根据辐射温度和环境天气预测地表比湿以用于蒸散模型：来自南澳大利亚野外观测站的启示

《Agricultural and Forest Meteorology》：Predicting land-surface specific humidity from radiative temperature and ambient weather for evapotranspiration modelling: Lessons from South Australian field sites

地表比湿的Tr-Weather方法及其在MEP蒸散模型中的应用研究。通过整合地表辐射温度与气象站数据，提出基于辐射温度与气象条件的经验模型，在澳大利亚五个不同植被和地形站点验证。结果显示该方法在下午早些时候（12-15时）性能最佳，夏季和秋季R2达0.96，显著优于传统气象站数据替代方法，能有效捕捉地表-大气相互作用，提升MEP模型在复杂环境下的精度，为无人机与卫星数据融合应用提供新思路。

　　土地表面比湿（land-surface specific humidity）在使用最大熵生产（Maximum Entropy Production, MEP）方法估算蒸散发（evapotranspiration, ET）时起着至关重要的作用。然而，获取与土地表面实际条件相关的比湿数据，尤其是具有空间变化特征的比湿数据，往往面临较大的挑战。为了解决这一问题，本文提出了一种新的经验方法，称为Tr-Weather方法，通过结合地表辐射温度和周围气象变量，用于估算土地表面比湿。该方法在南澳大利亚的五个不同植被覆盖和地形特征的站点进行了测试，结果显示，Tr-Weather方法在下午早期时段表现最佳，并且其性能在不同季节和地形条件下存在显著差异。

土地表面比湿反映了土壤表面或裸露土壤与短植被混合区域的湿度状况，是模拟地表能量分配、土壤蒸发以及短植被蒸腾等关键过程的重要变量。MEP方法基于非平衡热力学原理，提供了一种创新的表面能量通量建模方式。与传统的物理或经验方法相比，MEP方法不需要复杂的植被或土壤参数化过程，仅需三个环境变量（即比湿、地表温度和净辐射）即可实现可靠的蒸散发模拟。在许多研究中，MEP方法估算的蒸散发值与涡旋协方差系统观测值非常接近，证明了其可行性与准确性。然而，土地表面比湿通常不是常规气象站所监测的变量，且由于地表异质性，其值可能受到局部因素如地表能量平衡、植被覆盖、土壤湿度、地形以及湍流混合的影响。因此，如何准确获取土地表面比湿，成为MEP方法在不同地表条件下的关键问题。

为了估算土地表面比湿，本文提出Tr-Weather方法，即通过地表辐射温度和周围气象条件的差异来推算土地表面比湿。这种方法特别适用于那些缺乏直接测量土地表面比湿数据的区域，利用无人机采集的高分辨率地表辐射温度数据和气象站提供的环境数据进行融合，从而预测土地表面比湿的空间分布。测试结果表明，Tr-Weather方法在空间预测中表现出很高的准确性，R2值达到0.96，说明其在捕捉土地表面比湿的微小变化方面具有显著优势。此外，该方法在不同植被类型和地形条件下表现稳定，尤其在晴朗天气条件下，其预测结果优于直接使用附近气象站比湿数据的方法。

在研究过程中，选取了南澳大利亚的五个监测站点，这些站点具有不同的植被覆盖和地形特征。其中，三个位于Bookpurnong，处于半干旱气候区，而另外两个位于Mount Wilson，属于地中海气候区。这些站点分别代表了不同地形（如北向和南向坡面）和植被类型（如短植被、灌木、高植被等）。研究发现，土地表面比湿在一天中存在显著的变化，通常在下午早期达到最大值。这与地表能量平衡和辐射条件密切相关，特别是短植被和高植被覆盖的区域，其比湿变化更为显著。同时，研究还发现，地表比湿的预测性能在不同季节存在差异，夏季和秋季的预测效果较好，而冬季和春季则相对较弱。这种季节性差异可能与地表与大气之间的耦合强度有关，例如夏季和秋季较强的短波辐射和较干燥的条件，使得地表比湿的变化更为稳定和线性。

为了评估Tr-Weather方法的性能，研究采用了多种统计指标，如R2值、纳什效率系数（NSE）等，对不同时间段的预测结果进行了分析。结果显示，Tr-Weather方法在不同时间段的预测能力存在显著差异，下午早期的预测效果最佳，这与地表能量和气象条件的稳定性有关。此外，研究还发现，某些特定站点（如SF和HN）在下午早期表现出最佳的预测性能，而其他站点（如BF、HF和HS）则在秋季和冬季的下午晚期表现更好。这些结果表明，Tr-Weather方法在不同地表条件下具有较强的适应性，但其预测性能可能受到地形和植被覆盖的影响。

在应用Tr-Weather方法进行MEP蒸散发模拟时，研究发现该方法在晴朗天气条件下显著优于使用气象站比湿数据的方法。在晴朗天气下，土地表面比湿的变化更为剧烈，而常规气象站的比湿数据往往无法准确反映这些变化，导致MEP模型低估蒸散发。相比之下，Tr-Weather方法通过整合地表辐射温度和周围气象数据，能够更准确地捕捉到土地表面比湿的变化趋势，从而提高蒸散发估算的准确性。研究还通过无人机获取的高分辨率地表温度数据和气象站的环境数据进行验证，发现Tr-Weather方法在空间预测中表现优异，能够有效反映土地表面比湿的微小差异。

此外，研究还发现，Tr-Weather方法在不同季节和地形条件下的适用性存在差异。例如，在北向坡面（HN）站点，冬季的预测效果较好，而南向坡面（HS）站点则在夏季和秋季表现出更强的预测能力。这表明，土地表面比湿的预测性能不仅与气象条件有关，还受到地形和植被覆盖的影响。在研究中，使用了多种预测变量，包括当前时刻和前一时刻的气象数据、降水等。这些变量在不同季节和站点中的贡献率存在差异，例如在夏季和秋季，地表温度和短波辐射是影响土地表面比湿的主要因素，而在冬季和春季，这些变量的贡献率较低。

研究还探讨了Tr-Weather方法在不同植被覆盖下的适用性。例如，在短植被覆盖的站点（SF），地表比湿的变化较为平稳，而高植被覆盖的站点（HF和HS）则表现出更大的波动性。这可能与植被对地表能量平衡和湍流混合的影响有关。此外，研究还发现，地形因素对预测性能有显著影响，特别是在地形变化较大的区域，地表比湿的变化更为复杂，预测结果的稳定性可能受到影响。

为了进一步验证Tr-Weather方法的有效性，研究还通过无人机获取的高分辨率地表温度数据和气象站的环境数据，对土地表面比湿的空间分布进行了模拟。结果表明，Tr-Weather方法能够准确反映土地表面比湿的变化趋势，其预测结果与实际观测值高度吻合。同时，研究还考虑了无人机数据可能存在的误差，并通过蒙特卡洛模拟方法对这些误差进行了量化分析，发现误差对预测结果的影响相对较小，说明该方法具有一定的鲁棒性。

综上所述，Tr-Weather方法在估算土地表面比湿方面表现出较高的准确性和适应性，特别是在下午早期和晴朗天气条件下。该方法通过整合无人机获取的地表辐射温度数据和常规气象站的环境数据，为MEP蒸散发模拟提供了可靠的土地表面比湿输入。研究结果表明，Tr-Weather方法不仅适用于小尺度的局部区域，还具有推广到更大区域的潜力。未来的研究应进一步验证该方法在不同气候区和植被类型下的适用性，并探索其与卫星遥感数据的结合，以实现更大范围的土地表面比湿估算。此外，还需要进一步研究如何减少无人机数据可能带来的误差，并优化模型的参数设置，以提高其在不同环境条件下的预测能力。