一种用于中国地区Penman-Monteith蒸散量估算的机器学习与数据同化混合框架
《Remote Sensing of Environment》:A hybrid machine learning and data assimilation framework for penman–monteith evapotranspiration estimation over China
【字体:
大
中
小
】
时间:2026年07月18日
来源:Remote Sensing of Environment 12.3
编辑推荐:
•通过整合机器学习与数据同化技术来实现蒸发量估算。•该框架提升了对中国全境基于物理原理的蒸发量估算精度。•经过偏差校正的土壤湿度数据提高了蒸发量估算的可靠性。•优化后的蒸发量产品具有更高的准确度与更低的不确定性。•2000年至2020年间,中国地区形成了每日10公里分辨率的蒸发量
•通过整合机器学习与数据同化技术来实现蒸发量估算。•该框架提升了对中国全境基于物理原理的蒸发量估算精度。•经过偏差校正的土壤湿度数据提高了蒸发量估算的可靠性。•优化后的蒸发量产品具有更高的准确度与更低的不确定性。•2000年至2020年间,中国地区形成了每日10公里分辨率的蒸发量分布图。
引言
蒸散作用是监测作物生长、预测作物产量以及评估生态系统生产力的关键指标(Fisher等人,2017;Wang和Dickinson,2012)。因此,准确估算蒸散量对于理解陆气水循环、改善水资源管理以及评价生态系统功能与生产力具有重要意义(Katul等人,2012;Zhang等人,2016)。目前,蒸发量估算方法大致可分为三类:地面观测法、间接建模法以及遥感反演法。地面观测法受仪器成本、地形复杂度以及区域可达性限制,难以在大范围区域内应用。间接建模法则存在输入数据与参数选择带来的不确定性,且高度依赖地面观测数据的质量。相比之下,遥感技术在估算大范围不同类型地表上的蒸散量方面具有明显优势。然而,它仍面临时间连续性不足以及对输入变量敏感度高等问题,这些因素制约了其全面把握蒸散量时空变化特征的能力(Amani和Shafizadeh-Moghadam,2023;Wang等人,2025a)。
FAO-56 Penman–Monteith模型是用于估算参考蒸发量(ET0)的标准物理模型。该模型基于能量平衡与空气动力学原理,纳入净辐射、空气温度、相对湿度及风速等关键气象因子,能够有效描述大气条件对蒸散量的影响。由于其坚实的物理基础,该模型被广泛应用于灌溉管理、生态修复以及水资源评估等领域(Li等人,2019;Wu等人,2024)。不过,该模型的应用需要完整可靠的温度、相对湿度、净辐射和风速等多类气象数据,且其估算精度对这些数据的质量极为敏感(McColl,2020)。因此在数据缺失或精度较低的区域内,PM模型往往无法给出满意的结果(Hua等人,2020)。与此同时,卫星观测技术的出现极大地丰富了地球科学研究所需的数据数量与种类。通过将遥感观测数据纳入数据同化过程,PM模型能够更精准地反演模型状态与参数,从而提升预测精度(Ouaadi等人,2021)。近年来,利用数据同化技术同时反演PM模型中的状态变量与参数的方法越来越受到重视(Tunca等人,2026)。越来越多的研究开始将土壤湿度与地表温度纳入PM模型以用于蒸发量估算(Amazirh等人,2022;Laluet等人,2024)。例如,Laluet等人(2024)将土壤湿度数据引入PM模型,证明其有助于提升蒸发量估算精度;Amazirh等人(2022)进一步表明,同时结合土壤湿度与地表温度数据能显著提高基于PM模型的蒸发量估算结果。总体而言,这些基于数据同化的研究都表明,引入土壤湿度与地表温度数据不仅能够提升PM模型内的蒸发量估算精度,还能增强其在干旱监测与作物产量预测方面的应用价值。
尽管近年来数据同化技术取得了显著进展,但仍存在一些局限性(Li等人,2024a)。传统的数据同化方法往往依赖于线性化处理和高斯误差假设等不切实际的假设,这在复杂的陆气系统中可能会降低其有效性(Van Loon和Fletcher,2023)。这凸显出需要开发能够突破这些限制的新方法。此外,虽然数据同化的目的是协调观测数据与模型动态,但实际观测数据往往存在较大噪声、缺失值以及不同数据源之间的不一致性问题,这些问题都会影响数据同化的效果(Stewart等人,2013)。因此,提升观测数据的质量与稳定性仍是一项重要挑战。另外,数据同化的高计算成本也是一个普遍存在的问题,所以寻找能够在保持估算精度的同时降低计算负担的策略同样十分重要。
近年来,随着遥感观测数据的快速增长以及计算能力的提升,机器学习技术在包括遥感反演、模型构建、尺度转换以及数据预测在内的众多领域取得了显著成果(Kashinath等人,2021;Lim等人,2020;Poehls等人,2025;Tan等人,2019)。机器学习模型尤其擅长捕捉地表变量之间复杂的非线性关系,从而为深入理解控制地表过程的物理机制提供了新的途径(Karpatne等人,2017;Reichstein等人,2019;Willard等人,2022)。正因如此,将物理模型与机器学习技术相结合已成为地球科学研究的重要前沿方向(Jawad等人,2025;Kim等人,2025;Li等人,2024b;Liu等人,2023)。已有多种机器学习方法被应用于物理建模框架中,用以改进那些表征不足的过程与参数化方案(Chen等人,2026;Chen等人,2022;ElGhawi等人,2023;Laluet等人,2024)。Han等人(2023)提出了一种全新的混合框架,将该PM模型与机器学习技术相结合,用于提升全球尺度的蒸发量估算精度。他们的研究结果表明,将机器学习技术与PM模型结合,能够充分利用高精度的实地观测数据,进而提升基于PM模型的蒸发量估算结果。最近,Laluet等人(2024)提出了多种机器学习方法用于校正土壤湿度数据中的偏差,随后将这些校正后的数据通过数据同化技术纳入PM模型。他们的研究显示,这种混合策略有助于提升地表蒸发量的估算精度。不过,这类混合框架并未明确考虑模型本身的偏差问题,而是直接依靠机器学习技术结合现有的遥感数据来模拟土壤湿度。因此,机器学习组件在土壤湿度估算方面的准确性可能会对最终的蒸发量估算结果产生直接影响,甚至形成限制。此外,该研究的适用范围仅限于地表覆盖较为均匀的灌溉区,这使得该框架难以应用于地表异质性更强的更大区域。
基于以上分析,本研究构建了一个基于PM模型的集成估算框架,用于生成2000年至2020年中国地区10公里空间分辨率的蒸发量数据。具体而言,该框架将多种机器学习方法融入到四维变分数据同化与集合卡尔曼滤波两种技术中,以提高基于PM模型的蒸发量估算精度。本研究的主要目标包括:(1)开发一种基于机器学习的土壤湿度偏差校正模型,以获得高精度的土壤湿度数据;(2)将土壤湿度与地表温度数据纳入PM模型,从而提升大范围区域的蒸发量估算精度;(3)结合集合卡尔曼滤波与四维变分数据同化技术以及不同的机器学习方法,构建多种估算框架,生成2000年至2020年中国地区的精确蒸发量数据集;(4)评估这些框架在中国不同地区的应用性能,比较四维变分数据同化与集合卡尔曼滤波的优化效果,同时分析不同的机器学习整合策略对数据同化结果的影响。
集成框架
本研究通过整合数据同化与机器学习技术,提升PM模型的模拟精度。具体而言,如图1所示,土壤湿度与地表温度数据被纳入PM模型中,以此增强蒸发量估算的准确性。所提出的框架以PM模型为核心,将机器学习技术嵌入到数据同化系统中,从而提升模型状态与参数的表征精度。在数据同化之前,研究者首先利用现有的土壤湿度数据、机器学习技术以及实地土壤湿度观测数据,开发出了一个偏差校正模型。
研究区域
本研究选择中国作为研究区域(见图2)。中国位于亚洲东部,太平洋西岸,国土面积约为960万平方公里,地理与环境特征差异显著。该国西部以青藏高原与喜马拉雅山脉为主,而中部与西北部则分布着内蒙古高原、塔里木盆地以及黄土高原等广阔的干旱与半干旱地区。
针对全土壤层(0–100厘米)的土壤湿度偏差校正,本研究开发并评估了三种机器学习模型,即长短期记忆网络、随机森林以及XGBoost模型。利用原始数据产品提供的偏差信息,这些模型被用来建立遥感得到的土壤湿度偏差与一系列解释变量之间的关系,这些解释变量包括地表温度、空气温度、风速、降水量、太阳短波辐射、海拔高度、归一化植被指数、土壤质地以及实地土壤湿度观测数据。
图6展示了不同产品在重现月度蒸发量方面的差异。表S1列出了11种蒸发量产品对应的详细站点级评估指标。虽然大多数数据点都分布在1:1直线上方,但随着观测到的蒸发量增加,数据点的分散程度逐渐增大,且在较高蒸发量区间内,数据点的偏离现象更为明显,这说明在适度到较高的蒸发量条件下,大多数产品的稳定性较差。为进一步分析……
时间演变趋势
图11展示了11种产品在月度尺度、年度尺度以及长期趋势方面的差异。在所有产品中,月度平均蒸发量通常在1月和12月达到最低值,而7月则出现最高值。月度平均蒸发量范围在7毫米/月至90毫米/月之间。这些产品呈现出大致一致的季节性变化规律,在生长季内的增减速率相似,主要差异体现在蒸发量的绝对数值上。
EnKF-PM与4DVar-PM框架的同化性能
越来越多的研究表明,通过集合卡尔曼滤波与四维变分数据同化技术优化物理模型,能够显著提升模型的估算精度(Jiang等人,2014;Sini等人,2008;Xu等人,2015)。但由于这两种数据同化算法在原理上存在本质差异,它们的实际效果并不一定相同。在本研究中,由于采用了相同的强迫条件、观测条件与验证条件,4DVar-PM模型生成的月度蒸发量估算结果优于EnKF-PM模型(见图6)。
结论
本研究提出了一种改进型的基于Penman–Monteith模型的蒸发量估算框架,该框架将四维变分数据同化技术与机器学习技术相结合,简称为4DVar-XGB-PM框架。该框架以PM模型的物理原理为基础,将XGBoost算法融入到四维变分数据同化系统中,同时结合遥感得到的地表温度与土壤湿度数据,共同用于约束空气温度、净辐射以及水分含量等关键变量。通过这种方式,该框架提升了基于PM模型的蒸发量估算精度。
CRediT作者贡献说明
吴晓文:论文撰写——初稿、可视化、验证、监督、方法设计、形式分析、概念构思。李翔:论文撰写——初稿、可视化、软件使用、资金获取、形式分析、数据整理。丁建利:论文撰写——初稿、软件使用、形式分析、数据整理。刘少敏:论文撰写——初稿、监督、资金获取。徐通仁:论文审阅与编辑、监督、资金获取。宋立生:论文撰写——审阅。
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
致谢
本研究得到了国家自然科学基金(42301414)与中国博士后科学基金(2023M732959)的支持。
吴晓文|李翔|丁建利|刘少敏|徐通仁|宋立生|Sayed M. Bateni|徐子伟|吴东星|何新磊|王金杰|刘睿|郭亚轩
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号