基于性能的近期蒸散发比较预测使用统计、机器学习和深度学习方法：以土耳其布尔杜尔湖为例

《Atmosphere》：Performance-Based Comparative Forecasting of Near-Future Evapotranspiration Using Statistical, Machine-Learning and Deep Learning Methods: A Case Study of Lake Burdur, Türkiye

　　

在本研究中，研究人员采用专注于高精度的嵌套架构，估算了位于地中海气候区且处于布尔杜尔封闭盆地内的布尔杜尔湖在2025–2030年期间的日参考蒸散发（ET₀）值。ET₀目标对应于由Open-Meteo Historical Weather API提供的FAO-56 Penman–Monteith参考蒸散发变量，并全程被视为大气蒸发需求的标准化度量，而非实际湖面蒸发或盆地水量损失。为此，研究人员从Open-Meteo平台获取了1984–2024年期间的日平均气温、相对湿度、短波地表辐射及蒸散发数据。在研究的第一阶段（模型1），研究人员分别对气温、相对湿度和辐射序列应用了SARIMAX（统计）、XGBoost（机器学习）和LSTM（深度学习）模型；针对每个变量，选择验证均值最高的模型。据此，LSTM（平均R² = 0.967）被确定为气温的最成功模型，SARIMA(X)（平均R² = 0.812）适用于相对湿度，而XGBoost（平均R² = 0.845）则适用于具有非线性、强自相关和显著季节性的辐射变量。在第二阶段（模型2），研究人员将这些最佳气候预测值作为蒸散发的独立变量，LSTM在蒸散发预测中取得了最高成功率（平均R² = 0.941）。趋势分析揭示，过去时期观测到的气温和蒸散发增加以及相对湿度下降将在近期持续。基于历史数据采用蒙特卡洛/重采样方法进行的的不确定性分析表明，95%预测区间在很大程度上保护了蒸散发的上升趋势免受随机波动影响。这些区间反映了拟合模型下基于残差的不确定性，而非未来盆地蒸散发的完整预测不确定性。研究结果表明，在嵌套预测框架内，根据变量结构设计模型选择能显著提高预测精度，并可为面临水资源短缺的地中海盆地的可持续水资源管理提供可行的决策支持输入。

本研究以土耳其布尔杜尔湖为案例，为解决地中海封闭盆地水资源管理中蒸散发精准预测的迫切需求而开展。研究背景在于，气候变化正加剧半干旱和地中海地区的水文循环变化，尤其是通过气温升高、相对湿度变化和辐射模式改变直接影响蒸散发（ET₀），而传统方法（如FAO-56 Penman–Monteith方程、蒸发皿法等）在非线性交互和非平稳气候条件下往往产生偏差。现有研究多采用单阶段结构直接估算蒸散发，未明确建模独立气候变量与蒸散发之间的层级和时序依赖关系。为此，研究人员通过构建嵌套两阶段预测架构，旨在提升近期蒸散发预测精度，为水资源管理提供决策支持。研究人员采用1984–2024年来自Open-Meteo平台的日平均气温、相对湿度、短波辐射及蒸散发数据，在第一阶段（模型1）分别对气温、辐射和相对湿度序列应用SARIMAX、XGBoost和LSTM三种算法，通过37层滚动起点时间序列交叉验证选择每变量最高验证R²的模型；第二阶段（模型2）将第一阶段最优预测值作为独立变量输入，再次比较三种算法预测蒸散发。结果表明：气温最佳模型为LSTM（平均R²=0.967），相对湿度最佳模型为SARIMA(X)（平均R²=0.812），辐射最佳模型为XGBoost（平均R²=0.845），蒸散发最佳模型为LSTM（平均R²=0.941，NSE=0.991，KGE=0.974，RMSE=0.191 mm/day）。趋势分析显示气温和蒸散发呈显著上升趋势，相对湿度下降，辐射未显显著变化；蒙特卡洛不确定性分析（10,000场景）表明2025–2030年蒸散发上升趋势稳健。该研究发表于《Atmosphere》。

关键技术方法包括：研究人员从Open-Meteo Historical Weather API获取基于ERA5/ERA5-Land再分析数据的日气象变量（气温、短波辐射、相对湿度）及FAO-56 Penman–Monteith参考蒸散发（ET₀）产品，数据覆盖1984–2024年，网格点近似位于湖面（37.73°N, 30.17°E）。采用37层滚动起点时间序列交叉验证（训练窗口含4年热身期，验证窗口为前向1年），避免信息泄漏。模型1中，对气温、辐射、相对湿度分别独立构建SARIMAX（统计）、XGBoost（树型机器学习）和LSTM（深度学习）模型，通过超参数网格搜索（SARIMAX: p,q,P,Q∈{0,1,2}; XGBoost: learning_rate、max_depth、subsample、colsample_bytree 625种组合; LSTM: batch_size、learning_rate、patience 随机48选32种组合）并以平均验证R²为主、RMSE和AIC/BIC为辅进行选择。模型2将模型1最优预测值（气温-LSTM、辐射-XGBoost、相对湿度-SARIMA(X)）作为独立变量，再次比较三种算法，最终LSTM被选定。趋势分析采用Mann–Kendall检验和STL分解；不确定性分析基于LSTM残差的蒙特卡洛重采样生成10,000场景的95%预测区间。

**3. Results**
**3.1 Model Performance Comparison**
通过37层滚动起点交叉验证的评估表明：模型1中，气温变量LSTM验证R²=0.967、NSE=0.981、KGE=0.980，显著优于XGBoost（p<0.01），但与SARIMA(X)无显著差异（p>0.05），因LSTM在误差指标上更优而被选为最佳；辐射变量XGBoost验证R²=0.845，虽与另两算法无显著差异（p>0.05），但基于更低的MSE和RMSE被选中；相对湿度变量SARIMA(X)验证R²=0.812，与另两算法差异显著（p<0.01），故被选中。模型2中，蒸散发LSTM验证R²=0.941、NSE=0.991、KGE=0.974、RMSE=0.191 mm/day，显著高于SARIMA(X)和XGBoost（p<0.01），确认为最终预测模型。配对t检验和Shapiro–Wilk检验证实各算法训练-验证无显著过拟合信号。

**3.2 2025–2030 Forecasts**
基于年平均值分析，1984–2024年期间气温呈显著上升趋势（Mann–Kendall p<0.001），2025–2030年预测值延续该上升（斜率正但p=0.259因数据点少）；辐射长期趋势近水平（p>0.05），预测期也无显著变化；相对湿度呈显著下降趋势（p<0.001），预测期保持负斜率；蒸散发呈显著上升趋势（p<0.001），预测期同样显著（p=0.024）。蒙特卡洛模拟（10,000场景）显示，2025年蒸散发均值3.519 mm/day升至2030年3.726 mm/day，最佳/最差情景范围均维持上升，95%预测区间（约0.10–0.12 mm/day宽）支持该趋势。

**4. Discussion**
讨论部分将本研究LSTM模型（R²=0.941, NSE=0.991, KGE=0.974, RMSE=0.191 mm/day）与全球15项研究（不同国家、模型、气候区）进行定性比较，强调因目标变量、数据源、时间分辨率等差异，不宜直接排名。与深度学习方法（如Afzaal等人2020年在加拿大的LSTM模型R²=0.950，Sarkar等人2025年在澳大利亚的TCN模型NSE=0.990）接近；与树型模型（如Wang等人2022年在巴基斯坦的XGBoost模型NSE=0.990）相当；与集成方法（如Aly等人2024年在埃及的超级学习器模型R²=0.999）相比误差水平接近。同时指出高R²部分归因于再现年周期而非异常预测，且预测的ET₀仅为封闭盆地水均衡中之一项，不应等同于实际湖面蒸发损失。

**5. Conclusions**
本研究开发并评估了结合统计、机器学习和深度学习方法、基于性能的嵌套预测框架，用于估算布尔杜尔湖近期（2025–2030）日蒸散发值。模型1中，通过37层滚动起点时间序列交叉验证，气温、辐射、相对湿度分别最优采用LSTM（R²=0.967）、XGBoost（R²=0.845）和SARIMAX（R²=0.812）。模型2中使用这些最优预测值作为独立变量，LSTM架构取得了R²=0.941、NSE=0.991、KGE=0.974、RMSE=0.191 mm/day、MAE=0.131、MAPE=4.061，显著优于其他算法。基于年均值的趋势分析表明，历史时期观测到的气温和蒸散发显著上升以及相对湿度显著下降将在2025–2030年期间持续，而辐射变量总体无显著突变。提出的嵌套建模框架确保模型选择适合变量结构（相对线性含噪过程用统计时序模型，复杂但中等含噪过程用树型机器学习，强季节性高自相关序列用LSTM），相比单阶段方法可显著提升预测精度。基于过去误差分布的蒙特卡洛不确定性分析揭示，10,000种不同场景均指向2025–2030年蒸散发增加趋势，支持盆地尺度上蒸发增强和灌溉需水增大的负面气候水文前景。未来研究应聚焦于整合原位台站与卫星观测、发展显式表征土地利用动态和灌溉反馈的混合过程-数据驱动模型，以及评估更简单的超参数优化策略以改进精度-计算成本权衡。此外，应将所提嵌套框架的可迁移性推广至其他地中海和半干旱盆地以评估其在不同气候和地形条件下的泛化能力。