学者观点丨数据驱动的蒸散发遥感反演方法及产品研究进展《遥感学报》
主题词
蒸散发，数据驱动，地表温度，经验方法
机器学习，数据融合，遥感产品
图片来源(Oki T and Kanae S. 2006. Global hydrological cycles and world water resources. Science, 313(5790): 1068-1072)
蒸散发（Evapotranspiration，ET）是陆地表面热量平衡和水量平衡的主要过程参量。蒸散发遥感反演按照模型驱动力可分为过程驱动和数据驱动两类方法。中国农业科学院农业资源与农业区划研究所李召良副主编团队在《遥感学报》发表论文“数据驱动的蒸散发遥感反演方法及产品研究进展”，全面、系统地综述了数据驱动的蒸散发遥感反演方法（图1）及其产品的国内外研究进展，并从经验回归、机器学习和数据融合三个方面对相关方法/产品的基本原理、优势与不足等进行了梳理、归纳和总结，最后指明了基于数据驱动的蒸散发遥感反演研究的发展方向。
图1 数据驱动的蒸散发遥感反演方法流程图
温馨提示：文末附“热红外遥感小知识”的获奖名单哦~~~
相关微推：
🔸 论文信息
题目：数据驱动的蒸散发遥感反演方法及产品研究进展
作者：刘萌，唐荣林，李召良，高懋芳，姚云军
单位：中国农业科学院农业资源与农业区划研究所，中国科学院地理科学与资源研究所，中国科学院大学， 北京师范大学
引用格式：刘萌，唐荣林，李召良，高懋芳，姚云军.2021.数据驱动的蒸散发遥感反演方法及产品研究进展.遥感学报，25（8）：1517-1537
经验回归方法
早期的经验回归方法是利用地气温差和蒸散发及净辐射的非线性关系来估算地表蒸散发。随着观测数据长期持续的获取，经验回归方法不再只依赖于地气温差，而是通过直接构建蒸散发与其关系密切的各种气象或遥感可反演参数的线性或非线性关系来进行蒸散发的估算。之后，为了构建适用性较强、精度较高的经验模型，其逐步发展为结合物理模型，利用全球分布的多站点通量观测数据构建经验回归关系。
机器学习方法
基于机器学习方法的区域蒸散发的估算方法可分为两类：
(1) 利用站点观测通量数据作为像元真值，结合遥感产品和气候气象资料构建区域蒸散发模型。根据驱动数据来源又可将其细划为两种：一种是将地面通量观测与全遥感产品相结合作为模型驱动；另一种是将地面通量观测与气象、气候资料和遥感产品相结合作为模型驱动。此类方法有效利用全球通量观测网络的观测数据，充分发挥机器学习技术的强大回归预测能力，融合驱动数据的精度误差，提升地表蒸散发遥感反演精度。此类方法有效利用全球通量观测网络的观测数据，充分发挥机器学习技术的强大回归预测能力，融合驱动数据的精度误差，提升地表蒸散发遥感反演精度。然而，大多数研究忽略了通量观测源区与格网气象数据或中分辨率遥感产品的空间尺度差异。
(2) 结合已有陆面模式通量产品或再分析产品，构建像元尺度遥感变量与通量的关系，直接获取区域蒸散发，或者通过构建流域变量与流域蒸散发的关系，降尺度获取像元尺度蒸散发。这类方法有效解决了空间尺度的匹配问题。然而像元尺度扩展的方法，其模型构建以陆面模式通量产品或再分析产品作为真值，目前尚未有一套精度完全可靠的产品可供使用，因而使用该种方法获取的区域ET存在较大的不确定性；流域尺度扩展的方法虽然能够获得较高精度的流域尺度月蒸散发，但却无法表征流域内蒸散发的时空（如不同天之间、不同格网之间）异质性，不能准确获取高精度的日蒸散发。
数据融合方法
基于数据融合的蒸散发区域估算可分为两类，即同一时空分辨率的融合和不同时空分辨率的融合。
(1) 同一时空分辨率的融合是通过建立相同时空分辨率多模型获取的ET与通量观测数据或者当作参考真值的ET产品之间的关系，通过融合获取更高精度的ET估算。该方法结合了物理模型具有坚实的物理机理和数据驱动方法具有强大的回归预测能力的优势，综合考虑了多种算法的优缺点，并直接融合了观测数据，避免了仅利用数据驱动的方法反演蒸散发所造成的物理机制缺乏或者仅利用物理模型反演蒸散发所造成的精度低的问题，获得较可靠ET估算结果的同时可以一定程度上提高估算精度；其不足之处在于，融合精度受到所融合的独立模型的精度限制。根据所融合的ET模型和所采用的融合方法是否可显示表达，可将其细分为多模型ET显式融合和多模型ET隐式融合两种。
(2) 不同时空分辨率的融合是指采用数据驱动的方法建立数据之间的联系，实现对蒸散发产品的时空融合或降尺度，以获取高时空分辨率的ET产品（图2），从而在现有条件下有效解决由单源遥感数据无法直接获取高时空分辨率地表蒸散发的问题。不足之处在于融合精度高度依赖于低分辨率ET产品的精度。如果没有高精度的单源遥感蒸散发产品，将直接增加数据驱动的时空融合或降尺度ET结果的不确定性。
图2 不同时空分辨率蒸散发数据融合原理示意图
(a)蒸散发时空融合；(b)蒸散发降尺度
随着数据驱动方法形式的多样化，和数据驱动的蒸散发反演精度的逐步提升，涌现出多种数据驱动的全球蒸散发产品。经验回归方法、机器学习方法和数据融合方法的代表性产品及特点详见论文。
原文链接
问题与展望
尽管近10多年来数据驱动的方法形式越来越多样化，数据驱动的蒸散发反演精度也逐步提升，同时涌现出多种数据驱动的全球蒸散发产品，但仍面临一些亟待解决的问题。
(1) 缺乏高时空分辨率的蒸散发产品。已有的数据驱动的产品，难以同时兼顾高时间和高空间分辨率的特征：对于全遥感驱动的反演方法，缺乏高时空分辨率且时空连续的可获取遥感数据；同时依赖于气象数据的产品，已有的再分析产品分辨率较粗。
(2) 空间尺度不匹配的问题。站点观测源区与卫星像元之间存在空间尺度差异，从而降低了反演精度。
(3) 物理机理不足，空间扩展性有限。由于全球气候差异，加之地形起伏、地表异质性等原因，有限的站点无法代表全球所有地表情况。例如沙漠、湿地等缺乏观测数据的区域，其估算精度无法保证。
(4) 地表温度、土壤湿度等蒸散发重要驱动因素考虑不足。现有的方法其湿度输入因子多考虑的是水汽压亏缺和相对湿度，且多使用植被指数等遥感变量，虽然可以较好的反应蒸散发的长期变化，但不能很好的监测短期的变化。
(5) 观测数据质量问题。数据驱动的方法多采用通量观测数据来驱动模型，全球应用广泛的EC观测通量存在着能量不闭合的问题。在使用数据驱动的方法反演ET时，是否需要能量平衡闭合校正仍存在争议。
(6) 缺乏基于数据的蒸发蒸腾分离方法。土壤蒸发和植被蒸腾的分离相比于整体，更具有科学意义和应用价值，但目前仍缺乏通用的基于数据驱动的蒸发蒸腾分离方法。
虽然数据驱动的反演模型可以获取高精度蒸散发，但是并不能替代物理模型。相比于数据驱动的模型，一些物理模型对特定的输入参数较敏感，在全球尺度上获取高精度的输入参数存在较大困难，导致物理模型的估算精度难以优于数据驱动的方法。而相比于物理模型，多数基于数据驱动的方法缺乏对蒸散发过程的解释能力，使得对估算结果进行分析时其可解释性有限。
在目前高精度高时空分辨率驱动数据匮乏的情况下，基于数据驱动的方法与物理模型应该紧密结合，各取所长，相辅相成，互相促进，使得机理与高精度并存，共同提升蒸散发遥感反演精度，以获取精度高可拓展性好的蒸散发遥感产品。
作者简介
第一作者：刘萌，中国农业科学院农业资源与农业区划研究所，助理研究员，研究方向为地表蒸散发遥感反演。
E-mail：liumeng01@caas.cn
第二作者：唐荣林，中国科学院地理科学与资源研究所，研究员，研究方向为热红外遥感、水文遥感。
E-mail: tangrl@lreis.ac.cn
通信作者：李召良，中国农业科学院农业资源与农业区划研究所，研究员，研究方向为热红外遥感。
E-mail：lizhaoliang@caas.cn
"热红外遥感小知识”问答
获奖名单（网名）
（排名不分先后）
Ireept
长大的辛巴
Cc.
石晨烈
碧叶星空
X.
Miracle
vee
平儿近来可学習？
多喝热水多吃蔬菜
爱微笑
单子豪
Emily
水工环+硕士+矿山总局
Ross Wu
小编近期将按照获奖者预留的地址邮寄“热红外定量遥感”专刊一本。若有遗漏的读者，请联系《遥感学报》编辑部。
“热红外定量遥感”专刊全文下载链接：
1
END
1
官网
视频号
遥感学报视频号
梧桐会直播
直播+回放平台
知网在线教学
http://k.cnki.net/Room/Home/Index/214412
B站
https://space.bilibili.com/424495702
梧桐会B站UP主
最新期刊
编辑：悠悠
审校/指导：梧桐君
声明
欢迎转载、转发本号原创内容，转载信息请与本号联系授权，标注原作者和信息来源为《遥感学报》。
本号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及作品内容、版权和其他问题，请在20日内与本号联系，我们将在第一时间处理。《遥感学报》拥有最终解释权。
期刊订阅
1.各地邮局订阅：邮发代号82-324；
2.科学出版社期刊发行部：联系电话010-64017032，64017539；
3.网上购买：搜淘宝店、微店店铺名称：中科期刊（订阅及销售过刊）；或点击下方图片：