按需全球Landsat蒸散发产品:开发、评估与传播

《Remote Sensing of Environment》:On-demand global Landsat evapotranspiration product: development, evaluation, and dissemination

【字体: 大 中 小 】 时间:2026年08月31日 来源:Remote Sensing of Environment 12.3

编辑推荐:

  ESPA平台支持获取按需、全球、基于Landsat的蒸散发(ET)产品。通过ESPA,自1982年以来一直使用SSEBop模型生成ET数据。可以快速估算田间尺度的作物消耗性用水量。大量订单反映了全球对这些数据的广泛兴趣和利用。研究展示了实际ET数据的方法、工作

  
ESPA平台支持获取按需、全球、基于Landsat的蒸散发(ET)产品。通过ESPA,自1982年以来一直使用SSEBop模型生成ET数据。可以快速估算田间尺度的作物消耗性用水量。大量订单反映了全球对这些数据的广泛兴趣和利用。研究展示了实际ET数据的方法、工作流程和性能。
**论文解读:基于Landsat的按需全球蒸散发产品——开发、评估与传播**

**研究背景与目标**

量化实际蒸散发(ET)是流域尺度水文与水均衡研究的核心,也是田间尺度土地利用决策(如灌溉时间、水量与空间分布)以及农业水资源管理的关键依据。全球约14%的无冰陆地面积为耕地,其中44%位于干旱地区,提供了世界60%的粮食产量;全球农业灌溉用水约占淡水取用量的70%,2010至2020年间作物耗水量增加了9%。因此,准确可靠的田间尺度实际ET估算对于水资源配置与管理至关重要。

遥感数据的发展极大地推动了空间显式ET的量化,尤其是Landsat计划提供了自1982年以来超过44年的连续中分辨率热红外(TIR)观测,重采样空间分辨率为30 m×30 m,降轨赤道穿越时间约为10:00–10:30 a.m.,成为长期田间尺度ET监测的理想数据源。尽管遥感ET(RSET)产品在农业和水资源管理中具有广阔应用前景,但低认知度、数据产品不一致性以及计算能力不足等因素阻碍了其广泛应用。为高效服务全球潜在用户,美国地质调查局(USGS)地球资源观测与科学(EROS)中心自2020年6月起,利用EROS科学处理架构(ESPA)系统提供全球按需、临时性的ET数据。该产品基于运行化简化地表能量平衡(SSEBop)模型生成。本文的主要目标是:1)展示基于SSEBop模型的Landsat RSET在田间尺度应用的开发、评估与成熟度;2)介绍ESPA系统自1982年以来提供全球历史按需RSET数据的能力;3)论证当前ESPA RSET为全球下一代运行化田间尺度产品提供服务的就绪性、容量与竞争力。

**主要关键技术方法**

本研究使用SSEBop模型(v0.7.1),其将实际ET计算为ET分量(ETf)与参考ET(ETr)的乘积。ETf由遥感数据反演,ETr为苜蓿参考ET,代表最优环境条件下的理论最大ET。模型主要输入为Landsat Collection 2 Level-2地表温度产品及地表反射率数据,辅助数据包括ETr、温度差参数(dT)和土地覆盖掩膜。关键改进包括采用稀疏/密集植被指数阈值处理潜在湿润表面,并将湿球参数确定的空间窗口从5000 m减小至240 m,以降低稀疏植被湿润地表(如早期作物/草地)的低估及地形阴影和亮表面区域的高估。评估数据来源包括:美国本土(CONUS)154个涡度协方差(EC)通量塔站点(来自AmeriFlux网络及大学、USGS、农业部等合作方),国际4个FLUXNET2015站点(亚洲CN-Du2、欧洲DE-She、非洲ZA-Kru、南美洲BR-Sa3),以及CONUS内1148个HUC8流域的水均衡ET(WBET)和全球4个Landsat 8场景的MOD16 ET数据。此外,将ESPA SSEBop ETf与OpenET平台上的SSEBop ETf进行了平台一致性比较。

**研究结果**

**3.1 ESPA按需订单与分发**

ESPA系统提供三种SSEBop产品:ETf、每日过境ET和不确定性ET(由LST不确定性对dT的比率缩放ETr得到)。自2020年6月至2025年12月,用户共订购1,206,015个Landsat场景,覆盖全球各大陆。其中Landsat 8订单最多(590,132景,占48.9%),其次为Landsat 5(283,196景,占23.5%),表明用户对历史Landsat ET的兴趣。Landsat 4订单虽少,但覆盖了1982–1983年Landsat 5未覆盖的早期数据。示例ETf图显示,不同水文气候环境下ETf空间差异明显,湿地、三角洲和森林区域ETf较高,而混合干湿景观区域ETf范围动态更大。通过对美国德克萨斯州拉伯克附近中心支轴灌溉系统的季节用水量分析(1986–2025年),展示了Landsat ET在田间尺度捕捉管理措施和用水变化的能力。

**3.2 SSEBop模型评估**

**3.2.1 涡度协方差通量塔ET**

在CONUS 154个通量塔站点,最新版本(v0.7.1)与早期版本(v0.2.6)在日尺度和月尺度均表现出可比或更优的性能。两版本日尺度平均偏差误差(MBE)均小于1 mm(<2%),v0.7.1的平均绝对误差(MAE)和均方根误差(RMSE)更低(日尺度MAE从37%降至35%,RMSE从48%降至45%;月尺度MAE约30–32%,RMSE约37–39%)。农田站点中,v0.7.1的MBE、MAE和RMSE均小于v0.2.6,月尺度MBE从6%降至4%,决定系数(r2)介于0.74–0.84。其他土地覆盖类型(常绿林、草地、灌木地、湿地)的偏差在新版本中相似或更低,但混交林站点在月尺度偏差略有增大(从31%增至34%)。国际4个EC站点比较显示,非洲和欧洲站点性能与OpenET过境估计相当(r2=0.65–0.69,RMSE约47%),亚洲站点(CN-Du2)存在较大散射和负偏差(RMSE=73.1%),南美站点r2低(0.12)但偏差小、RMSE=30.3%。

**3.2.2 水均衡ET**

基于2016–2022水年的HUC8流域年均WBET比较,v0.7.1较v0.2.6略有改进:MBE从25 mm/y(4%)降至18 mm/y(3%),MAE从86 mm/y(14%)降至80 mm/y(13%),RMSE从119 mm/y(19%)降至110 mm/y(18%),r2从0.82增至0.84。CONUS尺度上,SSEBop ET平均值(v0.7.1为635 mm/y)占年均降水(871 mm/y)的73%,接近WBET的71%,表现为轻微正偏差。六个水文气候分区中,v0.7.1的MBE范围(?3%至15%)窄于v0.2.6(?4%至27%),太平洋西北地区的较大偏差(MBE=15%)需进一步研究。基于WBET的偏差校正可提高RSET在流域水均衡中的应用精度。

**3.2.3 ESPA SSEBop ET与MOD16 ET比较**

在四个Landsat 8场景(亚洲、欧洲、非洲、南美洲)的Level 8 HydroBASINS尺度上,ESPA SSEBop ET与MOD16 ET的日尺度比较显示出较强的空间相关性,除南美洲场景外。亚洲场景相关性最强(r=0.91),欧洲和非洲场景r>0.65;南美洲场景因云污染(19%)和ET值聚集范围窄而空间相关性较弱。尽管两种数据集使用不同传感器(Landsat 8 vs MODIS)和不同建模方法(地表能量平衡 vs Penman–Monteith),但仍呈现相似的空间格局,表明Landsat尺度ET在全球应用的合理性。

**总结与讨论**

讨论部分指出,虽然RSET存在来自输入数据(遥感、天气)和建模方法的多种不确定性来源,但随机误差随空间和时间聚合而减小,因此月尺度及以上时间尺度和流域尺度ET更适合构建水预算和评估水资源可用性。通量塔和水均衡评估共同表明两点:一是新版本SSEBop精度总体高于旧版本;二是模型在不同版本间保持稳定,各土地覆盖类型和区域表现一致。由于ESPA按需ET以ETf为主要输出,且ETf主要依赖全球一致的Landsat数据流,因此预期全球范围可达到与OpenET相当的水平。目前ESPA ET数据仅提供Landsat过境日期,未来引入连续日、月、季节和年尺度的高级ET产品可减少用户后处理步骤,进一步拓展应用。

**研究结论**

本文展示了由SSEBop模型生成并通过ESPA平台分发的按需、田间尺度、基于Landsat的实际ET产品的建模框架、性能评估和运行成熟度。该产品在不同模型版本间表现出性能稳定性,各土地覆盖类型和流域均有适度且一致的改进。日尺度和月尺度涡度协方差测量评估表明,SSEBop模型达到了与OpenET集成产品相当的满意精度。使用美国境外EC通量塔以及场景级MOD16 ET对比评估表明,该产品在不同区域间表现一致。这强调了维持高质量、良好校准的Landsat数据以及依赖稳定成熟的ET算法对确保全球可靠应用的重要性。2020年6月至2025年12月间,用户共请求1,206,015幅ET影像,其中Landsat 8订单最多(占49%),Landsat 5次之(占24%),显示了全球用户的广泛兴趣。鉴于用户对Landsat ET的强烈兴趣和日益增长的计算能力,未来提供运行化的月度和季节聚合RSET产品有望进一步扩大用户参与,拓展农业及其他水资源管理领域的应用。对于需要相对评估的应用(如异常检测、趋势分析、空间比较),按需数据集可直接使用;而水预算应用则可能需要进行一次性偏差校正,以消除与模型参数或输入数据集相关的局部系统性误差。
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