中国沙漠
img

官方微信

高级检索
作者投稿 专家审稿 编辑办公

中国沙漠, 2026, 46(1): 229-241 doi: 10.7522/j.issn.1000-694X.2025.00137

干旱区凝结水时空模拟研究进展

刘楷愈,1,2,4, 庄艳丽,1,2, 赵文智1,2, 段群滔3,4, 陈白丽3,4, 黄仁杰3,4, 孙婷婷3,4, 罗立辉3

1.中国科学院西北生态环境资源研究院，中国生态系统研究网络临泽内陆河流域研究站，甘肃 兰州 730000

2.中国科学院西北生态环境资源研究院，干旱区生态安全与可持续发展全国重点实验室，甘肃 兰州 730000

3.中国科学院西北生态环境资源研究院，甘肃省灾害防治智能装备及大数据行业技术中心，甘肃 兰州 730000

4.中国科学院大学，北京 100049

Progress in spatial and temporal simulation of dew in arid regions

Liu Kaiyu,1,2,4, Zhuang Yanli,1,2, Zhao Wenzhi1,2, Duan Quntao3,4, Chen Baili3,4, Huang Renjie3,4, Sun Tingting3,4, Luo Lihui3

1.Linze Inland River Basin Research Station /, Northwest Institute of Eco-Environment and Resources，Chinese Academy of Sciences，Lanzhou 730000，China

2.State Key Laboratory of Ecological Safety and Sustainable Development in Arid Lands，China Ecosystem Research Network /, Northwest Institute of Eco-Environment and Resources，Chinese Academy of Sciences，Lanzhou 730000，China

3.Gansu Provincial Industry Technology Center of Intelligent Equipment & Big Data for Disaster Prevention, Northwest Institute of Eco-Environment and Resources，Chinese Academy of Sciences，Lanzhou 730000，China

4.University of Chinese Academy of Sciences，Beijing 100049，China

通讯作者: 庄艳丽（E-mail： zhuangyl@lzb.ac.cn）

收稿日期: 2025-04-16   修回日期: 2025-05-28  

基金资助: 国家自然科学基金项目.  32572162
国家自然科学基金项目.  42230720
甘肃省科技计划项目.  25JRRA500

Received: 2025-04-16   Revised: 2025-05-28  

作者简介 About authors

刘楷愈（2001—），男，重庆奉节人，硕士研究生，主要从事干旱区生态水文学研究E-mail：liukaiyu@nieer.ac.cn , E-mail：liukaiyu@nieer.ac.cn

摘要

凝结水是当物体表面温度下降至露点温度后，大气中的气态水在物体表面形成的水源。在水资源有限的干旱区，凝结水是生态系统中重要的水分补给来源。本文系统梳理了凝结水的形成条件和观测方法，探讨了经验模型、物理模型、半经验模型及人工智能算法的适用性与局限性，分析了凝结水量的时间变化规律和空间分布特征及其对气候变化的响应机制，并指出当前时空模拟精度主要受到数据精度、参数简化及下垫面复杂非均质性的限制。在此基础上，提出未来应深化自然下垫面对凝结水的影响机制分析，以提升模型在复杂环境中的适用性，融合多源数据，驱动人工智能算法结合物理模型来模拟凝结水的时空分布规律，并强化在气候变化背景下凝结水生态效应的研究。

关键词： 干旱区 ; 凝结水 ; 人工智能 ; 时空模拟

Abstract

Dew is a source of water formed on the surface of an object by gaseous water in the atmosphere when the surface temperature of the object drops to the dew point temperature. In arid regions with limited water resources， dew serves as a crucial water supply source in ecosystems. This paper systematically reviews the formation conditions and observation methods of dew， discusses the applicability and limitations of empirical models， physical models， semi-empirical models， and artificial intelligence algorithms， analyzes the temporal variation patterns and spatial distribution characteristics of dew volume along with its response mechanisms to climate change， and points out that current spatiotemporal simulation accuracy is primarily constrained by data precision， parameter simplification， and the complex heterogeneity of underlying surfaces. Building on these findings， future research should deepen the analysis of the influence mechanisms of natural underlying surfaces on dew to enhance model adaptability in complex environments， integrate multi-source data to drive artificial intelligence algorithms combined with physical models for simulating the spatiotemporal distribution patterns of dew， and strengthen studies on the ecological effects of dew under climate change scenarios.

Keywords： arid regions ; dew ; artificial intelligence ; spatial and temporal simulation

PDF (2675KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

刘楷愈, 庄艳丽, 赵文智, 段群滔, 陈白丽, 黄仁杰, 孙婷婷, 罗立辉. 干旱区凝结水时空模拟研究进展. 中国沙漠[J], 2026, 46(1): 229-241 doi:10.7522/j.issn.1000-694X.2025.00137

Liu Kaiyu, Zhuang Yanli, Zhao Wenzhi, Duan Quntao, Chen Baili, Huang Renjie, Sun Tingting, Luo Lihui. Progress in spatial and temporal simulation of dew in arid regions. Journal of Desert Research[J], 2026, 46(1): 229-241 doi:10.7522/j.issn.1000-694X.2025.00137

0 引言

干旱半干旱区的面积超过全球陆地面积的三分之一，占中国陆地面积的一半以上。在全球变暖的背景下，干旱半干旱区的面积可能仍会持续扩大［1-2］。在以水分因子为主要限制条件的生态系统中，凝结水量较少，但发生频率较高［3］，是持续干旱条件下生态系统的重要水分补给来源［4］。凝结水不仅对植物、小型土壤动物和微生物的存活以及种子的萌发起到关键作用［5-8］，还是干旱区生物土壤结皮生长发育的主要水分来源［9-10］，并对生态系统的水热平衡产生一定影响［11-15］。凝结水的形成改善了植物的水分状况，增加了植物可利用的水分，提高了植物的光合速率和生物量［7］。干旱区小型土壤动物通过特定的生理结构和行为收集并利用凝结水［8，16］。印度班加罗尔地区的聚纹双刺猛蚁利用羽毛等吸湿材料改造巢穴入口，促进凝结水的形成，进而通过收集这些材料间接获得水源。以色列的内盖夫沙漠，年凝结水量可占当地年降水量的53%［17］。Lekouch等［18］在摩洛哥地区进行凝结水收集，结果表明该地区年凝结水量占年降水量的40%。中国塔克拉玛干沙漠［19］和腾格里沙漠沙坡头［20］的凝结水量分别占降水量的64%和11.46%~17.67%。因此，开展干旱区凝结水研究具有重要的生态水文学意义。

国内外学者利用蒸渗仪、湿度传感器和人造凝结面等方法，实地监测了不同站点凝结水形成特征，已对凝结水分布规律形成了一定的认识。然而，野外监测凝结水量和持续时间的方法尚未统一，大多数实地观测方法仍具有区域局限性。此外，凝结水研究仍缺乏长时间序列的观测数据和区域模拟研究。为了明确凝结水局地过程的驱动机制和预测区域乃至全球凝结水空间分布及其对生态系统的影响，亟需适合的模型进行站点及区域模拟。常用的模型包括经验模型、物理模型（潜热通量关系）及人工智能算法等。由于凝结水模拟基于的理论和方法差异性较大，至今仍未形成一套普适的凝结水预估模型。因此，深入分析已有模型的特点和适用性，有利于我们进一步提高凝结水模拟模型的应用与预测能力，深化对凝结水时间变化规律和空间分布特征的研究，填补干旱区水循环模型中凝结水模块的空白。

本文梳理了凝结水的形成条件和观测方法的研究进展，通过分析国内外凝结水站点模拟和区域模拟模型的适用性，指出了目前凝结水观测和模拟存在的主要问题，并提出了未来凝结水模拟研究需要关注的几个科学问题，旨在为发展适用于中国干旱区不同下垫面凝结水模型提供方法和建议。

1 凝结水的形成及观测

1.1　凝结水的形成

夜间地面辐射冷却能够促进凝结表面温度下降，当表面温度低于或等于露点温度时，空气中的水汽就会在凝结表面形成凝结水［4］。夜晚太阳短波辐射的热量输入不足，而大气中的主要成分（氮气和氧气）的热辐射能力较弱［21］，使得物体表面温度冷却较快，当物体表面开始形成凝结水时，会因相变释放出能量。这个过程中，凝结水的形成机理可以通过能量平衡方程来描述，凝结面和凝结水所释放的总能量等于凝结面失去的显热、凝结水释放的潜热以及辐射能量之和。

凝结水的形成涉及空气动力学和热力学，受多种因素的影响，主要包括气象条件、地形环境以及植被属性等。其中，近地表的气象条件是凝结水形成的基础，主要受近地表温度差、空气相对湿度以及风速等微气象条件的影响［22］。近地表空气温度和物体表面温度差是凝结水形成的驱动力，凝结水的形成大多伴随着逆温层的出现，但当逆温强度过大或过小时，都不利于夜间表面低温状态的维持，不利于凝结水的形成［23-24］。而空气中的水汽含量是凝结水形成的必要水分条件，近地表相对湿度越大，越容易形成凝结水［25］。微风有利于适度的湍流混合，加强水平方向和垂直方向的水汽输送和热量输送，增加地面的水汽含量，从而促进凝结。当风速超过凝结水形成阈值时，会增加凝结表面与空气之间的对流热交换［26］，导致大气与地表的温差小，不易形成凝结水。10 m高度处的风速为1~3 m·s-1时更有利于凝结水的形成［27-30］，Beysens［31］认为风速超过4.5 m·s-1则不利于凝结水的形成。在同一区域内，不同地形由于受到不同辐射量和微气象环境的作用，导致凝结水量存在差异［32-35］。植物属性特征也对凝结水的形成起到重要作用。具有光滑、无毛状附属物并且表面覆盖腊质或革质表皮的植物叶片，不利于凝结水的形成［36］。许多荒漠植物的叶片表面覆盖有表皮毛，这些毛状结构可以增加叶片表面的湿润性，抑制水分蒸发并减少蒸腾作用，从而延长凝结水的滞留时间［21，37］。此外，表皮毛的存在可能伴随有泌盐腺，导致叶片表面布满盐粒，这些盐粒形成具有吸湿性的凝结表面，进一步促进气态水分子在叶片表面的凝结。

1.2　凝结水的观测

目前，干旱区已开展了大量的凝结水量观测［11-12，15，18-20，28，38-63］（图1），观测方法可分为4类。①直接称重法，包括Hiltner凝结水天平和蒸渗仪。随着技术的进步，该类方法已能够实现连续称重，并具有较高的灵敏度和精度。其中，蒸渗仪被认为是测定土壤凝结水最理想的方法［64-65］，能够在自然条件下测量实际土壤凝结水。然而，该方法成本较高，且难以量化区分土壤凝结水量和水汽吸附量。此外，微型蒸渗仪的埋藏深度需要达到土壤温度相对稳定的区域，因此对装置布设要求较高［65］，同时，其边缘的辐射冷却效应可能导致凝结水量的高估［66］。②凝结面收集法，包括Duvdevani 露量器、各类人造凝结面以及布板法。其中，人造凝结面是目前最常用的凝结水收集方法。该方法操作简便、成本低，便于比较不同位置和高度的凝结水量。然而，测定结果受凝结面材质的影响较大，且由于凝结面的热力学性质与自然下垫面不同，可能导致凝结水量的高估或低估［67-69］。③传感器测量法，主要采用叶片湿度传感器。该方法的主要优势在于能够连续测量凝结水的持续时间，并且有研究通过校准叶片湿度传感器记录的电压，将其转换为凝结水量［40］。④遥感测算法［70-72］。该方法要求遥感传感器具有较高的灵敏度，可实现对植物或岩壁上凝结水的形成过程进行无损连续观测，为石质文物的保护提供依据。马策等［72］采用红外热成像技术，通过对一次降雨事件的分析，比较了云冈石窟壁面温度和空气露点温度，揭示了在完整降雨过程中凝结水在石窟壁面的形成与消失过程。由于凝结水主要发生在夜间，且量通常较小，易受到环境变化影响，因此获取长期连续的数据难度较大，自然表面的凝结水观测仍具有挑战性。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   全球凝结水量的观测示意图

Fig.1   Observation of global dew amount


2 凝结水模拟模型

准确的观测数据为凝结水模拟研究提供了重要的数据支持。凝结水的模拟以观测数据为基础，根据凝结水的形成条件，结合影响因子与凝结水量及持续时间的相关性，构建经验模型或通过表面能量平衡关系模拟凝结水的凝结过程，从而建立物理模型，最终实现利用常规的气象数据或观测资料预测凝结水的发生。随着人工智能技术的快速发展，人工智能算法相比传统的经验模型，能够更准确地处理非线性关系。结合气象、遥感和实地观测数据，人工智能算法能够为干旱区凝结水模拟提供更精准的预测（图2）。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   凝结水模拟分析框架

Fig.2   Dew simulation analysis framework


2.1　经验模型

传统经验模型通过研究凝结水的形成条件，筛选出凝结水形成的关键气象因子，并建立凝结水持续时间或凝结水量与关键气象因子之间的关系式，以预测凝结水持续时间和凝结水量。20世纪70年代，研究者认识到叶片湿度与植物疾病存在直接联系［73］，因此开发了多种凝结水持续时间的模拟模型。Crowe等［74］在俄勒冈州乌马蒂拉河盆地尝试采用多元回归方法，利用相对湿度、风速和最低气温来估算凝结水的持续时间，预测精度为71%。Sentelhas等［75］通过美国伊利诺伊州、加拿大安大略省、意大利托斯卡拉地区、巴西圣保罗州4个不同气候条件地方的相对湿度、温度露点差数据，建立了相对湿度阈值、扩展后的相对湿度值和温度露点差阀值模型。研究结果表明，未经校正的阈值模型在4个地方表现出不同程度的准确性。然而，根据不同地区对模型进行校正，预测时间比实测时间少2 h。在相关参数难以获取的情况下，基于凝结水发生条件，采用基本气象数据建立经验模型也能够模拟凝结持续时间和凝结水量，但是其准确性低于物理模型。

2.2　物理模型

物理模型（潜热通量关系模型）建立在能量平衡方程的基础上，通过凝结水形成的物理机制计算潜热通量，进而对凝结水进行模拟研究。物理模型以净辐射、潜热通量、显热通量组成的能量平衡方程为基础，适用于不同气候和地理条件，且能扩展到植物叶片以外的凝结面，为区域模拟提供了理论支持。目前，常用的物理模型包括能量平衡模型、涡动相关法、波文比能量平衡法和Penman-Monteith公式法。最早的物理模型由Pedro等［76-77］建立，他们结合传热理论，基于植物叶片构建了能量平衡方程，估算了3种作物冠层的凝结水持续时间，误差在1 h以内。能量平衡模型通过模拟不同表面的能量平衡关系（叶片［76-77］、土壤［78］和人造凝结面［79-80］）来反映凝结水的形成过程。基于人造凝结面的能量平衡模型有两个可调参数（传热系数和传质系数），这两个参数取决于凝结面的形状结构和地理位置，因此其取值对模型精度有重要影响［79］。利用涡动相关法能够直接获取长期的水通量观测数据（如潜热通量），但是在低风速的夜晚，测量结果可能出现能量不闭合问题，从而导致凝结水量的低估［64］。Penman-Monteith公式以能量平衡和水汽扩散理论为基础，包括空气动力学和辐射项两大部分，涉及大气物理特性和作物的生理特征。利用Penman-Monteith 公式计算潜热是目前被广泛应用于凝结水模拟的方法，但是一些研究表明Penman-Monteith公式会低估寒冷时期或特定气象条件（如夜间高风速）下凝结水的形成［14，81，44］，这可能与模型最初的界定为非均质下垫面有关，更适用于开阔、高度一致、作物完全遮盖地表的区域［64］。波文比能量平衡法基于近地表梯度扩散理论与地面能量平衡，不涉及空气动力学特征，但该方法假设热量和水汽湍流扩散系数相等［43］，因此其更适用于均质下垫面。利用波文比能量平衡法理论上能估算大面积的潜热通量，进而求得凝结水量，但目前尚未有研究将该方法用于凝结水的区域模拟。

2.3　半经验模型

半经验模型通过简化能量平衡过程，使用大量实验得到的经验系数，替代了表面能量平衡关系中的部分参数，从而增强了模型的适用性。随着对凝结水收集和形成机制研究的深入，当前的研究重点已转向使用常规气象或观测数据来模拟凝结水。Madeira等［82］在能量平衡模型的基础上，提出了两种计算长波辐射的方法。第一种方法通过云量和云高度来计算天空温度；第二种方法则通过云量估算天空发射率。两种方法预测露水发生的精度分别为91%和88%。然而，该模型的精度不仅依赖于云高度和云量的准确性，在地形起伏较大或受陆风/海风影响的地区，预测误差可能增大。基于之前模型的研究，最新开发的半经验模型为Beysens模型。Beysens［31］结合凝结表面的能量平衡关系和实验室实验结果，确定了限制凝结水形成的主要因素为周围空气的热损失，并推导出一个适用于平面凝结器的简单解析式。该模型仅需在日出前收集一次云量、风速、空气温度和露点温度，即可预测凝结面上的凝结水量，更适用于区域模拟。经过在全球10个不同气候区域的测试，该模型的预测误差在30%以内。然而，由于人造凝结面与自然表面存在差异，模型中的经验参数，如凝结水量与露点温度和空气温度之差的斜率（α=0.06）以及凝结水的风速阈值（V0=4.4 m·s-1），可能导致预测值与实际值之间产生偏差。针对不同区域特征，通过校准模型的经验参数或设置比例系数，可以提高模型的准确性［83］。

2.4　人工智能算法

遥感技术能够实现大范围的地面观测，通过遥感数据结合人工智能算法可以估算区域凝结水量。机器学习作为人工智能的重要分支，可以对大量的观测和模拟数据进行训练，挖掘数据中的非线性关系，较为准确地模拟凝结水量，在干旱半干旱区的水资源管理中呈现出较大的应用潜力。特征选择是机器学习中连接数据与模型的关键环节。对于模型的输入特征而言，并非所有的特征变量都适用于凝结水的预测研究，因此选择一组最优特征集作为机器学习模型的输入数据非常重要。特征选择可以减小模型过拟合、消除冗余特征、减少模型训练和验证的计算成本以提高模型的可解释性。通过将气象数据（如近地表温度、相对湿度和风速等）和遥感数据（如植被指数和发射率波段等）作为模型输入特征，将实际凝结水量作为输出，整体作为训练集不断训练机器学习模型，以探索特征因子与凝结水量的非线性关系。Lekouch等［48］通过在摩洛哥西南部地区利用人造凝结面收集屋顶凝结水，采用人工神经网络（Artificial Neural Network，ANN）进行凝结水量的预测研究。研究表明，屋顶的凝结水量主要与气温、相对湿度、风速及云量存在显著关联。在数据处理阶段，对这4个关键参数进行标准化处理，通过交叉验证预测值与实测值之间的最小差异来确定不同因子之间的权重关系，最终成功构建了基于人工神经网络模型的凝结水量预估模型，该模型在训练集和测试集中的相关系数分别为0.9549和0.9195，均方误差分别为7×10-4和0.0011。由于每种机器学习模型都有独特的优势和局限性，为了探究哪种算法更适合用于凝结水的模拟，还需要不断尝试。如支持向量机虽然具有泛化能力强的优点，但是其性能高度依赖于核函数的选择。而随机森林的显著优势在于对异常值和噪声的鲁棒性较强［84］，梯度提升决策树模型通过学习来调整自变量权重从而提高模型的预测精度，该模型对变量间的共线性、异常值和缺失值也有较高的容忍度［85-86］。此外，这些模型可以计算输入特征重要性来提高模型的可解释性，例如极限梯度提升模型集成若干棵决策树后，每棵树的节点都是在做一次特征分裂，可以将某特征被选为分裂特征的次数作为该特征的重要度。

不同凝结水模拟模型都有其优势和不足之处（表1）。经验模型构建简单，易于理解和应用，但由于不同站点之间存在较大差异，这类模型需要根据地理位置、气象条件和植被特征进行校准和验证，以提高其普适性。相比经验模型，物理模型从凝结水形成能量平衡的机理建模，具有更强的适用性。然而，由于热交换和辐射交换的模拟较为复杂，物理模型的构建需要考虑多种参数，如长波/短波辐射率、云量、土壤热通量和净辐射等，这些参数通常较难获取，同时，模型的准确性对输入参数的要求较高。半经验模型同样具有较强的适用性，并且只需要简单的参数数据输入模型，但是由于对物理模型的简化，仍需根据研究区域的实地气象条件和地理环境进行参数的调整。与物理模型和传统统计回归模型相比，人工智能算法具有强大的非线性模拟能力，不仅突破了传统物理模型对复杂参数的依赖，也弥补了经验模型的局部局限性。然而，人工智能算法的性能十分依赖训练数据的质量和数量，并且普遍存在“黑箱”问题，无法对模型的中间过程和内在机制提供合理的解释。由于长时间序列的实测凝结水量数据十分稀缺，人工智能算法可能无法产生理想的预测效果。因此，将物理模型与基于数据驱动的机器学习算法相结合，成为缓解训练数据短缺、提高模型泛化能力和确保结果合理性的有效途径，为凝结水的模拟提供一种新的思路［87-88］。将物理信息以神经元节点、数据流等形式嵌入深度学习模型中，直接使物理信息在深度学习前向传播中耦合，强化模型输出与物理信息指导的相关性；或将地表能量平衡方程作为损失函数的一部分，引导模型学习凝结水量与温度、湿度、辐射的物理关系，通过约束夜间冷却速率与露点温度的动态关系，提升模型在干旱半干旱区的鲁棒性（图2）。例如，物理信息神经网络（Physics-Informed Neural Networks，PINN）通过引用物理信息，降低了神经网络对于数据量的需求，可以训练出遵守物理定律的解［89］。Liu等［90］通过PINN求解温度场的反演问题，提出了基于PINN的温度场重构算法，该方法可以使用更少的测量点进行温度场的反演，减少了对测量数据量的依赖性。在凝结水形成的物理机制约束下可以减少纯数据驱动模型的过拟合风险，尤其在数据稀缺区域（如干旱沙漠区、高海拔地区）模拟效果更稳定［91］。当前针对凝结水模拟的研究中，人工智能算法的应用相对湿度，未来可借鉴其他领域的研究结果，结合深度学习算法和物理模型，开发适用于干旱区凝结水模型，以有效提升预测结果的准确性。

表1   主要模拟模型及其优缺点

Table 1  The main simulation models and their advantages and disadvantages

模型类型模型名称模型公式输入参数优点缺点
经验模型统计回归模型—无固定参数输入，选择当地对凝结水形成影响最大的气象因子。通常为常规气象数据（气温、露点温度、风速风向、相对湿度和云量等）构建简单，参数易获取，站点模拟精度高气象因子对模型模拟结果影响很大，不适用于区域模拟
阈值模型
物理模型能量平衡模型

Rn=LE+H（叶片表面）

Rn=LE+H+G（土壤表面）

Rn=Ri+Rhe+Rcond（人造凝结面）

Rn：净辐射；LE：潜热通量；H：显热通量；G：土壤热通量；Ri：凝结面吸收与释放的长波辐射之差；Rhe：凝结面失去的显热；Rcond：凝结水释放的潜热能反映凝结过程中的能量平衡关系模型构建较复杂，计算需要众多参数，且不易获取
Penman-Monteith公式法LE=0.408∆Rn-G+γCnT+273U2(es-ea)∆+γ(1+CdU2)Rn：净辐射；G：土壤热通量；γ：湿度计常数；Δ：饱和蒸汽压随温度的增加；Cn和Cd：随参考作物类型和计算时间步长而变化的常数；U2：2 m高处风速；es：饱和蒸汽压；ea：实际蒸汽压不需要表面温度变量。既考虑了空气动力学和辐射项的作用，又涉及作物的生理特征。可用于区域潜热通量的计算把植物冠层当成整体，不适用于稀疏植被或多种植被覆盖的区域
波文比能量平衡法LE=Rn-G1+γ∆T∆eaLE：潜热通量；γ：湿度计常数；ΔT和Δea为不同高度冠层的温度差和蒸汽压差计算简单，可模拟植物冠层中凝结水的形成。对大气层没有特别要求和限制，避免了热和蒸汽传导率给模型带来的误差水平衡计算过程中，由于多种因素的影响，易产生误差。只有在开阔均一下垫面才能保证较高精度
涡动相关法LE=LE/LLE：潜热通量；L：汽化潜热(2 450 J·kg-1)；D：凝结水量(mm)可以直接获取长期的水通量观测数据存在能量不闭合问题，会造成凝结水量的低估
半经验模型Beysens模型dhdt=0.37×[-0.0238893H2+0.204323H+1-(0.21891H2-            1.04963H+18.0132)×10-3Td]Td+273.15285×ifdhdt>0             1-N8+1-exp-uu020×bTd-Ta0ifdhdt<0H：海拔；Td：露点温度；N：云量；u：10 m处风速；u0：凝结水形成的风速阈值4.4 m·s-1；Ta：气温；b:Td-Ta与露水量的斜率只需要基础的观测数据，适用范围广，可用于区域模拟模型假设的下垫面为发射率为1的凝结面，经验系数不具有普遍适用性
人工智能模型人工神经网络模型—选择对凝结水形成影响较大的影响因子，经过筛选确定输入参数可处理复杂环境下凝结水量与影响因素之间的非线性关系需要大量的训练数据集，对数据质量要求较高
支持向量机模型

新窗口打开| 下载CSV


3 凝结水的时空模拟

3.1　站点模拟

凝结水的模拟可分为站点模拟和区域模拟，站点模拟基于观测数据，建立站点尺度的凝结水数值模型，模拟凝结水形成过程并验证模型的准确性，明确局地过程凝结水驱动机制。大多数研究是干旱区站点的短期研究，通过实地测量验证模拟的准确性。郭晓楠等［64］以宁夏盐池沙生灌木生态系统为对象，对蒸渗仪法、Penman-Monteith公式法和涡度相关法测定和估算的凝结水量进行对比，发现涡度相关法会严重低估凝结水量，而Penman-Monteith公式的计算结果更接近实测值。Zhuang［43］采用波文比能量平衡法估算中国西北荒漠绿洲边缘梭梭固沙林日均凝结水量为0.13 mm，凝结水持续时间为1~9.5 h，但波文比能量平衡模估算值始终低于实测值。通过基于人造凝结面建立的能量平衡模型，模拟凝结面上的凝结水量，可以为凝结水的收集工作提供理论指导。目前，大多数凝结水收集研究都致力于使用人造凝结面的小型试点项目，根据模拟结果对人造凝结面进行调整，使凝结面产生大量凝结水，并对其进行收集和利用［83-84］。凝结水的站点模拟弥补了实地测量研究周期的局限性，验证了不同模型的准确性，但无法提供对区域凝结水量时空变化规律的整体认识。

3.2　区域模拟

目前，区域凝结水模拟研究主要基于历史气象观测数据及卫星遥感资料（地形数据、土地利用类型和植被指数等），分析凝结水量的时间变化规律和空间分布特征及其对气候变化的响应机制。时空模拟的数据来源于大量历史气象观测数据和卫星遥感数据（包括地形数据、土地利用类型数据和植被指数等）。随着遥感技术与数据同化方法的不断发展，再分析数据集有效弥补了环境恶劣地区气象站不足所带来的数据空缺。

3.2.1　时间模拟

凝结水量的长期模拟有助于揭示其时间变化规律及未来趋势。Li等［92］使用逐小时的ERA5-Land和ERA5数据，基于Penman-Monteith公式法估算了1950—2020年青藏高原年均凝结水量为0~72.8 mm，发现夏季凝结水量最大，这一规律与黑河流域及京津冀地区的研究结果一致［93-94］。全国尺度的分析表明，4—8月的凝结水量占比超过全年总量的60%，干旱区最大凝结水量多集中于6月［95］。此外，辐射冷却与凝结水量的季节性变化呈反向关系。中国干旱半干旱区春季虽辐射强度较大，但因水汽压限制导致凝结水量较小；夏季辐射冷却强度较低，但水汽压升高及降雨增多，形成更适宜的凝结条件［96］。秋季虽降雨量低于春季，但温度变化剧烈，促进了凝结过程，使得凝结水量高于春季；冬季气温极低，植被生长缓慢，空气中逸散的水汽会在冬季结冰，导致凝结水量显著降低［52，97］。Atashi等［98］考虑了冬季凝结成霜的情况，优化了Vuollekoski开发的全球露水形成模型，在约旦对凝结水量进行模拟，结果表明高山草原区年均露水量高达88 mm，并且冬季也保持较高凝结水量。凝结水量具有显著的季节变化特征，辐射冷却是夏季凝结水形成的主要限制因素，而冬季凝结水的形成主要受气象条件的控制［98］。此外，在气候变化的背景下，陆面蒸散发呈现上升趋势［99］，导致土壤湿度下降，进而减少了土壤蒸发的水汽提供，可能使凝结水量下降、持续时间变短。受地表变暖和相对湿度下降的影响，中国凝结水发生频率每10年减少5.2 d，且干旱区的下降幅度（50%）大于半湿润区和湿润区（40%和28%）。由于凝结水对干旱地区地表水平衡具有重要影响，凝结水发生频率的大幅降低可能导致全球变暖的“越来越干”响应［100-101］。Tomaszkiewicz等［102］使用Beysens模型预测了不同温室气体排放情景（中等排放情景RCP4.5和高排放情景RCP8.5）下地中海地区的凝结水量变化，预估结果表明，至2080年夏季，地中海地区的凝结水量将下降27%。Rasoafaniry等［103］认为1991—2033年凝结水量整体呈下降趋势，而降雨量的趋势则不确定。然而，Budhbhatti等［104］认为2005—2021年印度古吉拉特邦凝结水与降雨的总体演变趋势相同，整体呈相似的上升趋势。由于区域特征差异，响应方式不同，气候变化对凝结水形成的影响存在不确定性。

3.2.2　空间模拟

凝结水量的空间分布规律研究能够识别高潜力收集区域，提升水资源利用效率，促进陆地水循环研究。作为量化凝结水资源贡献的关键指标，凝结水量与降雨量、蒸散发的比值在干旱半干旱区尤为重要［101］，其中高山草原和沿海沙漠地区因特殊环境条件展现出较高收集潜力［105］。Vuollekoski等［106］基于ERA-Interim再分析数据绘制了全球凝结水图，发现北非及阿拉伯半岛沿海等缺水区域存在显著收集潜力。Zhang等［95］采用GLDAS-2数据集结合Penman-Monteith公式，构建了适用于中国西北干旱区的SPI-cor改进指数，由于西北地区凝结水量占降雨量的比例较高，该指数在中国西北地区更适用，但研究中对Cn和Cd参数的统一简化可能无法完全代表区域的实际下垫面情况。因此，区域尺度研究进一步揭示了地理环境对凝结水形成的影响机制。Guo等［93］通过Beysens模型模拟发现，京津冀地区年均凝结水量呈高原草地>山地丘陵>平原的空间分布。通常沿海地区具有充足的水汽且海风有助于带来更多的水汽，从而促进凝结水的形成［21］。随着海拔的升高，凝结水量和发生频率均有所增加，因为高海拔地区夜间的辐射冷却速度更快，气温较低，并且相比低海拔地区具备更高的风速，有利于空气对流，从而导致更多的凝结水凝结［33］。但海拔过高的区域存在空气稀薄、缺乏水蒸气等问题，地势平坦的地区缺乏较为明显的温度差，从而限制凝结水的形成。

基于时空模拟技术的研究能够有效解析区域凝结水量的年内变化特征、年际波动规律及空间分布格局，并为未来趋势预测模型的建立提供支持。然而，现行区域模拟研究仍面临一些技术瓶颈：首先，模型输入数据的时间分辨率不足（如3 h步长）可能导致凝结过程关键时相的识别偏差，特别是在相变剧烈的日出、日落时段易造成凝结量的低估［106］；其次，多数时空模拟研究尚未充分考虑局地地形特征和区域气候要素的协同作用，且现有模型中的传热系数参数化方案缺乏普适性标准，难以在全球范围内广适用。因此，针对高潜力凝结水收集区域，亟需构建融合高时空分辨率观测数据（如30 min步长）的精细化区域模型，并通过布设梯度观测站网开展多要素原位验证实验。

4 存在的问题

目前，凝结水的观测方法已相对成熟，但大多数模拟研究仅基于固定地点对凝结水量和持续时间进行估算，时空模拟研究仍处于起步阶段，且尚未形成较完善的自然表面的凝结水模拟方案，其观测与模拟仍面临许多亟待解决的问题。

缺乏广泛认可的统一标准观测方法，实地观测的时间序列短。不同观测方法的测量结果存在差异，且凝结水实地观测研究大多数是短期的控制实验，难以开展不同区域的对比分析。目前所有的凝结水观测方法都待进一步提高，如测量土壤凝结水的蒸渗仪难以量化区分水汽凝结量与水汽吸附量，各类人造凝结面难以实现长期自动观测，并且凝结面与实际自然表面有明显差异。

凝结面与自然环境的差异以及凝结水形成机制的复杂性导致模型的代表性不足。由于自然凝结面（沙丘、岩石或植物冠层）的热力和水力特性差异大，许多模型简化或忽略了能量平衡关系，未能充分考虑下垫面特征对凝结水形成的影响，因此模型普遍存在较大局限性。例如，Beysens模型主要用于模拟人造凝结面上的凝结水量，而波文比能量平衡模型则更适用于模拟植物冠层间的凝结水发生情况。现有的模型大多针对露水而建立的，然而实际的干旱区在冬季会出现凝结成霜的情况，因此模型模拟的凝结水量与实际自然表面的凝结水量仍有很大差距。传统的经验模型和半经验模型的参数需要根据实际地理环境特征进行调整，而人工智能算法的准确性依赖大量的准确样本数据，并且其可解释性有待优化。

凝结水的时空模拟精度仍需提高。由于凝结水的形成与局地微气象条件密切相关，经验模型和物理模型难以准确模拟整个区域的凝结水量，并且气象数据的质量与分辨率十分影响模拟效果，低分辨率的数据可能不能代表该区域的真实气象条件。因此，在特定的区域内准确模拟凝结水量仍是一个挑战。

5 展望

结合当前国内外在凝结水研究领域的进展及存在的问题，未来干旱区的凝结水研究应重点关注以下几个科学问题。

丰富对不同区域自然表面凝结水的观测研究，以提供连续且准确的观测数据。开发专门针对凝结水的观测系统，在全球范围内开展个体、群落和生态系统尺度上的凝结水模型模拟研究及实验验证，尤其是在凝结水收集潜力较大的沿海沙漠地区与高山草原地区。通过对不同下垫面类型（荒漠、草原、农田等）采用相同方法，同步开展凝结水的观测，揭示不同下垫面凝结水形成规律。

数据融合、长时间序列的观测和算法创新为凝结水模拟提供了新路径。气象数据、再分析数据集和长期观测数据的多源整合，能够提升模型在复杂下垫面和微气象条件下的表征能力。参考其他相关领域的观测新技术，改进凝结水观测和模拟方法，如Qiao等［107］利用星载激光雷达CALIPSO在纳米布沙漠观测雾的发生和估算雾沉积量，张桔云［108］应用随机森林算法整合卫星资料量化亚热带日间山地森林云雾的时空分布。此外，加强人工智能算法在凝结水模拟研究中的应用，将物理模型与数据驱动的人工智能算法相结合，并探索深度学习等新型算法（如卷积神经网络和循环神经网络）在凝结水模拟方面的应用，有望提高凝结水时空模拟的精度。

在开展凝结水区域模拟研究时，还需关注气候变化背景下凝结水生态效应的响应机制。由于干旱区下垫面的不均一性及其特殊的水热交换特性，凝结水的形成也对气候变化的响应较为敏感［109］。特别是气候变化影响植被类型的变化，进而影响植物表面凝结水的形成。植物利用凝结水的能力发生了什么变化，凝结水与生态系统间的关系如何变化，厘清这些问题是开展区域凝结水模拟的前提。未来研究还需要加强极端气候事件频发背景下凝结水对干旱区生态系统稳定性的缓冲效应，揭示凝结水资源在陆地水循环中的重要作用。

参考文献

程姗岭，于海鹏，任钰，等.

中国干旱半干旱区气候异常影响机理研究进展

［J］.中国沙漠，2023，43（3）：21-35.

[本文引用: 1]

Huang J P， Yu H P， Guan X D，et al.

Accelerated dryland expansion under climate change

［J］.Nature Climate Change，2016，6（2）：166-171.

[本文引用: 1]

Tomaszkiewicz M， Abou Najm M， Zurayk R，et al.

Dew as an adaptation measure to meet water demand in agriculture and reforestation

［J］.Agricultural and Forest Meteorology，2017，232：411-421.

[本文引用: 1]

庄艳丽，赵文智.

干旱区凝结水研究进展

［J］.地球科学进展，2008（1）：31-38.

[本文引用: 2]

Zhuang Y L， Zhao W Z.

The ecological role of dew in assisting seed germination of the annual desert plant species in a desert environment，northwestern China

［J］.Journal of Arid Land，2016，8（2）：264-271.

[本文引用: 1]

Jacobs A F G， Heusinkveld B G， Berkowicz S M.

Dew deposition and drying in a desert system：a simple simulation model

［J］.Journal of Arid Environments，1999，42（3）：211-222.

Dawson T E， Goldsmith G R.

The value of wet leaves

［J］.New Phytologist，2018，219（4）：1156-1169.

[本文引用: 1]

Wang L X， Kaseke K F， Seely M K.

Effects of non-rainfall water inputs on ecosystem functions

［J］.WIREs Water，2017，4（1）：e1179.

[本文引用: 2]

Lange O L， Belnap J， Reichenberger H.

Photosynthesis of the cyanobacterial soil-crust lichen collema tenax from arid lands in southern utah，USA：role of water content on light and temperature responses of CO2 exchange

［J］.Functional Ecology，1998，12（2）：195-202.

[本文引用: 1]

潘颜霞，张亚峰，虎瑞.

吸湿凝结水对荒漠地区生物土壤结皮生态功能的影响综述

［J］.地球科学进展，2022，37（1）：99-109.

[本文引用: 1]

Makek E， McCurdy G， Giles B.

Dew contribution to the annual water balances in semi-arid desert valleys

［J］.Journal of Arid Environments.，1999，42（2）：71-80.

[本文引用: 2]

郝兴明，美尔汗·黑扎特，朱成刚.

塔里木河下游典型胡杨群落大气凝结水的形成规律与数量评估

［J］.干旱区地理，39（4）：785-792.

[本文引用: 1]

Pan Y X， Wang X P， Zhang Y F，et al.

Dew formation characteristics at annual and daily scale in xerophyte shrub plantations at southeast margin of Tengger Desert，northern China

［J］.Ecohydrology，2018，11（5）：e1968.

Groh J， Slawitsch V， Herndl M，et al.

Determining dew and hoar frost formation for a low mountain range and alpine grassland site by weighable lysimeter

［J］.Journal of Hydrology，2018，563：372-381.

[本文引用: 1]

Uclés O， Villagarcía L， Moro M J，et al.

Role of dewfall in the water balance of a semiarid coastal steppe ecosystem

［J］.Hydrological Processes，2014，28（4）：2271-2280.

[本文引用: 2]

Whitfield J.

Water wings aid desert survival

［J］.Nature，2001.DOI：10.1038/news011101-14 .

[本文引用: 1]

Zangvil A.

Six years of dew observations in the Negev Desert，Israel

［J］.Journal of Arid Environments，1996，32（4）：361-371.

[本文引用: 1]

Lekouch I， Muselli M， Kabbachi B，et al.

Dew，fog，and rain as supplementary sources of water in south-western Morocco

［J］.Energy，2011，36（4）：2257-2265.

[本文引用: 2]

Hao X M， Li C， Guo B，et al.

Dew formation and its long-term trend in a desert riparian forest ecosystem on the eastern edge of the Taklimakan Desert in China

［J］.Journal of Hydrology，2012，472/473：90-98.

[本文引用: 1]

Jia R L， Li X R， Liu L C，et al.

Effects of sand burial on dew deposition on moss soil crust in a revegetated area of the Tennger Desert，northern China

［J］.Journal of Hydrology，2014，519：2341-2349.

[本文引用: 2]

Tomaszkiewicz M， Abou Najm M， Beysens D，et al.

Dew as a sustainable non-conventional water resource：a critical review

［J］.Environmental Reviews，2015，23（4）：425-442.

[本文引用: 3]

冯天骄，张智起，张立旭，等.

干旱半干旱区生态系统凝结水的影响因素及其作用研究进展

［J］.生态学报，2021，41（2）：456-468.

[本文引用: 1]

张强，王胜，问晓梅，等.

黄土高原陆面水分的凝结现象及收支特征试验研究

［J］.气象学报，2012（1）：128-135.

[本文引用: 1]

刘文杰，李红梅，段文平.

西双版纳地区露水资源分析

［J］.自然资源学报，1998（1）：40-45.

[本文引用: 1]

肖辉杰，张锋，贾瑞燕.

凝结水研究进展

［J］.中国水土保持科学，13（2）：126-130.

[本文引用: 1]

王兴，张强，王胜，等.

陆面露水凝结预估模型研究进展及面临的主要科学问题与展望

［J］.干旱气象，2021，39（1）：159-167.

[本文引用: 1]

Jackson T J， Moy L.

Dew effects on passive microwave observations of land surfaces

［J］.Remote Sensing of Environment，1999，70（2）：129-137.

[本文引用: 1]

王胜，张强.

黄土高原半干旱区露水形成的大气物理特征研究

［J］.物理学报，2011，60（5）：840-847.

[本文引用: 1]

Monteith J L.

Dew

［J］.Quarterly Journal of the Royal Meteorological Society，1957，83（357）：322-341.

Kidron G J， Starinsky A.

Measurements and ecological implications of non-rainfall water in desert ecosystems：a review

［J］.Ecohydrology，2019，12（6）：e2121.

[本文引用: 1]

Beysens D.

Estimating dew yield worldwide from a few meteo data

［J］.Atmospheric Research，2016，167：146-155.

[本文引用: 2]

Muselli M， Beysens D， Marcillat J，et al.

Dew water collector for potable water in Ajaccio （Corsica Island，France）

［J］.Atmospheric Research，2002，64（1）：297-312.

[本文引用: 1]

Kidron G J.

Altitude dependent dew and fog in the Negev Desert，Israel

［J］.Agricultural and Forest Meteorology，1999，96（1）：1-8.

[本文引用: 1]

Kidron G J.

Analysis of dew precipitation in three habitats within a small arid drainage basin，Negev Highlands，Israel

［J］.Atmospheric Research，2000，55（3）：257-270.

潘颜霞，王新平，张亚峰，等.

沙坡头地区地形对凝结水形成特征的影响

［J］.中国沙漠，2014，34（1）：118-124.

[本文引用: 1]

庄艳丽，赵文智.

荒漠植物雾冰藜和沙米叶片对凝结水响应的模拟实验

［J］.中国沙漠，2010，30（5）：1068-1074.

[本文引用: 1]

阿拉依·哈那提，刘艳霞，兰海燕.

荒漠植物表皮毛的凝结水形成及吸收机制研究进展

［J］.干旱区研究，2024，41（1）：114-123.

[本文引用: 1]

王忠静，张子雄，索滢.

干旱区凝结水评估及对水量平衡方程影响

［J］.水利学报，2019，50（6）：710-720.

[本文引用: 1]

Sharan G， Beysens D， Milimouk-Melnytchouk I.

A study of dew water yields on galvanized iron roofs in Kothara（North-west India）

［J］.Journal of Arid Environments，2007，69（2）：259-269.

Guo X N， Zhang Y， Zha T S，et al.

Biophysical controls of dew formation in a typical cropland and its relationship to drought in the North China Plain

［J］.Journal of Hydrology，2023，617：128945.

[本文引用: 1]

Kidron G J， Temina M.

The effect of dew and fog on lithic lichens along an altitudinal gradient in the Negev Desert

［J］.Geomicrobiology Journal，2013，30（4）：281-290.

Uclés O， Villagarcía L， Cantón Y，et al.

Partitioning of non rainfall water input regulated by soil cover type

［J］.Catena，2016，139：265-270.

Zhuang Y L， Zhao W Z.

Dew formation and its variation in haloxylon ammodendron plantations at the edge of a desert oasis，northwestern China

［J］.Agricultural and Forest Meteorology，2017，247：541-550.

[本文引用: 2]

Moro M J， Were A， Villagarcía L，et al.

Dew measurement by eddy covariance and wetness sensor in a semiarid ecosystem of SE Spain

［J］.Journal of Hydrology，2007，335（3）：295-302.

[本文引用: 1]

Sharan G， Roy A K， Royon L，et al.

Dew plant for bottling water

［J］.Journal of Cleaner Production，2017，155：83-92.

Maestre-Valero J F， Ragab R， Martínez-Alvarez V，et al.

Estimation of dew yield from radiative condensers by means of an energy balance model

［J］.Journal of Hydrology，2012，460：103-109.

Li H， Han C T， Yang Y，et al.

Formation and variations of dew and hoarfrost in the hulu catchment on northeast Qinghai-Tibet Plateau，China

［J］.Journal of Hydrology：Regional Studies，2022，42：101179.

Lekouch I， Lekouch K， Muselli M，et al.

Rooftop dew，fog and rain collection in southwest morocco and predictive dew modeling using neural networks

［J］.Journal of Hydrology，2012，448：60-72.

[本文引用: 1]

Zhang Q， Wang S， Yue P，et al.

Variation characteristics of non-rainfall water and its contribution to crop water requirements in China's summer monsoon transition zone

［J］.Journal of Hydrology，2019，578：124039.

Clus O， Ortega P， Muselli M，et al.

Study of dew water collection in humid tropical islands

［J］.Journal of Hydrology，2008，361（1）：159-171.

Aguirre-Gutiérrez C A， Holwerda F， Goldsmith G R，et al.

The importance of dew in the water balance of a continental semiarid grassland

［J］.Journal of Arid Environments，2019，168：26-35.

Yokoyama G， Yasutake D， Wang W，et al.

Limiting factor of dew formation changes seasonally in a semiarid crop field of Northwest China

［J］.Agricultural and Forest Meteorology，2021，311：108705.

[本文引用: 1]

Zhuang Y L， Zhao W Z， Luo L H，et al.

Dew formation characteristics in the gravel desert ecosystem and its ecological roles on Reaumuria soongorica

［J］.Journal of Hydrology，2021，603：126932.

Jia Z F， Zhao Z， Zhang Q，et al.

Dew yield and its influencing factors at the western edge of Gurbantunggut Desert，China

［J］.Water，2019，11（4）：733.

Maestre-Valero J F， Martin-Gorriz B， Martínez-Alvarez V.

Dew condensation on different natural and artificial passive surfaces in a semiarid climate

［J］.Journal of Arid Environments，2015，116：63-70.

Guo X N， Zha T S， Jia X，et al.

Dynamics of dew in a cold desert-shrub ecosystem and its abiotic controls

［J］.Atmosphere，2016，7（3）：32-41.

Wang C， Cen Y， Liu M，et al.

Formation and influencing factors of dew in sparse elm woods and grassland in a semi-arid area

［J］.Acta Ecologica Sinica，2017，37（3）：125-132.

Pan Y X， Wang X P， Zhang Y F.

Dew formation characteristics in a revegetation-stabilized desert ecosystem in Shapotou area，northern China

［J］.Journal of Hydrology，2010，387（3）：265-272.

Tuure J， Korpela A， Hautala M，et al.

Comparison of surface foil materials and dew collectors location in an arid area：a one-year field experiment in Kenya

［J］.Agricultural and Forest Meteorology，2019，276/277：107613.

Hanisch S， Lohrey C， Buerkert A.

Dewfall and its ecological significance in semi-arid coastal south-western Madagascar

［J］.Journal of Arid Environments，2015，121：24-31.

张静，张元明，周晓兵，等.

生物结皮影响下沙漠土壤表面凝结水的形成与变化特征

［J］.生态学报，29（12）：6600-6608.

张晓影，李小雁，王卫，等.

毛乌素沙地南缘凝结水观测实验分析

［J］.干旱气象，2008（3）：8-13.

徐莹莹，汤洁，祝惠，等.

东北城市露水凝结观测及其与常规气象要素的关系

［J］.生态学报，2016，37（7）：2382-2391.

[本文引用: 1]

郭晓楠，查天山，贾昕，等.

典型沙生灌木生态系统凝结水量估算

［J］.北京林业大学学报，2016，38（10）：80-87.

[本文引用: 4]

Ninari N， Berliner P R.

The role of dew in the water and heat balance of bare loess soil in the Negev Desert：quantifying the actual dew deposition on the soil surface

［J］.Atmospheric Research，2002，64（1）：323-334.

[本文引用: 2]

Kidron G J， Kronenfeld R.

Microlysimeters overestimate the amount of non-rainfall water：an experimental approach

［J］.CATENA，2020，194：104691.

[本文引用: 1]

Kidron G J， Yair A， Danin A.

Dew variability within a small arid drainage basin in the Negev Highlands，Israel

［J］.Quarterly Journal of the Royal Meteorological Society，2000，126（562）：63-80.

[本文引用: 1]

Kidron G J， Herrnstadt I， Barzilay E.

The role of dew as a moisture source for sand microbiotic crusts in the Negev Desert，Israel

［J］.Journal of Arid Environments，2002，52（4）：517-533.

Zhuang Y L， Zhao W Z.

Dew variability in three habitats of a sand dune transect in a desert oasis ecotone，northwestern China

［J］.Hydrological Processes，2014，28（3）：1399-1408.

[本文引用: 1]

Wigneron J P， Calvet J C， Kerr Y.

Monitoring water interception by crop fields from passive microwave observations

［J］.Agricultural and Forest Meteorology，1996，80（2）：177-194.

[本文引用: 1]

Ridley J， Strawbridge F， Card R，et al.

Radar backscatter characteristics of a desert surface

［J］.Remote Sensing of Environment，1996，57（2）：63-78.

马策，蒋小伟，闫宏彬，等.

基于红外热成像技术的石窟壁面凝结水形成规律研究

［J］.水文地质工程地质，2022，49（4）：30-36.

[本文引用: 2]

张亚峰，潘颜霞，霍建强，等.

人工固沙植被系统生态水文研究进展

［J］.中国沙漠，2025，45（3）：50-59..

[本文引用: 1]

Crowe M J， Coakley S M， Emge R G.Forecasting dew duration at Pendleton，Oregon，using simple weather observations［Z］.National Weather Service in Pendleton，1978.

[本文引用: 1]

Sentelhas P C， Dalla Marta A， Orlandini S，et al.

Suitability of relative humidity as an estimator of leaf wetness duration

［J］.Agricultural and Forest Meteorology，2008，148（3）：392-400.

[本文引用: 1]

Pedro M J， Gillespie T J.

Estimating dew duration.II.utilizing standard weather station data

［J］.Agricultural Meteorology，1981，25：297-310.

[本文引用: 2]

Pedro M J， Gillespie T J.

Estimating dew duration.I.utilizing micrometeorological data

［J］.Agricultural Meteorology，1981，25：283-296.

[本文引用: 2]

Qin Z， Berliner P， Karnieli A.

Numerical solution of a complete surface energy balance model for simulation of heat fluxes and surface temperature under bare soil environment

［J］.Applied Mathematics and Computation，2002，130（1）：171-200.

[本文引用: 1]

Beysens D， Muselli M， Nikolayev V，et al.

Measurement and modelling of dew in island，coastal and alpine areas

［J］.Atmospheric Research，2005，73（1）：1-22.

[本文引用: 2]

Nikolayev V S， Beysens D， Gioda A，et al.

Water recovery from dew

［J］.Journal of Hydrology，1996，182（1）：19-35.

[本文引用: 1]

Jacobs A F G， Heusinkveld B G， Wichink Kruit R J，et al.

Contribution of dew to the water budget of a grassland area in the Netherlands

［J］.Water Resources Research，2006，42（3）：1-16.

[本文引用: 1]

Madeira A C， Kim K S， Taylor S E，et al.

A simple cloud-based energy balance model to estimate dew

［J］.Agricultural and Forest Meteorology，2002，111（1）：55-63.

[本文引用: 1]

Jia Z F， Chang Y， Liu H，et al.

Characteristics and estimation of dew in the loess hilly region of northern Shaanxi Province，China

［J］.Sustainability，2024，16（6）：2482-2493.

[本文引用: 2]

Breiman L.

Random forests

［J］.Machine Learning，2001，45（1）：5-32.

[本文引用: 2]

孟德惠，孙适，吴远翔，等.

机器学习在生态安全领域中的应用综述

［J］.生态学报，2024，45（3）：1503-1517.

[本文引用: 1]

汪成刚，王波，王琪智，等.

城市活力与建成环境的非线性关系和阈值效应研究：以广州市中心城区为例

［J］.地理科学进展，42（1）：79-88.

[本文引用: 1]

Karniadakis G E， Kevrekidis I G， Lu L，et al.

Physics-informed machine learning

［J］.Nature Reviews Physics，2021，3（6）：422-440.

[本文引用: 1]

Meng C， Seo S， Cao D，et al.

When physics meets machine learning：a survey of physics-informed machine learning

［J］.Machine Learning for Computational Science and Engineering，2025，1（1）：1-23.

[本文引用: 1]

刘肖廷，闵建，于相楠，等.

物理信息神经网络的应用与研究进展

［J］.河南科学，2024，42（7）：945-959.

[本文引用: 1]

Liu X， Peng W， Gong Z，et al.

Temperature field inversion of heat-source systems via physics-informed neural networks

［J］.Engineering Applications of Artificial Intelligence，2022，113：104902.

[本文引用: 1]

Glenn D M， Feldhake C， Takeda F，et al.

The dew component of strawberry evapotranspiration

［J］.HortScience，1996，31（6）：947-950.

[本文引用: 1]

Li H Y， Chen R S， Han C T，et al.

Evaluation of the spatial and temporal variations of condensation and desublimation over the Qinghai-Tibet Plateau based on penman model using hourly ERA5-land and ERA5 reanalysis datasets

［J］.Remote Sensing，2022，14（22）：5815-5824.

[本文引用: 1]

Guo X N， Liu X Y， Shang G F，et al.

Spatio-temporal variations in dew and its relevance to drought in the Beijing-Tianjin-Hebei Region of China

［J］.International Journal of Remote Sensing，2024，45（190）：6934-6953.

[本文引用: 2]

Suo Y， Wang Z J， Zhang Z，et al.

Accessible remote sensing data mining based dew estimation

［J］.Remote Sensing，2022，14（22）：5653-5661.

[本文引用: 1]

Zhang S Y， Li J Z， Zhang T，et al.

How does dewfall affect drought assessment in different climate regions in China

［J］.Journal of Hydrology，2023，616：128601.

[本文引用: 2]

Xu Y Y， Yan B， Tang J.

The effect of climate change on variations in dew amount in a paddy ecosystem of the Sanjiang Plain，China

［J］.Advances in Meteorology，2015，2015（1）：793107.

[本文引用: 1]

Jia Z F， Wang Z， Wang H.

Characteristics of dew formation in the semi-arid Loess Plateau of central Shaanxi Province，China

［J］.Water，2019，11（1）：126-135.

[本文引用: 1]

Atashi N， Rahimi D， Al Kuisi M，et al.

Modeling long-term temporal variation of dew formation in Jordan and its link to climate change

［J］.Water，2020，12（8）：2186-2198.

[本文引用: 2]

Yang Y T， Roderick M L， Guo H，et al.

Evapotranspiration on a greening earth

［J］.Nature Reviews Earth and Environment，2023，4（9）：626-641.

[本文引用: 1]

Dou Y， Quan J， Jia X，et al.

Near-surface warming reduces dew frequency in China

［J］.Geophysical Research Letters，2021，48（7）：e2020GL091923.

[本文引用: 1]

Muselli M， Lekouch I， Beysens D.

Physical and chemical characteristics of dew and rain in North-west Africa with focus on morocco：mapping past and future evolution （2005–2100）

［J］.Atmosphere，2022，13（12）：1974-1983.

[本文引用: 2]

Tomaszkiewicz M， Abou Najm M， Beysens D，et al.

Projected climate change impacts upon dew yield in the Mediterranean Basin

［J］.Science of the Total Environment，2016：566-567：1339-1348.

[本文引用: 1]

Rasoafaniry A， Muselli M， Beysens D.

Dew and rain evolution from climate change in semi-arid south-western Madagascar between 1991 and 2033 （extrapolated）

［J］.Atmosphere，2024，15（7）：784-796.

[本文引用: 1]

Budhbhatti R， Roy A K， Muselli M，et al.

Evolution of dew and rain water resources in Gujarat （India） between 2005 and 2021

［J］.Atmosphere，2024，15（8）：989-996.

[本文引用: 1]

Valjarević A， Milanović M， Valjarević D，et al.

Geographical information systems and remote sensing methods in the estimation of potential dew volume and its utilization in the United Arab Emirates

［J］.Arabian Journal of Geosciences，2021，14（15）：1430-1442.

[本文引用: 1]

Vuollekoski H， Vogt M， Sinclair V A，et al.

Estimates of global dew collection potential on artificial surfaces

［J］.Hydrology and Earth System Sciences，2015，19（1）：601-613.

[本文引用: 2]

Qiao N， Wang L， Marais E，et al.

Fog detection and estimation using CALIPSO Lidar observations

［J］.Geophysical Research Letters，2022，49（24）：e2022GL101375.

[本文引用: 1]

张桔云.

运用机器学习整合卫星资料量化亚热带日间山地云雾森林之云雾时空分布

［D］.台北：台湾大学，2023.

[本文引用: 1]

陈丽晶，张镭，梁捷宁，等.

半干旱区不同下垫面大气湍流通量比较分析

［J］.高原气象，2017，36（5）：1325-1335.

[本文引用: 1]

/

〈 〉

©2018中国沙漠 编辑部

地址: 兰州市天水中路8号 (730000)

电话：0931-8267545

Email：caiedit@lzb.ac.cn;desert@lzb.ac.cn

甘公网安备 62010202000688号      陇ICP备2021001824号-9
访问总数:    当日访问:    当前在线: