人工智能用于卫星微波与光学遥感陆地蒸散发融合降尺度研究

蒸散发（Evapotranspiration，ET）是连接陆地水循环与能量交换的关键过程。获取高时空分辨率、全天候的蒸散发遥感数据，对于区域水资源管理、农业干旱监测和气候变化研究具有重要意义。卫星被动微波遥感能够实现全天候大范围陆面蒸散发反演，但空间分辨率较低；卫星光学遥感空间分辨率较高，但受云覆盖影响较大，时间连续性不足。如何兼顾全天候观测能力与精细空间信息，是陆地蒸散发遥感研究中的一个重要难题。

近日，我院风云卫星遥感联合实验室李锐教授团队与人工智能学院、国家卫星气象中心、气象探测中心、空天信息创新研究院相关团队合作，提出了一种基于傅里叶监督的多源融合蒸散发降尺度网络（FMED-Net）方法对该难题进行攻关，取得突破性成果。该方法融合每日 0.25° 的微波蒸散发数据（ET_EDVI）、8天 0.05° 的光学蒸散发数据（ET_MODIS）以及多源辅助数据，成功生成了每日0.05°全天候的蒸散发产品ET_FMED。相关成果以“Downscaling Microwave-Based Evapotranspiration with a Fourier-Supervised Multi-Source Fusion Network in Central-Southern East Asia”为题，发表于美国地球物理联合会（AGU）旗下人工智能专业期刊《Journal of Geophysical Research: Machine Learning and Computation》。

该研究将微波遥感的全天候观测优势与光学遥感的高空间分辨率优势有机结合，在超分辨率框架下融合每日0.25°微波蒸散发数据、8天0.05°光学蒸散发数据及地表覆盖、植被参数、地表温度和地形等多源辅助信息，构建了基于残差网络（ResNet）和亚像素卷积（PixelShuffle）上采样的多源融合降尺度模型（图1）。同时，研究团队引入空间域与频率域联合监督机制，通过傅里叶变换对振幅和相位信息进行约束，增强了模型对高频纹理和局部细节的恢复能力。为系统评估该方法的有效性，研究团队从多个层面开展了验证：选取随机森林（RF）、梯度提升回归（GBR）、全连接网络（FC）和超分辨率卷积神经网络（SRCNN）等代表性降尺度方法进行对比；利用10个涡动相关观测站点数据开展站点尺度验证；结合不同季节及不同云条件下的空间分布结果，检验模型在复杂情景下的适用性；并通过消融实验分析傅里叶监督机制及多源辅助信息在模型中的作用。

 图1.降尺度网络结构图

结果表明，在站点尺度上，与原始 0.25° 微波遥感产品 相比，降尺度后的 0.05° ET_FMED在绝大多数观测站点均表现出更优性能，NSE 和 KGE 整体提高，Bias 普遍减小，草地和农田站点的性能提升更为显著。从空间分布结果来看，相较于其他对比方法，ET_FMED 在不同季节下均表现出更优的空间结构恢复能力，在不同季节均表现出更高的空间保真度，既能较准确地重建高、低 ET 值分布，也能更好保留局地精细空间结构（图2）。此外，在多云等复杂天气条件下，ET_FMED依然能够维持稳健的性能，精准捕捉蒸散发在时间和空间上的详细动态变化，弥补了传统 8 天光学 ET 产品时间连续性不足的局限。通过消融实验进一步表明，傅里叶监督机制和多源辅助数据的引入均对模型性能提升起到了重要作用。

图2. 不同降尺度方法的ET空间格局对比。
(a) 0.25° ET_EDVI；(b) 0.05° ET_MODIS；(c) 0.05° ET_RF；(d) 0.05° ET_GBR；(e) 0.05° ET_FC；(f) 0.05° ET_SRCNN；(g) 0.05° ET_FMED。
其中，(a)和(b)为降尺度模型输入数据，(c)–(g)为不同降尺度方法生成的ET结果

该研究表明，深度学习与多源遥感数据融合在地球科学应用中具有良好前景，也为突破水文气象领域高分辨率、全天候观测的关键难题提供了新思路。所提出的方法为未来发展更大范围、每日、全天候高分辨率蒸散发产品提供了技术支撑，有望服务于区域水资源管理、农业干旱监测和气候变化研究等应用。

中国科学技术大学地球和空间科学学院硕士研究生李昊阳为第一作者，人工智能学院李东博士和我院李锐教授为共同通讯作者。本研究得到国家自然科学基金、国家重点研发计划、安徽省自然科学基金、风云气象卫星专项创新中心、中国科学技术大学 “双一流” 建设研究基金共同资助。

论文链接：https://doi.org/10.1029/2025JH001176

论文信息：Li, H., Li, D*., Wang, Y., Liu, Q., Hu, J., Song, B., Wu, S., Zhang P., Hong D., and Li, R.,* (2026). Downscaling microwave-based evapotranspiration with a Fourier-supervised multi-source fusion network in central-southern East Asia. Journal of Geophysical Research: Machine Learning and Computation, 3, e2025JH001176. https://doi.org/10.1029/2025JH001176