基于区域泛化与迁移学习的参考作物蒸散发预报框架:从无测站到数据稀缺站点

《Agricultural Water Management》:From ungauged to poorly gauged sites: A scalable deep learning framework for reference evapotranspiration forecasting through regional generalization and transfer learning

【字体: 大 中 小 】 时间:2026年09月27日 来源:Agricultural Water Management 7.8

编辑推荐:

  参考作物蒸散发(ET?)是从标准化的、水分充足的参考表面产生的蒸散发速率(Allen et al., 1998)。它为估算作物蒸散发(ETc)提供了气象学基础,而ETc是灌溉和农业水资源管理中田间水量平衡计算的关键变量(Pereira et al., 2015

  
参考作物蒸散发(ET?)是从标准化的、水分充足的参考表面产生的蒸散发速率(Allen et al., 1998)。它为估算作物蒸散发(ETc)提供了气象学基础,而ETc是灌溉和农业水资源管理中田间水量平衡计算的关键变量(Pereira et al., 2015; Sammis et al., 2012)。因此,ET?对于支持气候智慧型农业水资源管理的自动化灌溉控制至关重要(Wei et al., 2025; Zhao et al., 2026)。随着精准农业的快速发展,ET?日益被嵌入数据驱动的灌溉决策支持系统和数字化管理平台(Cayuela et al., 2022; Navarro-Hellin et al., 2016),这些平台整合传感器、气象信息和算法以提高水分利用效率。 基于观测气象数据的ET?预报方法包括经验方程和机器学习(ML)模型(Qian et al., 2024)。FAO-56 Penman-Monteith方程是估算ET?的标准方法,但其应用需要大量气象参数,而这些参数并非总能从业务天气预报中获得。简化经验方程,如Hargreaves-Samani和Priestley-Taylor(Hargreaves and Samani, 1985; Priestley and Taylor, 1972),减少了气象输入参数和计算复杂度。因此,使用这些简化方程进行的ET?预报在不同气候条件下未经本地校准而应用时,精度会降低(Sentelhas et al., 2010; Djaman et al., 2015; Feng et al., 2017)。这些局限性促使研究人员采用机器学习(ML)模型,该类模型能够学习气象变量与ET?之间的非线性关系,并能整合历史与预报信息而无需预设固定的函数关系(Goci? et al., 2015; Granata et al., 2024; Kamilaris and Prenafeta-Boldú, 2018)。传统ML模型,包括支持向量回归、随机森林、浅层多层感知机和梯度提升决策树,在ET?估算和预报中表现良好。集成方法、超参数优化和自动化机器学习(AutoML)进一步提高了其预测精度。Yu et al.(2020)利用粒子群优化算法优化了XGBoost,而Sadeghzadeh et al.(2026a)使用AutoML优化了多种ML模型,并在本地和外部ET?估算中均取得了有前景的结果。尽管取得了这些进展,传统ML方法通常通过超参数调优、特征工程、模型选择或输出融合来改进预定义模型。它们通常将时间信息编码为一组固定的滞后预测变量,而不是显式建模连续时间步之间的依赖关系。相比之下,深度学习(DL)模型能够直接从有序多变量序列中学习层次化表征和预测关系(Elsherbiny et al., 2022; Hashemi et al., 2024)。CNN能够捕获局部时间模式,而LSTM和BiLSTM网络则对序列依赖进行建模。注意力机制可以进一步识别与每个预报时域最相关的信息。这些能力使得基于CNN、LSTM和BiLSTM的模型在ET?预报中表现优异(de Oliveira e Lucas et al., 2020; Zhang et al., 2023)。不同的深度学习模型可以集成到混合模型中,如CNN-LSTM和MEMD-Boruta-LSTM,这可以进一步提高单一深度学习模型的预报能力(Chen et al., 2020; Ferreira and da Cunha, 2020; Jayasinghe et al., 2021)。大多数ML ET?预报模型依赖于足够长的气象数据用于模型训练和校准。然而,全球许多地区处于观测数据有限或缺失的状态(Malamos et al., 2025; Shu et al., 2022)。此外,大多数DL模型是针对特定站点构建的,缺乏泛化能力。因此,开发一个能够同时从多个站点学习、共享时空结构并可迁移至无测站或数据稀缺站点的泛化ET?预报框架至关重要。 区域建模和迁移学习提供了两种互补的途径来降低ET?预报模型对长序列本地记录的依赖。ET?的空间差异主要由气象强迫驱动。同一气候区域内站点可能共享季节模式以及气象变量与ET?之间的关系(Sadeghzadeh et al., 2026b)。区域模型可以通过从多个站点学习来捕获这些共同关系。已有研究证明了泛化区域ET?模型的潜力(Wang et al., 2019)。迁移学习(TL)提供了第二步,通过将从相关源域学到的知识适应到观测有限的目标站点。这种方法可以减少模型开发所需的本地数据量(Tan et al., 2018; Zhuang et al., 2021; Zhou et al., 2022)。Bedi(2022)将TL应用于基于LSTM的ET?估算,并报告了优于基线和监督基准模型的性能。尽管取得了这些进展,仍有两个问题有待解决。第一,在多个站点上训练的区域泛化模型能否为排除在训练之外的目标站点提供准确的1–7天ET?预报?第二,目标站点的有限观测能否有效使区域模型适应本地条件,并缩小与站点特定模型之间的性能差距? 为解决上述问题,本研究将区域泛化和迁移学习整合到一个统一框架中,用于站点特定、无测站和数据稀缺场景。进一步将多头注意力(MHA)(Vaswani et al., 2017)纳入CNN-BiLSTM,以识别与不同预报时域相关的历史信息,并强化历史和未来气象信息的利用(Tang et al., 2025)。本研究的目标如下:(1)针对ET?预报,站点特定地开发四种深度学习模型,即CNN、BiLSTM、CNN-BiLSTM以及带多头注意力的CNN-BiLSTM(CNN-BiLSTM-MHA);(2)基于四种深度学习架构开发四种区域泛化ET?预报模型,并评估其在模型开发期间被视为无测站的留出站点上的性能;(3)评估四种区域泛化模型通过迁移学习利用数据稀缺站点有限站点特定数据适应后的性能。
论文解读:从无测站到数据稀缺站点的参考作物蒸散发预报——基于区域泛化与迁移学习的可扩展深度学习框架
一、研究背景与问题
参考作物蒸散发(ET?)是标准化的、水分充足的参考表面的蒸散发速率,是估算作物蒸散发(ETc)和田间水量平衡计算的关键变量,对灌溉决策和农业水资源管理至关重要。随着精准农业的发展,ET?预报日益嵌入数据驱动的灌溉决策支持系统和数字化管理平台。
当前ET?预报方法主要包括经验方程和机器学习(ML)模型。FAO-56 Penman-Monteith(PM)方程是估算ET?的标准方法,但需要大量气象参数,业务天气预报往往无法全部提供。简化经验方程如Hargreaves-Samani和Priestley-Taylor虽减少了输入参数,但在不同气候条件下未经本地校准应用时精度显著下降。机器学习模型能够学习气象变量与ET?之间的非线性关系,但传统ML方法通常将时间信息编码为固定滞后预测变量,难以显式建模序列依赖。深度学习(DL)模型如CNN、LSTM和BiLSTM能够直接从有序多变量序列中学习层次化表征,注意力机制可进一步识别与各预报时域最相关的信息。
然而,大多数ML和DL模型依赖足够长的本地气象记录进行训练,而全球许多地区观测数据有限甚至缺失。此外,大多数DL模型为站点特定构建,缺乏泛化能力。因此,开发一个能够同时从多个站点学习、共享时空结构并可迁移至无测站或数据稀缺站点的泛化ET?预报框架,是亟待解决的关键科学问题。具体而言,两个核心问题有待回答:第一,在多个站点上训练的区域泛化模型能否为排除在训练之外的目标站点提供准确的1–7天ET?预报?第二,目标站点的有限观测能否有效适应区域模型并缩小与站点特定模型的性能差距?
二、研究内容与结论
针对上述问题,研究人员将区域泛化和迁移学习整合到统一框架中,系统评估了四种深度学习架构在站点特定、无测站和数据稀缺三种场景下的ET?预报性能。研究得出以下主要结论:区域泛化模型结合迁移学习能够在数据稀缺站点实现有效的ET?预报;ET?预报技能取决于模型复杂度与气象输入丰富度的匹配;CNN-BiLSTM-MHA在天气预报条件下表现出最佳精度和可迁移性;所提出的数据自适应ET?预报框架可支持农业水资源管理。
三、关键技术方法
研究使用了中国东南部8个省份15个气象站2000–2019年的日尺度气象观测数据,包括最高和最低气温、最高和最低相对湿度、太阳辐射、日照时数和风速,ET?采用FAO-56 PM方程计算。公共天气预报数据(1–7天预报时效)来自中国气象局天气服务,预报变量包括日最高和最低气温以及分类天气状况,天气描述转换为降水发生二元变量。研究构建了四种深度学习模型:CNN、BiLSTM、CNN-BiLSTM以及CNN-BiLSTM-MHA。区域泛化模型在13个站点上联合训练,以南京和武汉作为留出目标站点评估无测站场景;迁移学习则利用目标站点有限观测数据对区域模型进行微调,模拟数据稀缺场景。
四、研究结果
站点特定模型性能:研究人员首先为每个站点单独开发四种深度学习模型。结果表明,CNN-BiLSTM-MHA在多数站点和预报时效上表现最优,说明结合CNN的局部模式捕获、BiLSTM的序列依赖建模和MHA的时域相关性识别能够有效提升ET?预报精度。模型性能随预报时效延长而下降,短期预报(1–3天)精度高于长期预报(5–7天)。
区域泛化模型在无测站场景的表现:将13个站点数据联合训练区域模型,在留出的南京和武汉站点上进行评估。区域泛化模型能够在无本地观测数据的情况下提供合理的ET?预报,但精度低于站点特定模型。模型复杂度与气象输入丰富度之间的匹配影响预报技能:当输入气象变量丰富时,复杂模型如CNN-BiLSTM-MHA优势明显;当输入变量有限时,较简单模型可能更具鲁棒性。
迁移学习在数据稀缺场景的表现:利用目标站点少量观测数据对区域模型进行迁移学习微调。结果表明,即使使用极有限的本地数据(如数周至数月),迁移学习也能显著提升区域模型在目标站点的预报精度,大幅缩小与站点特定模型的性能差距。CNN-BiLSTM-MHA在迁移学习中同样表现出最佳的可迁移性,其预报精度随本地数据量增加而持续改善。
五、讨论与结论
讨论部分指出,区域泛化模型能够捕获多站点共享的气象-ET?关系,为无测站地区提供可行的预报方案;迁移学习则通过少量本地数据有效适应区域模型,为数据稀缺站点提供经济高效的模型开发路径。模型架构选择应依据可用气象输入丰富度灵活调整,CNN-BiLSTM-MHA在数据充足时表现最优,而输入有限时需权衡模型复杂度与过拟合风险。研究结论为:区域泛化与迁移学习的统一框架能够有效支持从无测站到数据稀缺站点的ET?预报,CNN-BiLSTM-MHA是兼顾精度与可迁移性的优选架构,该框架为农业水资源管理和自动化灌溉决策提供了数据自适应的预报工具,尤其适用于观测基础设施薄弱的地区。
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