基于Optuna–CatBoost–SHAP方法提升青藏高原地表热通量数据质量的研究

《Remote Sensing》：Improving the Quality of the Surface Heat Flux Data over the Tibetan Plateau by Using an Optuna–CatBoost–Shapley Additive exPlanation Method

　　

准确可靠的潜热（latent heat，LH）和感热（sensible heat，SH）通量数据对于确定青藏高原（Tibetan Plateau，TP）的能量交换以及研究陆—气相互作用及其对气候的影响至关重要。提高TP热通量数据集的精度并全面评估其可靠性和不确定性，尤其是在数据稀缺地区，仍是一个研究不足的领域。本研究利用Optuna–分类提升（categorical boosting，CatBoost）模型，融合了2000—2022年TP的日尺度热通量数据集，整合了五个再分析数据集（CRA、ERA5、MERRA2、NCEP和JRA55）及环境变量。采用Shapley加性解释（Shapley Additive exPlanation，SHAP）分析和广义三角帽（generalized three-cornered-hat，TCH）方法分别进行结果解释和时空不确定性量化。结果表明，融合方法能够显著提高数据精度，即LH的皮尔逊相关系数（Pearson CC）可从0.74提高至0.85，SH的Pearson CC可从0.52提高至0.70。此外，融合方法能够显著降低融合LH数据的不确定性，并总体上降低融合SH数据的不确定性（LH的平均相对不确定性（relative uncertainty，RU）为14.84%，SH为27.88%）。露点温度和地表温度（land surface temperature，LST）被发现是影响LH和SH模拟的最重要环境因子（平均贡献率分别为12.9%和15.6%）。当露点温度超过266.56 K且LST超过13.79 °C时，它们对LH和SH的影响由负转正。湿地和冰川分别是LH和SH数据中不确定性最高的土地覆盖类型。在所有气候区中，柴达木盆地表现出最高的平均不确定性。本文所开发的基于机器学习的融合方法不仅有效提升了融合数据的质量，而且其不确定性分析结果为未来站点扩展和进一步的数据质量改进提供了有价值的见解。

一、研究背景与意义

在全球气候变化背景下，青藏高原（Tibetan Plateau，TP）的热力变化对地球系统科学中的理论及应用研究至关重要。高原上异常的地表感热（sensible heat，SH）和潜热（latent heat，LH）通量通过大气和水文循环显著影响东亚乃至全球的天气与气候。然而，高原复杂的地形和显著的空间异质性使得热通量观测塔的布设极为困难，原位观测数据的获取受到极大限制。因此，如何整合多源数据并提升数据质量，以更好地理解高原热通量的变化与演变，仍是一项重要且具有挑战性的任务。

当前计算TP地表热通量的方法主要分为两类：一类是基于物理过程的模型，包括纯物理过程模型、Penman–Monteith模型、地表能量平衡系统（Surface Energy Balance System，SEBS）模型和Noah–MP陆面模型等，此类模型虽具有坚实的理论基础，但通常需要大量高精度输入参数，计算负荷大；另一类是多源数据融合方法，包括贝叶斯融合、加权平均、机器学习和深度学习等，是提升数据产品时空连续性和精度的关键手段。尽管地表热通量产品日益丰富，但由于原位观测稀疏以及涡度协方差测量的系统误差，TP区域仍存在显著的不确定性。再分析数据相比遥感产品具有更广的时空覆盖范围，是开展长期研究的理想数据源。因此，利用机器学习方法整合多源再分析数据，是提高TP热通量估算精度的可行且有效途径。三角帽（three-cornered hat，TCH）方法是一种无需地面观测即可评估多源产品不确定性的广泛使用的方法，其扩展版本可评估三个以上数据集，并已成功应用于降水、蒸散发等地球物理产品。

本研究的目标是：（1）通过整合多个再分析数据集和环境变量，开发一种分析TP地表热通量（SH和LH）的融合方法；（2）将融合产品的不确定性与原始再分析数据集进行比较，识别空间差异显著的区域并诊断其根本原因，为未来通量模拟的改进提供依据。

二、主要技术方法

研究人员采用Optuna–CatBoost融合方法，以五个再分析数据集（CRA、ERA5、MERRA2、NCEP和JRA55）的日尺度地表热通量以及环境变量（包括地表温度LST、归一化植被指数NDVI、地表辐射SR、土壤湿度SM、露点温度、高程、坡度、坡向、经度和纬度）共15个特征作为输入，以11个涡度相关（eddy covariance，EC）观测站（数据来源于国家青藏高原科学数据中心）的观测数据作为目标变量，构建了2000—2022年TP日尺度热通量数据集。研究采用留一主体交叉验证（leave-one-subject-out cross-validation，LOSOCV）评估模型的泛化能力，利用SHAP方法解释模型预测机制，并采用广义TCH方法量化融合数据与各再分析产品的不确定性。

三、研究结果

3.1 基于机器学习的数据融合

三种机器学习模型（随机森林RF、极限梯度提升XGBoost和CatBoost）在TP均表现出良好的模拟能力。其中CatBoost模型整体表现略优，LH和SH模拟的验证R²分别为0.75和0.65，训练与验证R²差距小于0.1，表明模型具有良好的泛化能力和较低的过拟合风险。融合数据与观测的相关系数（CC）显著高于任一单一再分析产品：融合SH数据的CC达0.70，较MERRA2提高0.18，均方根误差（RMSE）降至10.07 W/m²；融合LH数据的CC达0.85，较JRA55提高0.11，RMSE降至17.03 W/m²。在五个再分析产品中，JRA55对LH的精度最高，MERRA2对SH的表现最佳。空间分布上，六个LH数据集均呈现东高西低的格局，而SH的空间格局差异显著。季节变化上，融合LH在5—9月显著高于其他再分析产品，融合SH则仅次于MERRA2。

3.2 结果解释与理论贡献

SHAP分析表明，对LH模拟最重要的八个特征依次为露点（12.9%）、CRA（12.9%）、JRA55（11.1%）、MERRA2（9.2%）、NDVI（7.3%）、SR（7.1%）、NCEP（7.0%）和SM（6.5%）。对SH模拟的主要驱动因子为LST（15.6%）、MERRA2（12.7%）、坡向（9.4%）、SR（8.6%）、SM（7.0%）、NCEP（6.3%）、ERA5（6.0%）、露点（5.4%）和JRA55（5.4%）。露点和LST分别是对LH和SH模拟最重要的环境因子，且均呈现非线性关系并具有明显的阈值效应：当露点超过266.56 K时其对LH的影响由负转正，当LST超过13.79 °C时其对SH的影响由负转正。交互作用分析进一步揭示了露点与再分析数据、NDVI、SR等变量之间，以及LST与MERRA2、露点、SR等变量之间复杂的非线性交互关系。

3.3 融合数据相对不确定性的比较

不确定性分析表明，融合LH数据实现了最低的平均相对不确定性（RU）14.84%，显著优于JRA55（32.16%）、CRA（32.42%）、MERRA2（50.60%）、NCEP（53.44%）和ERA5（59.98%）。融合SH数据的平均RU为27.88%，仅次于MERRA2（22.73%），但明显低于CRA（35.18%）、JRA55（38.77%）、ERA5（56.92%）和NCEP（50.14%）。空间上，融合LH的不确定性呈东高西低格局，融合SH的不确定性则集中于高原西部，呈自西北向东南递减的趋势。季节尺度上，各产品的不确定性在夏季主要集中在低等级。按土地覆盖类型分析，湿地（WET）的LH不确定性最高（平均RU为49.89%），永久冰雪（PSI）的SH不确定性最高（平均RU为45.84%）。按气候区分析，柴达木盆地（HD1）在LH估算中表现出最高的平均不确定性。

四、讨论与结论

讨论部分指出，融合SH表现略逊于LH主要归因于原位SH观测质量较低以及再分析产品在站点尺度上的显著偏差。尺度不匹配、时间序列长度以及地表异质性等因素共同制约了通量估算的精度。融合数据不确定性的显著降低得益于环境变量的引入，JRA55和MERRA2可能未能充分捕捉环境变量在特定季节对热通量的影响。冰川区具有最低的LST、NDVI和露点温度值，导致基于陆面观测站数据参数化的模型在该区域适用性差；柴达木盆地以极端高温低湿为特征的典型沙漠盆地环境，现有模型未能完全捕捉其特性。

研究结论可归纳为：（1）本研究利用机器学习融合方法开发了TP日尺度热通量数据集（2000—2022年），有效提升了该区域热通量数据质量，LH的CC从0.74提高至0.85，SH的CC从0.52提高至0.70；融合LH的不确定性（14.84%）较五个再分析产品显著降低，融合SH的不确定性（27.88%）也显著低于JRA55、CRA、NCEP和ERA5（分别为35.18%、38.77%、50.14%和56.92%），仅高于MERRA2（22.73%）。（2）露点和LST分别是LH和SH模拟中最关键的环境因子，与LH和SH呈非线性关系并具有明显的阈值效应，当露点超过266.56 K、LST超过13.79 °C时，其影响由负转正，应用于高海拔地区的陆面模型应明确考虑参数交互和阈值效应。（3）湿地和冰川分别是TP的LH和SH数据中不确定性最高的土地利用类型，柴达木盆地是平均不确定性最高的气候区，未来研究应考虑在高不确定性区域增设观测站点并加强对相关物理过程的监测，以深化对TP复杂地表陆—气相互作用的理解。