应对噪声影响的遥感数据深度学习方法提升参考蒸散估算精度

《Smart Agricultural Technology》：Deep learning fusion modeling of reference evapotranspiration with multi-source remote sensing data through addressing noise impacts

本研究聚焦于利用多源遥感数据估算参考蒸散量（ETo）时，如何应对输入数据中普遍存在的噪声影响并提升模型鲁棒性这一关键问题。研究人员开发了一种基于卷积神经网络（CNN）的像素级融合方法，整合了MODIS、ERA5和CHIRPS数据，并与随机森林（RF）模型相结合。结果表明，RF-CNN融合模型在噪声条件下仍表现出最高的精度和稳定性，显著提升了在干旱和湿润地区估算ETo的准确性，为数据稀缺地区的精确水资源管理提供了有力工具。

　　

在地球的水循环中，蒸散发扮演着至关重要的角色，它是连接地表水、土壤水和大气水的关键环节。无论是规划农业灌溉、评估干旱风险，还是管理城市水资源，准确了解蒸散发的量都是科学决策的基础。其中，参考蒸散量（Reference Evapotranspiration, ET_o）是一个标准化的指标，指从一片理想化的短草表面（高度0.12米）散发的水汽量，它为比较不同地区和气候条件下的实际蒸散潜力提供了一个统一标尺。

然而，精确获取ET_o并非易事。传统上，科学家们依赖于地面气象站的观测数据，通过复杂的物理公式（如FAO Penman-Monteith方程）来计算。但地面站点的分布往往稀疏且不均匀，在广袤的无人区、山区或发展中国家，数据常常是缺失或不完整的。这就像试图用几个零星的点去描绘一幅完整的地图，其准确性大打折扣。

为了解决这个难题，遥感技术带来了希望。卫星可以从太空持续、大面积地观测地球，提供温度、植被、反照率、降水等一系列环境参数。例如，MODIS传感器能捕捉地表温度和植被指数变化，ERA5再分析数据集能提供全球的太阳辐射估算，而CHIRPS则专门用于高分辨率的降水监测。这些数据源如同从不同角度拍摄的照片，各自有其优势和局限。MODIS空间细节丰富但可能受云层干扰，ERA5时间连续性好但空间分辨率较粗。单独使用任何一个数据源，都难以获得既精确又可靠的ET_o估算。

更棘手的是，现实世界的数据从来都不是“干净”的。传感器误差、大气干扰、云层遮挡以及数据处理过程中的各种不确定性，都会给这些遥感数据带来“噪声”。就像收音机里的杂音，这些噪声会严重影响依赖于这些数据的模型预测的准确性。以往的研究在比较数据融合技术与单源数据时，通常默认数据质量是理想的，但在充满噪声的真实条件下，哪种融合方法更能“去伪存真”，保持稳定性能，仍然是一个未被充分探索的领域。

因此，由Mostafa Sadeghzadeh、Sepideh Karimi、Sungwon Kim、Jalal Shiri和Il-Moon Chung组成的研究团队，在《Smart Agricultural Technology》期刊上发表了一项研究，旨在直面这一挑战。他们的核心目标是：开发一种强大的深度学习融合框架，能够有效地整合来自MODIS、ERA5和CHIRPS的多源遥感数据，并在此基础上，系统评估和比较不同融合方法在模拟ET_o时，面对输入数据噪声的稳健性。他们想要回答：在嘈杂的数据环境中，哪种融合策略最能抵御干扰，从而为水资源管理提供最可靠的决策支持？

为了攻克这一难题，研究人员设计并实施了一套严谨的技术路线。首先，他们选取了伊朗境内气候对比鲜明的两个区域作为研究区：北部的马赞达兰省（湿润气候）和南部的布什尔省（干旱气候），利用其2000年至2023年共23年的数据构建了分析基础。研究的关键创新在于采用了“两步走”的建模策略：第一步是“融合”，第二步是“预测”。

在融合步骤中，他们并未直接使用所有原始卫星和地面数据来预测ET_o，而是先将四类关键的卫星衍生变量——CHIRPS的降水、MODIS的归一化植被指数（NDVI）和反照率、以及ERA5的太阳辐射（R_s）——通过五种不同的像素级融合方法整合成一个单一的、信息更丰富的“融合特征”。这五种方法包括简单的加权平均（WA）、经典的主成分分析（PCA）、处理序列不确定性的卡尔曼滤波（KF）、能够学习非线性压缩表示的自编码器（AE），以及本研究重点提出的、能够捕捉层次化时空模式的一维卷积神经网络（CNN）。所有数据集被统一重采样到1公里网格，并进行归一化处理以确保一致性。

在预测步骤中，他们将上一步得到的“融合特征”与地面气象站观测的日最高/最低气温（T_max/T_min）、相对湿度（RH）和风速（W_s）数据相结合，共同作为输入特征，使用随机森林（RF）这一强大的机器学习回归模型来估算每日的ET_o值。作为基准，ET_o的真实值由FAO Penman-Monteith（FPM-56）模型利用地面站数据计算得出。为了残酷地检验模型的鲁棒性，研究团队特意在训练数据中输入了不同强度（10%， 20%， 30%）的高斯噪声，模拟真实的数据不确定性环境，并在此条件下评估所有模型（包括几种经过校准的经验公式）的性能。

主要研究结果揭示了一系列重要发现：

• •
  CNN融合方法脱颖而出：在数据“干净”（无噪声）的情况下，基于CNN融合并结合RF的模型（RF-CNN）在两个研究区都取得了最佳的估算性能。对于湿润的北部地区，其预测结果与FPM-56基准值的决定系数（R²）高达0.990，均方根误差（RMSE）低至0.177毫米/天；在干旱的南部地区，表现更为出色，R²达到0.997，RMSE仅为0.092毫米/天。自编码器（AE）融合方法紧随其后，而传统的线性方法（如WA和PCA）则表现较差。重要的是，与直接使用所有原始特征（未融合）的RF模型相比，RF-CNN模型将误差指数显著降低了约36%（北部）至76%（南部），证明了深度学习方法在提取和整合多源数据深层信息方面的强大能力。
  o values using direct and fusion methods, b) scatterplots of the RF-CNN model.">
• •
  噪声下的坚挺表现：当输入数据被添加噪声后，所有模型的精度都有所下降，但RF-CNN模型依然保持了最强的稳健性。在噪声条件下，它在南北两个地区的R²分别保持在0.975和0.981的高水平，其性能下降幅度相对可控，继续领先于其他方法。这表明CNN融合方法不仅精度高，而且具有优秀的抗干扰能力，更适用于实际应用中充满不确定性的遥感数据环境。
• •
  关键驱动因素的差异：通过SHAP（SHapley Additive exPlanations）可解释性分析，研究人员深入探查了不同气候区影响ET_o估算的关键因素。在湿润的北部，日最高气温（T_max）和太阳辐射（R_s）是最重要的驱动变量；而在干旱的南部，主导因素变成了太阳辐射（R_s）和风速（W_s）。这一发现符合气候学原理：湿润地区能量（温度、辐射）是主要限制因子，而干旱地区在充沛能量条件下，大气的干燥力和风力对水分蒸发的促进作用更为关键。有趣的是，来自卫星的植被指数（NDVI）和反照率在两个区域的影响都微乎其微，这印证了ET_o作为一个气象驱动概念，其核心影响因素确实是气象参数本身。
• •
  融合优于单用与经验公式：研究还将最优的融合模型与几种常用的经验公式（如Hargreaves-Samani, Makkink等）进行了对比。即使在经过本地化校准后，这些经验公式的精度也远低于RF-CNN融合模型。特别是在输入数据含有噪声时，经验公式的误差急剧增大，而RF-CNN模型则表现出了优越的稳定性，进一步凸显了基于数据驱动和融合方法的先进性与实用性。

结论与讨论：本研究成功地开发并验证了一种基于深度卷积神经网络（CNN）的多源遥感数据融合框架，用于高精度、高鲁棒性地估算参考蒸散量（ET_o）。其主要结论和重要意义体现在三个方面：

首先，方法学上取得了重要进展。研究证实，利用1D-CNN进行像素级融合，能够有效捕捉多源数据间复杂的非线性关系和层次化特征，生成的融合特征显著提升了后续预测模型（RF）的精度。更重要的是，该方法在面对输入数据噪声时展现出的卓越稳健性，解决了实际应用中的一个核心痛点，使得基于遥感的大范围ET_o监测结果更加可靠。

其次，研究具有明确的实践指导价值。通过系统的对比实验，该研究为水文、农业和气候领域的研究者与从业人员提供了一个清晰的“方法选择指南”：在需要整合多源、多分辨率遥感数据估算ET_o，尤其是在数据质量不完美的情况下，基于CNN的深度学习方法是最优选择。同时，SHAP分析揭示了不同气候区ET_o的关键驱动因子差异，这有助于发展更具区域适应性的简化模型或理解ET_o变化的主控机制。

最后，研究为解决全球性水资源管理挑战提供了有力工具。在全球许多地区地面观测资料匮乏的背景下，这项研究提供了一条不依赖密集地面站网、仅凭公开可获取的遥感数据就能实现区域尺度精准ET_o估算的有效路径。这对于农业精准灌溉、干旱预警、生态系统水文研究以及应对气候变化的水资源规划都具有重要的应用前景。该框架具有良好的可扩展性，未来可适配更多样的遥感数据源，服务于更广泛的地理区域和环境监测目标。