基于混合深度学习模型与遥感变量的参考蒸散量（ETo）估算研究

为解决传统 FAO-PM 法依赖大量气象数据的问题，研究人员开展基于遥感变量和深度学习的 ETo估算研究。利用 SVR、LSTM、GRU 及 CNN-LSTM/GRU 模型，发现混合模型精度更高，R2最高达 0.805，为水资源管理提供新方法。

　　

水资源是农业生产的命脉，精准估算参考蒸散量（ET_o）对农业灌溉调度和水资源管理至关重要。传统的 FAO-Penman-Monteith（FAO-PM）方法虽被广泛认可，却依赖大量气象数据，在基础设施薄弱地区应用受限。此外，直接测量蒸散量成本高、耗时长，而基于遥感数据和机器学习的间接估算方法逐渐成为研究热点。如何将遥感变量与深度学习模型结合，提升 ET_o估算的精度和普适性，成为当前亟待解决的问题。

为此，研究人员针对马来西亚半岛的兰卡威岛（Pulau Langkawi）和关丹（Kuantan）站点，开展了基于遥感变量和混合深度学习模型的 ET_o估算研究。该研究成果发表在《Agricultural Water Management》，为缺乏完整气象数据地区的 ET_o估算提供了新的技术路径。

研究主要采用以下关键技术方法：

1. 数据获取与预处理：收集 2000-2023 年气象数据（如气温、风速、太阳辐射等）和 MODIS 遥感数据（包括白天地表温度 LST、表面反射率波段、NDVI、EVI 等），利用线性插值填充缺失值，通过立方样条法将 16 天植被指数产品转换为日值。
2. 模型构建：
   • 采用支持向量回归（SVR）估算白天 LST，输入变量包括气象和遥感参数，通过网格搜索优化超参数。
   • 利用长短期记忆网络（LSTM）、门控循环单元（GRU）及其与卷积神经网络（CNN）的混合模型（CNN-LSTM、CNN-GRU）估算 ET_o，输入包含估算的 LST、向下短波辐射（DSR）、表面反射率波段及辅助变量（如儒略日、日照时长、太阳天顶角）。
   
   
3. 性能评估：使用决定系数（R²）、平均绝对误差（MAE）、均方根误差（RMSE）和归一化均方根误差（NRMSE）评估模型精度。

3.1 白天地表温度（LST）估算

SVR 模型在估算白天 LST 时表现良好。兰卡威岛站点以近红外（NIR）、短波红外（SWIR7）、蓝色波段、EVI 等为输入时，R²达 0.719；关丹站点以 NIR、蓝色波段、NDVI、EVI 等为输入时，R²最高为 0.739。结果表明，植被指数（EVI/NDVI）和表面反射率波段是 LST 估算的关键变量，高相关性变量需避免共线性问题。

3.2 深度学习模型估算 ET_o性能

• 单一模型：LSTM 和 GRU 在关丹站点表现更优，GRU 的 R²最高达 0.796，MAE 为 0.268 mm/day。兰卡威岛站点中，LSTM 和 GRU 的 R²分别为 0.695 和 0.694，显示两者性能相近。
• 混合模型：CNN-LSTM 和 CNN-GRU 显著提升估算精度。关丹站点的 CNN-GRU 在最优输入组合下，R²达 0.805，MAE=0.265 mm/day，RMSE=0.343 mm/day，NRMSE=0.096，为所有模型中最佳表现。混合模型通过 CNN 提取空间特征，结合 LSTM/GRU 处理时间序列，有效捕捉 ET_o与多变量的非线性关系。
• 变量影响：加入表面反射率波段（如蓝色、红色、NIR、SWIR7）、辅助变量（儒略日、日照时长、太阳天顶角）后，模型 R²提升约 10%-15%，表明这些变量对 ET_o估算不可或缺，可反映植被状态、太阳辐射强度和季节变化的影响。

4. 结论与讨论

本研究证实，混合深度学习模型（CNN-LSTM/GRU）结合遥感变量和辅助参数，可有效提升 ET_o估算精度，尤其是在缺乏地面气象数据的地区。关键结论包括：

1. 遥感变量（如 LST、DSR、表面反射率波段、NDVI）和辅助变量（如日照时长、太阳天顶角）是 ET_o估算的重要输入，可替代部分传统气象数据。
2. 混合模型通过融合 CNN 的空间特征提取能力和循环神经网络的时间序列分析能力，显著优于单一模型，其中 CNN-GRU 在关丹站点达到最高精度（R²=0.805）。
3. 该方法为水资源管理、农业灌溉优化提供了一种高效、低成本的 ET_o估算方案，尤其适用于气象观测能力有限的地区。

研究首次将 CNN 与循环神经网络结合用于 ET_o估算，拓展了深度学习在水文领域的应用。未来可进一步验证其他卫星数据源（如更高分辨率遥感数据）和更多变量（如土壤湿度）的适用性，以提升模型的普适性和精度，为全球气候变化下的水资源可持续管理提供更坚实的技术支撑。