2023, Vol. 35 
(2: 中国科学院大学，北京 100049)
(2: University of Chinese Academy of Sciences, Beijing 100049, P.R. China)
蒸散发是由地表的水分蒸发和植物蒸腾组成，是土壤-植被-大气系统中能量水分传输和转换的重要途径[1]。全球陆地一半以上的降水通过蒸散发的形式返回到大气，参与地球水循环，其中蒸散发过程伴随着2/3的地表净辐射能量消耗[2]。蒸散发是地表热量平衡和水循环的关键组成部分[3]，在大气、水圈和生物圈水热交换过程发挥着重要作用[4-5]。地表蒸散发的时空变化反映了区域气候条件、植被覆盖、土壤属性和地形特征[6]。目前，基于站点的蒸散发观测数据受其空间分布范围的限制，难以满足大尺度地表蒸散发的估算[7-8]。卫星遥感技术的进步，极大地改善了传统站点观测的局限性，使蒸散发估算在空间上得以扩展[9-11]。近年来，蒸散发的研究在观测仪器和建模方面也取得了重大进展，涌现出众多由遥感反演获得的全球蒸散发产品，如GLEAM、MOD16、ET-EB和Zhang-ET等[12-15]。
青藏高原作为“地球第三极”，平均海拔为4000 m，地势西高东低，地形结构复杂多样，湖泊、积雪冰川广泛分布，对亚洲季风的形成与发展以及水-能量交换具有重要作用[13, 16]。近年来，青藏高原经历了显著的气候变化，以两倍于全球的升温速率变暖[17]，导致该地区地表与大气间的水热交换发生变化，进一步改变了大气与水循环[18-19]。蒸散发作为水循环的重要组分，准确估算青藏高原蒸散发对充分认识高原水文过程变化至关重要。然而，青藏高原受自然地理环境条件的制约，观测数据稀少，观测时间短，地表蒸散发估算难度大。近年来，众多蒸散发遥感反演产品的涌现为青藏高原蒸散发研究提供基础，而检验蒸散发遥感产品的反演精度是研究青藏高原蒸散发时空变化及水文过程的前提。已有研究在青藏高原对蒸散发产品进行精度检验，主要涉及高原局部地区的产品精度验证，如：Li等[13]基于陆气水量平衡估算的亚洲大江大河河源区地表蒸散发，评价了AVHRR、GLEAM、MOD16和GLDAS蒸散发产品，发现GLEAM产品与水量平衡估算蒸散发的一致性较好；温馨等[20]基于我国西南河流源地区通量观测资料，对GLEAM、MOD16、GLDAS、ET-EB和Zhang-ET共5种蒸散发产品进行验证，发现GLEAM产品精度最好，其次为MOD16；姜艳阳等[21]基于地面观测数据、再分析数据和重力卫星观测数据，评估了MOD16产品在中国流域的精度高低，发现MOD16产品在青藏高原中部的精度较低；杨秀芹等[22]在站点尺度上评价了GLEAM产品在中国区域的精度表现，发现该蒸散发产品在青藏高原当雄站的评价精度最高，相关系数为0.85。然而，青藏高原面积辽阔，海拔较高，地形复杂多样，实测数据少，局部地区的蒸散发验证结果难以反映高原面的整体表现，对蒸散发遥感产品的系统性验证亟需进行，以阐明产品在青藏高原的反演精度，增强改进适用于高原地区的蒸散发模型算法的迫切性，有利于构建不同于平原区的蒸散发模型。
GLEAM和MOD16全球蒸散发产品已经得到了广泛的检验和应用[13, 20, 23-25]，且在青藏高原部分地区的验证精度相对较好，但青藏高原环境复杂，海拔较高，日照强且变化大，陆面过程复杂，蒸散发遥感产品在整个青藏高原的精度表现尚不明确。青藏高原蒸散发观测资料缺乏，地形结构复杂多样，在流域尺度上采用水量平衡法估算蒸散发，是检验遥感反演产品的有效手段[1, 9]。本文选取了位于青藏高原中东南部的5个具有不同地形特征、气候条件和地表覆盖的湖泊流域，基于流域水量平衡方法，对GLEAM和MOD16蒸散发产品进行精度验证，对比评价两种产品对青藏高原地区蒸散发的反演精度，可为甄选适合青藏高原的蒸散发产品提供重要的参考。
1 研究区概况本研究为在流域尺度上利用水量平衡法，检验GLEAM和MOD16蒸散发产品在青藏高原的适用性，根据青藏高原自然地理环境特征，选取5个具有不同内外流特征、地形结构、气候条件、冰雪覆盖、植被覆盖的梯级湖泊流域代表高原下垫面特征，即然乌湖流域、羊卓雍错流域、纳木错流域、色林错流域和塔若错流域(图 1)。5个梯级湖泊流域的平均海拔分别为4906、4932、5017、4892和5053 m，流域内高程差均在2000 m左右。然乌湖流域位于青藏高原东南部外流区，流域面积为1969 km2，地貌以高山深谷最为典型，属于高原温带季风湿润气候区[26]，多年平均降水量为726 mm，多年平均冰雪覆盖率为74.58%，主要植被类型为针叶林、灌丛、草甸[27]。其他4个湖泊流域位于青藏高原中南部的内流区，流域无径流出流，羊卓雍错流域地处藏南山原湖盆宽谷区，流域面积为10140 km2，纳木错流域和色林错流域则位于藏北南羌塘高原湖盆区，流域面积分别为10768和75217 km2；羊卓雍错流域属于温带半干旱高原季风气候区，多年平均降水量为444 mm，多年平均冰雪覆盖率为18.86%，流域最大水体面积约占流域面积的8.58%，植被类型以高山草原、草甸为主[28-29]；纳木错流域和色林错流域属于亚寒带半干旱季风气候区，多年平均降水量均在435 mm左右，多年平均冰雪覆盖率分别为24.82% 和16.72%，最大水体面积分别占流域面积的17.25%、5.42%，植被类型均以高寒草甸为主[30-31]；塔若错则属于高寒半干旱气候区，流域面积为18350 km2，多年平均降水量为363 mm，流域多年平均冰雪覆盖率为17.21%，最大水体面积约占流域面积的7.08%，植被类型以高寒草甸为主[32]。
|
图 1 研究区地理空间分布 Fig.1 Location of the study area |
在缺少地面蒸散发观测数据或地形复杂条件下，可选取具有降水和径流观测资料的流域，利用水量平衡方法计算月或年蒸散发[1]，其可靠性取决于水量平衡中降水、径流、总蓄水量变化等组分的准确性[11, 13]。水量平衡方法不能提供蒸散发的空间格局，但在缺乏蒸散发观测资料的研究区，被广泛用于蒸散发产品检验[16, 33]。因此，本文采用流域水量平衡方法对GLEAM和MOD16蒸散发产品反演精度进行直接检验，评估这两种产品在青藏高原的适用性。对于内流区流域而言，即羊卓雍错流域、纳木错流域、色林错流域和塔若错流域，假设在年尺度上流域蒸散发量等于流域降水量与蓄水变化量的差值，如公式(1)；对于外流区流域而言，即然乌湖流域，在年尺度上流域蒸散发量等于流域有效降水减去径流量和蓄水变化量，如公式(2)：
| $ E T=P-\Delta S $ | (1) |
| $ E T=P_{\mathrm{e}}-R-\Delta S $ | (2) |
式中，ET为蒸散发；P为降水；Pe为有效降水，包括流域降雨量和冰雪消融量；R为径流量；ΔS为流域蓄水变化量，假设ΔS趋于0[9]。
在多年平均尺度上，流域水量平衡可表示为ET =
为构建然乌湖流域2000—2018年流域水量平衡，估算流域蒸散发，需借助流域水文模型延长然乌湖流域径流序列，并估算流域冰雪消融量。本文充分考虑然乌湖流域自然地理环境特征和实测水文气象资料的获取难度，选择模型原理简单，基础输入变量为降水、气温和积雪覆盖面积的融雪径流模型(snowmelt runoff model, SRM)。SRM模型是一种基于度日因子法的概念性半分布式水文模型，计算公式为[34]：
| $ Q_{n+1}=\sum\limits_{i=1}^m\left\{\left[R_{\mathrm{S} n, i}+R_{n, i}\right] \cdot \frac{10000}{86400} A_i\right\} \cdot\left(1-k_{n+1}\right)+Q_n k_{n+1} $ | (3) |
式中，Q为日平均流量(m3/s)；RS为日融雪径流深(cm)；R为日降雨径流深(cm)；A为高程分区面积(km2)；k为衰退系数，用于揭示一段时间内流量的减少；n为径流模拟的天数(d)；m为高程分区总数。冰雪消融量(MeltS)、日融雪径流深(RS)和降雨径流深(R)的计算公式分别为[34]：
| $ Melt_{\mathrm{S}_{n, i}}=a_{\mathrm{S}_{n, i}}\left(T_{n, i}+\Delta T\right) S_{n, i} $ | (4) |
| $ R_{\mathrm{S} n, i}=c_{\mathrm{S}n, i} a_{\mathrm{S}n, i}\left(T_{n, i}+\Delta T\right) S_{n, i} $ | (5) |
| $ R_{n, i}=c_{\mathrm{R} n, i} P_{n, i} $ | (6) |
式中，cS为融雪径流系数；cR为降雨径流系数；aS为度日因子(cm/(℃ ·d))；T为度日因子数(℃ ·d)；ΔT气温垂直递减率；S为积雪覆盖面积与流域总面积的比值；P为日降水量(cm)。
SRM模型将然乌湖流域划分为海拔不同的3个高程带，从低到高依次为Zone1、Zone2和Zone3，高程带间降水、气温不同，以模拟由海拔变化引起的气候变化。由于然乌湖流域冰川、积雪呈混合覆盖，冰川与积雪的度日因子存在差异，本研究参考崔颖颖[35]的研究成果，即根据冰川、积雪占然乌湖流域冰雪覆盖面积比与冰川和积雪度日因子加权获得的度日因子aS取值范围(0.75~1.17 cm/(℃ ·d))。同时，然乌湖流域融雪径流模型中的融雪径流系数cS、降雨径流系数cR、气温垂直递减率ΔT和临界气温值等参数均参考崔颖颖[35]的研究成果。衰退系数k作为SRM模型的重要参数，计算公式为kn+1=xQn-y，本研究则根据然乌湖实测出湖流量数据，通过计算确定常数x和y，两个参数取值分别为0.99和0.019。融雪径流系数cS、降雨径流系数cR、度日因子aS在3个海拔高程带的取值不尽相同，随空间发生变化，但不随时间发生变化。然乌湖流域SRM模型参数最终取值见表 1。
|
表 1 然乌湖流域SRM模型参数取值 Tab. 1 Parameter values of SRM model in Lake Ranwu Basin |
SRM模型采用2014—2016年然乌湖每日出湖流量进行模型参数率定，2017—2018年然乌湖每日出湖流量进行模型验证。本研究采用Nash-Sutcliffe效率系数(NSE)和确定性系数(R2)定量评价模型径流过程模拟结果的好坏。NSE是代表两个序列的吻合程度，其取值范围为负无穷至1，NSE越接近于1，模型模拟结果越好，模型可信度高。R2代表方程的拟合程度，其取值范围为0~1，R2越接近于1，表示方程的拟合程度越高。
| $ N S E=1-\frac{\sum\limits_{i=1}^n\left(Q_{\mathrm{o}, i}-Q_{\mathrm{s}, i}\right)^2}{\sum\limits_{i=1}^n\left(Q_{\mathrm{o}, i}-\overline{Q_{\mathrm{o}}}\right)^2} $ | (7) |
| $ R^2=\frac{\left[\sum\limits_{i=1}^n\left(Q_{\mathrm{o}, i}-\overline{Q_{\mathrm{o}}}\right)\left(Q_{\mathrm{s}, i}-\overline{Q_{\mathrm{s}}}\right)\right]^2}{\sum\limits_{i=1}^n\left(Q_{\mathrm{o}, i}-\overline{Q_{\mathrm{o}}}\right)^2 \sum\limits_{i=1}^n\left(Q_{\mathrm{s}, i}-\overline{Q_{\mathrm{s}}}\right)^2} $ | (8) |
式中，i为时间步长，Qs, i和Qo, i为模拟径流和实测径流，
然乌湖流域SRM模型率定期的NSE和R2分别为0.78和0.91，验证期的NSE和R2分别为0.75和0.88。由此得出，SRM模型能够较好地模拟然乌湖流域水文过程，可将构建完毕的模型模拟生成2000—2013年然乌湖流域径流过程。SRM模型未考虑地下水对地表径流过程的影响。因此，本文忽略然乌湖流域地下水变化，流域蓄水变化量主要与冰川积雪消融累积密切相关。
2.2 蒸散发产品精度检验指标本文采用4种精度评价指标，分别为Pearson相关系数(r)、相对误差(Rbias)和均方根误差(RMSE)和Kling-Gupta系数(KGE)[9, 13]。其中，KGE是一个综合评价指标，包括3个配对数据集的相关性、均值比和离差比，所有指标的值都为1表示完美拟合。
| $ r=\frac{\sum\limits_{i=1}^n\left(x_i-\bar{x}\right)\left(y_i-\bar{y}\right)}{\sqrt{\sum\limits_{i=1}^n\left(x_i-\bar{x}\right)^2 \sum\limits_{i=1}^n\left(y_i-\bar{y}\right)^2}} $ | (9) |
| $ Rbias=\frac{\sum\nolimits_{i=1}^n x_i-\sum\limits_{i=1}^n y_i}{\sum\limits_{i=1}^n y_i} \times 100 \% $ | (10) |
| $ RMSE=\sqrt{\frac{\sum\limits_{i=1}^n\left(x_i-y_i\right)^2}{n}} $ | (11) |
| $ K G E=1-\sqrt{(r-1)^2+(\beta-1)^2+(\delta-1)^2} $ | (12) |
式中，xi代表要评估的变量；yi代表作为基线的变量；x，y为平均值；n为数据对的数量；r为反映时间序列一致性的相关系数；β是估计值的平均值与基线平均值的偏差比；δ为估计值的标准差与基线标准差的变异比。
2.3 数据资料 2.3.1 数字高程模型本研究利用SRTM 90 m的数字高程模型(DEM，http://srtm.cgiar.org/)提取青藏高原5个梯级湖泊流域边界，并计算流域相关特征参数。
2.3.2 气象水文资料本研究采用2000—2018年中国区域地面气象要素驱动数据集(China meteorological forcing dataset, CMFD)的降水和气温用于构建青藏高原中东南湖泊流域水量平衡。CMFD是中国科学院青藏高原研究所基于再分析资料、卫星遥感数据和气象观测数据开发的一套长时间序列、高时空分辨率的再分析数据集。CMFD数据集包括地表降水率、地面气温、近地面空气比湿等7个气象要素，且水平空间分辨率为0.1°，时间分辨率为3 h。CMFD数据集在高寒山区流域具有较好的适应性，数据质量良好，与实测数据接近，并在青藏高原地区取得较为满意的研究成果[14, 36]。然乌湖流域属于外流流域，构建流域水量平衡需采用然乌湖流域出口断面流量数据。本研究采用的然乌湖出湖口(29°28′54″N，96°39′16″E)2014—2018年流量数据是通过连续日观测水位和间断流量观测数据建立的水位-流量关系曲线获取[31]。2014—2018年然乌湖流域流量数据用于率定与验证流域水文模型。
2.3.3 积雪数据本研究采用由美国国家冰雪产品数据中心(http://nsidc.org/)所提供的MODIS/Terra 8天合成的积雪产品MOD10A2，空间分辨率为500 m。利用NASA提供的MRT软件对2000—2018年MOD10A2积雪覆盖产品进行轨道镶嵌、格式转换和重投影，再基于R语言对积雪覆盖产品进行批量裁剪、数据提取，以获取青藏高原5个梯级湖泊流域的积雪覆盖率。另外，然乌湖流域积雪覆盖数据作为流域水文模型的输入，用于模拟然乌湖流域融雪径流过程，构建然乌湖流域水量平衡。
2.3.4 GLEAM蒸散发产品GLEAM是由荷兰阿姆斯特丹大学和根特大学联合研发的全球陆地蒸散发产品(http://geoservices.falw.vu.nl)。GLEAM蒸散发产品算法由4个模块组成，分别为降雨截留模块、土壤水模块、潜在蒸散发模块及胁迫模块，考虑了高大植被、低矮植被、水体、裸土4种地表土地类型[37]。该蒸散发产品估算了陆地蒸散发的不同组分，包括裸地蒸发、植物蒸腾、冠层截流蒸发、水面蒸发和雪升华等[37-38]。GLEAM蒸散发产品主要基于Priestley-Taylor公式[20]，如公式(13)：
| $ \lambda E=\alpha_{\mathrm{PT}} \frac{\Delta}{\Delta+\gamma}\left(R_n-G_0\right) $ | (13) |
式中，λE为潜热通量(W/m2)；λ为蒸发潜热；αPT为Priestley-Taylor常数；Δ为饱和水汽压与空气温度的斜率；Rn为净辐射通量；G0为土壤热通量。
GLEAM蒸散发产品所采用的数据主要来自于卫星观测，数据包括辐射通量、土壤水分、降水气温数据、植被光学厚度数据和雪水当量数据[37]。产品考虑了雪升华的过程，且新版本改进了对土壤层排水模拟的算法，根据雪水融化获得不同土壤层的水分[15]。GLEAM蒸散发产品数据时间跨度为1980—2018年，空间分辨率为0.25°，时间分辨率为天、月，本文采用2000—2018年月尺度的GLEAM蒸散发产品在青藏高原湖泊流域进行精度验证与评价。
2.3.5 MOD16蒸散发产品MOD16是美国航空航天局NASA发布的全球MODIS陆地蒸散产品数据，主要输入变量有气象数据、叶面积指数(LAI)和光合有效辐射吸收比例，数据覆盖范围为有植被覆盖的区域，不包括积雪冰川、水体和城市等区域[15]。MOD16蒸散发算法采用物理意义明确的Penman-Monteith公式，如公式(14)，计算时考虑了土壤蒸发、冠层截流蒸发和植物蒸腾[39]。
| $ \lambda E=\frac{s \cdot A+\rho \cdot c_\mathtt{ρ} \cdot \frac{e_{\mathrm{s}}-e_{\mathrm{a}}}{r_{\mathrm{a}}}}{s+\gamma \cdot\left(1+\frac{r_{\mathrm{s}}}{r_{\mathrm{a}}}\right)} $ | (14) |
式中，s为饱和水汽压与温度曲线关系的斜率；ρ为空气密度；A为可利用能量；cρ为空气定压比热，取值为1004 J/(kg ·K)，es和ea分别为饱和水汽压和实际水汽压；γ为干湿表常数；ra和rs分别为空气动力学阻抗和冠层阻抗。
MOD16包括蒸散发、潜在蒸散发、潜热通量和潜在潜热通量4个特征参数，时间分辨率有8天和年，空间分辨率有500 m和1 km。本研究采用了2000—2018年MOD16A3的年尺度蒸散发产品，空间分辨率为500 m。同时，利用NASA提供的MRT软件对MOD16蒸散发产品进行轨道镶嵌、格式转换和重投影，再基于R语言对蒸散发产品进行批量裁剪、数据提取，以获取MOD16产品在青藏高原5个梯级湖泊流域的蒸散发数据。
3 结果与分析 3.1 流域水量平衡法估算蒸散发从青藏高原5个梯级湖泊流域蒸散发遥感产品与水量平衡估算蒸散发的年际变化(图 2)可知，基于流域水量平衡估算的蒸散发年际变幅较大。羊卓雍错流域多年平均蒸散发最大，为444 mm，其次为纳木错流域和色林错流域，分别为436和433 mm，而塔若错流域多年平均蒸散发最小，为363 mm。通过线性趋势分析发现，位于青藏高原东南部的然乌湖流域以及高原腹地的纳木错流域和色林错流域蒸散具有线性减小趋势，每年分别减少3.84、0.81和3.19 mm，而羊卓雍错流域和塔若错流域蒸散发则表现出线性增加趋势，每年分别增加5.7和5.9 mm。同时，水量平衡估算的蒸散发线性变化趋势大多与已有研究结论相一致[14]。
|
图 2 蒸散发遥感产品与水量平衡估算蒸散发的年际变化 Fig.2 Annual variations of evapotranspiration in the central and southeastern lake basins of the Qinghai-Tibet Plateau |
基于流域水量平衡估算蒸散发时，假设在年尺度下流域蓄水量不变化，多数情况是合理的[40]。然而，青藏高原冰川积雪覆盖面积广，多年冰川积雪融化、永久性冻土退化势必会导致流域蓄水量发生变化。通过文献综述发现，2001—2010年青藏高原ΔS变化量为-44~40 mm/a，高原内流区ΔS表现为增加趋势，高原南部地区ΔS表现为减小趋势[41]。流域水量平衡估算的蒸散发包含了流域蓄水变化量，这必然导致估算的蒸散发具有较大的变幅，增加了其变化趋势的不确定性。
3.2 蒸散发产品在青藏高原湖泊流域的精度验证由图 2可知，对比流域水量平衡方法估算的蒸散发，GLEAM和MOD16蒸散发产品在青藏高原5个梯级湖泊流域存在不同程度的高估或低估现象。其中，GLEAM蒸散发产品在然乌湖、色林错和塔若错流域存在低估现象，在羊卓雍错和纳木错流域存在轻微高估现象，MOD16产品仅在色林错流域存在轻微低估现象，而在其他流域均表现为高估，并在然乌湖流域和塔若错流域表现最为显著。GLEAM和MOD16蒸散发产品在5个梯级湖泊流域的年际变幅小。通过线性趋势分析发现，GLEAM产品趋势变化与然乌湖流域、羊卓雍错流域、色林错流域和塔若错流域水量平衡估算的蒸散发线性变化趋势一致，其中在然乌湖流域和色林错流域具有线性减小趋势，平均每年分别减少0.71和1.7 mm，在羊卓雍错流域和塔若错流域则存在微弱的线性增加趋势；MOD16产品趋势变化仅在色林错流域具有线性减小趋势。
对GLEAM和MOD16蒸散发产品进行精度评价，评价结果如图 3和表 2所示。在年尺度上，GLEAM和MOD16蒸散发产品在年降水量较少的年份存在高估的现象，在湿润年份则为低估。结合产品精度验证结果发现，在然乌湖流域，GLEAM产品与流域水量平衡估算的蒸散发拟合关系较好，r为0.60，Rbias为-14.00%；当蒸散量较小400 mm时，GLEAM产品与然乌湖流域水量平衡估算蒸散发之间吻合较好，但产品总体存在低估现象；MOD16产品严重高估了然乌湖流域蒸散发，拟合关系较差，r为0.21，RMSE为297.55 mm，大于全球26个流域MOD16蒸散发产品RMSE为274 mm的验证结果[42]。GLEAM产品在羊卓雍错流域的r为0.60，Rbias小于10%，RMSE为71.32 mm，而MOD16产品验证精度较低，r为0.38，Rbias为GLEAM产品的2倍，RMSE为90.50 mm；两种产品在羊卓雍错流域均存在随着蒸散发的增加由蒸散发高估逐渐转变为低估的现象。MOD16产品在纳木错流域验证精度较高，r为0.61，Rbias小于10%，KGE为0.40，而GLEAM产品在纳木错流域验证结果相对较差，r为0.52，KGE为0.08，且随着纳木错流域蒸散发的增加，GLEAM产品存在由高估逐渐转变为低估的现象。在色林错流域，GLEAM和MOD16产品验证精度较高，r均大于0.72，表明这两种遥感产品能较为准确地反映色林错流域蒸散发年际变化规律，其中，GLEAM产品在色林错流域的验证精度最好，r为0.75，Rbias和RMSE均小于MOD16产品；当色林错流域蒸散量小于400 mm时，两种蒸散发产品与流域蒸散发之间吻合较好，但总体存在低估的现象。在塔若错流域，GLEAM和MOD16产品表现均较差，r分别为0.38和0.46，Rbias绝对值大于29%；GLEAM产品对塔若错流域蒸散存在明显的低估，MOD16则存在干枯的年份高估，湿润年份低估的现象。
|
图 3 GLEAM和MOD16产品在青藏高原中东南湖泊流域的验证结果 Fig.3 Validation results of GLEAM and MOD16 products against evapotranspiration from water balance estimating in the central and southeastern lake basins of the Qinghai-Tibet Plateau |
|
|
表 2 青藏高原中东南湖泊流域GLEAM和MOD16蒸散发产品精度评价 Tab. 2 Accuracy test results of GLEAM and MOD16 products in the central and southeastern lake basins of the Qinghai-Tibet Plateau |
对比GLEAM和MOD16蒸散发产品在青藏高原中东南湖泊流域的整体精度，结果如图 4所示。GLEAM产品低估了青藏高原蒸散发，r为0.55，Rbias为-8.9%，RMSE为96 mm，KGE为0.47；而MOD16产品高估了青藏高原蒸散发，精度验证结果差，r为0.07，Rbias为18%，RMSE为153 mm，KGE为-0.02。综合4种精度评价指标得出，年尺度上的GLEAM产品在青藏高原的验证精度高于MOD16。
|
图 4 GLEAM和MOD16产品在青藏高原中东南湖泊流域的验证结果 Fig.4 Validation results of GLEAM and MOD16 products against evapotranspiration from water balance estimating in the central and southeastern lake basins of the Qinghai-Tibet Plateau |
在年尺度上，青藏高原中东南湖泊流域蓄水量变化必然影响水量平衡估算的蒸散发。因此，从多年平均角度验证蒸散发产品精度，减少流域蓄水量变化对产品验证结果的影响。由GLEAM和MOD16产品与水量平衡估算蒸散发的多年平均散点图(图 5)可以得出，GLEAM产品多年平均蒸散发在羊卓雍错流域和然乌湖流域表现为高估，其他流域表现为低估，但5个梯级湖泊流域多年平均蒸散发围绕在对角线两侧；GLEAM产品与流域水量平衡估算值相接近，两者r为0.93，Rbias为-8.1%，RMSE为68 mm。MOD16产品多年平均蒸散发仅在色林错流域表现为低估，在其余4个湖泊流域均表现为高估；MOD16产品与流域水量平衡估算值差异较大，两者r为0.43，Rbias为20%，RMSE为145 mm。
|
图 5 GLEAM和MOD16产品在青藏高原中东南湖泊流域的多年平均验证结果 Fig.5 Multi-year average validation results of GLEAM and MOD16 products against evapotranspiration from water balance estimating in the central and southeastern lake basins of the Qinghai-Tibet Plateau |
综上所述，在年尺度和多年平均尺度下，GLEAM产品在青藏高原湖泊流域的验证精度均高于MOD16。此研究结果与Li等[13]和温馨等[20]在青藏高原东部边缘地区的蒸散发验证结果一致。
4 讨论 4.1 不同下垫面条件下的蒸散发产品精度对比 4.1.1 GLEAM和MOD16产品在植被覆盖区域的对比MOD16产品数据覆盖范围为有植被覆盖的区域，不包括青藏高原湖泊流域的积雪冰川和水体等区域。直接对比MOD16与GLEAM产品在青藏高原的精度高低，会在一定程度上增加评价结果的不确定性。因此，本研究排除了GLEAM产品中MOD16产品不包括的水体蒸发和雪升华部分，对比两种蒸散发产品在青藏高原湖泊流域植被覆盖区域的蒸散发关系。流域总蒸散发是流域不同蒸发面蒸散发的总称。本文根据青藏高原湖泊流域水体、积雪、植被等所占流域面积比重，去除GLEAM产品在湖泊流域的水体蒸发和雪升华，得到GLEAM产品中植被覆盖区域的蒸散发，即GLEAM_D。其中，然乌湖流域、羊卓雍错流域、纳木错流域和色林错流域的水体年蒸发量由文献综述获得，分别为717、1231、631和1047 mm[35, 43-45]。涉及到塔若错流域水体蒸发的研究较少，本研究采用距离塔若错约10 km的扎日南木错的水体蒸发作为塔若错流域的水体蒸发，年水体蒸发量为675 mm[46]。本文5个湖泊流域雪升华量则参考Zhang等[47]的研究结果。
基于GLEAM_D，探索GLEAM和MOD16产品在青藏高原湖泊流域植被覆盖区域的蒸散发关系。由图 6可知，GLEAM、GLEAM_D产品与MOD16产品的相关性差异较大。GLEAM与MOD16产品在青藏高原湖泊流域的r在0.15~0.82之间，其中在色林错流域具有最高的相关性，r为0.82，其次是在羊卓雍错流域，r为0.71，而在然乌湖流域相关性最差，r为0.15。GLEAM_D与MOD16产品之间的r在0.04~0.79之间，虽略小于GLEAM与MOD16产品的相关性，但在5个湖泊流域的r大小关系则与其一致。根据趋势线和1 ∶1线比较分析，发现GLEAM和GLEAM_D均低于MOD16产品，在然乌湖流域、塔若错流域表现最为明显。结果表明，在青藏高原湖泊流域植被覆盖区域，MOD16产品估算值高于GLEAM产品。有研究表明，MOD16产品在青藏高原具有较高的蒸散发估值，主要由输入的高下行短波辐射通量导致的[16]。
|
图 6 GLEAM、GLEAM_D与MOD16产品在青藏高原中东南湖泊流域植被覆盖区域对比结果 Fig.6 Comparison results of GLEAM, GLEAM_D and MOD16 products in the vegetation coverage area of the central and southeastern lake basins of the Qinghai-Tibet Plateau |
在青藏高原湖泊流域，湖泊、积雪和冰川广泛分布，而MOD16产品未考虑湖面蒸发量和雪升华，这在一定程度上对产品精度评价结果产生重要影响，具体的影响程度还需进一步分析。因此，根据湖泊流域不同下垫面所占流域面积比重，在MOD16产品中增加了水体蒸发量和雪升华量，得到MOD16_H。其中，5个湖泊流域的水体年蒸发量和年雪升华量取值均与本文4.1.1部分一致。基于流域水量平衡方法估算的蒸散发，MOD16_H在青藏高原中东南湖泊流域的精度评价结果如表 3所示。由表 3和表 2可知，MOD16_H的r总体上小于MOD16，但Rbias和RMSE大体也小于MOD16。总体而言，未考虑湖面蒸发和雪升华的MOD16产品不影响本文的结论。
|
|
表 3 青藏高原中东南湖泊流域MOD16_H蒸散发产品精度评价 Tab. 3 Accuracy test results of MOD16_H product in the central and southeastern lake basins of the Qinghai-Tibet Plateau |
流域水量平衡估算蒸散发的可靠性取决于水量平衡中降水、径流、总蓄水量变化等的准确性[11, 14, 34]。年尺度下忽略流域蓄水量变化，多数情况是可行的，但近年来随着青藏高原气温的增加，降水增加、多年冰川积雪融化、永久性冻土退化导致了高原蓄水量发生明显变化[41, 48]。然而，流域蓄水量变化必然影响流域水量平衡方法估算的蒸散发，在年尺度上流域水量平衡为
高时空分辨率的降水资料对青藏高原湖泊流域蒸散发估算具有重要意义。CMFD数据是基于再分析资料、卫星遥感数据和气象观测数据开发的高时空分辨率的再分析数据集，对青藏高原年降水时空分布具有较好的模拟能力，r大于0.9，RMSE为54.70 mm[36, 50]。然而，在利用流域水量平衡估算蒸散发的过程中，CMFD降水数据误差会被累加在蒸散发估算项中，增加了蒸散发估算的误差与不确定性。
4.3 蒸散发产品的不确定性蒸散发遥感反演产品在青藏高原具有不同的表现，这与蒸散发估算采用的模型或算法、输入的驱动数据精度密切相关。GLEAM产品基于Priestley-Taylor公式估算潜在蒸散发，并采用土壤水分胁迫因子将潜在蒸散发校正为实际蒸散发[37]。考虑了土壤水分胁迫因子对蒸散发的影响，是GLEAM产品在青藏高原湖泊流域验证结果较好的重要原因。此外，GLEAM产品采用多源加权集合降水产品(MSWEP)，减小单一降水数据源的不确定性，提高了青藏高原蒸散发估算精度[13]，而GLEAM产品所采用的遥感辐射数据(GEWEX-SRB)在青藏高原地区存在低估的现象，这可能是导致产品在该地区具有一定低估现象的重要原因[51]。青藏高原湖泊流域冰川积雪覆盖面积大，GLEAM考虑了雪升华的过程，在一定程度上提高了蒸散发估算精度，其中在然乌湖流域表现最为明显。在GLEAM产品算法中，在具有水体、矮植被和裸地的下垫面，αPT取值为1.26；在具有高冠层的下垫面，αPT取值为0.8；在积雪覆盖情况下，αPT取值为0.95[38]。大量研究表明，Priestley-Taylor公式中的αPT取值受研究区自然地理环境特征影响，具有时空变化特性，这导致αPT取值存在很大的不确定性，增加了流域蒸散发估算的误差[52]。在青藏高原地区，GLEAM产品未充分考虑高寒气候条件下αPT取值对下垫面的适应性，因此需要对其进行修正，以提高GLEAM产品在青藏高原地区的精度。
MOD16蒸散发产品在青藏高原的验证精度较差，存在不同程度的高估。MOD16蒸散发产品是基于Penman-Monteith公式估算蒸腾作用，而通过空气温度和饱和水汽压差的函数估算冠层传导率，可能扭曲了环境压力[53]。MOD16产品验证精度不高也与输入驱动数据存在密切联系。有研究表明，MOD16产品输入的GMAO再分析数据下行短波辐射偏大，是高估长江与黄河河源区蒸散发的重要原因[16]，且GMAO数据的偏差导致MOD16在青藏高原高寒草甸区蒸散发估算结果较差[39]。另外，在MOD16产品算法中，阻抗参数化方法采用由Forest-BGC模型发展而来的Biome-BGC模型，可能导致草原生态系统的蒸散发估算不太准确[9]。青藏高原高寒草甸分布面积广，草甸特征参数与MOD16算法的草地特征参数存在差异[39]，在一定程度上增加了MOD16蒸散发估算的不确定性。此外，MOD16蒸散发产品未考虑水体蒸发和雪升华，导致产品在冰雪覆盖较广的然乌湖流域验证结果较差。
卫星遥感反演区域蒸散发的过程中，遥感影像表征一个地区某一时刻的瞬时状态，导致反演得到的某些参数被认为每天不变的，而实际的参数随时间发生变化，这必然增加了遥感反演蒸散发的不确定性。另外，大气边界层内的大气运动影响地表与大气之间的动量输送、水热交换和物质输送，对地表蒸散发具有重要作用[1]。青藏高原由于地形起伏，海拔高，日照辐射强，使其大气边界层的部分属性异于一般的平原地区，如：青藏高原大气边界层高度明显高于平原地区1000~1500 m，大气边界层风场、温度场和湿度场的变化较大[54]。因此，适用于平原区的蒸散发算法不太适用于环境复杂、海拔高的青藏高原地区，需要对蒸散发模型算法进行改进，形成适用高原地区的蒸散发模型算法，以得到高精度的高原蒸散发产品数据。
5 结论本文以青藏高原5个梯级湖泊流域为研究对象，基于流域水量平衡估算的蒸散发对GLEAM和MOD16蒸散发产品展开精度验证与评价。
1) GLEAM和MOD16蒸散发产品在5个梯级湖泊流域年降水量较少的年份均存在高估的现象，而在湿润年份则为低估；GLEAM产品在然乌湖流域、羊卓雍错流域和色林错流域的验证结果较好，而MOD16产品在纳木错流域和塔若错流域的验证精度较高。
2) 在年尺度和多年平均尺度下，GLEAM产品在青藏高原湖泊流域的蒸散发精度检验结果均显著优于MOD16产品。
3) 在缺乏蒸散发观测数据、地形复杂多样的青藏高原地区，利用流域水量平衡估算的多年平均蒸散发检验蒸散发产品的反演精度，比年蒸散发的检验结果更为可靠。
| [1] |
刘元波, 吴桂平, 柯长青. 水文遥感. 北京: 科学出版社, 2016, 1-598. |
| [2] |
Wang K, Dickinson RE. A review of global terrestrial evapotranspiration: Observation, modeling, climatology, and climatic variability. Reviews of Geophysics, 2012, 50(2). DOI:10.1029/2011rg000373 |
| [3] |
Brutsaert W. Evaporation into the atmosphere: Theory, history, and application. Netherlands: Springer Science and Business Media, 1982, 1-299. |
| [4] |
Baguis P, Roulin E, Willems P et al. Climate change scenarios for precipitation and potential evapotranspiration over central Belgium. Theoretical and Applied Climatology, 2010, 99(3/4): 273-286. DOI:10.1007/s00704-009-0146-5 |
| [5] |
Zheng H, Yang ZL, Lin P et al. On the sensitivity of the precipitation partitioning into evapotranspiration and runoff in land surface parameterizations. Water Resources Research, 2019, 55(1): 95-111. DOI:10.1029/2017wr022236 |
| [6] |
Vergopolan N, Fisher JB. The impact of deforestation on the hydrological cycle in Amazonia as observed from remote sensing. International Journal of Remote Sensing, 2016, 37(22): 5412-5430. DOI:10.1080/01431161.2016.1232874 |
| [7] |
Xia HM, Li AN, Zhao W et al. Review of temporal scale expansion for evapotranspiration retrieved by remote sensing data. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(24): 162-173. [夏浩铭, 李爱农, 赵伟等. 遥感反演蒸散发时间尺度拓展方法研究进展. 农业工程学报, 2015, 31(24): 162-173. DOI:10.11975/j.issn.1002-6819.2015.24.025] |
| [8] |
Chen XL, Su ZB, Ma YM et al. Remote sensing of global daily evapotranspiration based on a surface energy balance method and reanalysis data. Journal of Geophysical Research: Atmospheres, 2021, 126(16). DOI:10.1029/2020jd032873 |
| [9] |
He T, Shao QQ. Spatial-temporal variation of terrestrial evapotranspiration in China from 2001 to 2010 using MOD16 products. Journal of Geo-Information Science, 2014, 16(6): 979-988. [贺添, 邵全琴. 基于MOD16产品的我国2001—2010年蒸散发时空格局变化分析. 地球信息科学学报, 2014, 16(6): 979-988. DOI:10.3724/SP.J.1047.2014.00979] |
| [10] |
Liu YB, Wu GP, Zhao XS et al. Remote sensing for watershed hydrology: Issues and challenges. Advances in Earth Science, 2020, 35(5): 488-496. [刘元波, 吴桂平, 赵晓松等. 流域水文遥感的科学问题与挑战. 地球科学进展, 2020, 35(5): 488-496.] |
| [11] |
Liu YB, Qiu GY, Zhang HS et al. Shifting from homogeneous to heterogeneous surfaces in estimating terrestrial evapotranspiration: Review and perspectives. Science China Earth Sciences, 2022, 52(3): 381-399. [刘元波, 邱国玉, 张宏昇等. 陆域蒸散的测算理论方法: 回顾与展望. 中国科学: 地球科学, 2022, 52(3): 381-399.] |
| [12] |
Zhang K, Kimball JS, Nemani RR et al. A continuous satellite-derived global record of land surface evapotranspiration from 1983 to 2006. Water Resources Research, 2010, 46(9). DOI:10.1029/2009wr008800 |
| [13] |
Li XY, Long D, Han ZY et al. Evapotranspiration estimation for Tibetan Plateau headwaters using conjoint terrestrial and atmospheric water balances and multisource remote sensing. Water Resources Research, 2019, 55(11): 8608-8630. DOI:10.1029/2019wr025196 |
| [14] |
Han CB, Ma YM, Wang BB et al. Long-term variations in actual evapotranspiration over the Tibetan Plateau. Earth System Science Data, 2021, 13(7): 3513-3524. DOI:10.5194/essd-13-3513-2021 |
| [15] |
Li J, Xin XZ, Peng ZQ et al. Remote sensing products of terrestrial evapotranspiration: Comparison and outlook. Remote Sensing Technology and Application, 2021, 36(1): 103-120. [李佳, 辛晓洲, 彭志晴等. 地表蒸散发遥感产品比较与分析. 遥感技术与应用, 2021, 36(1): 103-120.] |
| [16] |
Xue BL, Wang L, Li XP et al. Evaluation of evapotranspiration estimates for two river basins on the Tibetan Plateau by a water balance method. Journal of Hydrology, 2013, 492: 290-297. DOI:10.1016/j.jhydrol.2013.04.005 |
| [17] |
Yao TD, Wu GJ, Xu BQ et al. Asian water tower change and its impacts. Bulletin of Chinese Academy of Sciences, 2019, 34(11): 1203-1209. [姚檀栋, 邬光剑, 徐柏青等. "亚洲水塔"变化与影响. 中国科学院院刊, 2019, 34(11): 1203-1209.] |
| [18] |
Zhang GQ, Yao TD, Piao SL et al. Extensive and drastically different alpine lake changes on Asia's high plateaus during the past four decades. Geophysical Research Letters, 2017, 44(1): 252-260. DOI:10.1002/2016gl072033 |
| [19] |
Tang HD, Cidan YZ, Zeng C et al. Characteristics of the lake water level changes and influencing factors in Yamzhog Yumco in Tibet from 1974 to 2019. Journal of Arid Land Resources and Environment, 2021, 35(4): 83-89. [唐汉铎, 次旦央宗, 曾辰等. 1974—2019年西藏羊卓雍错湖泊水位变化特征及其影响因素. 干旱区资源与环境, 2021, 35(4): 83-89.] |
| [20] |
Wen X, Zhou J, Liu SM et al. Spatio-temporal characteristics of surface evapotranspiration in source region of rivers in Southwest China based on multi-source products. Water Resources Protection, 2021, 37(3): 32-42. [温馨, 周纪, 刘绍民等. 基于多源产品的西南河流源区地表蒸散发时空特征. 水资源保护, 2021, 37(3): 32-42.] |
| [21] |
Jiang YY, Wang W, Zhou ZH. Evaluation of MODIS MOD16 evaportranspiration product in Chinese River Basins. Journal of Natural Resources, 2017, 32(3): 517-528. [姜艳阳, 王文, 周正昊. MODIS MOD16蒸散发产品在中国流域的质量评估. 自然资源学报, 2017, 32(3): 517-528. DOI:10.11849/zrzyxb.20160440] |
| [22] |
Yang XQ, Wang GJ, Pan X et al. Spatio-temporal variability of terrestrial evapotranspiration in China from 1980 to 2011 based on GLEAM data. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(21): 132-141. [杨秀芹, 王国杰, 潘欣等. 基于GLEAM遥感模型的中国1980—2011年地表蒸散发时空变化. 农业工程学报, 2015, 31(21): 132-141.] |
| [23] |
Khan MS, Liaqat UW, Baik J et al. Stand-alone uncertainty characterization of GLEAM, GLDAS and MOD16 evapotranspiration products using an extended triple collocation approach. Agricultural and Forest Meteorology, 2018, 252: 256-268. DOI:10.1016/j.agrformet.2018.01.022 |
| [24] |
Jang K, Kang S, Lim YJ et al. Monitoring daily evapotranspiration in Northeast Asia using MODIS and a regional Land Data Assimilation System. Journal of Geophysical Research: Atmospheres, 2013, 118(23): 12927-12940. DOI:10.1002/2013jd020639 |
| [25] |
Roy T, Gupta HV, Serrat-Capdevila A et al. Using satellite-based evapotranspiration estimates to improve the structure of a simple conceptual rainfall-runoff model. Hydrology and Earth System Sciences, 2017, 21(2): 879-896. DOI:10.5194/hess-21-879-2017 |
| [26] |
Cui YY, Zhu LP, Ju JT et al. Seasonal variations of water balance and supply process based upon discharge monitoring in Ranwu Lake of Southeast Tibet. Acta Geographica Sinica, 2017, 72(7): 1221-1234. [崔颖颖, 朱立平, 鞠建廷等. 基于流量监测的西藏东南部然乌湖水量平衡季节变化及其补给过程分析. 地理学报, 2017, 72(7): 1221-1234. DOI:10.11821/dlxb201707008] |
| [27] |
Luo HB. Biodiversity and protective countermeasures for Ranwu Lake Wet Land Nature Reserve of Tibet. Central South Forest Invention and Planning, 2013, 32(1): 38-41. [罗怀斌. 西藏然乌湖湿地自然保护区生物多样性及保护对策. 中南林业调查规划, 2013, 32(1): 38-41.] |
| [28] |
Li L, Li J, Yao XJ et al. Changes of the three holy lakes in recent years and quantitative analysis of the influencing factors. Quaternary International, 2014, 349: 339-345. DOI:10.1016/j.quaint.2014.04.051 |
| [29] |
Zhe M, Zhang XQ. Time-lag effects of NDVI responses to climate change in the Yamzhog Yumco Basin, South Tibet. Ecological Indicators, 2021, 124: 107431. DOI:10.1016/j.ecolind.2021.107431 |
| [30] |
Chen F, Cai QG, Sun LY. Estimation of meltwater runoff from glaciers and snow cover in Nam Co basin, Tibetan Plateau. Science of Soil and Water Conservation, 2016, 14(2): 127-136. [陈飞, 蔡强国, 孙莉英. 青藏高原纳木错流域冰雪融水径流量估算. 中国水土保持科学, 2016, 14(2): 127-136. DOI:10.16843/j.sswc.2016.02.017] |
| [31] |
Liu L, Jiang LM, Xiang LW et al. The effect of glacier melting on lake volume change in the Siling Co basin (5Z2), Tibetan Plateau. Chinese Journal of Geophysics, 2019, 62(5): 1603-1612. [柳林, 江利明, 相龙伟等. 青藏高原色林错流域区冰川消融对湖泊水量变化的影响. 地球物理学报, 2019, 62(5): 1603-1612. DOI:10.6038/cjg2019M0273] |
| [32] |
Ma QF, Zhu LP, Lü XM et al. Pollen-inferred Holocene vegetation and climate histories in Taro Co, southwestern Tibetan Plateau. Chinese Science Bulletin, 2014, 59(31): 4101-4114. DOI:10.1007/s11434-014-0505-1 |
| [33] |
Liu WB, Wang L, Zhou J et al. A worldwide evaluation of basin-scale evapotranspiration estimates against the water balance method. Journal of Hydrology, 2016, 538: 82-95. DOI:10.1016/j.jhydrol.2016.04.006 |
| [34] |
Martinec J. Snowmelt - runoff model for stream flow forecasts. Hydrology Research, 1975, 6(3): 145-154. DOI:10.2166/nh.1975.0010 |
| [35] |
崔颖颖. 基于流域水文过程模拟的藏东南然乌湖水量平衡研究[学位论文]. 北京: 中国科学院青藏高原研究所, 2021.
|
| [36] |
Tan QY, Xu ZX, Zhao YJ et al. Applicability of China meteorological forcing dataset to the Nianchu River Basin. Journal of Beijing Normal University: Natural Science, 2021, 57(3): 372-379. [谭秋阳, 徐宗学, 赵彦军等. CMFD数据集在雅江年楚河流域的适用性分析. 北京师范大学学报: 自然科学版, 2021, 57(3): 372-379. DOI:10.12202/j.0476-0301.2020261] |
| [37] |
Martens B, Miralles DG, Lievens H et al. GLEAMv3: Satellite-based land evaporation and root-zone soil moisture. Geoscientific Model Development, 2017, 10(5): 1903-1925. DOI:10.5194/gmd-10-1903-2017 |
| [38] |
Miralles DG, Holmes TRH, De Jeu RAM et al. Global land-surface evaporation estimated from satellite-based observations. Hydrology and Earth System Sciences, 2011, 15(2): 453-469. DOI:10.5194/hess-15-453-2011 |
| [39] |
Chang YP, Qin DH, Ding YJ et al. A modified MOD16 algorithm to estimate evapotranspiration over alpine meadow on the Tibetan Plateau, China. Journal of Hydrology, 2018, 561: 16-30. DOI:10.1016/j.jhydrol.2018.03.054 |
| [40] |
Wu GP, Liu YB, Zhao XS et al. Spatio-temporal variations of evapotranspiration in Poyang Lake Basin using MOD16 products. Geographical Research, 2013, 32(4): 617-627. [吴桂平, 刘元波, 赵晓松等. 基于MOD16产品的鄱阳湖流域地表蒸散量时空分布特征. 地理研究, 2013, 32(4): 617-627.] |
| [41] |
Song CQ, Huang B, Ke LH. Modeling and analysis of lake water storage changes on the Tibetan Plateau using multi-mission satellite data. Remote Sensing of Environment, 2013, 135: 25-35. DOI:10.1016/j.rse.2013.03.013 |
| [42] |
Vinukollu RK, Wood EF, Ferguson CR et al. Global estimates of evapotranspiration for climate studies using multi-sensor remote sensing data: Evaluation of three process-based approaches. Remote Sensing of Environment, 2011, 115(3): 801-823. DOI:10.1016/j.rse.2010.11.006 |
| [43] |
Sang YF, Chen DL, Gong TL. What caused the decline of water level of Yamzho Yumco during 1975-2012 in the southern Tibetan Plateau?. Journal of Geophysical Research: Atmospheres, 2020, 125(6). DOI:10.1029/2019jd031121 |
| [44] |
Ma N, Szilagyi J, Niu GY et al. Evaporation variability of Nam Co Lake in the Tibetan Plateau and its role in recent rapid lake expansion. Journal of Hydrology, 2016, 537: 27-35. DOI:10.1016/j.jhydrol.2016.03.030 |
| [45] |
Guo YH, Zhang YS, Ma N et al. Long-term changes in evaporation over Siling Co Lake on the Tibetan Plateau and its impact on recent rapid lake expansion. Atmospheric Research, 2019, 216: 141-150. DOI:10.1016/j.atmosres.2018.10.006 |
| [46] |
纪舒婷. 青藏高原多年冻土融化及其对湖泊储量变化影响的数值模拟研究[学位论文]. 哈尔滨: 哈尔滨工业大学, 2020.
|
| [47] |
Zhang RN, Zhang RH, Zuo ZY et al. Temporal and spatial features and inter-annual variability of wintertime snow mass balance over China. International Journal of Climatology, 2016, 36(12): 3897-3907. DOI:10.1002/joc.4599 |
| [48] |
Zhang GQ, Yao TD, Shum CK et al. Lake volume and groundwater storage variations in Tibetan Plateau's endorheic basin. Geophysical Research Letters, 2017, 44(11): 5550-5560. DOI:10.1002/2017gl073773 |
| [49] |
Gao HK, He XB, Ye BS et al. Modeling the runoff and glacier mass balance in a small watershed on the Central Tibetan Plateau, China, from 1955 to 2008. Hydrological Processes, 2012, 26(11): 1593-1603. DOI:10.1002/hyp.8256 |
| [50] |
Wen TT, Guo YX, Dong SR et al. Assessment of CRU, ERA5, CMFD grid precipitation data for the Tibetan Plateau from 1979 to 2017. Arid Zone Research, 2022, 39(3): 684-697. [温婷婷, 郭英香, 董少睿等. 1979—2017年CRU、ERA5、CMFD格点降水数据在青藏高原适用性评估. 干旱区研究, 2022, 39(3): 684-697. DOI:10.13866/j.azr.2022.03.03] |
| [51] |
Li J, Wang D. A comparative study on three types of remote sensing solar radiation products. Climatic and Environmental Research, 2018, 23(2): 252-258. [李净, 王丹. 3种不同遥感辐射产品的精度比较. 气候与环境研究, 2018, 23(2): 252-258.] |
| [52] |
Zhao LL, Wang ZG, Xia J et al. Improved Priestley-Taylor method and its application in complementary relationship evapotranspiration model. Progress in Geography, 2011, 30(7): 805-810. [赵玲玲, 王中根, 夏军等. Priestley-Taylor公式的改进及其在互补蒸散模型中的应用. 地理科学进展, 2011, 30(7): 805-810.] |
| [53] |
Wang HL, Guan HD, Deng ZJ et al. Optimization of canopy conductance models from concurrent measurements of sap flow and stem water potential on Drooping Sheoak in South Australia. Water Resources Research, 2014, 50(7): 6154-6167. DOI:10.1002/2013wr014818 |
| [54] |
Li Y, Hu ZL, Zhao HM. Overview on the characteristic of boundary layer structure in Tibetan Plateau. Plateau and Mountain Meteorology Research, 2012, 32(4): 91-96. [李英, 胡志莉, 赵红梅. 青藏高原大气边界层结构特征研究综述. 高原山地气象研究, 2012, 32(4): 91-96.] |