基于专家混合模型(ISMoE)的可解释性土壤湿度估算框架研究——以青藏高原为例

针对土壤湿度估算中模型可解释性差与环境因子独立性不足的问题，研究人员提出基于专家混合模型(MoE)的可解释框架ISMoE，通过50个独立CNN-LSTM专家网络处理ERA5-Land环境因子，结合动态路由网络实现青藏高原多气候带(干旱区NGARI/苔原NAQU/季风区MAQU)的高精度估算(CC值0.858-0.958)，揭示区域特异性驱动因子如积雪辐射/湖泊热效应/季风环流的季节贡献模式，为水文过程机理研究提供新范式。

　　

土壤湿度作为陆地水循环的核心要素，不仅调控着地表-大气间水热交换，还能通过土壤湿度-大气耦合效应放大气候变化趋势。然而在青藏高原这类具有复杂地形、异质地表及冻融循环的特殊区域，传统物理模型存在计算成本高、统计模型难以捕捉非线性关系等问题。更关键的是，主流机器学习方法如CNN-LSTM虽能整合多源数据，却因"黑箱"特性无法解析各环境因子(如降水/辐射/风速)的独立贡献机制，严重制约模型在水资源管理中的应用可信度。

针对这一双重挑战，中国国家自然科学基金等项目支持的研究团队创新性地将自然语言处理领域的专家混合模型(Mixture-of-Experts, MoE)引入水文建模，构建ISMoE框架。该研究选取青藏高原三大气候区——干旱型NGARI、苔原型NAQU和季风型MAQU作为验证场景，在《Journal of Hydrology》发表的成果表明：通过50个并行专家网络分别处理ERA5-Land的对应环境因子，配合门控路由网络的动态加权机制，不仅实现CC值0.858-0.958的估算精度(显著优于传统CNN-LSTM和再分析数据SMAPL3/ERA5-Land)，更通过路由权重首次量化揭示积雪辐射(干旱区)、湖泊热效应(苔原带)和季风环流(湿润区)等关键驱动因子的季节贡献规律。

关键技术包括：1)基于国际土壤湿度网络(ISMN)和ERA5-Land再分析数据构建多源数据集；2)设计50个空间-时间专家网络(CNN提取空间特征，LSTM捕获时序动态)；3)引入可微路由网络实现专家输出的动态加权；4)采用分气候区独立训练策略验证模型泛化能力。

【Study area and in-situ data】
研究选取海拔4320米的青藏高原三大典型区：NGARI(干旱强辐射)、NAQU(冻土湖泊密集)和MAQU(季风降水显著)，利用ISMN地面观测数据验证发现，ISMoE在冻土区NAQU表现最优(CC=0.958)，因其专家网络精准捕获湖泊热力对冻融过程的调制效应。

【Method】
框架创新点在于：每个专家对应特定ERA5-Land变量(如风速专家仅处理u₁₀/v₁₀分量)，CNN-LSTM联合架构中，3D卷积核提取9×9km空间模式，LSTM层建模旬尺度滞后响应。路由网络则通过softmax权重反映因子贡献度，如MAQU区夏季风期降水专家权重达0.38±0.05。

【Results and discussion】
对比实验显示：1)ISMoE在三大区的RMSE比均值集成模型降低12.7-18.3%；2)路由权重揭示NGARI区积雪专家冬季权重(0.41)显著高于夏季(0.07)，与冰川消融规律吻合；3)SMAPL3在MAQU区 monsoon season 系统性高估因未能解析季风锋面过程，而ISMoE通过风速专家捕捉到边界层混合效应。

【Conclusion】
该研究开创性地证明：1)MoE架构能有效解耦土壤湿度影响因子的独立贡献，其路由权重与物理过程具有显著一致性；2)气候区特异性专家组合(如NAQU的湖泊热力专家)是提升精度的关键；3)框架为"深度学习+物理机制"融合建模提供新思路，后续可扩展至永冻层碳循环等跨尺度水文过程研究。研究获得的多气候区土壤湿度数据集(DOI:10.xxx)已被纳入第二次青藏科考数据平台。