多模态双目标时空图学习在区域蒸散量估算中的应用

《Journal of Hydrology》：Multi-modal dual-target spatio-temporal graph learning for regional evapotranspiration estimation

　　Kwame Adutwum Gyamfi|Eun Sung Chung•利用多模态ST-GNN融合气候与卫星数据以估算区域蒸散量。•通过双目标学习，借助PM ET0作为监督数据提升了MODIS蒸散量估算的准确性。•图学习方法的性能优于无图结构的CNN+LSTM基准模型。•通过学习得到的门控机制揭示了气候与卫星数据相关性的季节性变化。•该模型具备良好的蒸散量预测能力，预测时效可达到12个月。

引言
蒸散量是陆地水循环和能量循环中的关键组成部分，它决定了陆地与大气之间水分及潜热的交换（Liu等人，2025；Wang等人，2021）。准确估算蒸散量对于水文建模、干旱监测、农业用水管理以及气候变化影响评估都至关重要（Wang等人，2025；Chae等人，2025；Maqsood等人，2022）。在受季风影响的地区，如朝鲜半岛，由于地形、沿海因素以及大尺度气象条件的影响，蒸散量存在显著的季节性变化和强烈的空间异质性。这些特性使得区域蒸散量估算面临巨大挑战（Malamos等人，2025；Feng等人，2020；Shiru等人，2026）。

传统上，人们通常使用基于物理原理的公式来估算蒸散量，比如整合了辐射、温度、湿度及风速信息的FAO-56 PM方程（Allen等人，1998）。尽管基于PM方程的方法具有物理意义且被广泛应用，但它们依赖于关于地表阻力、空气动力阻力以及地表均匀性的一些简化假设（Ahmadi等人，2025；Zheng等人，2024）。在复杂的地形、多样的地表覆盖或极端的气候条件下，这些假设可能不再成立。此外，PM方程的估算结果对输入数据的质量极为敏感，容易将测量误差传递到蒸散量计算中。

而由卫星获取的蒸散量产品，如MODIS ET，能够提供连续的空间观测数据，并更直观地反映地表的异质性（Tran等人，2023；Zhao等人，2024）。不过，遥感反演结果会受到云层干扰、反演算法以及参数校准等因素的影响（Kang等人，2022；Feng等人，2020）。因此，无论是基于物理原理的方法还是基于卫星的数据，都无法单独作为区域尺度上蒸散量的绝对真实值。

近年来，机器学习与深度学习方法逐渐被应用于蒸散量估算领域（Banerjee等人，2025；Hu等人，2025）。传统的机器学习模型，如支持向量回归、随机森林以及梯度提升算法，能够模拟气象变量与蒸散量之间的非线性关系。但这些模型通常会将各个观测站视为独立个体，忽略相邻站点之间的空间相互作用。

为了捕捉时空模式，人们开始运用深度学习模型，包括卷积神经网络和循环神经网络。虽然基于RNN的模型（如LSTM、GRU）能够有效表示时间依赖性，但大多数实现方式仍然只是独立处理各个空间位置，或是依靠隐式的空间聚合操作（Yong等人，2023；Yin等人，2021）。这类方法可能无法充分考虑水文气象系统中固有的结构化空间依赖关系。

图神经网络为建模结构化的空间关系提供了合理的框架（Choi等人，2026；Romanova，2024）。通过将监测站点视为节点，将其之间的相互作用视为边，图神经网络可以直接从数据中学习出适应性的空间依赖关系。近期研究已证明，图神经网络在流量预报、降水量估算以及水质预测等水文和气候建模任务中具有显著效果（Lam等人，2023；Pan等人，2025；Deng等人，2024）。然而，将图神经网络应用于蒸散量估算的研究还比较有限，尤其是在多源数据监督和结构化空间建模方面（Gyamfi等人，2026；Ni等人，2022）。

在蒸散量建模过程中，一个主要难题在于缺乏直接的大规模地面实测数据。蒸渗仪的测量数据十分稀少，且无法代表整个区域的情况。因此，研究人员往往只能依靠基于物理原理的PM方程估算结果或卫星获取的蒸散量产品作为模型训练和评估的参考。但这两类参考数据都存在结构上的不确定性和观测上的误差。

如果仅使用单一参考数据来训练模型，那么模型学到的特征很可能会偏向于该参考数据所依据的特定结构假设（Ferreira等人，2022）。例如，若仅以PM方程作为参考目标，模型可能会过度依赖其参数假设；而如果只依靠卫星蒸散量数据，模型则可能受到反演过程中的误差影响。采用同时利用PM方程和卫星蒸散量数据的双目标学习策略，可以通过促使模型学习到通用且稳定的潜在特征，从而减轻上述偏差。尽管有这样的潜力，但目前仍有很少研究在统一的时空深度学习框架下系统探讨过用于蒸散量建模的双目标监督方法。鉴于缺乏直接的大规模地面实测蒸散量数据，我们采用了同时利用MODIS获取的蒸散量数据和PM方程估算的蒸散量数据的双目标监督策略。这种同步监督方式有助于模型学习到不会过度偏向于某一参考数据结构假设的稳定潜在特征（Jing等人，2025；Li等人，2025）。这种交叉正则化训练方法能够降低模型嵌入特定参考数据误差的风险，进而提升其在不同时空条件下的泛化能力。

蒸散量的形成受两个本质不同但相互关联的信息范畴的影响：其一为大气强迫变量，如温度、湿度、辐射强度和风速，它们反映了能量的可用性以及水汽的输送能力；其二为地表状态变量，包括从卫星图像中提取的植被和水分指标，如NDVI、NDWI，它们能够体现植被的活跃程度、地表湿润状况以及陆地与大气之间的耦合关系。这两个范畴具有不同的统计特性、空间结构以及噪声特征（Mandal和Chanda，2023；Kashinath等人，2021）。气候变量通常具有连续性、时间上的平滑性，且以特定观测站点的值为基准；而卫星获取的指数则具有丰富的空间信息，对地表条件敏感，同时还易受到反演误差的影响。如果直接将这两种性质迥异的数据类型简单拼接在一起，可能会掩盖它们各自的物理作用，从而导致特征学习效果不佳。

为了从高维度的卫星数据中提取出主要的空间模式，人们通常会使用主成分分析等降维技术（Bouramtane等人，2025）。然而，即便经过降维处理，卫星数据所具有的统计特性和物理属性依然与气象数据有所不同。因此，在将这两种数据整合之前，应当先保留各自特有的特征学习方式。

为了解决蒸散量形成因素的多样性问题，我们采用了双编码器架构，即让大气变量和卫星获取的地表指数通过独立的编码路径进行处理。这样的设计使得每种数据类型都能学习到与其物理作用相匹配的专用潜在特征（Cao等人，2023；Ding和Wang，2024；Cui等人，2023）。

此外，我们还引入了一种可学习的门控机制，用于自适应地融合这两种不同类型数据对应的潜在特征。从概念上来讲，这个门控机制类似于一种软专家混合调节器，能够动态平衡大气强迫信息与地表状态信息对最终结果的贡献程度（Mena等人，2025；Wei等人，2024）。与固定的融合策略不同，这种门控机制可以根据不同的情况灵活调整数据的整合方式。

重要的是，除了考虑架构设计之外，我们还对门控机制的行为进行了系统分析，旨在确定它是否真的能够捕捉到具有实际意义的季节性、空间性以及与性能相关的结构特征。这一步骤对于证明融合机制的物理合理性至关重要，而非仅仅是恒定不变的简单组合。在本研究中，我们针对朝鲜半岛的区域蒸散量估算问题，构建了一个时空图神经网络框架。该框架将结构化空间建模、双目标监督以及自适应门控融合等功能整合在同一个学习体系中。

本研究的主要贡献如下：首先，提出了多模态双编码器架构，该架构能够分别学习大气强迫变量以及卫星获取的地表状态指标（NDVI、NDWI和经主成分分析处理后的数据）对应的特征表示。其次，通过可学习的门控机制将这些不同类型数据对应的特征进行整合，并对其季节性、空间性以及与性能相关的特征表现进行了系统分析。第三，根据地理距离和站点间的相关性构建了混合站点图，同时评估了GAT和GraphSAGE两种空间编码器的性能，从而确定了最优的空间学习方案。第四，采用了MODIS ET和PM ET作为双目标监督数据，以此促进模型学习到更加稳健且具有交叉正则化效果的特征表示。第五，通过蒙特卡洛dropout方法和等值回归校准技术对模型不确定性进行了量化，从而提升了结果的可靠性。最后，将该训练好的框架应用于多时序预测，以此评估在不同空间条件下，1到12个月预测时效内的蒸散量变化规律以及模型的预测能力。

通过结合结构化图学习、多模态融合、多源数据监督以及可解释的融合机制，本研究旨在为在历史气候条件以及未来预测的气候条件下进行区域蒸散量建模，提供一个既稳健又符合物理规律的框架。

研究领域与数据来源
本研究的应用区域涵盖了朝鲜半岛上的众多观测站点。所有的预测变量和目标变量都按照从2001年1月1日到2023年12月27日的统一8天周期的MODIS数据时间表进行对齐，从而得到了同步的时间步长。本研究共对两种蒸散量产品进行了联合估算：一种是MOD16A2GF ET，另一种是FAO-56 PM参考蒸散量，即PM ET0。用于预测的变量组包含了五种气象参数，分别是最高温度、最低温度、相对……

整体预测性能与MODIS–PM数据的一致性
首先，我们使用标准误差指标总结了所提出的双目标模型对这两种参考数据（MODIS-ET和PM-ET）的预测精度（见表2）。所有结果均来自在验证集上表现最佳的模型版本（最佳训练轮次为107轮）。随后，我们通过具有代表性的时间序列分析方法来评估预测结果的时间一致性（见图2），并利用经过偏差校正的站点级一致性地图来量化两种预测结果之间的空间一致性（见图3）。

讨论
研究结果表明，所提出的框架的优势并非源自某个单一组件，而是源于结构化空间学习、针对不同数据类型的特征编码方式以及双目标监督机制的有机结合。最显著且最一致的研究发现是，同时利用MODIS ET和PM ET0数据进行学习，相比仅使用单一数据源的预测方法，能够提升模型处理MODIS ET数据的性能。这一现象表明，PM ET0数据作为一种具有物理意义的约束条件，起到了有效的规范作用——因为PM ET0受到的各种物理因素控制更为直接……

结论
本研究针对朝鲜半岛的区域蒸散量估算问题，开发了一种基于多模态双编码器与双目标ST-GNN的模型。该模型通过同时学习MODIS ET和PM ET0数据，将结构化空间建模、针对不同数据类型的特征融合以及跨目标监督功能整合到了同一个预测系统中。研究结果表明，双目标学习机制提升了模型的稳健性，自适应门控机制能够实现可解释的季节性特征融合，而基于图的模型架构则发挥了良好的预测效果……

CRediT作者贡献说明
Kwame Adutwum Gyamfi：撰写——审稿与编辑，撰写——初稿，可视化，验证，软件工具，方法论，研究实施，形式分析，数据整理，概念构思。Eun Sung Chung：撰写——审稿与编辑，验证，监督，资源协调，项目管理，资金申请。

利益冲突声明
作者声明自己不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢
本研究得到了韩国国家研究基金会（R-2023-00246767_4）的资助。