城市化减少了蒸散作用，并改变了20个全球城市森林中蒸散作用的各个组成部分

《Earth Critical Zone》：Urbanization reduces evapotranspiration and alters its components across 20 global urban forests

城市化导致城市森林蒸散量（ET）及其组分（冠层截留I、土壤蒸发E、植被蒸腾T）显著下降，平均年降幅达1.46毫米，主要归因于植被减少（NDVI下降）和土壤湿度降低。研究提出混合CNN-PT模型，结合物理过程与机器学习，有效模拟城市森林ET（RMSE=34.8 W/m2），并揭示NDVI贡献ET下降的71%。

　　城市森林的蒸散发（ET）是城市地球关键带（ECZ）水循环中的一个关键变量。然而，关于城市化对ET及其组成部分（包括冠层截留（I）、土壤蒸发（E）和植被蒸腾（T））的具体影响，仍存在许多未被充分量化的问题。本研究采用了一种混合建模框架，将三种基于物理过程的模型与机器学习相结合，评估了20个全球城市中城市森林ET组成部分的长期动态变化及其关键驱动因素。研究结果表明，所提出的模型能够准确模拟城市森林的ET，其平均均方根误差（RMSE）为34.8 W/m2。在近四十年的时间里，ET及其各组成部分呈现出显著的下降趋势，平均年降幅分别为ET 1.46 mm，T 1.18 mm，E 0.23 mm，以及I 0.05 mm。基于Shapley加性解释（SHAP）的归因分析指出，城市扩张导致的城市森林覆盖率下降是ET及其组成部分下降的主要原因。尽管城市热岛效应（UHI）会增加大气蒸发需求，但植被损失带来的生物物理限制对ET的影响更为显著。这些发现强调了扩大城市森林面积以增强其ET降温服务的重要性。这一策略对于缓解气候变化对城市ECZ的负面影响以及提高生态韧性具有关键意义。

城市化过程对区域水文和碳循环以及能量平衡产生了深远的影响。随着城市规模的扩大，自然景观正被越来越多的不透水表面（如混凝土和沥青）取代。这种转变降低了土壤水分的可用性，并限制了地下水补给，从而对城市森林中的根系水分吸收和蒸腾作用形成约束。城市热岛效应提高了环境温度，理论上可能增加ET的速率。然而，这种增加往往被植被覆盖减少和建筑密集带来的微气候条件改变所抵消。已有研究表明，城市化导致区域ET显著下降，主要由植被覆盖表面向不透水结构的转变驱动。例如，Zheng等人（2020）发现，中国秦淮河流域的ET在2000年至2013年间因城市发展而下降了约7%。Mazrooei等人（2021）则观察到，在湿润地区，城市化过程中ET趋于下降，而在干旱地区则可能上升。尽管已有大量研究探讨了城市化对城市ET的影响，但对城市森林生态系统中ET及其组成部分的具体影响仍缺乏深入理解。

ET模型通常分为基于能量和水分平衡理论的物理过程模型以及由机器学习算法驱动的统计模型。基于能量平衡、水分平衡和大气湍流扩散理论的模型通常需要大量经验参数，这些参数的准确确定极具挑战性，从而引入了较大的不确定性。相比之下，基于机器学习的统计模型避免了经验参数的估计，但其主要限制在于输出结果缺乏物理可解释性。此外，机器学习模型在应用于训练数据集之外的条件时，其表现往往不佳。因此，将物理过程建模与机器学习方法相结合，为实现更可靠、准确且具有普遍适用性的ET及其组成部分的模拟提供了一种有前景的策略。另一个值得关注的问题是，当前大多数ET模型往往忽视了城市中各种二氧化碳（CO?）源（如人类呼吸、车辆排放和工业活动）对大气CO?浓度的显著影响。城市森林在此背景下扮演双重角色：一方面，它们通过碳固存成为重要的局部CO?汇；另一方面，它们暴露于由城市人为排放所导致的高浓度CO?环境中。大气中CO?浓度的升高会影响气孔导度和光合作用活动，从而改变蒸腾速率以及ET各组成部分的分配。因此，有必要在城市森林生态系统中考虑大气CO?升高对ET的应力效应，以确保ET及其组成部分的可靠模拟。

为解决这一知识空白，本研究设定了以下关键目标：1）提出一个结合机器学习与物理过程模型的三源ET模型；2）分析并评估城市森林ET及其组成部分（I、E和T）的长期趋势；3）探讨城市化进程与城市气候变化对城市森林ET及其组成部分长期趋势的综合影响。具体而言，通过将物理建模与机器学习相结合，旨在融合基于机制的ET表示的三源过程可解释性，以及机器学习算法在捕捉由城市异质性驱动的复杂非线性关系方面的灵活性和预测能力。混合框架包括卷积神经网络（CNN）与基于过程的三源ET模型，从而实现了更准确的模拟和对ET及其组成部分长期动态影响的更深入理解。

为了评估模型的性能，我们使用了17个城市通量塔站点的每日数据进行训练和验证，并保留了另外3个站点的数据用于模型泛化能力的评估。所有气象、植被和土壤输入变量均被标准化到0-1的范围内，以提高学习效率。训练数据集被随机划分，其中80%用于训练，20%用于测试，并通过交叉验证来评估模型的稳健性。为了进行基准测试，我们将CNN-PT模型与两个参考模型——一个独立的CNN模型和一个纯物理过程的Priestley-Taylor（PT）模型进行了比较。模型性能通过四个统计指标进行评估：均方根误差（RMSE）、决定系数（R2）、偏差和平均绝对百分比偏差（MAPD）。对于历史重建，我们以月度尺度运行CNN-PT模型，并使用Mann-Kendall（M-K）检验分析长期趋势。为了归因长期趋势，我们进一步使用XGBoost模型模拟I、E、T和总ET，以七种驱动变量（NDVI、SM、R_a、T_a、u、VPD和A_c）作为输入。SHAP值被用来量化每个驱动变量对I、E、T和总ET长期趋势的相对和绝对贡献。

研究结果表明，CNN-PT模型在模拟城市森林的ET方面表现优于其他两种模型。在测试数据集中，CNN-PT模型的RMSE为34.8 W/m2，R2为0.77，偏差为-14.6 W/m2，MAPD为7.7%。相比之下，独立的CNN模型的RMSE为47.9 W/m2，R2为0.74，偏差为17.2 W/m2，MAPD为8.9%。而基于纯物理过程的PT模型则表现最差，其RMSE为58.8 W/m2，R2为0.67，偏差为24.5 W/m2，MAPD为11.2%。这些结果表明，CNN-PT模型在预测精度和可解释性方面均具有显著优势。此外，模型的三源架构使我们能够分解总ET的下降趋势，并直接关联特定驱动因素到每个分量上。因此，CNN-PT模型不仅是一个更精确的预测工具，也是一个更强大的科学探索工具，使我们能够机制性地应对城市生态水文研究中的知识空白。

然而，本研究也存在一些不确定性和局限性。首先，混合CNN-PT模型虽然具有诸多优势，但其构成部分仍然存在一些固有的假设。Priestley-Taylor（PT）框架是一个一阶的能量驱动模型，它简化了复杂的生物物理过程。它将气动和气孔阻力参数化为单个α系数，这可能无法充分捕捉植被在能量不是主要限制因素下的反应，例如在严重土壤水分胁迫或异质城市景观中常见的强对流条件。虽然CNN部分被设计用于学习这种复杂的α值，但其预测能力本质上受到训练数据范围的限制。Urban-PLUMBER数据集虽然是最全面的，但其在地理和类型代表性方面仍存在局限。模型在植被类型和气候条件未在20个训练站点中充分代表的城市森林中的表现可能不够确定，例如在极端干旱地区或热带大都市中的表现。此外，本模型仅考虑了七种输入变量，而其他已知影响植物生理的因素（如特定空气污染物、土壤养分状况、树龄和树种组成）未被纳入，这些因素可能成为未建模的变异性来源。

其次，长期数据集的时空尺度也带来了显著的不确定性。历史趋势分析（1986-2024）依赖于来自粗分辨率再分析产品的气象数据（如ERA5-Land在9 km的网格），并将其下采样到30 m的分辨率。这代表了一个根本性的挑战，因为9 km的网格单元平均了复杂的城市地表（如屋顶、沥青和绿地）的条件。实际30 m的森林斑块所经历的微气候，包括由周围建筑产生的局部温度、湿度和风湍流，可能与区域平均值存在显著差异，从而引入不确定性。此外，卫星数据本身也有其局限性：用于估算土壤水分的三角特征空间方法是一种间接推断，而非直接测量，而NDVI记录可能受到云污染和传感器随时间退化的干扰。这种在模型过程中所模拟的精细尺度过程与驱动长期模拟的粗尺度数据之间的不匹配，可能是我们趋势估计中最大的不确定性来源。

第三，通量塔观测中的能量平衡闭合问题也是不确定性的重要来源。所有通量塔研究都面临这一挑战，但在城市环境中尤为突出。城市材料（如建筑物和沥青）的复杂湍流和显著热储存能力，常常导致可用能量与测量的湍流通量之间存在差异。理想情况下，通过使用独立的、现场的水文平衡各分量测量（如土壤蒸发、植物蒸腾和降水分配）来纠正闭合差距。然而，这种全面的数据集极为罕见，且在Urban-PLUMBER项目中并未提供。因此，我们的研究代表了一种权衡：我们接受了经过质量控制的EC通量数据的固有不确定性，以换取通过分析全球广泛网络所获得的统计力量和通用性。我们依赖于Urban-PLUMBER数据集的标准后处理协议，以产生尽可能可靠的通量估计，并随后基于此数据集对模型进行训练。尽管如此，开发标准化的城市EC数据能量平衡校正方法以及在城市森林中扩展密集的多组分监测，仍然是未来研究的重要方向。

最后，趋势归因方法虽然处于前沿，但也需要谨慎解读。本研究采用XGBoost模型与SHAP值进行分析，该方法在量化输入变量的统计重要性方面表现出色。然而，将这些统计关联解释为直接的因果贡献是一个假设。归因分析还受到所考虑的七种输入变量的限制，可能忽略了其他长期驱动因素。例如，全球大气CO?浓度的升高以及局部城市“CO?穹顶”效应，这些在引言中被提及为关键城市过程，未被明确分离在归因模型中，可能对长期蒸腾趋势产生混淆影响。其他未建模的因素，如大气氮沉降或直接的人类管理干预（如城市公园的灌溉或树木修剪项目），也可能显著改变局部ET趋势。

本研究的结论显示，我们开发了一种新颖的混合CNN-PT模型，用于分析20个全球城市森林中ET的长期生态水文趋势。研究结果揭示了从1986年到2024年，城市森林ET显著下降，主要由城市化带来的多方面影响驱动。我们量化了总ET的显著下降趋势，其年均降幅为-1.46 mm，这一变化主要由植被蒸腾（T）的急剧下降（-1.18 mm）以及土壤蒸发（E）和冠层截留（I）的减少（-0.23 mm和-0.05 mm）组成。归因分析明确表明，这些下降主要由土地覆盖变化带来的生物物理限制所驱动，这种影响超过了城市气候的热力学效应。具体而言，NDVI的下降，作为植被损失和退化的代理指标，是控制冠层水平水文平衡（ET、T和I）的最关键因素，而土壤水分的减少则是导致E下降的主要驱动因素。本研究中混合模型的成功应用代表了方法论上的重大进展，它提供了高精度和必要的过程细节，以支持这种机制性的归因分析。这些发现对城市规划和气候适应具有重要启示，因为量化下降的ET反映了城市森林降温服务的退化。因此，本研究强调，城市可持续性和气候适应策略必须优先考虑保护和扩展健康的都市植被和透水表面，以在持续的城市扩张中维持这些关键的生态水文功能。尽管本研究提供了有价值的见解，但未来的研究可以在此基础上进行多个有前景的方向拓展。进一步的模型优化将有助于在更广泛的城市绿地类型（如公园、住宅草坪和绿色屋顶）中测试和提高模型的准确性。将混合模型扩展到其他生态环境，包括郊区和农村森林，将有助于进行强有力的比较分析，以更好地隔离城市化带来的独特生态水文影响。