半干旱区三种地表覆被类型蒸散发估算的物理约束深度学习研究

《Agricultural Water Management》:Physics-constrained deep learning of evapotranspiration estimation: A case study of three land cover types in semi-arid regions

【字体: 大 中 小 】 时间:2026年10月23日 来源:Agricultural Water Management 7.8

编辑推荐:

  提出了一种物理约束的深度学习蒸散发(ET)估算方法。该方法在精度和物理可解释性方面实现了同步提升。过度的物理约束会削弱深度学习的数据拟合能力。这些模型的性能随地表类型的不同表现出显著差异。研究提出了物理约束的蒸散发估算深度学习方法,实现了精度与物理可解释性的同

  
提出了一种物理约束的深度学习蒸散发(ET)估算方法。该方法在精度和物理可解释性方面实现了同步提升。过度的物理约束会削弱深度学习的数据拟合能力。这些模型的性能随地表类型的不同表现出显著差异。研究提出了物理约束的蒸散发估算深度学习方法,实现了精度与物理可解释性的同步提升,但过度的物理约束会削弱深度学习的数据拟合能力,且模型性能随地表类型的不同表现出显著差异。

论文解读

一、研究背景与问题

蒸散发(Evapotranspiration, ET)是陆地水循环中仅次于降水的第二大分量,全球范围内约占年降水量的60%–70%,在调节陆气间能量与水分交换中发挥着关键作用。准确量化蒸散发对于理解区域水资源可利用性、生态需水、气候变化影响及水文循环动态至关重要,尤其是在水资源稀缺的内陆河流域。黑河流域(Heihe River Basin, HRB)是中国西北干旱区第二大内陆河流域,经济发展与有限水资源之间的竞争持续存在,因此精确估算蒸散发的时空格局对于支撑科学 informed 的水资源管理和可持续发展政策具有重要意义。
随着人工智能的快速发展,数据驱动的机器学习方法,尤其是深度学习,在地球科学中得到了广泛应用。各种深度学习架构,如DBN、DNN、CNN、RNN和LSTM网络,已逐步应用于蒸散发估算和空间尺度扩展。与传统的机理模型和经验模型相比,深度学习方法展现出更强的灵活性和泛化能力。然而,尽管数据驱动的蒸散发模型在非线性映射方面表现强大,能够直接建立环境变量与观测蒸散发通量之间的关系,但它们很大程度上忽视了物理机制,更注重模拟精度而非过程真实性。这种物理约束的缺失引发了一系列问题:模型可解释性差、非平稳气候条件下的泛化能力有限,以及可能违反基本生物物理定律。
为此,混合建模框架应运而生,将基于过程的物理公式与数据驱动模型相结合,被视为下一代地表参数估算的极具前景的途径。已有研究在蒸散发估算的混合建模方面取得了一些进展,大致可分为三类:以物理模型为基础、用深度学习替代物理模型框架内的子模块;以深度学习架构为主、将物理知识纳入学习架构;采用并行策略将两类方法串联集成。然而,物理约束与数据驱动学习的有效整合程度,以及这些模型在不同生态系统和极端气候条件下的泛化性和韧性,仍未被充分理解,需要进一步系统研究。此外,建立统一稳健的混合建模框架,并在数据受限条件下对异质地表进行严格验证和应用,仍需大量努力。因此,本研究旨在构建两个受物理过程引导的深度学习蒸散发估算模型,并在黑河流域三种代表性下垫面(高寒草地、农田和灌木)上评估其性能和有效性。

二、研究内容与结论

本研究的主要内容包括:(1)开发两种物理约束的深度学习蒸散发模型:一种将地表能量平衡方程纳入损失函数,另一种应用能量平衡模型进行后处理校正;(2)系统比较两种约束嵌入策略及其对约束强度的敏感性,涵盖三种土地覆被类型;(3)分析建模结果的影响和不确定性。
研究得出以下主要结论:物理约束的深度学习方法在蒸散发估算中实现了精度和物理可解释性的同步提升;然而,过度的物理约束会削弱深度学习的数据拟合能力;模型性能随地表类型的不同表现出显著差异。

三、关键技术与方法

研究人员采用长短期记忆网络(Long Short-Term Memory, LSTM)作为数据驱动的基础模型,该网络通过细胞状态(Ct)和门控机制(遗忘门Ft、输入门It、输出门Ot)解决传统循环神经网络(RNN)的长期依赖局限。研究构建了两种物理约束策略:一种将地表能量平衡方程(Rn = H + LE + G0)作为物理约束项嵌入损失函数,另一种采用能量平衡模型对深度学习输出进行后处理校正。研究数据来源于黑河流域三个超级站——阿柔站(高寒草地,海拔3033 m)、大满站(农田,海拔1556 m)和四道桥站(SDQ,河岸灌木,海拔873 m),使用2012–2020年的涡度协方差(Eddy-Covariance, EC)湍流通量数据、自动气象站(AWS)观测数据及人工观测的叶面积指数(LAI)、冠层覆盖度(fc)和植被冠层高度(hc)数据。EC数据经EddyPro软件处理,采用Bowen比率法(BR)校正H和LE通量以验证物理约束深度学习的输出。

四、研究结果

两种物理约束嵌入策略的构建与比较:研究人员开发了两种物理约束深度学习蒸散发模型,一种将地表能量平衡方程纳入损失函数,另一种采用能量平衡模型进行后处理校正,并系统比较了两种策略在三种土地覆被类型上的性能。
约束强度的敏感性分析:研究考察了物理约束强度对模型性能的影响,发现过度的物理约束会削弱深度学习的数据拟合能力,表明物理约束与数据驱动学习之间需要平衡。
不同下垫面类型的模型性能差异:研究结果表明,模型性能随地表类型的不同表现出显著差异,反映了不同生态系统的异质性对蒸散发估算的影响。

五、讨论与结论

讨论部分指出,物理约束的混合模型不仅能降低物理过程模型的不确定性,还能增强数据驱动方法的可解释性。然而,混合模型能否应用于多种下垫面仍是一个重要问题,需要进一步研究如何开发同时整合数据驱动和物理方法的双驱动蒸散发估算模型,以实现两种范式的有效结合。
研究结论表明,物理约束的深度学习方法在蒸散发估算中实现了精度和物理可解释性的同步提升。但过度的物理约束会削弱深度学习的数据拟合能力,且模型性能随地表类型的不同表现出显著差异。该研究为半干旱区不同土地覆被类型的蒸散发估算提供了新的方法论框架,对水资源管理和生态可持续发展具有重要的科学意义和应用价值。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号