《Journal of Hydrology: Regional Studies》:Improving evapotranspiration estimation by integrating process-based biophysical variables into a deep learning approach
编辑推荐:
准确估算蒸散发(ET)对于理解区域生态水文过程至关重要。基于物理过程的模型如Penman-Monteith-Leuning(PML)模型具有鲁棒性,但常受固定参数化方案的限制;而数据驱动方法如长短期记忆(LSTM)网络能够捕捉非线性关系,但严重依赖训练数据。为
准确估算蒸散发(ET)对于理解区域生态水文过程至关重要。基于物理过程的模型如Penman-Monteith-Leuning(PML)模型具有鲁棒性,但常受固定参数化方案的限制;而数据驱动方法如长短期记忆(LSTM)网络能够捕捉非线性关系,但严重依赖训练数据。为克服这些局限,研究人员开发了一种混合模型(PML-LSTM),将PML模拟的生物物理变量整合到LSTM网络中。模型性能在三个建模层次(局地(站点)、类型(植被类型)和群组(森林与非森林))上与独立PML和LSTM模型进行了系统评估。该研究区域涵盖103个FLUXNET2015通量塔站点,分布于多样气候和生态区域。
蒸散发(ET)是陆地生态系统水分损失的主要途径,在全球水文循环及水-碳-能量交换中发挥关键作用。准确估算ET对理解区域水循环和评估水资源安全具有重要意义,尤其在气候变化和人类活动加剧的背景下。然而,由于气候动力学的内在复杂性和陆地表面特性的空间异质性,ET的定量估算长期以来面临重大挑战。涡动相关(EC)通量塔观测虽能提供相对高精度的局地ET测量,但其高昂的安装维护成本及有限的空间代表性限制了其在大尺度长期连续监测中的应用。遥感技术的快速发展为ET估算提供了丰富的数据源和创新方法,目前遥感ET估算方法主要分为经验统计模型和基于物理过程的模型两类。经验模型结构简单但泛化能力有限;基于物理过程的模型则具有更强的过程可解释性和跨区域应用潜力。其中,Penman-Monteith(PM)模型被广泛认可为ET估算的标准框架,而整合PM原理与遥感表面信息的PML模型在多样生态系统和空间尺度上表现出良好的生物物理适应性,相关产品已广泛应用于水文预测、多产品ET比对及区域至全球水平衡研究。然而,基于物理过程模型的结构复杂性和参数化需求常导致异质性或数据受限区域的不确定性,限制了其适用性和泛化能力。
近年来,数据驱动的深度学习方法因建模复杂非线性关系和处理大规模数据集的卓越能力而成为水文学中的有力工具。LSTM网络和卷积神经网络(CNN)等算法在ET估算中得到日益广泛的应用。然而,深度学习模型的性能高度依赖于输入数据集的代表性,多数应用中植被动态主要通过叶面积指数(LAI)或归一化植被指数(NDVI)等遥感指数表示,而气孔导度等关键生物物理变量因难以从直接观测或遥感数据中获取而很少被纳入。将深度学习与基于过程的方法相结合的混合模型也受到越来越多的关注,例如将物理模型模拟的变量纳入深度学习框架。这类方法结合了深度学习的预测灵活性和物理模型的可解释性,已在某些水文应用中显示出改善预测性能的潜力。已有研究主要依赖PML模型的最终ET输出,而对ET模拟过程中产生的中间生物物理变量的潜在价值关注甚少。基于过程的ET模型通常在叶片和冠层水平上整合植物生理学知识,能够模拟难以直接观测的关键生物物理变量,为深度学习模型捕捉ET对环境变异的复杂响应提供有价值的信息。
ET过程及其对环境变异的响应在不同植被类型间存在显著差异。森林生态系统通常具有更高的ET率和更复杂的水分调节策略,而草地和农田等因根系较浅,对土壤湿度变化高度敏感,在高温或高水汽压亏缺(VPD)条件下常通过降低气孔导度来限制蒸腾、保存水分。尽管将深度学习与PML框架相结合的应用显示了混合策略的前景,但多数研究仍局限于局地案例分析,缺乏对不同植被类型和天气条件下系统评估。为应对这些挑战,研究人员开发了融合PML模拟关键生物物理变量的PML-LSTM混合模型,旨在增强深度学习模型捕捉植被生理调节和复杂环境条件下ET响应的能力。该研究利用来自全球103个涡动相关通量塔站点、代表10种主要植被类型的数据,系统评估了PML、LSTM和PML-LSTM三种模型的ET估算性能,发表于《Journal of Hydrology: Regional Studies》。
该研究主要采用以下关键技术方法:研究基于FLUXNET2015全球通量观测网络中经严格质量筛选的103个EC通量塔站点数据,涵盖10种主要植被类型,包括农田、落叶阔叶林、常绿阔叶林、常绿针叶林、草地、混交林、开放灌木地、稀树草原、湿地和木本稀树草原。气象和通量观测数据经严格质控和能量平衡修正后使用。卫星衍生植被和地表属性数据包括MCD15A3H.006 LAI产品、MCD43A3.006地表反照率产品和MOD11A2.006地表发射率产品,以及NOAA全球监测实验室的大气CO?浓度数据。模型方面,PML模型(即PML-V2)作为独立物理基准模型和混合模型生物物理变量来源,其9个关键参数采用SCE-UA算法进行率定;LSTM网络采用2层堆叠架构(每层120个隐藏单元)、100天序列长度、3%dropout率、80个训练周期和0.001学习率;PML-LSTM混合模型在LSTM基础上额外整合PML模拟的气孔导度(gs)、冠层导度(Gc)、冠层可用能量(Ac)和平衡土壤蒸发(Es_eq)四个中间变量。实验设计包括分组验证、站点尺度的留一法(LOO)交叉验证,以及基于95%分位数阈值识别极端高温和高VPD条件的极端天气外推实验,三个模型均在局地、类型和群组三个层次上进行构建和评估。
**3.1 输入变量相关性分析**
在模型评估前,研究人员分析了所有输入变量与观测ET之间的相关性。结果表明,各变量与ET的相关性在空间上存在显著异质性,反映了植被 type 和天气条件对ET过程的重要影响。环境变量中,LAI和入射短波辐射(Rs_in)与ET表现出相对较强的相关性(中位数r2>0.5),而风速、大气CO?浓度和地表发射度的相关性明显较弱。在生物物理变量中,冠层可用能量(Ac)与ET的相关性最强,中位数和平均r2均超过0.7。冠层导度(Gc)和平衡土壤蒸发(Es_eq)与ET的相关性空间变异显著。气孔导度(gs)在农田和湿地中明显高于其他植被类型,可能与灌溉活动和持续湿润的土壤条件有关。值得注意的是,gs在森林生态系统中与ET呈负相关(中位数r=-0.341),而在非森林生态系统中呈正相关(中位数r=0.247),这可能归因于森林植被更深的根系和更复杂的冠层结构增强了其调节水分损失的适应性。Gc和Ac在所有植被类型中均与ET呈强正相关,而Es_eq在非森林植被类型中较高,与稀疏冠层覆盖允许更多辐射到达土壤表面有关。这些相关性分析证实了生物物理变量作为模型输入 relevance,并揭示了其与ET之间复杂的非线性关系。
**3.2 ET估算模型性能**
**3.2.1 总体性能**
根据实验设计,三种ET模型在分组验证方案下于三个建模层次进行了训练和评估。总体而言,所有三种模型在不同层次上均表现出良好的ET估算性能,校准期和验证期的平均NSE分别为0.914和0.852,平均RMSE低于0.5 mm·d?1。数据驱动的LSTM和混合PML-LSTM模型优于基于过程的PML模型。PML-LSTM模型在所有层次上均实现了最高的R2和NSE值以及最低的RMSE值。与LSTM模型相比,PML-LSTM模型在局地、类型和群组层次上分别将验证期NSE提高了0.033、0.034和0.060,同时将RMSE分别降低了0.054 mm·d?1、0.070 mm·d?1和0.132 mm·d?1。PML模型虽然能有效捕捉ET的一般变异,但在类型和群组层次上存在系统性偏差,倾向于低估高ET值而高估低ET值,其验证期NSE从局地层次的0.843下降至群组层次的0.766。相比之下,LSTM和PML-LSTM模型在类型和群组层次的表现优于局地层次,表明深度学习方法能够通过多站点数据的协同学习更有效地捕捉ET变化模式。然而在局地层次,两种模型均表现出明显的训练-验证性能差距,校准NSE高于0.97而验证NSE分别降至0.818和0.851,这主要归因于各站点训练样本有限。PML模型的训练与验证性能差异最小,反映了基于过程模型的内在鲁棒性。随着训练样本量从局地到类型和群组层次的大幅增加,PML-LSTM模型的训练-验证差距得到有效缓解,验证性能稳步提升,而LSTM模型仍存在一定性能退化。
**3.2.2 不同植被类型的性能**
为进一步探究ET模型性能差异并评估其在各植被类型中的适用性,研究人员按植被类型对验证期所有通量塔站点的NSE值进行了分类比较。在局地层次,PML模型在多数植被类型中实现了略优于LSTM和PML-LSTM模型的精度,后两者在常绿阔叶林、草地和农田等类型中表现相对较差。尽管如此,PML-LSTM模型在几乎所有植被类型中均优于LSTM模型,103个站点的中位数验证NSE从0.615提升至0.750,提高了21.9%。在类型层次,LSTM和PML-LSTM模型均显著提升了ET估算精度,在所有植被类型中均优于PML模型,在非森林类型中优势尤为明显。例如,在木本稀树草原中,PML模型的中位数NSE为-0.076,而LSTM和PML-LSTM模型分别达到0.767和0.911。PML模型从局地层次扩展到类型层次时性能普遍下降,反映了在基于过程的模型中应用统一参数设置可能无法捕捉同一植被类型内ET过程的空间异质性。在群组层次,PML模型性能进一步恶化,在森林生态系统中的估算精度仍高于非森林生态系统。LSTM模型在非森林类型中也较其类型层次表现显示出更大不确定性。相比之下,PML-LSTM模型在所有植被类型中均保持较高的ET估算精度,中位数NSE值均超过0.8,表现出高度的稳定性和可靠性。
**3.2.3 不同天气条件下的性能**
为评估模型在不同天气条件下的性能,研究人员将分组验证的验证样本按温度和VPD进行分层分析。结果表明,高温和高VPD条件对所有模型均构成重大挑战,导致性能较非极端天气条件下降。高温条件下,PML、LSTM和PML-LSTM模型的平均NSE分别从0.793、0.860和0.899降至0.621、0.680和0.773;高VPD条件下分别从0.798、0.862和0.901降至0.632、0.707和0.781。总体而言,模型在高VPD条件下的表现略优于高温条件。非极端时期,PML-LSTM模型在所有层次上均持续优于其他模型。极端条件下,模型性能在不同建模层次间存在差异:局地层次上,PML模型表现出更大鲁棒性,高温和高VPD条件下的总体NSE分别为0.681和0.698,均超过LSTM模型(0.616和0.635)和PML-LSTM模型(0.637和0.666);而在类型和群组层次,PML-LSTM模型在多数植被类型中均表现最佳,高温期总体NSE分别达到0.822和0.860,高VPD期分别达到0.822和0.856。值得注意的是,即使在数据驱动模型遭受显著性能退化的局地层次极端条件下,PML-LSTM模型仍较独立LSTM模型保持明显优势。
**3.3 ET模型的泛化能力**
**3.3.1 对未观测站点的空间泛化**
为评估模型的空间泛化能力,研究人员在类型和群组层次比较了留一法交叉验证策略下的ET估算性能。泰勒图分析显示,在LOO交叉验证策略下,PML-LSTM模型始终表现优异,其群组层次的散点最接近理想点(CC=1, NSD=1, RMSE=0),多数植被类型相关系数CC>0.85,NSD值最接近1.0,RMSE值最低(<0.5 mm·d?1)。PML和LSTM模型则表现出更分散的分布和较高的RMSE。PML模型在分组验证与LOO交叉验证策略间的性能差异最小,凸显了基于过程模型对训练样本变化的鲁棒性。LSTM和PML-LSTM模型在交叉验证策略下准确性均有所下降,尤其在样本有限或空间异质性高的植被类型(如开放灌木地)中,但PML-LSTM模型较LSTM模型表现出更强的稳定性,特别是在群组层次。
**3.3.2 对未见极端天气的时间泛化**
为评估模型超出训练数据分布的时间泛化能力,研究人员开展了极端天气外推实验,将所有极端日(温度或VPD高于95%分位数)完全排除在训练数据集之外,仅在这些保留的极端日进行验证。结果表明,LSTM模型在局地层次表现较差,高温和高VPD条件下的中位数NSE分别为0.313和0.410,中位数RMSE分别为0.744 mm·d?1和0.743 mm·d?1,揭示了仅在非极端数据上训练的LSTM模型在极端条件下的有限时间泛化能力。PML模型在类型和群组层次较局地层次出现显著性能退化,高温条件下中位数NSE从0.387降至0.186和0.153,高VPD条件下从0.409降至0.144和0.116。相比之下,混合PML-LSTM模型在高温和高VPD条件下均表现出卓越的鲁棒性和一致性,在三个层次上的NSE均高于0.45,RMSE值普遍低于0.5 mm·d?1,且RMSE分布更窄、大误差日比例更低。这些结果表明,整合生物物理变量增强了PML-LSTM模型在先前未见的极端天气条件下的稳定性和鲁棒性。
在讨论部分,研究人员首先将该研究与以往ET估算研究进行了比较。PML-LSTM模型在群组层次的验证期总体NSE达到0.933,不同植被类型站点的中位数NSE普遍超过0.9,显著优于许多现有基于过程的模型。与数据驱动和混合方法相比,PML-LSTM模型也显示出更优的性能,其RMSE(0.345 mm·d?1)远低于Zhao等(2019)的混合模型(1.30 mm·d?1)和Chen等(2022)的模型(1.74 mm·d?1)。
研究人员进一步从多层次角度系统比较了三种ET建模方法。在类型和群组层次,LSTM和PML-LSTM模型显著优于PML模型,表明深度学习方法在使用多站点数据集训练时能有效捕捉ET与环境因子之间的复杂关系。PML-LSTM模型通过整合PML模拟的过程变量进一步提升了纯LSTM模型的性能,体现了物理机制与数据驱动方法相结合的协同效益。在该混合框架中,PML模拟的生物物理变量提供了结构化、基于过程的非线性响应信号,而LSTM组件学习PML方程未能充分表达的残余非线性相互作用和时间依赖性。PML模型在局地层次和LOO交叉验证中表现出更大鲁棒性,这归因于其依赖显式物理过程机制而对数据可用性敏感度较低。LSTM和PML-LSTM模型的性能则更强烈地依赖于训练数据的可用性和代表性,在局地层次均出现明显的训练-验证性能差距。当训练规模从局地扩展到类型和群组层次时,三种模型响应各异:PML模型性能随尺度增加而退化,反映了使用统一参数设置表征植被类型内及类型间ET过程变异性的局限;数据驱动模型则受益于更大的训练数据集,但LSTM模型在群组层次某些植被类型中性能下降,可能与样本分布不平衡和高过程复杂性有关。PML-LSTM模型在所有层次上均表现出高度稳定性和估算精度,表明整合过程变量增强了模型对复杂生态系统的适应性,缓解了数据驱动模型对样本数量和分布的依赖。
研究人员还深入探讨了将基于过程的变量整合到基于深度学习的ET估算中的机制。ET是受天气条件、植被特征和土壤湿度动态相互作用调控的复杂生物物理过程。植被通过气孔调节、根系水分吸收和能量分配等生理机制调节水分利用,且这些响应机制在不同植被类型间差异显著。尽管深度学习模型具有强大的预测能力,但因其依赖代表性训练数据且缺乏可解释性,在捕捉复杂生理ET响应方面面临挑战。该研究整合的关键生物物理变量提供了明确的过程信号:气孔导度(gs)直接反映植被对高温和高VPD等环境胁迫的响应;冠层导度(Gc)提供冠层尺度生理调节的更稳定指示;冠层可用能量(Ac)代表净辐射在冠层与土壤表面间的分配,与ET相关性最强;平衡土壤蒸发(Es_eq)表征ET动态中能量供给与水分限制的耦合。结果显示,与非极端条件相比,PML-LSTM模型相对于LSTM模型的相对性能增益在高温条件下显著增加。极端高温胁迫导致广泛的气孔关闭,使gs和Gc急剧下降,同时Es_eq与观测ET的线性关系从正变负,反映了ET过程从能量限制向水分限制的转变。整合基于过程的生物物理变量提供了植被生理调节和能量-水分分配的关键信息,显著提升了ET估算的准确性和泛化能力。
关于ET估算的不确定性,研究人员指出,将通量塔站点学到的模型知识转移到无观测区域仍面临重大挑战。即使同一植被类型内,ET响应也因地理位置、局地气候、土壤性质等因素存在显著差异。此外,尽管PML-LSTM模型在未观测条件下表现出强时空泛化能力,其在FLUXNET网络之外区域的实际适用性尚未经明确验证。未来研究将致力于应用PML-LSTM模型到未监测区域,通过使用全球可用的再分析和遥感数据集作为输入,并进一步评估模型在全球ET产品和流域尺度水平衡估计中的一致性、准确性和可靠性。
研究结论部分,研究人员指出,准确估算ET因气候变异性和空间异质性仍面临重大挑战。为应对基于物理过程的模型和数据驱动方法各自的局限性,该研究探索了将关键生物物理过程变量整合到深度学习框架中的潜力。通过在不同策略下于三个层次(局地、类型和群组)开发PML模型、LSTM网络和混合PML-LSTM模型,系统分析了其ET估算性能和时空泛化能力。主要发现如下:(1)混合PML-LSTM模型在ET估算精度和泛化能力方面均优于PML和LSTM模型。与环境因子驱动的LSTM模型相比,PML-LSTM模型在局地、类型和群组层次分别将中位数NSE提高了0.134、0.150和0 duk。这一优势在极端天气条件下更为显著,高温和高VPD期某些植被类型的NSE从接近零提升至0.8以上。PML-LSTM模型在LOO交叉验证和极端天气外推实验中也表现出稳健的ET估算性能,RMSE值普遍低于0.5 mm·d?1,凸显了其卓越的时空泛化能力。(2)ET估算性能因训练层次和植被类型而异。PML模型在数据有限条件下(如局地层次有限样本)具有特异性鲁棒性,但在高度异质性的非森林植被类型中性能显著下降,反映了固定参数集在捕捉复杂ET过程方面的局限。相比之下,LSTM和PML-LSTM模型在类型和群组层次随训练数据量增加而表现出改善的适应性和估算精度,表明深度学习方法能够利用大规模多站点数据集更好地捕捉ET对环境变异的响应。(3)整合生物物理过程变量提升了深度学习模型的ET估算性能。PML-LSTM模型相对于LSTM模型的显著优势表明,气孔导度等生物物理变量提供了关键的过程信息,使混合模型能够捕捉纯数据驱动方法常忽视的复杂ET动态。这种整合还改善了混合模型在多样环境条件下的可解释性和鲁棒性。