全球陆地蒸散量模型

全球陆地蒸散量（ET）模型的开发与改进是理解水循环和气候变化的核心课题。以下是当前主流的模型及其特点的详细分析：

最新版本与数据：2024年发布的GLEAM v4.1a/b，空间分辨率提升至0.1°，覆盖1980-2023年（v4.1a）或2003-2023年（v4.1b），每日时间分辨率。

算法特点：基于Penman方程计算潜在蒸散量（Ep），结合深度学习训练的蒸发压力因子（S），区分蒸腾（Et）、裸地蒸发（Eb）、截留损失（Ei）等组分。模型整合土壤湿度、CO₂浓度、植被状况等多因素，并通过多层水平衡计算根区土壤湿度。

验证与应用：在43个FLUXNET站点验证，适用于陆气反馈研究和气候模型（GCM）测试。其长期径流验证（GRDC数据）显示良好准确性。

数据与分辨率：提供2000-2021年全球每日1公里分辨率数据，基于多源遥感（如GLASS叶面积指数、MODIS土地覆盖）和再分析数据（ERA5气象数据）。

算法机制：结合能量平衡、水量平衡和植物生理过程，分项估算植被蒸腾、冠层截留、土壤蒸发等，累积得到总蒸散量。验证显示RMSE为0.93毫米/天。

全球趋势：2000-2021年全球蒸散量呈上升趋势（与变暖一致），干旱区因灌溉蒸散较高（如尼罗河三角洲）。

基础与优化：基于Priestley-Taylor方程，利用AVHRR和MODIS数据，通过参数敏感性分析和多站点优化提升精度。

应用范围：在16个FLUXNET站点验证，适用于卫星基线蒸散估算，尤其在植被动态响应方面表现良好。

数据覆盖：2000-2010年全球1公里分辨率数据，基于Penman-Monteith方程，考虑地表阻力和冠层蒸腾。

局限性：数据更新止于2010年，但在区域水平衡和干旱评估中广泛应用。与SMAP土壤湿度数据融合可改进水胁迫参数化。

算法特点：采用双叶模型分离冠层光合与蒸散，使用生理参数（如叶氮含量、根系分布）模拟不同植被类型。全球模拟结果为511.9±43.4毫米/年，与其他模型范围（453.7-697.3毫米/年）吻合。

不确定性：叶簇效应对全球ET估算影响显著，需进一步参数优化。

无校准设计：通过冠层导水率（Gc）和空气湿度驱动，模拟日均蒸散量RMSE为0.77毫米/天。1984-1998年全球年均蒸散量58.4×10³ km³，与GSWP-2数据一致。

气候响应：显示全球蒸散量年均增加15.5毫米/十年，与模型树集成方法趋势相近。

NTSG：基于AVHRR NDVI和再分析数据，1982-2013年8公里分辨率，适用于长时序分析。

GLDAS/FLDAS：数据同化系统，整合卫星与地面观测，提供高时间分辨率（3小时）的土壤湿度与蒸散估算。

机器学习方法：如模型树集成和随机森林，通过融合涡度协方差数据与遥感信息，提供0.5°分辨率的全球ET产品。

一致性：多模型集合显示全球年均ET约为589.6-617.1毫米/年，反映气候驱动的行星边界。

区域差异：亚马逊盆地和干旱区因水胁迫参数化不足导致不确定性较高。

未来方向：结合深度学习、新卫星观测（如高光谱数据）和模型-数据融合，改进动态植被响应与胁迫机制。

综上，全球ET模型的多样性反映了不同数据源与算法设计的优势，实际应用中需根据时空分辨率、组分划分需求及区域特性选择合适模型。

GLEAM模型在陆气反馈研究中的具体应用和效果如下：

模型构建与应用：

GLEAM（Global Land Evaporation Amsterdam Model）是一个基于卫星观测数据的全球陆地蒸散发模型，旨在估算每日实际蒸发量及其组成部分。该模型由四个主要部分组成：拦截模型、土壤水分模块、应力模块和PT模块，分别针对高植被覆盖、低植被覆盖和裸地进行独立设计。

GLEAM模型利用遥感降水和森林覆盖率数据，估算全球高植被覆盖区域的每日降雨拦截量。

GLEAM v3版本在2011年发布，引入了新的蒸发应力公式、优化的排水算法和新的土壤水分数据同化系统。

数据集与应用：

GLEAM v3生成了三个新的数据集：一个36年的数据集（v3a），一个基于CERES辐射数据的多源降水产品，以及一个基于SMOS和SMAP卫星的土壤湿度数据集。

这些数据集可以用于水文应用、气候研究和陆地-大气反馈研究。

模型效果与验证：

GLEAM模型在不同植被和气候条件下表现出色，能够准确估算蒸散发及其组成部分。

通过与其他模型（如SEBS、PT-JPL、Mu-MP）的比较，GLEAM模型在估算区域和全球尺度的通量响应、热浪检测与评估、气候变异性以及陆气反馈等方面具有显著优势。

GLEAM模型还被用于评估土壤水分与降水反馈关系，通过修改版GLEAM模型计算上午9点的总蒸发压力，并使用Priestley和Taylor方法估算潜在蒸发量。

具体应用案例：

在伊朗的研究中，GLEAM模型被用于估算蒸散发和潜在蒸散发，结合多层运行水平衡估计根区土壤水分，并消除随机强迫误差。

在欧洲西部的研究中，GLEAM模型被用于估算径流、土壤湿度和其他陆地表面变量，其增强的分辨率和复杂性提高了对这些变量的估算精度。

未来展望：

GLEAM4a和GLEAM4b数据集分别基于2008年至2023年和2003年至2023年的卫星和再分析数据，提供更高的空间分辨率和更长的时间序列。

这些数据集可以进一步用于更详细的陆气反馈研究，特别是在热带森林等敏感区域。

ETMonitor模型在高分辨率蒸散量估算方面具有显著的优势和一些局限性。以下是基于我搜索到的资料的详细分析：

高精度和高分辨率：

ETMonitor模型能够结合不同土地覆盖类型（水体、雪/冰表面和土壤-植被冠层）的蒸散参数化，提供1公里分辨率的每日实际蒸散量估算。这种高分辨率使得模型能够更好地反映地表蒸散发的空间异质性，特别是在地表异质性较强的区域。

在16米分辨率下，ETMonitor模型能够生成精度较高的高时空分辨率蒸散发产品，满足农业水资源利用及管理的精细化需求。

多源数据融合：

ETMonitor模型利用了多种遥感数据，包括全球陆地表面卫星（GLASS）产品中的生物物理变量（如反照率和叶面积指数），以及欧洲中期天气预报中心（ECMWF）的ERA-Interim气象产品中的近地面气象强迫数据。这种多源数据融合提高了模型的准确性和可靠性。

季节性和年度趋势捕捉：

ETMonitor模型在空间和时间上都能捕捉到预期的全球ET模式，特别是在水体蒸发和升华的季节动态、灌溉周期等方面。

减少对地表温度的依赖：

ETMonitor模型通过同化微波遥感表面土壤水分来考虑土壤水分对ET的影响，减少了对地表温度依赖，从而提高了模型在复杂地形和不同气候条件下的适用性。

数据依赖性强：

ETMonitor模型高度依赖于高质量的遥感数据和气象数据。如果这些数据存在误差或缺失，可能会影响模型的估算结果。

计算复杂度高：

ETMonitor模型结合了多种复杂的物理过程和参数化方案，计算过程较为复杂，需要较高的计算资源和专业知识。

在某些特定条件下的表现不佳：

在草地上，ETMonitor模型存在一定程度的低估（BIAS = -20 mm/mon），导致相对较高的MAPE（>30%）。这表明模型在某些特定土地覆盖类型下的表现可能不如其他模型。

对高分辨率数据的需求：

尽管ETMonitor模型在16米分辨率下表现出色，但高分辨率数据的获取和处理仍然具有挑战性，特别是在资源有限的地区。

总体而言，ETMonitor模型在高分辨率蒸散量估算方面具有显著的优势，特别是在精度、分辨率和多源数据融合方面。然而，其局限性主要体现在对高质量数据的依赖、计算复杂度以及在某些特定条件下的表现不佳。

URL:《Global Terrestrial Evapotranspiration Using PT_JPL Model》这篇文章由Kunz于2019年8月23日发表，主要讨论了基于PT_JPL模型的全球陆地蒸散量估算方法及其参数优化。文章利用了每月的AVHRR和ISLSCP-II数据，并在16个FLUXNET站点进行了验证。这些数据被用来评估模型的准确性和适用性。

敏感性分析：

文章首先进行了参数敏感性分析，以确定哪些参数对模型输出的影响最大。这一步骤是通过改变单个参数的值，观察模型输出的变化来完成的。敏感性分析的结果帮助识别了关键参数，这些参数在后续的优化过程中需要特别关注。

优化方法：

基于敏感性分析的结果，文章采用了多种优化方法来调整模型参数。这些方法包括：

网格搜索：通过在参数空间中进行系统搜索，找到最优参数组合。

遗传算法：利用遗传算法的迭代过程，逐步优化参数，以达到全局最优。

贝叶斯优化：使用贝叶斯方法，结合先验知识和观测数据，逐步更新参数的概率分布，最终找到最优参数。

多站点适应性：

为了适应多个站点的卫星基线蒸散量模型，文章采用了模型-数据融合方法。这种方法结合了模型预测和实际观测数据，通过迭代优化过程，逐步调整模型参数，以提高模型在不同站点的适用性和准确性。

提高准确性：

通过参数优化，PT_JPL模型在多个站点的蒸散量估算精度得到了显著提高。例如，在FLUXNET站点的验证中，优化后的模型与观测值之间的相关系数（R²）超过了0.9，表明模型的准确性有了显著提升。

减少偏差：

参数优化不仅提高了模型的准确性，还减少了估算结果的偏差。优化后的模型在不同气候条件下的表现更加稳定，减少了由于参数设置不当导致的系统性偏差。

增强适用性：

通过多站点适应性优化，PT_JPL模型在不同地理和气候条件下的适用性得到了增强。这使得模型能够更好地应用于全球范围内的蒸散量估算，特别是在数据稀缺或观测条件较差的地区。

总体而言，PT_JPL模型通过参数优化和多站点适应性调整，显著提高了全球陆地蒸散量估算的准确性和适用性。

MOD16模型在区域水平衡和干旱评估中的应用案例主要包括以下几个方面：

区域蒸散发估算：

改进的MOD16-sm模型：通过引入归一化水指数（NDWI）作为土壤水分信息的补充项，改进了MOD16模型的表面阻抗，从而提高了蒸散发（ET）估算的精度。这一改进在黄河中游地区的验证中表现出色，有效提高了区域ET的估算精度。

MOD16模型在西北干旱区的应用：在西北干旱区，通过改进后的MOD16-sm模型，验证了其在模拟蒸散发方面的高精度和可靠性。该模型在模拟值与观测值对比中表现出较高的决定系数（R² = 0.77），均方根误差（RMSE）较低，显示出良好的精度。

全球尺度的干旱评估：

干旱强度指数（DSI） ：基于MOD16蒸散产品数据，Mu等人提出了干旱强度指数（DSI），用于评估全球范围内的干旱状况。DSI能够反映过去10年的重要区域干旱事件。

蒸散胁迫指数（ESI） ：Anderson等人基于能量平衡的遥感蒸散模型提出了蒸散胁迫指数（ESI），该指数被美国农业部水文遥感试验室用于区域旱情监测，取得了良好效果。

水资源管理：

中国水资源概况分析：利用MOD16模型分析了中国水资源的概况，发现MOD16模型在估算蒸散量方面具有较高的精度和可靠性。研究表明，中国东部地区东南部湿润，西北地区干旱，黄河流域和青藏高原东南部的周围地区半干旱。

全球陆地蒸散量估算：NASA的MOD16产品广泛应用于全球陆地蒸散量的估算，为水资源管理和农业灌溉提供了重要数据支持。

特定地区的应用：

巴西半干旱地区：在巴西半干旱地区，MOD16模型的应用存在一定的不确定性，特别是在帕瓜萨河流域，不同水文模型的估算结果存在较大差异。这表明在特定地区使用MOD16模型时需要谨慎。

Poopó湖水文平衡分析：MOD16模型被用于分析Poopó湖的水文平衡，通过Fluxnet通量塔数据和水文平衡估算方法，评估了MOD16模型在不同气候条件下的表现。