当科学家研究地球可用于生态系统服务的水资源时，他们不仅仅关注降水量。他们还必须考虑从地面到大气的水流动，这一过程称为蒸散量 (ET)。ET 包括土壤和湖泊、河流和池塘等开放水池的蒸发，以及植物叶片的蒸腾。降水量和 ET 之间的差异表明可用于社会需求(包括农业和工业生产)的水平衡。然而，测量 ET 具有挑战性。诺伊大学厄巴纳-香槟分校的一项新研究提出了一种计算机模型，该模型使用人工智能 (AI) 根据遥感估计进行 ET 预测。

“地面 ET 估计值可捕捉转移到大气中的局部水通量，但规模有限。相比之下，卫星数据可提供全球范围内的 ET 信息。不过，由于云层或传感器故障，它们往往不完整，并且某个区域上的卫星周期可能需要几天时间。我们进行这项研究是为了预测缺失数据并生成每日连续 ET 数据，以说明土地利用和大气空气运动的动态，”主要作者Jeongho Han说道，他是农业和生物工程系(ABE)的博士生，该系隶属于诺伊州农业、消费者和环境科学学院和格兰杰工程学院。

研究人员基于决策树机器学习模型创建了“动态土地覆盖蒸散模型算法”(DyLEMa)。该算法旨在使用经过训练的季节性机器学习模型预测缺失的空间和时间 ET 数据。使用 NASA、地质调查局和国家海洋和大气管理局的数据，以诺伊州的规模对 DyLEMa 进行了评估，评估范围为 20 年，每日网格为 30 x 30 米。

“DyLEMa 比其他模型更加详细和复杂。它区分了不同的土地用途，包括森林、城市和农业，以及不同的作物，如玉米和大豆。该模型包括降水、温度、湿度、太阳辐射、植被阶段和土壤特性。这使我们能够准确捕捉地表动态并根据多个变量预测 ET。这对于农作物变化迅速的农业景观尤其重要，”合著者、ABE 研究助理教授 Jorge Guzman说。

研究人员通过将模型结果与现有数据进行比较来测试模型的准确性。为了进行长期验证，他们使用了 2009 年至 2016 年在诺伊州四个地点进行的地面测量。此外，为了测试空间准确性，他们创建了人工场景，在无云图像中插入合成云，然后应用他们的算法并将结果与​​原始数据进行比较。总体而言，与现有测量值相比，DyLEMa 将累计 ET 估计中的 ET 预测不确定性从平均 +30%(高估)降低到约 -7%(低估)，表明准确性要高得多。

这项研究是农业部国家食品和农业研究所资助的一项大型土壤侵蚀项目的一部分。ABE副教授Maria Chu是该项目的首席研究员，也是这篇新论文的合著者。

“ET 控制土壤水分含量，反之亦然，这会影响地表过程，例如径流和侵蚀。我们的下一步是将我们的数据整合到分布式水文模型中，以便更好地估计土壤侵蚀，”Chu 说道。

“土地管理实践面临的一个挑战是，人们可能无法立即看到实施变革的好处。但通过这个模型，我们可以表明你现在所做的事情将产生长期影响，例如，10 年或 20 年后，以及在远离农场的地方。这就是利用数据和计算能力吸引社区参与并为政策措施提供信息的力量，”Chu 补充道。