Page 80 - 2023年第54卷第9期

综上，现有的全球遥感蒸散发数据集，在同时满足高空间分辨率（＜１ｋｍ）和高时间分辨率（日尺
度以下）方面仍存在较大不足。同时，在上述全球遥感蒸散发数据集中，大部分使用 ＦＬＵＸＮＥＴ全球通
量站点数据进行验证，但不同研究使用的通量站点数据存在差异，且仅部分研究展示了农田下垫面的
遥感蒸散发数据的验证精度（表 １），因此，仅根据已有研究，难以选择合适的全球蒸散发产品应用于
灌溉用水管理。
２．２ 高时空分辨率蒸散发数据融合 为满足灌溉用水精细化管理的需求，针对典型农业区域开展高时
空分辨率蒸散发遥感反演和数据融合的研究具有更重要的价值 ［１０］ ，综合利用不同遥感平台数据反演的
优势 ［２４ － ２６］ ，是最为常见的解决方案 ［２７］ 。然而，目前鲜有具备业务化应用能力的高分辨率、高精度的
蒸散发数据融合方法和数据集，亟需协同使用多平台、多波段信息，以进一步提高遥感蒸散发数据的
时空分辨率和精度 ［８，２４］ 。
目前，从遥感蒸散发反演模型的输入端和输出端两个方向，产生了两种数据融合方案 ［２８］ ，即先对
输入变量进行数据融合再进行蒸散发模拟，或先模拟蒸散发再对其进行数据融合以提高其时空分辨
率。输入端融合方法的主要特点是：利用再分析地表变量数据提供时空连续的背景场信息，或基于机
器学习方法挖掘高、低空间分辨率地表变量数据的时空关联特征 ［２５，２９］ 。输出端融合方法的主要特点
是：在高、低空间分辨率模型模拟蒸散发数据均无值时，利用邻近晴空日的蒸散比（蒸散发和参考蒸
散的比值）进行插值。相较于输出端融合方法，输入端融合方法获得的蒸散发精度往往更高 ［２８］ 。
在输入端融合方法中，Ｌｏｎｇ等 ［２９］ 提出了 “时空连续背景场 － 高质量遥感观测 － 全域系统误差校
正” 三位一体的数据融合模式，构建了多源多尺度数据的互补协调机制。其基本内涵是：首先，通过
陆面同化系统等再分析数据（如全球陆面数据同化系统数据，ｔｈｅＧｌｏｂａｌＬａｎｄＤａｔａＡｓｓｉｍｉｌａｔｉｏｎＳｙｓｔｅｍ，
ＧＬＤＡＳ），或重建时空连续的高频低空间分辨率遥感观测信息（如中分辨率成像光谱仪数据，Ｍｏｄｅｒａｔｅ
ＲｅｓｏｌｕｔｉｏｎＩｍａｇｉｎｇＳｐｅｃｔｒｏｒａｄｉｏｍｅｔｅｒ，ＭＯＤＩＳ），搭建 “时空连续背景场”；其次，筛选 “高质量遥感观
测” 信息（即高空间分辨率的低频少量观测信息），采用数据融合模型，匹配融合 “时空连续背景场”
和 “高质量遥感观测” 的时空信息，提升目标变量空间分辨率，得到初步融合结果；最后，整合研究
时段内遥感观测的所有有效像元，对初步融合结果在时空全域进行系统误差校正，实现融合结果精度
的再度提升。通过上述方法对再分析、遥感和地面观测等多源多尺度数据进行时空融合，系统性地解
决了光学和红外遥感易受云雨天气影响导致地表数据缺失、被动微波遥感空间分辨率较低的难题，并
支撑研制了多套高时空分辨率、时空连续、精度可靠的蒸散发等水循环要素数据集 ［１０，２６，３０ － ３１］ 。

３ 灌溉用水量估算

受灌溉水源、灌溉设施、作物种植类型等影响，灌溉用水量（灌入田间的水量，不包括输水损失）
空间差异性大。灌溉水可通过蒸散发消耗，或储存在根区土壤层中，或形成灌溉回归水补给地下水
（如图 ２）。以上灌溉水的最终去向的复杂性导致灌溉用水量估算难度较大。目前，大范围可靠的灌溉
用水量信息较为缺失。地面监测的灌溉用水信息，主要来自水井取水计量设施、灌区量水设备以及灌
区管理者针对农户灌溉行为开展的定期调查。然而，上述地面计量数据往往是国家或省级尺度的灌溉
取水量（即从地表水源或地下水源的直接取水量，包括灌溉用水量和输水损失），不具备更精细的空间
分布特征。此外，水文模型和陆面模式在判别灌溉事件和估算灌溉用水量方面存在较大不足 ［３２］ ，主要
因为模型的灌溉模块难以反映灌溉用水量的空间差异，且不考虑区域水资源供给能力。同时，很少有
研究分析水文模型和陆面模式估算灌溉用水量的效果，而更关注灌溉行为对区域水量平衡、陆 － 气耦
合模拟等的影响 ［３３］ 。
随着定量遥感的发展，一系列基于遥感反演地表变量的灌溉用水量估算方法应运而生 ［３４ － ３５］ 。其
中，蒸散发和表层土壤水分这两个由遥感反演较易获取的变量最为常用，目前主要有以下 ４种灌溉用
水量估算方法：①基于蒸散发的估算；②基于表层土壤水分的估算；③基于蒸散发和表层土壤水分的
估算；④基于蒸散发和根区土壤水分的估算。以下分述 ４种方法的物理机制和研究进展。

９
— １ ０ ０ —