地表蒸散发、土壤水分等生态水文关键参量是地球系统多圈层中能量传输和水分循环的重要控制因素。准确监测和模拟流域乃至全球尺度的生态水文关键参量，对全球环境变化、流域水资源管理以及农业可持续发展等具有十分重要的科学意义与应用价值。由于受到地表异质性的影响，如何准确地监测与模拟这些参量，以及如何利用观测数据客观地评价模型模拟结果，是非常困难的。刘绍民教授团队通过构建黑河流域地表过程综合观测网，利用地面观测、遥感反演和过程模型等手段实现了生态水文关键参量的综合监测和动态模拟。研究团队在2018年发表了9篇相关SCI论文（其中一区论文3篇，二区TOP论文4篇），取得了以下研究进展：
（1） 全面总结了黑河流域地表过程综合观测网。黑河流域地表过程综合观测网是我国第一个流域尺度观测网。文章全面总结了黑河综合观测网自2007年启动以来取得的进展，从长期观测平台和专题试验两方面阐述了观测网的发展历程，主要包括：观测网的建设、通量观测矩阵试验、数据处理与质量控制、运行与维护及数据共享等，以及在观测数据分析、尺度扩展方法、高时空分辨率遥感产品生产、模型-数据融合等方面取得的研究成果（Liu et al. 2018, Vadose Zone Journal）。
（2）应用地面和遥感监测数据，发展了多种地表蒸散发尺度扩展方法。基于通量观测矩阵数据，结合高分遥感数据，比较了面积权重法、基于Priestley-Taylor公式、不等权重面到面回归克里格、人工神经网络、随机森林和深度信念网络等尺度扩展方法，优选合适的尺度扩展方法，获取了卫星像元尺度地表蒸散发“地面真值”（Li et al., 2018, Journal of Geophysical Research-Atmospheres）；基于黑河综合观测网的数据，选用36个站点（65个站年）观测数据，结合多源遥感数据和大气驱动数据等，运用机器学习方法（随机森林等）构建了地表蒸散发尺度扩展模型，生产了2012-2016年生长季（5-9月）黑河流域尺度（1km×1km）地表蒸散发“地面真值”（Xu et al., 2018a, Journal of Geophysical Research-Atmospheres）。这些研究解决了地面观测与遥感像元/模式网格之间空间尺度不匹配的问题，获取的像元尺度及区域尺度“地面真值”数据集可用于遥感估算及模式模拟结果的验证。
（3） 利用多源、多分辨率遥感数据，发展了生态水文关键参量的大尺度监测方法。基于多源遥感数据（MODIS、ASTER、ETM+等），应用ESTARFM遥感影像融合算法获得了高时空分辨率遥感地表参数。结合优化后的SEBS模型与时间扩展方法，估算了2012年黑河流域中游区域生长季期间（4-10月）逐日田块尺度（100米）地表蒸散发，并获得了黑河中游灌区农田水分利用效率，为灌溉决策提供了重要依据（Ma et al., 2018, Remote Sensing of Environment）。基于中低分辨率卫星遥感数据（MODIS）和大气驱动数据，发展了基于TSEB-DTD模型的大尺度蒸散发、土壤蒸发、植被蒸腾估算方法，获得了2012-2015年生长季黑河流域逐日1km植被蒸腾与土壤蒸发，并分析了其时空变化特征和主控因素（Song et al., 2018, Remote Sensing of Environment）。基于光线追踪原理，结合地基和机载辐射计的观测亮温数据，构建了可用于土壤水分/植被水分反演的多频率多角度微波辐射模型，可实现对土壤水分/植被水分高精度遥感反演（Chai et al., 2018, IEEE Geoscience and Remote Sensing Letters）。
（4）集成综合监测与过程模型，发展了生态水文关键参量的动态模拟方法。利用机载激光雷达数据，应用计算流体力学方法（CFD）模拟了黑河中游绿洲区高时空分辨率风场（15米、逐时），刻画与分析了异质性绿洲地表的“风屏效应”、空气动力学粗糙度变化特征等（Liu et al., 2018, Journal of Geophysical Research- Atmospheres）。在变分同化框架下，首次将极轨卫星多源遥感数据（地表温度、叶面积指数、反照率等）进行了同化，准确模拟了黑河流域地表水热通量的时空变化特征，分析了地表蒸散发随海拔高度的变化特征（Xu et al., 2018, Remote Sensing of Environment）。基于静止气象卫星时间连续地表温度观测数据，比较了不同同化方法（变分和集合卡尔曼平滑同化方法）在估算地表水热通量方面各自的优势，发现集合卡尔曼平滑方法可以达到与变分方法相近的模拟效果，同时可给给出模型模拟的
确定性（Xu et al., 2018b, Journal of Geophysical Research-Atmospheres）。
生态水文关键参量综合监测与动态模拟示意图
相关论文：（*标为通讯作者）
1. Liu S*, Li X, Xu Z, Che T, Xiao Q, Ma M, Liu Q, Jin R, Guo J, Wang L, Wang W, Qi Y, Li H, Xu T, Ran Y, Hu X, Shi S, Zhu Z, Tan J, Zhang Y, Ren Z, The Heihe integrated observatory network: A basin-scale land surface processes observatory in China, Vadose Zone Journal, 2018, doi:10.2136/vzj2018.04.0072. (IF=2.710, 三区)
2. Xu T, Guo Z, Liu S*, He X, Meng Y, Xu Z, Xia Y, Xiao J, Zhang Y, Ma Y, Song L, Evaluating Different Machine Learning Methods for Upscaling Evapotranspiration from Flux Towers to the Regional Scale, Journal of Geophysical Research-Atmospheres, 2018a, 123, 8674-8690, https://doi.org/10.1029/2018JD028447. (IF=3.380, 二区TOP)
3. Li X, Liu S*, Li H, Ma Y, Wang J, Zhang Y, Xu Z, Xu T, Song L, Yang X, Lu Z, Wang Z, Guo Z, Intercomparison of six upscaling evapotranspiration methods: From site to the satellite pixel, Journal of Geophysical Research-Atmospheres, 2018, 123, 6777-6803, https://doi.org/10.1029/2018JD028422. (IF=3.380, 二区TOP)
4. Ma Y, Liu S*, Song L, Xu Z, Liu Y, Xu T, Zhu Z, Estimation of daily evapotranspiration and irrigation water efficiency at a Landsat-like scale for an arid irrigation area using multi-source remote sensing data, Remote Sensing of Environment, 2018, 216, 715-734, https://doi.org/10.1016/j.rse.2018.07.019. (IF=6.457, 一区)
5. Song L, Liu S*, Kustas W, Nieto H, Sun L, Xu Z, Skaggs T, Yang Y, Ma M, Xu T, Tang X, Li Q, Monitoring and validating spatially and temporally continuous daily evaporation and transpiration at river basin scale, Remote Sensing of Environment, 2018, 219, 72-88, https://doi.org/10.1016/j.rse.2018.10.002. (IF=6.457, 一区)
6. Chai L*, Zhang Q, Shi J, Liu S, Zhao S, Jiang H, A parameterized multiangular emission model of L-, C- and X-band for corn considering multi-scattering effects , IEEE Geoscience and Remote Sensing Letters, 2018, 15(8), 1249-1253, https://doi.org/10.1109/LGRS.2018.2829222. (IF=2.892, 三区)
7. Liu R, Liu S*, Yang X, Lu H, Pan X, Xu Z, Ma Y, and Xu T, Wind dynamics over a highly heterogeneous oasis area: an experiment and numerical study, Journal of Geophysical Research-Atmospheres, 123, 8418–8440. https://doi.org/10.1029/2018JD028397. (IF=3.380, 二区TOP)
8. Xu T*, Bateni S, Neale C, Auligne T, Liu S, Estimation of Turbulent Heat Fluxes by Assimilation of Land Surface Temperature Observations from GOES Satellites into an Ensemble Kalman Smoother Framework, Journal of Geophysical Research-Atmospheres, 2018b, 123, 2409-2423, https://doi.org/10.1002/2017JD027732. (IF=3.380, 二区TOP)
9. Xu T*, He X, Bateni S, Auligne T, Liu S, Xu Z, Zhou J, Mao K, Mapping Regional Turbulent Heat Fluxes via Variational Assimilation of Land Surface Temperature Data from Polar Orbiting Satellites, Remote Sensing of Environment, 2018, https://doi.org/10.1016/j.rse.2018.11.023. (IF=6.457, 一区)