引言
土壤水分（SM）是连接陆-气交换、植被功能和陆面水循环的关键生态水文变量（Yu et al., 2021a）。其时间变化影响蒸散分配、陆地表层附近温度条件、干旱发展和生态系统生产力（Seneviratne et al., 2010）。重要的是，SM动态随土壤深度显著变化。表层SM通常对降水脉冲和大气蒸散发需求快速响应，而深层SM受土壤蓄水、水力再分配、根系吸水及延迟垂直传输过程的影响更为显著。这些与深度相关的过程塑造了SM的记忆特征，导致在相同气象驱动条件下不同土层之间响应幅度与时间尺度的差异（Guswa et al., 2002, Rahmati et al., 2024）。因此，准确预测多个土壤深度上的SM对于理解根区水分可用性、干旱演化和生态系统水分调节至关重要。
已有多种方法被开发用于模拟或预测土壤剖面上SM动态。在土壤剖面尺度上，基于物理过程的模型如HYDRUS 1D通过求解Richards方程模拟非饱和或变饱和土壤中的水分运动。通过对土壤剖面进行数值离散化，这些模型表征了入渗、根系吸水、排水和垂直再分配过程（Richards, 1931, ?im?nek et al., 2008）。在更大空间尺度上，陆面模型和水文模型通常将土壤柱划分为多个层次，通过将垂直水分运动、蒸散发、径流、地下水交换、植被过程和地表能量平衡耦合来模拟不同深度的SM。例如，可变入渗容量模型（VIC）通常将土壤剖面划分为若干层，入渗水首先进入上层土壤，蒸散发主要发生在根区内，重力驱动的排水将水分输送至更深土层（Liang et al., 1994）。社区陆面模型第5版（CLM5）和Noah MP进一步将多层土壤水文过程与植被过程及陆-气能量交换耦合（Niu et al., 2011, Lawrence et al., 2019）。这些模型为土壤水分运动提供了物理意义上的表征，在研究土壤水文过程和陆面-大气相互作用方面发挥着重要作用。
然而，基于物理过程的模型在单个监测站的应用可能受限于其对土壤水力特性详细信息、不同土壤层初始条件、上下边界条件、根系分布、植被参数和校准数据的需求。当土壤水力特性和根系特征在垂直或空间方向上存在变化时，这些参数的不确定性可能传播至模拟的SM结果中。此外，预定义的土层结构、对局部异质性的简化表征以及模型参数化与单点观测之间的尺度不匹配可能限制这些模型在特定站点的SM动态再现能力。因此，数据驱动方法可以作为有用的补充工具，因为它们可以直接从气象和SM观测时间序列中学习非线性和滞后关系。然而，不应将其视为基于物理过程模型的替代方案。
随着机器学习和深度学习方法的不断发展，在SM预测方面已取得重大进展。早期的数据驱动研究通常采用人工神经网络、支持向量机、随机森林等传统机器学习模型来刻画气象变量与SM之间的非线性关系。循环神经网络，特别是长短期记忆网络（LSTM）和门控循环单元（GRU），随后因其循环结构能够保留前序信息并表征SM时间序列中的时序依赖关系而受到广泛关注（Yu et al., 2021b）。近年来，基于注意力机制和Transformer架构的模型也被应用于水文和环境时间序列预测。其自注意力机制可以直接评估不同时间步之间的关系，从而在不完全依赖顺序循环处理的情况下识别有用的历史信息（Vaswani et al., 2017, Wu et al., 2021, Zhou et al., 2021, Orozco López et al., 2024）。近期研究比较了Transformer、LSTM和耦合架构；将基于物理过程的模拟与深度学习模型整合；探索用于SM预测的时间序列基础模型；以及将神经算子与滑动窗口策略相结合用于地下SM重建和预测（Li et al., 2024, Wang and Zha, 2024, Singh et al., 2025）。这些研究表明人工智能模型在表征非线性关系、长期时序依赖性和多环境变量相互作用方面具备日益增强的能力。
尽管取得了这些进展，多深度SM预测仍存在一些局限性。首先，许多现有研究主要关注单一土层或强调整体预测精度，而不同土壤深度之间气象贡献的比较仍然有限。其次，历史输入窗口的长度通常仅被视为模型超参数，其与土壤深度的变化鲜少结合不同深度的SM记忆以及对前序气象条件的延迟响应进行解释。第三，深度学习模型的复杂内部结构使得确定单个气象预测因子如何影响特定预测变得困难，包括其贡献的方向、幅度、非线性特征和样本依赖性。虽然注意力机制可以识别重要的时序信息，但仅凭注意力权重无法提供预测因子贡献的完整定量归因。因此，需要一种可解释的框架来同时评估预测性能、识别有用的前序时间窗口并量化模型在不同土壤深度产生的气象贡献。
可解释人工智能为提升深度学习模型的可解释性提供了途径。现有的解释方法包括排列特征重要性、部分依赖图（PDP）、局部可解释模型无关解释（LIME）、SHAP等方法。其中，SHAP基于合作博弈论，能够提供全局特征重要性和样本级归因结果。这使得可以量化每个气象预测因子在不同土层上的贡献幅度和方向，从而支持对复杂模型的面向机制的解释（Lundberg and Lee, 2017, Ba?a?ao?lu et al., 2022）。因此，本研究开发了一种基于Transformer的模型用于日尺度多层深SM预测，并使用SHAP作为可解释性工具诊断气象预测因子贡献的深度依赖差异。我们旨在解决两个关键挑战：刻画SM对前序气象信息深度依赖的时序关系以及提高多层深SM预测中预测因子的可解释性。为此，针对不同土层构建了深度专属的Transformer模型，并使用深度自适应输入窗口来捕获表层快速响应和深层更缓慢、更具持续性的动态。同时，将基于SHAP的特征归因与预测结果相结合，为气象贡献的垂直变化提供可解释的见解。该框架不仅提高了多层深SM动态的预测精度，还有助于刻画滞后响应，并对深度依赖的SM行为提供更具可解释性的理解。
