超干旱气候下蒸发皿蒸发的混合残差建模：可解释神经网络架构与物理驱动因素的对比研究

为解决超干旱地区蒸发量精准预测难题，研究人员创新性地提出融合逐步线性回归(SWLR)与四种神经网络(FNN/LSTM/CNN/ESN)的混合残差学习框架。该研究在科威特两个气象站验证显示，SWLR-FNN和SWLR-LSTM组合在预测精度(R2>0.98)、噪声鲁棒性(20%噪声下保持97%准确率)和空间泛化性方面表现最优，为干旱区水文预报提供了兼具物理可解释性与AI预测性能的新范式。

　　

在气候变化加剧的背景下，全球干旱半干旱地区正面临日益严峻的水资源危机。作为水文循环的关键环节，蒸发(Evaporation)过程直接影响着农业灌溉效率、水库调度决策和生态系统平衡。然而在科威特等超干旱(hyper-arid)地区，极端气温(常超50°C)与年蒸发量(>3500mm)使得传统蒸发皿(Epan)测量和经典Penman方程面临巨大挑战：直接观测成本高昂易受干扰，而理论模型需要复杂气象参数且难以捕捉非线性关系。更棘手的是，这些地区气象站点稀疏、数据质量不稳定，亟需开发兼具物理可解释性和预测鲁棒性的新型计算模型。

针对这一科学难题，Kuwait University的研究团队在《Journal of Hydrology: Regional Studies》发表创新成果。研究者设计了一套融合逐步线性回归(Stepwise Linear Regression, SWLR)与四种神经网络架构的混合残差学习框架，通过分解蒸发过程的线性与非线性组分，在科威特国际机场(KIA)和Abdaly气象站的对比实验中，系统评估了模型在极端环境下的预测性能。研究采用五折时序交叉验证，通过R²、RMSE等指标量化精度，结合KL散度评估分布一致性，并创新性地引入20%高斯噪声测试鲁棒性，最后通过站间迁移实验验证泛化能力。

时间序列预测性能
SWLR-FNN和SWLR-LSTM在KIA站实现R²>0.996，能精准捕捉>12mm/d的极端蒸发事件，而SWLR-ESN因相位滞后导致误差(RMSE=0.61mm/d)。Abdaly站因微气候异质性所有模型性能略有下降，但FNN仍保持0.9963的R²。

分布特性再现
核密度估计显示FNN/LSTM hybrids完美复现蒸发量单峰分布(峰值7-9mm/d)，而ESN预测值出现>15mm/d的虚假尾部，其KL散度(0.00965)显著高于FNN(3×10^-5)。

残差诊断
FNN残差呈零均值高斯分布(Q-Q图斜率=1)，而CNN在低蒸发量(<5mm/d)呈现漏斗型异方差，反映卷积结构对局部特征过度敏感。

噪声鲁棒性
在20%输入噪声下，FNN保持R²>0.97的稳定表现，而ESN精度骤降8%，揭示储层计算对参数初始化的敏感性。

空间泛化能力
跨站迁移测试中，LSTM模型R²仅降低10%，远优于CNN的15%衰减，证实门控机制对气候异质性的适应优势。

这项研究开创性地将可解释线性模型与深度学习结合，首次在蒸发预测中应用SWLR-ESN架构并系统比较了时序模型的残差修正能力。其核心突破在于：物理驱动(SWLR)与数据驱动(FNN/LSTM)的协同作用——前者量化温度/辐射等变量的线性贡献，后者学习滞后效应与变量交互作用。这种"白盒+黑盒"策略不仅将预测误差降低至0.23mm/d，更通过SWLR系数揭示了湿度(β=-0.32)比风速(β=0.15)对科威特蒸发的调控更强，为节水措施提供了靶向依据。该框架可扩展至土壤湿度、参考蒸散发(ET₀)等水文变量预测，对发展中国家的干旱预警系统建设具有重要实践价值。