基于物理知会深度学习的全球蒸散发相对真值数据集（2000-2021）ETMap Version 2.0

蒸散发（Evapotranspiration, ET）作为全球水文循环与能量循环的关键耦合节点，是生态系统响应全球变化及极端环境灾害的核心指示器。然而，受限于地面观测站点空间分布的极度不均，数据匮乏区的ET估算存在显著不确定性。目前数据驱动模型（如随机森林、卷积神经网络等）在跨区域应用时易出现精度衰减，难以满足全球尺度ET研究的需求。针对这一科学问题，本研究构建了基于物理知会的深度学习模型（Self-Attention Influence, SAI），旨在实现全球尺度ET的精准估算。该数据集的生成整合了驱动蒸散发过程的关键要素：气象因子（风速、气温、相对湿度、气压、累积降水、入射短波辐射）、时间维度（月尺度）、土地利用/覆盖类型（LULC）及植被参数（叶面积指数LAI）等，这些要素共同决定了地表水分的能量的分配和ET的数值。该模型训练与验证数据来源于多源观测网络：全球FLUXNET2015通量观测网络和黑河流域地表过程综合观测网的站点观测。SAI模型通过物理知会深度学习的设计（嵌入物理信息层和专家层，实现软约束），有效解决了传统模型在跨域（数据匮乏区）应用时的精度衰减问题，实现ET的可靠估算。精度评估方面，SAI模型的估算性能显著优于随机森林及其他主流深度学习模型，尤其在数据稀缺地区表现出优异的跨域适应性，且对极端气候事件具有较高的稳健性。基于流域水量平衡法的独立验证显示，SAI模型估算ET结果的中心化均方根误差（RMSE）为20.97 mm/月。该数据集及模型的应用前景广阔，已成功生成了2000-2021年的全球ET时空分布图，初步为分析了厄尔尼诺-南方涛动现象（ENSO）和气温变化对全球水循环的影响。本数据集提供两个产品，包括SAI产品和BTCH方法融合产品（融合SAI、ERA5、GLEAM和FLUXCOM产品）。