Please wait a minute...
img

官方微信

遥感技术与应用
    
基于深度神经网络联合AMSR2和MODIS数据估算全球蒸散发研究
廖廓1,彭中2,姜亚珍3,党皓飞1
1. 福建省气象科学研究所
2. 中科院地理科学与资源研究所
3.
Estimation of global evapotranspiration based on deep neural network combined with AMSR2 and MODIS data
 全文: PDF(1299 KB)  
摘要: 地表蒸散发(ET)是水循环和能量循环的关键组成部分,具有极其重要的应用价值。研究旨在发展一种可靠且高效的深度神经网络(DNN)模型,基于MODIS可见光数据、微波AMSR2亮度温度和数字高程DEM,实现全天候全球高分辨率每日ET的估算。利用FLUXNET和AmeriFlux通量网六种代表性土地覆盖类型的148个站点观测数据来训练和验证DNN模型,结果表明:DNN模型可以有效建立卫星数据(MODIS、AMSR2数据)与ET之间的关系;六种地类的ET估算结果验证的平均绝对误差(MAE)为0.16~0.63 mm/day,均方根误差(RMSE)为0.27~0.89 mm/day,除裸地的决定系数(R2)为0.37以外,其它地类的R2均>0.7。通过对比模型估算的ET与MOD16A2和GLEAM的ET产品,结果表明三种产品的ET空间分布特征相似,ET值非常接近,估算得到的全球2020年日均ET为0~4 mm/day。
关键词: 蒸散发MODISAMSR2深度神经网络    
Abstract: The surface evapotranspiration (ET) is a key component of the water and energy cycles and has critical value for applications. This study is aimed to develop a reliable and efficient deep neural network (DNN) model for all-weather global daily ET estimation with high spatial resolution, using remote sensing MODIS datasets, microwave AMSR2 brightness temperature products and digital elevation DEM data as input. The study used 148 site observations over six representative land cover types from FLUXNET and AmeriFlux to train and validate DNN models. The results showed that the DNN model can effectively established the relationship between satellite (MODIS, AMSR2) data and ET, and the mean absolute error (MAE) of ET estimation results for the six land cover types ranged from 0.16 to 0.63 mm/day, and the root mean square error (RMSE) ranged from 0.27 to 0.89 mm/day, and the coefficient of determination (R2) of all land types were > 0.7, except for bare land, where the R2 was 0.37. By comparing the ET estimation in this study with the ET products of MOD16A2 and GLEAM, the results demonstrated that the spatial distribution characteristics of the three ET products were similar and the ET values were very close with global average daily ET of 0~4 mm/day over 2020.
Key words: Evapotranspiration    MODIS    AMSR2    Deep neural network
收稿日期: 2021-10-29 出版日期: 2022-05-25
ZTFLH:  TP79  
基金资助: 机器算法与遥感融合对大城市PM2.5浓度预测研究
通讯作者: 彭中   
服务  
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章  
廖廓
彭中
姜亚珍
党皓飞

引用本文:

廖廓 彭中 姜亚珍 党皓飞. 基于深度神经网络联合AMSR2和MODIS数据估算全球蒸散发研究[J]. 遥感技术与应用, 10.11873/j.issn.1004-0323.2022.6.958..

链接本文:

http://www.rsta.ac.cn/CN/Y0/V/I/0

[1] 康新礼,张文豪,刘原萍,顾行发,余涛,张丽丽,徐桦昆. 基于随机森林的京津冀地区PM2.5遥感反演及变化分析[J]. 遥感技术与应用, 2022, 37(2): 424-435.
[2] 葛强,沈文举,李冉,李莘莘,蔡坤,左宪禹,乔保军,张云舟. 2001~2018年我国热异常点时空分布特征研究[J]. 遥感技术与应用, 2022, 37(1): 73-84.
[3] 张晨,袁金国. 基于MODIS数据的河北省草地和林地的物候期及其与NPP相关分析[J]. 遥感技术与应用, 2022, 37(1): 205-217.
[4] 徐艳豪,丁忠昊,宋立生. TSEB模型在复杂下垫面下模拟结果比较研究[J]. 遥感技术与应用, 2022, 37(1): 85-93.
[5] 赵天玮,朱文彬,裴亮,宝康妮. 三江源蒸散发遥感估算及其时空分布特征研究[J]. 遥感技术与应用, 2022, 37(1): 137-147.
[6] 胡晓静,郝晓华,王建,戴礼云,赵宏宇,李弘毅. 基于AMSR2和MODIS数据融合的雪深降尺度算法研究—以北疆地区为例[J]. 遥感技术与应用, 2021, 36(6): 1236-1246.
[7] 敏玉芳,张耀南,康建芳,冯克庭. 基于MODIS影像的中巴经济走廊荒漠化程度时空动态监测研究[J]. 遥感技术与应用, 2021, 36(4): 827-837.
[8] 熊育久,冯房观,方奕舟,邱国玉,赵少华,姚云军. 蒸散发遥感反演产品应用关键问题浅议[J]. 遥感技术与应用, 2021, 36(1): 121-131.
[9] 王浩天,汪源,袁强强. 2008~2016年MODIS多角度大气校正气溶胶产品在中国的时空分布及变化趋势[J]. 遥感技术与应用, 2021, 36(1): 217-228.
[10] 李佳,辛晓洲,彭志晴,李小军. 地表蒸散发遥感产品比较与分析[J]. 遥感技术与应用, 2021, 36(1): 103-120.
[11] 王舒,蒋玲梅,王健. 基于多频被动微波遥感的土壤水分反演—以黑河上游为例[J]. 遥感技术与应用, 2020, 35(6): 1414-1425.
[12] 雷华锦,李弘毅,王建,郝晓华,赵宏宇,张娟. 基于环境信息和回归模型的青藏高原MODIS积雪面积比例产品制备[J]. 遥感技术与应用, 2020, 35(6): 1303-1311.
[13] 程雨婷,刘昭华,鹿琳琳,刘士彪,李庆亭. 一带一路沿海超大城市热岛时空特征遥感分析[J]. 遥感技术与应用, 2020, 35(5): 1197-1205.
[14] 韦海宁,王维真,黄广辉,徐菲楠,冯姣姣,董磊磊. 基于Himawari-8的气溶胶反演研究[J]. 遥感技术与应用, 2020, 35(4): 797-807.
[15] 李超,李雪梅,田亚林,任瑞. 温度植被干旱指数时空融合模型对比[J]. 遥感技术与应用, 2020, 35(4): 832-844.