亚日尺度涡度相关能量通量在真实连续缺失下的重建：模型基准测试与能量平衡诊断

《Agricultural and Forest Meteorology》：Sub-daily reconstruction of eddy-covariance energy fluxes under realistic contiguous outages: model benchmarking and energy-balance diagnostics

　　

研究人员对机器学习和深度学习方法进行了基准测试，用于在真实涡度相关（EC）操作条件下重建潜热通量（LE）、感热通量（H）和土壤热通量（G）。研究使用了来自六个欧洲FLUXNET站点（涵盖干旱、半干旱、半湿润和湿润生态系统）的半小时观测数据。研究人员引入人工缺失为连续6–24小时的缺失块，缺失比例从5%到50%，性能评估仅针对掩膜时间戳。除了统计准确性，物理真实性通过基于观测净辐射（R_n）的表面能量平衡诊断独立评估。重建技能受缺失结构控制的程度比仅受缺失比例控制更强，凸显了连续缺失的主导影响。感热通量重建最为稳健（均方根误差（RMSE）≈ 41 W m^?2；决定系数（R²）≈ 0.93），其次是潜热通量（RMSE ≈ 25 W m^?2），而土壤热通量对缺失严重程度更为敏感。尽管中位数统计性能相当，但模型在物理一致性上存在显著差异：基于树的模型表现出更低且更稳定的能量平衡残差（各站点20–30 W m^?2），而深度学习模型在严重数据缺失下残差更高。这些结果表明，在操作EC条件下评估表面能量通量缺失填补时，真实缺失结构和能量平衡诊断至关重要，尤其是在水分限制生态系统中，长时间缺失可能扭曲亚日尺度能量分配。

**论文解读文章**

**研究背景与问题**
表面能量通量调节陆地生态系统与大气之间的能量和质量交换，是陆地-气候相互作用、生态系统功能和干旱动态的核心。净辐射（R_n）向潜热通量（LE）、感热通量（H）和土壤热通量（G）的分配控制着蒸散发、大气边界层发展和地表温度状态，进而连接地表过程与水文和气候反馈。这些过程在地中海及其他水分限制生态系统尤为关键，但涡度相关（EC）观测数据经常因仪器故障、断电、降水事件和低湍流过滤而出现大量连续缺失（通常达年记录的20–60%），且缺失常表现为连续多小时的块状结构而非随机孤立点。然而，现有缺失填补评估大多基于随机点式缺失假设，可能高估在操作EC条件下的重建能力。此外，大多数研究仅关注统计精度，未利用表面能量平衡诊断检验物理一致性，导致统计上准确但物理上不合理的重建可能传播偏差至下游应用（如蒸散发估算、干旱评估和陆面模型评价）。因此，需在真实连续缺失场景下系统评估机器学习和深度学习方法的性能，并引入物理一致性检验。

**研究内容与结论**
本研究以《Agricultural and Forest Meteorology》发表论文形式，针对六个欧洲FLUXNET站点（涵盖干旱、半干旱、半湿润和湿润生态系统）的半小时观测数据，通过人工引入连续6–24小时块状缺失（缺失比例5–50%），系统评估了随机森林（RF）、极端梯度提升（XGBoost）、长短期记忆网络（LSTM）和时间卷积网络（TCN）四种模型在重建LE、H和G时的统计精度与物理一致性。主要结论：缺失结构比缺失比例更强地控制重建技能；感热通量重建最稳健，潜热通量次之，土壤热通量对缺失严重程度最敏感；基于树的模型（RF和XGBoost）在统计精度和物理一致性上均优于深度学习模型，尤其在严重缺失下；能量平衡诊断揭示了统计指标无法捕捉的模型间差异；重建行为随水文气候条件系统变化，水分限制系统中潜热通量受土壤水分约束，能量限制系统中受辐射驱动。该研究强调在操作EC条件下评估缺失填补时需考虑真实缺失结构和物理诊断，为长期通量数据集和生态水文应用提供更可靠的方法选择框架。

**关键技术方法**
研究采用以下关键技术方法：（1）从六个欧洲FLUXNET站点（来源：FLUXNET2015数据集，DOI: 10.18140/FLX/1440120，站点包括ES-Amo、ES-LJu、IT-Noe、IT-Cpz、IT-SRo、NL-Loo）获取半小时观测数据，涵盖LE、H、G及气象变量、净辐射和土壤水分；（2）人工生成连续6h、12h、24h的块状缺失，缺失比例5–50%，每个场景五次随机实现；（3）应用留一站点交叉验证策略，训练于五个站点，测试于一个未见站点；（4）使用随机森林、XGBoost、LSTM和TCN四种模型进行独立重建，均基于相同预测变量集（辐射、气象、土壤水分），但树模型仅用同时刻预测变量，深度学习模型额外加入时间索引（一天中的小时、一年中的天）并使用滑动窗口捕获序列依赖；（5）统计性能评估采用RMSE、MAE、R²、Nash–Sutcliffe效率（NSE）、Kling–Gupta效率（KGE）、百分比偏差（PBIAS）和RSR，仅针对掩膜时间戳；（6）物理一致性通过基于观测净辐射的绝对能量平衡残差|R_n?(LE+H+G)|独立评估，并应用后处理波文比修正进行诊断性解释；（7）驱动因子重要性通过排列重要性方法分析，按辐射、气象、土壤水分三类分组，并按水文气候类别分层。

**研究结果**
**3.1 重建技能**：在真实连续缺失下，感热通量重建最准确（RF/XGB中位数RMSE≈41 W m^?2，R²≈0.93），潜热通量次之（RMSE≈25 W m^?2，R²≈0.75），土壤热通量绝对误差最小但变异性最大（RMSE≈7 W m^?2，R²≈0.81）。树模型始终优于深度学习模型，且排名稳定。

**3.2 敏感性分析**：重建性能随缺失比例增加和连续缺失长度增加而系统性下降。缺失比例增加主要影响总体技能水平，而缺失长度增加主要增强变异性和不确定性。归一化误差指标RSR显示，土壤热通量对缺失结构最敏感。

**3.3 跨站点可迁移性**：留一站点交叉验证表明，感热通量重建在所有站点保持高且稳定的技能（树模型R²均>0.90），潜热通量站点间变异性中等，土壤热通量站点间变异性最大。树模型在所有站点均优于深度学习模型，不受水文气候条件影响。

**3.4 物理一致性**：能量平衡残差评估显示，树模型在各站点中位数残差较低（20–30 W m^?2），而TCN等深度学习模型残差更高（可达61.72 W m^?2），尤其在严重缺失下。统计精度相近的模型间物理一致性差异显著。

**3.5 连续重建**：连续缺失期间，树模型准确再现了日间通量峰值的时序和幅度，而深度学习模型出现峰值衰减和相位偏移，尤其在强辐射驱动时段。白天误差最大，夜间误差小且模型间可比。

**3.6 驱动因子重要性**：感热通量重建在所有气候区均以辐射驱动为主（树模型辐射重要性70–87%），潜热通量在干旱/半干旱区域受土壤水分显著控制（深度学习模型中土壤水分重要性达48–68%），而湿润区域辐射主导。树模型驱动因子分布更稳定且物理可解释，深度学习模型则偏向特定驱动组。

**讨论与结论**
**讨论**：研究强调缺失时间结构比缺失比例更强地控制重建性能，随机点式缺失会高估模型鲁棒性。树模型因依赖物理环境驱动因子而非时间连续性，在连续缺失下表现更优。跨站点验证表明共性驱动因子（辐射）主导亚日尺度通量动态，但水分限制引入非线性控制。能量平衡诊断揭示统计指标无法反映的物理不一致性，表明高预测精度不等于物理真实性。气候依赖的重建控制强调需考虑水文气候背景，建议在条件允许时采用气候感知的模型训练策略。

**研究结论**：本研究在真实连续缺失场景下评估了表面能量通量缺失填补策略，揭示了传统随机缺失评估的局限性。结果表明，数据缺失的时间结构比缺失比例更强地控制重建性能和物理一致性。感热通量重建最稳健，潜热通量次之，土壤热通量变异性最大。基于树的集成模型（RF和XGBoost）在长时间连续缺失下始终优于序列深度学习模型（LSTM和TCN），因其依赖物理环境驱动因子而非时间连续性。独立能量平衡诊断揭示了统计指标无法捕捉的模型间物理差异，表明高预测精度不意味着物理一致性。重建行为随水文气候区系统变化，水分限制系统中潜热通量受土壤水分约束，湿润能量限制系统中受辐射驱动。总体而言，结合真实缺失模拟、多站点分析和独立物理诊断的框架，为选择适用于长期通量数据集及下游生态水文和陆地-大气应用的缺失填补方法提供了更可靠的基础。