CA-moDWT：一种用于全球土壤湿度预测的通道注意力多尺度框架

《Water》：CA-moDWT: A Channel-Attentive Multiscale Framework for Global Soil Moisture Prediction

　　

土壤湿度将降水与蒸散发同地表水与能量交换联系起来，使其成为陆地水循环、干旱监测、农业水资源管理和生态系统评估的核心变量。因此，可靠的土壤湿度预测对于理解地表湿度动态和支持水资源管理至关重要。然而，现有深度学习模型面临两个关键局限：第一，原始时间序列包含难以区分的短期波动、周期性变化和长期趋势；第二，多尺度分解会产生大量对预测贡献不等的特征，简单组合可能引入冗余信息。为克服这些局限，研究人员开发了一种结合最大重叠离散小波变换（moDWT）与通道注意力（CA）的多尺度预测框架。moDWT将每个动态输入变量分解为表征不同时间尺度的分量，同时保留原始序列的长度与对齐关系。CA模块随后在时间预测阶段之前自适应调整与不同输入变量和时间尺度相关联的分解通道的相对贡献。研究人员使用三种深度学习架构评估了该框架：长短期记忆（LSTM）、双向长短期记忆（BiLSTM）和编码器-解码器长短期记忆（Encoder–Decoder LSTM）。CA-moDWT策略在三种架构上均一致地提升了预测性能。相对于基线LSTM，CA-moDWT-LSTM取得了最大的总体改进。其R²从0.7911提升至0.8563，KGE从0.8082提升至0.8850，同时ubRMSE从0.0186降至0.0163 m³ m^?3，Bias幅度从0.0165降至0.0132 m³ m^?3。这些变化分别对应R²和KGE增加8.24%和9.50%，以及ubRMSE和Bias幅度减少12.37%和20.00%。在土壤湿度变率较高的区域，包括北美、南美、东欧和东亚的部分地区，改进尤为显著。这些发现表明，将多尺度分解与自适应特征加权相结合，可使深度学习模型更有效地表征复杂的土壤湿度动态，并为全球次日土壤湿度预测提供了一种有前景的方法。

土壤湿度是连接降水与蒸散发、地表水与能量交换的关键变量，对陆地水循环、干旱监测、农业水资源管理和生态系统评估具有重要意义。然而，现有数据源各有局限：站点观测空间覆盖不足，微波卫星主要反演近地表湿度且受植被和积雪影响，陆面模型和再分析产品依赖输入数据质量。深度学习模型虽然能学习复杂非线性关系，但在直接使用原始时间序列时，难以区分短期波动、周期性变化和长期趋势；同时，多尺度分解会产生大量贡献不等的特征，简单拼接可能引入冗余信息。为此，研究人员提出了结合最大重叠离散小波变换（maximum overlap discrete wavelet transform，moDWT）与通道注意力（channel attention，CA）的预测框架（CA-moDWT），旨在分离多尺度时间模式并对特征通道进行自适应加权。

研究人员使用LandBench 1.0数据及配套数字高程模型（DEM），在全球0.25°经纬度网格上开展实验。数据按时间划分为训练期（2000–2018）、验证期（2019）和测试期（2020）。动态预测变量包括降水、湿度、气温、风、辐射和土壤温度等，静态属性包括土地覆盖、土壤持水能力、地形和土壤质地。目标变量为ERA5-Land表层（0–7 cm）体积土壤含水量。关键方法包括：利用moDWT对每个动态变量进行多尺度分解，保留各分量与原始序列相同的长度和时间对齐；通过CA模块对多尺度特征和静态属性进行通道归一化、时间聚合和残差重加权；采用三种时间序列架构——长短期记忆（LSTM）、双向长短期记忆（BiLSTM）和编码器-解码器长短期记忆（Encoder–Decoder LSTM）——进行次日预测。评估指标为决定系数（R²）、Kling–Gupta效率（KGE）、无偏均方根误差（ubRMSE）和系统性偏差（Bias）。

研究结果包括以下方面。4.1 全球KGE和系统偏差分布：通过箱线图比较三种架构在基线、仅CA、仅moDWT和CA-moDWT四种配置下的表现，发现moDWT相关配置整体上使KGE分布上移、Bias更接近零，其中CA-moDWT-LSTM获得最高KGE和最小Bias，表明多尺度分解和通道加权改善了预测的空间一致性。4.2 性能变化的空间模式：空间图显示CA-moDWT在北美、欧亚中部、东亚和澳大利亚部分地区带来大面积正变化，而在北非、中东等干旱半干旱区域改进较小或为负，说明该策略在土壤湿度受短期和长期因素共同影响的区域最有效。4.3 不同土壤湿度范围的预测一致性：密度散点图显示基线LSTM的回归斜率为0.97，截距为0.009，在中高湿度区间存在压缩；CA-moDWT-LSTM回归线最接近1:1线（斜率0.99，截距0.002），R²和KGE分别达0.8563和0.8850，表明多尺度配置减少了向均值收缩的趋势。4.4 系统偏差的累积分布：累积分布函数（CDF）显示CA-moDWT在LSTM和BiLSTM中位于其他配置上方，表明更大比例网格单元具有更小的正偏差；对EDLSTM差异较小，但CA-moDWT仍略有优势。4.5 选定网格单元的预测性能：在加拿大中部、中国西部、南美、中非和东欧五个代表性网格单元上，CA-moDWT-LSTM比基线LSTM更紧密地跟踪参考序列，尤其在稳定期和转折点，提示该框架可能改善峰值、谷值和状态转换的时间识别。

讨论部分指出，moDWT相比傅里叶变换基线在三种架构上均取得了更高的R²和KGE以及更低的ubRMSE和Bias，体现了时域定位与多尺度保留的优势。通道注意力的附加增益随架构和分解深度变化：在共同深度下，添加CA在LSTM上带来正向改进，但在某些深度（如5层）ubRMSE略有增加。空间块bootstrap置信区间显示，CA-moDWT对LSTM和BiLSTM的改进具有统计稳健性，而对EDLSTM的增益未达显著。从水文角度看，moDWT保留高频成分而非将其视为噪声，CA则根据输入窗口信息调整各通道的放大程度，有助于捕捉降雨后的快速增湿事件。

研究结论可翻译如下：从水文角度看，moDWT保留了跨时间尺度的信息，包括可能代表快速湿润而非噪声的高频变化，因此允许短期土壤湿度响应和较慢背景变化共同影响预测；CA通过调整每个输入窗口各通道的放大程度补充这一表示。moDWT在评估的架构中产生了相对一致的增益，而CA-moDWT的额外表现因基础模型而异，因此CA应被视为一种对架构敏感的组件。总体上，空间图显示全球大部分陆地区域均有改进，系统性偏差CDF表明增强模型在大比例网格单元上实现了低偏差预测，局部时间序列也展示了更紧密的跟踪。研究局限包括预测目标为ERA5-Land表层土壤湿度而非直接地面观测，且未在更细分辨率、更长预报期或站点观测上验证。未来工作应使用独立观测和卫星产品验证，并研究多步预报、区域特定通道权重和空间块外推验证。