塔河森林生态系统蒸散发的定量估算-应用生态学报

塔河森林生态系统蒸散发的定量估算*曲　迪　范文义**　杨金明　王绪鹏(东北林业大学,哈尔滨150040)摘　要　蒸散发是农业㊁气象㊁水文科学研究的重要参数,是全球水文循环过程的重要组成部分.本文应用改进的DHSVM 分布式水文模型,利用光学遥感TM 数据反演得到叶面积指数等地表数据,由数字高程模型求得坡度㊁坡向等地形指数因子,定量估算塔河地区2007年逐日蒸散发.应用BP 神经网络建立逐日蒸散发量与逐日径流出口流量的关系,并建立研究区水量平衡方程,共同检验研究结果的准确性.结果表明:该模型可以较好地应用于本研究区.塔河流域年总蒸散量234.01mm ,蒸散发与季节有明显的相关性,夏季蒸散发值最高,日均蒸散发值1.56mm ,秋季㊁春季日均蒸散发值分别为0.30㊁0.29mm ,冬季蒸散发值最低.地表覆盖类型对蒸散发值影响明显,阔叶林的蒸散发能力强于针阔混交林,其次为针叶林.关键词　蒸散发　分布式水文模型　Penman⁃Monteith 公式　BP 神经网络文章编号　1001-9332(2014)06-1652-09　中图分类号　S715.4　文献标识码　AQuantitative estimation of evapotranspiration from Tahe forest ecosystem ,Northeast China.QU Di,FAN Wen⁃yi,YANG Jin⁃ming,WANG Xu⁃peng (Northeast Forestry University ,Harbin 150040,China ).⁃Chin.J.Appl.Ecol .,2014,25(6):1652-1660.Abstract :Evapotranspiration (ET)is an important parameter of agriculture,meteorology and hy⁃drology research,and also an important part of the global hydrological cycle.This paper applied the improved DHSVM distributed hydrological model to estimate daily ET of Tahe area in 2007using leaf area index and other surface data extracted TM remote sensing data,and slope,aspect and oth⁃er topographic indices obtained by using the digital elevation model.The relationship between daily ET and daily watershed outlet flow was built by the BP neural network,and a water balance equa⁃tion was established for the studied watershed,together to test the accuracy of the estimation.The results showed that the model could be applied in the study area.The annual total ET of Tahe wa⁃tershed was 234.01mm.ET had a significant seasonal variation.The ET had the highest value in summer and the average daily ET value was 1.56mm.The average daily ET in autumn and spring were 0.30,0.29mm,respectively,and winter had the lowest ET nd cover type had a great effect on ET value,and the broadleaf forest had a higher ET ability than the mixed forest,fol⁃lowed by the needle leaf forest.Key words :evapotranspiration;distributed hydrological model;Penman⁃Monteith formula;BP neural network.* 十二五”国家科技支撑计划项目(2011BAD08B01)资助.**通讯作者.E⁃mail:fanwy@ 2013⁃01⁃23收稿,2014⁃04⁃14接受. 蒸散发过程包括土壤蒸发和植被蒸腾[1],是农业㊁气象㊁水文科学研究的重要参数,也是陆地水文收支平衡中非常重要的一部分[2-3].准确估算蒸散发不仅对研究全球气候变化和水资源评价等具有重要意义,而且对农作物需水生产管理㊁旱情监测预测㊁水资源有效开发利用具有十分重要的应用价值[4].一般情况下,降落到地表的降水有70%通过蒸散作用回到大气中,在干旱地区可达90%[5].可见蒸散发在全球水文循环过程中的重要性.从水量平衡角度而言,降水是水资源补给的唯一途径,蒸散发是内陆河流域水资源的最终消失途径[6].因此,准确快速地估算蒸散发,对于合理分配和利用水资源㊁协调用水矛盾有着重要意义.传统的蒸散发估算方法多是基于气象观测站点的单点计算[7].通过此方法虽可得到相对准确的蒸散发值,但难以实现大区域蒸散发的估算.分布式水文模型是基于水循环动力学机制来描述水文现应用生态学报　2014年6月　第25卷　第6期 Chinese Journal of Applied Ecology,Jun.2014,25(6):1652-1660象[8],能够考虑水文参数和过程的空间异质性,所揭示的水文循环物理过程更接近客观实际,更能真实地模拟水文循环过程,是水文模型发展的必然趋势[9],而且分布式水文模型更容易与遥感和地理信息系统相结合,同时考虑到太阳辐射㊁降水㊁地表覆盖㊁植被结构㊁土壤特性等对水文循环过程的影响,具有更强的物理和水文意义,故成为当前水文学研究的热点.在应用分布式水文模型模拟和估算径流及水文过程时,为使模型能够高效计算并且克服数据不足等问题,研究者采用多种数值方案,如Wood等[10]在水文模型中采用 代表性典型区域”;Donald[11]和Kite等[12]采用基于地表覆盖和坡度坡向的水文响应单元来估算降雨和水位;Kite[13]依据流域内水文特性将流域划分为不同的聚合模拟区域;Kouwen 等[14]使用集群响应单元来提高模型计算径流和河流网络的准确性等.分布式水文模型(distributed hydrology soil vege⁃tation model,DHSVM)由Wigmosta等[15]于1994年开发,该模型基于土壤⁃植被⁃大气连续体概念用双层模型计算蒸散发[16].Chen等[17]在此基础上对模型进行了4个方面的改进:考虑凋落物对蒸散发的影响;考虑水对气孔导度和蒸散发的影响;考虑根区垂直分布的影响;考虑植被上冠层㊁植被下冠层㊁苔藓及土壤表面对直接辐射㊁散射辐射的影响.这一系列的改进提高了模型在复杂下垫面环境及季节变化影响下,对蒸散发估算结果的准确性.森林作为地球上最重要的陆地生态系统之一,为人类的生产和生活提供各种产品和服务[18],其具有涵养水源㊁净化空气㊁水土保持㊁维持物种多样性㊁吸收二氧化碳及维持生态系统能量与物质循环等多种功能.其碳储量是研究和估算森林生态系统与大气碳交换的基本参数和关键因子[19].有研究显示,在陆地上,森林只占全球非冰表面的40%,但其生物量约占陆地生物量的90%,其土壤碳储量约占全球土壤碳储量的73%[20].因而森林生态系统的确切碳储量和固碳能力成为相关学科的研究重点.为了更准确地对森林生态系统碳循环进行建模研究,首先需要对与其相互耦合的水循环进行研究,二者在时间㊁空间尺度的相互耦合及作用,皆受到来自环境㊁气候㊁人类活动变化的影响.为更准确地进行碳循环模拟研究,本文选取改进的DHSVM模型,对塔河森林生态系统进行水循环建模,以遥感(RS)和地理信息系统(GIS)作为辅助技术,估算塔河森林生态系统2007年的逐日蒸散发,并验证该模型在研究区应用的适应性.1　研究地区与研究方法1.1　研究区概况塔河林业局位于大兴安岭主山脉东部㊁伊勒呼里山北麓㊁黑龙江以南(52°07′ 53°20′N,123°20′ 125°05′E),总面积9.18×105hm2.研究区地貌形态以丘陵㊁低山和少量中山为主,地形由西南向东北倾斜,地势缓延,平均坡度10.5°,平均海拔521m.研究区属寒温带季风气候,又具有明显的山地气候特点.研究区温度变化较大,冬季严寒而漫长,春秋季凉爽而短暂.降水多集中在6 8月,相对湿度70%~75%,积雪期长达5个月,年无霜期80~100d.研究区内大风㊁寒潮㊁暴雨等灾害性天气发生较频繁.塔河林业局森林资源丰富,森林类型以兴安落叶松(Larix gmelinii)为代表,另有红皮云杉(Picea asperata)㊁白桦(Betula platyphylla)㊁蒙古栎(Quercus mongolica)㊁樟子松(Pinus sylvestris var mongolica)㊁山杨(Populus davidiana)㊁黑桦(Betula dahurica)等乔木树种,以及笃斯越橘(Vaccinium uli⁃ginosum)㊁红瑞木(Swida alba)㊁兴安杜鹃(Rhodo⁃dendron dauricum)㊁胡枝子(Lespedeza daurica)㊁杜香(Ledum palustre)等灌木树种.1.2　研究方法本文采用改进的DHSVM分布式水文模型定量估算研究区蒸散发.该模型将生态过程与水文过程相耦合,基于研究区数字高程模型对该地区蒸散发㊁雪盖㊁土壤水和径流等水文过程进行动态描述.模型将流域内森林生态系统垂直分为5层:植被上冠层㊁植被下冠层㊁枯落物/苔藓层㊁不饱和土壤层及饱和土壤层,以等大小的栅格(像元)为模拟单元,每个像元被认为是一个独立的土壤⁃植被系统,水循环过程均在像元尺度以日步长进行模拟.模型充分考虑了各层间及地形指数对像元间水分交换的影响,并把土壤水分和运动作为影响水文过程的重要因素.为了更简便直观地应用该模型,Chen等[17]在2005年采用C语言编写了在控制台环境下运行该模型的应用程序,即本文建模计算中应用的Terrain⁃Lab应用程序.该程序采用面向对象的思想,实现了改进的DHSVM分布式水文模型的图形界面运行系统.其主要功能包括:模型运行控制参数的读取和编辑;模型遥感输入参数的读取;气象数据的读取;植物生理参数的设置;模型输出参数的设置.模型的运35616期 曲　迪等:塔河森林生态系统蒸散发的定量估算 图1　BP神经网络训练流程图Fig.1　BP neural network training diagram.行包括输入数据的运算,以及完善的出错提示等功能.该系统界面简洁㊁功能齐全㊁操作性强,使改进的DHSVM模型的应用更方便快捷.本研究过程首先需要进行数据收集和处理,得到模型主要输入数据,包括全年逐日气象数据㊁土地覆盖类型数据㊁数字高程模型(DEM)数据㊁叶面积指数(LAI)数据及土壤属性数据等,之后进行模型运行,得到逐日估算蒸散发㊁土壤含水量等数据,最终采用BP神经网络和流域水量平衡法进行模型验证.以下为两种验证方法的具体实现过程.1.2.1BP神经网络方法　流域径流量对蒸散发有着重要影响,二者具有高度的相关性.本文采用BP 神经网络考察日尺度上二者在年内的相关关系,从而证明模型蒸散发估算结果的准确性.由于计算的时间周期较长㊁数据量较大,为了提高神经网络学习效率,采用变步长的学习方法,以有效地缩短验证计算时间.对训练样本集中的每个样本重复图1所示的步骤,直到对整个训练样本集的误差达到要求为止.在训练时,需要反向传播,一旦训练结束,求解实际问题时,只需进行正向传播,通过泛化获得所需的指标信息.1.2.2水量平衡法　水量平衡方程是进行区域及地区水平衡和森林涵养水源功能计量评价的重要手段之一.利用水平衡方程检验流域内的水量平衡时,需要进行一个假设,即流域内土壤厚度均一,土壤由上到下分为不饱和层与饱和层,饱和层以下为不透水层.流域内水量动态平衡方程如下:W in-W out=Delta w(1)式中:W in为流域内输入的水,即大气降水量;W out为流域内输出的水,包括蒸散发㊁径流及土壤下渗,由于本研究假定土壤饱和层之下为不透水层,因此水的输出只有蒸散发和径流两部分;Delta w为流域内水储量的变化,包括土壤含水量的变化㊁生物量增加的消耗水等.王绍强等[21]研究结果显示,本研究区的最大土壤深度为0.8m;区域内粘壤土的孔隙率为46.3%,粘壤土的凋萎点(植物保持不凋萎时所需要的最小土壤含水量)为20%.因此,流域内水动态平衡方程如下:P-ET-SF=SW365-SW1(2) SW365-UST365+(0.8-WT365)(PR-WP)(3) SW1=UST1+(0.8-WT1)(PR-WP)(4)式中:P为降水量;ET为流域蒸散发量;SF为径流量;SW1和SW365分别为一年中第1天和第365天的土壤含水量;土壤含水量由两部分组成,分别为不饱和土壤层中的土壤含水量(UST)和饱和层土壤含水量(ST);PR为孔隙率,本文设定为46.3%;WP为凋萎点,本文设为20%.1.3　模型结构模型的基本水流过程如图2所示.模型计算时将苔藓层与土壤层作为一个整体进行计算,以像元为单位,计算蒸散发.式(5)描述了每个栅格像元内的水平衡:ΔW o+ΔW u+ΔW unsat+ΔW sat=P-E o-E u-T o-T u-R s-E s-W dr(5)4561 应　用　生　态　学　报 25卷图2　模型描述的基本水流过程Fig.2　Basic flow process of model description.式中:ΔW o㊁ΔW u㊁ΔW unsat㊁ΔW sat分别为植被上冠层㊁植被下冠层㊁不饱和土壤层和饱和土壤层的水储量;P 为降水量;E o㊁E u分别为植被上冠层㊁植被下冠层截留雨水蒸发;T o㊁T u分别为植被上冠层㊁植被下冠层实际蒸散发;R s为地表径流;E s为实际土壤蒸发;W dr 为深层排水.采用下式计算蒸散发:E ti=ΔR n i+ρc p e s-er a iλv[Δ+γ(1+r c i ra i)]δt(6)式中:i为植被上冠层㊁植被下冠层或苔藓层;E ti为时间步长δt内的实际蒸(散)发;R n i为第i层净辐射;ρ为湿空气密度;C p为空气定压比热;e s为饱和水汽压;e为实际水汽压;r a i为第i层空气动力学阻力;λv为汽化潜热;r c i为第i层的冠层阻力;Δ为气压⁃温度廓线斜率;γ为干湿球常数.对于植被层,蒸发和散发分别计算,模型假设蒸发以一个潜在速率发生在湿叶上,散发在干叶㊁湿叶上都发生,计算湿叶蒸发时,上式中r c i设为0.1.4　数据准备应用ENVI软件,采用最邻近法将本研究所有栅格数据空间分辨率重采样为30m×30m.投影方式采用UTM投影,WGS84椭球,投影带为52N.研究区面积为9.18×109m2.研究区遥感数据由2007年8月18日的两景Landsat5⁃TM卫星影像数据制作而成,图像质量良好.通过对遥感图像进行几何校正㊁辐射定标㊁大气校正等预处理,最终裁切后得到研究区遥感影像图.研究区LAI数据由遥感数据反演得到,采用朱高龙等[22]在黑龙江省帽儿山地区构建的LAI计算公式:LAI e=0.4939RSR+0.5188(7) RSR=SR[1-(SWIR-SWIR min)/(SWIR max-SWIR min)](8)式中:RSR为减化比值植被指数;SR为比值植被指数,其值为TM遥感影像第4波段地表反射率(NIR)与TM遥感影像第3波段地表反射率(R)之比;SWIR为遥感影像第5波段地表反射率;SWIR max 为完全郁闭冠层的遥感影像第5波段反射率; SWIR min为完全开放冠层的遥感影像第5波段反射率.本文采用2008年调查的30块固定样地实测LAI数据与反演LAI进行对比,验证结果表明,研究区LAI估算值与实测值具有很好的相关性,相关系数为0.6313.气象数据来源于中国气象科学数据共享服务网(),气象数据包括2006和2007年的日最高气温㊁日最低气温㊁日平均气温㊁日降水量㊁日相对湿度㊁日风速及日辐射数据等.各气象站点的地理位置如图3所示.利用土壤质地三角形国际分类标准[23]计算可知,研究区土壤质地类型只包含粘壤土一类数据.应用塔河小班分布图矢量数据(来自2006年国家二类土地利用调查),根据林分类型属性,利用ArcGIS软件生成研究区土地覆盖类型栅格数据.将研究区内土地覆盖类型分为4种:针叶林㊁阔叶林㊁针阔混合林和未利用地(图4).研究区数字高程模型(DEM)数据源于中国科学院计算机网络信息中心国际科学数据镜像网站,并利用ArcGIS软件提取坡度坡向数据作为模型输入项.2　结果与分析2.1　模型模拟结果2007年塔河地区全年总降雨量365.90mm,全图3　研究区气象站的地理位置分布Fig.3　Geographical distribution of meteorological stations.55616期 曲　迪等:塔河森林生态系统蒸散发的定量估算 年蒸散发量为234.01mm,蒸散发量与降雨量之比(ET/P)为0.64.研究区蒸散发量的变化与季节有明显的相关性:研究区1 3月气温低且气候干燥,蒸散发量较低;随着温度逐渐升高,植物开始生长,地表蒸散发量增大,春季日均蒸散发量为0.29mm;蒸散发量在夏季达到全年最高,夏季日均蒸散发量1.56mm;随着气温降低,植物在秋季开始凋落枯萎,叶面积指数减少,蒸散发量降低,秋季日平均蒸散发量0.3mm;研究区冬季平均气温仅为-22.54℃,不利于植被蒸散发,冬季日均蒸散发量仅0.01mm.由于3种土地覆盖类型的气候条件一致,所以月蒸散发变化趋势基本一致;在夏㊁秋季,气温较高㊁降水充足㊁辐射较强㊁植被茂密,3种土地覆盖类型植被蒸散发能力较强,且蒸散发间差异明显(图5). 结合2007年塔河地区全年蒸散发分布图(图6)和土地覆盖类型图(图4)发现,研究区蒸散发分布受土地覆盖类型变化的影响极大.其中,阔叶林蒸散发能力最强,针阔混交林次之,针叶林蒸散发能力最弱.本文主要研究森林生态系统蒸散发,故对土地图4　研究区遥感影像(a)㊁叶面积指数(b)㊁土地覆盖类型(c)和DEM(d)的分布Fig.4　Remote sensing data of study area(a),leaf area index(b),land cover types(c),distribution of DEM(d).图5　塔河地区的日蒸散发模拟值和不同土地覆盖类型月蒸散发模拟值Fig.5　Daily modeled ET of Tahe area and monthly modeled ET of different landcover types.Ⅰ:针叶林Coniferous forest;Ⅱ:阔叶林Broad⁃leaved forest;Ⅲ:混交林Mixed forest.6561 应　用　生　态　学　报 25卷表1　研究区不同土地覆盖类型蒸散发对比Table 1　ET comparison of different land cover types in the study area土地利用类型Land use type年蒸散发Yearly ET (mm)面积Area (×109m 2)面积所占比例Area proportion(%)蒸散发所占比例ET proportion(%)年总蒸散发Yearly total ET (×108m 3)针叶林Coniferous forest 177.66 2.5332.426.0 4.49阔叶林Broad⁃leaved forest 282.61 2.1928.035.8 6.19混交林Mixed forest213.413.0939.638.26.59覆盖类型为未利用地区域的蒸散发估算结果不做详细讨论.研究区混交林所占面积比重最大,占森林总面积的39.6%,其次是针叶林,占森林总面积的32.4%,阔叶林所占面积比重最小,只有28.0%;研究区各类土地覆盖类型叶面积指数由大至小依次为针叶林㊁混交林及阔叶林,其平均值分别为3.99㊁3.90及3.64;不同土地覆盖类型对蒸散发的贡献与其面积并不完全相符,混交林对蒸散发总量的贡献最大,贡献了全年总蒸散发的38.2%,阔叶林虽然面积比重最低,但其蒸散发能力最强,贡献了全年35.8%的蒸散发,针叶林蒸散发能力最弱,只贡献了全年26.0%的蒸散发(表1).2.2　基于BP 神经网络的模型验证土壤及生态系统内部的水储量变化,由于其过程复杂且相关参数较多,验证时将这一过程作为 黑箱”不做考虑.本文采用BP 神经网络,通过建立塔河地区日蒸散发估算值与塔河站日输出径流量间的相互关系,验证估算结果的准确性.其中,塔河站日径流数据来源于黑龙江省塔河水文站. 由图7可以看出,在塔河流域内,日序1~270d 期间蒸散发量和径流量的变化具有明显正相关,相关系数为0.679,且函数形态相似.故可通过BP 神经网络计算二者之间的函数关系,对模型拟合结果图6　2007年塔河地区年总蒸散发(ET)Fig.6　Yearly total ET of Tahe area in 2007.进行评价. 由图8可见,在BP 神经网络训练初期,由于训练样本数较少,且函数关系较模糊,导致函数关系拟合结果较粗糙,相对误差较高;随着训练的进行,相对误差迅速降低;在神经网络训练成熟之后,仿真结果准确度达到85%以上,说明估算的逐日蒸散发和实测日径流量在空间和逻辑上的相关性非常高.BP图7　日蒸散发(ET)与日径流(R)的对比Fig.7　Comparison of daily ET and runoff(R).图8　BP 神经网络训练的每日蒸散发相对误差和绝对误差Fig.8　Relative error and absolute error of daily ET trained by BP neural network.75616期 曲　迪等:塔河森林生态系统蒸散发的定量估算 神经网络训练的最初阶段处于春季,径流量较低,因此绝对误差较低.在日序的100~200d,处于BP神经网络拟合的稳定期,此时处于夏㊁秋季,研究区降水较多,气象变化较大,因此绝对误差有所回升;200d以后,BP神经网络拟合的函数关系已经较为精细,此时蒸散发虽然处于较高水平,但绝对误差呈走低的趋势.表明基于BP神经网络的塔河地区日蒸散发量与径流出口日流量具有较精确的函数关系,说明模型估算的研究区逐日蒸散发估算结果具有较高的准确性.2.3　基于水量平衡法的模型验证区域日蒸发量和流域日径流量均受降雨的影响,在日变化过程中,径流的产生需要经过下渗过程,有蓄满产流和超渗产流两种机制,而蒸散发则立刻响应降雨,因此径流的产生相对于降雨和蒸散发有一定的延时性,对验证结果的准确度会造成一定影响.为了更好地验证模型的准确性,本研究在BP 神经网络验证的同时,对研究区进行了流域水量平衡验证.研究区2007年的初始土壤水位使用2006年12月30日的土壤水位,由模型运算2006年的气象数据得到.经计算,研究区2007年年初土壤含水量为6.8×106m3,年末土壤含水量为6.3×106m3,即全年土壤含水量减少5×105m3.在计算研究区水量平衡时,除考虑到ET消耗㊁土壤水含量变化㊁径流输出因素外,还考虑了研究区居民生活用水㊁工农业用水㊁树木生长自身所需要水分等水量消耗途径.根据中国统计年鉴网()‘中国历年总用水量和人均生活用水量统计(1997 2002)“,1997 2002年黑龙江城镇人均生活用水量为123.05L㊃d-1,本研究假设2007㊁2008年人均生活用水量及农业用水为150L㊃d-1,塔河林业局共有人口92473人,则居民消耗的年水量为5.1×106m3,占总降水量的0.15%;塔河林业局工业项目稀少,因此本研究忽略了工业用水;李明泽[24]对大兴安岭生物量的研究结果表明,20世纪80 90年代,大兴安岭地区森林生物量平均增长3×10-3 t㊃m-2,年均增长3×10-4t㊃m-2,假设在没有采伐的情况下,研究区2007年保持5×10-4t㊃m-2的生物量增长量,而树干的生物量中含水量约40%,因此研究区内每年因树木生长所消耗的水分约为1.80×106 m3,占总降水量的0.05%.综上,除ET消耗㊁土壤含水量变化㊁径流输出因素外,其他因素导致的流域水消耗总量为6.90×106m3,占总降水量的0.20%.图9　月实测径流量(Ⅰ)和模拟径流量(Ⅱ)对比Fig.9　Comparison of measured monthly runoff(Ⅰ)and fitted runoff(Ⅱ). 2007年研究区共接收降水3.36×109m3.其中,通过蒸散发回到大气中的水量为2.15×109m3,占流域总入水量(即大气降雨)的63.99%;经河流排出的水量为1.17×109m3,占流域总入水量的34.82%.研究区内土壤含水量全年减少了5.00×105m3,占研究区降水量的0.01%,居民生活用水㊁工农业用水㊁树木生长共消耗水量6.90×106m3,占流域总入水量的0.21%.根据模型对2007年研究区水量平衡模拟,其水量平衡误差只有1.00%.由图9可见,模型对2007年每月径流量有较好的模拟效果.5㊁6月为雨季之初,降雨量增大,研究区植被在经历了漫长且缺水的冬季后,正处于缺水状态,此时的苔藓层及土壤层等都具有很强的蓄水㊁保水作用,因而降水大部分被植被层和土壤层吸收,未能到达河流,实测径流量较小;同时,5㊁6月的日照辐射不是很强,植被刚刚进入生长季,蒸散发量较小,因此模型计算得到的径流量相对较大.8㊁9月的降水减少,但由于经历了夏季长时间的供雨,土壤水分充足,并且不断地向河流中释放水分,因此实际径流量呈缓慢下降趋势.由于8㊁9月时植被生长速率已开始减慢,从土壤中吸收的水分逐渐减少,且日照辐射逐渐减弱,蒸散发量随之下降,因此模型计算得到的径流量值偏低.水量平衡验证法用模型模拟了从降雨到产生径流的物理过程,将模拟得到的月径流量与实测径流量进行比较.验证结果表明,水量平衡方程具有较低误差,月径流有较好的模拟效果,说明模型可很好地模拟研究区水循环过程.该模型可对研究区蒸散发进行准确估算.3　讨 论本文将改进的DHSVM模型应用于黑龙江省塔8561 应　用　生　态　学　报 25卷河地区,基于气象观测资料㊁遥感数据和土壤数据,估算了研究区2007年日蒸散发,并采用改进的BP 神经网络和水量平衡法对估算结果进行检验.结果表明,该模型估算得到的塔河地区日蒸散发结果是合理的,该模型可以很好地应用于塔河流域.2007年研究区年总蒸散发量为234.01mm,蒸散发量与降雨量之比(ET/P)为0.64.研究区蒸散发量与季节的变化相关,春季的蒸散发量较低,夏季蒸散发量达到最大值,秋季有一定的回落,冬季蒸散发量最小.蒸散发量与研究区土地覆盖类型相关,阔叶林的蒸散发能力最强,其次为针阔混交林,针叶林最弱.各土地覆盖类型的蒸散发在年内的变化趋势基本一致,随着植被蒸散发能力的增强,各土地覆盖类型间的蒸散发差异增大.本研究利用遥感技术,结合气象资料反演研究区地表蒸散发,遥感数据的空间连续性为反演蒸散发提供了重要参数.由于遥感影像的瞬时性,采集数据为研究区某一时刻的瞬时状态数据,所以反演得到的地表参数每天是不变的,而实际的地表参数是变化的,这对研究结果的准确性造成一定影响.在模型参数的输入方面,由于缺乏实地测量数据,部分参数仍沿用了原模型参数,由于原研究区位于53.9878°N㊁105.1188°W[17],从全球气候分布来看,该区域与本研究区气候相似,参数有一定代表性,但仍会对结果准确性造成一定影响.由于研究地区没有蒸散发的连续实际观测数据,本文采用两种方法进行模型验证,其一是采用BP网络模拟蒸散发与径流量的关系,其二是用模型模拟从降雨到产生径流的物理过程,最后用实测的径流量与模拟的径流量进行比较.两种验证方法都获得了较高的验证精度,为没有蒸散发实际观测数据情况下进行蒸散发模拟研究提供了验证思路和方法.参考文献[1]　Zhang X⁃J(张新建),Yuan F⁃H(袁凤辉),Chen N⁃N(陈妮娜),et al.Energy balance and evapotranspira⁃tion in broad⁃leaved Korean pine forest in ChangbaiMountains.Chinese Journal of Applied Ecology(应用生态学报),2011,19(3):607-613(in Chinese) [2]　Rosenberg NJ,Blad BL,Verma SB.Microclimate:TheBiological Environment of Plants.3nd Ed.New York:John&Wiley Sons,1983[3]　Chen R⁃S(陈仁升),Kang E⁃S(康尔泗),Yang J⁃P(杨建平),et al.Monthly evaporation capacity modelin mountainous region of Heihe Mainstream River.Hy⁃drology(水文),2002,22(6):5-10(in Chinese)[4]　Zhao L⁃L(赵玲玲),Xia J(夏　军),Xu C⁃Y(许崇育),et al.A review of evapotranspiration estimationmethods in hydrological models.Acta Geographica Sinica(地理学报),2013,68(1):127-135(in Chinese) [5]　Arora VK.The use of the aridity index to assess climatechange effect on annual runoff.Journal of Hydrology,2002,265:164-177[6]　Dalezios NR,Loukas A,Bampzelis D.Spatial variabili⁃ty of reference evapotranspiration in Greece.Physics andChemistry of the Earth,2002,27:1031-1038 [7]　Da R⁃M(达日玛).Regional Evapotranspiration andApplication Based on MODIS Data.PhD Thesis.Ho⁃hhot:Inner Mongolia Normal University,2010(in Chi⁃nese)[8]　Jiang S(姜　尚),Li F(李　飞),Chen L⁃F(陈立峰).Research progress of remote sensing technologyapplication in distributed hydrological model.Journal ofWater Resources&Water Engineering(水资源与水工程学报),2013,24(1):174-180(in Chinese) [9]　Xu Z⁃X(徐宗学),Cheng L(程　磊).Research pro⁃gress and application of distributed hydrological model.Journal of Hydraulic Engineering(水利学报),2010,41(9):1009-1017(in Chinese)[10]　Wood EF,Sivapalan M,Beven K,et al.Effects of spa⁃tial variability and scale with implications to hydrologicmodelling.Journal of Hydrology,1988,102:29-47 [11]　Donald JR.Snowcover Depletion Curves and SatelliteSnowcover Estimates for Snowmelt Runoff Modelling.PhD Thesis.Waterloo:University of Waterloo,1992 [12]　Kite GW,Kouwen N.Watershed modelling using landclassifications.Water Resources Research,1992,28:3193-3200[13]　Kite GW.Manual for the SLURP Hydrological Model.Colombo,Canada:NHRI,1995[14]　Kouwen N,Soulis ED,Pietronitro A,et al.Groupedresponse units for distributed hydrologic modelling.Journal of Water Resources Planning and Management,1993,119:289-305[15]　Wigmosta MS,Vail LW,Lettenmaier DP.A distributedhydrology⁃vegetation model for complex terrain.WaterResources Research,1994,30:1665-1679 [16]　Liu S⁃C(刘三超),Zhang W⁃C(张万昌),Gao M⁃F(高懋芳),et al.Distributed hydrological model com⁃bined with remote sensing for evapotranspiration re⁃search.Scientia Geographica Sinica(地理科学),2007,27(3):1-2(in Chinese)[17]　Chen JM,Chen XY,Ju WM,et al.Distributed hydro⁃logical model for mapping evapotranspiration using re⁃mote sensing inputs.Journal of Hydrology,2005,305:15-39[18]　Xiao Q(肖　强),Xiao Y(肖　洋),Ouyang Z⁃Y(欧阳志云),et al.Value assessment of the function ofthe forest ecosystem service in Chongqing.Acta Ecologi⁃95616期 曲　迪等:塔河森林生态系统蒸散发的定量估算 。