为2012年4月份~2012年10月份左右的近地表气溫 rC)、空气湿度（％)、太阳下行短波福射(W/m2)、摩擦速度(m/s)。选用的测试站点均位于张 披市盈科灌区，下垫面均为玉米，各站点所在空间位置如图3所示。运些站点其空间位置和 海拔，W及满动相关仪的架局等?目息如表1所不。
[0185] 表1.地表蒸散观测站点位置及海拔信息
[0186]
[018引1.系统流程
[0189] Α、数据预处理
[0190] 根据M0DIS产品的质量文件，通过十进制向二进制的转换功能，实现低质量和无效 数据的自动过滤，W及符合质量要求数据的自动提取。
[0191] Β、获取地表溫度和植被盖度
[0192] M0DIS数据产品为HDF格式，首先对其进行格式转换、投影转换、裁切等预处理，然 后根据地表溫度转换系数，计算得到WK为单位的地表溫度，最后通过植被盖度的计算公 式，将M0DIS植被指数转换为植被盖度。
[0193] C、计算地表溫度与植被盖度两阶段特征空间的理论边界
[0194] 根据气象站数据，通过迭代运算的方式，计算地表溫度与植被盖度两阶段特征空 间的理论干边和湿边。
[01巧]D、提取植被和裸±的组分溫度
[0196] 基于地表溫度与植被盖度两阶段特征空间的理论边界，在每一个通量观测站对应 的像素上，对遥感观测的地表溫度进行分解，得到植被和裸±的组分溫度。
[0197] Ε、计算植被和裸±组分的蒸发比
[0198] 根据植被和裸±组分溫度W及地表溫度与植被盖度两阶段特征空间的理论边界， 结合Priestl巧-化ylor公式，计算植被和裸±组分的蒸发比。
[0199] F、计算植被和裸±组分的可利用能量
[0200] 根据地表福射收支平衡方程，分别计算植被和裸±组分的可利用能量。
[0201] G、计算输出植被蒸腾、±壤蒸发、及地表蒸散
[0202] 通过地表蒸散的二源模式，计算输出植被蒸腾、±壤蒸发、及地表蒸散。
[0203] 2.结果分析及本方法的优越性
[0204] A.本发明模型与其他模型及实测数据的比较
[0205] 图4W散点图的形式，在每个满动相关仪观测站上，比较了站点实测EF和基于多种 方法估算的EF，运些模型包括本发明方法(简称MTME模型）、Long and Sin曲(2012)发展的 TTME二源模型、Long et al.(2012)发展的梯形算法，简称Trapezoid、Wang et al.(2006) 发展的矩形算法，简称Rectangle、^及Jiang and Islam发展的^角形算法，简称 Triangle。图（a)~图（f)分别对应6个EF观测站点：7号站、10号站、11号站、12号站、13号站、 W及14号站，每个站点上多个时相数据的比较，构成了图中的散点样式。图中横轴为实测 值，纵轴为遥感估算值。图中黑色斜线代表实测值与估算值的1:1线，各散点越接近该1:1 线，越表明估算值与实测值的一致性较高。图4表明：在多数站点上，MTME模型的估算结果比 其他算法更接近于实测值，表现在图4中，红色圆点更接近1:1等值线。
[0206] 表2.遥感估算EF与实测EF的定量比较
[0207]
[020引选择若干统计指标，进一步比较了遥感估算EF与实测EF。运些统计指标包括，均方 根误差（Root Mean Square lirror.RM沈）、平均相对误差（Mean Relative lirror.MREKW 及相关系数R，结果如表2所示。表2的统计结果表明，在大多数站点上，ΜΤΜΕ模型的RMSE要比 其他模型的RMSE小，MRE也要比其他模型的MRE小。从平均值来看，MTME模型的RISE为0.14，R 为0.71，MRE为17%。其次是Rectangle和TTME模型的RMSE及MRE较小，Trapezoid模型的较 大。总之，表2的统计结果从站点数据的比较上，证明了本发明方法的优越性，其平均估算误 差为17%，精度达到83%。
[0209 ]图5比较了遥感估算EF与实测EF在时间序列上的变化，图中EC表示满动相关仪 化ddy Covariance)观测的EF，图中横轴表示天数(；Day of year,D0Y)，年份是2012年。其中 第200天对应于2012年7月18号;第265天对应于2012年9月21号。该图表明：从D0Y 200(7月 中旬巧化0Y 250(9月上旬），植被生长比较旺盛，地表的EF值较高，自进入9月份之后，EF逐 渐下降。MTME模型估算的EF与实测EF具有较为一致的时间变化信息，在大多数站点上，MTME 模型的估算结果比其他算法的估算结果更接近EF的实测值。总之，图5从遥感估算值与实测 值的时序变好比较上，也说明了本发明方法的优越性。
[0210] B.本发明模型的敏感性分析
[0211] 模型的敏感性分析有助于了解模型的误差来源及其不确定性，选定两个初始场景 (两组初始的MTME输入参数），初始场景选定的依据是像素点在两阶段特征空间中的位置。 表3展示了运两个初始场景的参数值，包括气象站实测的空气溫度化、空气湿度畑、太阳下 行短波福射Sd、和摩擦速度U_star，W及M0DIS提供的植被指数NDV巧日地表溫度LST，其中场 景1对应于10号站、第250天、Terra M0DIS过境时刻(上午11:30)的环境;场景2对应于11号 站、第207天、Terra M0DIS过境时刻（上午10:12)的环境。
[0212] 表3.MTME初始场景的参数设置
[0213]
[0215]将表3所示的初始场景参数代入MTME模型，可计算得到运两个场景所对应的两阶 段特征空间。结果如图6所示，图6(a)和(b)分别为场景1和2对应的两阶段特征空间及遥感 观测像素在特征空间的位置，图中ABCD为计算得到的LST-SVI特征空间理论边界上的特征 点，P点为M0DIS观测像素在两阶段特征空间中的位置，0点为P点对应的AC边上的特征点，Μ 点为Ρ点对应在AD边上的特征点。在场景1中Ρ点位于Ξ角形ABCW内，在场景2中Ρ点位于Ξ 角形ACDW内。
[0216]在图6所示的场景中，逐个调节每个输入参数，然后计算新场景下的EF与初始EF的 相对大小，W此可评价模型对该调节参数的敏感性。其中将LST和化的调节范围设为[LST- 2K，LST+2K]和[Ta-2K，Ta+2K]，调节步长设为0.5K;将其余参数的调节范围设为其本身大小 的±20%，调节步长设为其本身大小的5%，比如Sd的调节范围为[Sd-SdX20%，Sd+SdX 20%]，调节步长为SdX5%。邸的相对变化(Relative Change，RC)定义为：
[0217]
[021引式中，6。±和6。0分别为调节参数下和初始参数下的MTME模型的输出值EF。
[0219] 图7为场景1环境下，即P点在；角形ABCW内时，MTME模型对输入参数的敏感性。图 8为场景2环境下，即P点在Ξ角形ACDW内时，MTME模型对输入参数的敏感性。对比运两个图 可知：
[0220] (1 )MTME模型对NDVI的敏感性，在不同的场景下有所不同。当P点在立角形ABCW内 时，EF随着NDVI的增大而增大，当NDVI从-20%至lj+20%发生相对变化时，EF的相对变化为- 5 %到巧％。但是当P点在Ξ角形ACD W内时，EF随着NDVI的增大而减小，而且EF针对NDVI的 相对变化比较敏感，NDVI增加50 %时，EF减小40 %左右。
[0221] (2)无论是在场景1还是在场景2的环境下，MTME模型对畑都不太敏感。在两个场景 中，邸均随着畑的增大而增大。在场景1中，当畑从-20%到+20%发生相对变化时，邸的相对 变化在± 1 % W内。在场景2中，当RH从-20%到+20%发生相对变化时，EF的相对变化在± 3% W 内。
[0222] (3)在场景1和场景2中，均随着Sd的增大而增大。当Sd从-20%到+20%发生相对 变化时，EF在场景1中的相对变化在± 5 % W内，但在场景帥的相对变化在± 30 % W内。说 明在场景2中，MTME模型对Sd更敏感。
[0223] (4)在两个场景中，EF均随着U_star的增大而减小，运可能是因为U_star的增大使 得空气动力学阻抗减小，从而增大了感热通量，使得蒸发比减小。MTME模型对ILstar的敏感 性也在场景1中较小，在场景2中较大。
[0224] (5)在两个场景中，EF随着LST的增大而减小，随着化的增大而增大，运可能是因为 LST的增大将P点拉向干边，从而EF减小;而化的增大使得P点向湿边相对移动，从而EF增大。 MTME对LST和化的敏感性，在场景1中较小，在场景2中较大。
[02巧]总之，MTME模型对输入参数化、RH、Sd、U_star、NDVI、和LST的敏感性与地表像素 P 在两阶段特征空间中的位置有关，当P在Ξ角形