地表水热通量的准确估算对气候变化研究非常重要。站点观测、遥感监测与陆面过程模型模拟都可以获得地表水热通量。然而,以上各种方法却很难得到准确的、时空连续的地表水热通量估算值。数据同化是一项新的技术,它可以将观测数据与过程模型集成起来并改进模型变量的预报。　　 本文的目的是通过同化遥感地表温度数据(MODIS与GOES)来改进陆面过程模型对地表水热通量的预报精度：⑴在同化MODIS地表温度方面:我们基于通用陆面模型(CoLM)发展了4种数据同化组合(2种数据同化策略与2种数据同化算法两两组合)来改进模型对地表水热通量的预报精度。同化策略1为优化土壤温度,同化策略2为优化土壤湿度。两种数据同化算法分别为集合卡尔曼滤波(EnKF)与SCE_UA。我们将。MODIS温度产品与地面观测数据进行了比较,并同化到CoLM模型中。MODIS温度产品与CoLM模型地表温度的关系式作为模型观测算子,RMSE为观测误差,利用6个站点(分布在中国、美国、德国)的观测数据对同化系统进行了验证。结果表明:该数据同化系统可以提高CoLM模型对地表水热通量的预报精度。总体上来说,在应用相同数据同化算法时,策略2优于策略1；在应用相同同化策略的时候,EnKF算法优于SCE UA算法。同化策略2与EnKF算法的组合效果最佳,显热通量与潜热通量的RMSE值分别降低了24.0与15.2 W m-2。对于策略2与SCE_UA的数据同化组合,同时同化MODIS温度产品与土壤湿度观测能够得到更好的同化结果。本研究用到的模型参数等是由模型预处理程序得到,模型参数的不确定性会使得同化结果并不是最优的结果。因此,模型校正是下一步需要进行的重要工作。⑵在同化GOES地表温度方面:我们基于CoLM模型与EnKF算法发展了一个数据同化系统,该系统采用了模型土壤湿度与模型参数同步优化的策略改进模型对地表水热通量的预报精度。我们将美国静止气象卫星(GOES)数据反演得到地表温度,并同化到CoLM模型中。利用美国通量网6个实验站点(包括草地、农田、森林3种下垫面类型)对数据同化系统进行了验证。结果表明:通过同化GOES地表温度数据,同化系统不仅可以改进模型对地表水热通量的预报精度,还可以降低模型的不确定性。显热通量与潜热通量RMSE平均降低了47.5与31.1 W m-2。我们对同步优化土壤湿度与模型参数的同化策略与单独优化策略进行了比较,发现同步优化策略能得到更低的RMSE值。此外,我们对MODIS与GOES时间分辨率地表温度的同化效果进行了比较。结果表明,与同化MODIS时间分辨率的地表温度相比,同化GOES时间分辨率的地表温度能得到更低的RMSE值。在数据同化期间,土壤湿度同化结果比模型模拟结果更加接近观测值,反演得到的模型植被参数也表现出明显的季节变化特征。尽管如此,由于缺乏足够的信息,我们也很难得到模型土壤湿度及植被参数的准确反演值。