基于XGBoost与SHAP的美国气候区OpenET卫星蒸散发（ET）误差诊断、校正及共形不确定性量化

《Agricultural and Forest Meteorology》：Diagnosing and correcting OpenET satellite evapotranspiration across U.S. climate zones: Error decomposition, explainable AI, and uncertainty quantification

　　

诊断并校正美国气候区OpenET卫星蒸散发（ET）：误差分解、可解释人工智能（explainable AI, XAI）与不确定性量化
• XGBoost 在五个多站点气候区中将 OpenET 的均方根误差（root mean squared error, RMSE）降低 41.9%。
• 校正机制由冬季噪声过滤转变为夏季偏差去除。
• 仅卫星输入相较 OpenET 仍保留 28.5% 的改善。
• 簇留出验证（cluster-held-out validation）保留 33.2% 的 RMSE 改善。
• 共形预测区间（conformal intervals）量化了气候依赖的经验不确定性。

蒸散发（evapotranspiration, ET）是土壤蒸发与植物蒸腾之和，是陆地水平衡中仅次于降水的第二大分量。农业系统中 ET 占耗水主导，其准确量化对灌溉调度、干旱监测和水资源分配至关重要。OpenET 集成 DisALEXI、eeMETRIC、geeSEBAL、PT-JPL、SIMS、SSEBop 六个卫星模型，提供 30 m 日尺度 ET，但验证显示其存在系统偏差，且精度随气候和季节变化。机器学习（machine learning, ML）已用于 ET 估计，但多数研究只追求精度，未解释校正机制，也缺少业务可用的不确定性估计。现有缺口包括：卫星 ET 缺少类似降水产品的误差分解；SHAP（SHapley Additive exPlanations）未用于诊断现有业务卫星 ET 产品的校正；共形预测（conformal prediction, CP）未用于卫星 ET 校正。为此，研究人员用 XGBoost 校正 OpenET，覆盖美国 22 个 AmeriFlux 涡度相关站点和六个 K?ppen 气候区，开展误差分解、气候与季节 SHAP 分析以及 CP 不确定性量化。

关键技术方法概括如下：样本队列来源为 22 个 AmeriFlux 涡度相关通量塔站点，覆盖美国连续区六个 K?ppen 气候区，2020–2025，均为 IGBP 农田，质量过滤后 29,878 个日观测。OpenET 提取集合均值和六个成员模型；地面 ET 由 AmeriFlux 潜热通量按 ET=LE/λ 计算，并采用 Bowen-ratio 能量平衡闭合校正。输入 36 个特征，涵盖 OpenET 输出、气象、MODIS NDVI、时间 lag/滚动、气候与作物编码。比较 XGBoost、LightGBM、CatBoost、Gradient Boosting、Random Forest，XGBoost 最佳。评估采用分层留出、留一站点交叉验证（leave-one-site-out cross-validation, LOSO-CV）、时间块和年份验证；用 MSE=Bias²+σ²_obs+σ²_pred?2ρσ_obsσ_pred 分解误差，TreeSHAP 解释，split-conformal 构建预测区间。

结果部分：

3.1 总体模型性能（Overall model performance）：通过留出测试集，XGBoost 达到 RMSE=0.786 mm/day，R²=0.692，MAE=0.540 mm/day，Bias=+0.036 mm/day；OpenET 集合基线 RMSE=1.343 mm/day，R²=0.102，改善 41.5%，排除单站 BWk 后改善 41.9%。月尺度上 RMSE 从 32.0 降至 14.6 mm/month，R² 从 0.139 升至 0.820，改善 54.3%。XGBoost 优于 Gradient Boosting、LightGBM、CatBoost 和 Random Forest。线性校准仅降低 22%–23.5%，XGBoost 额外贡献约 19 个百分点。气候区改善为 34.2%–49.8%，BWk 单站为 29.5% 且出现过度校正。XGBoost 在五个气候区减小 OpenET 正偏差，BWk 则产生较大负偏差。

3.1.1 特征消融分析（Feature ablation analysis）：通过消融实验，移除全部地面气象变量后，改善从 40.6% 降至 28.5%，说明仅卫星输入仍可实质校正；移除 OpenET 输出但保留气象变量，改善为 39.4%，说明校正有两条互补路径。仅用 OpenET 模型加气候和作物编码改善 22.9%，加入时间 lag 和 NDVI 后升至 29.3%。卫星-only 模型的 SHAP 中，OpenET 集合均值最重要，其次为 SIMS 和 NDVI；水限制区 NDVI 和作物类型替代 NETRAD。仅保留集合均值、移除六个成员模型时，RMSE 仅变化 0.8%，说明校正不依赖重加权个体模型。

3.2 误差分解（Error decomposition）

3.2.1 总体分解：通过 MSE 分解，XGBoost 改善的 29.9% 来自 Bias² 降低，70.1% 来自方差降低。OpenET 的 MSE 中 19.7% 为 Bias²、80.3% 为方差；XGBoost 的 MSE 几乎全为方差，偏差从 +0.596 降至 +0.036 mm/day，表明主要机制是方差降低和日噪声平滑，同时保留季节动态。

3.2.2 气候特定分解：通过分气候分解，湿润气候 Cfa、Dfa、Dwb 中方差贡献为 68%–81%，OpenET 偏差中等但日噪声高；水限制 BSk 和 Csa 中偏差校正贡献 40%–52%，OpenET 高估分别达 +1.10 和 +0.79 mm/day。XGBoost 借 OpenET 集合均值作为偏差锚点。BWk 单站为 100% 方差驱动，但负偏差超过原始正偏差，表现为过度校正。

3.2.3 季节分解：通过分季节分解，夏季偏差校正贡献 61.3%，OpenET 夏季偏差 +1.34 mm/day，RMSE 改善也最大；冬季方差降低贡献 96.8%，偏差校正仅 3.2%，冬季 OpenET 偏差接近零但日方差高。春季方差贡献 79.9%，秋季 65.2%。气候×季节分析显示，BSk 夏季偏差贡献最强，Cfa 冬季方差贡献最强。

3.3 SHAP 分析

3.3.1 总体特征重要性：通过 TreeSHAP，NETRAD 最重要，其后为 OpenET 集合均值、SIMS、风速和 NDVI；气象变量合计贡献最高，其次为 OpenET 模型、时间特征和气候编码，说明模型学习物理约束而非仅依赖气候标签。

3.3.2 气候特定 SHAP 诊断：通过气候分层 SHAP，湿润气候中 NETRAD 主导，OpenET 集合均值次之；水限制气候中 OpenET 集合均值主导，NETRAD 次之，Csa 中风速也较重要；BWk 中旱作农田指示变量和 NDVI 主导，反映单站训练下对土地覆盖和植被状态的依赖。

3.3.3 季节 SHAP：通过季节 SHAP，NETRAD 重要性夏季最高、冬季最低；OpenET 集合均值全年为持续校正锚点；SIMS 和 NDVI 在冠层活跃期贡献更强，时间 lag 和滚动特征用于平滑短期变化。原文强调这些为诊断性关联而非因果归因。

3.4 验证稳健性：通过四种验证，RMSE 均在 0.768–0.853 mm/day。分层留出 RMSE=0.786；LOSO-CV 为 0.804，退化 2.3%，湿润区迁移较好，水限制区较差；时间块验证为 0.768，未显示 lag 特征造成自相关伪增益；年份验证为 0.853，退化 8.5%。留一簇交叉验证（leave-one-cluster-out cross-validation, LOCO-CV）为 0.897，较 LOSO-CV 退化 11.6%，是最保守空间迁移估计，但仍较 OpenET 改善 33.2%。

3.5 不确定性量化：通过 constant-width CP，区间为 ±1.47 mm/day，整体覆盖 92.6%，五个多站气候区均超过 90%；单站 BWk 仅 46.9%。通过 climate-adaptive CP，以 LOSO-CV 残差校准，Dwb、Dfa、Cfa 区间收紧，水限制区加宽；BWk 覆盖升至 83.3%，区间 ±2.13 mm/day；五个多站自适应覆盖为 88.1%。研究人员指出，较低自适应覆盖来自保守校准，代表未测站点的预期覆盖；严格 90% 覆盖可在更高名义水平校准。

3.6 代表性站点展示：通过 US-UiC（Dfa）2020 年 365 天时间序列，OpenET 日方差高且夏季高估，XGBoost 降低噪声并跟踪季节动态，RMSE 从 1.002 降至 0.745 mm/day，改善 25.6%；90% 预测区间覆盖 92.9%，冬季较窄、夏季较宽。水限制站点 US-UTJ（BSk）展示夏季偏差驱动校正。

讨论部分总结：4.1 季节机制转变是核心发现，夏季偏差主导、冬季方差主导，指向夏季水限制建模和冬季云过滤、时空填补。4.2 气候依赖机制与能量限制/水限制范式一致，湿润区 NETRAD 过滤噪声，水限制区集合均值纠正高估。4.3 与 Du et al. 和 Reitz et al. 比较，研究人员强调本研究采用空间 LOSO 验证，非线性 XGBoost 较线性加权约提升两倍并揭示机制。4.4 SHAP 为 OpenET 算法改进提供诊断目标，如湿润区辐射与云、水限制区动态加权、旱作作物系数。4.5 CP 为业务水管理提供分布无关区间，constant-width 覆盖 92.6%，adaptive 区间反映预测难度。4.6 时间块验证表明 lag 特征捕捉物候而非泄漏；年份验证显示多年泛化仍需重校准。4.7 局限包括 BWk 单站、参考 ET 不确定性、共址站点膨胀 LOSO、静态 200 m 多边形、依赖地面气象、农田内部异质性。4.8 未来方向包括 ECOSTRESS/Landsat-Sentinel 高频热红外、SMAP 土壤湿度、更多水限制区通量塔、ICOS/OzFlux 全球迁移，以及网格气象替代、气候分层 XGBoost 和 CP 的 OpenET 后处理集成。

研究结论翻译：本研究开发了一个机器学习框架，用于诊断并校正 22 个 AmeriFlux 农田站点、跨六个 K?ppen 气候区的 OpenET 卫星蒸散发。XGBoost 校正使五个多站点气候区的 RMSE 降低 41.9%（1.329 至 0.772 mm/day；包含单个 BWk 站点为 41.5%），并在更保守的留一簇验证下保持 33.2% 的改善，支持空间迁移性，同时承认共址站点效应。排除地面气象输入的仅卫星配置仍取得 28.5% 改善，表明校正框架可在无塔气象观测下运行，但操作部署前应测试网格气象替代。本工作的核心贡献不是精度增益本身，而是对校正如何以及为何运行的诊断洞见。误差分解揭示了季节机制转变：夏季校正主要由偏差去除驱动，冬季校正由方差降低驱动。按气候分层的 SHAP 分析提供一致证据：湿润区 NETRAD 主导，水限制区 OpenET 集合均值主导。这些模式转化为具体建议：夏季改进水限制建模，冬季更好云过滤。CP 提供经验不确定性量化：constant-width 区间整体覆盖 92.6%，气候自适应区间反映各气候区预测难度。据研究人员所知，这是 CP 首次应用于卫星 ET 校正。框架有重要限制：空间迁移在湿润气候最强，水限制较弱，单站点 BWk 应作为案例研究。由于数据集在农田类内包含异质作物系统和管理条件，迁移声明适用于 22 站点数据集代表的作物和气候组合，而非所有农田。诊断方法本身可扩展到其他土地覆盖、卫星产品和有涡度相关验证数据的地区。