単純な衛星データと機械学習による改善されたリモートセンシングリファレンス蒸発散の推定

参照蒸発散（ET0）推定は、効率的な灌漑計画、最適化された水管理、生態系モデリングには重要ですが、特に気象データの可用性が限られている場合、重要な課題を提示します。この研究では、陸上表面温度（LST）、年、緯度のリモートセンシングデータを利用し、機械学習アプローチ（ランダムフォレストなど）を採用して、改善されたリモートセンシングET0モデルを開発しました。このモデルは、FAO-PM ET0と比較して、0.97、RMSE 0.40、MBE 0.00、および0.11のRMSE、RMSE 0.97、RMSE 0.40、MBE、MBEの567の気象ステーションで優れた機能を果たしました。また、グローバルにパフォーマンスを発揮し、平均R2と0.97のRMSEと0.43のRMSEが、中緯度（20°-50°）の領域で120のサイトで0.43になりました。このモデルは、特にET0の大規模で高解像度の推定において、シンプルさ、精度、堅牢性、一般化を示しており、広範なアプリケーションの大きな可能性を保持しています。この研究は、水資源管理、農業計画、気候変動研究の進歩に貢献します。

Reference evapotranspiration (ET0) estimation is crucial for efficient irrigation planning, optimized water management and ecosystem modeling, yet it presents significant challenges, particularly when meteorological data availability is limited. This study utilized remote sensing data of land surface temperature (LST), day of year, and latitude, and employed a machine learning approach (e.g., random forest) to develop an improved remote sensing ET0 model. The model performed excellently in 567 meteorological stations in China with an R2 of 0.97, RMSE of 0.40, MBE of 0.00, and MAPE of 0.11 compared to the FAO-PM ET0; it also performed well globally, yielding an average R2 of 0.97 and RMSE of 0.43 across 120 sites in mid-latitude (20°-50°) regions. This model demonstrates simplicity, accuracy, robust and generalization, holding great potential for widespread application, especially in the large-scale, high-resolution estimation of ET0. This study will contribute to advancements in water resources management, agricultural planning, and climate change studies.