用于估算城市树木蒸腾的混合深度学习框架

《Journal of Environmental Management》：A hybrid deep learning framework for estimating urban tree transpiration

　　

城市树木通过蒸腾作用调节城市水-能量交换，然而在城市环境中对其开展精确估算仍具挑战性。传统的Jarvis类模型通常需要频繁重新校准，且当参数变化或结构假设被违反时可能产生有偏估计。作为替代方案，将数据驱动方法与过程知识相结合的混合深度学习（DL）模型代表了一种有前景的途径，融合了DL的灵活性与过程模型提供的先验信息。然而，此类混合模型用于估算城市树木蒸腾的有效性鲜少被评估。本研究考察了三种融合Jarvis模型的物理引导DL策略：残差学习（M2）、加权融合（M3）和特征学习（M4），并以Jarvis模型、纯DL模型和随机森林（RF）三种基线模型作为对照。研究人员还分析了基于SHAP的可解释性，以评估特征贡献及其交互作用。利用来自慕尼黑和维尔茨堡（2015-2021年）的逐小时液流观测与环境数据，研究人员估算了两种生理特征对立的树种——心叶椴（Tilia cordata）和刺槐（Robinia pseudoacacia）——的逐小时潜热通量（LE），输入变量包括短波辐射（Rs）、气温（Ta）、饱和水汽压差（VPD）、土壤含水量（θ）和年积日（DOY）。所有DL模型的性能均优于Jarvis基线模型，其中M4展现出最优的综合性能：两种树种的测试集纳什效率系数（NSE）分别为0.86（0.90），均方根误差（RMSE）分别为11.43（1.93）W/m2，且在训练数据有限的情况下仍保持强劲性能。SHAP分析识别出与已知水力构型差异相一致的模型派生物种特异性响应模式，并诊断出Jarvis假设表现不佳的区间。该框架为将过程知识嵌入更广泛的城市蒸散发和微气候模型提供了一条实用路径。

**城市树木蒸腾估算的混合深度学习框架：研究解读**

**一、研究背景与科学问题**

植物蒸腾产生的潜热通量（LE）是陆地表层水循环和地表能量平衡的关键组成部分（Jasechko et al., 2013；Evaristo et al., 2015）。通过相变消耗可利用能量，LE能够冷却叶片及近地表空气，进而影响区域乃至全球气候（Monteith和Unsworth, 2013）。精确估算LE有助于提升植物水分利用效率的研究、支撑碳水通量的长期耦合估算，并为城市微气候的精准调控提供依据（Liu et al., 2023）。在城市环境中，由于不透水面、受限的根系体积、间歇性灌溉以及多样的树种和冠层结构等异质性水文条件，LE呈现出显著的空间时间变率（Rahman et al., 2018, 2024）。日益加剧的热浪和城市热岛效应（UHI）进一步凸显了以城市树木为核心的自然降温策略的重要性（Zhang et al., 2022；Zhang et al., 2025）。

然而，直接观测城市树木的LE仍具挑战。热耗散液流传感器和气体交换 chambers 需要精心的安装、校准和长期维护（Flo et al., 2019；de Aguiar-Campos et al., 2025），这些方法成本高昂且在城区易受干扰（Wang et al., 2021）。因此，可靠的估算模型至关重要。树木尺度的LE主要受短波辐射（Rs）、气温（Ta）、饱和水汽压差（VPD）和土壤含水量（θ）以及气动耦合驱动（Mitchell et al., 2009；Verhoef和Egea, 2014；Wang et al., 2020）。常用方法之一是基于能量-阻抗框架的Penman-Monteith（PM）方程（Monteith, 1965），当有液流或涡度相关等LE观测数据时，可通过反演推断冠层阻力或导度（Allen et al., 2006），否则需参数化这些量以计算LE。一个被广泛采用的现象学模型是Jarvis类模型（Jarvis, 1976），该模型通过将Rs、Ta、VPD和θ的有界响应函数（范围0-1）乘以最大导度来估算LE，假设这些因子独立作用。

尽管上述过程模型具有可解释性和感知外推能力（Houshmandfar et al., 2021），它们依赖的经验参数可能因物种而异，且在生长季内波动，需要定期重新估算（Gaur和Drewry, 2024）。其独立性假设可能被非线性交互、时滞和滞后效应所违背（Whitley et al., 2009；Houshmandfar et al., 2021；Gaur和Drewry, 2024）。此外，植物生理响应并非严格线性（Cai et al., 2019），且可能遗漏重要驱动因子。相比之下，机器学习（ML）方法如支持向量机（SVM）、随机森林（RF）、梯度提升树（XGBoost）和人工神经网络（ANN）虽常优于过程模型（Whitley et al., 2009；Cai et al., 2019；He et al., 2022；Wu et al., 2022；Gaur和Drewry, 2024），但传统ML仍依赖人工特征设计，难以表征复杂数据分布（Liu et al., 2023, 2025）。深度学习（DL）作为ML的子领域，具有更强的表征能力，可实现端到端学习，捕捉强非线性和高阶交互（LeCun et al., 2015），但单纯依赖ML/DL不显式施加物理或植物生理约束，可能产生不切实际的估算，且更难解释（Reichstein et al., 2019）。

为此，将过程知识与ML结合的物理引导混合模型成为有前景的方向（Chen et al., 2020；Chen et al., 2022；Liu et al., 2023, 2025）。这类模型既能遵守既定理论和物理定律，又能在有信息数据时学习传统过程公式无法捕捉的关系（Shen et al., 2023）。然而，由于嵌入的过程模型和耦合策略因应用而异，混合方法的有效性取决于具体领域，这对城市树木尤甚——针对物种尺度LE估算的此类方法评估鲜少，其生理驱动因子亦未被充分理解。本研究旨在填补上述空白，开发了一个包含三种融合Jarvis模型的混合DL框架，并与Jarvis、纯DL和RF基线进行比较，同时运用SHAP方法量化特征贡献并表征物种间的模型派生关联。

**二、主要技术方法**

研究人员在德国巴伐利亚州的维尔茨堡和慕尼黑的九个城市站点（2015-2021年）开展了观测，研究对象为两种水力策略对立的树种：心叶椴（Tilia cordata，散孔材、非等水、耐阴）和刺槐（Robinia pseudoacacia，环孔材、等水、喜光），样本队列来源包括Rahman et al. (2017a, 2018, 2020)、Shashua-Bar et al. (2023)和R?tzer et al. (2021)等已发表数据集。环境变量（Rs、Ta、VPD、30 cm深度θ）以10分钟间隔记录，θ被归一化为土壤水分亏缺（θdef）。液流密度（SFD）采用Granier型热耗散探针（TDPs）以5分钟间隔测量，按物种在站点水平平均后聚合为小时值，仅保留Rs>0的白天记录。目标变量LE由液流换算得到（LE = Lv·SFD·Asap/Ac，其中Lv为汽化潜热，Asap为边材面积，Ac为冠层投影面积）。研究比较了六种模型：Jarvis模型（M0）、纯DL模型（M1）、物理引导残差学习（M2）、加权融合（M3）和特征学习（M4），外加RF基线。Jarvis参数采用分层贝叶斯方法结合马尔可夫链蒙特卡洛（MCMC）推断；DL模型基于多层感知机（MLP）架构，采用全连接-批归一化-ReLU-Dropout（FBRD）堆叠块，以均方误差（MSE）为损失函数，使用AdamW优化器及贝叶斯超参数调优。

**三、研究结果**

**3.1 所有模型的性能表现**
在30%留出测试集上，相较于Jarvis基线（M0），所有RF和DL模型均提升了精度。混合策略（尤其M3和M4）相比纯DL（M1）实现了进一步提升：对T. cordata，M4将NSE提高了0.09，MAE（RMSE）降低2.55（3.42）W/m2；对R. pseudoacacia，M4将NSE提高了0.11，MAE（RMSE）降低0.60（0.84）W/m2。M4在随机留出评估中表现最佳，RF基线在较小样本量的R. pseudoacacia上表现优于M1和M2。

**3.2 混合模型的泛化性与稳健性**
五折交叉验证结果与留出测试集一致。留一年验证作为更严格的站点-年份时间稳健性检验，所有模型精度均下降，但混合模型（M2、M3）比纯DL和RF基线更稳定。训练规模敏感性实验表明，M4在较小训练比例（低于40%）下对两种树种均为最稳健和准确的模型；随着样本量增加，M3和M4的结果逐渐趋同。

**3.3 DL模型输入的整体重要性**
SHAP分析显示，在纯DL模型（M1）中，DOY是最主要的预测因子，反映了季节调节的主导作用。T. cordata的DOY SHAP值在季节早期为正、后期转负，而R. pseudoacacia呈现近乎相反的模式（后期转正），反映其物候偏晚。VPD居第二位，呈双向效应：中等VPD时为正，高VPD时为负。θdef表现出显著物种差异：T. cordata在高θdef时SHAP值强烈为负，而R. pseudoacacia响应混合且非单调。在M4中，Jarvis估计值（LE_Jarvis）为排名首位的预测因子，先验吸收了大部分可归因变异，DL主要做出小幅、状态依赖的修正。

**3.4 单一预测因子的边际响应**
SHAP依赖图表明，T. cordata的DOY响应峰值在约140天，而R. pseudoacacia正值出现较晚（约170天）且呈双峰。Rs和VPD对两树种的模式相似（低光负值、随Rs增加饱和、高VPD转负），但R. pseudoacacia VPD下降更早（约0.3 kPa），与等水策略一致。Ta方面，T. cordata呈总体递增响应，R. pseudoacacia呈抛物线形（20-30°C峰值）。θdef方面，T. cordata在0.6后下降、超过0.8后强烈为负，R. pseudoacacia变化较小且非单调。

**四、讨论与结论**

讨论部分指出，混合策略总体通过结合Jarvis过程模型与数据驱动学习改进了小时LE估算。RF基线在随机留出评估中具有竞争力，但在留一年验证中显著下降，甚至低于M1，表明DL本身可能比RF在条件偏移下具有更强稳健性，而Jarvis先验信息的引入进一步稳定了混合模型。M4在随机留出和有限数据评估中表现最佳，而更受Jarvis约束的M2和M3在留一年验证中略为稳定，提示在站点-年份偏移下更强的过程引导减少了学习负担。因此，没有单一的混合策略在所有验证情境下普遍最优。留一年验证界定了本研究的泛化边界，应理解为站点-年份时间稳健性检验而非严格的时间或空间外推。在高热干旱胁迫子集（由Ta、VPD和θdef的第95百分位定义）下，M3和M4保持稳健，其中M4通常表现最强。研究还识别出Jarvis公式的结构性局限：乘法可分离性和因子独立性将条件依赖压缩为单因子曲线，可能导致Rs过早饱和；用空气VPD近似叶片尺度VPD忽略了边界层和叶温效应；强共线性使得单因子响应函数难以解耦关键驱动因子；固定经验参数代表样本期平均值，无法捕捉种内因水文气候背景和微气候异质性导致的分化。

研究结论部分翻译如下：我们将Jarvis模型以三种方式整合到DL中，并系统评估了它们在T. cordata和R. pseudoacacia物种尺度小时LE估算中的性能。我们的结果并非旨在确定一个普遍最优的单一模型，而是揭示不同耦合策略如何在稳健性、灵活性和物理可解释性之间进行权衡。特别是，将LE_Jarvis作为特征纳入，在随机留出和有限训练数据评估中提升了性能。这种过程信息的基于特征的耦合方式，不强制对学习目标进行严格分解，为数据有限时城市树木LE的混合建模提供了一条实用且可复现的路径。SHAP分析进一步识别了与环境和物候驱动因子相关的物种特异性模型响应模式。此外，Jarvis模型中识别出的物种特异性偏差凸显了DL在诊断过程模型局限方面的价值。该框架可扩展到更广泛的蒸散发系统，例如作为Shuttleworth-Wallace或PM模型中基于Jarvis的气孔或冠层阻力项的混合模块或数据驱动校正（Shuttleworth和Wallace, 1985）。这些发现强调了两类方法的互补性：过程模型提供先验结构和可解释性，DL提供灵活校正，这种相互作用对未来模型开发和诊断具有重要意义。