将机器学习(Machine Learning, ML)推导参数引入Penman–Monteith–Leuning (PML)模型以模拟实际蒸散发(Actual Evapotranspiration, ETa)及其组分并进行归因分析

《Atmosphere》:Integration of a Machine-Learning-Derived Parameter into the PML Model for Simulating and Attributing Actual Evapotranspiration and Its Components

【字体: 大 中 小 】 时间:2026年07月01日 来源:Atmosphere 2.6

编辑推荐:

  实际蒸散发(ETa)是水文循环的关键组成部分,将其划分为土壤蒸发(Es)和植被蒸腾(Ec)对于理解水文过程至关重要。本研究以伊洛河流域1960—2020年为研究对象,构建了结合基于物理机制的Penman–Monteith–Leuning (PML)模型与机器学

  
实际蒸散发(ETa)是水文循环的关键组成部分,将其划分为土壤蒸发(Es)和植被蒸腾(Ec)对于理解水文过程至关重要。本研究以伊洛河流域1960—2020年为研究对象,构建了结合基于物理机制的Penman–Monteith–Leuning (PML)模型与机器学习的混合框架,对土壤蒸发系数f进行动态参数化,采用ERA5-Land再分析资料驱动模型,并应用Pettitt变点检验和岭回归(Ridge Regression)识别潜在变点及量化驱动因子。结果表明:该框架提高了Es模拟与GLEAM(Global Land Evaporation Amsterdam Model)参考产品的一致性(R2和Nash–Sutcliffe效率系数NSE > 0.8),并在产品约束的建模框架内使ETa估算偏差减小约10%。ETa呈显著上升趋势(0.28 mm·yr?1),潜在变点约在2004年;其组分响应更早,Ec和Es分别在1994年和2002年发生转变。Ec主导ETa,约占总量70%。净辐射(Rn)、温度和叶面积指数(LAI)是主要控制因子,而增大的饱和水汽压亏缺(VPD),连同相对湿度和降水变化共同调节了所识别的突变。上述发现为理解ETa动态提供了过程依据,并改进了水文模型中ETa组分的表征。
论文解读:将机器学习推导参数引入PML模型模拟实际蒸散发(ETa)及其组分并归因——以伊洛河流域(Yellow River Basin Yiluo River Basin, YLRB)1960—2020年为例
研究背景与意义
实际蒸散发(Actual Evapotranspiration, ETa)是水循环的关键环节,其组分划分为土壤蒸发(Soil Evaporation, Es)和植被蒸腾(Canopy Transpiration, Ec)对认识水文过程十分重要。目前ETa长时序(尤指1960—1980年以前)、具备组分区分的观测或再分析产品仍然匮乏,且基于物理机制的Penman–Monteith–Leuning (PML)模型中土壤蒸发系数f通常被固定或经验率定,难以反映下垫面与水热条件的动态变化,限制了ETa组分模拟精度。伊洛河是黄河重要支流,流域面临水资源短缺与气候变化压力,明确ETa长期演变及驱动机制对区域水资源管理与生态保护具重要意义。研究人员以伊洛河流域为对象,融合物理模型PML与机器学习(Machine Learning, ML)随机森林(Random Forest, RF)动态参数化f,重建1960—2020年ETa及Es、Ec序列,应用Mann–Kendall趋势检验、Pettitt变点检验及岭回归(Ridge Regression)进行变点识别和驱动因子定量归因,相关成果发表于《Atmosphere》。
主要技术方法概述
研究人员选用伊洛河流域为研究区,收集流域周边9个气象站观测数据(气温、降水、风速、相对湿度)以Thiessen多边形法求流域均值;驱动与辅助数据包括ERA5-Land再分析资料(2 m温度、露点温度、净辐射Rn、气压、叶面积指数LAI,并由温湿计算饱和水汽压亏缺VPD)、中科院资源与环境数据中心CNLUCC土地利用数据(重采样至0.01°取主导类型赋最大气孔导度gsx)、GLEAM v4.2a及PML_V2遥感ETa产品作参照。首先从GLEAM的Es反解参考土壤蒸发系数fref(限定0–1),以Rn、降水、温度、LAI、VPD为预测变量构建RF模型动态估计f,替换PML中原固定f=0.806,用两种时序切分方案验证RF时间外推能力后外推至1960—1979年构建全时段f序列驱动PML模型得到ETa、Es、Ec。采用Mann–Kendall检验分析年际趋势,Pettitt检验(Benjamini–Hochberg False Discovery Rate校正)识别ETa及各驱动因子变点,方差膨胀因子(VIF)诊断多重共线性后采用岭回归(岭参数k=10.0,标准化变量,Bootstrap抽样得95%置信区间)量化Rn、温度、降水、LAI、VPD、相对湿度(RHU)、风速(WS)七因子对ETa、Es、Ec的相对贡献。模型评价采用决定系数(R2)、Nash–Sutcliffe效率(NSE)、均方根误差(RMSE)和平均绝对误差(MAE),并以水量平衡法粗略校核多年平均ETa合理性。全流程使用Python 3.13.0实现。
研究结果
4.1 水文合理性与产品一致性评估
4.1.1 基于水量平衡方程(Water Balance Equation)的合理性检验:2000—2020年水量平衡推算流域年均ETa为530.1 mm,经本地率定的PML模拟值为526.6 mm,相差仅3.5 mm,表明校准后PML模拟与流域尺度水平衡约束基本一致,但此对照不作为独立验证。
4.1.2 基于遥感ETa产品的一致性评估:选取GLEAM(1980—2020)与PML_V2(2000—2020)比对,ML改进PML模拟ETa、Ec与GLEAM相关性高(ETa: R2=0.94, NSE=0.85; Ec: R2=0.90, NSE=0.88),Es一致性略弱但仍显著,整体产品在约束框架内具良好一致性,后续以GLEAM为参照产品。
4.2 基于ML的Es系数f估计
由GLEAM与PML_V2反解f具明显时间波动(范围分别0.04–1与0.13–1),不同于原固定值。RF以气象与植被因子预测f,两时序验证方案测试期NSE>0.7,表明时间迁移性可接受;1960—1979预测因子分布与1980—2020无显著差异(K–S检验p>0.05,超出参考期范围比例≤2.5%)。敏感性集合(4种训练时段×6种RF超参组合)显示重建年均Es变幅窄(141.74–146.66 mm·yr?1),5%~95%区间平均宽6.63 mm·yr?1)。引入ML预测f后Es相较GLEAM参考产品的R2与NSE提升至>0.8,RMSE和MAE较固定f模拟降低80.3%和84.3%;ETa的NSE升至>0.9,RMSE和MAE降19.1%和20.6%,证实动态f明显改善Es及总体ETa产品一致性。
4.3 ETa及其时间变化
1960—2020年ETa、Es、Ec均显著上升,速率分别为0.28、0.08、0.18 mm·yr?1;延长序列至1960年起算比仅用1980—2020减缓上升趋势,说明长序列可更好捕捉低频波动。Ec占ETa约70%,主导总量变化。季节上ETa呈单峰型,夏季(尤其是6月约57.8 mm·month?1)最高,冬季最低(约11.8 mm·month?1);春、冬ETa上升趋势显著(分别为0.10、0.07 mm·yr?1),夏季趋势不显著,整体ETa增加主要由春秋季尤其春季增强贡献。
4.4 Pettitt变点分析
经FDR校正后ETa潜在变点位于2004年(padj=0.029),此前微升(0.12 mm·yr?1),此后略降(?0.96 mm·yr?1);Ec变点1994年(padj=0.029),前后均微降;Es变点2002年(padj=0.030),此前平稳,此后略降。组分变点早于整体ETa,呈Ec(1994)→Es(2002)→ETa(2004)先后顺序,暗示ETa变异是组分渐变累积效应。驱动因子中降水(1991)、温度与VPD(1994)、LAI(2002)、净辐射Rn与相对湿度RHU(2004)各有变点,与ETa及其组分变点时间对应,表明水热条件与植被变化具物理一致的先后响应关系。
4.5 ETa影响因子识别
岭回归显示对ETa贡献率为:Rn(38.1%) > 温度(18.4%) > LAI(16.9%) > RHU(10.9%) > VPD(10.2%) > 降水(4.1%) > WS(1.3%),能量条件和植被生长是主控因子。Es受Rn(36.4%)正向驱动,LAI负向抑制(?20.6%,植被遮阴减土壤裸露面),RHU(15.8%)与VPD(15.4%)具调节作用。Ec受Rn(33.6%)、LAI(26.7%)、温度(21.6%)正向驱动明显。结果表明研究区ETa过程偏能量限制特征,供水非主要限制。
讨论与结论总结(翻译结论部分要点)
讨论指出:用ML动态参数化PML中土壤蒸发系数f兼顾物理结构与数据驱动优势,克服固定参数局限,提升Es及ETa组分模拟;伊洛河流域ETa均值为508.3 mm(1960—2020),Ec占比大且增幅更明显,ETa整体升势0.28 mm·yr?1,变点约2004年,组分变点提前(Ec1994年,Es2002年)反映大气变干、植被恢复及能量供给变化的先后作用;Rn、温度及LAI是ETa变化主导因子,递增VPD与RHU、降水变化协同调控。研究结论为:(1) ML动态估计f嵌入PML建立产品约束ETa模拟框架,Es模拟对GLEAM产品R2、NSE提至>0.8,RMSE与MAE降幅>80%,改进了ETa组分时间表征;(2) 伊洛河流域1960—2020年均ETa为508.3 mm,Ec高于Es且升势更显著,ETa显著上升(0.28 mm·yr?1),潜在变点约2004年,延长序列可降低近期趋势高估,季节上春冬季增幅显著;(3) 岭回归表明Rn(38.1%)、温度(18.4%)、LAI(16.9%)主导ETa变化,Ec、Es、ETa依次变点反映大气变干、植被恢复及能量—水分条件联合效应,伊洛河流域ETa变化主要受能量条件、温度、植被动态及大气湿度调控。
相关新闻
生物通微信公众号
微信
新浪微博

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