基于 MODIS 数据的中国地面水汽压模拟与分析

张丹1,2，刘昌明

1,3，付永锋

4，邱新法

5，刘小莽

1

（1.中国科学院地理科学与资源研究所，北京 100101； 2.中国科学院研究生院，北京 100049；

3.北京师范大学水科学研究院，北京 100875；4.黄河勘测规划设计有限公司，郑州 450003；

5.南京信息工程大学，南京 210044；）

摘要：采用 2006 年 MODIS 逐日红外与近红外大气可降水量（MOD05）数据，结合常规气象观测资料，建立

了中国逐月地面水汽压模拟统计模型，得到了 2006 年 1km×1km 中国逐月地面水汽压数据集。通过对全国

33 个台站和河南省 100 个加密站的验证，地面水汽压的模拟值与实测值的相关性均达 0.96 以上，并且均

有90％以上的样本相对误差平均值小于20％。研究结果表明：2006年中国地面水汽压月平均值在3.47hPa～

17.13hPa 之间，全国年平均值为 8.87hPa，地面水汽压呈现出显著的地带性分布。分析了地面水汽压随海

拔、坡度和坡向等地形因子的变化规律,较好地反映出地面水汽压的宏观分布趋势和局地分布特征。基于

MODIS 数据的地面水汽压模型为复杂地形条件下能量收支平衡和大气水循环的研究提供了一种切实可行的

方法。

关键词：MODIS；大气可降水量；地面水汽压；地形影响

1 引言

水汽作为主要的温室气体之一，是大气辐射和吸收以及热量输送研究中的一个重要参量[1-2]

。在水文学上，水汽参与到水循环中的各个环节，对区域及全球水分输送起着至关重要

的作用[3]。因此，在全球气候变化的背景下，水汽作为一项基础数据，其研究的重要性不言

而喻[4-5]

。

空气中绝对水汽含量的多少常用地面水汽压表示[6-8]

。当前地面水汽压的估算方法包括

传统研究方法和遥感方法。传统的地面水汽压研究方法主要有地理因子回归统计法和插值方

法两种。地理因子回归统计法通过建立地面水汽压与地理要素之间的回归模型来推算地面水

汽压[9-10]

；另一种方法是根据空间插值方法进行水汽压的研究[11]

，不同的插值方法得到的结

果往往有所不同[12-13]

。第二种是遥感方法，它主要的理论依据是大气中的水汽对电磁波的

衰减作用[14]

。遥感方法具有较高的时间和空间分辨率，且在人烟稀少且人迹罕至地区同样可

以得到详实的大面积观测[15]

。因此，利用常规气象观测数据和覆盖范围广阔的遥感资料相结

合，将是解决高分辨率地面水汽压模拟的有效方法之一。目前，基于遥感的地面水汽压研究

主要集中于分辨率为 5km×5km的 MOD07 大气廓线产品反演地面水汽压[16]

，且已在马来西亚[17]

、中国[18]

、美国[19]

等得到了良好的应用。但它们的研究也存在着一定的局限性，由于经

验关系式中的经验参数是根据当地的气象资料得以确定的，因此有着很强的区域性。中国地

域广阔，气候变化多样，有必要在不同的地区予以不同的参数进行地面水汽压估算。同时，

关于中国 1km×1km 高分辨率的地面水汽压模型及水汽压受地形影响的研究鲜有报道。

本文基于 2006 年 MODIS 的 MOD05 数据产品，结合地面常规气象观测资料，建立了 1km

×1km 地面水汽压遥感估算模型，绘制了全国 1km×1km 地面水汽压空间分布图，并进一步

分析了地面水汽压随地形的变化规律。本文提出的地面水汽压估算模型简单易行，其研究结

果对中国不同气候和地形下能量收支、大气水循环过程的深入探讨具有重要的理论和实践意

义。 收稿日期：2011-07-10；修订日期：2011-11-01 基金项目： 国家自然科学基金（编号：40971023）；国家重点基础研究发展规划项目（编号：2010CB428406）。 作者简介：张丹，女，河南周口人，博士生，从事水文气象方面的研究。E-mail: nuistgiszd@163.com

通讯作者 ：刘昌明，E-mail：liucm@igsnrr.ac.cn

DOI：CNKI:11-3868/N.20111116.1401.010 网络出版时间：2011-11-16 14:01网络出版地址：http://www.cnki.net/kcms/detail/11.3868.N.20111116.1401.010.html

1. 数据和方法

2.1 数据

本文所用的数据包括常规气象数据和遥感数据两部分。常规气象数据包括 2006 年中国

652 个常规气象站的月平均地面水汽压和河南省 100个加密气象站的月平均地面水汽压。其

中，619 个常规气象站资料用来建立地面水汽压模型，33 个均匀分布的常规气象站资料及河

南省 100 个加密气象站资料用来检验模型的精度。需要注意的是，中国气象观测站测定的湿

度参量为相对湿度，地面水汽压由相对湿度计算而来，所有数据均经过严格的质量控制。中

国常规气象观测站及河南省的位置如图 1所示。

研究中使用的遥感数据为美国宇航局(NASA)地球观测计划(EOS)发射的中分辨率成像光

谱仪(MODIS)数据[20]

。它共有两颗星，上午星 TERRA于每日地方时上午 10：30（以取得最好

光照条件并最大限度减少云的影响）和晚上 22:30 过境，数据集为 MOD05L2[21]

；下午星 AQUA

于下午 14:30 和凌晨 2:30 每日地方时 13:30 左右过境，数据集为 MYD05L2。每颗星每次均

包括红外和近红外两种数据集。由于近红外在夜间无法使用，故每天均有六次数据可用，其

中近红外分辨率 1km，可用数据每天 2次；红外分辨率 5km，可用数据每天 4次。

图 1 中国652 个台站空间分布及河南省所处位置

Fig.1 Sketch map of 652 meteorological stations and validation area in China

2.2 主要方法

2.2.1 MODIS 月大气可降水量的生成

通过对每天每次的 MOD05 数据进行辐射定标、投影转换、图像校正、图像拼接、去除异

常值和无效值等步骤后得到每个时次的近红外和红外逐日可降水量数据集，再根据日可降水

量得到月平均可降水量及年平均可降水量。

数据采集次数越多，越能代表真实的大气状况，因此为了最大限度地利用 MOD05 大气可

降水量，减少空间和时间上的不稳定，使异常数据得到平滑处理，故可将红外和近红外数据

加权平均，公式如下：

nirir

nirniririrRS nn

npwvnpwvpwv

! （1）

式中 pwvir为月平均红外可降水量；nir为红外月扫描总次数；pwvnir为月平均近红外大气可降

水量；nnir为近红外月扫描总次数；pwvRS即为根据 MODIS 数据集获得的月平均大气可降水量。

根据（1）式可以得出 2006 年 1月-12 月中国大陆地区月平均大气可降水量数据集。图 2为

2006 年中国 MODIS 月平均大气可降水量，其大小在 0.10～3.50cm 之间。

图 2 2006年中国月平均大气可降水量 （单位：cm）

Fig.2 Monthly mean precipitable water vapor in 2006(Unit:cm)

2.2.2 地面水汽压模拟

大量研究表明，大气可降水量与地面水汽压之间的有良好的线性关系[22,23]

，尽管 MODIS

大气可降水量与实际大气可降水量有一定的差异，但它与地面水汽压的线性关系仍十分显

著。表 1中的 R为各月地面水汽压与 MODIS 大气可降水量之间的相关系数，其相关系数介于

0.87~0.94 之间，且均通过了 99%的显著性检验。

表 1相关参数统计表

Table 1 Relationship between precipitable water vapor and near-surface vapor pressure

月 1 2 3 4 5 6 7 8 9 10 11 12

R 0.91 0.91 0.94 0.93 0.92 0.87 0.89 0.90 0.87 0.88 0.92 0.88

N 606 629 631 646 650 648 651 649 644 648 647 623

注：R为相关系数，N为样本长度。

因此，地面水汽压模拟模型可表示为：

RSpwvbavp ! （2）

式中 a,b为相关统计系数；vp为地面水汽压[hPa]；pwvRS是 MODIS 大气可降水量[cm]。

需要指出的是，中国幅员辽阔，地形和气候特征东西南北向差别很大，因此有必要使用

不同的系数以提高模型精度和适应性。这里，我们引入邱新法等[24]

的区域优化模型，以在中

国不同的地区确定不同的参数进行地面水汽压的估算。模型的基本思想为：设定最大搜索半

径，以确定最大搜索区域；设定搜索站与目标站的经度、纬度和高程阈值，以确定搜索站与

目标站基本地理特征一致；搜索到的符合各阈值的台站与目标站按照（2）式建立逐步回归

方程，以确定目标站的系数 a 值和 b 值。a、b 系数的年平均值空间分布图表明（图 3），a

分布在-1.07～4.20之间，中国南部为相对高值区，东北部为相对低值区；b分布在 5.50～

11.67 之间，青藏高原西南侧和中国东北地区为相对高值区，其他地区为相对低值区。采用

公式（2）和 MODIS1km×1km大气可降水量，结合不同的区域参数即可得到 1km×1km分辨率

的 2006 年中国月地面水汽压。

图 3 a、b系数空间分布

Fig.3 Spatial distribution of the improved a and b

2. 结果与分析

3.1 地面水汽压模拟误差分析

为了验证模型的模拟精度，图 4a给出了 33个常规气象观测站逐站逐月观测值与模拟值

的散点图。观测值与模拟值的相关系数达 0.97，96.97％样本的相对误差在 30％以内，

90.15％样本的相对误差在 20％以内。为了进一步客观地分析地面水汽压模型的空间维模拟

能力，选择河南省均匀分布的 100 个加密气象站 2006 年的逐月地面水汽压与相对应格点上

的模拟值进行对比。由图 4b 可以看出，河南省内地面水汽压观测值与模拟值均在 3 hPa～

36 hPa，90.92%样本的相对误差在 20％以内，99.75％样本的相对误差在 30％以内。表 2

给出了河南省逐月误差统计结果。绝对误差平均值最大为 9月份 2.55 hPa，最小为 12月份

0.38 hPa，全年绝对误差平均值为 1.26hPa；相对误差平均值最大的为 2 月份 16.46％，最

小为 7 月份 5.12％，全年相对误差平均值为 9.56%。所有月份的相对误差平均值均在 20％

以内，且 8个月份在 10％以内。

图 4 2006年地面水汽压观测值与模拟值相关关系

Fig.4 relationship of observed vapor pressure and simulated vapor pressure

表 2 河南省加密气象站验证结果统计

Table 2 Validation of intense observations in Henan province

月 观测值（hPa） 模拟值（hPa） 绝对误差（hPa） 相对误差（％）

1 4.91 5.64 0.75 15.37

2 5.45 6.32 0.87 16.46

3 7.20 7.25 0.41 5.91

4 12.49 11.57 0.98 7.84

5 16.59 14.19 2.40 14.43

6 21.15 20.10 1.31 6.00

7 29.92 30.42 1.52 5.12

8 28.09 29.34 2.16 7.65

9 18.58 16.05 2.55 13.73

10 15.19 14.12 1.18 7.78

11 8.41 8.90 0.60 7.42

12 5.27 5.45 0.38 7.00

年 14.44 14.11 1.26 9.56

3.2 2006 年 1km×1km 地面水汽压空间分布特征

根据所建立的统计模型得到了各月 1km×1km 地面水汽压空间分布图，进而计算出各月

地面水汽压特征（表 3）。从图 5a 可以看出，年地面水汽压分布趋势与 MODIS 大气可降水量

的宏观分布趋势相似，呈现出典型的干湿度地带性分布，2006 年中国地面水汽压年平均值

分布在 1.82 ～32.32 hPa 之间。平均海拔 4000m 以上的中国西南的青藏高原由于其气温较

低，且远离水汽源地，故形成了地面水汽压的低值区；从青藏高原往北跨越昆仑山和祁连山

脉，往东越过横断山脉，地面水汽压随地势的下降逐渐增多，其中四川盆地由于地势较低且

四周都是山地，呈现出一个高值区；继续东移，越过大兴安岭－太行山－巫山－雪峰山一线，

直至东部沿海，由于海拔多在 500～1000m 以下，温度相对较高，而且靠近水汽源地，这一

带是地面水汽压的高值区。1km×1km 地面水汽压能清晰的反映出地形对水汽压的影响，以

中国云南省西南部为例（图 5a中红框部分），该区域海拔落差大，河网水系分布密集，包括

元江－红河流域、澜沧江－湄公河流域、怒江－萨尔温江流域和独龙江－伊洛瓦底江流域等。

通过图 5b 可以看出，该区域的地面水汽压最高值为 22.50hPa，最低值为 5.92hPa；进一步

与该区域的 DEM（图 5c）进行对比，发现地面水汽压的分布与地形分布配合紧密，大致沿西

南向东北方向递减，这是由于西南部地区接近印度洋水汽源地的缘故。

2006 年中国大陆地区地面水汽压月值（表 3）在 3.47～17.13hPa 之间，年值为 8.87hPa，

空间标准差在 3.20～8.66 之间。夏季（6月、7月和 8月）的地面水汽压平均值和空间差异

性相对较大，其中，7 月份地面水汽压平均值达到最大值 17.13 hPa，8 月份地面水汽压的

空间差异性达到最大值 8.66；冬季（12 月、1 月和 2 月）的水汽压平均值和空间差异性相

对较小，其中 1月份达到最小值。

图 5 2006年月平均水汽压空间分布（单位：hPa）

Fig.5 Spatial distribution of monthly mean near-surface vapor pressure in 2006, China (Unit: hPa)

表 3 地面水汽压空间特征统计

Table 3 statistics of monthly near-surface vapor pressure in 2006，China

月 1 月 2 月 3 月 4 月 5 月 6 月 7 月 8 月 9 月 10 月 11 月 12 月 年平均

最大值 19.10 23.37 25.01 31.43 36.54 41.65 48.12 52.16 50.14 35.04 27.99 24.61 32.32

最小值 0.00 0.08 0.73 1.20 1.52 1.80 2.19 2.07 1.92 1.52 0.55 0.23 1.82

平均值 3.47 4.28 5.02 6.85 9.27 13.01 17.13 16.85 11.71 9.16 5.80 3.79 8.87

标准差 3.20 3.60 4.28 5.53 5.78 6.53 8.35 8.66 6.71 6.84 4.75 3.34 5.36

3.3 地形对地面水汽压的影响

为了进一步分析地面水汽压随地形的变化规律，根据 2006 年 1km×1km 地面水汽压模拟

结果，统计各栅格点地面水汽压随海拔、坡度、坡向的变化规律，绘制地面水汽压随单项因

子变化的曲线。图 6中坡向从正北开始，按顺时针方向度量，即正北为 0°，正东为 90°，

正南为 180°，正西为 270°。

图 6a 为不同月份地面水汽压距平随坡向的变化（以 1月、4月、7月、10 月为例），纵

坐标为地面水汽压距平，指某一坡向上栅格平均地面水汽压与所有坡向上所有栅格平均地面

水汽压之差；图上每个点的地面水汽压距平是同一坡向上多个栅格地面水汽压距平的平均

值。可以看出，不同月份地面水汽压距平随坡向的变化趋势相似，呈现出显著的双峰双谷型。

就数值而言，7 月>10 月>4 月>1 月。水汽压最大值出现在东南（135°）坡附近，次高值出

现在西北坡和西坡（300°附近），最低值出现在北坡和东北坡之间（25°附近），次最低值

出现在西南坡和南坡之间（200°）。

图 6b 为不同月份地面水汽压距平随坡度的变化特征。7 月份地面水汽压随坡度的变化

最为显著，其次是 10月，1月份地面水汽压随坡度的变化最小。坡度小于 5°时，地面水汽

压随坡度的增加呈现出非线性增加趋势，在坡度介于 5°和 8°之间时，地面水汽压随坡度

的增加表现为减小趋势，当坡度大于 8°时，地面水汽压随坡度的增加锐减，且表现为线性

变化。

中国地形自西向东有显著的三级阶梯分布，不同的海拔高度有着不同的气候条件。以

（250m,750m）、（750m，1250m）、（1750m，2250m）、（2500m，3500m）、（3500m，4500m）和（4500m，

8000m）之间的地面水汽压平均值来代表海拔 500m、1000m、2000m、3000m、4000m 和 5000m

上的地面水汽压，以此为例来分析不同海拔高度上地面水汽压随地形的变化规律。图 6c 为

2000m 及以下海拔年平均地面水汽压随坡向的变化。可见，不同的海拔上的地面水汽压随坡

向的变化仍是双峰双谷型。一个峰值出现在东南坡（135°附近），另一个峰值出现在西坡和

西北坡之间，谷值大致出现在东坡和北坡之间、西坡和南坡之间。随着海拔的升高，不同坡

向上的水汽压差逐渐减小。海拔 500m 时，不同坡向上的距平差可以达到 1hPa，而海拔 2000m

时，其距平差不到 0.2 hPa。

图 6d 为 3000m 及以上海拔年平均地面水汽压随坡向的变化。这部分区域大部分属于中

国的青藏高原地区。中国的地面水汽压在不同坡向上的双峰双谷型仍得到了良好的体现。但

不同的海拔上峰谷出现于不同的位置上，峰谷的距平差并未随着海拔的升高呈现出规律的变

化。这是因为高原的高寒气候与中国的平均气候状况差异显著，相应的地面水汽压随坡向的

变化特征更加复杂。

a

-1.5

-1.2

-0.9

-0.6

-0.3

0

0.3

0.6

0.9

1.2

1.5

0 45 90 135 180 225 270 315 360

坡向（°）

距平

1月4月7月10月

b

-4.0

-3.5

-3.0

-2.5

-2.0

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

2.0

1 2 3 4 5 6 7 8 9 10 11

坡度（°）

距平

1月4月7月10月

c

-0.5

-0.4

-0.3

-0.2

-0.1

0

0.1

0.2

0.3

0.4

0.5

0 45 90 135 180 225 270 315 360

坡向（°）

距平

500m1000m2000m

d

-0.07

-0.05

-0.03

-0.01

0.01

0.03

0.05

0.07

0.09

0.11

0 45 90 135 180 225 270 315 360

坡向（°）

距平

3000m4000m5000m

图 6 地面水汽压受地形影响的变化规律

Fig.6 Terrain-influencing characteristics on near-surface vapor pressure in China

4 结论

本文利用 2006 年 MODIS 日大气可降水量（MOD05）数据集，结合地面常规观测资料、建

立了地面水汽压模拟模型，绘制了 2006年 1km×1km地面水汽压数据空间分布图。通过本项

研究，得出以下结论：

(1) 全国未参加建模的 33 个常规气象观测站的地面水汽压模拟值与实测值的相关系数

达 0.97，90.15％样本的相对误差在 20％以内。经过河南省加密站的验证，本文建立的地面

水汽压模型的逐月相对误差平均值均在 20％以内，且 8个月份的误差小于 10％，月绝对误

差平均值最小仅为 0.38hPa。

(2) 中国 2006 年地面水汽压平均值 8.87hPa，呈现出显著的干湿度地带性分布。月平均

值在 3.47hPa～17.13hPa 之间，7月和 8月的地面水汽压和空间差异性均达到最大，1月地

面水汽压及其空间差异性最小，从冷月向暖月逐渐由纬度地带性向干湿度地带性转换。

(3) 地面水汽压随地形有显著的变化，不同海拔、不同坡度、不同坡向的地面水汽压有

着不同的分布规律，它与大气环流有着密切的关系，高海拔地区的区域特征较更加复杂多样。

本文基于 MODIS 数据建立了 2006 年中国地面水汽压统计估算模型，为遥感数据融入气

象学、气候学和水文学的研究提供了一种有效途径。但本文仅研究了一年的遥感资料，更长

时间序列遥感数据研究和高精度地面水汽压机理模型的建立有待于进一步开展。

参考文献

[1] DeCosmo J., Katsaros K. B., Smith S. D. etc. Air-sea exchange of water vapor and sensible heat: The Humidity

Exchange over the Sea (HEXOS) results [J]. Journal of Geophysical research, 1996,101(C5): 12001–12016 .

[2] Held Isaac M. and Soden Brian J. Annual review of energy and the environment [J]. Water vapor feedback and

global warming, 2000, 25: 441-475.

[3] Rasmusson Eugene M. Atmospheric water vapor transport and the water balance of North America [J]. Monthly Weather

Review, 1968, 96: 720–734.

[4] Starr P., Peixoto, J. P. On the global balance of water vapor and the hydrology of deserts [J]. Tellus, 1958,

10(2):188–194.

[5] Solomon Susan, Rosenlof Karen.H., Portmann Robert.W., etc. Contributions of stratospheric water vapor to decadal

changes in the rate of global warming [J]. Science, 2010, 327: 1219-1223.

[6] 国家气象局气候监测应用管理司[M]. 气象仪器和观测方法指南. 北京,气象出版社,1992, 71.

[7] Martins L. Lages , Ribeiro . A. Silva , Sousa .J. Alves. Measurement Uncertainty of Dew-Point Temperature in

a Two-Pressure Humidity generator [J]. International Journal of Thermophysics, DOI: 10.1007/s10765-011-1005-z.

[8] 于贵瑞,何洪林,刘新安.中国陆地生态信息空间化技术研究(I)—气象/气候信息的空间化技术途径[J].自然资源学报,

2004, 19(4):537-544.

[9] 翁笃鸣, 方先金，李占清. 我国自由大气与山地水汽压垂直递减规律的初步研究[J].南京气象学院学报,1985,

(2):152-161.

[10] 杨阳, 缪启龙, 邱新法,等. GIS支持的起伏地形下重庆市水汽压的空间分布[J].中国农业气象,2006, 27(1):11-15.

[11] Jarvis C H, Stuart N A. Comparison among strategies for interpolating maximum and minimum daily air

temperatures.PartⅡ:the interaction between number of guiding variables and the type of interpolation method[J].

Journal of Applied Meteorology, 2001, 40(6):1075—1084.

[12] 刘新安,于贵瑞,范辽生,等. 中国陆地生态信息空间化技术研究(Ⅲ)—温度、降水等气候要素[J].自然资源学报, 2004 ,19

(6) :818～825.

[13] 沈艳，熊安元，施晓晖，等．中国55年来地面水汽压网格数据集的建立及精度评价[J]．气象学报, 2008, 66（2）：283-291

[14] 尹球, 匡定波. 促进遥感发展的几点思考[J]. 红外与毫米波学报, 2007, 3:225-231.

[15] 刘荣高, 刘洋, 刘纪远. MODIS科学数据处理研究进展[J]. 自然科学进展, 2009, 19(2): 141-147.

[16] Menzel W P, Seemann S W, Li Jun, etc. MODIS Atmospheric Profile Retrieval Algorithm Theoretical Basis

Document[R].ATBD Reference Number:ATBD-MOD-07,2002:23.

[17] Peng Guangxiong, Li Jing , Chen Yunhao. High-resolution surface relative humidity computation using MODIS image

in Peninsular Malaysia [J]. Chinese Geographical Science, 2006, 16(3): 260-264.

[18] 黄耀欢,江东,庄大方,等.基于MODIS遥感数据地表水汽压估算[J].地理科学进展, 2010, 29(9): 1137-1142.

[19] Seemann S W,Li J,Menzel W P．Operational retrieval of atmospheric temperature,moisture and ozone from MODIS

infrared radiances[J]. Journal of Applied Meteorology, 2003, 42(8): 1072 -1091．

[20] Salomonson VV, Barnes W, Masuoka EJ. Introduction to MODIS and an overview of associated activities, in Earth

science satellite remote sensing Volume 1: science and instruments [M]. New York: Springer-Verlag, 2006, 12-32

[21] GAO B C, Geotz Alexander F H. Column Atmospheric Water Vapor and Vegetation Liquid Water Retrievals from Airborne

Imaging Spectrometer Data [J]. Journal of Geophysical Research, 1990, (95): 3549 - 3564.

[22] 孙治安. 我国平均水汽含量的气候计算及其时空分布[J].南京气象学院学报,1987, 10(1): 74-80.

[23] 杨景梅,邱金桓. 用地面湿度参量计算我国整层大气可降水量及有效水汽含量方法的研究[J]. 大气科学,2002 ,26

(1):9-22.

[24] 曾燕,邱新法,潘敖大等.地形对黄河流域太阳辐射影响的分析研究[J]. 地球科学进展,2008,23(11):1185-1193.

Estimation and Analysis of Near-surface Vapor Pressure

Based on MODIS in China

Zhang Dan1,2 Liu Changming1,3 Fu Yongfeng4 Qiu Xinfa5 Liu Xiaomang1

(1.Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of

Sciences, Beijing 100101, China; 2.Graduate University of Chinese Academy of Sciences, Beijing

100049,China; 3.College of Resources and Environment, Beijing Normal University

100875,China;4.Yellow River Engineering Consulting Co.,Ltd, Zhengzhou 450003,China;5.

Nanjing University of Information Science and Technology, Nanjing 210044, China ;)

Abstract: Combined daily infrared data with near-infrared data by MODIS (MOD05) in the year of

2006, the monthly precipitable water vapor was calculated based on the weighted arithmetic to make

the best use of remote sensing data. The monthly average mean precipitable water vapor was between

0.10cm and 3.50cm.With conventional meteorological data of 619 stations in China, an experimental

model was built up to estimate the monthly near-surface vapor pressure with the resolution of

1km×1km. Due to a vast territory and different kinds of climate zones in China, an optimized method

was carried out to estimate the parameters of the experimental model. The main idea of the optimized

method was to find the similar geographic location and altitude. The spatial distribution of the

optimized parameters had a significant regional character. The results showed that：(1) The

experimental model had a good spatial simulation capacity. In the validation of the conventional

meteorological data of 33 stations in China, the related coefficient between the simulated and observed

monthly vapor pressure was 0.97 where the mean relative errors of 90.15% samples were below 20%;

as well as in the validation of local meteorological data of 100 stations in Henan province, the related

coefficient was 0.96 where the mean relative errors were below 20% while eight months’ errors were

in 10%. (2) The spatial distribution of vapor pressure was consistent with water vapor. In whole China,

the monthly average vapor pressure of 2006 ranged from 3.47 hPa to 17.13 hPa with a yearly mean

value of 8.87 hPa, and the spatial variation ranged from 3.20 to 8.66 with a yearly mean value of 5.36.

The value and spatial variation of the monthly vapor pressure were higher in summer (June, July and

August) while lower in winter (December, January and February), and the maximum value turned up

in August while the minimum in January. When the southeast of Yunnan province was taken as an

example, the trend of spatial distribution of vapor pressure was corresponding with DEM and river

network. (3)The distributions of the monthly vapor pressure varied remarkably with the topography.

The changes of vapor pressure with the altitude, slope and aspect were analyzed to reflect macro

distributions and local characters of vapor pressure. The monthly vapor pressure varied regularly with

topography in the low altitudes. There were always two peaks and two troughs of the vapor pressure

value in different months, the same as in different altitudes. But there was a more complex

characterization of the monthly vapor pressure at the high altitudes such as the Tibet Plateau. The

proposed vapor pressure calculating model based on MODIS data provided an excellent method for

researching on energy balance and atmospheric water cycle in rugged terrain, which was also an

effective reference on the study of meteorology, climatology and hydrology by means of remote

sensing data.Key words: MODIS; precipitable water vapor; near-surface vapor pressure; terrain influence