20170310-Ground heat flux: an analytical review of 6 models evaluated at 88 sites and globally

1、G / RNET在无植被下的特殊情况

关于土壤热性质的参数化和结合改变性质（例如表面土壤水分）的进一步工作创造了在全球提高模型性能的机会。

——较为极端的气温下，模型模拟精确度较低——之前的模型使用LST作为主要指标，而METRIC模型则使用植被覆盖在高覆盖区域作为主要指标，而低覆盖区域则继续使用LST作为主要指标，模拟效果更好。——植被高度可能有影响——仅由LST驱动的模型错过了由RNET驱动模型捕获的G中的高频变化——植物的物候变化相对RNET和LST的季节性波动较少指示G的季节变化，或者LST隐含地并入来自植被对LST的影响的物候变化。然而，对于特定的位置，例如农田覆盖（其中植被在栽培方面发生大的变化），则不是这种情况（图4）——对于日或更长时间，温度是用于精确建模G的最重要变量。——T-DIFF模型优于所有其他模型，暗示夜间LST的积分时间差是日步长下对G建模的可靠方法。

result：——比较了midmorning和daily尺度各模型模拟效果——比较了瞬时和日尺度不同植被类型的模拟结果——分析了G的时空格局，详见原文P11——基于植被覆盖或温度经验关系定量化G/RNET的模型在低植被覆盖和低RNET下不一致程度最大（图2）。对于有峰值绿度的区域，模型评估相似的范围。——与森林相比，草地和农田覆盖的方差解释通常较高。模型误差，特别是MOD16和ALEXI在草地具有最广泛范围，而ALEXI和SEBS 的BIAS和RMSE在常绿针叶林有最宽的范围。——茂密植被的地区（如亚马逊和北方森林）为低G，G在低植被覆盖区模拟差异大。差异大的区域主要是裸土，潜在植被，低辐射和低温驱动模型差异的区域。基于植被覆盖或温度经验关系定量化G/RNET的模型在低植被覆盖和低RNET下不一致程度最大（图2）。对于有峰值绿度的区域，模型评估相似的范围。

introduction：——在具有致密冠层的湿润地区G是小的，而在具有稀疏冠层的干旱地区中午G达到相当能量H数量的且通常大于ET——清楚地描述当前G模型中的偏差和潜在偏差来源有助于改进可用能量的估计，增加ET估计的准确性——影响G / RNET大小的变量包括土壤性质，冰冻与否，植被高矮，农业灌溉植被及其高度以及温度波动，其有时空差异性——随着植被覆盖度的增加，G / RNET的比例降低——之前的研究表明G模型在特定位置的调整很成功，但许多G模型及其优化的参数集尚未在具有多种土地覆盖和各种气候的鲁棒的观测数据集上测试。本文主要是在更大的尺度进行研究。

——瞬时和日G模型各自共享一组共同的变量：RNET，植被特性（NDVI，LAI和fc）和LST（表1）。——植物的物候变化相对RNET和LST的季节性波动较少指示G的季节变化，或者LST隐含地并入来自植被对LST的影响的物候变化。对于特定的位置，例如农田覆盖（其中植被在栽培方面发生大的变化），则不是这种情况

analysis