参考文献：Yang Y, Anderson M, Morton C, et al. GEE-DisALEXI: Cloud-Based Implementation of the DisALEXI Model for Evapotranspiration Monitoring Using Google Earth Engine[J]. EGUsphere, 2026, 2026: 1-36.
蒸散发（ET）是陆地水循环和能量平衡的关键过程，在农业灌溉、干旱监测和生态评估中具有重要作用。基于双源能量平衡（TSEB）的DisALEXI模型可利用Landsat等数据以30 m分辨率估算ET，并区分土壤蒸发与植物蒸腾，但传统离线实现受限于数据量大、计算开销高和扩展性差，难以支持大范围应用。随着Google Earth Engine（GEE）等云平台的发展，将模型迁移至云端成为实现高效、可扩展ET估算的有效途径。
1.为什么需要云端ET？
在实际应用中，ET信息是精准灌溉、干旱预警和流域水资源管理的重要依据，例如作物需水量评估和干旱早期识别等。然而，现有技术手段仍存在明显不足：通量塔观测精度高但空间覆盖有限，难以满足区域尺度需求；传统遥感反演虽具备空间连续性，但数据处理复杂、计算成本高，难以支撑长时序和大范围运行。云计算平台通过整合海量遥感数据与并行计算能力，实现模型在云端直接运行，显著提升了ET估算的效率与规模化能力。
二、模型架构：4km到30m的能量平衡降尺度
GEE-DisALEXI采用两层嵌套结构实现多尺度ET估算。顶层ALEXI基于GOES温度数据和MODIS LAI产品，在约4 km分辨率上估算区域ET，为下层提供能量约束；底层DisALEXI利用Landsat光学与热红外数据，将ET降尺度至30 m，实现田块级精细表达。两层通过气温匹配机制衔接，即通过调整30 m近地面气温，使聚合后的ET与4 km结果一致。模型基于TSEB双源能量平衡理论，将像元划分为土壤和植被两个能量系统，可直接输出蒸发与蒸腾分量，这是其相较其他模型的重要优势。
针对GEE平台特点，模型进行了三方面优化：首先，将传统气温迭代改为分阶段序列搜索（粗搜索+精搜索），以固定计算次数提高效率；其次，通过随机森林方法实现30 m LAI反演；最后，利用DMS算法对LST进行锐化，在提升空间分辨率的同时保持能量守恒。
三、验证结果：多尺度系统评估
模型在多尺度上表现出良好的精度与稳定性。基于113个通量塔站点的评估结果表明，在卫星过境日尺度上，平均绝对误差为0.86 mm/d，均方根误差为1.02 mm/d，整体接近无偏。分类型来看，农田区域精度最高，已具备实际应用价值；常绿林存在一定高估，主要受地形和参数化影响。时间尺度上，随着数据聚合，模型精度明显提升。气候区分析表明，模型在湿润地区表现优于干旱地区。在流域尺度上，模型估算的年ET与水量平衡结果高度一致，表明其具备良好的水量闭合能力。在干旱监测方面，蒸散胁迫指数能够有效反映干旱过程，但在干旱区表现相对较弱。
四、论文复现结果
5.代码获取方式
Python+GEE代码|手把手教你复现GEE-DisALEXI实现高精度蒸散发反演【自动发货】
