概要
短波净辐射（NSR）在地表能量收支中起着至关重要的作用，而研究发现忽略地形效应时，其估计精度较低。目前已经有多种算法来估计山区晴空NSR，但还没有算法可以在全天空（即晴朗和多云）条件下估计山区的NSR。此外，山区的地表异质性相当大，粗空间分辨率数据可能无法为精细尺度的应用提供足够的细节。为了应对这些挑战，我们开发了一种方法，直接通过Landsat 8和Sentinel-2大气顶部观测与山地辐射传输模型进行高空间分辨率（从20 m到30 m）的全天空NSR估计（称为“TOPO”）。为了进行比较，我们还构建了忽略地形的模型（称为“FLAT”）。TOPO模型在复杂地形下与承德地面站点观测的对比效果良好，均方根误差（RMSE）为80.9 W/m²，与FLAT模型相比RMSE降低了46.1%。同时，利用TOPO模型基于Landsat 8和Sentinel-2估算得到的NSR一致性良好。研究发现，在云天忽视地形效应也会为山地短波辐射估算带来显著误差。
研究结果
本研究将地形耦合到现有的辐射传输模型中，通过山地辐射传输机理和敏感性分析，确定了对估算山地短波净辐射重要的参量，构建了适用于多种地表和大气状况下的山地模拟数据集；利用机器学习方法在该模拟数据集上开展训练和验证，并应用于Landsat 8和Sentinel-2数据中。该方法简单高效，输入参数少（仅包含角度、地形、天顶反射率信息等），站点验证表明精度良好，同时分析了晴天和云天的地形效应控制因素。如图1所示为山地辐射传输过程概念图。
图1 北半球山地辐射传输过程概念图。（a）到（d）分别为夏季晴天，夏季云天，冬季晴天和冬季云天。
我们利用承德站点数据（复杂山地）和Ameriflux站点数据（平缓山地）对模型进行了验证，如图2所示。我们发展的考虑地形的直接估算方法（TOPO）相比忽略地形的方法（FLAT）有更高或者相似的精度，其精度提升在承德站点数据（复杂山地）更加明显（总体RMSE降低了46.1%），证明了在复杂山地估算短波辐射考虑地形效应的必要性。
图2不同站点不同时间范围的验证精度（RMSE）。（a）TOPO和（b）FLAT模型。时间范围定义为4个“太阳点”（即春分、夏至、秋分和冬至）±45天。
图3对比了利用Landsat 8和Sentinel-2估算NSR的差异，随坡度增大差异逐渐增大，这与两者分辨率差异有关，同时DEM数据重采样过程中也会引入误差，但整体对比的差异与方法的站点验证精度相当，说明了该方法的鲁棒性，未来可以拓展应用于更多传感器。
图3 利用Landsat 8和Sentinel-2估算NSR的差异（2018年10月17日中国承德, Sentinel-2结果被重采样到30米进行对比）。（a）Landsat 8 NSR，（b）Sentinel-2 NSR，（c）不同坡度的NSR差异直方图，（d）Landsat 8和Sentinel-2的观测天顶角差异。
图4展示了利用Landsat 8和Sentinel-2估算的NSR，山地的辐射异质性非常明显，同时，也可以观察到一些薄云下的地形效应。我们基于辐射传输模拟，探索了晴空和云天状况下地形效应对短波净辐射估算的影响，如图5所示，用山地辐射传输模型模拟得到的结果视为真值，而将FLAT模型应用于这一模拟数据上估算得到的NSR与真值的差异被认为是忽略地形导致的估算误差。可以清楚地看到，云天和晴天的地形效应都不可忽视，晴天的整体RMSE更高，而云天由于短波辐射量级较小，忽略地形导致的相对误差甚至高于晴天。直射辐射主导晴天的短波净辐射，所以当地太阳入射角（与坡度、坡向和太阳角度相关）主导晴天的地形效应；而散射辐射在云天占比重增大，因此云天的估算误差对天空可视因子更加敏感。
图4 利用Landsat 8和Sentinel-2估算的2019年承德山地区域时间序列NSR。
图5 利用FLAT模型估算的平均NSR不确定性随SVF和SZA与局部入射角之间的差异的变化。（a）和（b）分别是晴朗天空下的NSR RMSE和rRMSE，（c）和（d）分别是多云天空下的NSR RMSE和（带COD）。
研究结论
本研究首次实现了全天空山地短波净辐射估算，所发展的模型简单高效且精度良好。本研究说明了山地显著的辐射异质性，证明了有必要在晴天和云天条件下耦合地形来估算山地短波辐射参量。本研究为未来山地短波辐射估算提供了可扩展的框架，也促进了我们对山地能量收支的理解。未来的研究可以考虑如何实现时间尺度扩展，如借助地球静止卫星生成日均短波辐射，如何将高空间分辨率极轨道卫星与高时间分辨率地球静止卫星相结合，提升山地短波辐射估算的精度以及时空分辨率。
