基于物理约束的时空图神经网络蒸散发预测:以朝鲜半岛为例

《Journal of Hydrology》:Physics-informed spatio-temporal graph neural networks for evapotranspiration prediction: Case of the Korean Peninsula

【字体: 大 中 小 】 时间:2026年03月13日 来源:Journal of Hydrology 7.3

编辑推荐:

  本研究聚焦于朝鲜半岛区域。研究人员开发了一种基于物理约束的时空图神经网络(Physics-informed Spatio-Temporal Graph Neural Network, ST-GNN)用于蒸散发(Evapotranspiration, ET)预测

  
本研究聚焦于朝鲜半岛区域。研究人员开发了一种基于物理约束的时空图神经网络(Physics-informed Spatio-Temporal Graph Neural Network, ST-GNN)用于蒸散发(Evapotranspiration, ET)预测,该模型整合气候变量、土壤水分及地表能量平衡约束。模型将基于图的空间学习与循环时序学习相结合,利用1950至2014年间372个站点的观测数据进行训练。模型技能通过平均绝对误差(Mean Absolute Error, MAE)、均方根误差(Root Mean Squared Error, RMSE)、纳什效率系数(Ngle–Sutcliffe Efficiency, NSE)及连续分级概率评分(Continuous Ranked Probability Score, CRPS)进行评估。不确定性通过蒙特卡洛丢弃法(Monte Carlo Dropout)与同构回归(Isotonic Regression)进行校准。附加分析包括利用可解释人工智能(Explainable Artificial Intelligence, XAI)技术进行特征重要性分析及不同土壤水分条件下的性能比较。耦合模式比较计划(Coupled Model Intercomparison Project, CMIP)的气候预测数据用于探索未来蒸散发响应。该模型在多样性环境下展现出较强的预测能力,尤其在干旱条件下性能显著提升,表明土壤水分信息增强了水分受限 regime 下的预测精度。能量平衡约束增强了物理可信度并提升了气候变化强迫 Ny 强迫下的稳定性。未来气候预测显示朝鲜半岛大部分地区蒸散发将大幅增加,空间差异与温度、辐射及水分有效性相关。这些结果指示蒸发需求增加、季节性水分胁迫加剧以及灌溉与水库管理面临更大挑战。本研究展示了物理引导机器学习在区域水文学中的价值,并为气候变化下的未来水安全提供了决策相关的洞察。
本研究发表于《Journal of Hydrology》,旨在解决蒸散发预测中传统经验模型与纯数据驱动机器学习方法的关键局限,开发一种融合物理约束与深度学习的时空预测框架。

**研究背景与问题**

蒸散发是水循环的关键组分,显著影响水资源、农业生产和生态系统生产力。传统上,蒸散发通过Penman–Monteith(P-M)方程、Hargreaves–Samani法及Priestley–Taylor法等经验模型估算,这些方法依赖温度、湿度、太阳辐射和风速等气象变量。尽管计算效率高,但其性能常受理想化条件假设和站点特异性参数化的限制,在跨气候和地理区域应用时产生偏差。卫星衍生蒸散发产品(如中分辨率成像光谱仪MODIS、全球陆地蒸散发阿姆斯特丹模型GLEAM)虽能提供空间显式估算,但在地面观测稀疏区域仍存在局限。

近年来,机器学习方法(如支持向量机SVM、随机森林RF、人工神经网络ANN、长短期记忆网络LSTM)通过利用大数据中的复杂模式而不依赖显式物理假设,展现出优势。然而,这些方法面临时空异质性和不确定性量化不足等挑战。混合模型虽能结合机器学习与物理水文模型以增强预测准确性和稳健性,但仍需大量领域专业知识,且可能引入额外不确定性源。图神经网络(Graph Neural Network, GNN)作为一种新兴框架,能通过图结构数据捕捉空间分布实体间的复杂交互,与时序单元(如门控循环单元GRU或LSTM)结合后可同时建模空间关系和时间演化。物理约束GNN通过引入物理约束增强模型可信度,但尚无研究将其应用于蒸散发这一复杂潜在过程。本研究首次将地表能量平衡方程直接整合入GNN学习目标,确保预测蒸散发与能量通量约束的一致性,这与以往通过输入选择、辅助约束或后处理校正融入物理知识的方法形成对比。

**研究方法与核心技术**

本研究以朝鲜半岛为研究区域,利用372个气象站1950–2014年的气候观测数据,基于GLEAM蒸散发数据集进行模型训练。输入变量包括最高温度(tasmax)、最低温度(tasmin)、相对湿度(RH)、jar 土壤水分(sm)、向下短wave辐射(rsds)及近地面风速(sfcwind)。模型采用图结构表示空间关系:节点代表气象站点,边包括基于测地距离的空间邻近边和基于脱趋势历史蒸散发时间序列皮尔逊相关系数的相关性边。研究人员试验了图卷积网络(GCN)、图注意力网络(GAT)、GraphSAGE、图同构网络(GIN)和消息传递神经网络(MPNN)等多种GNN变体,与时序GRU或LSTM层组合。

最优架构为GraphSAGE+GRU组合,通过Optuna自动超参数优化框架经50次试验确定。物理约束损失基于简化地表能量平衡方程:净辐射约等于蒸散发对应的潜热通量与显热通量之和,以软正则化形式融入总损失函数,权重系数由Optuna自动调优。不确定性量化采用蒙特卡洛丢弃法进行T次随机前向传播获取预测分布,再通过同构回归对验证集进行后验校准,改善概率预测可靠性。

模型性能通过MAE、RMSE、决定系数R2及概率预测的CRPS、预测区间覆盖概率(Prediction Interval Coverage Probability, PICP)评估。消融研究包括基于置换特征重要性(Permutation Feature Importance, PFI)和SHAP值的可解释性分析,以及不同图边结构的比较。未来投影采用NASA地球交换全球每日降尺度预测(NEX-GDDP)及地球系统网格联合会(ESGF)CMIP6的10个全球气候模型(Global Climate Model, GCM)输出,在中等排放情景SSP2–4.5和高排放情景SSP5–8.5下进行偏差校正后的蒸散发预测。

**研究结果**

**模型架构与优化器比较**:GraphSAGE+GRU组合在所有测试配置中表现最优,MAE最低(标准化值0.0003)、RMSE最低(0.0006)、R2最高(0.98),显著优于MPNN+LSTM和GAT+LSTM等配置,表明GRU较LSTM更适合该时空建模任务。Adam优化器表现优于RMSprop和SGD。经同构回归校准后,CRPS从0.14降至0.09,PICP从0.92提升至0.96,接近名义95%置信水平。基于经验正交函数(Empirical Orthogonal Function, EOF)和t分布随机邻域嵌入(t-SNE)的嵌入空间聚类分析显示,模型编码了地理一致的空间结构,区分了半岛北部、中部和南部区域。

**时空性能评估**:物理约束GraphSAGE+GRU模型在月尺度蒸散发预测中,与Penman–Monteith、MODIS16、CNN+LSTM、时间Transformer及基础GraphSAGE+GRU模型相比,更紧密地匹配观测季节周期,尤其在快速转变期表现更优。空间分布上,年蒸散发呈现南部低地和沿海地区高、北部和山区低的南北梯度,模型R2达0.99,RMSE为0.12 mm,MAE为0.10 mm,与观测空间格局高度一致。

**变量重要性分析**:置换特征重要性和SHAP分析一致表明,最高温度(tasmax)为最关键预测因子,其次为相对湿度(rh)和向下短wave辐射(rsds),最低温度(tasmin)重要性最低。这些结果证实了能量和水分有效性是蒸散发的主要驱动因子。

**土壤水分作用**:纳入土壤水分作为节点特征显著提升了模型性能,验证/测试集RMSE和MAE均降低20%,干旱期改善尤为明显。土壤水分在置换特征重要性中排名第三,SHAP分析显示其在低土壤水分状态下具有强非线性影响。按土壤水分四分位分层残差分析表明,干旱条件(Q1–Q2)下误差减小最显著,而湿润条件下(Q3–Q4)性能差异较小,证实土壤水分增强了水分受限 regime 下的蒸散发表征能力。

**图边结构影响**:混合距离加相关性的图结构表现最优(MAE 0.12 mm,RMSE 0.16 mm,R2 0.99),优于单纯基于距离或相关性的边结构,表明空间邻近性与气候变量相关性提供互补信息。

**未来趋势与变率**:SSP2–4.5情景下,多数GCM显示蒸散发从约36 mm/month稳步增至2100年的40–42 mm/month;SSP5–8.5情景下增幅更显著,部分模型预测超过42 mm/month,尤以GFDL、MIROC6和KIOST模型升温趋势明显。年际变率(Interannual Variability, IAV)在SSP5–8.5下显著增大,系数变异达0.07。纬度分析显示,SSP5–8.5情景下北部纬度蒸散发增幅更大,导致蒸散发–纬度梯度趋于平坦,暗示强辐射强迫下北部区域将面临更剧烈的蒸散发强化。

**空间时间分布**:ACCESS模型代表性结果表明,SSP2–4.5情景下近未来和远未来蒸散发呈中度增加,空间格局遵循历史梯度;SSP5–8.5情景下远未来变化更显著,包括传统较冷北部区域在内的几乎所有地区蒸散发均加剧,指示水损失增加及未来水资源压力和生态系统变化的潜在风险。

**讨论总结**

本研究的主要发现表明,物理约束ST-GNN框架通过将能量平衡一致性嵌入损失函数,确保了物理合理性输出,同时保留学习复杂时空变异模式的灵活性。Graph结构的测地距离与相关性双重构建使站点间信息得以水文相干方式传播,GRU组件提供前期条件的时间记忆。特征可解释性分析确认了最高温度和相对湿度的主导作用,土壤水分的显式整合是重大进步,尤其在水rom 受限条件下减少系统性高估。

研究局限性包括未 incorporate 动态植被状态(如NDVI、LAI),仅采用简化能量平衡约束(忽略土壤热通量),以及历史校准的同构回归在未来气候分布漂移下可能降低可靠性。此外,GLEAM、P-M和MODIS16代表结构性不同的蒸散发估算,一致性应解读为跨范式比较而非绝对验证。尽管如此,该框架设计具有可迁移性,通过区域适应性_inet 适应性调整可应用于其他水文气候区。

**研究结论**

本研究开发了一种物理约束时空图神经网络框架用于区域蒸散发预测,显式整合基于图的空间学习、循环时序动态以及模型优化过程中的地表能量平衡约束。通过将气象站点表示为图节点并耦合空间交互与时间记忆,该模型在确保物理一致蒸散发估算的同时捕捉复杂水文气候依赖关系。土壤水分作为节点特征的纳入进一步增强了模型表征水分受限条件的能力,尤其在干旱期。综合评估表明,相对于卫星基和物理衍生参考数据集,模型预测技能、稳健性和校准后不确定性估算均有提升。尽管当前公式采用适用于月尺度分析的简化能量平衡,该框架具有灵活性,可扩展纳入额外物理过程,为未来气候变化下的水文气候评估提供可扩展且物理基础坚实的方法。

研究结论明确指出:本研究开发的物理约束ST-GNN框架通过图基空间学习、循环时序动态和损失级能量平衡正则化的显式整合,实现了区域蒸散发的物理一致性预测。土壤 moisture 的纳入显著提升了干旱条件下的模型表现。该框架在历史观测和CMIP6气候投影上均展现出改进的预测技能、稳健性和校准不确定性估算,为气候变化下的水文气候评估提供了可扩展的物理基础方法。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号