Temporal Reconstruction and Machine‐Learning Emulation of a METRIC‐Derived Daily Actual Evapotranspiration Benchmark Using MODIS and Climatic Data in a Semi‐Arid Irrigation District

方法

以79个Landsat/METRIC锚点线性插值EToF，结合FAO-56 ET

发现

XGBoost全气候情景随机留出R²=0.880，但跨年验证R²仅0.686，年际迁移性较弱。

机会点

可探索引入时序深度学习或迁移学习提升跨年泛化，并检验该框架在其他半干旱灌区的可移植性。

准确的日实际蒸散发（ETa）对于半干旱农业区的灌区水资源核算、干旱评估和季节性水资源分配具有重要意义。本研究开发了一个灌区尺度的机器学习框架，利用MODIS NDVI、地表温度和站点气候变量，模拟土耳其Akarsu灌区经时间重建的METRIC衍生ETa基准值。该基准由79个Landsat/METRIC锚点观测值锚定。在卫星过境之间，对矮草参考蒸散发比例（EToF）进行线性插值，并结合日FAO-56参考蒸散发（ETo），生成了2021—2024年共1476个重建日值。我们采用随机留出法、交叉验证和留一水文年法（LOWYO）验证评估了五种机器学习模型和五种预测因子情景。留一卫星日期敏感性分析进一步量化了重建不确定性。采用XGBoost的全气候情景在随机留出验证中取得R²为0.880、RMSE为0.447 mm day⁻¹，而LOWYO验证的平均R²=0.686、平均NSE=0.503。结果表明模型具有较强的内部预测性能，但年际迁移能力较弱，支持该框架在可比水文气候和种植条件下用于连续的灌区尺度ETa重建、水资源核算和业务化评估，同时凸显了时间独立验证的重要性。