用于泰国北部日尺度30米蒸散发制图的METRIC–随机森林融合框架

《Remote Sensing Applications: Society and Environment》：METRIC–Random Forest Fusion Framework for Daily 30-m Evapotranspiration Mapping in Northern Thailand

　　

实际蒸散发（AET）提供了关于作物耗水的基本信息，在灌溉规划和水资源管理中起着至关重要的作用。虽然基于涡动协方差通量塔的观测系统能提供时间上连续的 AET 观测，但其有限的空间覆盖范围限制了其在大规模应用中的推广。相反，基于卫星的 AET 估算能够实现大范围的空间制图，但受限于粗的空间和时间分辨率以及云覆盖问题。本研究将高分辨率内部校准蒸散发制图（METRIC）能量平衡算法与基于随机森林（RF）的机器学习融合框架相结合，以生成空间分辨率为 30 米、时间分辨率为日尺度的改进后的 AET 估算结果。无云条件下的 Landsat 衍生 AET 被用于训练 RF 模型，输入变量包括参考蒸散发（ETr）、归一化植被指数（NDVI）、地表温度（LST）和数字高程模型（DEM）。随后，训练好的 RF 模型（RF-AET）被应用于全天空条件下的 ET 估算，使用来自 NASA POWER 数据库的连续 ETr 数据、通过时间序列谐波分析（HANTS）模型重建的 NDVI，以及使用另一个独立的 RF 模型（RF-LST）估算的 LST。该方法被应用于泰国北部的 DTT 流域，以生成 30 米分辨率的日 ET 地图。结果表明，HANTS 模型有效地重建了日 NDVI（相关系数 R > 0.88；均方根误差 RMSE < 0.11），而 RF-LST 实现了准确的 LST 预测（R > 0.80；RMSE < 3.45 K）。结合 NDVI、LST、ETr 和 DEM 的 RF-AET 模型提供了可靠的日 AET 估算，适用于田间尺度应用（R = 0.51–0.71；RMSE = 1.17–1.75 mm/d）。与通量塔观测数据的验证（R = 0.60 – 0.92；RMSE = 1.21 – 1.60 mm/d）表明，该模型在日尺度上具有一致性，在周和月聚合尺度上具有强一致性，证明了该模型在改善农业系统中的灌溉调度和水资源管理方面的能力。

引言

在本研究中，蒸散发（ET），也称实际蒸散发（AET），指在盛行土壤-水分和大气条件下发生的真实蒸散发（Allen 等人，1998）。AET 的精确估算对于有效的作物水分管理至关重要，尤其是在干旱和半干旱地区（Bhatti 等人，2023；Da Costa Faria Martins 等人，2022；Khanmohammadi 等人，2017；Mebrie 等人，2023；Wang 等人，2023；Yin 等人，2013；Zhang 等人，2020）。精准农业技术需要更高空间分辨率（即田间或地块尺度）和更频繁时间分辨率（即日或亚日）的 AET 信息（Kumar 等人，2023；Kumar Singh 和 Sobti，2022；Lapidus 等人，2024）。尽管 AET 是一个由太阳辐射、相对湿度、降水和地表温度（LST）等多个变量驱动的复杂过程，但由于监测和观测的限制，这些相关数据集在精细空间尺度和日时间尺度上的可用性仍然有限。

AET 估算方法从基于物理的直接测量方法到基于遥感的间接方法不等。直接测量方法，如蒸渗仪，用于量化特定作物、土壤和气候条件下的精确作物用水（Gon?alves 等人，2024；López-Urrea 等人，2020；Pereira 等人，2023；Tamimi 等人，2022），而涡动协方差通量塔则测量土壤-植物-大气连续体之间的碳、水和热通量交换（Bambach 等人，2022；Callejas-Rodelas 等人，2024；French 等人，2024；Li 等人，2024；Pan 等人，2024；Sabiston 等人，2024）。这些基于物理的直接 AET 测量方法需要大量的资金投入和人力来进行安装和维护。此外，它们具有场地特异性，在代表广阔空间覆盖范围方面能力有限。相比之下，基于遥感的间接 AET 估算方法在区域到全球尺度上提供了更广泛的空间和时间覆盖。这些方法通常依赖易于获得的气候参数，如温度、风速、太阳辐射和湿度，来估算潜在蒸散发（PET），PET 是盛行气候条件的函数。Penman-Monteith 方法结合了空气动力学和辐射组分来估算 PET，是一个成熟且广泛使用的模型（Allen 等人，1998；Ndiaye 等人，2020）。随后应用作物系数（Kc）值将 PET 转换为特定作物的 ET（ETc）（French 等人，2023）。然而，AET 与 ETc 不同，因为 AET 同时考虑了作物条件和水分胁迫，而这些在 ETc 中并未明确表示。因此，估算 AET 在监测作物系统和支持灌溉调度决策方面更具相关性和信息量。由于卫星影像的开放获取性及其广泛的空间时间覆盖范围，遥感在多空间和时间尺度上估算 AET 方面起着至关重要的作用。

卫星图像通过整合 Penman-Monteith 模型、蒸散分数概念、基于温度的热惰性模型、基于植被指数的模型和基于能量平衡的模型来估算 AET（Chen 和 Liu，2020；Li 等人，2009；Wang 和 Dickinson，2012）。地表能量平衡（SEB）模型将 AET 视为地表能量平衡方程的残差部分。几种 SEB 模型已被成功应用于从遥感影像中估算 AET。例如，地表能量平衡指数（SEBI）基于潜热（LE）通量直接影响 LST 和空气动力阻力的假设来估算 AET（Menenti 和 Choudhury，1993）。地表能量平衡系统（SEBS）通过定义分别对应零 AET 和最大 AET 的干界和湿界来估算 AET（Su，2002）。简化 SEBI（S-SEBI）利用给定反照率值下蒸散分数（EF）与 LST 之间的线性关系来估算 AET（Roerink 等人，2000）。运行简化地表能量平衡模型（SSEB-op）将零 ET 分配给代表干地表的热点锚定像素，将最大 ET 分配给通常代表湿地表的冷点锚定像素（Senay 等人，2013）。陆地地表能量平衡算法（SEBAL）通过建立 LST 与近地表气温梯度之间的线性关系，并将零 AET 分配给干旱像素来估算 AET（Bastiaanssen 等人，1998）。高分辨率内部校准蒸散发制图（METRIC）模型基于 LST 与近地表气温梯度成正比以及 EF 在整个白天保持不变的假设来估算 AET（Allen Richard G. 等人，2007；Numata 等人，2017；Silva Oliveira 等人，2018）。与其他 SEB 模型相比，METRIC 提供了一些优势，特别是其相对于参考蒸散发（ETr）的内部校准。METRIC 模型的额外优点包括其不依赖于作物类型和作物发育阶段信息。此外，热点和冷点锚定像素的自动选择已被证明可减少 AET 估算中的不确定性（Jaafar 和 Ahmad，2020）。所有 SEB 模型，包括 METRIC，都在卫星过境时间估算瞬时 ET（ETins）。随后，使用时间扩展和聚合方法将该 ETins 上调至 ET24（日实际蒸散发，mm d-1）或日 AET。在本研究中，ET24 和日 AET 被视为等价，并交替使用。几种上调方法已成功应用于将 ETins 转换为 ET24，包括恒定 EF 法（Shuttleworth 等人，1989）、基于太阳辐射的方法（Ryu 等人，2012）和恒定解耦系数法（Tang 和 Li，2017）。

由于多传感器卫星影像的广泛可用性以及随机森林（RF）和支持向量机（SVM）等成熟机器学习（ML）算法的快速发展，用于在云层覆盖期间重建日 AET 的图像融合方法变得越来越流行（Cui 等人，2021；Hao 等人，2022；Ke 等人，2016；Reyes Rojas 等人，2021；Shang 等人，2021）。图像融合算法采用各种线性、非线性和基于 ML 的模型，将日时间尺度的粗分辨率卫星产品下采样到更精细的空间分辨率，例如 Landsat 的分辨率。例如，Singh 等人（2014）采用了一个截距为零的线性模型，将 2010 年科罗拉多河流域的 MODIS 月 AET 下采样到 30 米的月尺度 AET。所得的 30 米 AET 估算值与两个 FLUXNET 通量塔站点的 AET 观测值进行了评估，得出平均偏差值在 -16 mm/月至 22 mm/月之间。Hong 等人（2011）采用 SEBAL 算法将 MODIS AET 下采样到 30 米 AET。Semmens 等人（2016）采用了一种称为 STARFM（空间和时变自适应反射融合模型）的多传感器卫星数据融合方法，结合双源能量平衡算法（该算法将土壤表面和植被冠层表示为与大气进行热量和水汽交换的两个不同来源），计算了加利福尼亚葡萄园地块的 30 米分辨率 AET。其他研究也应用了类似的数据融合方法，利用多传感器卫星观测将粗分辨率 AET 分解为细分辨率 AET（Anderson 等人，2011；Bhattarai 等人，2015；Cammalleri 等人，2013, 2014）。

当卫星图像受云覆盖影响时，机器学习算法已被广泛应用于重建 LST、地表反照率、归一化植被指数（NDVI）和 AET 等生物物理变量（Sarafanov 等人，2020；Siabi 等人，2022；Weiss 等人，2014；Zhou 等人，2015）。在此类应用中，短重访、低空间分辨率数据集（如 MODIS 影像）通常与长重访、高空间分辨率数据集（如 Landsat 影像）结合，用于训练机器学习模型，以预测高分辨率图像不可用期间的缺失值（Bindhu 等人，2013；Yang 等人，2011）。由于 MODIS 数据产品提供日时间尺度的数据，它们经常作为机器学习模型的输入特征，用于训练分类器或回归器，以在诸如日时间步等规则间隔处预测感兴趣的变量。虽然这种方法有效地解决了时间数据缺口问题，但由云污染引起的空间数据缺口仍然是一个关键挑战，因为仅靠基于机器学习的时序重建无法恢复缺失的空间信息，除非应用额外的填补策略。例如，Mohanasundaram 等人（2023）开发了一种基于时间序列谐波分析（HANTS）的模型来填补缺失的 Landsat 影像集合中的 NDVI 值。HANTS 模型有效地捕捉了一年的时间框架内的季节性 NDVI 动态，并成功重建了缺失的 NDVI 值，从而在日时间步上得出了空间连续的 NDVI 图像。因此，这些基于 HANTS 的方法为填补缺失卫星衍生变量（如 NDVI）中的时空数据缺口提供了一种简单有效的解决方案，这些变量随后被用于 AET 估算模型中。

本研究的主要目的是通过融合 METRIC、HANTS 和 RF 模型，生成时空改进的 30 米 AET 地图，以支持泰国北部下游 Yom 河流域的一个子流域 DTT 流域的农业和灌溉水管理运作。本研究的具体目标是：（i）更新和改进基于 R 程序的 METRIC 算法，以从 Landsat 影像中估算 ETins 和 ET24；（ii）将基于 HANTS 的统计时间序列模型应用于 Landsat 衍生的 NDVI 数据，以提高 NDVI 影像的时空连续性；（iii）通过 RF 模型将 MODIS-LST 与基于 Landsat 的 LST 整合，以增强 LST 影像的时间可用性；（iv）使用 RF 模型估算日 30 米 AET，并对照独立数据集对结果进行验证，包括基于 Landsat 的估算和现场涡动通量塔衍生 ET 观测数据。

研究区域

下游 Yom 河流域位于泰国北部，其大致中心位于北纬 17°02′00″、东经 99°40′00″，其中部位于素可泰府内。虽然流域的大部分位于素可泰府，但其边界延伸至邻近的府，包括达府东部、北碧府北部、蓝康府和碧差汶府。Yom 河流域面积约为 24,047 平方公里，是更大湄南河流域的一部分（Khwanmuang 等人，2020）。

用于 ET 估算的 METRIC 模型框架

METRIC 模型是一个基于物理的遥感框架，用于求解陆地-大气界面的地表能量平衡。METRIC 模型的概念流程图见图 2。该模型将 LE 作为地表能量平衡方程（方程 1）的残差项进行估算。METRIC 利用从 Landsat 影像中衍生的地表参数，结合当地气象站的气象数据和 DEM 数据集，作为估算 METRIC 模型估算的能量平衡 ET 的主要输入。

基于 R 的 METRIC 模型迭代通过对脚本内的空气动力学粗糙度和 H 计算的连续调整，为 DTT 流域收敛到一个稳定且物理一致的能量平衡解。对于每张 Landsat 图像，热点像素的空气动力学阻力通常在 5-7 次迭代内达到收敛，而冷点像素则需要大约 10-12 次迭代才能完全稳定（图 4）。

风阻的收敛行为，如"讨论"部分所示的Daily ET或ET24在30米空间分辨率下的表现，对于田间尺度的作物用水评估至关重要，有助于制定合理的灌溉计划并提高作物产量。然而，此类高分辨率信息的获取往往受到有限的地面观测、粗分辨率卫星产品和较长的卫星重访周期的制约。为解决这些局限，本研究将基于Landsat-5的METRIC方法所推导的30米AET估计与基于RF-AET的结论——本研究提出了一种新颖的METRIC-RF融合框架，该框架将来自高质量Landsat影像的METRIC输出（包括LST和ET24）与RF-LST及RF-AET机器学习模型相结合，以提升30米空间分辨率下ET24估计的时间可用性。该RF-AET融合模型被应用于泰国北部DTT流域，该地区具有多样化的土地覆盖条件。本研究的主要发现总结如下：•本研究中开发的改进版METRIC模型，在……脚本可用性方面：使用METRIC方法从Landsat影像估算瞬时蒸散发的R语言脚本已放在以下OneDrive共享文件夹中：scripts；使用HANTS、METRIC和RF模型估算日蒸散发的最终GEE脚本链接如下：https://code.earthengine.google.com/7cd5427aa94712b98abae12f0dfb3e02；如需进一步了解脚本、模型和数据，请联系通讯作者：[e-mail]。CRediT作者贡献声明：Kaushal Rijal：撰写——审阅与编辑、软件、方法论、数据整理。Jaraspong Ruangekavit：软件、方法论、数据整理。Abhishek Shirodkar：撰写——审阅与编辑。Mukand S Babel：撰写——审阅与编辑。Mohanasundaram Shanmugam：撰写——审阅与编辑、撰写——初稿、验证、软件、方法论、数据整理、概念化。Sangam Shrestha：撰写——审阅与编辑。Natthachet Tangdamrongsub：撰写——审阅与编辑、调查。未引用参考文献：Allen et al., 2005; Awada et al., 2024; Crago, 1996; Li et al., 2009; Sriwongsitanon et al., 2020; Suwanlertcharoen et al., 2023; Zheng et al., 2019。数据可用性：泰国北部DTT流域2010年增强时间覆盖度的最终日蒸散发产品已放在以下OneDrive共享文件夹中：METRIC_ET_2010；DTT通量塔2010年日蒸散发汇总数据已放在以下OneDrive共享文件夹中：dtt_100_2010。伦理声明：本综述文章不涉及任何作者对人类受试者、动物或植物进行的研究。作者确认本综述中引用的所有来源均已适当标注和引用。本研究不存在利益冲突。作者已遵守学术出版的伦理标准，包括避免抄袭和尊重知识产权（//www.sciencedirect.com/topics/earth-and-planetary-sciences/intellectual-property-right）。利益冲突声明：? 作者声明不存在任何已知可能影响本文所述工作的竞争性财务利益或个人关系。致谢：我们感谢并感谢日本国家农业与食品研究机构农业环境科学研究院的Kim Wonsik博士分享泰国的通量塔数据。我们也感谢水利工程与管理专业提供的计算设施以开展本项研究。Mohanasundaram Shanmugam | Kaushal Rijal | Jaraspong Ruangekavit | Abhishek Shirodkar | Mukand S. Babel | Sangam Shrestha | Natthachet Tangdamrongsub | Sarawut Ninsawat——泰国巴吞他尼，亚洲理工学院，工程与技术学院，水利工程与管理专业，邮编12120。