中国科大在卫星遥感与人工智能融合反演陆面蒸散发方面取得新进展

近日，我院风云卫星遥感联合实验室李锐教授研究团队提出了一种多源卫星遥感数据驱动的日尺度陆面蒸散发深度学习反演方法。该方法融合卫星被动微波与光学遥感观测，并结合卷积神经网络与 Transformer 注意力机制，实现了全球通量站点尺度日蒸散发的高精度估算。相关成果以“Enhanced daily retrieval of evapotranspiration from a Transformer-based deep learning model combined with satellite passive microwave and optical observations”为题，于 2026 年 5 月 20 日在线发表于遥感领域国际顶级期刊 ISPRS Journal of Photogrammetry and Remote Sensing（影响因子12.2）。

蒸散发是连接陆地水循环、能量循环和碳循环的关键变量，对水资源评估、农业干旱监测和陆—气相互作用研究具有重要意义。由于蒸散发具有显著的时空异质性，卫星遥感成为区域和全球尺度蒸散发估算的重要手段。近年来，卫星遥感与深度学习融合发展迅速，但现有研究多依赖单一的光学植被遥感参数，对具备全天候观测能力的被动微波植被信息利用不足；同时，对日尺度蒸散发快速变化的刻画仍面临挑战。

针对上述问题，研究团队充分利用我国风云极轨卫星微波辐射计的多频段、多通道观测优势，引入风云三号 D 星多通道被动微波植被指数（EDVI），并结合光学增强植被指数（EVI），共同表征植被含水量和植被绿度信息。在此基础上，团队构建了面向日尺度蒸散发估算的 CNN–Transformer 混合深度学习模型。该模型通过卷积模块提取特征变量的短期局地变化特征，并利用 Transformer 自注意力机制学习较长时间尺度上的变量依赖关系，从而增强模型对蒸散发短时波动和季节演变的协同表征能力。

基于 2020—2022 年全球 108 个通量站点的训练与测试结果表明，该模型能够较好实现全球站点尺度日蒸散发估算。在测试集上，模型总体相对误差低于 35%，偏差低于 5%。其中，在北半球测试站点上，模型取得 R² = 0.86、RMSE = 0.52 mm day⁻¹ 的精度表现。为检验模型跨区域泛化能力，研究团队在训练阶段未纳入南半球站点；但独立测试结果显示，模型在南半球站点仍取得 R² = 0.71、RMSE = 0.58 mm day⁻¹ 的良好表现，表明该方法具有较强的跨区域适用潜力（图1）。建立的模型比传统LSTM、CNN-LSTM和Transformer有更稳健的表现。不仅如此，研究证明了协同利用卫星被动微波和光学植被指数能够显著提升日尺度蒸散发反演精度。被动微波观测可补充光学遥感在云影响和植被水分信息表征方面的不足，光学植被指数则有助于刻画植被生长状态及其季节变化。二者协同输入后，模型对蒸散发逐日快速变化过程的刻画更加稳定。此外，研究团队将模型应用于北半球大范围蒸散发空间估算（图2），并与国际上广泛使用的 FLUXCOM-X 蒸散发产品进行对比，结果显示两者在空间分布和时间变化上具有较高一致性，表明该方法不仅适用于站点尺度估算，也具有进一步拓展至区域和全球尺度蒸散发监测的应用潜力。

图1. CNN–Transformer 模型与三种深度学习模型在北半球和南半球测试站点的蒸散发估算结果对比

图2. CNN–Transformer 模型反演的 2020 年平均日蒸散发空间分布及其与 FLUXCOM-X 产品的对比

论文第一作者为我院大气科学专业博士生卜非，通讯作者为王怿璞特任研究员，李锐教授对研究工作提供了重要指导。论文合作者来自中国气象局国家卫星气象中心、中国气象局气象探测中心、美国密歇根大学等单位。研究工作得到国家自然科学基金重点项目、面上项目和国家重点研发计划课题等资助。

文章链接：https://doi.org/10.1016/j.isprsjprs.2026.05.027

论文信息：Bu, F., Liu, Q., Zhang, P., Chen, L., Hu, J., Li, H., Wang, Y*., & Li, R. (2026). Enhanced daily retrieval of evapotranspiration from a Transformer-based deep learning model combined with satellite passive microwave and optical observations. ISPRS Journal of Photogrammetry and Remote Sensing, 238, 442–462. https://doi.org/10.1016/j.isprsjprs.2026.05.027