蒸散发是水分从液态转化为气态的过程，是地球系统多圈层相互作用过程中物质循环和能量转换的主要载体。高质量的蒸散发产品不仅是明确陆地水量平衡和理解气候变化的关键和难题，还是厘清农田作物耗水理论、揭示城市生态环境效应、保障流域水资源合理配置、应对极端气候风险的关键和重要数据基础。
张永强研究团队长期从事陆地蒸散发机理和过程研究，以经典的Penman-Monteith理论为基础，基于冠层和裸土能量分配原理、土壤蒸发受制于均衡蒸发速率与蒸发系数的假定，建立了第一代三层遥感蒸散发模型PML-V1。研究团队进一步聚焦植被蒸腾和水循环过程的关键环节——植被气孔行为，通过解析植被气孔对大气CO2浓度、光合作用与水分传输的响应机制，构建了植被气孔导度的碳水耦合估算方法，研发了机理性更强、精度更高的二代蒸散发模型PML-V2。与国际主流模型比，PML-V2模型对森林和草地生态系统的蒸散发估算精度提高了约50%。基于PML-V2蒸散发模型与站点、流域观测数据和全球遥感数据的多尺度融合，团队研制了2000-2020年全球500 m分辨率的首套陆地蒸散发和植被总初级生产力耦合数据产品，目前在Google Earth Engine（https://developers.google.com/earth-engine/datasets/catalog/CAS_IGSNRR_PML_V2_v017?hl=en）和国家青藏高原科学数据中心（http://www.tpdc.ac.cn/zh-hans/data/48c16a8d-d307-4973-abab-972e9449627c/）提供开放下载。研究团队针对中国区进行了进一步精细化研究，研发了基于PML-V2的2000-2020年度日尺度、500米分辨率的蒸散发和植被总初级生产力耦合数据集，进一步提高了中国区的水、碳通量的估算能力，该数据集可通过国家青藏高原数据中心（http://dx.doi.org/10.11888/Terre.tpdc.272389）和国家对地观测科学数据中心（http://www.noda.org.cn/datasharing/datasetDetails/627f8f0235d79468ce238445）下载。（图1. （1）PML -V2模型原理及驱动数据处理流程图；（2）PML-V2生成的2003-2017年全球平均（a）蒸散发ET和（b）总初级生产力GPP空间分布图。见附件。）
全球PML-V2陆地蒸散发与总初级生产力数据集受到了国内业界的高度认可。2022年4月荣获了国家对地观测科学数据中心举办的首届优秀共享开放遥感数据集征集活动“十大最有贡献的数据团队”和“十大最具价值年度数据集”奖项；2022年5月下旬张永强研究团队又荣获了由中国国家发展和改革委员会、中国工业和信息化部、中国国家互联网信息办公室和贵州省人民政府主办的2022中国国际大数据产业博览会颁发的领先科技成果“优秀项目”（成员名单见后面的新闻链接）。
通过水量平衡法在全球43个大型流域上将2003-2012年期间的包括PML-V2在内的10个全球蒸散发数据产品进行评价，表明PML-V2估算大尺度蒸散发过程的表现优异。在综合评价了不同蒸散发产品精度的基础上，首次评估了三种间接评价方法（三帽法TCH、算术平均法AA和贝叶斯三帽法BTCH）评价蒸散发产品方面的表现，结果表明三种方法都能够剔除表现较差的产品。基于此，应用三种方法对不同的蒸散发产品进行数据融合，发现算术平均法能够进一步减少蒸散发产品的不确定性，提升资料稀缺地区应用蒸散发产品的能力。（图2. （1）基于水量平衡法的10个全球蒸散发数据产品的比较结果；（2）10个全球蒸散发数据产品、TCH\AA\BTCH识别的最优蒸散发产品、融合数据产品的精度对比。RMSE，均方根误差；ABIAS，绝对偏差；CC，相关系数。见附件。）
基于PML-V2模型及数据，团队深入研究了青藏高原地区1982-2016年的蒸散发变化规律。发现青藏高原平均陆地蒸散发为353±24 mm yr-1，其中土壤蒸发、植被蒸腾和冠层截留蒸发分别占64%、31%和5%。除了东南部部分地区外，青藏高原陆地蒸散发在1982-2016年间显著增大，并在1990s年代末期最为明显，1998-2016年的平均值比1982-1997年的平均值增大了11.5%。对整个青藏高原而言，降水是陆地蒸散发的主控因素，相对贡献达57%。空间尺度上，蒸散发的主控因素存在明显的异质性，降水主导了高原中西部蒸散发的变化；而气温和净辐射分别是东部和东南部蒸散发变化的主控因素；在高原东北部青海湖周边地区，叶面积指数是蒸散发变化的主导因素。（图3. （1）青藏高原多年平均的（a）陆地蒸散发、（b）土壤蒸发占蒸散发比例、（c）植被蒸腾占蒸散发比例以及（d）叶片截留蒸发占蒸散发比例的空间分布；（2）青藏高原（a）陆地蒸散发变化趋势主控因素的空间分布以及（b）不同气候区内各主控因素的网格占比。见附件。）
团队将PML-V2与生态水文模型进行耦合，深入解析了2000-2018年黄河流域不同子流域植被变化的生态水文效应。结果显示，植被变绿减少了径流和土壤水，增加了蒸散发；植被变绿越明显的子流域，所引发的水文效应越明显。植被变绿对径流和蒸散发的影响呈显著的轴对称波动分布。由于植被增加程度和干旱条件的不同，这种效应在空间上存在明显的异质性，随着干旱程度的增加蒸散发和径流对植被变化的敏感性增加。鉴于黄河流域突出的水资源危机问题，未来在进行植被生态工程建设时应考虑其使水资源需求增加和对水资源的负面影响。（图4. （1）黄河流域DEM图和所研究子流域空间分布图；（2）与基准期相比，植被变绿对黄河流域不同子流域土壤水（SW）、蒸散发（ET）和径流（Q）的影响；（3）土壤水（SW）、蒸散发（ET）和径流（Q）变化与叶面积指数变化的关系。见附件。）
针对环境因素（尤其是CO2施肥和气孔抑制作用）如何驱动全球生态系统水分利用效率（EWUE）变化的机制尚不清楚的问题，团队基于PML-V2模型及数据量化了1982-2014年全球尺度驱动因素（大气CO2、气候强迫、叶面积指数（LAI）、反照率和发射率）对EWUE的单独贡献。结果表明，全球EWUE增长趋势为0.04±0.004 gC mm−1 H2O decade-1，主要由CO2（51%）和LAI（20%）增加贡献，但被气候强迫（-26%）所抵消。在全球范围内，CO2施肥对光合作用的影响（23%）与CO2对气孔导度的抑制作用（28%）相似。在空间上，CO2施肥效应在半干旱地区主导了EWUE趋势，而气孔抑制效应主导了热带森林的EWUE趋势。以上研究提高了对环境因素如何影响EWUE长期变化的理解，并可以帮助政策制定者进行用水规划和生态系统管理。（图5. （1）1982–2014年生态系统水分利用效率（EWUE）和植物水分利用效率（PWUE）历史趋势的主要驱动因素的空间分布；（2）1982–2014年CO2施肥效应和气孔抑制效应对EWUE和PWUE历史趋势相对贡献率的空间分布。见附件。）
土壤水分是影响陆地蒸散发过程的重要分量，为了进一步提升PML-V2模型对蒸散发的估算精度，团队拟进一步结合遥感土壤水分对蒸散发过程和机理进行精细化研究，但目前可以获得全天候条件下的中高分辨率（公里级）大尺度遥感土壤水分产品较少。基于此，团队将MODIS光学反射率数据和日热红外地表温度（LST）作为主要的中高分辨率辅助数据集，结合自主改进的微波土壤水分降尺度方法以及光学遥感云下信号恢复方法，进而对2003-2019年36 km分辨率的AMSR-E / AMSR-2被动微波表层土壤水分进行降尺度，实现了1 km分辨率表层土壤水分的“全天候”数据的研发。该数据产品几乎完全覆盖了中国4月至9月期间日尺度的表层土壤水分，并且其他月份的数据精度也得到了极大的提升。该数据产品通过国家青藏高原科学数据中心（http://dx.doi.org/10.11888/Hydro.tpdc.271762）提供开放下载。高分辨率的“全天候”表层土壤水分数据的研发将支撑三代PML模型的研发与精细化研究，推动基于遥感的陆地蒸散发-水循环研究新范式。（图6. （1）本研究开发的1 km 表层土壤水分SSM产品与SMAP-Sentinel组合1 km SSM（SPL2SMAP_S_V3）的比较；（2）本研究开发的1 km SSM产品和原始36 km 数据在2003-2019年期间可用估计值的日数百分比的空间分布。见附件。）
获奖新闻链接：
“十大最有贡献的数据团队”和“十大最具价值年度数据集”奖项：
https://www.chinageoss.cn/dsp/cms/site_shareInfoDetail.action?queryInformation.id=ba4f8443-3da2-44c9-bdc0-f2fd9a324618
2022中国国际大数据产业博览会颁发的领先科技成果“优秀项目”：https://www.bigdata-expo.cn/index/cGJBSpeekDetail?plate=117
相关论文：
1. Shao, X., Zhang, Y.*, Liu, C., Chiew, F. H. S., Tian, J., Ma, N., Zhang, X., 2022. Can indirect evaluation methods and their fusion products reduce uncertainty in actual evapotranspiration estimates? Water Resources Research, e2021WR031069. https://doi.org/10.1029/2021WR031069（图2）
2. Ma, N.*, Zhang, Y.*, 2022. Increasing Tibetan Plateau terrestrial evapotranspiration primarily driven by precipitation. Agricultural and Forest Meteorology, 317, 108887. https://doi.org/10.1016/j.agrformet.2022.108887（图3）
3. Luan, J., Miao, P., Tian, J., Li, X., Ma, N., Faiz, M. A., Xu, Z., Zhang, Y.*, 2022. Estimating hydrological consequences of vegetation greening. Journal of Hydrology, 128018. https://doi.org/10.1016/j.jhydrol.2022.128018（图4）
4. Zhang, X.*, Zhang, Y.*, Tian, J., Ma, N., Wang, Y-P., 2022. CO2 fertilization is spatially distinct from stomatal conductance reduction in controlling ecosystem water-use efficiency increase. Environmental Research Letters, 17, 054048. https://doi.org/10.1088/1748-9326/ac6c9c（图5）
5. Song, P., Zhang, Y.*, Guo, J.*, Shi, J., Zhao, T., Tong, B., 2022. A 1 km daily surface soil moisture dataset of enhanced coverage under all-weather conditions over China in 2003–2019. Earth System Science Data, 14, 2613–2637. https://doi.org/10.5194/essd-14-2613-2022（图6）
相关新闻
