近日，永利官网青年教师白雲副教授第一作者身份在全球遥感科学领域顶级期刊《Remote Sensing of Environment》（IF=11.1，SCI一区TOP）在线发表了题为“Integrating machine learning with thermal-driven analytical energy balance model improved terrestrial evapotranspiration estimation through enhanced surface conductance”的研究成果。在全球尺度显著提升了水分胁迫条件下基于热红外遥感模拟地表蒸散发（Evapotranspiration，ET）的精度。

空气动力学导度（gA）与表面导度（gSurf）之间复杂的相互作用模拟是全球尺度ET估算面临的重大挑战，尤其是在水资源匮乏的环境中。此前，论文合作者Kanishka Mallick发展了一种热红外遥感驱动，借助多种描述地表过程的物理原理（地表能量平衡原理、平流干旱假说、波文比方程和彭曼方程）迭代求解gA、gSurf和ET的模型Surface Temperature Initiated Closure（STIC），解决了gA和gSurf模拟的问题（图1a）。但该模型使用热红外遥感量化地表湿度方面存在不足，致其在干旱条件下高估ET。

 图1 原始的STIC(a)和改进后的模型HSTIC (b)的工作原理。

为解决上述问题，永利官网白雲老师提出了一个新的环境参数：蒸散源表面的相对湿度（RH0），使用机器学习算法来模拟该变量，并将其集成到STIC的物理框架中（图1b），构建Hybrid STIC模型（HSTIC），解决了原始模型的问题。使用200个全球分布的通量站点训练、测试和验证模型改进前后的结果显示（图2），HSTIC在验证集模拟（半）小时尺度潜热通量（λE，热量形式的ET）和显热通量（H）的R2（RMSD）分别为0.79（48 W m-2）和0.84（48 W m-2），相对原始STIC的结果提升（减少）了0.10（36%）和0.17（36%）。交叉验证结果表明，HSTIC的优势主要体现在水分胁迫条件下λE模拟精度的提升（图3和4）。同时，HSTIC模拟的gSurf对短期环境因子的反馈和生长季气温的适应性，与已有研究结果一致。因此，新模型HSTIC有望提升基于过程模型模拟全球陆地碳-水通量的精度，促进我们理解陆地生态系统对全球气候变化的响应。

 图2 在训练集（61%）、测试集（19%）和验证集（20%）评价HSTIC模拟（半）小时λE和H的精度。图中N表示样本数量。

图3 基于原始STIC（STIC1.2）和HSTIC使用MODIS 地表温度估算的站尺度λE与观测值的比较（a）和不同表面干燥度条件下STIC1.2和HSTICMODIS 地表温度估算日尺度λE的精度（b）。

图4 在两个典型湿润站点（a，b）、两个具有明显干湿季的站点（c，d）和两个典型干旱站点（e，f），原始STIC（STIC1.2）和HSTIC估算的及塔基观测的λE（STIC 1.2 λE、HSTIC λE和Observed λE）时间序列。灰色条表示季节性干旱指数（DI）。

该研究的第一单位为ylzzcom永利总站线路检测；合作单位包括：卢森堡科学技术研究所（Luxembourg Institute of Science and Technology）、青岛大学和加州大学伯克利分校（University of California, Berkeley）。研究得到河北省优秀青年科学基金、国家自然科学基金和卢森堡FNR国际流动奖学金的联合资助。

论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0034425724003262