近日，我院青年教師白雲副教授第一作者身份在全球遙感科學領域頂級期刊《Remote Sensing of Environment》（IF=11.1，SCI一區TOP）在線發表了題為“Integrating machine learning with thermal-driven analytical energy balance model improved terrestrial evapotranspiration estimation through enhanced surface conductance”的研究成果。在全球尺度顯著提升了水分脅迫條件下基于熱紅外遙感模拟地表蒸散發（Evapotranspiration，ET）的精度。

空氣動力學導度（gA）與表面導度（gSurf）之間複雜的相互作用模拟是全球尺度ET估算面臨的重大挑戰，尤其是在水資源匮乏的環境中。此前，論文合作者Kanishka Mallick發展了一種熱紅外遙感驅動，借助多種描述地表過程的物理原理（地表能量平衡原理、平流幹旱假說、波文比方程和彭曼方程）疊代求解gA、gSurf和ET的模型Surface Temperature Initiated Closure（STIC），解決了gA和gSurf模拟的問題（圖1a）。但該模型使用熱紅外遙感量化地表濕度方面存在不足，緻其在幹旱條件下高估ET。

 圖1 原始的STIC(a)和改進後的模型HSTIC (b)的工作原理。

為解決上述問題，我院白雲老師提出了一個新的環境參數：蒸散源表面的相對濕度（RH0），使用機器學習算法來模拟該變量，并将其集成到STIC的物理框架中（圖1b），構建Hybrid STIC模型（HSTIC），解決了原始模型的問題。使用200個全球分布的通量站點訓練、測試和驗證模型改進前後的結果顯示（圖2），HSTIC在驗證集模拟（半）小時尺度潛熱通量（λE，熱量形式的ET）和顯熱通量（H）的R2（RMSD）分别為0.79（48 W m-2）和0.84（48 W m-2），相對原始STIC的結果提升（減少）了0.10（36%）和0.17（36%）。交叉驗證結果表明，HSTIC的優勢主要體現在水分脅迫條件下λE模拟精度的提升（圖3和4）。同時，HSTIC模拟的gSurf對短期環境因子的反饋和生長季氣溫的适應性，與已有研究結果一緻。因此，新模型HSTIC有望提升基于過程模型模拟全球陸地碳-水通量的精度，促進我們理解陸地生态系統對全球氣候變化的響應。

 圖2 在訓練集（61%）、測試集（19%）和驗證集（20%）評價HSTIC模拟（半）小時λE和H的精度。圖中N表示樣本數量。

圖3 基于原始STIC（STIC1.2）和HSTIC使用MODIS 地表溫度估算的站尺度λE與觀測值的比較（a）和不同表面幹燥度條件下STIC1.2和HSTICMODIS 地表溫度估算日尺度λE的精度（b）。

圖4 在兩個典型濕潤站點（a，b）、兩個具有明顯幹濕季的站點（c，d）和兩個典型幹旱站點（e，f），原始STIC（STIC1.2）和HSTIC估算的及塔基觀測的λE（STIC 1.2 λE、HSTIC λE和Observed λE）時間序列。灰色條表示季節性幹旱指數（DI）。

該研究的第一單位為河伟德平台怎么样；合作單位包括：盧森堡科學技術研究所（Luxembourg Institute of Science and Technology）、青島大學和加州大學伯克利分校（University of California, Berkeley）。研究得到河北省優秀青年科學基金、國家自然科學基金和盧森堡FNR國際流動獎學金的聯合資助。

論文鍊接：https://www.sciencedirect.com/science/article/abs/pii/S0034425724003262