蒸散发（ET）作为连接陆地与大气水循环的关键环节，在全球水循环中具有重要作用。本研究通过对比现场观测数据，评估了两种实际蒸散发数据集（GLEAM和ERA5_Land）的精度。为提高数据准确性，我们引入地表温度和净辐射作为协变量进行数据融合，并提出一种基于深度学习的多源ET融合模型，该模型通过挖掘时空依赖关系整合相应数据，其核心由图卷积神经网络（GCN）和门控循环单元（GRU）构成。实验结果表明：
（1）本研究提出的GCN-GRU融合模型在精度上显著优于单一数据源；
（2）模型测试显示其均方根误差（RMSE）低于1.25毫米/天，平均绝对误差（MAE）低于1.1毫米/天，相对偏差（RB）小于22%，相关系数（CC）达0.83；
（3）该模型同时提升了青海省区域原始GLEAM数据和ERA5_Land再分析数据的ET空间精度，其中均方根误差分别降低65%和54%，平均绝对误差分别降低67%和53%；
（4）最终利用GCN-GRU模型融合生成2012-2016年逐日ET数据集，该数据集在青海省区域具有更高空间分辨率（0.01°）和更优的数据精度。
本研究驱动模型所使用的数据包括地面气象站点观测数据、再分析气象数据和遥感数据。地面气象站点观测数据来源于国家气象信息中心（https://data.cma.cn）， 时间分辨率为1天。同时采用了欧洲气象预报中心生成的第五代大气再分析数据集ERA5_land。针对气象站点观测数据和ERA5_land数据，将小时尺度的总蒸散发量和净辐射数据通过处理转化为日尺度数据。这些数据集原始空间分辨率为0.1°×0.1°，通过最近邻插值法降尺度至0.01°×0.01°。
遥感数据来源于NASA的MODIS产品和GLEAM（阿姆斯特丹陆地蒸散发模型）数据集。其中GLEAM数据（版本3.7a）基于卫星与再分析数据的融合，提供时间分辨率为1天、空间分辨率为0.25°×0.25°的全球ET数据。特别地，我们将各数据源（GLEAM和ERA5_Land）的原始数据降尺度至与融合模型相匹配的0.01°分辨率。降尺度处理采用最近邻插值法——该方法通过将目标像元值赋值为最邻近已知像元值，是一种简洁高效的空间插值方法。
对于MODIS产品，我们选用MOD11A1数据集。该数据集提供分辨率为0.01°×0.01°的全球日尺度地表温度数据，原始数据采用正弦曲线投影的HDF格式文件。我们使用NASA提供的MRT（Modis Reprojection Tools）软件对原始数据进行批量拼接和投影转换，最终生成采用GCS_WGS_1984坐标系的TIF格式文件，并采用双线性插值法进行重采样。GCS_WGS_1984是基于世界大地测量系统1984版（WGS84）的地理坐标系，采用经纬度表示地球位置，是目前广泛使用的标准地理坐标系。
本研究采用图卷积网络（GCN）捕捉多源数据间的空间依赖性。通过将地理相邻区域的关系构建为图结构，GCN能够聚合节点特征及其邻近节点的特征。同时，利用门控循环单元（GRU）提取单源数据内部的时间依赖性并捕获时序模式。通过整合GCN与GRU，我们实现了多源数据时空依赖关系的联合建模，最终生成具有时空表征能力的特征向量。这些特征向量将被输入融合模型，以提升蒸散发（ET）估算精度。
通过采用GCN-GRU深度学习方法，成功构建了1990-2023年青海省区域1公里分辨率的蒸散发（ET）产品。该产品融合了ERA5_Land和GLEAM网格气象数据集及相关协变量数据。通过青海省区域内不同数据源（包括融合ET数据、ERA5_Land ET和GLEAM ET）与站点观测值的均方根误差（RMSE）对比。模型生成的融合数据显著降低了与站点观测的RMSE：相较于ERA5_Land数据，融合数据的RMSE降低了1.43毫米/天（降幅53%）；相较于GLEAM数据则降低了2.3毫米/天（降幅65%）。融合数据相较于ERA5_Land数据的平均绝对误差（MAE）降低1.14毫米/天（降幅54%），相较于GLEAM数据则降低2毫米/天（降幅67%）。这些结果表明，基于GCN-GRU方法的融合模型能获得更精确的ET估算结果，在青海省区域显著优于单一数据源（ERA5_Land和GLEAM）的表现。
| # | 编号 | 名称 | 类型 |
| 1 | 2022YFF1302601 | 高寒矿区冻土水文生态时空变化监测和数据融合技术集成 | 国家重点研发计划 |
本作品采用
CC BY 4.0 （知识共享 署名 4.0 国际许可协议）进行许可。
