基于集合与新开发的潘曼 - 蒙特斯 - 勒宁模型的蒸散发长期预测与区域化

《Physics and Chemistry of the Earth, Parts A/B/C》：Long-Term Projections and Regionalization of Evapotranspiration via Ensembles and Newly Developed Penman-Monteith-Leuning Model

　　

• •
  应用浅层、深层和集成学习模型进行基于PML的蒸散（ET）估算。
• •
  考察了日本和中国两个具有不同气候条件的站点。
• •
  PML-V2模型在模拟实际蒸散模式方面优于经典PM模型
• •
  神经网络集成模型比其他机器学习模型更准确，最高可达23%。
• •
  应用了两种不同的气候变化情景，对未来PML-V2蒸散进行预测。

引言

蒸散（ET）是陆地生态系统的关键组成部分，在连接陆面水文过程与大气动力学方面发挥着基础性作用（Miralles等，2019；Wang和Dickinson，2012）。随着时间推移，针对不同的气候和生态条件，人们发展了多种蒸散估算方法。早期的经验方法，如Hargreaves–Samani法（Hargreaves和Samani，1982），旨在为气象观测有限的地区提供实用的估算。其简洁性使其适用于数据稀疏的应用场景，但代价是无法充分表征控制蒸散的物理过程。相比之下，基于物理机制的方法能够更详细地表征陆–气相互作用。例如，Penman–Monteith（PM）模型（Penman，1948；Monteith，1965）已成为应用最广泛的方法之一，因为它整合了影响蒸散的主要大气和地表控制因素。其他方法，包括Priestley–Taylor法（Priestley和Taylor，1972）和地表能量平衡（SEB）方法（Wang等，2012），也根据环境条件和数据可用性得到了广泛应用。然而，传统蒸散模型可能无法充分表征植被生理响应和大气二氧化碳（CO₂）的影响，这会在变化的环境条件下给蒸散估算引入不确定性（Rana等，2005；Chipula等，2025）。

Penman–Monteith–Leuning（PML）框架旨在改善植被与大气间相互作用的表征（Leuning等，1995）。第一版PML-V1通过纳入植被生理控制因素，包括冠层导度和气孔阻力，扩展了传统方法（Zhang等，2010）。PML-V2进一步发展了这一框架，将蒸散与总初级生产力（GPP）耦合，从而能够更明确地表征大气CO₂对植被蒸腾的影响（Zhang等，2019）。该模型估算蒸散的主要组成部分，包括土壤蒸发（Es）、植被蒸腾（Et）和截留降雨蒸发（Ei），同时通过集成的生物物理地表导度方案估算GPP（Zhang等，2019；Gan等，2018）。模型还考虑了不同植物功能型（PFTs）之间的差异，提高了模型在不同植被条件下的适用性。这种耦合尤为重要，因为GPP作为光合作用碳吸收的度量，与生态系统功能和水资源利用密切相关（Gebremichael和Barros，2006）。全球PML-V2产品将全球陆地数据同化系统2.1版（GLDAS-2.1）的气象强迫数据与中分辨率成像光谱仪（MODIS）观测数据相结合，从2000年2月起以8天时间间隔和500米空间分辨率提供蒸散估算。该模型已使用全球95个FLUXNET站点的观测数据进行评估（Zhang等，2019），近年来其在水文和环境研究中的应用不断增加（例如，Nourani等，2024a，2025）。

尽管取得了这些进展，将基于PML-V2的蒸散估算从历史条件扩展到未来气候条件仍存在重要空白。现有应用主要集中于利用历史气象和遥感信息估算或分析蒸散，而较少关注在 futuro 气候情景下对PML衍生蒸散的预测。这限制了PML-V2在研究生态系统水分损失可能如何响应未来气候变化方面的应用。解决这一空白需要一个能够学习历史时期气候变量与PML-V2蒸散之间关系并将其转移到气候模型预测中的框架。此类方法还要求气候模型信息在适合生态系统级别蒸散评估的空间尺度上进行表征。

一般环流模型，也称为全球气候模型（GCMs），是预测不同排放情景下未来气候条件的基本工具，提供了与蒸散估算相关的一系列变量（Song等，2022）。然而，其相对较粗的空间分辨率限制了其在局部和生态系统尺度水文研究中的直接应用（Nourani等，2019b）。因此，需要降尺度方法来弥合GCM输出与水文建模所需的更高分辨率气候信息之间的空间尺度不匹配（Wilby和Wigley，1997；Fowler等，2007）。降尺度方法通常分为动力学方法和统计方法。动力学降尺度使用区域气候模型（RCMs）以更高分辨率表征区域气候过程，但计算量需求大且需要大量数据和技术专长（Maraun等，2010）。相比之下，统计降尺度建立大尺度气候预测因子与本地观测之间的关系，因其计算需求较低且实施相对简便而得到广泛应用（Sachindra等，2018）。近年来，机器学习（ML）方法，包括前馈神经网络（FFNN）（Rumelhart等，1986）、自适应神经模糊推理系统（ANFIS）（Jang，1993）、支持向量回归（SVR）（Vapnik，1995）和长短期记忆（LSTM）网络（Hochreiter和Schmidhuber，1997），因能够捕捉气候变量间复杂非线性关系而被越来越多地用于气候降尺度（Nourani等，2019a；Moustafa等，2025）。然而，单个机器学习模型的性能在不同气候条件、变量和研究站点之间可能存在差异。集成学习通过结合多个模型提供的互补信息，提供了一种减少对单个模型依赖的途径，并在不同环境应用中展现出令人满意的性能（Mesta等，2024）。因此，将集成学习、降尺度GCM预测和PML-V2框架相结合，为在考虑非线性气候–蒸散关系和单个机器学习模型不确定性的同时研究未来蒸散提供了机会。

因此，本研究开发了一个综合框架，将PML-V2蒸散、基于机器学习的建模、集成学习、FLUXNET观测数据和降尺度GCM预测联系起来。选择了日本的一个混合森林生态系统和中国的一个草地生态系统，以在不同生态系统条件下检验该框架。本研究有三个主要目标：(i) 使用单个机器学习模型和集成学习对PML-V2蒸散进行建模，并评估2000–2024年期间模型模拟蒸散对其控制变量的敏感性；(ii) 将两个研究站点PML-V2和PM方法得出的蒸散估算值与FLUXNET塔站观测得出的实际蒸散（AET）进行对比评估；以及(iii) 对GCM气候变量进行降尺度，并利用所得信息在不同气候变化情景下对未来PML-V2蒸散进行预测。通过这些目标，本研究旨在在两个对比的陆地生态系统之间建立历史蒸散评估与基于未来气候的蒸散预测之间的一致性联系。

章节摘要

研究方法

本研究分为三个独立且相互关联的阶段（见图1）。第一阶段，对输入变量与PML-V2蒸散之间的历史关系进行建模。气象和遥感数据通过GEE平台获取。这些数据集作为构建基于PML-V2蒸散估算框架的机器学习模型的基础。为量化输入特征的影响，进行了敏感性分析，指导模型优化

结果

采用了多种机器学习方法评估输入变量与PML-V2蒸散之间的关系。这些方法包括FFNN、ANFIS、SVR和LSTM网络，以其建模复杂非线性关系的能力而著称。例如，FFNN通过学习复杂模式而无需依赖预定义的理论关系，具有灵活性，使其适用于处理噪声和不确定数据。ANFIS作为神经网络和模糊逻辑的混合体，

讨论

机器学习模型在估算不同生态系统的潜在蒸散中发挥着关键作用。敏感性分析表明，影响蒸散的主导变量在不同生态系统之间存在差异，植被动态在森林区域起着核心作用，而太阳辐射和温度在半干旱地区影响更大。神经网络集成方法展现了更高的准确性，特别是在捕捉季节性动态方面。这些发现强调了整合多个

结论

通过综合多阶段方法对基于PML-V2的蒸散建模效率进行了评估，并预测至2050年。该方法在SSP2-4.5和SSP5-8.5情景下利用GCMs，重点关注两个不同的气候区域（CH-DGRA和JP-SMF）。通过CC和FFNN进行的敏感性分析确定了影响两个区域PML-V2蒸散的关键变量。CH-DGRA的主导变量包括R_s、T_max、R_ln、T_ave、T_min，而LAI、T_max、T_min、T_ave、R_s和q是

CRediT作者贡献声明

Ramin Ahmadi：软件、方法学、正式分析、数据整理。Yongqiang Zhang：方法学、调查研究、数据整理、概念构思。Javad Einaki Maleki：撰写——初稿、方法学、正式分析、概念构思。Sameh A. Kantoush：撰写——审阅与编辑、项目管理、调查研究、资金获取。Jinhui Jeanne Huang：撰写——审阅与编辑、监督、资金获取。Vahid Nourani：撰写——审阅与编辑、监督、项目

未引用参考文献

Leuning等，2008；Stepchenko和Chizhov，2015；Zhang等，2018；Zhang等，2008；Zhang等，2010；Zhang等，2016。

利益冲突声明

? 作者声明不存在任何可能影响本文所述工作的已知竞争性经济利益或个人关系。

致谢

本研究由伊朗国家科学基金会（资助编号：4021444）和中国国家自然科学基金（资助编号：42361144709）共同资助。

Vahid Nourani|Javad Einaki Maleki|Sameh A. Kantoush|Ramin Ahmadi|Yongqiang Zhang|Jinhui Jeanne Huang