基于Sentinel-2数据的PT-JPL蒸散模型所采用的动态OPTRAM土壤含水量约束方法,已在不同土地覆盖类型和气候条件下得到验证

《Agricultural and Forest Meteorology》:A dynamic OPTRAM soil moisture constraint for PT-JPL evapotranspiration from Sentinel-2 validated across land covers and climates

【字体: 大 中 小 】 时间:2026年07月22日 来源:Agricultural and Forest Meteorology 6.6

编辑推荐:

  摘要:在高空间分辨率下准确估算蒸散量对于理解生态系统中的细微水分与能量交换至关重要,而土壤湿度对土壤蒸发具有强烈的、随空间变化的调控作用。普里斯特利-泰勒喷气推进实验室模型被广泛用于蒸散量监测,但由于该模型依赖相对湿度和水汽压差来约束土壤蒸发,在土壤湿度与大气湿度脱钩的细微尺度情

  摘要:在高空间分辨率下准确估算蒸散量对于理解生态系统中的细微水分与能量交换至关重要,而土壤湿度对土壤蒸发具有强烈的、随空间变化的调控作用。普里斯特利-泰勒喷气推进实验室模型被广泛用于蒸散量监测,但由于该模型依赖相对湿度和水汽压差来约束土壤蒸发,在土壤湿度与大气湿度脱钩的细微尺度情况下可能无法准确反映实际状况。为解决这一问题,我们引入了基于光学梯形模型的土壤湿度约束机制。由于传统光学梯形模型在应用时面临边缘几何形状、参数化策略以及表面异质性带来的不确定性,我们开发了时空聚合回归算法,该算法仅利用Sentinel-2卫星的光谱特征来调整各场景的梯形边缘,从而为普里斯特利-泰勒模型提供自动化的土壤湿度约束。在涵盖多种气候和地表类型的78个观测点上,与静态STAR方案相比,SDAR算法提供了更为稳定且可迁移的土壤湿度约束:其R2值提升了7%,均方根误差降低了6.27%,偏差则减少了71%。SDAR算法对边缘形状的敏感性较低,仅需线性边缘即可,且在约5公里范围的感兴趣区域内能保持较高精度,超出此范围后其对边缘形状和区域大小的敏感性会显著下降。在植被稀少的地表上,SDAR的优势更为明显,这表明其可迁移性主要取决于地表特性而非气候条件。将PT-OPTRAM-SDAR模型与普里斯特利-泰勒模型以及五种基于短波红外的约束方法进行对比测试后发现,相较于普里斯特利-泰勒模型和最佳的短波红外约束方法,该模型可使蒸散量估算的偏差分别降低77.7%和66.4%,同时使均方根误差降低9%,R2值则提升10.3%,达到最佳短波红外约束方法的水平。这些研究结果表明,结合具体情境的土壤湿度信息能够提升普里斯特利-泰勒模型的性能,同时也表明PT-OPTRAM-SDAR是一种在物理层面合理、具备尺度适应性、且只需少量输入即可实现高精度10米级蒸散量测量的框架。

引言:蒸散量是水从陆地表面返回大气的主要途径,它使得超过60%的降水得以循环利用,同时消耗了地表几乎一半的净辐射能量(Oki和Kanae,2006;Roderick等人,2014;Trenberth等人,2009;Wild等人,2015)。因此,蒸散量是调控水循环与能量循环的关键因素,影响着诸多地球系统过程,这些过程将极端气候现象与生态系统功能及水文动态紧密相连(Condon等人,2020;Qiao等人,2023;Zhao等人,2022)。由于涉及生物过程与物理过程的相互作用,蒸散量对于理解变化中的陆地-大气反馈机制具有重要意义(Yang等人,2023;Zhou和Yu,2025)。随着地球观测技术的进步,如今可以利用Sentinel-2和Landsat等传感器以高时空分辨率监测蒸散量(Grich等人,2026;Jaafar等人,2022)。这些传感器所提供的详细数据有助于揭示那些在较低分辨率下难以察觉的地表特性如何影响更宏观层面的水文循环过程。因此在需要制定灌溉计划和做出管理决策的实地尺度上,量化蒸散量显得尤为重要(Ouassanouan等人,2026)。要做到这一点,就需要开发出既具备物理合理性,又在输入要求方面较为简单的模型。这类模型必须确保在高分辨率条件下,蒸散量估算结果能够在不同传感器及不同环境条件下保持一致性。科学界越来越关注这类模型,因为它们有助于更细致地研究地表与大气的相互作用,还能更好地描述极端天气状况(Chen和Liu,2020;Huang等人,2025;Jiao等人,2021;Oussaoui等人,2026、2025)。其中,普里斯特利-泰勒喷气推进实验室模型便是一种符合这些要求的简洁模型。Fisher等人(2008)将Priestley和Taylor(1972)提出的潜在蒸散量公式转化为实际蒸散量估算值,他们通过引入体现冠层和土壤湿度控制的生态生理学约束,再结合反映水分可用性、大气需求以及植被状况的应力函数,对蒸散量各组分进行计算。普里斯特利-泰勒模型提供了一个简单却又基于物理原理的框架,能够适应不同的生态系统。大量研究表明,该模型可用于从局部到全球尺度的蒸散量模拟(Chen等人,2014;Ershadi等人,2014;Goodwell等人,2025;Liang等人,2022;H. Liu等人,2023;McCabe等人,2016;Michel等人,2016;Miralles等人,2016;Vinukollu等人,2011;Wu等人,2022),还可将蒸散量分解为蒸发和蒸腾两部分(Bai,2023;Cao等人,2022;Jiang等人,2022;Yuan等人,2024)。由于该模型所需的输入参数较少,且能够完全依靠遥感数据驱动,因此被广泛应用于各种基于地球观测的技术中,比如干旱监测(Lan和Yan,2024)、灌溉用水量估算与用水效率分析(Elfarkh等人,2023;Zhang等人,2022),以及评估蒸散量对气候和地表变化的反应(Li等人,2022;Y. Liu等人,2023b;Shao等人,2021;L. Zhang等人,2023)。由于其性能始终得到验证,普里斯特利-泰勒模型得到了全球认可,并被应用于ECOSTRESS(Fisher等人,2020)和Open ET(Melton等人,2022)等重要的蒸散量研究项目中。然而,尽管该模型表现良好,但它仍对约束条件的设定较为敏感,尤其是土壤湿度的表示方式,在更精细的空间和时间尺度上存在较高的不确定性(Talsma等人,2018)。因此,开发该模型的改进版本已成为众多研究的重点。普里斯特利-泰勒模型最初的土壤湿度约束是基于地表-大气平衡原理建立的,在较大尺度上对平流效应可以忽略,因此可以使用大气参数作为土壤湿度的替代指标。但这一假设在更高空间分辨率和更短时间尺度上(如每日估算)并不成立(Zhang等人,2021)。这一问题促使许多研究者尝试开发其他替代性的土壤湿度约束方法。早期的研究试图利用表观热惯性作为土壤湿度的替代指标,其理论依据是土壤中的水分含量决定了土壤的热量散发情况,而地表的热学特性则能够间接反映土壤湿度状况(Verstraeten等人,2006)。基于这一理念,García等人(2013)和Yao等人(2013)利用热数据来约束土壤蒸发,在水资源匮乏和雨养农业地区,其效果优于最初的Fisher公式(Fisher等人,2008)。而在灌溉地区,实测的土壤湿度数据则比基于表观热惯性的约束方法和基于相对湿度的约束方法表现更好。后来,人们开始利用微波观测技术,因其能够探测表层土壤湿度。例如,SMAP数据被用来建立一种新的约束条件,从而得到更准确的全球蒸散量估算结果(Purdy等人,2018)。还有些研究,如Jiang等人(2024)提出,可以将土壤湿度约束表示为大气、辐射和地表变量的函数。鉴于这些关系十分复杂,有些研究采用机器学习方法来估算这一约束值,其效果优于传统模型。由于某些方法对土壤湿度较为敏感,还有一些研究着眼于短波红外指数。例如,Yao等人(2018)利用MODIS提供的地表水分指数来同时约束土壤蒸发和冠层蒸腾。Marshall等人(2020)在美国的十个农业试验点上,比较了地表水分指数、归一化差异水分指数以及新开发的土壤湿度散度指数与基于表观热惯性约束方法的效果。他们的研究结果表明,在灌溉田地里,土壤湿度散度指数和地表水分指数的表现最为优异。同样,Zhang等人(2021)在全球范围内对普里斯特利-泰勒模型进行了评估,他们使用了五种短波红外指数、MODIS数据提供的表观热惯性以及ESA CCI微波土壤湿度数据作为土壤湿度约束条件,与传统的基于相对湿度的约束方法进行了比较,比较对象涵盖了全球31个农田和草地区域。他们的研究结果显示,在灌溉农田中,基于短波红外的约束方法更具优势,而在草地中,基于微波的约束方法表现更好。不过,上述大多数研究都依赖于低分辨率的卫星数据。Elfarkh等人(2023)在Sentinel-2的分辨率下,将Zhang等人(2021)提出的基于短波红外的约束方法应用于一个灌溉橄榄园,发现不同指数之间的性能差异很大。虽然MSAVI和VSDI取得了较为合理的精度,但NDWI、LSWI和SMDI与实测的蒸散量数据之间的吻合度却很差。这些发现引发了诸多问题,即基于短波红外的约束方法是否能够生成高精度(10–30米)的蒸散量估算结果,以及其在不同地表类型和环境条件下的可迁移性如何。此外,据我们所知,还没有任何研究评估过这些方法在非农业和草地生态系统之外的性能。这些局限性凸显出需要寻找其他方法,利用在各种环境条件下都能保持稳定性的土壤湿度替代指标,从而在高空间分辨率的前提下实现高精度的土壤蒸发量估算。在各类基于短波红外的土壤湿度指标中,光学梯形模型被认为是一种极具潜力的高分辨率应用替代方案。该模型能够从短波红外变换反射率与植被指数所构成的特征空间中,得出具有情境意义的土壤湿度替代指标(Sadeghi等人,2017),其纯光学的设计方式克服了热传感器的重访限制,使得基于Sentinel-2等卫星平台也能获得10–20米的精度估算结果。大量研究表明,光学梯形模型能够在多种地表类型和气候条件下,提供较为准确的近地表土壤湿度估算值(Babaeian等人,2018;Chen等人,2020;Das等人,2023;Ma等人,2022;Mohamadzadeh,2025;Wang等人,2024)。其较强的稳定性使其可应用于多种领域,包括灌溉区域测绘(Longo-Minnolo等人,2022;López-Pérez等人,2024;Yao等人,2022)、地下水位监测(Burdun等人,2020;R?s?nen等人,2022)、对微波土壤湿度产品及低分辨率热数据的降尺度处理(Faraji等人,2024;Wang等人,2026;Zhong等人,2024),以及根区土壤湿度估算(Eshetie等人,2026;Noory等人,2025)。光学梯形模型具备较高的精度、较少的输入要求以及良好的空间扩展性,因此非常适合作为在高分辨率下约束普里斯特利-泰勒模型中土壤蒸发分量的工具。然而,尽管具有巨大潜力,将该模型整合到基于过程的蒸散量模型中尚未有相关研究,而且还存在一些方法上的不确定性。其中一个核心问题在于该模型中干燥边缘和湿润边缘的几何形状,以及是否应将其表示为线性函数或曲线函数,才能准确反映短波红外反射率与植被指数之间的关系(Ambrosone等人,2020;Hassanpour等人,2020;Sadeghi等人,2017)。边缘参数化的方法也多种多样,既有手动绘制的办法(Babaeian等人,2018;Chen等人,2020;Sadeghi等人,2017;Zhong等人,2024),也有通过地面实测数据进行优化的方法(Mokhtari等人,2023;Noory等人,2025),还有自动提取的方法(Alavi等人,2025;Burdun等人,2023;Dong等人,2026;Yao等人,2024)。但目前尚不清楚这些方法是否能始终反映具有物理意义的土壤湿度极值。此外,作为一种情境模型,光学梯形模型本质上会对所选感兴趣区域内的空间异质性十分敏感,这一问题在类似情境模型研究中也曾被提及(Barguache等人,2025;Tian等人,2013)。这也引发了更多疑问,即感兴趣区域的大小如何影响梯形结构的形成,以及当光学梯形模型被用作土壤湿度约束条件时,这类敏感性又会如何影响蒸散量的估算结果。综上所述,这些不确定性都表明,在将光学梯形模型可靠地整合到普里斯特利-泰勒模型框架之前,有必要对其各种配置进行系统性的评估。目前,将光学梯形模型整合到蒸散量估算中主要有两种思路。第一种思路是将光学梯形模型视为一种单一来源的蒸散量估算方法。Mokhtari等人(2023)提出了OPTRAM-ET模型,他们用光学梯形模型替代了基于热数据的梯形概念(Tang等人,2010),将该模型作为与普里斯特利-泰勒公式相结合的湿度指标,并利用实测数据来校准模型中的边缘参数。Yao等人(2024)进一步实现了该模型的自动化,他们通过时空聚合回归算法提出了A_OPTRAM-ET模型,该算法能够在多幅叠加图像上固定一组边缘参数,并在不同环境条件和传感器下进行扩展验证。这两种模型的区别仅在于边缘参数化的方法不同,但它们都避免了对土壤与冠层的明确区分,也无法分别体现控制土壤蒸发和冠层蒸腾的不同因素。相比之下,另一种思路则是保留基于过程的模型结构,将光学梯形模型作为湿度约束条件嵌入到双源蒸散量模型中,在这种模型中,蒸散量的各个分量由不同的应力项和阻力项独立调控。D’Urso等人(2021年)和Bhattarai等人(2022年)将OPTRAM纳入Shuttleworth–Wallace模型的阻力项中。Liu等人(2026年)在美国农田的改进版Priestley–Taylor框架中引入了基于STR的土壤湿度约束,他们根据季节性观测极值对STR进行重新标定,而未构建完整的梯形概念。这些整合证明了OPTRAM作为过程模型中土壤湿度替代指标的价值,但关键问题在于如何使其在广泛使用的PT-JPL框架中适用于不同的生物群落和气候条件。本研究旨在在PT-JPL模型中开发基于OPTRAM的土壤湿度约束,从而得到一种改进后的模型——PT-OPTRAM。针对先前提出的局限性,我们研究了OPTRAM的配置如何影响其作为PT-JPL框架中可靠土壤湿度替代指标的能力。为此,我们探讨了用线性、二次和三次多项式曲线表示的干湿边缘形状如何影响OPTRAM土壤湿度约束及其在蒸发量反演中的应用。为了解决边缘检测问题,我们提出了一种动态自动化方案,并将其性能与静态方案进行比较,评估不同参数化方式对三种边缘几何形态的响应。此外,我们还通过改变研究区域大小,从200米到20公里不等,来评估PT-OPTRAM对空间尺度的敏感性,并分析在保持固定边缘形状的情况下,不同参数化方案在不同空间环境下的表现。通过这一系统性的评估,我们确定了最优的PT-OPTRAM配置,并在78个涵盖多种土地覆盖类型和气候条件的站点上,将PT-OPTRAM的高分辨率蒸发量估算结果(10米分辨率)与原始PT-JPL模型以及五种基于SWIR的模型进行了对比。我们将动态方案与静态方案在各站点的差异与研究期间的NDVI均值和标准差联系起来,这些数值能够反映植被密度及其时间变化情况,同时还将差异与年平均降水量联系起来,以此评估两种方案在不同植被状态和气候条件下的表现。最后,我们展示了PT-OPTRAM-SDAR在高分辨率蒸发量空间化方面的应用潜力,以及它相较于现有成熟蒸发量产品的优势。

方法论
在本研究中,我们在PT-JPL框架下结合高分辨率光学卫星图像(Sentinel-2)与实地气象测量数据,以10米分辨率估算每日蒸发量(见图1)。遵循PT-JPL模型(Fisher等人,2008年),总蒸发量被分为冠层蒸腾量(ETc)和土壤蒸发量(ETs),二者均以Priestley-Taylor势率的形式表示,并通过介于0和1之间的乘法约束进行限定。蒸腾作用由植被截获的净辐射驱动。

不同边缘形状(线性、二次、三次)对不同研究区域尺度下PT-OPTRAM估算值的影响
在梯形特征空间中,边缘形状的定义仍是一个未解决的问题。原始的OPTRAM模型采用线性边缘,目前尚不清楚引入曲率是否能提升PT-OPTRAM的性能,以及多项式阶数越高是否会有更多益处。为了解决这一问题,我们在STAR和SDAR参数化方案下,针对78个站点以及200米到20公里共28种不同的研究区域规模,分别测试了线性、二次和三次边缘形状,同时量化了RMSE、R2和偏差等指标的变化情况。

边缘形状、检测方案以及景观异质性如何影响PT-OPTRAM的性能?
STAR模型通过时间聚合STR-NDVI模式来确定边缘,其假设是长期综合数据能够代表所有情况(Yao等人,2024年)。然而,这种聚合方式会消除干湿极值的日变化,从而导致两个主要问题。首先,STR会直接反映土壤湿润程度:在降雨或灌溉之后,梯形结构会垂直延伸,使得STAR无法准确定位湿边。其次,NDVI会随着植被物候期发生变化,因此像素会处于狭窄的季节性范围内,而非……

结论
本研究通过将OPTRAM与一种能够捕捉地表辐射条件动态变化的自动、场景特定的边缘检测策略相结合,为PT-JPL模型建立了一种更为精确的土壤湿度约束机制。在涵盖多种土地覆盖类型和气候条件的78个站点上的测试结果表明了一些重要结论:参数化方案是决定PT-OPTRAM行为的主要因素,逐场景拟合边缘的SDAR方案始终优于固定参数的方案。

作者贡献
Abderrahman Liblab:概念设计、数据整理、定量分析、方法论设计、软件开发、模型验证、结果可视化、初稿撰写。Jamal Elfarkh:概念设计、数据整理、定量分析、资金筹集、研究实施、方法论设计、项目管理、资源协调、监督指导、模型验证、结果可视化、文章润色。Nadia Ouaadi:文章润色。Bouchra Ait Hssaine:文章润色。Said Grich:数据整理、软件开发。

利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢
作者感谢遥感应用中心(CRSA)为本研究提供的支持。本研究得到了OCP集团资助的FIRMA项目(授权协议号AS_140)的支持,同时还获得了Aqueduct项目(PRIMA,授权协议号2166)的额外资助。作者衷心感谢摩洛哥UM6P的Toubkal超级计算机(Kissami等人,2025年)所提供的支持和计算资源。此外,我们还要感谢AmeriFlux公司为本研究提供的相关数据支持。

作者名单
Abderrahman Liblab|Jamal Elfarkh|Nadia Ouaadi|Bouchra Ait Hssaine|Said Grich|Jamal Ezzahar|Abdelghani Chehbouni

遥感应用中心(CRSA),穆罕默德六世理工大学(UM6P),贝恩盖里尔,43150,摩洛哥
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号