基于三种无先验知识方法融合多源数据集优化中国蒸散发产品

《Journal of Hydrology》：Optimizing evapotranspiration products by merging multi-source datasets with three no-prior-knowledge methods over China

　　

• •
  基于四种多源蒸散发产品和三种无先验知识融合方法，生成了十二个融合蒸散发数据集。
• •
  在大多数站点和流域中，融合后的蒸散发数据集通常表现出优于原始蒸散发数据集的性能。
• •
  BTCH和ETC方法在蒸散发融合中表现出相当的性能，且均优于EM方法。
• •
  三元组1（ERA5-Land、GLDAS和GLEAM）和三元组3（ERA5-Land、GLEAM和SiTH）在大多数站点和流域中表现出更为突出的性能。
• •
  输入三元组的组成对融合蒸散发的影响大于融合算法的选择。

引言

蒸散发（ET）由土壤蒸发、冠层截留和植被蒸腾组成，在全球陆地-大气相互作用中发挥着关键作用（Yang等，2023，Zhou和Yu，2025，Zhu等，2025）。它将大约三分之二的年陆地降水返回大气，并占净辐射消耗的一半以上（Cai等，2024，Wang等，2026）。此外，作为碳吸收和水循环之间的联系，精确量化蒸散发对于生态系统建模、干旱监测、水文模拟、灌溉管理和气候变化影响评估至关重要（Jaafar和Sujud，2024，Li等，2025，Liu等，2025，Zhou等，2023）。

在过去的几十年中，各种方法和技术已被开发并应用于量化蒸散发。基于站点的方法，如蒸发皿、渗渠法和涡动相关法（EC），可以提供相对准确的局地尺度蒸散发观测数据（Jung等，2010，Rajput等，2024，Stoy等，2019，Wang和Dickinson，2012，Yi等，2024），但成本高昂且易受源区异质性和能量不平衡的影响（Pan等，2020，Wang等，2015，Zuo等，2025）。基于遥感（RS）的技术，如光谱辐射计（MODIS）（Mu等，2007，Mu等，2011）、全球陆地蒸发阿姆斯特丹模型（GLEAM）（Martens等，2017，Miralles等，2025，Miralles等，2011）、Penman-Monteith-Leuning（PML）（Zhang等，2019，Zhang等，2010），能够生成大尺度的蒸散发数据集产品，但受卫星过境时间的限制。基于陆面模式（LSM）的反演模型，包括欧洲中心第五代再分析数据集（ERA5和ERA5-Land）（Hersbach等，2020，Munoz-Sabater等，2021）、全球陆面同化系统（GLDAS）数据集（Rodell等，2004），以及现代再分析研究与应用的陆面版本2（MERRA2）（Gelaro等，2017），可以产生高分辨率和时空连续的蒸散发估算，但其参数化方案存在较大差异（Park等，2023，Sun等，2021）。基于机器学习（ML）的方法，包括模型树集成（MTE）产品（Jung等，2009）、FLUXCOM（Jung等，2019）和X-BASE（Nelson等，2024），计算效率高但缺乏物理机制（Dou和Yang，2018，Jung等，2019，Koppa等，2022，Rajput等，2023a，Shang等，2021，Yao等，2017）。

尽管取得了相当大的进展，但依赖单一算法或模型时，蒸散发量级、空间分布和时间动态的估计仍存在很大的不确定性（Baker等，2021，Cai等，2024，Rajput等，2023b，Shi等，2024，Tang等，2024，Xu等，2019）。数据融合提供了一种合适的解决方案来减少这些不确定性。通过整合多源蒸散发数据并采用不同的融合算法和方法，已再现了多种混合式蒸散发数据集（Li等，2024a，Li等，2023，Park等，2023，Wei等，2024），如全球陆面卫星（GLASS）（Liang等，2021）、衍生最优线性组合蒸散发（DOLCE）（Hobeichi等，2018）、可靠性集合平均（REA）（Lu等，2021）、配准分析的多源集合陆地蒸散发（CAMELE）（Li等，2024a）和自动化机器学习（AutoML）（Xu等，2025）。总体而言，融合后的蒸散发产品表现优于单一算法的蒸散发产品（Li等，2023，Park等，2023，Tang等，2024），在站点和流域尺度上均表现出更高的精度和更低的不确定性（Wang等，2026）。在融合方法中，现有的大多数混合蒸散发数据集依赖于高质量的现场观测作为融合目标或先验知识，这严重限制了其在缺乏密集通量塔网络的大范围区域中的适用性。集合平均（EM）、三元配准（TC）和三角帽（TCH）等方法具有独特之处，即不需要任何参考数据作为融合目标（Li等，2023，Park等，2023，Wang等，2024，Xu等，2019）。也就是说，在其所述假设下，这些方法可以在没有先验知识的情况下量化不确定性并实现蒸散发融合（Li等，2024a，Xu等，2019），从而大大减少了对现场蒸散发观测的依赖。

尽管如此，仍存在三个缺口。1）虽然BTCH和ETC在以往研究中均有所应用（Khan等，2018，Park等，2023，Shao等，2022，Tian和Zhang，2024），但较少研究采用控制变量设计来探讨融合方法和输入三元组组成对融合蒸散发结果的影响；2）先前的评估要么在站点尺度（Khan等，2018，Park等，2023），要么在流域尺度（Shao等，2022）进行，因此对于固定的产品套件，融合效果的尺度和生态系统依赖性仍然不清楚；3）关于BTCH与ETC产生的融合权重之间的综合比较，以及主导产品的识别，在蒸散发研究中鲜有报道。基于这些考虑，本研究1）设计了一个控制变量的融合框架，从四种蒸散发产品（ERA5-Land、GLDAS、GLEAM、SiTH）中枚举出四个三元组，并对每个三元组应用EM、BTCH和ETC，生成了十二个融合蒸散发数据集；2）在所有33个涡动相关站点和六个河流流域上，将融合数据集和原始数据集与独立参考数据进行对比评估；3）分析了不同融合方案下BTCH和ETC产生的融合权重以及主导蒸散发组分的空间模式和稳定性。

各节摘要

研究区域

中国位于东亚，面积约960万平方公里，纬度范围从北纬3°31′至北纬53°33′，经度范围从东经73°33′至东经135°05′。中国气候多样，包括亚热带季风气候、温带大陆性气候和高山气候（Wu等，2023），这导致了降水和平均温度的显著季节性和年际变化。这些气候梯度与复杂地形相结合，支撑了多种植被类型，包括

实验设计

本研究采用集合平均（EM）、基于贝叶斯的三角帽（BTCH）和扩展三元配准（ETC）方法，在没有先验知识的情况下融合蒸散发数据集。其中，ETC和BTCH具有相似的理论基础，但适用条件不同。ETC方法从根本上依赖于利用三个配准输入来估计不确定性和融合权重，而BTCH方法可以在适当条件下量化三个或更多输入。

原始和融合蒸散发数据集的空间分布

图3展示了1991年至2020年间，四个原始蒸散发候选数据集（ERA5-Land、GLDAS、GLEAM和SiTH）和十二个融合蒸散发数据集（EM-1、EM-2、EM-3、EM-4、BTCH-1、BTCH-2、BTCH-3、BTCH-4、ETC-1、ETC-2、ETC-3和ETC-4）在中国的多年年平均蒸散发空间分布。总体而言，所有蒸散发数据集均表现出一致的空间分布特征，即从东南向西北递减。然而，在中国东南部可以观察到显著的区域差异，

蒸散发融合性能和水文解释

虽然统计指标强调了融合蒸散发数据集的总体有效性，但特定三元组配置在不同生态系统中的性能差异从根本上受底层水-气候机制和输入数据集的结构性约束所支配。三元组1（ERA5-Land、GLDAS和GLEAM）和三元组3（ERA5-Land、GLEAM和SiTH）的稳健性能凸显了整合互补性物理约束的必要性。具体而言，

结论

本研究利用四个独立的蒸散发数据集（ERA5-Land、GLDAS、GLEAM和SiTH）和三种融合方法（EM、BTCH和ETC）进行了蒸散发数据融合，在中国范围内无需先验知识生成了十二个融合蒸散发数据集。使用基于站点和流域尺度的蒸散发观测数据对融合蒸散发数据集的性能进行了评估。主要结论总结如下：

（1）在站点尺度上，融合蒸散发数据集通常优于原始单一来源的蒸散发数据集

CRediT作者贡献声明

Dayang Wang：写作–审阅与编辑，监督，软件，项目管理。Dagang Wang：写作–审阅与编辑，监督，软件，项目管理。Xiaogang Shi：写作–审阅与编辑，监督，软件，概念化。Shaobo Liu：写作–审阅与编辑，方法论，资金获取。Mingfei Ji：监督，资源。Ya Huang：软件，方法论，资金获取。Zequn Lin：写作–原始草稿，验证，资源。Kaihao Long：

利益冲突声明

作者声明不存在已知的利益冲突或个人关系可能影响本文所报告的工作。

致谢

本研究获得河南省自然科学基金（编号：242300420354）、中国博士后科学基金（编号：202502040002）、南阳师范学院自然科学基金培育项目（编号：2025PY009）、南阳师范学院高层次人才引进研究项目（编号：2023ZX017）、南阳师范学院重点实验室开放项目（编号：SYKF2025067）和国家自然科学基金（编号：）的资助。

Dayang Wang|Dagang Wang|Xiaogang Shi|Shaobo Liu|Mingfei Ji|Ya Huang|Zequn Lin|Kaihao Long|B. Larry Li|Haoyu Wang