将ENSO（厄尔尼诺-南方涛动）动态整合到基于物理知识的图神经网络中，以预测气候变化条件下的极端蒸发蒸腾作用

《Agricultural and Forest Meteorology》：Integrating ENSO dynamics into physics-informed Graph Neural Networks for extreme evapotranspiration prediction under climate change

　　**摘要**

在气候变化的影响下，极端蒸发蒸腾（ET）事件变得更加频繁，并且受到诸如厄尔尼诺-南方涛动（ENSO）等大尺度遥相关现象的强烈调节。本研究开发了一种基于ENSO信息的时空图神经网络（ST-GNN），用于预测朝鲜半岛的极端ET现象。该框架建立在GAT-GRU基础上，将Ni?o 3.4异常值、滞后的ENSO记忆、季节性同步以及空间衰减的遥相关影响直接嵌入到注意力机制中。基于地表能量平衡的物理信息损失函数有助于提升热力学一致性，而蒙特卡洛dropout和等渗校准则用于提供不确定性估计。通过结合滞后的ENSO指标和区域气候预测因子（包括温度、湿度、辐射、土壤湿度和风速），该模型能够同时捕捉局部水文气候控制因素和非局部ENSO驱动的变异性。该研究使用GLEAM数据作为ET预测的目标。结果表明，ENSO感知架构在ENSO相位转换期间显著提升了极端ET预测的准确性。基于NEX-GDDP-CMIP6预测因子在SSP2-4.5和SSP5-8.5情景下的未来预测进一步表明，ET极端值的变化与ENSO的变异性相关。该框架提供了一种具有物理解释能力的机器学习方法，用于评估遥相关因素调节的水文气候风险。

**引言**

在气候变化背景下，极端ET事件正在加剧，这主要是由于空气温度升高、大气水汽压差增加以及地表辐射、湿度和风况的同步变化所致（Lu等人，2024年；Ma等人，2024年；Wang等人，2021年）。这些极端蒸发需求事件在放大干旱程度、热应激和生态系统水资源限制方面发挥着核心作用，其影响往往超过单纯降水不足的影响（Feng等人，2020年；Hou等人，2025年）。观测和模型模拟表明，极端ET事件表现出强烈的空间一致性和时间持续性，反映了大尺度大气环流异常的影响，而不仅仅是局部强迫作用（Van den Hurk等人，2015年；Trenberth等人，2015年）。因此，传统ET建模方法主要针对平均状态行为或短期变异性进行设计，难以准确描述变暖气候下极端ET的演变动态和驱动因素（Aguilos等人，2024年；Zscheischler等人，2018年）。这种日益明显的差异凸显了需要能够捕捉非局部、非线性和时间滞后控制的预测框架。

大尺度气候遥相关通过重新组织大气环流、水分传输和广泛区域的地表能量通量，对年际水文气候变异性起主导作用（Cai等人，2020年；Liu等人，2026年；Shiru等人，2026年）。其中，厄尔尼诺-南方涛动（ENSO）是季节到年际时间尺度上全球气候变异性的主要来源，已被证明通过温度、湿度、辐射和风的耦合异常显著调节ET（Zhang等人，2023年；Lee等人，2023年）。ENSO不仅通过其即时相位影响ET，还通过与海洋-大气反馈和环流记忆相关的延迟和季节性依赖响应来影响ET（Capotondi等人，2015年；Masson-Delmotte等人，2021年）。这些滞后效应常常导致ENSO相位转换期间ET响应的不对称性，产生持续存在且空间上一致的异常现象，这无法仅用局部气象强迫来解释（Seneviratne等人，2014年；Miralles等人，2016年）。因此，极端ET事件通常作为ENSO驱动动态过程的下游表现而出现，这强调在建模极端蒸发需求时明确表示遥相关相位、记忆和季节性同步的必要性（Vicente-Serrano等人，2020年；Capotondi等人，2020年）。

尽管传统ET建模方法被广泛使用，但在表示遥相关驱动的变异性和极端值方面存在根本性局限（Li等人，2026年；Zheng等人，2024年）。基于过程的模型依赖于固定的参数化和局部强迫的地表能量平衡假设，这限制了它们捕捉非局部气候影响和与大尺度环流模式相关的延迟响应的能力（Kim等人，2024年；Chae等人，2025年）。统计和实证模型虽然在计算上高效，但通常假设ET与其驱动因子之间存在线性或静态关系，这在不断演变的气候条件和极端事件期间限制了它们的稳健性（Miralles等人，2011年；Guillod等人，2015年；Xu等人，2024年）。最近，机器学习模型显示出改进的预测能力；然而，像ENSO这样的大尺度气候指数通常作为外生标量输入被纳入，而没有考虑它们的空间异质性影响、相位依赖行为或时间记忆（Amani和Shafizadeh-Moghadam，2023年；Mostafa等人，2023年；Elbeltagi等人，2023年）。因此，现有方法往往无法捕捉遥相关在ET中的非线性、滞后和空间一致性特征，这激发了开发能够明确编码这些动态的建模框架的需求（Xu等人，2025年；Raza等人，2023年；Acharki等人，2025年）。

图神经网络（GNN）由于其能够表示不规则分布观测网络的空间依赖性，最近成为水文气候建模的强大工具（Romanova等人，2023年；Keisler，2022年；Lam等人，2023年）。通过将站点或网格单元编码为节点，将它们之间的相互作用编码为边，GNN自然地捕捉了水文变量的空间一致性，而注意力机制使得节点间关系的权重可以自适应调整（Wu等人，2020年；Rong等人，2025年）。当与门控循环单元（GRUs）等循环架构结合时，这些模型还能进一步表示时间持续性和短期记忆效应（Ni等人，2022年；Chen等人，2024年；Li等人，2022年；Gyamfi等人，2026年）。然而，大多数现有的基于GNN的水文气候研究侧重于数据驱动的空间相关结构和局部气象强迫，对调控大尺度变异性的潜在气候动态考虑较少。特别是，遥相关很少被直接嵌入图架构中，导致模型对非局部、相位依赖的气候控制因素基本不敏感（Mu等人，2021年；Kashinath等人，2021年；Zhang等人，2025年）。

ENSO对区域水文气候的影响本质上是非局部、非线性和时间滞后的，源于海洋-大气过程的耦合以及大尺度环流的调整。将ENSO指数视为简单的辅助输入无法准确表示ENSO强迫的关键特征，包括相位转换、与补给-排放机制相关的延迟反馈以及强烈的季节性同步（Jin，1997年；Timmermann等人，2018年；Capotondi等人，2020年）。此外，ENSO的影响是空间异质的，通常在沿海或受海洋影响的地区信号较强，向内陆逐渐减弱（Gimeno等人，2012年；Wen等人，2015年）。这些特性要求在模型结构中嵌入ENSO动态，而不仅仅是基于输入的表示。将ENSO直接嵌入注意力机制提供了一种原理性的方法，以符合已知的遥相关物理特性来调节空间相互作用和时间响应（Zhou和Zhang，2023年；Kim等人，2022年；Shin等人，2022年；Mu等人，2022年）。

为了解决这些限制，本研究介绍了一种基于图注意力网络（GAT）-GRU框架的ENSO感知时空GNN（ST-GNN）框架。该模型将Ni?o 3.4指数异常值及其滞后表示直接整合到注意力公式中，使节点和边的权重能够根据ENSO相位和记忆动态变化。通过基于余弦的调制来强制季节性同步，使ENSO影响与区域水文气候的季节性对齐，同时空间注意力根据与太平洋的地理距离进行条件化，从而使得遥相关效应向内陆衰减。此外，使用基于地表能量平衡的物理信息损失函数来约束ET预测并增强物理一致性，通过蒙特卡洛（MC）dropout和事后校准来量化预测不确定性。

本研究的主要贡献有四方面：首先，提出了一种新型GNN架构，将ENSO动态明确嵌入到蒸发蒸腾建模的时空注意力机制中；其次，在单一学习框架内统一处理ENSO相位、时间记忆、季节性同步和空间衰减；第三，证明物理信息约束和不确定性感知学习提高了ENSO驱动ET预测的稳健性，特别是在极端事件方面；最后，将该框架应用于耦合模型比较项目第六阶段（CMIP6）气候预测的多模型集合（MME），在SSP2-4.5和SSP5-8.5情景下，评估了ENSO调节的大尺度环流对极端ET及其相关水文气候风险未来演变的影响。

**研究区域**

研究区域包括朝鲜半岛及其相邻的边缘海域，范围大约从北纬30°到50°，东经120°到145°（图1）。半岛西侧为黄海（区域I），东侧为日本海（东海；区域II），两者都通过空气/海水相互作用和大规模大气环流对区域水文气候产生强烈影响。朝鲜半岛地形复杂，拥有广阔的沿海平原。

**时空图构建**

ET建模域表示为一个动态图G=(V,E)，其中每个节点i∈V对应于第2.2节定义的372个固定站点/网格单元坐标节点之一，边(i,j)∈E编码站点之间的空间依赖关系。在每个时间步骤t，节点i与一个特征向量xi,t∈RM相关联，包含区域气候预测因子（空气温度、湿度、辐射、土壤湿度和风速）以及周期性季节编码，以保持年内的周期性。

**整体模型性能**

图4比较了2005-2014年测试期间观测到的GLEAM ET数据与完整ENSO感知模型、仅ENSO模型、基础GNN、CNN+LSTM、Temporal Transformer和Penman–Monteith参考模型的预测结果。ENSO感知模型在遵循观测到的月度变化的时间和幅度方面表现得最为准确，尤其是在高ET月份，非ENSO和仅序列的基线模型与观测序列的偏差较大。

**ENSO感知ET动态与极端事件行为的综合**

该研究表明，将ENSO动态明确整合到时空图学习框架中可以改善ET极值的表示，并增强模型的可解释性。在所有基准测试中，完全集成的ENSO感知配置（ENSO + 季节性同步 + 衰减机制）取得了最佳的总体预测能力，减少了相对于基线和其他深度学习架构的误差。

**结论**

本研究提出了一种ENSO感知ST-GNN框架，用于ET建模，该框架将大尺度遥相关动态明确整合到预测机制中。通过根据Ni?o 3.4异常值、季节性同步、延迟的ENSO记忆和空间衰减来条件化图注意力，所提出的模型在预测能力和物理可解释性方面都优于基线和其他深度学习方法。结果表明，ENSO的整合带来了最大的收益。

**作者贡献声明**

Kwame Adutwum Gyamfi：撰写——审稿与编辑、撰写——原始草稿、可视化、验证、软件开发、方法论、调查、形式分析、数据管理、概念化。Eun-Sung Chung：撰写——审稿与编辑、验证、监督、资源管理、项目行政管理、调查、资金获取。

**利益冲突声明**

作者声明没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

**致谢**

本研究得到了韩国国家研究基金会（RS-2026-25488505）的支持。

Kwame Adutwum Gyamfi
Eun-Sung Chung
首尔科技大学土木工程系，韩国首尔Gongneung-ro 232号，01811