. (in Chinese)

14 SU Z. The surface energy balance system (SEBS) for estimation of turbulent heat fluxes [J]. Hydrology and Earth System Sciences, 2002, 6(1): 85-99.

15 张娜，屈忠义，杨晓，等. 贝叶斯模型在土壤转换函数中的应用与适应性评价[J/OL]. 农业机械学报，2014，45(2)：149-155. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20140225&flag=1. DOI:10.6041/j.issn.1000-1298.2014.02.025. ZHANG Na, QU Zhongyi, YANG Xiao, et al. Application and adaptability evaluation of Bayesian model in soil transfer functions [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(2): 149-155. (in Chinese)

16 茌伟伟．基于分布式水温模型的灌区用水效率评价[D]．北京：中国水利水电科学研究院, 2013． CHI Weiwei．Water use performance for irrigation area based on distributed hydrological model [D]．Beijing: China Institute of Water Resource and Hydropower Research, 2013. (in Chinese)

17 蔡甲冰，刘钰，白亮亮，等. 低功耗经济型区域墒情实时监测系[J]. 农业工程学报，2015,31(20)：88-94. CAI Jiabing, LIU Yu, BAI Liangliang, et al. Low-cost and low-power dissipation system to monitor soil water status inreal time for areal irrigation management [J]. Transactions of the CSAE, 2015, 31(20): 88-94. (in Chinese)

18 YANG Y T, SHANG S H, JIANG L．Remote sensing temporal and spatial patterns of evapotranspiration and the responses to water management in a large irrigation district of North China [J]．Agricultural and Forest Meteorology, 2012, 164：112-122.

19 BRUTSAERT W. On a derivable formula for long-wave radiation from clear skies [J]. Water Resources Research, 1975, 11(5): 742-744.

20 CHOUDHURY B J, MONTEITH J L. A four-layers model for the heat budget of homogeneous land surfaces [J]. Quarterly Journal of the Royal Meteorological Society, 1988, 114(480): 373-398.

21 LIU Y, PEREIRA L S, FEMANDO R M. Fluxes through the bottom boundary of the root zone in silty soils: parametric approaches to estimate groundwater contribution and percolation [J]. Agricultural Water Management, 2006, 84(1-2): 27-40.

22 白亮亮，蔡甲冰，刘钰，等. 灌区种植结构时空变化及其与地下水相关性分析[J/OL]. 农业机械学报，2015，47(9)：202-211. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160929&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2016.09.029. BAI Liangliang, CAI Jiabing, LIU Yu, et al. Temporal and spatial variation of crop planting structure and its correlation analysis with groundwater in large irrigation area [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(9): 202-211. (in Chinese)

Spatial Downscaling of Evapotranspiration in Large Irrigation Area Based on Data Fusion Algorithm

BAI Liangliang1CAI Jiabing1,2LIU Yu1,2CHEN He1,2ZHANG Baozhong1,2HUANG Lingxu1,2

(1.StateKeyLaboratoryofSimulationandRegulationofWaterCycleinRiverBasin,ChinaInstituteofWaterResourcesandHydropowerResearch,Beijing100038,China2.NationalCenterforEfficientIrrigationEngineeringandTechnologyResearch-Beijing,Beijing100048，China)

In order to construct the high spatial-temporal dataset of evapotranspiration (ET), the Landsat and MODIS data were used to achieve spatial downscaling ofETby using the enhanced spatial and temporal adaptive reflectance fusion model (ESTARFM). The result of data fusion was evaluated by fieldEToutput from root zone water balance model. According to crop planting structure information from 2000 to 2015 in the study area, the water consumption of different crops was exacted during their growth and non-growth periods. Based on the fusionET, the interannual variation of total agricultural water consumption was analyzed since the implement of water-saving project in large irrigation district. The result showed that the process of fusionETwas more consistent withEToutput from water balance. In the correlation analysis of water balance and fusionET, the determination coefficients (R2) of maize, wheat and sunflower reached 0.85, 0.79 and 0.82, respectively. During the growth period, the root mean square errors (RMSE) of maize (May to October), wheat (April to October) and sunflower (June to October) were lower than 0.70 mm/d, the mean absolute error (MAD) was all lower than 0.75 mm/d, and the relative error (RE) was all less than 16%. On the spatial scale, the spatial characteristics of fusion results were consistent with the LandsatET. The correlation coefficients of July 23, August 24 and September 1 reached 0.85, 0.81 and 0.77, the mean values of the differences were 0.24 mm, 0.19 mm and 0.22 mm, and the standard deviations were 0.81 mm, 0.72 mm and 0.61 mm, respectively. The high resolutionETbased on ESTARFM fusion algorithm was reliable and had good fusion precision. The water consumption of different crops varied greatly both in the growth period and non-growth period. During the growth period, the maximum water consumption was 637 mm for interplanting (April to October), followed by maize and sunflower, which were 598 mm (May to October) and 502 mm (June to October), respectively, the minimum water consumption of wheat was 412 mm (April to July). During the non-growth period, wheat (August to October) had the highest water consumption with an annual average of 214 mm, and those of maize (April) and sunflower (April to May) were 42 mm and 128 mm, respectively. Due to the difference of average annual water consumption of different crops was not significant during April to October, the variation of total water consumption for different crops was varied with the changes of crop acreage.

remote sensing; data fusion; evapotranspiration; surface energy balance model; enhanced spatial and temporal adaptive reflectance fusion model; Hetao irrigation district

10.6041/j.issn.1000-1298.2017.04.028

2017-01-07

2017-02-06

“十二五”国家科技支撑计划项目(2012BAD08B01)、国家自然科学基金项目(51679254)和国家重点研发计划项目(2016YFC0400101)

白亮亮(1986—)，男，博士生，主要从事农业遥感及灌溉管理研究，E-mail: bll306@126.com

蔡甲冰(1976—)，女，教授级高级工程师，博士，主要从事节水灌溉理论与技术研究，E-mail: caijb@iwhr.com

S127

A

1000-1298(2017)04-0215-09