《Remote Sensing》：High-Spatiotemporal-Resolution Remote Sensing Retrieval of Evapotranspiration with Sentinel-2 Data by Sharpening MODIS Land Surface Temperature
编辑推荐：
高时空分辨率蒸散发（Evapotranspiration, ET）对于精准灌溉管理和水资源调控至关重要。针对现有时空融合方法受高分辨率观测稀疏和地表温度（Land Surface Temperature, LST）粗糙的限制，本研究以河北省栾城区冬小麦为研究对
高时空分辨率蒸散发（Evapotranspiration, ET）对于精准灌溉管理和水资源调控至关重要。针对现有时空融合方法受高分辨率观测稀疏和地表温度（Land Surface Temperature, LST）粗糙的限制，本研究以河北省栾城区冬小麦为研究对象，提出了一种基于LST锐化模型的遥感ET反演方法。采用数据挖掘锐化器（Data Mining Sharpener, DMS）算法结合Sentinel-2多光谱数据，将MODIS LST从1000 m降尺度至10 m，并将辅助变量（数字高程模型DEM、反照率、归一化植被指数NDVI、土地覆盖）集成到Cubist回归树中，以提高MODIS LST的物理合理性和空间细节。利用地表能量平衡模型，由10 m锐化LST和Sentinel-2多光谱数据估算10 m分辨率ET，并采用解混-权重ET影像融合模型（Unmixing-Weight ET image fusion model, UWET）将10 m分辨率ET与MODIS低分辨率ET融合，生成覆盖冬小麦全生育期的每日10 m ET数据集。与涡度协方差通量测量验证表明，2019–2020年相关系数R = 0.921，均方根误差（RMSE）= 0.779 mm/day；2020–2021年R = 0.900，RMSE = 0.831 mm/day。结果表明，辅助变量显著增强了LST的空间真实性，LST锐化有效改善了ET的空间异质性，Sentinel-2数据弥补了Landsat的时间不足，从而大大促进了时空融合的精度。该方法可为精细化农田灌溉管理和水资源调控提供可靠的高时空分辨率数据支持。
高时空分辨率蒸散发（ET）对精准灌溉管理、水资源调控和作物生长监测具有重要意义。现有遥感ET产品中，高空间分辨率数据如Landsat系列虽能刻画ET空间分布，但重访周期长且易受云污染；高时间分辨率数据如MODIS、GLASS产品虽能监测长时序动态，但空间分辨率粗糙，二者难以同时满足精细农业管理对时空分辨率的要求。时空融合方法被用于生成高时空分辨率ET，但其精度依赖于高分辨率输入数据的数量和质量。Landsat作为常用高分辨率数据源，其16天重访周期和云污染常导致可用影像稀少，严重影响融合结果。Sentinel-2具有10 m空间分辨率和5天重访周期，能够捕捉ET短期动态并提供丰富空间细节，但缺乏热红外传感器，无法直接反演ET。因此，获取高时空分辨率地表温度（LST）成为利用Sentinel-2反演ET的关键。该研究发表于《Remote Sensing》，以河北省栾城区冬小麦为对象，提出基于LST锐化模型的遥感ET反演方法：采用数据挖掘锐化器（DMS）算法将MODIS LST从1000 m降尺度至10 m，通过引入数字高程模型（DEM）、反照率、归一化植被指数（NDVI）和土地覆盖等辅助变量改进Cubist回归树，提高LST的物理合理性与空间细节；随后利用地表能量平衡模型（SEBAL）从锐化LST和Sentinel-2数据估算10 m ET，并采用解混-权重ET影像融合模型（UWET）将10 m ET与MODIS低分辨率ET融合，生成覆盖冬小麦全生育期的每日10 m ET数据集。经涡度协方差通量站观测验证，2019–2020年R = 0.921、RMSE = 0.779 mm/day，2020–2021年R = 0.900、RMSE = 0.831 mm/day，精度满足应用要求。研究表明，辅助变量显著增强LST空间真实性，LST锐化有效改善ET空间异质性，Sentinel-2数据弥补Landsat时间不足，大幅促进时空融合精度，可为精准农田灌溉和水资源管理提供可靠数据支撑。
研究采用的主要关键技术方法包括：基于数据挖掘锐化器（DMS）的LST降尺度方法，利用Cubist回归树建立MODIS LST与多源变量间的非线性关系，输入变量包括Sentinel-2多光谱反射率、DEM、反照率、NDVI及土地覆盖；基于平均变异系数的均匀训练样本筛选策略，以减少混合像元影响；基于SEBAL模型的ET反演方法，适用于Landsat、MODIS及Sentinel-2数据；UWET时空融合模型，结合土地覆盖图进行线性解混和权重计算，生成10 m每日ET；对于云污染日期，采用Penman–Monteith参考蒸散发插补。研究区为河北省栾城区，验证数据来自栾城通量站2019–2021年涡度相关观测。
### 4.1 输入变量的贡献
通过分析Cubist模型规则中的条件（conditions）和模型（model）两种贡献指标，研究发现土地覆盖（小麦）和DEM在条件规则中得分最高，分别达86和83，表明冬小麦空间分布和地形起伏是样本分层的主要依据；各反射率波段在局部线性回归中均参与较多，其中红边波段贡献最突出，四个红边波段得分分别为99、98、98和85，能够细化LST细微梯度并补充空间细节。结果表明，加入辅助变量相比仅用反射率不仅提高模拟精度，而且使LST空间分布更符合物理规律。
### 4.2 地表温度空间分布分析
将不同时期锐化LST与Landsat反演LST对比，发现该锐化模型能有效提升MODIS LST的空间分辨率，锐化结果与Landsat LST具有较好一致性，但存在一定程度的平滑和极值衰减，空间异质性弱于Landsat LST。其原因可归因于原始MODIS LST空间分辨率较粗，像元混合严重、固有极值平滑，以及锐化模型外推能力有限。
### 4.3 时空融合结果与精度评价
基于Sentinel-2数据和锐化LST反演的ET显示，冬小麦ET主要集中在4–8 mm/day，高值区分布于研究区东部和南部。通量站验证结果显示，2019–2020年每日ET的R = 0.921，RMSE = 0.779 mm/day，MAE = 0.524 mm/day；2020–2021年R = 0.900，RMSE = 0.831 mm/day，MAE = 0.584 mm/day，预测值与实测值具有良好一致性。时间变化方面，预测ET在2019–2020年能较好捕捉短期ET波动，2020–2021年因设备故障存在实测数据缺失，但整体趋势仍与观测相符。
讨论部分围绕辅助变量和LST锐化对ET反演的影响以及引入Sentinel-2 ET前后时空融合效果差异展开。辅助变量影响方面，仅使用反射率作为输入时，锐化结果无法反映实际土地覆盖变化，空间细节缺失；加入土地覆盖等辅助变量后，LST能清晰区分冬小麦低温区与建设用地、裸土高温区，空间格局更加合理。将未锐化LST简单重采样至10 m后计算ET，结果保留粗分辨率LST的块状不连续特征，空间异质性差；而基于锐化LST的ET呈现丰富细部信息，低值对应建筑区，高值集中于麦田，与Landsat-8 ET产品一致性更好。在融合效果比较方面，仅使用Landsat-8 ET作为高分辨率输入时，2019–2020年R = 0.775, RMSE = 1.586 mm/day, MAE = 0.809 mm/day；2020–2021年R = 0.882, RMSE = 1.061 mm/day, MAE = 0.794 mm/day，均劣于加入Sentinel-2 ET的结果。时间序列上，仅用Landsat时，在缺少Landsat影像时段（如2019–2020年DOY 148–181、2020年DOY 347之前）预测ET明显偏离实测，出现高估和较多异常值。Sentinel-2数据有效填补了Landsat的时间间隙，提供了覆盖冬小麦各物候期的连续高分辨率观测，增加高分辨率输入数量，从而显著提升时空融合ET的准确性。
研究结论为：本研究提出了一种基于LST锐化的ET反演方法。该方法利用LST锐化模型将粗糙的MODIS LST锐化至10 m空间分辨率，利用MODIS LST弥补Sentinel-2缺乏热红外波段的不足，并集成回归树训练模型改进MODIS LST。进一步基于Sentinel-2、Landsat-8和MODIS数据集计算每日ET，并采用时空ET融合模型生成覆盖研究区冬小麦全生育期的每日10 m ET图。辅助变量的引入提高了MODIS LST产品的物理合理性和空间细节，DEM、NDVI和土地覆盖数据在回归模型中具有较高贡献，丰富了锐化结果中的细部空间特征。栾城通量站2019–2021年实测ET验证表明，在引入Sentinel-2 ET前后，2019–2020年R从0.775提升至0.921，RMSE从1.586 mm/day降至0.779 mm/day，MAE从0.809 mm/day降至0.524 mm/day；2020–2021年R从0.882提升至0.900，RMSE从1.061 mm/day降至0.831 mm/day，MAE从0.794 mm/day降至0.584 mm/day。预测ET与实测值在2019–2021年具有良好时间一致性。研究证实，Sentinel-2数据有效填补了融合过程中Landsat观测不足造成的时间间隙，高分辨率输入数量的增加最终提升了时空融合ET结果的精度。需要注意的是，本研究仅在单一农业区开展反演与验证，且受验证数据限制，LST锐化精度未进一步独立验证，因此该方法在不同区域和多样化环境条件下的普适性以及LST锐化过程的可靠性仍需进一步研究。
