耦合SEBS与机器学习衍生气动阻力的青藏高原地表蒸散发估算方法创新研究

本研究针对青藏高原(TP)地表蒸散发(ET)估算精度不足的问题，创新性地将表面能量平衡系统(SEBS)模型与随机森林(RF)等机器学习(ML)算法耦合，构建了SEBS-ML混合模型。通过优化气动阻力(ra )参数化方案，显著提升了ET估算的R2 (0.70)和KGE(0.82)指标，为高原水循环研究提供了兼具物理机理与数据驱动优势的新范式。

　　

青藏高原被誉为"亚洲水塔"，其地表蒸散发(ET)过程直接影响全球大气环流格局。然而，这片平均海拔4000米的极地环境，地表能量交换过程复杂多变。传统基于Monin-Obukhov相似理论的物理模型在非均匀下垫面表现欠佳，而纯数据驱动的机器学习方法又可能产生违背物理规律的ET估值。如何突破这一"机理与数据"的双重困境，成为高原水循环研究的关键瓶颈。

中国科学院团队在《Journal of Hydrology》发表的研究给出了创新解决方案。通过整合表面能量平衡系统(SEBS)与四种机器学习算法，构建了物理约束下的混合模型SEBS-ML。研究利用17个涡度协方差通量塔站点数据，重点优化了影响感热通量(H)计算的核心参数——气动阻力(r_a
)的估算方法。

技术方法上，研究团队采用多源数据融合策略：基于ERA5再分析数据和地面观测，运用随机森林(RF)、支持向量机(SVM)等算法建立r_a
估算模型；通过SEBS能量平衡方程(R_n
=H+LE+G)计算ET；采用Kling-Gupta效率系数(KGE)等指标进行验证。

【研究结果】

1. 机器学习估算气动阻力
   比较线性回归(LR)、岭回归(RR)、SVM和RF四种方法，RF在r_a
   估算中表现最优(R²
   =0.77)。其集成学习特性有效补偿了单棵决策树的偏差，在极端条件下仍保持稳定。

2. 混合模型ET估算性能
   SEBS-RF组合的日尺度ET估算精度最高(R²
   =0.70, KGE=0.82)，较纯物理模型提升23%。特别是在ET>3 mm/d的高值区间，避免了LR/RR方法的系统性高估。

3. 模型泛化能力验证
   在高原西北干旱区，SEBS-ML的能量不合理率比纯机器学习(PML)降低37%，证明物理约束能有效防止算法产生非物理解。

【结论与意义】
该研究开创性地实现了"物理机理+数据驱动"的双向赋能：RF算法通过捕捉r_a
与气象因子的非线性关系，弥补了传统相似理论在复杂地形的不足；而SEBS的能量守恒框架则确保了机器学习结果符合热力学定律。这种混合建模策略不仅将高原ET估算精度提升到新高度，更为寒旱区地表通量研究提供了可推广的方法论框架。正如Yixi Kan等作者强调的，该模型对理解青藏高原"变暖变湿"背景下的水文气候反馈机制具有重要价值。

研究同时揭示了机器学习与物理模型融合的普适规律：在参数化方案优化方面，RF等复杂算法优势明显；但在整体能量分配环节，物理约束不可或缺。这一发现为地球系统模型的参数化改进提供了重要启示。未来，通过融入更多植被动态参数，该模型有望进一步揭示高原生态-水文-气候的耦合机制。