综述：利用遥感和人工智能提升蒸散量估算技术——综述

本文系统综述了遥感与人工智能融合的蒸发蒸腾（ET）估算方法，分析了传统ET模型的局限性及遥感数据优势，探讨了Landsat、MODIS、Sentinel等卫星数据源的特性与预处理技术，重点评估了深度学习（CNN、LSTM）、随机森林（RF）及可解释AI（XAI）在ET建模中的应用，并总结了当前挑战与未来趋势，如高分辨率数据融合、多模态AI模型开发及物理机制结合等。

　　
蒸发蒸腾（ET）的可靠估算对可持续水资源管理至关重要，尤其在农业灌溉规划中占主导地位。传统方法如FAO-PM方程虽为全球标准，但高度依赖气象数据（温度、湿度、风速等），在数据稀缺地区应用受限。随着遥感技术发展，结合人工智能（AI）的方法成为突破瓶颈的关键路径。

### 遥感数据与预处理技术
遥感通过卫星图像捕捉地表信息，覆盖范围广且可定期更新，显著优于传统地面测量。常用卫星包括：
- **Landsat系列**：高空间分辨率（15-30米），适合区域精细分析，如NDVI、LST计算。
- **MODIS**：中等分辨率（250米）但高时间频率（每日），提供全球辐射、温度等参数。
- **Sentinel-3**：兼顾多光谱与热红外数据，适用于植被动态监测。
- **VIIRS**：高时间分辨率（每日）与中空间分辨率（375米），结合MODIS产品可提升精度。

预处理是确保数据质量的核心步骤：
1. **几何校正**：消除地形和传感器误差，如通过地理参考系统对齐图像坐标。
2. **辐射校正**：将传感器原始数字信号转换为地表反射率，常用方法包括：
- **图像基方法**（如DOS、IDOS）：无需气象数据，适合历史或数据缺失区域。
- **物理模型方法**（如6S、FLAASH）：依赖大气参数，精度更高但计算复杂。
3. **大气校正**：消除大气散射和吸收影响，MODIS的MOD16算法通过植被指数关联地表参数，而LSA SAF结合气象数据生成ET?产品。

### 关键参数与AI模型应用
遥感可提取三大核心参数：
- **地表温度（LST）**：通过热红外波段反演，MODIS产品（C6）提供每日全球数据，精度达±1.5℃。
- **太阳辐射**：MODIS DSSF产品结合ECMWF气象数据，填补地面观测空白，在干旱区误差低于15%。
- **植被指数**：NDVI、EVI、SAVI等通过多光谱数据计算，EVI尤其适合高生物量区域，减少土壤背景干扰。

AI技术显著提升了ET预测的精度与效率：
1. **机器学习（ML）**：
- **随机森林（RF）**：在韩国水稻田中表现最优，R2达0.87，通过特征重要性分析（如LST、温度）揭示关键驱动因素。
- **支持向量机（SVM）**：在西班牙半干旱区误差仅8.43毫米/月，适合线性与非线性关系建模。
2. **深度学习（DL）**：
- **LSTM**：处理时间序列数据时表现突出，如土耳其月度ET预测R2达0.95。
- **CNN**：结合空间特征（如Landsat OLI波段），在流域尺度上误差降低至0.3毫米/日。
- **混合模型（CNN-LSTM/GRU）**：通过多模态数据融合，在湿润地区精度提升20%，同时增强可解释性。

### 技术挑战与未来方向
当前面临的主要挑战包括：
- **数据异质性与质量**：不同卫星分辨率与覆盖频率差异大，需开发自适应融合算法。
- **模型泛化能力**：GFMs（如Prithvi）虽能跨区域应用，但光学数据缺乏热红外信息，导致LST估算误差增加15%-20%。
- **计算资源限制**：LSTM训练需数周GPU时间，难以在边缘设备部署。

未来突破点：
1. **多模态GFMs**：整合光学、热红外及微波数据（如Sentinel-1雷达），提升复杂环境下的预测能力。
2. **可解释AI（XAI）**：通过SHAP分析揭示LST、辐射等参数对ET的贡献度，如温度每升高1℃，ET增加0.2毫米/日。
3. **实时动态监测**：结合IoT传感器网络与卫星数据，实现农田ET的分钟级更新。

### 结论
遥感与AI的结合为ET估算提供了革命性解决方案。未来需重点突破数据融合、模型轻量化及物理约束融合，以实现高精度、低成本的全球ET动态监测。研究显示，集成GFMs与XAI的模型在灌溉优化中可减少30%的水资源浪费，为农业和城市水管理提供关键支持。