基于小样本深度学习方法预测根区土壤水分

《Journal of Hydrology》：Predicting root-zone soil moisture using a small sample deep learning approach

　　

•引入了一种小样本深度学习 approaches 即 TabPFN，用于根区土壤水分预测。
•TabPFN 优于传统基线模型，在不同时间尺度和网格密度下保持稳定性。
•TabPFN 支持数据稀疏区域的 RZSM 区域化，用于干旱监测和水文评估。

引言
根区土壤水分（RZSM）是陆地水循环的基本组成部分，也是连接陆面过程与大气动态的关键变量（Sun 等，2025，Qiao 等，2023）。作为植被根系可获取的主要水源，RZSM 直接调节植物吸水、作物蒸腾和光合活性，从而对生态系统功能和农业生产率产生关键影响。在干旱条件下，RZSM 的亏缺加剧植物水分胁迫，抑制蒸腾和碳同化，最终导致产量损失（Boas 等，2024，Fu 等，2024，Bevacqua 等，2024）。这些影响突显了准确表征 RZSM 动态对于干旱监测、灌溉管理和粮食安全评估的重要性。尽管其很重要，但 RZSM 的直接观测仍然极其有限。原位土壤水分监测网络稀疏且分布不均，特别是对于代表根区的深层土壤。根据国际土壤水分网络（ISMN）网站在 2026 年 6 月 24 日列出的数据，ISMN 由来自 89 个贡献网络的 3,335 个站点组成。其中约 48% 的站点位于北美，20% 位于欧洲（ISMN，n.d.），而非洲、南美洲和亚洲大部分地区仍代表不足。此外，许多现有站点仅测量近地表土壤水分，进一步限制了可靠根区观测的可用性。这种有限的观测覆盖使得捕捉 RZSM 的时空变率变得具有挑战性，特别是在区域到大陆尺度以及长时期内。因此，迫切需要空间连续、时间一致且物理可靠的 RZSM 数据集，以支持陆 - 大气相互作用研究、干旱早期预警和农业水管理。

目前，主要有两类方法被广泛用于获取空间和时间连续的 RZSM 数据。第一类依赖于基于物理的陆面模型和数据同化系统。随着遥感技术的发展和同化技术的进步，地表土壤水分（SSM）可以以较高的时空覆盖度获取（Entekhabi 等，2010，Peng 等，2021），RZSM 可以进一步通过渗透模型或耦合土壤 - 植被 - 大气陆面模型的同化框架进行估计（Draper 等，2011，Reichle 等，2019）。这些方法具有物理可解释性，明确表示了渗透、蒸散发和根系吸水等关键过程。然而，其性能强烈依赖于模型结构、参数化、边界条件、气象强迫和同化输入。在数据稀缺地区，参数和强迫数据的 uncertainty 往往会通过模型传播，导致 RZSM 模拟中出现显著偏差和不确定性，特别是在应用于大空间范围或延长时间段时（Blyth 等，2021，Qiu 等，2021，Tian 和 Zhang，2023）。

第二类是机器学习（ML）和深度学习（DL）approaches，越来越多地被用于通过学习土壤水分与环境变量之间的经验关系来估计 RZSM。通过融合多源遥感观测、植被和土壤属性以及气象再分析数据，ML/DL 模型能够实现不同深度土壤水分的高效数据集成、降尺度和空间外推（Carranza 等，2021，Li 等，2023，Sahaar 和 Niemann，2024）。常用方法包括随机森林、梯度提升树、卷积神经网络和长短期记忆网络。通过多源数据集成、迁移学习和将过程模型信息纳入深度学习的混合方案，模型性能得到了进一步提高（Babaeian 等，2021，Xu 等，2023，Zhu 等，2024）。元学习也已被探索，以通过从气候特定预测任务中学习可转移信息，来改善跨异质 K?ppen-Geiger 气候区的全球土壤水分预测（Li 等，2025）。更广泛地说，不确定性表征和可预测性仍然是数据驱动的地球系统过程时空预报中的中心挑战（Xu 等，2021）。尽管前景看好，但大多数现有的基于 ML/DL 的 RZSM 研究严重依赖于大型、密集且时间连续的训练数据集。例如，以前的研究通常使用数千个站点和数百万个样本训练模型（Li 等，2022），或使用基于过程模型生成大型合成数据集作为训练替代品（A 等，2022）。这种数据需求与 RZSM 观测的现实形成鲜明对比，后者通常是稀疏的、分布不均的、时间不连续的且受测量不确定性影响，特别是在无资料或资料贫乏地区。在这些条件下，数据驱动模型可能会遭受性能下降、区域化能力有限、特征重要性归因偏差和物理可解释性降低（Carranza 等，2021，Slater 等，2025）。此外，许多 ML/DL 方法强调单个站点的时间序列学习，由于空间非平稳性和环境异质性，难以将学到的关系转移到无资料地区（Li 等，2023，Zhu 等，2024）。

这些局限性与此前更广泛的无资料流域预报（PUB）问题密切相关，该问题关注在有限、稀疏或缺失观测下的可靠水文预报（Sivapalan 等，2003，Hrachowitz 等，2013）。在 RZSM 估计的背景下，这个问题反映在当原位观测稀疏、片段化或时间较短时，需要在空间上外推土壤水分信息（Liu 等，2010，Liu 等，2016）。相关努力已使用多尺度域适应在有限原位观测下转移跨空间分辨率和地理区域的知识，以实现高分辨率土壤水分获取（Zhu 等，2025），说明了可迁移学习在数据受限环境预报中的潜力。在这一更广泛的背景下，本研究引入了新提出的表格先验数据拟合网络（TabPFN）方法（Hollmann 等，2023，Hollmann 等，2025），该方法专门针对表格数据设计，并在小样本和少样本学习场景中表现出强大的性能，且无需超参数调优。与需要大型训练数据集以确保稳健区域化的传统 ML 模型不同，TabPFN 利用从大型合成任务分布中学到的先验知识，使其特别适合数据稀缺条件。最近的研究开始考察 TabPFN 在观测有限时的地球科学和水资源应用中的潜力。在小样本地球科学制图方面，TabPFN 已被用于通过整合遥感、无人机观测和现场调查数据来评估寒冷地区的冻融灾害敏感性（Zhu 等，2026）。在水资源研究中，它已被应用于中国高分辨率地下水碳酸氢盐制图和尺度风险评估，在稀疏采样条件下显示出强大的预测能力（Sun 等，2026）。这些早期应用表明 TabPFN 可能非常适合涉及有限原位观测、异质空间协变量和区域外推的环境预报问题。然而，据我们所知，尚无文献报道使用 TabPFN 预测 RZSM。

为了填补这一知识空白，我们引入 TabPFN 在有限和不连续数据可用性下预测 RZSM。更具体地说，我们基于中国原位土壤水分观测构建了一个用于 RZSM 估计的 TabPFN 少样本学习框架，并系统地评估了其区域化能力。我们的具体目标是：
(1) 评估 TabPFN 在极稀疏且时间不连续的原位观测下重建连续 RZSM 动态的能力，采用每个网格一个样本的训练策略；
(2) 通过构建独立的每日模型评估 TabPFN 在变化的水文气候条件下的特定时间空间预测能力，并进一步评估其对于一致的周和月时间聚合以及逐渐降低的训练网格密度的鲁棒性；以及。
(3) 将 TabPFN 的性能与传统 ML/DL 模型（随机森林、XGBoost、CatBoost 和 Tabular ResNet）在数据丰富和类似 PUB 的数据稀疏条件下进行基准对比。

通过展示 TabPFN 在小样本和数据稀疏 RZSM 估计中的适用性，本研究为解决 PUB 相关的数据稀疏区域化挑战提供了新的方法途径。它突出了少样本学习作为传统基于物理的模型和数据密集型机器学习方法的补充策略的潜力，从而有助于在数据稀缺地区实现更可靠的水文预报和干旱监测。

章节片段
研究区
研究区覆盖中国 mainland。跨越近 35 个纬度度和 50 多个经度，中国拥有复杂多样的自然地理条件。气候、地形、土壤和植被特征的显著差异导致土壤水分分布的高度空间异质性。本研究使用的原位土壤水分观测站点覆盖了该国主要的气候和生态区域，包括北方温带季风区，

稀疏和不连续观测下的区域化性能
使用 2018–2022 年时间序列中每个网格随机选取的一个样本对 TabPFN 进行训练，得到了图 3 所示的结果。结果中包含了 RF、XGBoost、CatBoost 和 Tabular ResNet 的结果以供比较。
值得注意的是，TabPFN 在使用小样本训练时取得了最佳的预测性能。其皮尔逊相关系数（R）达到了 0.726 ± 0.002，比 RF、XGBoost、CatBoost 和 Tabular ResNet 分别提高了约 2.5%、9.2%、3.0% 和 4.6%，而后者的 R 值为

TabPFN 的特征依赖性和水文意义上的学习
为了考察 TabPFN 在小样本设置下是否学到了水文上有意义的关系，我们结合了基于 SHAP 的特征归因、负对照特征测试和 RZSM 产品消融测试。对照测试旨在破坏预测变量和观测 RZSM 之间的物理对应关系，而消融测试用于评估模型是否直接依赖现有的网格化 RZSM 产品。这些分析共同有助于确定模型

结论
为解决监测不足或数据稀缺地区可靠 RZSM 预测的挑战，本研究构建了一个基于 TabPFN 的少样本学习框架。我们评估了与使用有限、不连续原位数据相比，传统数据驱动模型捕捉水文模式的能力。在集成建模中，TabPFN 利用上下文概率推断有效处理稀疏观测，显著优于传统模型（随机森林，

CRediT 作者贡献声明
Yalin Xie：写作 – 审阅与编辑，写作 – 原稿撰写，可视化，验证，软件，方法学，调查，形式分析，数据管理。Jing Tian：写作 – 审阅与编辑，监督，资源，项目管理，方法学，资金获取，数据管理，概念化。Yongqiang Zhang：写作 – 审阅与编辑，监督，资源，方法学，资金获取，概念化。Xuanze Zhang：监督，方法学，概念化。

未引用参考文献
Shi 和 Shangguan (2024)。

利益冲突声明
作者声明，他们没有已知的竞争财务利益或个人关系，这可能被认为会影响本论文中报告的工作。

致谢
本研究得到了国家自然科学基金委员会（资助号 42071327）和国家自然科学基金重大项目（资助号 42330506）的资助。

Yalin Xie|Jing Tian|Yongqiang Zhang|Xuanze Zhang|Longhao Wang|Haoshan Wei|Xian Wang|Zixuan Tang