蒸散发（Evapotranspiration，ET）是陆地生态系统水分循环与能量交换的重要组成部分，其准确估算对于农业水资源管理、干旱监测和陆面过程研究具有重要意义。随着遥感技术的发展，多源遥感数据为高时空分辨率蒸散发估算提供了重要支撑。然而，现有方法仍面临一定挑战：基于物理过程的模型通常依赖复杂的参数化方案，在地表异质性较强的区域存在不确定性；数据驱动的深度学习方法虽然具有较强的非线性拟合能力，但其性能容易受到训练样本数量、观测误差以及跨站点泛化能力的限制。因此，如何将物理过程信息与观测数据有效结合，充分发挥两类方法的优势，是提升蒸散发遥感估算精度与可靠性的重要方向。
图1. 文章封面
针对这一问题，中国科学院空天信息创新研究院王树东研究员团队在 Journal of Hydrology 发表题为“Physics-constrained deep learning for evapotranspiration estimation by integrating process-model information and observations”的研究论文，提出了一种融合过程模型信息与地面观测的物理约束深度学习方法（Physics-Constrained Deep Learning，PCDL）。研究以中国西北干旱区黑河中游为研究区，利用通量观测、多源遥感数据和气象数据，开展日尺度、100 m分辨率蒸散发估算。该研究在利用地面通量观测训练神经网络的基础上，进一步引入SEBAL和PML-V2两种过程模型的蒸散发估算结果，将其作为辅助约束融入模型训练过程。其中，SEBAL从地表能量平衡角度提供过程信息，PML-V2则提供与植被生理过程相关的蒸散发信息。通过整合不同来源的过程模型信息与实际观测，PCDL能够在数据驱动框架中引入额外的物理过程约束，降低模型对有限观测样本的依赖。
图2. 研究区概况
图3. 研究框架
研究结果表明，PCDL在跨站点蒸散发估算中表现出较好的精度与稳定性。与传统ANN相比，该方法的RMSE平均降低约20.5%，最高降低约32%。同时，较大预测误差的比例由6.11%降至3.15%，降幅约48%，表明引入过程模型信息有助于减少部分极端预测偏差。在训练样本减少的情况下，PCDL
也表现出较好的稳定性，显示出其在地面观测相对稀缺区域的应用潜力。此外，研究通过能量平衡诊断发现，PCDL在多个观测站点改善了蒸散发估算的能量平衡一致性，为评价模型结果的物理合理性提供了补充证据。
图4. 高时空分辨率蒸散发产品生成
图5.
物理约束模型与传统ANN模型模拟结果时间序列对比总体而言，该研究提出了一种将过程模型估算结果作为辅助约束融入深度学习的蒸散发估算框架，为物理过程信息与观测数据的协同利用提供了新的思路。研究结果表明，过程模型与深度学习并非相互替代，而是可以通过信息融合形成互补优势，为提升蒸散发估算的精度、跨站点迁移能力和物理一致性提供支持。未来，随着多源遥感数据、地面观测网络和过程模型的进一步发展，这类融合方法有望为干旱区水资源评估、农业用水监测及陆地生态系统水碳过程研究提供更加可靠的数据与技术支撑。
本研究得到国家重点研发计划，内蒙古自治区科技计划等项目资助。论文第一作者为空天院博士研究生薄勇，通讯作者为王树东研究员，刘凯博士，以及香港城市大学李雪轲教授。
论文信息：Bo, Y., Liu, K., Wang, S., Li, L., Li, G., & Li, X. (2026). Physics-constrained deep learning for evapotranspiration estimation by integrating process-model information and observations. Journal of Hydrology, 680, 136557.DOI：https://doi.org/10.1016/j.jhydrol.2026.136557
