【RS Notes】Sun, 2015 两阶段梯形:温度-植被覆盖度空间的新解读

DOI: 10.1109/JSTARS.2015.2500605

如何理解特征空间中的点与蒸散之间的关系?

图1 特征空间的三种理解
  • Carlson对三角形特征空间的说明:暖边(干边)是零蒸发的等值线而非零蒸散的等值线。
  • 传统梯形特征空间理论认为土壤蒸发和植被蒸腾的变化是完全同步的。
  • 本文提出的两阶段特征空间认为,T_v的驱动因素是亚表层(根区)土壤水,而T_s的驱动因素是表层土壤水,因此T_s首先改变,在T_s达到最大值之后,T_v才开始变化(如图1c所示)。

两阶段特征空间的计算

图3 两阶段特征空间与传统梯形特征空间的比较

如图3b所示,如果一个点在\triangle ABC中,则其对应的植被温度为T_a,土壤温度根据CPy-轴交点求得;如果一个点在\triangle ACD中,则其对应的土壤温度为T_s^\max,植被温度由APx=1的交点求得。

这一对特征空间分区的做法,与Moran et al. (1994)的方法有相似之处。

同时,为了计算EF,我们还需要知道可用能量Q

这里同样认为Q满足线性叠加的关系:

\mathrm{Q}=f_{\mathrm{v}} \times \mathrm{Q}_{\mathrm{v}}+\left(1-f_{\mathrm{v}}\right) \times \mathrm{Q}_{\mathrm{s}}

\left\{\begin{array}{l} \mathrm{Q}_{\mathrm{v}}=\mathrm{R}_{\mathrm{v}}=\left(1-\alpha_{\mathrm{v}}\right) S_{\mathrm{d}}+\varepsilon_{\mathrm{v}} \varepsilon_{\mathrm{a}} \sigma T_{\mathrm{a}}^{4}-\varepsilon_{\mathrm{v}} \sigma T_{\mathrm{v}}^{4} \\ \mathrm{Q}_{\mathrm{s}}=(1-c) \mathrm{R}_{\mathrm{s}}=(1-c)\left[\left(1-\alpha_{\mathrm{s}}\right) S_{\mathrm{d}}+\varepsilon_{\mathrm{s}} \varepsilon_{\mathrm{a}} \sigma T_{\mathrm{a}}^{4}-\varepsilon_{\mathrm{s}} \sigma T_{\mathrm{s}}^{4}\right] \end{array}\right.

本文中\alpha_\mathrm{s}=0.3\alpha_\mathrm{v}=0.2\varepsilon_\mathrm{s}=0.95\varepsilon_\mathrm{v}=0.98都被设置为定值。大气发射率\varepsilon_\mathrm{a}则使用了经验公式:

\begin{array}{c} \varepsilon_{\mathrm{a}}=\left\{1-\left(1+46.5 e_{0} / T_{\mathrm{a}}\right) \exp \left[-\left(1.2+139.5 e_{0} / T_{\mathrm{a}}\right)^{1 / 2}\right]\right\} \\ \qquad e_{0}=6.11 \exp \left[\frac{L_{\mathrm{v}}}{R_{\mathrm{v}}}\left(\frac{1}{T_{0}}-\frac{1}{T_{\mathrm{d}}}\right)\right] \end{array}

为了确定特征空间的理论边界,使用了气象站点测得的T_a,以及Long et al.提出的公式:

\left\{\begin{array}{l} T_{\mathrm{v}}^{\max }=\frac{\left(1-\alpha_{\mathrm{v}}\right) S_{\mathrm{d}}+\varepsilon_{\mathrm{v}} \varepsilon_{\mathrm{a}} \sigma T_{\mathrm{a}}^{4}-\varepsilon_{\mathrm{v}} \sigma T_{\mathrm{a}}^{4}}{4 \varepsilon_{\mathrm{v}} \sigma T_{\mathrm{a}}^{3}+\rho c_{p} / r_{\mathrm{a}, \mathrm{v}}}+T_{\mathrm{a}} \\ T_{\mathrm{s}}^{\max }=\frac{\left(1-\alpha_{\mathrm{s}}\right) S_{\mathrm{d}}+\varepsilon_{\mathrm{s}} \varepsilon_{\mathrm{a}} \sigma T_{\mathrm{a}}^{4}-\varepsilon_{\mathrm{s}} \sigma T_{\mathrm{a}}^{4}}{4 \varepsilon_{\mathrm{s}} \sigma T_{\mathrm{a}}^{3}+\rho c_{p} /\left[r_{\mathrm{a}, \mathrm{s}}(1-c)\right]}+T_{\mathrm{a}} \end{array}\right.

FVC的计算则和Carlson的方法一样,使用了归一化NDVI的平方:

f_{\mathrm{v}}=\left(\frac{\mathrm{NDVI}-\mathrm{NDVI}_{\min }}{\mathrm{NDVI}_{\max }-\mathrm{NDVI}_{\min }}\right)^{2}

模型模拟验证

在给定条件下使用SVAT模型(SimSphere)模拟LST-FVC特征空间,然后与两阶段梯形特征空间和传统梯形特征空间比较。

图4 模拟得到的LST-FVC特征空间

实测数据验证

分别用两阶段和传统梯形特征空间估算EF,然后与实测值比较。

图5 两阶段和传统梯形特征空间在6个站点的EF反演结果对比

不确定性

  • 实际上是T^4而不是T可以线性叠加。作者计算了这一近似带来的误差。
  • 土壤水分不是驱动LST-FVC关系的唯一因素。
  • 根据SVAT模拟结果,RSM为1时T_\mathrm{v}也有一定变化;SSM为0时T_\mathrm{s}也有一定变化。对此,作者认为影响可以忽略。
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 218,386评论 6 506
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 93,142评论 3 394
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 164,704评论 0 353
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,702评论 1 294
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,716评论 6 392
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,573评论 1 305
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,314评论 3 418
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,230评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,680评论 1 314
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,873评论 3 336
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,991评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,706评论 5 346
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,329评论 3 330
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,910评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 33,038评论 1 270
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 48,158评论 3 370
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,941评论 2 355

推荐阅读更多精彩内容