img

官方微信

遥感技术与应用, 2022, 37(4): 878-887 doi: 10.11873/j.issn.1004-0323.2022.4.0878

蒸散发遥感专栏

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,2,3, 姜亚珍2,3, 党皓飞1

1.福建省气象科学研究所,福建 福州 350001

2.中国科学院地理科学与资源研究所 资源与环境信息系统国家重点实验室,北京 100101

3.中国科学院大学,北京 100049

Global Evapotranspiration Estimation Study based on AMSR2 and MODIS Data

Liao Kuo,1, Peng Zhong,2,3, Jiang Yazheng2,3, Dang Haofei1

1.Fujian Institute of Meteorological Science,Fuzhou 350001,China

2.State Key Laboratory of Resources and Environment Information System,Institute of Geographic Sciences and NaturalResources Research,Chinese Academy of Sciences,Beijing 100101,China

3.University of Chinese Academy of Sciences,Beijing 100049,China

通讯作者: 彭中(1988-),男,河南信阳人,博士研究生,主要从事地表蒸散发遥感反演研究。E⁃mail: pengzhong19@mails.ucas.edu.cn

收稿日期: 2021-10-28   修回日期: 2022-05-16  

基金资助: 福建省海峡气象开放室课题“机器算法与遥感融合对大城市PM2.5浓度预测研究”.  2020KX03

Received: 2021-10-28   Revised: 2022-05-16  

作者简介 About authors

廖廓(1978-),男,湖南长沙人,硕士,高级工程师,主要从事生态气象和卫星遥感应用研究E⁃mail:liaokuo78@163.com , E-mail:liaokuo78@163.com

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6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;6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/d,均方根误差(RMSE)为0.27—0.89 mm/d,除裸地的决定系数(R2)为0.37以外,其他地类的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3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/d。

关键词: 蒸散发 ; MODIS ; AMSR2 ; 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.

Keywords: Evapotranspiration ; MODIS ; AMSR2 ; Deep neural network

PDF (4343KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

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. 遥感技术与应用[J], 2022, 37(4): 878-887 doi:10.11873/j.issn.1004-0323.2022.4.0878

Liao Kuo, Peng Zhong, Jiang Yazheng, Dang Haofei. Global Evapotranspiration Estimation Study based on AMSR2 and MODIS Data. Remote Sensing Technology and Application[J], 2022, 37(4): 878-887 doi:10.11873/j.issn.1004-0323.2022.4.0878

1 引 言

地表蒸散发(ET)是联系土壤、植被和大气之间水循环和能量循环的关键参数。不同时空尺度地表蒸散发的准确估算在水文学、水资源规划与管理、水利工程建设、农业灌溉与节水管理、作物生理生态过程研究、作物长势与产量评估以及全球气候变化研究等方面具有极为重要的应用价值1-3。传统的蒸散发观测技术主要有蒸发皿、波文比、涡度相关系统、重力蒸渗仪和闪烁仪等4-5。自1990年以来,全球已开始建立涡动相关与波文比系统的通量站点进行蒸散发通量监测,并且站点的数量在逐年增加6。然而,由于系统设置和维护成本高昂,通量站点的数量仍然非常有限,并且这些监测方式通常都仅仅基于单点或田间尺度进行,难以得到区域和全球范围尺度的ET。

卫星遥感由于具有监测周期短、成本低、精度高等优点,已被广泛用于不同尺度ET变化的监测。在过去的几十年里,已经发展了大量的物理和经验模型来估算不同尺度的ET3。特别是利用卫星遥感热红外数据进行局地和区域尺度ET的估算已经被广泛研究。根据模型复杂性的不同,ET估算方法可以分为:①简化的经验回归法7-8;②具有物理基础的地表能量平衡模型9;③植被指数—地表温度三角/梯形特征空间法10;④数据同化方法11等。总体来说,利用遥感数据估算ET的模型可以分为两类:(半)经验法和分析法。(半)经验法通常是通过建立遥感数据与地面观测数据的经验关系来实现的;分析法基于研究尺度上不同的物理过程而建立,并需要大量来自遥感技术和地面仪器的直接和间接观测的支持。可见基于卫星遥感的物理模型或经验模型通常均严重依赖于高质量气象数据的输入,难以在大尺度上进行ET估算。因此,在全球尺度上长时间序列ET产品空间分辨率普遍较粗,一般为0.25 km,时间分辨率多为月尺度12-13

基于热红外遥感数据反演的ET往往还需要地表温度作为输入。然而,受云的影响,目前的算法很难精确反演云下地表温度,从而极大地限制了相关物理模型的应用14。不同于热红外遥感,微波具有很强是穿透性,这种特性为微波反演全天候的地表温度提供了可能,目前有很多学者在相关领域做了大量研究115。已有学者测试过微波23.6 GHz、37 GHz、89 GHz等波段对土壤含水量、温度等变量的敏感性,结果表明这些波段对土壤水、温度等变量具有很好的相关性,微波信号的这些穿透力强、不易饱和、能全天使用等优点,能在一定程度上克服光学遥感反演地表蒸散发的缺陷16-18

同时,近10 a来,随着计算机技术和遥感技术的飞速发展,基于数据驱动的机器学习(Machine Learning,ML)方法越来越多地被用于从不断增长的地理空间数据中提取关键信息,是对物理模型的有力补充和丰富,促进了地球系统科学的发展19-21,同时也为大尺度全天候地表蒸散发的估算提供了新的技术手段。ML算法在无需复杂数学模型的情况下具有解决复杂非线性结构的强大优势。深度神经网络算法(Deep Neural Network,DNN)是ML技术中的一种广泛使用的方法,可以有效地训练大数据集并拟合复杂非线性模型。例如,Fan等22使用4种神经网络模型估算了玉米作物的每日蒸腾量,获得的模型验证精度RMSE为0.25—0.75 mm/d。赵文利等23利用深度神经网络模型构建了城市典型乔木的每10 min的蒸腾量估算模型,模型估算结果与树干液流系统实测数据相比,验证RMSE为0.02 mm/h。因此,利用DNN方法在估算大区域尺度蒸散发方面具有显著的优势22-24

综上所述,本研究旨在发展一种可靠且高效的DNN模型,使用遥感MODIS可见光数据,结合AMSR-2微波亮度温度产品和数字高程DEM数据作为输入,利用微波遥感穿透云层的优势,能够有效避免大气的影响,弥补了可见光遥感对云下ET估算的不足之处,实现全天候全球高空间分辨率(10 km)日尺度ET的估算。研究拟利用FLUXNET和AmeriFlux通量站点不同代表性土地覆盖类型的观测数据作为DNN模型的训练与评估数据集;同时,利用MOD16A2和GLEAM全球ET产品与所发展模型估算的ET结果进行对比来进一步评估验证本研究所发展模型的性能。

2 数据与方法

2.1 研究数据

2.1.1 通量站点观测数据

研究使用的站点观测数据来源于FLUXNET(https:∥fluxnet.org/)和AmeriFlux(https:∥ameri-flux.lbl.gov/)两个通量观测网。FLUXNET通量观测网包含了北美、中美和南美、欧洲、亚洲、非洲、大洋洲等区域网的观测数据,是全球最大的生态系统观测网之一。AmeriFlux是由美国能源部发起建立的覆盖北美洲、中美洲和南美洲的长时间序列生态系统观测网(图1)。

图1

图1   FLUXNET和AmeriFlux全球通量观测网站点(148个)空间分布图

Fig.1   Spatial distribution of the global flux observation network sites (148) from FLUXNET and AmeriFlux


研究所使用的通量站点观测变量包括净辐射(Rn )、显热通量(H)、潜热通量(LE)和土壤热通量(G),时间分辨率为30 min。站点观测数据经过质量控制和无效值剔除后(见2.2.1节数据预处理过程),筛选得到148个站点,其中包括FLUXNET 90个站点,数据观测时间至2014年12月;AmeriFlux 95个站点,数据观测时间至2020年12月,有37个重复站点(图1)。研究所选择的148个通量站点覆盖了除水域和城市以外的7种土地覆被类型,其中林地56个,灌木16个,稀疏草原7个,耕地29个,草地20个,湿地18个和裸地2个。为了区分不同土地类型的蒸散发模型,提升模型的精度,本研究合并耕地和草地,将土地覆盖类型再次划分为6个大类,分别为:林地、灌木、稀疏草原、草地和耕地、湿地和裸地。

2.1.2 遥感卫星数据
(1)MODIS数据

MODIS是搭载在Terra和Aqua两颗卫星上的中分辨率成像光谱仪,是地球观测系统(EOS)计划中用于观测全球生物和物理过程的重要仪器。其具有36个中等分辨率水平(0.405—14.385 μm)的光谱波段,最高分辨率可达250 m,每1—2 d观测地球表面一次,提供了全球温度、初级生产力、云、汽溶胶、水汽等影像,用于监测陆地、海洋以及低层大气的全球环境动态变化过程。

研究利用MODIS的增强植被指数(EVI)、叶面指数(LAI)、太阳天顶角(SZA)、树占比(PTC)和土地分类等产品作为DNN模型的输入(https:∥ladsweb.modaps.eosdis.-nasa.gov/search/或Google earth engine)。其中,EVI产品来源于MOD13A1,时间分辨率为16 d,该产品可很好地体现植被物候信息,同时避免归一化植被指数(NDVI)在高植被覆盖区域出现过饱和的问题;LAI产品则来源于MCD15A3H,该产品可提供植被结构信息,时间分辨率为4 d;SZA来源于MOD09A1产品,时间分辨率为8 d,SZA是影响太阳辐射到达地表的重要因素, 其值越小,太阳到达地表的辐射越大,蒸散发的可利用能量越大,反之亦然;PTC来源于MOD44B产品,时间分辨率为年尺度,该产品表示单个像元(250 m)中植被的占比(0—100%)情况,其值越高,蒸腾作用越强,蒸散发可能越大;土地分类数据通过MCD12Q1产品中获取,时间分辨率为年尺度,该产品包括5种分类标准,本研究采用比较常用的IGBP分类标准。

(2)AMSR2数据

AMSR2是搭载于GCOM-W1卫星上的微波传感器,其过境时间与Aqua下午星的过境时间(1∶30)接近,每天两次(白天13:30和夜晚1:30)过境同一地点,可测量来自地球表面和大气的微波辐射。AMSR2传感器具有7个波段,每个波段有垂直和水平两个通道,空间分辨率为5—10 km。根据已有相关研究结果,AMSR2的36.5 GHz和89 GHz垂直极化波段与地表温度相关性极好,23.8 GHz的垂直极化波段对大气含水量非常敏感1825。因此,研究选择AMSR2的L3亮度温度(BT)产品的垂直极化波段BT23.8、BT36.5和BT89作为DNN模型的输入数据(https:∥gportal.jaxa.jp/-gpr/)。该亮度温度产品的空间分辨率为10 km,时间分辨率为日尺度。

(3)DEM数据

地形是影响区域蒸散发的重要因素之一,尤其是在地势变化较大的植被覆盖区域,因此本研究使用全球多分辨率地形高程数据(GMTED2010)(https:∥topotools.cr.usgs.gov/gmted_viewer/gmted2010_global_grids.php)作为DNN模型的另一输入。GMTED2010数据是由美国地质调查局(USGS)和美国国家地理空间情报局地质调查局(NGA)合作开发的一个显著增强的全球高程模型(DEM)数据,空间分辨率包括250 m、500 m和1 km 3种类型。本研究采用的GMTED2010 DEM分辨率为1 km。

2.1.3 ET产品

为了更好地评估DNN模型估算的ET结果,选择目前使用广泛、认可度较高的两种ET产品MOD16A2和GLEAM(Global Land Evaporation Amsterdam Model;https:∥www.gleam.eu/)作为比较。其中,MOD16A2产品为MOIDS官方发布的ET产品,该产品空间分辨率为500 m,时间分辨率为8 d。GLEAM数据集提供了陆地蒸发和根区土壤水分相关产品,时间分辨率从日尺度到年尺度;本研究中使用最新的GLEAM v3.5b产品进行对比验证,时间分辨率为日尺度,空间分辨率为0.25°。研究估算的ET和GLEAM ET产品均为日尺度值,而MOD16A2的ET产品时间分辨率是8 d,为了便于比较,统一聚合到年尺度。

2.2 研究方法
2.2.1 数据预处理

数据预处理过程主要包括通量站点观测数据的预处理、遥感数据预处理和DNN模型样本数据构建三部分。

通量站点观测数据预处理主要包括对数据进行质量控制:①选择通量站点中涡动相关仪实测数据,剔除对于缺失值的插值数据;②剔除所有站点中观测的无效值(值为-9999)数据;③将站点30 min(每天记录48次)观测数据合成为日尺度数据,这一过程中每日观测次数少于40次的站点同样被剔除;④对站点观测的潜热通量数据进行能量闭合校正,并将其转换为ET值。能量闭合校正和转换公式为:

LEcor=(Rn-G)×LEECLEEC+H
ET=LEcor/λ

其中:LEcor为能量闭合校正后的潜热通量(W/m2);Rn 为净辐射(W/m2);H为显热通量(W/m2);LEEC为站点观测的潜热通量(W/m2);G为土壤热通量(W/m2);λ为蒸发潜热(2.45 MJ/kg);ET为蒸散发(mm)。需要注意的是,这一过程中考虑到土壤热通量在日尺度上变化几乎可以忽略,对站点缺失G观测值的情况本研究中设置为0,从而确保可利用的站点数量。

遥感数据的预处理包括时间和空间分辨率转换、数据平滑与插值。具体地,考虑到所有遥感影像的覆盖范围为全球尺度,而MODIS卫星数据大部分影像的空间分辨率都为500 m,数据量巨大,因此,研究中涉及到的MODIS数据重采样主要在Google Earth Engine上完成。具体包括:①将MODIS的EVI、LAI、SZA和PTC按平均值聚合到10 km,同样的,DEM数据采用相同方法聚合到10 km;②MODIS土地分类产品按照10 km网格内500 m所有土地分类像元的主导地类聚合为10 km;③考虑到MODIS的EVI和LAI产品的质量问题,采用Savitzky-Golay26方法对这两类产品进行平滑处理;④对MODIS的EVI(16 d)、LAI(4 d)和SZA(8 d)数据做时间插值,生成每日产品。需要注意的是,土地利用和PTC产品一年只有一个值,而DEM的值是固定的,并未做插值处理。

2.2.2 深度神经网络模型(DNN)

深度神经网络(DNN)是一种模仿生物神经网络结构和功能的数学模型,是由大量神经元互相连接组成的大规模、非线性和自适应动态系统,常被用来解决非线性函数估计、分类和最优化拟合等问题。相较传统的人工神经网络模型,DNN同样由输入层、隐藏层和输出层3组成,区别在于DNN有更多的隐藏层,也因此具有更强的拟合能力,各层神经元之间通过权重函数和激活函数连接,各层神经网络可以表示为:

ŷ=b3+L=1L3(W3×f(b2+L=1L2(W2×f(b1+L=1L1(W1×x))))

其中:ŷ为输出层拟合结果,本研究为蒸散发; f表示激活函数;W1W2W3分别为各连接层的权重;b1b2b3分别为各连接层的偏差,L1L2L3为3个隐藏层神经元个数。

研究所发展的DNN模型的输入变量包括MODIS产品的EVI、LAI、SZA和PTC,以及DEM产品,AMSR2的亮度温度产品BT23.8、BT36.5和BT89。此外,ET有着明显季节周期变化特征,并受地理区域气候特征显著影响,因此与时间信息相关的一年中的日序数(DOY)和纬度(Lat)信息,也被考虑作为DNN模型的输入变量。由此,ET与上述变量的函数表达式为:

ET=f(DOY, Lat, EVI, LAI, SZA, PTC, DEM,                         BT23.8, BT36.5, BT89)

DNN模型的样本数据构建需要根据站点的经纬度信息按照时间与遥感数据进行一一匹配,从而获取站点对应影像空间位置上的EVI、LAI、SZA、BT、DEM等数据。研究中总共获得121 741条样本数据,数据的时间覆盖范围从2012年5月至2020年12月。然后使用随机抽样将样本数据按4:1拆分为训练数据和验证数据,训练数据用来训练DNN模型和优化模型参数,验证数据则用来评估模型精度。

DNN模型的构建需要首先确定网络模型的结构参数,结构参数不恰当有时会造成过拟合,需要进一步优化,使模型具有更好的泛化能力和拟合效果。通过调整神经网络的结构、激活函数、学习率、迭代次数和样本数,以及确定提前停止时间,可以有效地避免过拟合现象,提高训练的收敛速度。通过对神经网络模型参数的多次调试,综合考虑模型的稳定性和估算精度,研究确定的最优神经网络结构和参数见表1

表1   深度神经网络算法(DNN)模型的最优参数

Table 1  Optimal parameters for deep neural network algorithm (DNN) model

模型参数
激活函数'relu'
学习率‘adaptive’
隐藏层128-64-32
批大小128
初始学习率0.000 1
最大迭代10 000

新窗口打开| 下载CSV


2.2.3 精度评估

对于已经构建完成的DNN模型,使用数据预处理中随机拆分的验证样本进行精度评价。需要注意的是,模型的验证并未采用常规的十折交叉验证法,是因为模型的训练样本已经足够多,采用十折交叉验证法会极大地增加工作量,而实际对模型的精度评价结果影响较小。模型训练过程中出现的过拟合问题,可以提前停止训练,有效避免这种情况发生。停止的时间可以由模型的验证精度变化趋势确定,当验证精度在一定迭代训练次数后一直保持下降,即可停止模型的训练避免过拟合。本研究中模型的评价指标包括平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R2),各指标的公式表示如下:

MAE=1ni=1nŷi-yi
RMSE=1ni=1nŷi-yi2
R2=i=1nŷi-ŷ¯yi-y¯2i=1nŷi-ŷ¯2i=1nyi-y¯2

其中:n是观测值的个数;ŷi是第i个样本点蒸散发的估算值;yi是第i个样本点蒸散发站点观测值;ŷ¯y¯分别是所有观测值ŷiyi的平均值。

3 结果与分析

3.1 全球尺度ET估算与精度评估

在数据预处理后,通过构建DNN模型进行全球地表ET的估算。为了客观评估研究所构建的DNN模型估算的ET精度,研究采用独立于训练样本的验证样本进行DNN模型的评估,估算结果和实测值的散点图见图2。评估结果表明,植被覆盖地区的DNN模型验证结果都表现出了较好的精度,验证MAE处于0.16—0.63 mm/d之间,RMSE均小于0.9 mm/d,R2也都大于0.7,裸地的结果相对较差,散点图中所有数据点基本都位于1∶1线附近。不同地类模型验证精度有所差异,具体地,林地具有相对较高的蒸发量,RMSE的验证结果为0.71 mm/d,精度表现良好;灌木的蒸发量相对较小,同时也具有所有植被类型中最小的MAE和RMSE,分别为0.37 mm/d和0.57 mm/d;稀疏草原的蒸发量与灌木基本相当,MAE和RMSE都略高于灌木,分别为0.39 mm/d和0.59 mm/d;草地和耕地的RMSE相对较高,为0.85 mm,但有着仅次于湿地的R2为0.81,同时该类型也有着较高的蒸发量,大于5 mm/d以上的点要明显多于林地,可能原因是耕地受人为灌溉的影响,有着相对充足的水分供给;湿地在所有地类中蒸发量最大,大于2.5 mm/d的数据量占比明显高于其它地类,同时也有最高的RMSE,为0.89 mm/d,但其R2最高,为0.86,表明湿地下垫面含水量丰富,是其具有最大蒸发量的主要原因,也会导致其RMSE的结果相对较大。相较而言,裸地的验证结果最差,虽然其具有最小的RMSE,但其R2只有0.37,可能原因是该类型站点较少,导致模型的训练不充分,精度也因此相对较差。

图2

图2   6种土地覆被类型的DNN模型估算蒸散发与站点观测的验证散点密度图

Fig.2   Validation scatter density plots of ET estimations from DNN models versus observations over six land cover types


为了进一步探寻DNN模型估算的ET结果在每个站点的表现情况,图3绘制了148个站点的MAE(图3(a))、RMSE(图3(b))和R2图3(c))的空间分布图和频率分布图(图3(d))。图中可以看出,研究所选大部分站点都分布在美洲、西欧和北欧,大洋洲、南美、非洲和东欧分布了少量站点;所有站点MAE验证结果基本位于0.2—0.7 mm/d之间;RMSE的值位于0.4—0.9 mm/d之间;所有站点的R2为0.6—0.9,有60%左右的站点R2超过了0.7。验证精度较好的站点主要位于美国和欧洲的西部地区,以及俄罗斯东部地区,这些地区的MAE和RMSE普遍在0.4 mm/d和0.6 mm/d以下,而这些地区的下垫面类型多为灌木和草地等地类,其蒸发量相对较小,因此也有着较小的MAE和RMSE。反之,少部分位于美国和欧洲东部地区的站点,验证MAE和RMSE相对较高,MAE在0.6 mm/d以上,RMSE接近1 mm/d,这些站点的下垫面类型普遍为林地、耕地等地类,每日的蒸发量相对较大,MAE和RMSE也就相对较高。同样地,站点的验证R2的大小也与地类密切相关,但在空间分布上表现的出了一定的差异,R2表现较高的地区主要位于美国的东部,欧洲整体上站点的R2都比较高,这些站点的下垫面类型主要为耕地、草地、灌木等地类,个别站点结果较差主要是林地所属的站点,这与图2的结果是一致的,即灌木有着较低的MAE和RMSE,但其R2却高于林地,而耕地的验证MAE和RMSE较高,仅次于湿地,但R2却高与灌木和林地等地类。结合图3(d)中各个指标的频率直方图可以看出,站点的MAE验证结果主要分布在0.45 mm/d左右,RMSE则分布在0.6 mm/d左右,站点的R2主要集中在0.85左右。总体而言,大部分站点的验证结果表现相对良好,有着较高蒸发量的耕地和林地地区所属站点验证的MAE和RMSE略高灌木、草地的站点地区,所属地类为耕地的站点验证R2基本高于其他地类(湿地除外),相对而言,林地所属站点的R2是植被站点中验证最差的。

图3

图3   DNN模型估算的蒸散发在148个站点的验证MAE

Fig.3   Spatial distribution of the MAE


3.2 ET产品比较

为了更进一步评估DNN模型的表现,研究同时对比了DNN模型估算的2020年日均蒸散发与使用广泛、认可度较高的MOD16A2和GLEAM的ET产品(图4)之间的差异。图中可以看出,3种ET产品的空间分布基本一致,所有产品的ET 2020年日均均值为0—4 mm/d,高值区域均位于赤道附近的高植被覆盖雨林地区(亚马逊雨林、刚果盆地热带雨林和马来西亚热带雨林),而中国的南方和美国的东部地区(主要是耕地、林地等地类)也表现出较高的蒸散发,沙漠有着最低的蒸发量。具体地,GLEAM的ET产品在赤道附近有着最高的值,高值区域的蒸发量接近4 mm/d,DNN模型估算的ET值较为接近MOD16A2的ET估算结果,二者的蒸发量接近3.5 mm/d左右,但DNN模型估算结果在赤道附近略低。需要注意的是,DNN估算的ET高值区域的面积明显大于MOD16A2和GLEAM ET产品。而在高纬度地区(如俄罗斯、北欧、加拿大等),MOD16A2的ET结果要略高于DNN和GLEAM结果,GLEAM ET值最小;在高纬度的林地覆盖区域,DNN估算的ET值则高于其他产品。图4(d)中为3种ET产品的纬向分布图,更加清晰地表明GLEAM在赤道附近有着最高的ET值,平均值接近4 mm/d,而MOD16A2的ET值在60° N以北明显高于DNN和GLEAM的ET估算结果。整体而言,热带有着充足降雨的区域是全球中蒸散发最大的地区,温带的蒸发量相对较小,该地区的作物和林地表现出了较高的蒸发量,寒带和沙漠所属地区由于缺少能量来源或水分供给,蒸散发最小。

图4

图4   模型估算的2020年日均蒸散发与同期ET产品比较

Fig.4   Comparison of the spatial and zonal distributions of daily average evapotranspiration in 2020 for three evapotranspiration products


4 讨论和结论

基于传统物理模型来估算ET,虽然物理机理扎实,估算精度也表现良好,但往往需要大量气象参数作为输入,而基于半经验法估算ET,模型的区域扩展性通常较差。区别于传统方法,机器学习方法可以直接建立卫星观测数据与ET的关系,无需任何背景知识,即可实现快速高精度的估算ET,可以作为物理模型的补充和丰富。研究联合可见光与微波遥感数据进行ET反演,利用微波遥感穿透云层的优势,能够有效避免大气的影响,弥补了可见光遥感对云下ET估算的不足之处,实现了全天候每日空间平滑的ET估算,提高了模型的精度。

利用Ameriflux和Fluxnet通量网站点6种代表性土地覆盖类型的148个站点观测数据训练和验证了发展的DNN模型。虽然近年来机器学习在地理科学领域上的相关应用越来越多,已经有很多学者利用机器学习模型尝试对蒸散发进行估算,且都获得了较好的结果,但这些研究多为区域尺度或某一地类的蒸散发22-2327-28,研究发展的DNN模型适用于全球尺度,在区域扩展性方面有着明显的优势。区别于Jung等20构建的机器学习模型,通过融合卫星产品和大量的再分析数据生成了全球的通量产品,研究只使用了遥感数据和地面观测数据,减少了对数据输入的依赖,模型的适用性更强。关于模型精度验证方面,研究在部分地区的精度验证方面仍需要进行进一步探索;虽然验证过程中使用独立地基观测站点的数据作为DNN模型的验证数据,并获得了较高的精度结果,但该验证结果只能代表站点尺度上的精度,无法代表空间上或者区域上的精度,这是目前遥感产品普遍面临的真实性检验问题,即缺少空间上或区域上的ET真实观测数据29。另外,由于站点的观测ET在空间上代表性有限,当源区下垫面不均一时,这种情况更加复杂,本研究构建的DNN模型的训练数据主要是在500 m尺度上提取的,而模型的输入数据为10 km,因此,模型的适用性可能会受到影响。然而,Jung等20的工作表明,利用MODIS、再分析和地表观测数据构建全球粗分辨率(0.083°和0.5°)通量产品的机器学习估算模型的是完全可行的,估算结果与主流通量产品的空间分布非常相似,具有很好的相关性。同样地,在3.2节中,对比DNN模型估算的年均日蒸散发与GLEAM和MOD16A2的差异,也再次证明构建的10 km的DNN模型的合理性。

对不同地类的DNN模型验证的散点图(图2)结果可以看出,高植被覆盖区域的ET估算结果验证精度要好一些,同时蒸散发也相对比较大,特别是水分供给充足的湿地和耕地,二者都有着最高的蒸发量,也因此有着较高的验证MAE和RMSE,但其R2在所有地类中表现最高;稀疏草原和灌木的验证MAE和RMSE最小;裸地的验证结果最差,最可能的原因就是训练数据较少(2个站点),导致模型训练不充分,这从一定程度上说明训练样本的充足与否,对DNN模型的精度有着重要影响。上述结果表明不同地类的蒸散发具有较为明显的差异,因此按地类区分来分别训练模型有益于提高模型的精度,但训练样本的多少是制约模型精度的又一因素,因此需要综合考虑上述两种原因,才能获得最优的DNN训练模型。

研究还通过比较DNN估算的ET产品与MOD16A2和GLEAM产品的差异,更好地验证了DNN模型估算的ET在空间上分布上合理性。总体而言,3种ET产品表现出了非常相似的空间分布特征,DNN估算的ET值与MOD16A2的ET值比较接近,可能是二者算法上都有MODIS数据作为输入导致。GLEAM的ET值在赤道附近明显高于DNN和MOD16A2的ET,但它们在其他区域ET的量级差异较小。水分供给和能量来源是否充足是地区蒸散发差异的主要原因,其次,地类也是导致蒸散发空间分布差异重要原因之一。在高纬度地区的林地,DNN估算的ET结果明显高于MOD16A2和GLEAM,这很可能是分类训练导致的。另外一个较大的差异在赤道附近,GLEAM的ET值要明显高于MOD16A2和DNN的结果,然而DNN估算的ET高值区域面积明显大于MOD16A2和GLEAM,参考图1的通量网站点空间分布图可以看出,位于赤道附近热带地区只有很少的站点分布,这是可能导致上述差异的原因,表明站点的空间分布也是影响DNN模型实际精度的重要原因,这些区域的ET估算精度可能还需要进行更进一步的评估。

总体而言,研究针对可将光遥感在反演全球ET上的不足之处,联合MODIS数据集和AMSR2微波数据集,构建了一种可高效反演全球日尺度ET的DNN算法模型,利用站点观测对6种地类ET估算结果的验证,结果表明,ET估算的MAE为0.16—0.63 mm/d,RMSE为0.27—0.89 mm/d,大部分地类R2>0.7。可以看出,本研究发展的DNN模型可以直接有效地建立卫星观测数据与ET之间的关系,相较需要大量气象数据作为输入的物理模型而言,具有一定的优势。另外,研究发展的模型既考虑了与ET密切相关的植被结构和物候信息,同时也考虑了地表能量、温度、地形以及气候等关键要素,因此模型具有很好的扩展性,且ET估算精度表现良好。

参考文献

Zhang KKimball John SRunning Steven W.

A review of remote sensing based actual evapotranspiration estimation

[J]. Wiley Interdisciplinary Reviews. Water, 201636): 834-853. DOI: 10.1002/wat2.1168 .

[本文引用: 2]

Liang ShunlinBai RuiChen Xiaonaet al.

Review of China's land surface quantitative remote sensing development in 2019

[J]. National Remote Sensing Bulletin, 2020246): 618-671.

梁顺林白瑞陈晓娜.

2019年中国陆表定量遥感发展综述

[J]. 遥感学报, 2020246): 618-671.

Xiong YujiuFeng FangguanFang Yizhouet al.

Critical problems when applying remotely sensed evapotranspiration products

[J]. Remote Sensing Technology and Application, 2021361): 121-131.

[本文引用: 2]

熊育久冯房观方奕舟.

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, 2021361): 121-131.

[本文引用: 2]

Zhang QiangZhang ZhixianWen Xiaomeiet al.

Comparisons of observational methods of land surface evapotranspiration and their influence factors

[J]. Advances in Earth Science, 2011265): 538-547.

[本文引用: 1]

张强张之贤问晓梅.

陆面蒸散量观测方法比较分析及其影响因素研究

[J]. 地球科学进展, 2011265): 538-547.

[本文引用: 1]

Zhang GongZheng NingZhang Jingsonget al.

Advances in the study of regional-averaged evapotranspiration using the scintillation method

[J]. Acta Ecologica Sinica, 2018388): 2625-2635.

[本文引用: 1]

张功郑宁张劲松.

光闪烁方法测算区域蒸散研究进展

[J]. 生态学报, 2018388): 2625-2635.

[本文引用: 1]

Wang K C, Dickinson R E.

Global atmospheric downward longwave radiation at the surface from ground-based observations, satellite retrievals, and reanalyses

[J]. Reviews of Geophysics, 2013,51:150-185.

[本文引用: 1]

Jackson R DReginato R JIdso S B.

Wheat canopy temperature: A practical tool for evaluating water requirements

[J]. Water Resources Research, 1977133): 651-656. DOI: 10.1029/WR013i003p00651 .

[本文引用: 1]

Wang K CWang P CLi Z Qet al.

A simple method to estimate actual evapotranspiration from a combination of net radiation, vegetation index, and temperature

[J]. Journal of Geophysical Research,2007112D15). DOI:10.1029/2006JD 008351 .

[本文引用: 1]

Bastiaanssen Wim G MMenenti MFeddes R Aet al.

A remote sensing surface energy balance algorithm for land (SEBAL)-1. Formulation

[J]. Journal of Hydrology, 19982121): 198-212.

[本文引用: 1]

Tang RonglinWang ShengliJiang Yazhenet al.

A review of retrieval of land surface evapotranspiration based on remotely sensed surface temperature versus vegetation index triangular/trapezoidal characteristic space

[J]. National Remote Sensing Bulletin,2021251): 65-82.

[本文引用: 1]

唐荣林王晟力姜亚珍.

基于地表温度—植被指数三角/梯形特征空间的地表蒸散发遥感反演综述

[J]. 遥感学报, 2021251): 65-82.

[本文引用: 1]

Peters-Lidard Christa DKumar Sujay VMocko David Met al.

Estimating evapotranspiration with land data assimilation systems

[J].Hydrological Processes,20112526):3979-3992. DOI: 10.1002/hyp.8387 .

[本文引用: 1]

Li JiaXin XiaozhouPeng Zhiqinget al.

Remote sensing products of terrestrial evapotranspiration: Comparison and outlook

[J].Remote Sensing Technology and Application,2021361):103-120.

[本文引用: 1]

李佳辛晓洲彭志晴.

地表蒸散发遥感产品比较与分析

[J].遥感技术与应用,2021361):103-120.

[本文引用: 1]

Liu MengTang RonglinLi Zhaolianget al.

Progress of data-driven remotely sensed retrieval methods and products on land surface evapotranspiration

[J]. National Remote Sensing Bulletin, 2021258): 1517-1537.

[本文引用: 1]

刘萌唐荣林李召良.

数据驱动的蒸散发遥感反演方法及产品研究进展

[J]. 遥感学报, 2021258): 1517-1537.

[本文引用: 1]

Zhou YiQin ZhihaoBao Gang.

Progress in retrieving Land Surface Temperature for the cloud-covered pixels from thermal infrared remote sensing data

[J]. Spectroscopy and Spectral Analysis, 20142): 364-369.

[本文引用: 1]

周义覃志豪包刚.

热红外遥感图像中云覆盖像元地表温度估算研究进展

[J]. 光谱学与光谱分析, 20142): 364-369.

[本文引用: 1]

Liu RongWen JunWang Xinet al.

Hourly variation of evapotranspiration estimated by visible infrared and microwave data over the Northern Tibetan Plateau

[J]. Journal of Infrared and Millimeter Waves, 2015342): 211-217.

[本文引用: 1]

刘蓉文军王欣.

结合可见光近红外和微波遥感估算藏北高原日蒸散发量

[J]. 红外与毫米波学报, 2015342): 211-217.

[本文引用: 1]

Yi Z YZhao H LJiang Y Zet al.

Daily evapotranspiration estimation at the field scale: Using the modified SEBS model and HJ-1 data in a desert-oasis area, Northwestern China

[J]. Water (Basel),2018105):640. DOI:10.3390/w10050640 .

[本文引用: 1]

Wang Y PLi RMin Q Let al.

A three-source satellite algorithm for retrieving all-sky evapotranspiration rate using combined optical and microwave vegetation index at twenty AsiaFlux sites

[J]. Remote Sensing of Environment, 2019235111463. DOI: 10.1016/j.rse.2019.111463 .

Man HaoranZang ShuyingLi Miaoet al.

Surface temperature inversion in Northeast China based on AMSR-E passive microwave data

[J]. Science of Surveying and Mapping, 2021463): 124-132.

[本文引用: 2]

满浩然臧淑英李苗.

应用微波遥感数据的东北地区地表温度反演

[J]. 测绘科学, 2021463): 124-132.

[本文引用: 2]

Cui LuZhang PengChe Jin.

Overview of deep neural network based classification algorithms for remote sensing images

[J]. Computer Science, 201845z1): 50-53.

[本文引用: 1]

崔璐张鹏车进.

基于深度神经网络的遥感图像分类算法综述

[J]. 计算机科学, 201845z1): 50-53.

[本文引用: 1]

Martin JSujan KUlrich Wet al.

The FLUXCOM ensemble of global land-atmosphere energy fluxes

[J]. Scientific Data, 201961). DOI: 10.1038/s41597-019-0076-8 .

[本文引用: 2]

Peter BDueben Peter DTorsten Het al.

The digital revolution of Earth-system science

[J]. Nature Computational Science,202112):104-113.DOI:10.1038/s43588-021-00023-0 .

[本文引用: 1]

Fan J LZheng JWu L Fet al.

Estimation of daily maize transpiration using support vector machines, extreme gradient boosting, artificial and deep neural networks models

[J]. Agricultural Water Management,2021245106547. DOI:10.1016/ j.agwat.2020.106547 .

[本文引用: 3]

Zhao WenliQiu GuoyuXiong Yujiuet al.

Simulation of sub-daily transpiration characteristics of typical arbor trees in cities based on Deep Neural Network

[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2021572): 322-332.

[本文引用: 2]

赵文利邱国玉熊育久.

基于深度神经网络的城市典型乔木日内蒸腾特征模拟研究

[J]. 北京大学学报(自然科学版), 2021572): 322-332.

[本文引用: 2]

Feng LiliZhang KunHan Tuoet al.

Scale expansion of eva-potranspiration in different vegetation types based on the artificial neural network

[J]. Journal of Lanzhou University(Natural Sciences Edition),2017532):186-193.

[本文引用: 1]

冯丽丽张琨韩拓.

基于人工神经网络的不同植被类型蒸散量时空尺度扩展

[J].兰州大学学报(自然科学版),2017532):186-193.

[本文引用: 1]

Liu JingMa HongzhangYang Leet al.

A Survey of surface temperature retrieval by passive microwave remote sensing

[J]. Remote Sensing Technology and Application, 2012276): 812-821.

[本文引用: 1]

刘晶马红章杨乐.

基于被动微波的地表温度反演研究综述

[J]. 遥感技术与应用, 2012276): 812-821.

[本文引用: 1]

Jin CPer JönssonMasayuki Tet al.

A simple method for reconstructing a high-quality NDVI time-series data set based on the Savitzky–Golay filter

[J]. Remote Sensing of Environment,2004913-4):332-344. DOI:10.1016/j.rse.2004. 03.014 .

[本文引用: 1]

Qu DiFan WenyiYang Jinminget al.

Quantitative estimation of evapotranspiration from Tahe forest ecosystem, Northeast China

[J]. Chinese Journal of Applied Ecology,2014256): 1652-1660.

[本文引用: 1]

曲迪范文义杨金明.

塔河森林生态系统蒸散发的定量估算

[J]. 应用生态学报,2014256):1652-1660.

[本文引用: 1]

Wang YiningZhang XiaomengLu Luet al.

Estimation of crop coefficient and evapotranspiration of summer maize by path analysis combined with BP neural network

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020367): 109-116.

[本文引用: 1]

王怡宁张晓萌路璐.

通径分析结合BP神经网络方法估算夏玉米作物系数及蒸散量

[J]. 农业工程学报, 2020367): 109-116.

[本文引用: 1]

Jin RuiLi XinMa Mingguoet al.

Key methods and experiment verification for the validation of quantitative remote sensing products

[J]. Advances in Earth Science, 2017326): 630-642.

[本文引用: 1]

晋锐李新马明国.

陆地定量遥感产品的真实性检验关键技术与试验验证

[J]. 地球科学进展, 2017326): 630-642.

[本文引用: 1]

/