非线性地表能量分配对潜在蒸散的影响机制：基于FLUXNET数据与机器学习模型的突破性研究

《Agricultural and Forest Meteorology》：The impact of nonlinear surface energy partitioning on potential evapotranspiration: A machine learning study based on FLUXNET data

本综述基于全球FLUXNET观测数据，创新性地采用随机森林（RF）机器学习模型，揭示了无水分限制波文比（βNWL）随气候与植被条件显著变化的非线性特征，并构建了高精度的潜在蒸散（PET）估算模型（PETβNWL-RF）。该模型显著提升了干旱条件下PET估算的可靠性，为精准干旱监测与水资源管理提供了新范式。

　　

Highlight

全球与区域通量数据

全球FLUXNET通量观测网络提供了跨越不同植物功能类型（PFTs）和气候区的连续、长期气象与通量数据，为模拟地表能量平衡中的非线性关系提供了有力支持。FLUXNET数据集经过严格标准化处理，解决了诸如数据缺失和质量偏差等问题，使其成为生态、水文、气候和碳循环研究的关键资源。

β_NWL的时空变异与归因

β_NWL在不同植被类型和气候条件下表现出显著差异，并随时间动态变化。跨植被类型来看，β_NWL变化范围很广，其中位数差异高达约13倍（图3a）。观测到的最高β_NWL中位数出现在开阔灌丛带（OSH）、木本稀树草原（WSA）和密闭灌丛带（CSH），其值分别为0.40、0.32和0.29。相比之下，农田（CRO）和农田植被镶嵌区（CVM）的β_NWL中位数则低得多。

β_NWL的影响因素

β_NWL表现出显著的时空变异性。先前研究表明，β值在气候梯度上倾向于在较干旱地区较高，在较湿润地区较低，并且在不同植被类型间存在差异，在开阔灌丛带（OSH）和木本稀树草原（WSA）中高于农田（CRO）和湿地（WET）。此外，随着植被物候的进展，地表能量分配从显热（H）主导转向潜热（LE）主导，导致β_NWL在生长季降低。

结论

我们发现β_NWL表现出显著的时空变异性，随着气候条件变得干燥，可用能量中分配给显热通量的部分增加。我们还采用了随机森林回归模型（RF）来分析β_NWL的影响因素，并基于来自全球FLUXNET网络的大量可靠观测数据，模拟了β_NWL与多个环境变量之间的非线性关系。一项基于机器学习的地表能量...