遼河三角洲濕地生長季蒸散量時空格局及影響因素

劉曼晴,胡德勇,*,于 琛,王莎莎

1 首都師范大學資源環境與旅游學院,北京 100048 2 資源環境與地理信息系統北京市重點實驗室,北京 100048

濕地是水陸相互作用的獨特自然綜合體,在抵御洪水、調節氣候、控制污染等方面具有不可替代的作用,被譽為“地球之腎”。水是維持濕地穩定和健康的關鍵生境因子[1]：濕地的水文過程通過改變濕地環境的生物、物理和化學特性來影響濕地的類型、結構和功能,進而控制著濕地的形成與演化[2]。由于受自然環境變化和人類活動的雙重影響,濕地水循環過程發生了深刻變化,其生態水文過程成為了國內外學者研究的熱點。

蒸發和散發(Evapotranspiration,簡稱“ET”)是濕地水分損失的主要途徑[3],在很大程度上影響著濕地生態系統的水熱平衡。因此,開展濕地蒸散量及其時空特征研究,對濕地生境保護、生物多樣性保護、水資源管理、濕地退化修復、災害防御等方面具有重要意義。

傳統的ET測量主要采用水文、氣象學原理和方法在站點或田間測定。該類方法主要的不足有2點：(1)大范圍蒸散觀測耗費大量人力、物力和財力；(2)生境因子的空間變異性使站點觀測數據很難在區域尺度擴展。由于遙感數據具有快速、宏觀、重復性觀測等特點,所用光譜波段涵蓋可見光、近紅外和熱紅外等波段,使得遙感數據不僅能解決尺度擴展問題,而且能提供豐富且與蒸散密切相關的參數,從而使遙感技術在區域ET反演中得到廣泛應用[4- 6]。目前,利用遙感反演ET的方法主要有指數法和余項法[7]。指數法將遙感反演的指數(植被指數、微波土壤濕度指數、能量平衡指數)與 Penman-Monteith公式結合計算蒸散量[8- 9]；余項法利用遙感技術獲得的輻射和通量數據結合能量平衡方程估算蒸散量,主要分為單層、雙層和多層模型[10]。單層模型將土壤和植被視為均勻的“大葉”模型[11],在眾多單層模型中,“陸面能量平衡算法”(Surface Energy Balance Algorithm for Land,簡稱“SEBAL”)發展于美國植被密集的平原地區,以地表能量平衡方程為核心,結合遙感數據和氣象資料便可估算區域尺度的蒸散量[12],適用于所有可見光、近紅外、熱紅外傳感器和不同的氣候條件,特別是在我國東部地區已有很多成功的應用實例[10,13- 16]。由于研究區植被覆蓋度較高且長勢均勻,可視為單一層次,故選擇SEBAL模型作為本文ET遙感反演模型。

遼河三角洲濕地在調節河流水位和保持水量平衡中起著重要的作用,在氣候變化的大背景下,農業用水量逐年增加以及中下游水壩的修建,導致該區域生態用水不足。目前,已有多個學者在遼河三角洲開展了濕地ET研究,如王炳亮等[17]探究了1961—2010年潛在蒸散量的變化特征,于文穎等[18]估算了盤錦濕地2013—2015年生長季日蒸散量,并分析其空間和頻率特征。然而,對于遼河三角洲濕地實際蒸散量特別是長時間序列的蒸散量變化及其時空格局研究甚少,加上以往研究中多采用MOD16產品數據[19]開展長時間序列區域ET研究,其數據空間分辨率對于小區域ET反演存在不足。

本文以遼河三角洲濕地為研究區,利用Landsat數據、氣象數據等,基于SEBAL模型模擬濕地生長季蒸散量,并進一步分析蒸散量的時空特征及其影響因素,為增進對濕地水量平衡的理解和保護濕地生態平衡提供支持。

1 研究區和數據

1.1 研究區

遼河三角洲濕地位于遼寧省西南部遼河平原,是我國重要的河口濕地之一,本文研究區如圖1所示。它包括盤錦、營口、錦州部分區域,由來自遼河、大凌河、小凌河的泥沙沉積而成,介于約121°10′—122°30′E,40°30′—41°30′N之間,面積約6000km2。該區域海拔小于7m,地勢平坦。遼河三角洲屬于溫帶半濕潤半干旱季風氣候,年平均溫度約為8.6℃；年平均降雨量約為631mm,雨熱同期；年蒸發量約為1390—1705mm。遼河三角洲是我國重要的蘆葦、糧食和石油產地,在地區經濟中起著支柱作用。1985年以來,由于社會經濟快速發展,居民和工礦用地面積大幅增加,濕地景觀破碎化程度加劇,人類活動正導致著遼河三角洲濕地生境特征和生態結構轉變[20]。

1.2 數據

1.2.1遙感數據

本文所采用的遙感數據為Landsat系列衛星數據,包括Landsat- 5 TM和Landsat- 8 OLI/TIRS數據。在數據選擇方面,由于生長季內研究區植被覆蓋度較高,基于SEBAL模型反演的蒸散量更為準確,故本文對區域生長季蒸散量加以研究。但由于研究區地處海邊,遙感影像大多有云層覆蓋,加之Landsat衛星重訪周期為16天,選擇同日或同月數據較為困難。綜上,本文選擇1985—2017年7—9月(植被生長期)晴空少云資料共16景,對數據進行嚴格預處理,使之盡可能真實地反映地面屬性。具體影像資料介紹見表1。

表1 遙感數據

1.2.2氣象數據

研究區內有兩個氣象站：大洼和營口(圖1)。本文所采用的氣象數據來自中國氣象科學數據共享服務網(http://cdc.cma.gov.cn/),包括太陽輻射、風速、氣溫、相對濕度和蒸散發數據,采用反距離權重法對輸入模型的氣象數據進行了空間插值[21]。

1.2.3土地利用數據

研究區土地利用/覆被專題信息提取于1985—2017年的Landsat影像,共分為20類(圖2)。為方便后續統計,按照景觀類型差異,將研究區分為四類：水體區(水庫、鹽池、河流、水池、養殖水體)、濕地植被區(水田沼澤、草甸、葦田)、非濕地植被區(旱地、灌叢、林地)、非植被區(灘涂、淺水沙洲、裸地、城鎮居民點),灘地、工礦、道路、防護堤由于面積小,統計誤差較大,因此不做分析。

2 方法和技術流程

2.1 研究方法

2.1.1SEBAL模型及其參數確定

陸面能量平衡方程如下：

Rn-G-H-λET=0

(1)

式(1)中,λET為潛熱通量,W/m2；ET為蒸散量,mm；Rn為地表凈輻射,W/m2；G為土壤熱通量,W/m2；H為顯熱通量,W/m2。

圖1 研究區示意圖Fig.1 Schematic map of research area

圖2 土地利用/覆被類型圖Fig.2 Map of land use/cover types

(1)凈輻射通量計算方法[22]

Rn=(1-α)RS↓+(RL↓-RL↑)-(1-ε)RL↓

(2)

式中,ε為地表發射率,無量綱；α為地面反照率,無量綱；RS↓為入射的短波輻射,W/m2；RL↓為入射的長波輻射,W/m2；RL↑為反射的長波輻射,W/m2。其具體參數獲取詳見參考文獻[23]。

(2)土壤熱通量估算方法[24]

(3)

式(3)中,I為歸一化植被指數,無量綱；c11的取值與衛星過境時刻地方時有關,12:00前,c11=0.9,12:00—14:00,c11=1.0,14:00—16:00,c11=1.1。

(3)顯熱通量估算方法

(4)

式(4)中,ρair為空氣密度,kg/m3；Cp為空氣定壓比熱容(1004 J kg-1K-1)；rah為空氣動力學阻抗,s/m；dT是地氣溫差,K。

(4)瞬時蒸散量估算方法

基于得到的Rn、H和G,由式(1)得衛星過境時刻的瞬時蒸散量(ET)：

(5)

式(5)中,λ是水的汽化潛熱,計算公式為[23]：

λ=2.501-0.002361×(Ts-273.15)

(6)

2.1.2日蒸散量的估算方法

以上各通量均是基于遙感影像計算所得的瞬時通量,需轉換為日蒸散量。假設24h內,蒸發比EF(潛熱通量λET與可利用能量Rn-G之比)相對穩定[25]。

(7)

式(7)中,EF為瞬時蒸發比,無量綱；EFd為日蒸發比,無量綱；λETd為日潛熱通量,W/m2；Rnd為日總凈輻射量,W/m2,通過Allen等推薦的氣象學方法計算[26]；Gd為日土壤熱通量,W/m2,白天熱量從地表向土壤傳輸,取正值,晚上則相反,且二者數量相當,因此Gd=0[26]。故日蒸散量ETd為：

(8)

2.1.3蒸散量反演結果的精度評價方法

本文擬選用氣象站實測的小型蒸散發數據對蒸散量的反演結果進行驗證。該數據采用小型蒸發皿(平底圓筒形、器口直徑20cm、面積314cm2、深度10cm)測得,因蒸發皿的蒸發條件與自然水體不同,所以該數據不能準確代表自然水體的蒸散量。首先,設置不同的折算系數對蒸發皿數據進行校正,其轉換方法如下[27- 28]：

E0=E1×0.98

(9)

E1=E2×k

(10)

式(9)—(10)中,E0為自然水體蒸散量；E1為大型蒸發器的蒸散量；E2為小型蒸發器的蒸散量,k是折算系數。1、2、3、11、12月由于冬季結冰故不進行觀測,所以只提供生長季k值,如表2所示。

表2 遼寧E2對E1蒸散量的平均折算系數

其次,在蒸散反演結果中選擇離氣象站點最近的水體作為樣點,并選擇以水體樣點為中心的3像元×3像元窗口內的9個像元蒸散量的平均值作為SEBAL模型的水面蒸發估測值；最后,進行蒸散量的SEBAL模型估測值與實測值之間的對比分析。

2.1.4氣象因子的加權綜合分析方法

本文擬通過對氣象因子的加權綜合分析來探究氣象因子對蒸散量變化的影響。該方法主要利用蒸散量與幾個關鍵氣象因子(如平均氣溫、太陽輻射、風速、相對濕度)的相關性所占比例作為權重,以多個氣象因子的歸一化值作為統計參數,進行加權綜合,得到氣象因子歸一化加權值,用于分析氣象因子對蒸散量的影響。

蒸散量與氣象因子的相關性用相關系數表達：

(11)

2.2 技術流程

本文技術流程如圖3所示。首先,利用遙感數據反演地表參數(地表溫度、地面反照率、植被指數、地表發射率),結合氣象數據(氣溫)和DEM數據,計算研究區凈輻射通量、土壤熱通量、顯熱通量,基于輻射平衡估算瞬時蒸散量；再根據蒸發比恒定原理,估算研究區日蒸散量；最后,對所得估算結果進行精度驗證,分析日蒸散量的時空格局及其影響因素。

3 結果與分析

3.1 蒸散量反演結果及精度評價

由以上方法反演得到研究區1985—2017年8期日蒸散量結果。于文穎等[18]利用渦度相關數據驗證了蒸散量的反演結果,但在許多情況下,渦度相關數據不易獲得。為此,本文選用郭生練和任芝花等的轉換公式[27- 28],將從中國氣象科學數據共享服務網獲得的小型蒸散發數據轉換為自然水體蒸散量,與蒸散反演結果中水面蒸發量進行對比分析。選取9組符合統計要求的數據進行比較,得到圖4和表3。

圖3 技術流程圖Fig.3 Technique flow chart

圖4 實測值與估測值相關性分析Fig.4 Analysis of correlation between measured and estimated values

由圖4可知,估測值和實測值具有一定相關性,相關系數為0.61(P<0.1)。表3得出SEBAL模型估測值的相對誤差為9.01%,與于文穎等[18]模擬精度接近,說明SEBAL模型反演蒸散量在本研究區可行。

表3 精度評價

3.2 蒸散量時空格局分析

3.2.11985—2017年日蒸散量均值變化特點

在分析長時間序列日蒸散量均值變化趨勢前,本文首先對遙感數據的選擇做驗證,由于蒸散量遙感反演結果與遙感數據所選年份內生長季(7—9月)氣象站實測數據平均值有較好的相關性,表明本文所選8期遙感數據基本能代表相應年份生長季蒸散量的平均水平,可以用于進行蒸散量的時空變化分析。

圖5 蒸散量的時間變化特征Fig.5 Temporal change characteristics of ET

日蒸散量不同年份的變化過程及其相對變化率的年際波動情況如圖5所示。1985—2017年,日蒸散量均值在3.09—3.70mm/d之間波動,整體呈雙峰態勢。研究時段,日蒸散量最高值出現在1989年(3.70mm/d)；最低值出現在2005年(3.09mm/d)；多年日均蒸散量為3.40mm/d(實線)。相對變化率波動情況也呈雙峰態勢,其中最低為-17.21%(2005年),最高達到8.31%(1989年)。

比較分析各年日蒸散量均值發現,日蒸散量超出多年日均蒸散量的年份出現在1985、1989、1995、2014年,其他年份均低于多年日蒸散量均值,以2005年最為突出,低于0.50mm。據此將研究時段分為：1985—2005年,日蒸散量呈顯著降低趨勢；2005—2017年,日蒸散量呈顯著上升趨勢。從整體上看,1985—2017年蒸散量微弱下降(虛線)。

3.2.2日蒸散量均值的空間格局

圖6 平均蒸散量空間分布圖Fig.6 Spatial distribution map of average ET

1985—2017年,日蒸散量空間分布如圖6所示。總體而言,研究區日蒸散量具有較高的空間分異性,呈現水陸交界處最低、西部較低、中東部和南部高的趨勢。由圖6和圖2可知,蒸散量的空間分異性表現為：研究區水陸交界處主要是潮間帶光灘、裸地和淺水沙洲,植被覆蓋度低,在不受海水影響的情況下蒸散量也相對較低；南部主要是水體,包括水庫、河流等,蒸散過程以水面蒸發為主,蒸散量較高；東部主要是水稻田,水面蒸發和植被蒸騰都很重要；中部主要是蘆葦沼澤,由于蘆葦高度和覆蓋度較高,以植被蒸騰為主,蒸散量較大。該結果表明在一定程度上蒸散與區域內土地利用/覆被類型有較大聯系。

3.3 蒸散量影響因素分析

影響區域蒸散量時空格局的因素極有可能源于下墊面特性的土地利用/覆被和長時間的區域氣象條件變動[10],它們驅使蒸散量形成獨特的時空特征,下面分別對此進行分析。

3.3.1土地利用/覆被類型對蒸散量的影響

以2000年為例,統計該年不同土地利用/覆被類型的日蒸散量(圖7)。總體來看,水體及其周圍濕地的蒸散量較大,植被區蒸散量大于非植被區,蒸散主要與植被覆蓋度及水分供給狀況有關[29],蒸散量從大到小排序依次為：水體區>濕地植被區>非濕地植被區>非植被區(除水體外)。相關研究指出,水體蒸發是濕地蒸散的主體[30]；作為研究區面積最大的兩種植被的水田沼澤和葦田,水田沼澤日蒸散量高于葦田的結論與于文穎等[18]結論相似。

圖8為1985—2017年不同土地利用/覆被類型的蒸散量變化趨勢,水體蒸散量最高,非植被區蒸散量在大多數年份最低,按蒸散量從大到小排序為：水體區>濕地植被區>非濕地植被區>非植被區。由于非植被區中的灘涂、淺水沙洲等多位于淺海水域附近,該區域受潮汐的影響較大,使得蒸散量大小不可避免受水體影響。多年土地利用/覆被類型下蒸散量平均值(虛線)變化趨勢與圖5所示的蒸散量年際變化趨勢一致,均呈雙峰態勢。

圖7 不同土地利用/覆被類型平均蒸散量Fig.7 Average ET of different land use/cover types1: 草甸；2: 居民點；3: 灌叢；4: 旱地；5: 河流；6: 林地；7: 裸地；8: 淺水沙洲；9: 水池；10: 水庫；11: 水田沼澤；12: 灘地；13: 灘涂；14: 葦田；15: 鹽池；16：養殖水體

為進一步探究土地利用/覆被類型變化對蒸散量的影響,本文分析了不同土地利用/覆被類型面積的變化情況及由于面積的改變導致日總蒸散量的變化情況(圖9)。可以看出,水體、非濕地植被區、非植被區面積均呈增加趨勢,增加量分別為12.75km2、103.89km2、25.36km2；濕地植被區面積減小,且變化量最大(167.53km2)。研究時段內,水體、濕地植被區、非濕地植被區、非植被區單位面積平均蒸散量相差不大,但由于較大的面積變化量也會給日總蒸散量帶來較大影響,需先剔除不同土地/覆被類型單位面積平均蒸散量的影響。從圖9中曲線可知,水體、非濕地植被區、非植被區日總蒸散量增加,增加量分別為4.34×104m3、31.25×104m3、7.52×104m3；濕地植被區日總蒸散量減小,且變化量最大(54.45×104m3)。不同土地利用/覆被類型日總蒸散量的變化特征與其面積變化特征一致。結果表明,研究區土地利用/覆被變化主要是濕地植被的轉型,日總蒸散量隨土地利用/覆被面積的變化而變化。

圖8 不同土地利用/覆被類型蒸散量變化趨勢Fig.8 Trends of ET in different land use/cover types

圖9 不同土地利用/覆被面積與日總蒸散量變化情況Fig.9 Changes of land use/cover area and total daily ET

3.3.2氣象因子對蒸散量的影響

蒸散主要受下墊面性質、太陽輻射、氣溫、風速、相對濕度的影響[31]。圖10為氣象因子與日蒸散量的相關關系,結果表明：太陽輻射、氣溫、風速、相對濕度與日蒸散量均呈正相關關系,相關系數分別為0.37、0.73、0.24、0.30,說明氣溫可能是影響遼河三角洲濕地蒸散量變化的主要因子。

日蒸散量的變化原因復雜,是多種因素綜合作用的結果。圖11為蒸散量與氣象因子加權值的關系。圖中曲線均是多項式擬合曲線,兩者吻合度較好,相關系數為0.69,說明四個氣象因子加權能解釋蒸散量變化的原因。由圖5和圖8可知,2005年蒸散量為曲線拐點。而2005年平均氣溫、風速、太陽輻射和相對濕度分別為16.70℃、1.70m/s、17.65M J m-2和53%,除相對濕度外,其他三個氣象因子值都是序列中的最低值。由此,我們可以推斷：太陽輻射低,對土壤、植被和空氣的增溫作用較弱；氣溫較低,使得下墊面的水分運動較弱；而近地面風速較小,減弱了近地面空氣流動過程伴隨的水汽擴散和熱能傳遞能力,這可能最終導致蒸散速率較低,植物蒸騰和地表蒸發量較少。

圖10 蒸散量與氣象因子的關系Fig.10 The relationship between ET and meteorological factors

圖11 蒸散量與氣象因子加權值的關系 Fig.11 Relationship between ET and weighted values of meteorological factors

4 結論

本文基于SEBAL模型反演遼河三角洲濕地1985—2017年生長季蒸散量,分析其時空格局,探討不同土地利用/覆被類型、氣象因子對蒸散量的影響,主要得到以下結論：

(1) 蒸散量估測值與實測值相比,相對誤差為9.01%,相關系數為0.61。SEBAL模型能被用來估算遼河三角洲濕地蒸散量,估算結果可應用于時空變化研究。

(2) 時間變化特征表現為：1985—2017年平均蒸散量及相對變化率呈雙峰態勢,其中極小值出現在2005年,極大值出現在1989年和2014年,區域蒸散量呈微弱下降趨勢；空間變化特征表現為：遼河三角洲濕地蒸散量具有顯著的空間分異特征。

(3) 土地利用/覆被類型和氣象因子是濕地蒸散量時空變化的主要影響因素。多年土地利用/覆被類型蒸散量平均值的變化趨勢與蒸散量的年際波動趨勢一致,均呈雙峰態勢；不同土地利用/覆被類型按蒸散量從大到小排序依次為：水體區>濕地植被區>非濕地植被區>非植被區(除水體外)；土地利用/覆被變化能直接影響區域日總蒸散量。在區域尺度上,選取與蒸散量變化關系顯著的氣象因子(太陽輻射、氣溫、風速、相對濕度),采用因子加權方法能在一定程度上解釋蒸散量的時間變化特征。

本文選擇氣象站點的蒸散發實測數據來進行精度評價,這種驗證可能存在一定的不確定性；濕地蒸散同時存在蒸發和蒸騰兩種過程,兩種方式對總蒸散的影響仍需進一步研究；同時,氣象因子的加權方法解釋蒸散量的時間變化特征僅被初步應用在遼河三角洲,需要在其他區域進行驗證。