随着气候变化的加剧，城市地区越来越受到水资源短缺和城市热岛效应的影响。蒸散量(ET)是全球城市绿化倡议的重要组成部分。然而，城市地区的ET估算方法仍然有限。随着城市中建立越来越多的通量观测塔，为城市ET的直接测量提供了可能性。来自柏林工业大学的Stenka Vulova在研究城市ET中提出了一种估算城市ET的新方法。该方法利用遥感和GIS数据、Footprint模型以及机器学习和深度学习等技术，估算城市的蒸散量。

本文的研究区域位于德国柏林，从卫星图像、通量塔(两个通量塔位置分别定义为ROTH和TUCC)和气象站提取动态和静态数据集，用于预测城市景观中的ET。文章分析了4种预测情景下估算城市ET的准确性，并评估了两种不同算法[卷积神经网络(1D CNN)和随机森林(RF)]在预测中的表现。最佳表现情景(气象和GIS数据)显示，对于植被较多的地点，RF算法预测蒸散的RMSE为0.0239 mm/h，R²为0.840，1D CNN算法预测蒸散的RMSE是0.0250 mm/h，R²为0.824。

4种预测情境下

不同算法的预测结果

点击图片查看大图~

该研究还分析了不同预测情景中各变量的重要性，对于ROTH和TUCC两个站点，风速、大气压和太阳天顶角均是随机森林算法(RF)最重要的预测因子。对于ROTH站点，NDVI，ISF(非渗透表面的比例)和BH(建筑物高度)则分别是随机森林算法(RF)第三、第四和第六重要的预测因子。

点击图片查看大图~

本研究通过利用遥感和GIS数据、Footprint模型以及机器学习和深度学习等技术，提出了一种估算城市ET的新方法，即便是在气象数据较为有限的情况下，仍提高了城市地区ET估算的准确性。同时该方法有助于以半小时的分辨率对ET进行时间和空间上的升尺度。