1.本发明涉及大数据分析领域，具体涉及一种蒸散发估算方法、装置和电子设备。
背景技术：2.蒸散发(evapotranspiration,et)是水循环过程中的一个重要环节，蒸散发过程中需要消耗能量，因此蒸散发也是地表能量平衡的重要组分。蒸散发的准确估算，对于水资源规划，水利工程建设，灌溉管理，生态系统维护等具有重要的意义。遥感技术的应用为从区域尺度估算蒸散发的提供了一种可行的方法。但是，一般的遥感数据获取为卫星每次经过目标区域时获取，并不能够获取到足够的连续数据，遥感数据为瞬时状态的反映，基于遥感热红外数据进行地表温度反演、植被指数反演，根据两个参数组合获得表征区域干旱湿润情况等参数，进而应用表征区域干旱湿润情况等参数获取实际蒸散发的信息，这种方法在指定的日期并不能准确的对区域干旱湿润情况参数进行准确的估算，从而产生统一的系统性误差，不利于开展长时间序列的连续化区域蒸散发估算，通常只能实现旬或月尺度的蒸散发估算。
技术实现要素：3.有鉴于此，本发明实施方式提供了一种蒸散发估算方法、装置和电子设备，从而实现了以更短的时间尺度对目标区域进行蒸散发的估算，提高了区域蒸散发指标估算的准确率。
4.根据第一方面，本发明提供了一种蒸散发估算方法，所述方法包括：获取目标区域内的遥感数据和气象再分析数据，所述气象再分析数据是用于表征目标区域的气候参数的数据；将所述遥感数据和所述气象再分析数据进行时间尺度和空间尺度的匹配；基于匹配后的遥感数据和气象再分析数据分别计算出解耦系数和潜在蒸散发值，所述解耦系数用于表征潜在蒸散发值和实际蒸散发值之间的关系；基于所述解耦系数和潜在蒸散发值计算得到实际蒸散发值。
5.可选地，将所述遥感数据和所述气象再分析数据进行时间尺度和空间尺度的匹配，包括：对所述遥感数据进行线性内插，并对所述气象再分析数据进行算数平均计算，以使所述遥感数据和所述气象再分析数据的时间分辨率均转变为预设时间分辨率；基于所述预设时间分辨率将所述遥感数据和所述气象再分析数据在时间尺度上进行匹配；计算所述气象再分析数据各个格点预设半径范围内的遥感数据的算数平均值，并将计算的遥感数据的算数平均值与对应格点内的气象再分析数据匹配。
6.可选地，基于匹配后的所述遥感数据和所述气象再分析数据计算出解耦系数，包括：基于匹配后的遥感数据和气象再分析数据计算出作物缺水指数；利用所述作物缺水指数计算所述解耦系数。
7.可选地，所述基于所述遥感数据和所述气象再分析数据计算出作物缺水指数，包括：
8.分别从所述遥感数据和所述气象再分析数据中获取预设时间内的地表温度和空气温度；基于所述地表温度和所述空气温度之差的最小值和最大值计算所述作物缺水指数；其中，所述地表温度和所述空气温度之差基于目标地表土壤阻抗确定，所述目标地表土壤阻抗是目标区域当前的植被覆盖情况所对应的地表土壤阻抗。
9.可选地，基于匹配后的遥感数据和气象再分析数据计算出潜在蒸散发值，包括：将匹配后的遥感数据和气象再分析数据输入penman-monteith模型；获取所述penman-monteith模型输出的所述潜在蒸散发值。
10.可选地，所述基于所述解耦系数和潜在蒸散发值计算得到实际蒸散发值，包括：计算所述解耦系数和所述潜在蒸散发值的乘积，得到所述实际蒸散发值。
11.根据第二方面，本发明提供了一种蒸散发估算装置，所述装置包括：数据采集模块，用于获取目标区域内的遥感数据和气象再分析数据，所述气象再分析数据是用于表征目标区域的气候参数的数据；数据匹配模块，用于将所述遥感数据和所述气象再分析数据进行时间尺度和空间尺度的匹配；潜在蒸散发计算模块，用于基于匹配后的遥感数据和气象再分析数据分别计算出解耦系数和潜在蒸散发值，所述解耦系数用于表征潜在蒸散发值和实际蒸散发值之间的关系；实际蒸散发计算模块，用于基于所述解耦系数和潜在蒸散发值计算得到实际蒸散发值。
12.可选地，所述数据匹配模块，包括：时间分辨率统一模块，用于对所述遥感数据进行线性内插，并对所述气象再分析数据进行算数平均计算，以使所述遥感数据和所述气象再分析数据的时间分辨率均转变为预设时间分辨率；时间匹配模块，用于基于所述预设时间分辨率将所述遥感数据和所述气象再分析数据在时间尺度上进行匹配；空间匹配模块，用于计算所述气象再分析数据各个格点预设半径范围内的遥感数据的算数平均值，并将计算的遥感数据的算数平均值与对应格点内的气象再分析数据匹配。
13.根据第三方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面，或者第一方面任意一种可选实施方式中所述的方法。
14.根据第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机从而执行第一方面，或者第一方面任意一种可选实施方式中所述的方法。
15.本技术提供的技术方案，具有如下优点：
16.本技术提供的技术方案，基于遥感数据和气象再分析数据实现估算目标区域的蒸散发值，在将遥感数据与气象再分析数据匹配之后，可通过遥感数据获取目标区域的地表温度、结合植被类型、土壤质地等信息，在计算指定时刻的解耦系数与潜在蒸散发值时，通过气象再分析数据可直接采集准确的任意时刻的气候参数，避免了卫星经过目标区域采集遥感数据频次低，导致的数据不准确的问题。实现了在较短的时间尺度上对目标区域实际蒸散发值的估算。通过上述步骤，结合气象再分析数据可以将蒸散发估算的尺度精确到以日为单位，大大提高了蒸散发估计的准确性和实时性。
17.此外，相比传统方法先计算目标区域的土壤解耦系数、植被覆盖解耦系数和湿度解耦系数等系数，再以单一解耦系数或加权合并上述解耦系数的方法相比，本技术在计算
解耦系数时，以目标区域的作物缺水系数为衡量标准。不仅计算更加简便，而且结合缺水系数的特性同样综合考虑了植被覆盖率、气温、气压、湿度、土壤阻抗、土壤热通量等参数，保证了解耦系数的准确度。从而在保证了计算准确度的条件下，提高了蒸散发估算的时间频率。
附图说明
18.通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
19.图1示出了本发明一个实施方式中一种蒸散发估算方法的步骤示意图；
20.图2示出了本发明一个实施方式中一种蒸散发估算装置的结构示意图；
21.图3示出了本发明一个实施方式中一种电子设备的结构示意图。
具体实施方式
22.为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
23.请参阅图1，在一个实施方式中，一种蒸散发估算方法，具体包括以下步骤：
24.步骤s101：获取目标区域内的遥感数据和气象再分析数据，气象再分析数据是通过外部气象监测站获得的用于表征目标区域气候参数的数据。
25.具体地，现有技术单纯应用遥感数据进行蒸散发的计算，主要应用遥感热红外数据进行地表温度反演\植被指数反演，根据两个参数组合获得表征区域干旱湿润情况参数，进而应用该参数获取实际蒸散发的信息，但是该方法会产生统一的系统性误差，卫星运行是周期性的，热红外信息是瞬时的，同时受到卫星重访期、云量等因素的影响较大，计算的精度较低。在本实施例中，结合气象再分析数据，得以综合利用遥感数据对下垫面异质性表达较强的优点和气象再分析数据连续性较好的优点，大幅度提高蒸散发的估算准确度。应用遥感数据可表征土壤水分、下垫面、植被等信息，应用气象数据可表征天气条件。利用现有的统一遥感产品数据集与气象再分析数据还可以规避一部分系统误差，且数据集形式的遥感产品与气象再分析数据可以较为容易的实现时间与空间分辨率上的统一。因而引入气象再分析数据相较于用遥感数据反演所得气象要素的值理应更为准确，所得的蒸散发数据也更为合理。在本实施例中，采集的遥感数据包括植被叶面积指数、地表反照率、地表温度，来源于modis卫星数据产品，时间分辨率为8天、空间分辨率为500m；采集的气象再分析数据，包括气象要素有太阳下行短波辐射、气温、比湿、大气压、近地面风速、土壤水分，来源于中国气象局陆面数据同化系统(cldas)近实时产品数据集，时间分辨率为1小时、空间分辨率为1/16
°×
1/16
°
。
26.步骤s102：将遥感数据和气象再分析数据进行时间尺度和空间尺度的匹配。具体地，采集到的遥感数据和气象在分析数据其时间分辨率和空间分辨率通常并不相同，需要进行时间匹配和空间匹配才能继续后续的计算和使用，否则会导致计算得到的潜在蒸散发
值错误。
27.在本实施例中，数据具体匹配步骤如下：
28.1.对遥感数据进行线性内插，并对气象再分析数据进行算数平均计算，以使遥感数据和气象再分析数据的时间分辨率均转变为预设时间分辨率；
29.2.基于预设时间分辨率将遥感数据和气象再分析数据在时间尺度上进行匹配；
30.3.计算气象再分析数据各个格点预设半径范围内的遥感数据的算数平均值，并将计算的遥感数据的算数平均值与对应格点内的气象再分析数据匹配。
31.即在本实施例中，将时间分辨率为8天的遥感产品数据线性内插为1天，将时间分辨率为1小时的cldas气象再分析数据产品通过算数平均将其时间分辨率转化1天，然后在预设时间内，按照开始时刻和结束时刻将两类数据进行时间匹配。通过计算cldas网格点附近遥感数据产品的算数平均值将两者在空间上进行匹配。例如：气象再分析数据是将目标区域划分为多个格点进行采集的数据，对应目标区域内多个气象监测设备，在每个格点内具有多个遥感数据点，以当前格点为例，取当前格点预设半径范围内的遥感数据的算数平均值作为该格点对应的遥感数据，从而实现空间匹配。
32.步骤s103：基于匹配后的遥感数据和气象再分析数据分别计算出解耦系数和潜在蒸散发值，解耦系数用于表征潜在蒸散发值和实际蒸散发值之间的关系。具体地，潜在蒸散发(potential evapotranspiration，eto)既是水分循环的重要组成部分，也是能量平衡的重要部分，表示在一定气象条件下水分供应不受限制时，某一固定下垫面可能达到的最大蒸发蒸腾量，也称为参考作物蒸散，是实际蒸散量的理论上限。潜在蒸散量一般由估算获得，估算潜在蒸散量的方法大致可以分为3类：即温度法、辐射法和综合法。本实施例中，计算潜在蒸散发值的方法包括但不限于，蒸发皿法、penman-monteith模型、priestly-taylor模型，上述潜在蒸散发值计算方法为现有技术，具体原理在此不再赘述。在本实施例中，基于penman-monteith模型计算精度优于其他公式，且易于操作的优点，因此采用penman-monteith模型计算潜在蒸散发值。具体公式如下：
[0033][0034]
式中，et
p
是潜在蒸散发值，vpd为饱和气压差(kpa)，ρa为空气密度(kg/m3)；c
p
为空气热容(mj/kg/℃)，γ为湿度计常数(kpa/℃)，δ为饱和水汽压对温度关系曲线的斜率(kpa/℃)，来源于cldas数据产品，rn为日净辐射通量(mj/m2/d)，来源于遥感数据，g为土壤热通量。
[0035]
其中g＝g
soil
×
(1-fc)
[0036][0037]
fc＝(ndvi-ndvi
min
)/(ndvi
max-ndvi
min
)
[0038]rn
＝(1-α)
×rs
↓
+(ε
a-εs)
×
σ
×
(273.15+ta)4[0039]
[0040]
εs＝0.97
[0041]
上式中，rn为日净辐射通量(mj/m2/d)；α为地表反照率，来源于遥感数据；rs↓
表示下行太阳短波辐射(w/m-2
)，来源于cldas数据产品；εa、εs分别表示空气比辐射率和地面比辐射率，t
ann_avg
为年均温(℃)，ta为日均温(℃)，来源于cldas数据产品；σ为斯蒂芬-玻尔兹曼常数，为5.67
×
10-8
w/m2/k4；g
soil
为裸土土壤热通量(mj/m2/d)；fc为植被覆盖率；t
min_close
为植被气孔关闭的临界温度(℃)，根据植被类型确定；t
ann_avg
为年均温(℃)，t
day-t
night
为昼夜温差(℃)，均来源于cldas数据产品；ndvi为归一化数植被指数，ndvi
max
为区域内归一化植被指数的最大值，ndvi
min
为区域内归一化植被指数的最小值。最大与最小归一化植被指数用于确定植被覆盖率，为同一计算时段(本实施例中至少为1年以上的时间范围)的研究区域内的最大值与最小值。
[0042]
由于实际情况任意区域的水分必定不是能够无限补给的，因此准确估计实际蒸散发值对于制定灌溉计划至关重要。计算实际蒸散发值的方法通常是基于decouple模型实现，在得到潜在蒸散发值与解耦系数后，计算两个参数的乘积从而得到实际蒸散发值。解耦系数是综合反映土壤与植被对蒸散量影响的数值。本实施例中可采用的计算解耦系数方法，包括但不限于：以常数或两常数间线性参数模拟作物系数；基于植物的生长性状指标计算所得，例如作物覆盖度、株高、叶面积等；通过计算目标区域的土壤解耦系数、植被覆盖解耦系数和湿度解耦系数等系数之后，再加权计算整体解耦系数。
[0043]
步骤s104：基于解耦系数和潜在蒸散发值计算得到实际蒸散发值。具体地，通过解耦系数和潜在蒸散发值的数学关系计算实际蒸散发值即可，在本实施例中，基于decouple模型计算的实际蒸散发值等于解耦系数与潜在蒸散发值的乘积。
[0044]
具体地，在一实施例中，上述步骤s103中的计算解耦系数，具体包括如下步骤：
[0045]
步骤一：基于遥感数据和气象再分析数据计算出作物缺水指数。
[0046]
步骤二：计算单位1和作物缺水指数的差得到解耦系数。
[0047]
具体地，在本实施例中，基于2014年提出的作物缺水指数(cwsi)、实际蒸散发值eta与潜在蒸散发值et
p
之间的关系：
[0048][0049]
分析得到，上式中的形式与解耦系数表征的实际用途相近，因此本实施例直接基于1减去作物缺水指数的差计算解耦系数。在本实施例中，采用基于作物缺水指数计算解耦系数的方法，相比现有技术使用大量公式和参数，不仅计算更加简便，而且结合缺水系数的特性同样综合考虑了植被覆盖率、气温、气压、湿度、土壤阻抗、土壤热通量等参数，保证了解耦系数的准确度。从而在保证了计算准确度的条件下，提高了蒸散发估算的速度。在本实施例中，计算作物缺水指数的具体步骤如下：
[0050]
步骤三：分别从遥感数据和气象再分析数据中获取预设时间内的地表温度和空气温度。
[0051]
步骤四：基于地表温度和空气温度之差的最小值和最大值计算作物缺水指数。
[0052]
其中，地表温度和空气温度之差基于目标地表土壤阻抗确定，目标地表土壤阻抗
是目标区域当前的植被覆盖情况所对应的地表土壤阻抗。
[0053]
具体地，上述步骤三至步骤四计算作物缺水指数的公式表达如下：
[0054][0055]
式中ts为地表温度，ta为空气温度，ts由遥感地表温度数据集获得，ta由cldas温度网格数据获得；(t
s-ta)
min
与(t
s-ta)
max
分别为预设时间内地表温度与空气温度之差的最小值与最大值。
[0056]
其中
[0057]
当目标区域的表面分别为裸露土壤时理论上(ts-ta)的最小值与最大值，以及为植被覆盖时理论上(ts-ta)的最小值与最大值的四种情况基于以下公式计算：
[0058]
计算目标区域表面为裸土部分时，rs→
0时可得区域最小值(t
s-ta)
soil,min
，计算公式为：
[0059][0060]
计算目标区域表面为裸土部分时，rs→
∞时可得区域最大值(t
s-ta)
soil,max
，计算公式为：
[0061][0062]
计算目标区域表面为植被部分时，rs→
10s/m可得区域最小值(t
s-ta)
veg,min
，计算公式为：
[0063][0064]
计算目标区域表面为植被部分时，rs→
400s/m可得区域最小值(t
s-ta)
veg,min
，计算公式为：
[0065][0066]
综上，目标区域整体的(t
s-ta)
min
与(t
s-ta)
max
计算公式如下，
[0067]
(t
s-ta)
min
＝fc(t
s-ta)
veg,min
+(1-fc)(t
s-ta)
soil,min
[0068]
(t
s-ta)
max
＝fc(t
s-ta)
veg,max
+(1-fc)(t
s-ta)
soil,max
[0069]
在上述公式中，δ为饱和水汽压对温度关系曲线的斜率(kpa/℃)；γ为湿度计常数(kpa/℃)，e
a*
为空气温度所对应的饱和水汽压(kpa)，ρ为空气密度(kg/m3)；c
p
为空气热容(mj/kg/℃)，以上结合cldas中气温、气压数据，通过查表可得。ea为大气水汽压(kpa)，结合cldas中比湿数据与饱和水汽压e
a*
，通过简单换算可得。rs为地表土壤阻抗(s/m)，ra为空气动力学阻抗(s/m)；rn为日净辐射通量(mj/m2/d)；g为土壤热通(mj/m2/d)，fc为植被覆盖率，rn、g、fc的计算方法可参考上述步骤s101～s103的描述，在此不再赘述。
[0070]
ra的计算过程如下，其中参数采用联合国粮食及农业组织(fao)所推荐的经验值：
[0071][0072]
d＝2/3hv[0073]zow
＝0.12hv[0074]zoh
＝0.1
·zow
[0075]
上述公式中，k为冯卡曼常数，取值为0.41；zw与zh分别为风速与湿度观测高度(m)，取自cldas数据产品的属性数据；uw为风速(m/s)，来源于cldas数据产品；z
ow
与z
oh
分别为空气动力学与热力学表面粗糙长度(m)；d为零平面位移高度(m)；hv为植被高度(m)，根据fao的建议值及实地调查资料确定，结合遥感数据所得的植被类型图进行确定。
[0076]
从而，通过上述步骤的计算，即可确定准确的缺水系数，从而进一步得到解耦系数，再完成实际蒸散发值的计算。
[0077]
通过上述步骤，本发明实施例提供的日尺度连续化蒸散发估算方法，综合利用遥感数据与气象再分析数据，结合区域基础地理信息，利用cwsi模型与decouple模型之间的关系，通过计算作物缺水指数间接计算出整体解耦系数，结合由penman-monteith模型计算得出的潜在蒸散计算出实际蒸散发。通过综合遥感数据与气象在分析数据，提高了蒸散发估算的准确性与时空分辨率，弥补单纯应用遥感数据进行蒸散发估算的不足。
[0078]
此外，相比传统方法先计算目标区域的土壤解耦系数、植被覆盖解耦系数和湿度解耦系数等系数，再以单一解耦系数或加权合并上述解耦系数的方法相比，本技术在计算解耦系数时，以目标区域的作物缺水系数为衡量标准。不仅计算更加简便，而且结合缺水系数的特性同样综合考虑了植被覆盖率、气温、气压、湿度、土壤阻抗、土壤热通量等参数，保证了解耦系数的准确度。从而在保证了计算准确度的条件下，提高了蒸散发估算的速度。
[0079]
如图2所示，本实施例还提供了一种蒸散发估算装置，该装置包括：
[0080]
数据采集模块101，用于获取目标区域内的遥感数据和气象再分析数据，气象再分析数据是用于表征目标区域气候参数的数据。详细内容参见上述方法实施例中步骤s101的相关描述，在此不再进行赘述。
[0081]
数据匹配模块102，用于将遥感数据和气象再分析数据进行时间尺度和空间尺度的匹配。详细内容参见上述方法实施例中步骤s102的相关描述，在此不再进行赘述。
[0082]
潜在蒸散发计算模块103，用于基于匹配后的遥感数据和气象再分析数据分别计算出解耦系数和潜在蒸散发值，解耦系数用于表征潜在蒸散发值和实际蒸散发值之间的关系。详细内容参见上述方法实施例中步骤s103的相关描述，在此不再进行赘述。
[0083]
实际蒸散发计算模块104，用于基于解耦系数和潜在蒸散发值计算得到实际蒸散发值。详细内容参见上述方法实施例中步骤s104的相关描述，在此不再进行赘述。
[0084]
具体地，在一实施例中，上述数据匹配模块102，包括：
[0085]
时间分辨率统一模块，用于对遥感数据进行线性内插，并对气象再分析数据进行算数平均计算，以使遥感数据和气象再分析数据的时间分辨率均转变为预设时间分辨率。详细内容参见上述方法实施例中步骤s102的相关描述，在此不再进行赘述。
[0086]
时间匹配模块，用于基于预设时间分辨率将遥感数据和气象再分析数据在时间尺
度上进行匹配。详细内容参见上述方法实施例中步骤s102的相关描述，在此不再进行赘述。
[0087]
空间匹配模块，用于计算气象再分析数据各个格点预设半径范围内的遥感数据的算数平均值，并将计算的遥感数据的算数平均值与对应格点内的气象再分析数据匹配。详细内容参见上述方法实施例中步骤s102的相关描述，在此不再进行赘述。
[0088]
本发明实施例提供的一种蒸散发估算装置，用于执行上述实施例提供的一种蒸散发估算方法，其实现方式与原理相同，详细内容参见上述方法实施例的相关描述，不再赘述。
[0089]
通过上述各个组成部分的协同合作，本发明实施例提供的日尺度连续化蒸散发估算方法，综合利用遥感数据与气象再分析数据，结合区域基础地理信息，利用cwsi模型与decouple模型之间的关系，通过计算作物缺水指数间接计算出整体解耦系数，结合由penman-monteith模型计算得出的潜在蒸散计算出实际蒸散发。通过综合遥感数据与气象在分析数据，提高了蒸散发估算的准确性与时空分辨率，弥补单纯应用遥感数据进行蒸散发估算的不足。
[0090]
此外，相比传统方法先计算目标区域的土壤解耦系数、植被覆盖解耦系数和湿度解耦系数等系数，再以单一解耦系数或加权合并上述解耦系数的方法相比，本技术在计算解耦系数时，以目标区域的作物缺水系数为衡量标准。不仅计算更加简便，而且结合缺水系数的特性同样综合考虑了植被覆盖率、气温、气压、湿度、土壤阻抗、土壤热通量等参数，保证了解耦系数的准确度。从而在保证了计算准确度的条件下，提高了蒸散发估算的速度。
[0091]
图3示出了本发明实施例的一种电子设备，该设备包括处理器901和存储器902，可以通过总线或者其他方式连接，图3中以通过总线连接为例。
[0092]
处理器901可以为中央处理器(central processing unit，cpu)。处理器901还可以为其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
[0093]
存储器902作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如上述方法实施例中的方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。
[0094]
存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器901所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0095]
一个或者多个模块存储在存储器902中，当被处理器901执行时，执行上述方法实施例中的方法。
[0096]
上述电子设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解，此处不再赘述。
[0097]
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，实现的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；存储介质还可以包括上述种类的存储器的组合。
[0098]
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
技术特征：1.一种蒸散发估算方法，其特征在于，所述方法包括：获取目标区域内的遥感数据和气象再分析数据，所述气象再分析数据是用于表征目标区域的气候参数的数据；将所述遥感数据和所述气象再分析数据进行时间尺度和空间尺度的匹配；基于匹配后的遥感数据和气象再分析数据分别计算出解耦系数和潜在蒸散发值，所述解耦系数用于表征潜在蒸散发值和实际蒸散发值之间的关系；基于所述解耦系数和潜在蒸散发值计算得到实际蒸散发值。2.根据权利要求1所述的方法，其特征在于，将所述遥感数据和所述气象再分析数据进行时间尺度和空间尺度的匹配，包括：对所述遥感数据进行线性内插，并对所述气象再分析数据进行算数平均计算，以使所述遥感数据和所述气象再分析数据的时间分辨率均转变为预设时间分辨率；基于所述预设时间分辨率将所述遥感数据和所述气象再分析数据在时间尺度上进行匹配；计算所述气象再分析数据各个格点预设半径范围内的遥感数据的算数平均值，并将计算的遥感数据的算数平均值与对应格点内的气象再分析数据匹配。3.根据权利要求1所述的方法，其特征在于，基于匹配后的遥感数据和气象再分析数据计算出解耦系数，包括：基于匹配后的遥感数据和气象再分析数据计算出作物缺水指数；利用所述作物缺水指数计算所述解耦系数。4.根据权利要求3所述的方法，其特征在于，所述基于所述遥感数据和所述气象再分析数据计算出作物缺水指数，包括：分别从所述遥感数据和所述气象再分析数据中获取预设时间内的地表温度和空气温度；基于所述地表温度和所述空气温度之差的最小值和最大值计算所述作物缺水指数；其中，所述地表温度和所述空气温度之差基于目标地表土壤阻抗确定，所述目标地表土壤阻抗是目标区域当前的植被覆盖情况所对应的地表土壤阻抗。5.根据权利要求1所述的方法，其特征在于，基于匹配后的遥感数据和气象再分析数据计算出潜在蒸散发值，包括：将匹配后的遥感数据和所述气象再分析数据输入penman-monteith模型；获取所述penman-monteith模型输出的所述潜在蒸散发值。6.根据权利要求1所述的方法，其特征在于，所述基于所述解耦系数和潜在蒸散发值计算得到实际蒸散发值，包括：计算所述解耦系数和所述潜在蒸散发值的乘积，得到所述实际蒸散发值。7.一种蒸散发估算装置，其特征在于，所述装置包括：数据采集模块，用于获取目标区域内的遥感数据和气象再分析数据，所述气象再分析数据是用于表征目标区域的气候参数的数据；数据匹配模块，用于将所述遥感数据和所述气象再分析数据进行时间尺度和空间尺度的匹配；潜在蒸散发计算模块，用于基于匹配后的遥感数据和气象再分析数据分别计算出解耦
系数和潜在蒸散发值，所述解耦系数用于表征潜在蒸散发值和实际蒸散发值之间的关系；实际蒸散发计算模块，用于基于所述解耦系数和潜在蒸散发值计算得到实际蒸散发值。8.根据权利要求7所述的装置，其特征在于，所述数据匹配模块，包括：时间分辨率统一模块，用于对所述遥感数据进行线性内插，并对所述气象再分析数据进行算数平均计算，以使所述遥感数据和所述气象再分析数据的时间分辨率均转变为预设时间分辨率；时间匹配模块，用于基于所述预设时间分辨率将所述遥感数据和所述气象再分析数据在时间尺度上进行匹配；空间匹配模块，用于计算所述气象再分析数据各个格点预设半径范围内的遥感数据的算数平均值，并将计算的遥感数据的算数平均值与对应格点内的气象再分析数据匹配。9.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1-6任一项所述的方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机从而执行如权利要求1-6任一项所述的方法。
技术总结本发明公开了一种蒸散发估算方法、装置和电子设备，其中方法包括：获取目标区域内的遥感数据和气象再分析数据，气象再分析数据是用于表征目标区域的气候参数的数据；将遥感数据和气象再分析数据进行时间尺度和空间尺度的匹配；基于匹配后的遥感数据和气象再分析数据分别计算出解耦系数和潜在蒸散发值，解耦系数用于表征潜在蒸散发值和实际蒸散发值之间的关系；基于解耦系数和潜在蒸散发值计算得到实际蒸散发值。本发明提供的技术方案，实现了以更短的时间尺度对目标区域进行蒸散发的估算。更短的时间尺度对目标区域进行蒸散发的估算。更短的时间尺度对目标区域进行蒸散发的估算。
技术研发人员：邸苏闯 张东 郑凡东 唐荣林 姜亚珍 刘洪禄 张岑 张航 李雪敏 齐艳冰 于森 杨胜利 李卓凌
受保护的技术使用者：北京市水科学技术研究院
技术研发日：2022.04.21
技术公布日：2022/7/5
