2013 - 2021年美国玉米、大豆和冬小麦需水量：SEBALIGEE v2全球模型的应用

可持续的 水资源管理计划 对于实现联合国2030年可持续发展目标至关重要。然而， 气候变化 对于发展具有弹性的水资源管理系统构成了重大威胁，该系统确保了作物的最佳健康和生产力。丰富的 卫星观测数据和人工智能/机器学习技术 的进步为应对这一挑战提供了前所未有的机会。

它旨在回答以下问题：1）如何通过消除偏倚的热/冷像素方法来改进SEBALI/SEBALIGEE？；2）新版本如何在全球范围内实现并达到30米的空间分辨率？；3）新提出的 模型的性能 如何？；4）美国连续48个州（CONUS）的 玉米、大豆和冬小麦的水需求 是多少？；5） 什么环境因素影响 这些作物的蒸散发和aKc？

本研究的创新之处在于：1. 综合考虑了玉米、大豆和冬小麦在美国不同地区的水需求特点，为农业生产和水资源管理提供了重要参考。2. 基于SEBALIGEE v2全球模型 ，对农作物水需求进行了全面的估算和分析，为未来农业可持续发展提供了科学依据。3. 研究结果对于了解农作物水需求的 时空变化规律 具有一定的启示意义。

提出了 SEBALIGEE v1的改进版本，命名为v2 。SEBALIGEE v1的改进主要集中在引入先进的机器学习方法上，这使得首次能够将SEBALIGEE 应用于任何尺度的应用，并提高其整体性能 。首先评估了新提出的全球尺度和30米空间分辨率的 SEBALIGEE v2模型相对于六个不同国家 的原位Eddy通量测量站点的 ET估算性能 ，包括美国、中国、意大利、比利时、德国和法国。我们还在美国的多个FLUXNET站点之间进行了v1和v2之间的相互评估。然后，着重研究了美国连续48个州范围内三种最常种植的作物，即玉米、大豆和冬小麦，并从SEBALIGEE v2估算的ET和ET0中推导出它们的aKc值，时间跨度为2013年至2021年。进一步评估了 三种作物的aKc和ET的季节性和年际变化 ，以及 不同的气候变量和干旱条件 如何影响它们在美国连续48个州范围内的变化。

在本研究中，提出了SEBALIGEE（v2）模型的新版本，该版本采用了机器学习的随机森林（RF）算法来计算感热通量，取代了传统的热/冷像素方法。这一改进将SEBALIGEE的应用范围 从流域尺度扩展到任意尺度 ，例如地块、流域、国家、洲或全球。为了评估SEBALIGEE v2在估算蒸散发（ET）方面的性能，即 作物水需求的关键指标 ，将模型的输出与不同气候区域的各种Eddy Covariance通量塔观测数据进行了比较。具体而言，对新算法估算的月ET在美国、中国、意大利、比利时、德国和法国的几个fluxnet站点进行了评估，结果显示， 与原始SEBALIGEE v1相比 ， 均方根误差（MAE）从14.54 mm/month降至12.22 mm/month 。此外，将SEBALIGEE v2的新的任意尺度功能应用于美国连续48个州（CONUS），重点关注包括玉米、大豆和冬小麦在内的三大主要作物。

这篇论文提出了开源全自动地表能量平衡算法（SEBALI）谷歌地球引擎（SEBALIGEE），用于估算30米分辨率的实际蒸散发（ET），这是许多水文和农业应用中非常需要的参数。研究报告了几项发现，旨在 通过调度灌溉和指导未来举措 ，从地方、区域和国家层面 提高作物水产量 。这可以为实现作物水产量的提高和可持续水利用提供有用的见解。更重要的是，它完全符合联合国提出的可持续发展目标（SDG）和2030年议程。