z值模型优缺点（不同下垫面DTD模型和TSEB模型对比研究）

摘要：双源能量平衡模型（TwoSourceEnergyBalance,TSEB）和双温度差模型（DualTemperatureDifference,DTD）目前已应用于不同的下垫面类型和环境条件下地表蒸散发估算研究，但是由于模型构建理论机理的差异，模型表现会随着下垫面类型和环境条件的变化而有所不同因此，本研究选取了黑河流域高寒草地、半干旱区灌溉农田以及干旱区河岸林3种下垫面类型地面观测数据，系统分析了DTD模型和TSEB模型的适用性以及主要误差来源结果表明：①在瞬时尺度上，DTD模型在高寒草地上估算潜热通量的误差较小，其RMSE为62.00W/m2，而TSEB模型的RMSE为75.49W/m2,2个模型的精度会随着植被覆盖度的增加而出现差异；在半干旱区灌溉农田区域，2种模型表现较为一致，但是在干旱区河岸林，2种模型都低估了潜热通量，且模型误差较大；②在日尺度上，DTD模型和TSEB模型的表现与瞬时尺度表现较为一致，同时2种模型拆分的植被蒸腾比与基于uWUE模型（WaterUseEfficiency,uWUE）拆分的结果吻合较好，但DTD模型的表现要优于TSEB模型；③相比较DTD模型而言，TSEB模型对地表温度输入误差更为敏感本研究通过对比DTD模型和TSEB模型在不同下垫面和环境条件的表现，为今后模型优化提供了理论依据，我来为大家科普一下关于z值模型优缺点?下面希望有你要的答案，我们一起来看看吧!

z值模型优缺点

摘要：双源能量平衡模型（TwoSourceEnergyBalance,TSEB）和双温度差模型（DualTemperatureDifference,DTD）目前已应用于不同的下垫面类型和环境条件下地表蒸散发估算研究，但是由于模型构建理论机理的差异，模型表现会随着下垫面类型和环境条件的变化而有所不同。因此，本研究选取了黑河流域高寒草地、半干旱区灌溉农田以及干旱区河岸林3种下垫面类型地面观测数据，系统分析了DTD模型和TSEB模型的适用性以及主要误差来源。结果表明：①在瞬时尺度上，DTD模型在高寒草地上估算潜热通量的误差较小，其RMSE为62.00W/m2，而TSEB模型的RMSE为75.49W/m2,2个模型的精度会随着植被覆盖度的增加而出现差异；在半干旱区灌溉农田区域，2种模型表现较为一致，但是在干旱区河岸林，2种模型都低估了潜热通量，且模型误差较大；②在日尺度上，DTD模型和TSEB模型的表现与瞬时尺度表现较为一致，同时2种模型拆分的植被蒸腾比与基于uWUE模型（WaterUseEfficiency,uWUE）拆分的结果吻合较好，但DTD模型的表现要优于TSEB模型；③相比较DTD模型而言，TSEB模型对地表温度输入误差更为敏感。本研究通过对比DTD模型和TSEB模型在不同下垫面和环境条件的表现，为今后模型优化提供了理论依据。

关键词： DTD模型 TSEB模型 下垫面类型 地表蒸散发 植被蒸腾

1、引言

地表蒸散发（Evapotranspiration,ET）关联着陆地表层生态系统与水文过程，在全球生物—地球—化学圈的水循环过程中起着至关重要的作用[1]。蒸散发主要包括土壤表面、水体表面以及植被冠层截留等蒸发（Evaporation,E）和植被冠层蒸腾（Canopytranspiration,T）。不同下垫面水热性质不同，其陆气能量物质交换特征各异。地球陆地表面约四分之一的地区处于半干旱和干旱的环境[2]，在该地区在水资源有限、植被稀疏、生态系统脆弱[3]。因此，在干旱和半干旱地区，准确估算ET的时空分布对监测生态系统和改善水资源管理显得尤为重要[4]。

目前，获取蒸散发ET的方法众多，主要包括地面观测、遥感估算以及模式模拟等手段进行获取，其中结合遥感模型估计ET是当今获取区域蒸散量的重要手段，而双源能量平衡模型又是其中最常用的手段之一。由于不同模型输入参数以及模型假设的差异，不同模型在不同下垫面和气候条件下的表现差异较大。Norman等[5]在Shuttleworth和Wallace的经典S-W模型的基础上，通过简化阻抗参数，提出了一种双源能量平衡模型（TwoSourceEnergyBalancemodel,TSEB）。随后，Kustas和Norman[6]通过引入透过率和植被聚集因子，建立了估算土壤和植被净辐射的机理模型，提高了模型的精度。TSEB模型可以将复合辐射温度和地表通量分离出土壤和植被组分。TSEB模型的假设是在水分充足的条件下，然而半干旱和干旱气候通常存在水分亏缺的情况[7]。在一些稀疏或者团簇状植被覆盖的下垫面TSEB模型的误差较大，同时在高植被覆盖和平流影响下，TSEB模型容易高估土壤蒸发，低估植被蒸腾[8]。为了降低输入数据不确定性对模型的影响，Norman等[9]提出了一种基于TSEB模型的双温差模型（DualTemperatureDifferenceModel,DTD），通过输入2个时相的地表温度数据，能有效降低地表温度观测和遥感反演的模型误差对模型精度的影响。另外，不同模型估计ET的精度随季节、土地覆盖类型和气候区而变化，分析不同模型在不同时空的差异是有必要的，以便为优化模型提供方向[10]。

地表蒸散发及其组分土壤蒸发（Evaporation,E）和植被蒸腾（Transpiration,T）是地球系统中水和能量循环的关键组成部分[11]。土壤蒸发和植被蒸腾作用对农田灌溉、作物产量、植被生长起着决定性作用，准确分离估算土壤蒸发和植被蒸腾有利于理解植被对水分的需求[12]，尤其在干旱半干旱地区，分离估算土壤蒸发和植被蒸腾可用以估产和水分利用效率的研究[13]。植物蒸腾量与地表蒸散发量的比值（T/ET）反映了植被在地表—大气相互作用中的作用[14]，土壤蒸发与植被蒸腾的准确分离具有更重要的价值和意义。一般认为蒸腾作用对灌溉农田作物产量起决定性作用[15]，特别是在干旱和半干旱地区[16]。由于植物在蒸腾和光合过程中是相互关联的，基于此利用站点通量观测蒸散发、总初级生产力和饱和水气压差等数据驱动uWUE模型（WaterUseEfficiencyModel），可以分离出站点尺度植被蒸腾[17,18,19]。

本文利用黑河流域上游草地、中游灌溉农田和下游河岸林3个通量站点长时间观测数据对模型的表现进行评估，3个站点的气候、土壤含水量以及植被生长状况差异较大，对分析TSEB模型和DTD模型的优劣具有一定的优势。结合uWUE模型拆分的土壤蒸发和植被蒸腾数据，对模型分解地表通量的结果进行交叉验证，具体流程见图1。最后，通过对模型输入的地表温度数据引入随机误差，分析不同的模型的地表温度敏感性差异，以及在不同下垫面状况下的差异。

2、模型方法

2.1技术路线

2.2TSEB模型

TSEB模型将复合地表辐射温度根据传感器观测视场范围内植被覆盖度（fc），分解成土壤（Ts）和冠层（Tc）组分温度[5,6]。

土壤（Rns）和植被（Rnc）净辐射根据辐射透过率（τ）、发射率（ε）、反照率（α）、下行辐射结合组分温度计算得到[6,20,21]。

式中：S↓和L↓分别是下行短波辐射和下行长波辐射；下标longwave和solar分别代表长波和短波，而s和c分别代表土壤和冠层部分。

土壤热通量G0根据土壤净辐射Rns和太阳时间角（ι）计算[22,23]。变量C是一个随太阳时间角变化的值，目前C可以根据太阳时间角和3个经验常数计算得到，而a、b、c由经验值可以得到（a=0.3,b=80000,c=3600)[10]。

为估计土壤和植被的组分通量，结合PriestleyTaylor方法，估算植被温度的初始值[5,8]。

式中：Tci为估算植被的初始温度；rah为空气动力学阻抗；ρ和Cp分别是空气密度和热容；αc是P-T系数，在冠层潜在蒸腾处于水分充足的条件下被认为近似为1.26，随着下垫面逐渐变干，αc也随之下降，当计算的白天土壤蒸发大于0，模型停止迭代；fg代表绿色植被所占的比例；Δ是饱和蒸汽压和空气温度的斜率曲线；γ是干湿度常数。

图1研究思路及模型参数输入

土壤（Hs）和冠层（Hc）感热通量能根据温度和阻抗参数直接计算。

式中：rs、rx分别为土壤边界层空气动力阻抗和冠层边界层空气动力阻抗[6,24,25,26];Tac表示空气动力学温度。

2.3DTD模型

针对TSEB模型中参数多，模型复杂以及模型容易受到地表温度误差的影响等问题，Norman等[27]提出了一种简单、可操作的地表—大气温差法计算区域尺度上地表通量模型：DTD(DualTemperatureDifference），该方法需要更少的地面观测数据，模型主要是通过输入2个不同时刻的地表温度，其2个温度观测分别是日出后1h左右t0，通过分析研究区通量站点观测的半小时尺度感热通量数据发现，8:00左右3个站点的感热通量值在0值附近，因此，本研究中t0时刻选为8:00和其他时刻i（每天9:00—18:00的半小时平均数据）。

由于在t0时刻，土壤感热通量，Hs,0=H0-Hc,0，非常的小，几乎可以忽略。而且Hc,0也非常的小，同样可以忽略。所以含有t0时刻的地表感热通量的计算都可以忽略，因此感热通量计算公式可以简化为：

式中：i表示观测时间，TR,i和Ta,i分别代表在第i时刻的表面辐射温度和大气温度；ra,i,rs,i为第i时刻的空气动力学阻抗和土壤边界阻抗。由于模型输入的地表温度（观测或者遥感反演）存在一定的误差，通过2个时刻地表温度相减，尽量消除仪器或者遥感反演算法产生的系统误差[10,28]。净辐射通量及土壤热通量的计算方法同TSEB模型。根据地表能量平衡方程，计算出总潜热通量LE和土壤潜热通量LEs。

2.4土壤蒸发和植被蒸腾分离

土壤蒸发与植被蒸腾的准确分离比研究地表蒸散发更有价值和意义，植被蒸腾对农田作物产量起决定性作用[15,16]。研究表明，T/ET比值随着植物覆盖度的增加而增加[28,29,30]，在非生长季时期植被生长变化不明显，故本文针对生长季的T/ET进行比较分析。不同下垫面环境T/ET的差异可能源于降水的影响[31]。uWUE方法可以作为生态系统尺度下的表面固有水分利用效率（uWUEa）和潜在固有水分利用率（uWUEp）的比值来估算T/ET[19]。

uWUEa和uWUEp分别通过每半小时的总初级生产力（GPP）、ET和饱和水汽压差（VPD）的数据进行95分位数回归和线性回归方法计算uWUEa和uWUEp[17,18,19]。为了验证TSEB和DTD模型分解土壤蒸发和植被蒸腾的精度，本研究结合通量塔观测数据计算了3个站点生长季植被蒸腾和地表蒸散发的比例[18]。

3、研究区概况及数据来源

黑河流域是位于中国西北干旱和半干旱地区的内陆河流域，位于河西走廊中部，存在多元自然景观。黑河开发历史悠久，人类活动显著地影响了流域的水文环境，自然和人文过程交汇在一起，使黑河流域成为开展流域综合研究的一个十分理想的试验流域。本文选取的阿柔站、大满站和四道桥站分别位于黑河流域的上游、中游和下游，下垫面类型从草地到灌溉农田，再到稀疏植被覆盖的区域。本研究利用黑河流域地表过程综合观测网的3个通量站点的气象资料和通量测量数据驱动2种地表蒸散发估算模型，通量站点位于青海省的阿柔超级站、甘肃省的大满超级站和内蒙古自治区的四道桥超级站，站点的选择考虑了下垫面类型和气候的差异[32]（图2和表1）。本研究选择长时间序列观测数据进行模型比较研究[32,33,34,35]，阿柔站和大满站均是2013—2017年共5年的数据，四道桥站选取2014—2017年共4年的数据进行分析。

阿柔站位于青海省祁连县阿柔乡，气候为大陆高山气候，下垫面类型以高寒草地为主。年均气温1℃，年均降水量约为450mm[36]；大满站位于甘肃省张掖市大满灌区农田内，下垫面为玉米农田，气候属于大陆性干旱气候，夏干热冬冷，年降水量100～250mm[37]；四道桥超级站位于内蒙古额济纳旗达来呼布镇四道桥，植被类型为柽柳和胡杨，该地区为干旱气候区，年降雨量小于50mm[38]。仪器的安装因站点不同而异，气温、相对湿度、风速传感器在观测塔的不同高度处均有布设并对其进行梯度观测，阿柔站和四道桥站设置为6层，而大满站布设为7层。气压计均设置在观测塔高2m处，翻斗雨量计则根据站点观测塔的布设而调整设置的高度。在每个站点的观测塔南面分别安装一个四分量辐射仪和2个红外测温仪以观测辐射数据。土壤部分传感器埋在观测塔以南2m处，分为3块的土壤热流板埋在地表以下6cm处。地表和地下分别埋置土壤温度和土壤水分传感器以观测土壤温度和水分廓线。涡动相关仪在阿柔站、大满站、四道桥站的架高分别为3.5、4.5和8.0m进行布设并观测感热通量和潜热通量等数据。

图2黑河流域研究区及观测站点土地利用类型

表1实验区域站点基本信息

本文采用的土壤水分、土壤温度数据和气象数据均来自于寒区旱区科学数据中心提供的阿柔超级站、大满超级站、及四道桥超级站的自动气象站数据集[32,33,34,35]，包括4cm的土壤水分和土壤温度数据、5m的温湿度和风速、气压、降水、太阳辐射等数据。土壤热通量根据热传导方程将其校正至地表，地表温度可通过红外测温仪观测或四分量辐射仪与比辐射率计算得到。遥感数据采用MODIS卫星数据，包括8d的复合LAI产品（MOD15A2），空间分辨率为500m。用于验证模型估算结果的通量数据来源于寒区旱区科学数据中心提供的3个站点的涡动相关通量数据集，数据为每半小时一次的平均资料[32,33,34,35]。基于能量和物质平衡原理，近地层可利用能量（净辐射通量与土壤热通量之差）应与其分配的感热通量与潜热通量之和相等，然而实际观测的感热通量和潜热通量之和一般总小于近地层可利用能量，造成对湍流通量观测的低估现象。为了使通量塔观测的净辐射通量、土壤热通量和感热通量、潜热通量能实现能量闭合，本研究利用波文比法进行能量闭合强制订正[39]。由于涡动相关仪获取是半小时数据，而自动气象站观测的数据间隔为10min，为了实现二者的统一，本研究将每十分钟的观测气象数据通过加权平均扩展到每半小时的数据。由于云层覆盖，8d的MODISLAI综合估计值经常被忽略或低估，本研究利用线性插值法对合成的8d的LAI进行时间序列重构，使LAI数据每天可用。

4、结果及分析

4.1基于DTD模型和TSEB模型估计瞬时地表通量

由于TSEB模型与DTD模型自身差异，2种模型在不同下垫面的表现也不尽相同。为了分析不同下垫面TSEB模型和DTD模型的表现，本文利用通量塔观测数据对模型输出的半小时瞬时能量平衡分量（Rn、G0、LE和H）进行了比较。将2013—2017年阿柔站和大满站与2014—2017年四道桥站DTD模型和TSEB模型模拟的地表通量与各观测值进行对比（表2），分析在不同的下垫面类型2种模型模拟的瞬时地表通量与实际观测的瞬时地表通量之间的一致性。

通过对比分析发现，在高寒草地覆盖的下垫面，DTD模型的表现略好于TSEB模型（图3）。统计结果发现，DTD模型低估了净辐射通量，其偏差为-10.80W/m2，而TSEB模型高估了净辐射通量，其偏差为5.37W/m2，尤其是当植被覆盖度低（0≤LAI<1.0）时，TSEB模型高估更为明显。DTD模型和TSEB模型均高估了土壤热通量，2个模型的均方根误差值分别为64.10W/m2和63.45W/m2。2种模型在估算感热通量时均出现了明显的低估现象，DTD模型和TSEB模型偏差分别为-47.15W/m2和-44.66W/m2。当测量值超过100W/m2时，模型预测感热通量表现出显著偏差；在植被覆盖度高（LAI≥3.0）时，DTD模型略低估感热通量，而TSEB模型略高估感热通量。尽管DTD模型的偏差较大，但是均方根误差为72.89W/m2，要优于TSEB模型的79.78W/m2。对于潜热通量的估算结果，DTD模型明显优于TSEB模型，尽管DTD模型预测潜热通量出现轻微低估现象，但其百分误差和均方根误差明显低于TSEB模型，DTD模型和TSEB模型的均方根误差分别为62.00W/m2和75.49W/m2。在植被覆盖度较低（0≤LAI<1.0),TSEB模型出现高估现象。

在干旱半干旱区灌溉玉米下垫面，DTD模型与TSEB模型均能较好地预测地表通量（图4）。DTD模型和TSEB模型估算的净辐射通量、土壤热通量和感热通量比较接近。当实测的感热通量大于50W/m2同时植被覆盖度高（LAI≥3.0）时，DTD模型估算的感热通量出现略微低估现象，而TSEB模型出现显著高估现象。与观测数据相比显示，DTD模型的偏差小于TSEB模型，在DTD模型中潜热通量偏差为-6.48W/m2，在TSEB模型中偏差为-9.20W/m2。同时，潜热通量在DTD模型估算与实测的比较中发现，DTD模型产生的均方根误差（56.36W/m2）小于TSEB模型（59.24W/m2）。上述结果表明，DTD和TSEB模型在该下垫面的表现非常近似。

表2不同站点不同模型模拟的瞬时地表通量与实测值的比较

图3阿柔站DTD模型和TSEB模型估算的瞬时地表通量分量与实测结果比较

图4大满站DTD模型和TSEB模型预测的瞬时地表通量分量与实测结果比较

在干旱区的河岸林四道桥站，2种模型均低估了净辐射通量，同时高估了土壤热通量。将模型估算的长短波辐射与四分量观测数据比较发现，2种模型分解的短波辐射效果相似，而2种模型对长波辐射的分解均有明显低估现象，但TSEB模型分解的长波辐射的精度略优于DTD模型。TSEB模型在稀疏植被覆盖的下垫面对净辐射通量和土壤热通量的估计效果更好。2种模型预测的感热通量均被严重低估，尤其是TSEB模型对感热通量的预测在稀疏植被覆盖的下垫面低估更明显。由于在稀疏植被覆盖下垫面2种模型都低估了净辐射通量，但TSEB模型低估感热通量更严重，导致模型估算的潜热通量与观测数据更接近（图5）。

4.2基于DTD模型和TSEB模型估计日尺度地表蒸散发及其分量

4.2.1基于DTD模型和TSEB模型估计日蒸散发量

为了研究2种模型估算地表蒸散发在日尺度上的差异，将DTD模型和TSEB模型模拟半小时潜热通量尺度上升到日尺度的蒸散发量与通量塔的观测结果进行对比（表3）。估算日蒸散发量时选用2013—2017年阿柔站与大满站的数据和2014—2017年四道桥站的数据（图6），其中用DOY(DayofYear,DOY）为横坐标，分析长时间序列的日蒸散发变化。

统计结果表明，在灌溉玉米田覆盖的大满站，2种模型估算的日地表蒸散发量与地面观测值吻合较好，DTD模型模拟的日蒸散发量与实测值相比模型偏差为0.02mm,百分比误差和均方根误差分别为25%和0.62mm，而TSEB模型模拟的日蒸散发量与实测蒸散发相比的模型偏差、百分比误差和均方根误差分别为0.05mm,27%和0.66mm（表3，图6(b））。在干旱区河岸林的四道桥站，TSEB模型估计的日蒸散发量较之DTD模型误差较小，统计的百分比误差和均方根误差均较小。TSEB模型在稀疏植被覆盖下估算日蒸散发的精度明显优于DTD模型，这与瞬时尺度比较的结果一致（表3，图6(c））。而在高寒草地覆盖下垫面，DTD模型估计的日蒸散发量与实测之间的百分比误差和均方根误差分别为24%和0.51mm，比TSEB模型预测的结果更为合理（表3，图6(a））。

图5四道桥站DTD模型和TSEB模型预测的瞬时地表通量分量与实测结果比较

表3不同下垫面2种模型模拟预测和实际测量的日蒸散发量

图6不同站点DTD模型和TSEB模型模拟预测日蒸散发量与地面实测数据比较分析

在阿柔站，DTD模型和TSEB模型估算的日蒸散发量的变化趋势均与实测的变化趋势一致（图6(a））。但在非生长季时期，TSEB模型估算的日蒸散发量明显被高估，而DTD模型估算值与地面观测值的一致性较好。由于土地覆盖和植被的影响，虽然大满站降雨相对较少，但是该地区为灌溉农田，在生长季土壤水分一直处于较高水平，作物生长不易受到土壤水分供应限制。从2013—2017年，在大满站，DTD模型和TSEB模型估算值和实测的日蒸散发量的结果均拟合良好（图6(b））。而在四道桥站，DTD模型和TSEB模型估算的日蒸散发量与观测值较差（图6(c））。相对而言，TSEB模型估算的日蒸散发值与实测之间的均方根误差为0.90mm，明显优于DTD模型（1.32mm），但这种异常情况可能是由于TSEB模型在低估净辐射的同时还严重低估了感热通量，当利用余项法获取潜热通量时，两者的低估现象会相互抵消，导致TSEB模型会出现估算潜热通量或者地表蒸散发估算精度较好。当土壤水分突然增加时，2种模型的日蒸散发量均被高估，而当土壤水分变化平稳时，特别是生长季节，DTD模型出现低估现象，但是TSEB模型精度较好。

总的来说，DTD模型和TSEB模型在不同下垫面估算的日地表蒸散发量与地面观测值吻合较好，但稀疏植被覆盖的下垫面条件下2种模型对日蒸散发量估算结果误差较大。根据图6(c）发现，降雨与土壤水分能影响日蒸散发量。在高寒草地覆盖的下垫面，TSEB模型对降雨和土壤水分敏感性较高，当降雨较少、土壤水分亏缺，TSEB模型高估蒸散发量，DTD模型估计日蒸散发效果更优。在灌溉农田的下垫面下，2种模型均能有效估算蒸散发量。

4.2.2土壤蒸发与植被蒸腾

DTD模型和TSEB模型能够从地表蒸散发中分离出土壤和植被的组分。本文利用uWUE模型和地面通量观测数据拆分的植被蒸腾与地表蒸散发比例（T/ET）数据对模型估算结果进行比较。由于在整个生长季（6月1日至9月30日，图中用DOY表示），四道桥站点2种模型对蒸散发的估计效果较差，因此本文仅选取阿柔超级站和大满超级站的结果进行分析。通过比较发现，DTD模型和TSEB模型估算的T/ET比值在生长季与验证数据吻合较好（图7）。

在高寒草地覆盖的下垫面下，2种模型估算的T/ET与验证数据比较结果表明，DTD模型估计值总体上较好，其偏差为-0.03，而TSEB模型的偏差较大，为0.11（图7(a)),TSEB模型明显高估了T/ET，而DTD模型略微低估了T/ET，尤其是当植被生长旺盛时，模型偏差更为明显。在生长季初期和生长季末期，DTD模型估算的T/ET值与验证值更接近。

DTD模型和TSEB模型在灌溉玉米下垫面的大满站估算的T/ET变化趋势符合季节变化趋势，在生长季初期T/ET迅速增加，由于在生长季末期，辐射减少，植被开始枯黄，T/ET逐渐减少（图7(b））。在大满站，2种模型估算的T/ET比值与验证数据吻合较好，DTD模型预测的T/ET造成的均方根误差为0.19,TSEB模型则为0.21。当出现阴云天气，由于云层影响，辐射减少，植被蒸腾效果减弱，T/ET值下降，当转为晴天，无云层影响，增加蒸腾作用，使得蒸腾作用与蒸散发作用的比例迅速增加，植被生长发生变化，T/ET随之增加，TSEB模型估计的T/ET高估。

图7不同站点DTD模型和TSEB模型预测的T/ET比值与实测数据的比较分析

5、讨论

5.1地表温度精度对日蒸散发量的影响

由于模型机理的差异，模型对温度的敏感性随模型算法的不同而不同[40,41,42]。而地表蒸散发的变化与地表温度（LandSurfaceTemperature,LST）密切相关，DTD模型和TSEB模型的关键边界条件是地表温度[43]。为了对DTD模型和TSEB模型对地表温度的敏感性进行分析，对模型输入地表温度加入符合高斯分布的随机误差，随机误差分别为0～1K和0～3K，然后再利用引入误差的地表温度数据驱动DTD模型和TSEB模型[44]。对于这3个区域，分别选择了3个典型的年份进行研究。分别选择了2016年的阿柔站（引入随机误差0～1K和0～3K的均方根误差分别为1.00K和2.96K）、2015年的大满站（引入随机误差0～1K和0-3K的均方根误差分别1.00K和2.97K）和2017年的四道桥站进行分析（引入随机误差0～1K和0～3K的均方根误差分别为0.99K和3.02K）。

统计结果显示，随着加入随机误差增大，模型模拟日蒸散发的不确定性也随之增加，但是TSEB模型对输入地表温度数据误差更敏感。在高寒草地覆盖的下垫面，引入误差前后的2个模型对地表温度的敏感性均较低（图8(a）），但DTD模型在高寒草地下垫面较于TSEB模型更稳定。DTD模型在引入0～1K和0～3K误差之后估算的地表蒸散发量与地面观测的蒸散发量相比均方根误差相差极小，四舍五入后均为0.41mm，而TSEB模型在分别引入0～1K和0～3K误差之后估算与实测的地表蒸散发的均方根误差分别为0.56mm和0.58mm。大满站DTD模型和TSEB模型对地表温度的敏感性表明（图8(b）），在引入0～1K和0～3K误差的地表温度数据驱动模型的结果显示，DTD模型的稳定性明显优于TSEB模型，引入0～1K误差后的DTD模型与TSEB模型估算的地表蒸散发量与地面观测的蒸散发量相比，其均方根误差分别为0.41mm和0.43mm。同样，引入0～3K误差后的地表温度数据驱动2个模型与实测蒸散发相比，均方根误差分别为0.42mm和0.46mm。在四道桥站，TSEB模型预测蒸散发随着加入地表温度的误差越大，其均方根误差越大。然而，在生长季时期，DTD模型波动更为稳定，对地表温度敏感性更低，在生长季初期和末期DTD模型对地表温度的敏感性稍高（图8(c））。

图8不同站点LST观测数据在引入误差前后驱动模型估计日蒸散发值

在不同下垫面下，DTD模型对地表温度的敏感性均较低，DTD模型较稳定。DTD模型使用双时相的温度数据，减少了地面温度观测和模型模拟的误差，提高区域地表蒸散估算的精度，这与Song等[10]的结果一致。而TSEB模型对地表温度观测误差敏感，与French等[45]的研究一致，TSEB模型对地表温度的敏感性与土地覆盖类型有关，TSEB模型对蒸散发的预测在农田下垫面明显优于草地和稀疏植被。

5.2长波净辐射通量低估的影响

在四道桥站复杂的下垫面环境下，DTD模型和TSEB模型计算的长波辐射结果相似，但与四分量辐射仪观测的长波辐射结果相比，模型计算的长波辐射被严重低估。模型计算的长波辐射与实测的长波辐射变化趋势一致，在生长季前期和后期，2种模型计算的长波辐射明显被低估，而在生长季时期，2种模型与四分量辐射仪观测的长波辐射吻合较好。以四道桥站2017年的数据为例，DTD模型计算的长波辐射与观测值相比模型偏差为-29.05W/m2，而TSEB模型的偏差为-29.44W/m2，均方根误差分别为34.13W/m2、34.18W/m2。

在稀疏植被覆盖的下垫面，2种模型均存在净辐射被低估的现象，为了揭示模型低估净辐射的原因，本研究根据Li等[46]的方法，利用四分量辐射仪观测的长波辐射结合叶面积指数和地面观测比辐射率数据计算地表温度，并与模型输入的长波辐射计观测温度进行对比。其中叶面积指数是利用Landsat遥感数据计算得到，并通过线性插值得到叶面积指数时间序列数据，最后计算了四分量视场内的植被覆盖度。2个地表温度数据的对比发现，基于长波辐射计观测数据得到的地表温度在低温区要明显高于基于四分量辐射数据计算的地表温度，而在高温区二者吻合较好，结果导致生长季前期和后期长波辐射被低估。另外，2种传感器观测视场范围存在一定差异，在四道桥站长波辐射计的观测视场范围不到2m，而四分量辐射仪的视场范围约为37m，加之四道桥区域复杂的地表类型，长波辐射计观测的地表温度值只代表特定地表类型的值，而四分量辐射仪计算的地表温度则是区域内多种地表类型的温度均值，热像仪观测的地表温度与四分量辐射仪计算的温度值尺度不匹配，造成了2种地表温度之间的差异，导致模型计算的净辐射被明显低估。

6、结论

本研究利用黑河流域高寒草地、半干旱区灌溉农田和干旱区河岸林3个站点多年通量站点观测数据，对DTD模型和TSEB模型估算地表通量的比较研究表明，由于土地覆被类型和气象条件的异质性，2种模型在不同下垫面的表现存在差异，在下垫面较为均一的灌溉农田两个模型表现一致，随着下垫面空间异质性的增加，DTD模型的优势更加明显。

(1)DTD模型和TSEB模型在瞬时尺度上的表现因下垫面类型不同而不同。在高寒草地覆盖的下垫面，DTD模型的表现略好于TSEB模型，当植被覆盖度低（0≤LAI<1.0）时，TSEB模型明显高估净辐射通量和潜热通量；当植被覆盖度高（LAI≥3.0）时，DTD模型低估了感热通量而TSEB模型高估了感热通量。在干旱半干旱区灌溉玉米下垫面，DTD模型与TSEB模型模拟在瞬时通量的估算中表现相似。在干旱区的河岸林四道桥站，TSEB模型在稀疏植被覆盖的下垫面估算净辐射通量和土壤热通量的表现更好，但2种模型估算的感热通量均被严重低估，尤其是TSEB模型低估更明显。

(2）在日尺度上2种模型的表现较为一致。DTD模型和TSEB模型分离土壤蒸发和植被蒸腾的精度因下垫面不同而有所差异。在高植被覆盖下，TSEB模型均存在高估T/ET比值的现象，而DTD模型在高寒草地下垫面明显低估了T/ET比值，但是，DTD模型分离T/ET的精度要略优于TSEB模型。

(3）通过模型对地表温度的敏感性研究表明，在不同下垫面下，DTD模型对地表温度的敏感性均较低，而TSEB模型对地表温度的敏感性与土地覆盖类型有关。

本研究通过利用不同下垫面和气象条件分析DTD模型和TSEB模型在估算地表蒸散发以及土壤蒸发和植被蒸腾的表现，揭示不同模型在不同下垫面的适用性，为今后模型的优化提供了方向。同时，通过研究2种模型对输入数据地表温度的敏感性发现，TSEB模型对地表温度更为敏感，因此，今后应该进一步提高卫星遥感反演地表温度的精度，为区域地表蒸散发估算提供更准确的模型输入数据。

,