《Agricultural Water Management》：Interpretable model responsibility for cropland evapotranspiration across environmental gradients
编辑推荐：
专业术语翻译（论文摘要部分）
软责任学习融合了六个物理蒸散发（evapotranspiration, ET）模型。留一站验证（leave-one-site-out validation）检验了向未见农田站点的迁移能力。物理混合模型在跨站点条件下保留了大部分预测
专业术语翻译（论文摘要部分）
软责任学习融合了六个物理蒸散发（evapotranspiration, ET）模型。留一站验证（leave-one-site-out validation）检验了向未见农田站点的迁移能力。物理混合模型在跨站点条件下保留了大部分预测技能。在88.1%的保留日中发生了家族内弥散性责任分配（diffuse within-family responsibility）。残差比率（residual ratios）识别了模型家族内部共享不足的边际区间。
论文解读文章
一、研究背景与问题
农田蒸散发（evapotranspiration, ET）既是管理关键的通量，也是极具挑战性的预测目标。它连接灌溉需求、作物胁迫、地表能量分配和陆气耦合，并对辐射、大气需水、冠层发育、根区水分供给及管理措施的变化作出快速响应。这种敏感性使ET估算成为农业气象学和地表遥感的核心挑战。问题在于模型适用性具有状态依赖性：一种公式在某种作物、气候或水分胁迫条件下表现良好，在另一种条件下可能失去可靠性。
这种状态依赖性反映在ET公式的多样性上。Priestley–Taylor变体、Penman–Monteith公式、基于热红外的地表能量平衡模型和混合闭合方案在辐射分配、空气动力学阻力、冠层导度、热胁迫和土壤水分限制的处理方式上存在根本差异。比较评估反复发现，没有任何单一ET模型能在所有作物类型、气候制度和胁迫条件下优于其他模型。这种持续的、随制度变化的差异推动了多模型、多源和融合ET产品的发展。OpenET已经证明，六个遥感ET模型的集成可以实现美国本土的业务化水资源核算，且集成一致性增强了农田区域的置信度。然而，一个过程导向的诊断问题仍然悬而未决：当多种公式在物理上仍然合理时，在给定的环境状态下，每个公式应被分配多少责任？集成成员间的一致性可能表明稳健支持、未解决的模糊性或候选模型家族的共同偏差；区分这些情况对于过程解释和管理使用至关重要。
现有机器学习融合研究主要采用池化随机分割验证，这主要衡量共享站点池内的记录级插值，可能因训练和测试子集继承共同的站点结构、管理、物候和强迫特征而高估泛化能力。因此，需要一种面向迁移的评估协议——留一站验证（leave-one-site-out, LOSO）——来检验从已知站点学到的责任模式在未见站点上是否仍然有效。
二、研究内容与总体结论
研究人员将农田ET融合构建为软责任学习（soft responsibility learning）问题，并在LOSO验证下评估所得诊断。研究使用了Bai等（2021）建立的农田涡度相关基准数据集，在要求每站点至少保留365条日记录后，最终数据集包含41个站点和82,942个日样本。相对模型误差辅以弱能量一致性锚点被转化为软教师责任。六个极端梯度提升（Extreme Gradient Boosting, XGBoost）回归头学习六个物理ET模型的环境条件化责任分量，其输出被约束到单纯形。在物理混合之后添加了一个有界的ElasticNet残差分支以表示剩余的系统性不匹配。
研究检验的假设是：当学习权重被视作条件模型可信度、模型模糊性和家族整体不足的诊断指标时，动态ET融合具有最大的科学价值。相对于当前ET融合研究和业务集成实践的创新之处在于将学习权重作为模型责任的环境诊断进行审计，将其作用从融合系数扩展到模型行为的可解释指标。
研究得出以下主要结论：物理混合模型在跨站点条件下保留了大部分预测技能；在88.1%的保留日中发生了家族内弥散性责任分配；残差比率识别了模型家族内部共享不足的边际区间。责任模式在环境梯度上发生重组，熵、前二差距、分组SHAP和残差比率诊断能够区分六模型家族内的广泛竞争、锐化主导和共享不足。
三、关键技术与方法
研究采用的主要技术方法包括：其一，软责任学习框架，由损失推导的教师责任、环境XGBoost门控和残差校准层三个关联组件构成，教师责任由模型误差经鲁棒损失转换而来，并辅以弱能量一致性锚点；其二，六头XGBoost回归结构，每个回归头学习一个物理模型的环境条件化责任分量，输出经裁剪和行归一化约束到单纯形；其三，有界ElasticNet残差分支，以训练折第98百分位数界定并以0.25收缩，用于表示物理混合后的剩余系统性偏差；其四，留一站验证（LOSO）协议，每次留出一个站点作为验证集，检验责任模式向未见站点的迁移能力；其五，诊断指标体系，包括责任熵、前二差距、分组SHAP归因和残差比率。数据来源为FLUXNET/ONEFlux谱系及相关区域通量网络的农田涡度相关站点，经质量控制和至少365天保留规则筛选后共41个站点、82,942个日样本。
四、研究结果
环境责任生态位。 通过分析责任权重随大气需水、冠层状态、水分胁迫和能量条件的环境梯度变化，研究发现不同物理模型在不同环境状态下获得主导责任，责任分配呈现明显的环境条件依赖性，表明各模型在特定环境区间内具有相对优势。
分组SHAP归因。 利用分组SHAP方法将11个环境驱动因子归入六个过程家族（水分供给、能量供给、热状态、大气需水、绿度和水分胁迫），量化了各过程家族对责任重新分配的贡献，识别出哪些环境因子驱动模型间责任的转移。
竞争结构。 通过熵和前二差距诊断，研究发现88.1%的保留日呈现家族内弥散性责任分配，表明在大多数环境状态下多个模型保持相似可信度，而非单一模型占据主导，这反映了模型家族内部的广泛竞争关系。
共享不足。 残差比率诊断识别了模型家族整体不足的环境边际区间，即在某些环境条件下所有六个物理模型均无法充分解释观测通量，需要残差校正分支来补偿系统性偏差。
LOSO稳健性。 在留一站验证下，物理混合模型在未见站点上保留了大部分预测技能，表明学到的责任模式具有跨站点迁移能力。与强基线、组件消融、匹配随机分割和稳定性分析的比较进一步验证了推断的稳健性。
五、讨论与结论
讨论部分指出，将学习权重视为环境诊断而非仅作为融合系数，扩展了多模型ET估计的解释价值。高熵状态表示弥散责任，反映模型家族内部的竞争性模糊，而非预测不确定性。残差比率能够区分模型家族的整体不足与个别模型的局部失效，为农业水资源管理中区分集中模型支持、弥散模型竞争和系统性残差校正提供了诊断信息。研究结论强调，软责任学习框架将ET融合与农业水管理所需的诊断信息联系起来，使用户能够区分多模型ET估计中的集中模型支持、弥散模型竞争和系统性残差校正。
