内蒙古农业大学生态水文与遥感大数据团队研究生在《GIScience & Remote Sensing》以第一作者发文

研究背景

蒸散发是陆地水循环、能量循环和碳循环之间的重要纽带，也是衡量区域水分消耗和生态系统功能的重要指标。在干旱半干旱区，降水中很大一部分会通过蒸散发重新返回大气，因此，准确掌握蒸散发的时空变化，对于农业用水调控、生态工程评估和流域水资源管理具有重要意义。然而，在地表类型复杂、气象观测稀疏、地形起伏明显的区域，长期、连续、高分辨率蒸散发估算仍然面临较大挑战。

研究结果

研究发现，融合遥感、气象和TSEB过程信息的三源模型取得了最佳表现，测试集R²达到0.85，整体优于单一数据源或双源数据组合。与单独使用物理模型或纯机器学习方法相比，MGML-ET在多数生态系统中表现出更好的稳定性和泛化能力，能够较好刻画农田、森林、草地和高寒草甸等典型地表类型的日尺度蒸散发动态。

基于MGML-ET产品，研究进一步分析了2001—2024年中国蒸散发的长期变化特征。结果显示，中国陆地区域蒸散发变化具有显著空间异质性，其中21.04%的有效陆地像元表现出显著增加趋势，6.58%表现出显著下降趋势。蒸散发增加区域与多项生态修复工程区的植被恢复过程密切相关，表明大规模生态建设在改善植被覆盖的同时，也可能改变区域水分消耗格局。

此外，通过结合中国主要生态修复工程区，分析了植被绿化与蒸散发变化之间的关系。结果表明，许多生态修复区域中NDVI与蒸散发呈同步增加趋势，说明植被恢复在改善生态系统状况的同时，也可能增强区域水分消耗。但不同区域的响应并不完全一致：在部分水分受限地区，植被绿化并未带来同等程度的蒸散发增加；而在湿润地区，蒸散发增加可能更为明显。

图1. 三种机器学习算法下不同数据源组合对蒸散发预测性能的影响：（a）LightGBM，（b）随机森RF，（c）多层感知机MLP。每个维恩图表示由三类预测因子组合形成的七种输入配置所获得的平均(R²)，三类预测因子分别为气象变量（ME）、遥感观测变量（RS）和TSEB估算值（ET_TSEB）。

图2. LightGBM模型在七种输入配置下估算蒸散发与观测蒸散发的密度散点图，并与独立TSEB基准结果进行对比。图（a）-（g）分别表示RS、ME、ET_TSEB、RS+ME、RS+ET_TSEB、ME+ET_TSEB和RS+ME+ET_TSEB七种输入配置在独立测试集上的结果；图（h）表示独立TSEB模型与通量塔观测值的直接比较。每个子图右侧的直方图表示估算误差的频率分布，色标表示归一化点密度。

图3. 六个代表性站点观测日尺度蒸散发与MGML-ET模拟日尺度蒸散发的时间序列对比：（a）草地，（b）高寒草甸，（c）湿地，（d）森林，（e）农田，（f）荒漠。DOY表示年内日序。

图5.中国区域2001—2024年平均年蒸散发空间分布（a）以及基于Mann–Kendall检验和Theil–Sen斜率得到的蒸散发变化趋势（b）。