A novel surface reflectance calibration approach to improve the estimation of maize actual evapotranspiration in a semi-arid USA region
Edson Costa‐Filho · José L. Chávez · Huihui Zhang
提出地表反射率校准方法，结合机器学习与双源像素分解，提高半干旱区玉米蒸散发估算精度。
多源遥感数据，OSEB模型，五种机器学习算法，双源像素分解模型。
回归树和高斯过程回归校准效果最佳，误差降低12%-34%，高分辨率传感器提升更显著。
可探索将校准方法应用于其他作物或区域，或结合深度学习提升低分辨率卫星数据的校准精度。
研究提出地表反射率校准新方法，结合多源遥感与机器学习提升玉米蒸散估算精度，对农业水资源管理有参考价值。
本研究旨在开发一种新型地表反射率（SR）数据校准方法，以提高农业环境中玉米实际作物蒸散量（ETa, mm h⁻¹）的预测精度。研究中使用的遥感（RS）平台包括Landsat-8（空间分辨率30米）、Sentinel-2（10米）、Planet CubeSat（3米）、手持式辐射计（1米）以及小型无人机系统（sUAS，0.03米）。采用单源地表能量平衡（OSEB）模型估算ETa，并评估使用原始与校准SR数据时的改进效果。校准过程中评估了五种机器学习（ML）算法，包括线性回归、回归树、随机森林、支持向量机和高斯过程回归。SR校准方法引入了一种新型双源像元分解模型，该模型考虑了特定SR波段所捕获的土壤与植被光反射的贡献。研究选取了美国科罗拉多州格里利和柯林斯堡的两个玉米研究站点，在四年期间收集数据。结果表明，对于给定的遥感传感器，最佳ML模型取决于植被和裸土的SR贡献。在所评估的算法中，回归树和高斯过程回归提供了最精确的像元分解和反射率调整，始终表现出最高的一致性统计指标（R² = 0.70–0.94）和最低的残差误差（RMSE = 0.004–0.022）。在玉米小时ETa估算改进方面，手持式辐射计和sUAS数据的ETa估算误差平均降低了34%，而星载传感器的误差平均降低了12%。