我走的每一步都算数

如果界面是英文的话，点击“编辑”-“首选项”-“高级”里的语言选择“简体中文”下载官网：https://www.zotero.org/word可以直接用，wps需要下载一个小插件。然后就可以去网站下载论文了。把pdf直接拖入界面。

本文的研究内容旨在发展能够准确获取全球或区域尺度蒸散量的混合模型，主要工作包括：（1）构建了六种不同的混合蒸散模型。这六种混合模型基于六种传统的机器学习算法，分别是KNN、RF、SVM、XGBoost、ANN、LSTM。然后使用17个全球分布的农田通量站点的涡度协方差通量塔的通量数据构建模型。（2）分析了十种不同的输入因子组合对混合模型估算农田蒸散量性能的影响。

本文以青藏高原典型高寒沼泽湿地为观测研究站, 以实际蒸散发为研究对象, 结合气象因子(净辐射、气温、土壤热通量、风速、相对湿度、土壤含水率), 建立基于多元线性回归(MLR)、决策树(CART)、随机森林(RF)、支持向量回归(SVR)、多层感知机(MLP) 7种组合5类算法的预测模型, 找出对于蒸散发具有较高精度的插补方法, 实现实际蒸散发数据集的构建。

本文利用西北地区 12 个草地通量站点与卫星遥感产品，基于随机森林、极端梯度提升、支持向量回归和人工神经网络 4 种机器学习方法构建 ET 估算模型，制作 5 km 分辨率 ET 产品，并分析 ET 的长期变化趋势。

本文基于 SWH（Shuttleworth Wallace Hu）双源蒸散模型对青藏高原那曲、纳木错和藏东南站蒸散量进行估算，在结果验证良好基础上，对青藏高原蒸散发变化特征及各站主要影响因素进行了分析。

为探索基于遥感技术建立快捷估算区域蒸散发的方法，选取河套灌区永济灌域为研究区，利用Landsat 遥感影像和土地利用分类结果，基于 SEBAL 模型，对永济灌域 2019 年生长季的日蒸散量进行估算，分析研究区蒸散发时空变化特征以及不同土地类型蒸散发的差异。结果表明：①SEBAL 模型估算结果与 FAO P-M 公式相比，决定系数 R2为 0.94，均方根误差 RMSE 为 0.43 mm/d，相对误差 MRE 为 8.62%，模型反演精度较高，可以为研究区提供合理的蒸散发估算；

本文首先基于 MODIS 和 Landsat 遥感数据，利用 ESTARFM 算法和SEBS 模型估算了黄河三角洲 2000-2020 年时空分辨率为 8 天、空间分辨率为30 m 的 ET 数据，比较融合 ET 与预测时期的 Landsat ET 评价了两模型结合的可行性及精度，并利用通量站观测数据和气象站蒸发皿数据对 ET 数据的可靠性进行了验证；然后基于融合得到的 ET 数据分析了黄河三角洲的 ET 时空变化趋势及其影响因素；

本文集成 MODIS、TRMM、GLDAS 和再分析等多源数据，选取了 13 个与干旱有关的变量，并与基于气象数据的 3 个月时间尺度的标准化降水蒸发指数（SPEI-3）进行相关性分析，根据相关性高低确定了输入模型的变量；

同位素示踪方法分离蒸散发。通过对黑河上游排露沟流域海拔2 700 m和2 900 m处青海云杉森林生态系统不同季节的土壤水、植物水和大气水汽等不同水体稳定氧同位素组成（δ18O）的测定，运用Craig-Gordon模型、同位素稳态假设和 Keeling Plot模型分别得出土壤蒸发、植物蒸腾和蒸散发的 δ18O，结合多元线性混合模型将生态系统蒸散发分割为土壤蒸发和植物蒸腾。

本文基于河西走廊及周边 21 个气象站点气象资料，采用定性定量分析方法，以河西走廊整体及3 分区两个空间尺度，揭示 ET0 时空变化规律，明确 ET0 对各气象因素变化敏感性及贡献。

【目的】探究干旱绿洲区典型农田生态系统作物蒸腾蒸散特征及蒸腾占总蒸散的比值，为 T/ET 的研究提供数据支撑。【方法】联合运用树干液流（包裹式）、涡度相关法以及微气象观测系统于整个生长季（5—10 月）对敦煌沙漠绿洲区无核白葡萄树的冠层蒸腾（T）和总蒸散（ET）特征进行了连续测定；并分析了*。【结果】生长季中，冠层蒸腾量从 0.20 mm/d 上升到生长中期的 8.13 mm/d，然后逐渐下降至末期落叶时到达极小值，日均蒸腾量为 3.32 mm/d。

对 1999—2021年不同生态系统中的蒸散发研究论文进行了统计分析，总结了每种方法的基本原理、优缺点、适用性和误差来源；对比了不同生态系统类型和不同研究方法的估算精度；简要分析了蒸散发模型法和实测法应用中的参数、系统尺度、方法验证及适用性的不确定性；最后对不同生态系统遥感反演蒸散发拓展方法的发展趋势进行了探讨，并对未来的发展方向提出了建议。

为探明不同核函数高斯过程回归算法在不同使用条件下对参考作物腾发量( ET0 )模拟精度，在长江流域内选择10个代表性气象站点，以 PM 公式的计算结果作为参考值，以最高气温、最低气温、平均气温、相对湿度、平均本站大气压、日照时数和风速作为主要气象因子，使用灰色关联分析得到因子输入组合，使用二次有理、平方指数、Matern 5 /2等 3 种不同核函数的高斯过程回归算法对 ET0 进行模拟，并与等 3 种经典算法计算结果进行对比。

本文基于不同频率的VOD数据集（VODCA C-VOD、X-VOD、Ku-VOD和AMSRU X-VOD），利用趋势分析和残差分析等方法研究了2000—2018年中国不同地区以及不同植被类型VOD的时空动态变化，并在全国及区域尺度上定量评估了气候变化和人类活动的相对贡献。结果表明：①中国植被VOD呈极显著增加趋势，AMSRU X-VOD增加速率最快（0.062/10a），尤其是华东地区，而VODCA C-VOD增加速率最低（0.013/10a），其中西南地区增速最高；