基于多種機器學習模型的西北地區(qū)蒸散發(fā)模擬與趨勢分析

季鵬 袁星

摘要 ?基于機器學習方法和多源數(shù)據(jù)構建高精度蒸散發(fā)（Evapotranspiration，ET）產(chǎn)品對研究氣候變化背景下干旱、半干旱地區(qū)陸地水循環(huán)變化具有重要意義。本文利用西北地區(qū)12個草地通量站點與衛(wèi)星遙感產(chǎn)品，基于隨機森林、極端梯度提升、支持向量回歸和人工神經(jīng)網(wǎng)絡4種機器學習方法構建ET估算模型，制作5 km分辨率ET產(chǎn)品，并分析ET的長期變化趨勢。交叉驗證結果表明，4種模型的均方根誤差都低于0 57 ?mm·d ??-1 ， R ?2高達0 73～0 88。SHAP（SHapley Additive exPlanation）可解釋性分析表明，4種模型均將凈輻射、植被和土壤濕度作為ET估算的重要因子，也能刻畫出土壤偏干時土壤水分對ET的限制作用，有較好的物理解釋性。多模型集合的ET結果相比單一機器學習模型以及現(xiàn)有遙感產(chǎn)品誤差分別降低7％～20％和45％～70％。趨勢分析結果顯示，西北地區(qū)非裸地下墊面在2001—2018年間整體呈現(xiàn)ET增加趨勢，平均速率為19 mm／（10 a）。在河套平原和內(nèi)蒙古中部和東北部地區(qū)，ET的增長速率超過降水，這可能會進一步加劇這些地區(qū)的干旱化。

關鍵詞 ?西北地區(qū); 蒸散發(fā); 機器學習; 可解釋性; 趨勢分析

陸面蒸散發(fā)包含地表蒸發(fā)和植被蒸騰，其中植被蒸騰占比近50％～80％（Coenders-Gerrits et al.，2014;Good et al.，2015）。陸面蒸散發(fā)是地面和大氣間水分、能量交換的主要載體（Wang and Dickinson，2012;李放和沈彥俊，2014;陳鏡明等，2020），也是陸氣相互作用的重要環(huán)節(jié)（Koster et al.，2004;Seneviratne et al.，2010）。據(jù)統(tǒng)計，近2／3的全球陸地降水將以蒸散發(fā)的形式回到大氣中，并在此過程中消耗陸地吸收的近一半太陽輻射能量（Chahine，1992;Oki and Kanae，2006）。受氣候變化和植被變化影響，全球陸面蒸散發(fā)呈現(xiàn)增加趨勢（張霞等，2017;Zhang et al.，2019）。在生態(tài)脆弱、水資源匱乏的干旱、半干旱地區(qū)，增強的陸面蒸散發(fā)與干旱化過程密切相關（馬柱國，2005;Huang et al.，2016，2017）。準確估計干旱、半干旱區(qū)的陸面蒸散發(fā)對于研究全球增暖影響下該地區(qū)水資源變化、水文與農(nóng)業(yè)干旱風險以及生態(tài)安全風險具有重要意義（黃建平等，2013;Huang et al.，2016;楊揚等，2020）。

相比傳統(tǒng)參數(shù)化方案，機器學習模型能夠在無先驗條件下自主完成數(shù)據(jù)之間隱藏關系的建立，對于具有強非線性關系的復雜系統(tǒng)有更高模擬精度（Reichstein et al.，2019;賀圣平等，2021）。隨著機器學習方法的迅猛發(fā)展以及站點觀測數(shù)據(jù)的不斷豐富，近年來機器學習方法開始被運用到陸面蒸散發(fā)的建模中，并得到比傳統(tǒng)模型更好的效果（Tramontana et al.，2016;Granata，2019;Jung et al.，2019;Hu et al.，2021）。Jung et al.（2019）基于全球FLUXNET通量站點觀測，結合隨機森林、人工神經(jīng)網(wǎng)絡、支持向量回歸等機器學習模型，訓練并生成了FLUXCOM潛熱（蒸散發(fā)）集合產(chǎn)品。Hu et al.（2021）對比了機器學習方法和地表能量平衡（Surface Energy Balance System，SEBS）物理模型發(fā)現(xiàn)，機器學習模型的蒸散發(fā)模擬誤差僅為物理模型的1／4。針對干旱、半干旱地區(qū)的機器學習蒸散發(fā)模型也有了部分工作。例如，F(xiàn)ang et al.（2020）利用支持向量回歸方法構建華北平原旱地作物的蒸散發(fā)估算模型。Zhang et al.（2021）基于隨機森林構建了我國西北干旱、半干旱區(qū)草地下墊面的蒸散發(fā)估算模型，均得到良好的模擬效果。然而，不同機器學習模型對干旱、半干旱區(qū)蒸散發(fā)的模擬精度以及泛化能力是否存在顯著區(qū)別仍未得到系統(tǒng)性對比研究。

此外，機器學習結果的可解釋性也備受關注（Granata，2019;Reichstein et al.，2019;Hu et al.，2021）。例如，Zhang et al.（2021）結合排列重要性（Permutaion Importance;PI）方法指出氣溫、降水、輻射、植被以及土壤溫濕度是模型中的重要預測因子（predictor variables）。Granata（2019）將不同預測因子移除機器學習模型（該方法也稱為Drop Column Importance;DCI），發(fā)現(xiàn)有無輻射、顯熱通量等預測因子直接影響了機器學習模型的精度，而風速因子的加入與否對結果影響不大。然而，PI和DCI僅給出不同因子在整體特征上的重要性，無法直觀表明各因子對預測個體的貢獻（例如，無法說明凈輻射或者土壤濕度對蒸散發(fā)模擬值是正或者負貢獻）。相比而言，SHapley Additive exPlanation（SHAP）可解釋性方法能給出個體特征，并考慮了預測因子之間的協(xié)同影響（Lundberg and Lee，2017）。Hu et al.（2021）利用SHAP方法探究了三種機器學習方法的可解釋性，發(fā)現(xiàn)不同模型對葉面積指數(shù)（Leaf Area Index，LAI）的敏感度和響應方式均不同，深度學習網(wǎng)絡和隨機森林模型中蒸散發(fā)與LAI呈現(xiàn)正相關，而符號回歸方法則呈現(xiàn)微弱的負相關。然而，不同機器學習模型在估算干旱、半干旱區(qū)蒸散發(fā)時是否有一致的物理解釋性，各模型能否合理描述干旱、半干旱區(qū)水分對蒸散發(fā)的限制作用需要進一步探討。

綜上所述，不同機器學習方法在估算干旱、半干旱區(qū)蒸散發(fā)中的適用性、泛化能力以及可解釋性需要進一步分析。針對此，本文利用我國西北地區(qū)12個通量站點的長時段觀測數(shù)據(jù)，基于隨機森林（Random Forest，RF）、極端梯度提升（eXtreme Gradient Boosting，XGB）、支持向量回歸（Support Vector Regression，SVR）和人工神經(jīng)網(wǎng)絡（Artificial Neural Network，ANN）構建了4組蒸散發(fā)估算模型;采用隨機交叉驗證（Random Cross-Validation，RCV）和空間交叉驗證（Spatial Cross-Validation，SCV）對模型的魯棒性和泛化能力進行檢驗;結合SHAP可解釋性方法探討不同機器學習模型的物理可解釋性，重點關注不同模型對預測因子與蒸散發(fā)之間物理關系的描述;進一步基于構建的蒸散發(fā)模型和多源觀測數(shù)據(jù)生成西北地區(qū)5 km分辨率格點蒸散發(fā)產(chǎn)品，分析蒸散發(fā)的長期變化趨勢和空間分異性。

1 資料和方法

1 1 研究區(qū)域與觀測數(shù)據(jù)

本文蒸散發(fā)指冠層向上的總蒸散發(fā)（ET），其計算公式如下：

ET= E ?s+ T ?c。

其中： T ?c表示冠層蒸騰； E ?s表示土壤蒸發(fā)。

根據(jù)聯(lián)合國環(huán)境規(guī)劃署定義，干燥指數(shù)（AI，Aridity Index）在0 05～0 5的區(qū)域為干旱、半干旱區(qū)。具體的，AI<0 03表示極端干旱，0 03≤AI<0 2表示干旱區(qū)，0 2≤AI<0 5表示半干旱區(qū)。本文主要關注我國西北（包括內(nèi)蒙古）干旱、半干旱地區(qū)（圖1a）。選取由國家青藏高原科學數(shù)據(jù)中心、FLUXNET2015（Pastorello et al.，2020）以及中國陸地生態(tài)系統(tǒng)通量觀測研究網(wǎng)絡（ChinaFLUX;Yu et al.，2006）提供的12個通量站點觀測（圖1b），具體站點信息和觀測時長見表1。原始數(shù)據(jù)頻次為半小時、小時或者日，均處理到日尺度。

參考前人的相關工作（Tramontana et al.，2016;Jung et al.，2019），本文選取MODIS（Moderate-resolution Imaging Spectroradiometer）衛(wèi)星遙感產(chǎn)品作為部分預測因子，包括增強植被指數(shù)（Enhanced Vegetation Index，EVI）、歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）、植被有效光合輻射吸收比例（Fraction Absorbed Photosynthetically Active Radiation，F(xiàn)APAR）、植被葉面積指數(shù)（LAI）、白天（Land Surface Temperature at Daytime，LST_D）和夜間（Land Surface Temperature at Nighttime，LST_N）地表溫度、以及MCD43A4地表反射率資料。MODIS數(shù)據(jù)原始空間分辨率為200 m～1 km，時間分辨率為1～16 d。利用站點周圍3 km×3 km區(qū)域的網(wǎng)格平均值來減少地理定位誤差（Xiao et al.，2008），并采用保形分段三次樣條插值方法將MODIS觀測序列插值至日尺度。 MCD43A4地表反射率資料用于計算歸一化水體指數(shù)（Gao，1996）和地表水分指數(shù)（Xiao et al.，2002）。

格點蒸散發(fā)產(chǎn)品的計算主要基于遙感和氣象再分析格點產(chǎn)品（表2），包括0 1°分辨率的中國氣象驅(qū)動數(shù)據(jù)（China Meteorological Forcing Dataset，CMFD）（He et al.，2020）、中國地區(qū)1 km分辨率土壤濕度產(chǎn)品（China Soil Moisture dataset，CSM）（Li et al.，2022）、全球陸表特征參量（Global Land Surface Satellite，GLASS）0 05°G數(shù)據(jù)產(chǎn)品（Liang et al.，2021）、以及0 05°MODIS格點產(chǎn)品。此外，包括FLUXCOM提供的0 008 3°分辨率FLUXCOM-RS和0 5°分辨率FLUXCOM-RS+METEO（Jung et al.，2019）、GLEAM提供的0 25°分辨率GLEAMv3 6b和GLEAMv3 6a、以及GLASS提供的0 05°分辨率GLASS-ETv4 2（Liang et al.，2021）蒸散發(fā)產(chǎn)品被用來與本研究的產(chǎn)品進行相互印證。其中，F(xiàn)LUXCOM-RS和GLEAMv3 6b僅依賴于遙感數(shù)據(jù)，而FLUXCOM-RS+METEO和GLEAMv3 6a用到了氣象再分析數(shù)據(jù)。

1 2 機器學習模型構建與驗證方法

根據(jù)Tramontana et al.（2016）、Jung et al.（2019）以及Zhang et al.（2021）的工作，本文采用凈輻射、日平均氣溫、日平均濕度等19個環(huán)境要素作為機器學習模型的預測因子（詳見表2）。去除缺測數(shù)據(jù)后，共有12 600多組有效觀測。隨機交叉驗證（Random Cross Validation，RCV）是指從每個站點中隨機挑選90％的數(shù)據(jù)用于模型訓練，10％的數(shù)據(jù)用于模型測試。本研究進行了10次RCV，每次選擇數(shù)據(jù)均為隨機抽取，利用10次評估參數(shù)的平均值和標準差判斷模型魯棒性。空間交叉驗證（Spatial Cross Validation，SCV）是指每次排除部分站點，利用其他站點數(shù)據(jù)訓練的模型對該站點進行測試，從而體現(xiàn)機器學習的泛化能力（Zhang et al.，2021）。本研究共進行了12次SCV，每次排除一個站點。

采用Python中的網(wǎng)格搜索和交叉驗證函數(shù)包（GridSearchCV）率定RF、XGB和SVR模型中的部分超參數(shù)（表3）。ANN模型共4層，每層神經(jīng)元的個數(shù)分別是200、100、50和1。此外，通過在第1和第2層之間建立神經(jīng)元丟棄層（丟棄概率為20％）以及在第二層增加正則化（正則化權重為0 01）的方式，防止ANN模型出現(xiàn)過擬合。該ANN模型的收斂速度較快，在40～50次迭代時已基本收斂，因此模型最終的迭代次數(shù)設置為100。

采用Kling-Gupta系數(shù)（KGE;Gupta et al.，2009）、解釋方差（ R ?2）、均方根誤差（RMSE）和偏差（BIAS）來驗證模擬精度，其計算公式如下：

R 2=1- ∑ n i=1 （y ??s ，i -y ??o ，i ） 2 ∑ n i=1 （y ??o ，i - y ??o ，i ??） 2 ，

RMSE = ?1 n ∑ n i=1 （y ??s ，i -y ??o ，i ） 2 ，

BIAS = y ?s ??- y ?o ??，

KGE =1- （ CC -1） 2+ ??y ?s ????y ?o ???-1 ?2+ ??σ ?s ?σ ?o -1 ?2 。

其中： y ??o ，i 和y ??s ，i 分別表示觀測和模擬中第i天的蒸散發(fā);n表示總樣本數(shù);上橫線表示時間平均; CC 表示相關系數(shù); σ ?o和 σ ?s分別表示觀測和模擬結果的標準差;KGE是對相關、均值和變率的綜合性衡量指標，KGE的范圍是負無窮到1，越接近1表明模擬效果越好。

1 3 SHAP可解釋性方法

SHAP方法是利用博弈論解釋機器學習模型的方法（Lundberg and Lee，2017），其可以量化某個輸入要素對模型預測效果的具體貢獻。SHAP利用加法性歸因方法量化某一預測因子對結果的可解釋性：

f（x）=g（x′）=? ? 0+∑ M i=1? ? ?ix′。

其中： f（x）為原始模型;g（x′）為擁有簡單輸入（ x′;x′ ∈｛0，1｝ M）的解釋性模型，而x與x′則通過映射方程x=h x（x′）相聯(lián)系;M表示輸入要素（或預測因子）的數(shù)目;? ? i表示第i個要素的特征歸因函數(shù)。解釋性模型g（x′）擁有唯一解：

i（f，x）= ∑ z′ x′ ?|z′|?。∕-|z′|-1）！ M！ ［f x（z′）- f x（z′＼i）］。

其中： |z′|表示z′中非零值的數(shù)目;f（x′）=f（h x（z′））=E［f（z）|z s］;s表示z′中非零 值索引的集合。

2 主要結果

2 1 不同模型的模擬性能和泛化能力

表4給出不同機器學習模型完成10次RCV和12次SCV后的評估參數(shù)，而圖2給出了RCV和SCV試驗在測試集上的驗證效果。當所有站點均有部分數(shù)據(jù)參與訓練時（對應RCV試驗），XGB模型的精度最高，KGE和 R ?2高達0 92和0 88，均方根誤差最低（0 45 mm·d ?-1 ），基本無偏差。RF模型效果略低于XGB模型，KGE和 R ?2為0 88和0 87，均方根誤差為0 49 mm·d ?-1 。雖然XGB和RF模型均是依賴于決策樹的集成學習方法，但是RF模型中每顆決策樹之間相互獨立，而XGB會基于當前決策樹中的錯誤來優(yōu)化產(chǎn)生新決策樹，這可能導致XGB相比RF模型擁有更好的效果。SVR和ANN模型的模擬精度相當，兩者的KGE和 R ?2均在0 85和0 81左右，ANN模型的誤差稍大于SVR。相比圖2a、2b，圖2c、2d中的散點分布更寬，表明SVR和ANN模型易出現(xiàn)高估或者低估蒸散發(fā)的情況。表4也說明，ANN和SVR模型的偏差大于RF和XGB模型?？赡艿脑蚴?，XGB和RF模型中的集成學習理念使得不同決策樹之間的偏差可能存在相互抵消，最終減小集成結果的偏差。另外，對于所有模型而言，除偏差外的其他參數(shù)都擁有遠小于均值的均方根誤差，表明模型對于訓練和測試數(shù)據(jù)的選取不敏感、模型魯棒性強。

Zhang et al.（2021）指出，RF模型在SCV中的模擬精度相比在RCV中會降低。本研究發(fā)現(xiàn)，除RF外，XGB、SVR和ANN模型均存在類似的情況。不難理解，當某一站點的觀測不參與訓練時，該站點蒸散發(fā)與預測因子間的特征關系無法被模型直接學習，從而導致誤差增加，KGE和 R ?2下降的情況。此外，需要注意的是，從RCV到SCV，SVR和ANN模型各項評估參數(shù)的退化程度（例如，KGE和 R ?2降低、RMSE增加）要小于RF和XGB，這說明SVR和ANN模型擁有更強的泛化能力。然而，雖然各模型的評估指標有所下降，但各項指標的下降幅度在可接受范圍內(nèi)，且均方根誤差和 R ?2仍然優(yōu)于基于物理模型的再分析資料以及遙感反演產(chǎn)品（Zhang et al.，2019;Niu et al.，2020）?？傮w而言，4種機器學習模型在SCV中的表現(xiàn)相當。

圖3進一步給出了不同站點觀測和模型估算的蒸散發(fā)季節(jié)分布，其中模型估算結果均來自SCV試驗（即站點數(shù)據(jù)均未參與模型訓練），月尺度結果由日尺度平均得到?？傮w而言，各模型均能很好模擬出蒸散發(fā)的季節(jié)循環(huán)，平均RMSE為0 27～0 31 mm·d ?-1 。然而，沒有一種模型能夠在每個站點都擁有最好的模擬效果。例如，XGB模型很好模擬出DL站點的蒸散發(fā)且誤差僅為0 1 mm·d ?-1 ，但卻未能模擬出HB站點蒸散發(fā)在7月的峰值且誤差相比其他模型高了近80％。ANN模型在HB_W和SIZW站點有最低的模擬誤差，但是在HB站點卻存在顯著負偏差。將4種模型估算結果進行簡單算數(shù)平均得到的集合平均結果相比單一模型在均方根誤差方面降低了7％～20％。因此，采用多機器學習模型的集合平均估算干旱、半干旱地區(qū)蒸散發(fā)相比僅采用單一模型更有優(yōu)勢。

2 2 不同模型的可解釋性分析

圖4給出了4種機器學習模型的SHAP可解釋性匯總，其中橫軸為SHAP值，縱軸的預測因子按照解釋性大小從上到下依次排列，每個點的顏色代表預測因子的數(shù)值大小。例如，圖4a表明凈輻射是RF模型估算蒸散發(fā)時給予權重最大的因子，且凈輻射的高值（紅色）對應正的SHAP值，凈輻射低值（藍色）對應負的SHAP值，即RF模型中凈輻射增加有利于蒸散發(fā)增加?？傮w而言，4種機器學習模型一致地將凈輻射作為最重要的因子，且都顯示凈輻射與蒸散發(fā)的正相關關系。Hu et al.（2021）針對FLUXNET2015的部分站點（包括森林、草地、作物等），對比了RF、符號回歸模型和深度學習模型的可解釋性，也得到了類似的結論。此外，與植被冠層結構密切相關的EVI指數(shù)、對葉綠素敏感的NDVI指數(shù)以及表征土壤干濕情況的土壤濕度（SWC）在4種模型中都擁有較高權重，且均與蒸散發(fā)呈正相關關系，這表明4種機器學習模型均能夠正確捕捉到干旱、半干旱地區(qū)能量、水分和植被對蒸散發(fā)的影響。然而，不同模型對于植被和土壤濕度因子的重要性排列依舊存在區(qū)別。例如，土壤濕度在RF、XGB和ANN模型中的重要性僅次于植被指數(shù)或者土壤溫度，而在SVR模型中則排在氣溫、LAI、NDVI、EVI以及短波輻射之后。4種模型對于其他預測因子重要性分配的差別更大。例如，2 m氣溫在RF、XGB和ANN模型中的重要性遠小于在SVR模型中。

圖5進一步給出凈輻射的SHAP值和凈輻射大小以及土壤濕度之間的關系，選取觀測時長最大的AROU和NMG站分別代表高寒草甸和溫性草原。對于AROU站點，當土壤偏干時（SWC<0 15 m 3·m ?-3 ， 圖5中藍色點），凈輻射的影響（|SHARP|）較弱，且凈輻射從0增加到100 W·m ?-2 時SHAP值的變化很平緩。這說明低土壤濕度限制了凈輻射對蒸散發(fā)的影響（Seneviratne et al.，2010）。當土壤相對濕潤時（SWC>0 25 m 3·m ?-3 ，圖5中紅色點），凈輻射的影響相比土壤干燥時增強，且SHAP值隨著凈輻射增加的速率遠大于土壤干燥時期。XGB、SVR和ANN與RF類似，但SVR和ANN中低土壤濕度對凈輻射貢獻的限制強度不及RF和XGB。在NMG站，土壤濕度對凈輻射SHAP值的影響結果與AROU站類似。即，當土壤濕度偏低時（SWC<0 10 m 3·m ?-3 ），凈輻射的SHAP值偏小且基本不隨凈輻射增加而增加。其他站點的結果類似（圖略）。上述SHAP可解釋性分析表明，4種機器學習模型能夠合理描述土壤偏干時土壤水分對蒸散發(fā)的限制作用。

2 3 ?5 km分辨率格點蒸散發(fā)數(shù)據(jù)構建及蒸散發(fā)趨勢

利用上述4種機器學習方法，結合MODIS格點產(chǎn)品、CMFD格點氣象資料以及GLASS凈輻射等產(chǎn)品（表2），構建了西北地區(qū)5 km分辨率2001—2018年的多模型集合蒸散發(fā)產(chǎn)品（簡稱ML-ENS）。由于本研究所用通量觀測站點主要是草地下墊面，訓練的機器學習模型對于裸地和沙漠下墊面是否有較好的泛化能力仍需進一步探討，故對裸地和沙漠格點進行了掩碼，這在FLUXCOM等蒸散發(fā)產(chǎn)品的制作中也有應用（Jung et al.，2019;Niu et al.，2020）。圖6對比了ML-ENS和其他高分辨率產(chǎn)品對不同站點ET季節(jié)循環(huán)的模擬效果。相比其他產(chǎn)品（除FLUXCOM-RS外），ML-ENS沒有顯著低估高寒草甸下墊面的蒸散發(fā)。與本研究類似，F(xiàn)LUXCOM-RS也是基于遙感和機器學習模型的蒸散發(fā)產(chǎn)品，觀測信息的融入可能是它優(yōu)于GLEAMv3 6和GLASS-ETv4 2產(chǎn)品的原因。相比FLUXCOM-RS，ML-ENS在溫性草地（NMG，SIZW和YAK）以及HB_W、DL_D和HB等高寒草甸站點依舊有顯著優(yōu)勢。綜合而言，ML-ENS中蒸散發(fā)季節(jié)循環(huán)與觀測間的均方根誤差為0 19 mm·d ?-1 ，而其他產(chǎn)品則為0 35～0 63 mm·d ?-1 ，ML-ENS誤差相比其他產(chǎn)品下降了45％～70％。

圖7進一步給出2001—2018年西北地區(qū)非裸地下墊面的降水、蒸散發(fā)以及降水減蒸散發(fā)的趨勢分布?？傮w而言，除了新疆和青海西南部地區(qū)外，其他地區(qū)都呈現(xiàn)降水增加特征，特別是內(nèi)蒙古東北部、 ?河套平原和青海東部地區(qū)。與降水不同的是，蒸散發(fā)整體呈現(xiàn)增加的趨勢，平均速率為19 mm／（10 a）。 在降水顯著增加的河套地區(qū)和內(nèi)蒙古東北部，蒸散發(fā)的趨勢可達60 mm／（10 a）。GLASS-ETv4 2以及GLEAM蒸散發(fā)產(chǎn)品也呈現(xiàn)與ML-ENS產(chǎn)品類似的蒸散發(fā)變化特征（圖略），區(qū)域平均蒸散發(fā)趨勢分別為22 mm／（10 a）和36 mm／（10 a）。需要注意的是，新疆地區(qū)蒸散發(fā)增加的區(qū)域與灌區(qū)高度吻合（Xiang et al.，2020）。進一步對土壤濕度、凈輻射和植被指數(shù)分析發(fā)現(xiàn)，這些灌區(qū)的EVI、NDVI以及凈輻射均呈現(xiàn)增加趨勢（圖略），加上較高的土壤濕度（灌溉導致），導致ET整體呈現(xiàn)增加趨勢。圖7c表明，強烈的蒸散發(fā)增加會超過降水的增加，從而使得河套地區(qū)、內(nèi)蒙古中部和北部部分地區(qū)PTOT-ET呈現(xiàn)下降趨勢，從而加劇這些地區(qū)從半干旱地區(qū)向干旱區(qū)轉(zhuǎn)換（Huang et al.，2016）。此外，新疆大部分非裸地下墊面的PTOT-ET均呈現(xiàn)下降趨勢，這主要是由降水下降（在天山地區(qū)，包括伊犁河谷等，圖7a）、和蒸散發(fā)增加（在新疆北部，圖7b）共同造成，表明該地區(qū)的干旱化風險要大于其他地區(qū)。

3 結論

利用機器學習模型估算陸面蒸散發(fā)是近年來的熱點問題，然而不同機器學習方法對干旱、半干旱區(qū)的蒸散發(fā)模擬能力如何、泛化能力是否存在顯著差別以及模型可解釋性等問題均有待深入研究?；诖?，本文以我國西北地區(qū)為例，通過12個通量站點的多年觀測數(shù)據(jù)訓練4種機器學習模型，采用隨機交叉驗證、空間交叉驗證和SHAP可解性方法檢驗模型模擬效果與可解釋性;利用具有較好物理可解釋性的機器學習模型，結合遙感與格點氣象再分析資料生成一套5 km分辨率、2001—2018年蒸散發(fā)產(chǎn)品，對蒸散發(fā)的長期趨勢進行了分析，得到如下主要結論：

1）RF、XGB、SVR和ANN模型均能很好估算西北地區(qū)草地下墊面的日尺度蒸散發(fā)，且均具有較好的魯棒性和泛化能力?；诩蓪W習理念的RF和XGB模型在隨機交叉驗證中偏差接近0，從而擁有比SVR和ANN模型更小的均方根誤差。然而，當站點數(shù)據(jù)未參與訓練時，4種模型的效果相當， KGE在0 76～0 79，均方根誤差低于0 57 mm·d ?-1 。 沒有一種模型在所有站點都擁有最好的模擬效果。相比單一模型，4種模型的集合平均使得蒸散發(fā)的季節(jié)循環(huán)估算誤差降低7％～20％。

2）雖然在具體權重大小上存在差異，4種機器學習方法均將凈輻射作為估算蒸散發(fā)的首要因子，同時也都給予植被參數(shù)（EVI或NDVI）以及土壤濕度較大的權重，均能合理捕捉干旱、半干旱地區(qū)能量、水分和植被對蒸散發(fā)的影響。另外，4種機器學習模型能夠合理描述土壤偏干時土壤水分對蒸散發(fā)的限制作用。

3）基于4種機器學習模型集合平均的格點蒸散發(fā)產(chǎn)品（ML-ENS）相比FLUXCOM、GLEAM和GLASS蒸散發(fā)產(chǎn)品誤差降低45％～70％。基于ML-ENS產(chǎn)品的趨勢分析表明，西北地區(qū)（裸地和沙漠除外）在2001—2018年呈現(xiàn)出蒸散發(fā)增加的趨勢，且河套、內(nèi)蒙古中部和東北部地區(qū)蒸散發(fā)的增加將抵消降水增加的增濕效應，從而進一步增加干旱化風險。

參考文獻（References）

Chah ine M T，1992.The hydrological cycle and its influence on climate［J］.Nature，359（6394）：373-380.doi：10 1038／359373a0.

陳鏡明，柳競先，羅翔中，2020.基于碳水通量耦合原理改進Penman-Monteith蒸散發(fā)模型［J］.大氣科學學報，43（1）：59-75. Chen J M，Liu J X，Luo X Z，2020.Improving the Penman-Monteith evapotranspiration model based on the coupling principle of carbon and water fluxes［J］.Trans Atmos Sci，43（1）：59-75.（in chinese）.

Coenders-Gerrits A J，van der Ent R J，Bogaard T A，et al.，2014.Uncertainties in transpiration estimates［J］.Nature，506（7487）：1-2.doi：10 1038／nature12925.

Fang B J，Lei H M，Zhang Y C，et al.，2020.Spatio-temporal patterns of evapotranspiration based on upscaling eddy covariance measurements in the dryland of the North China Plain［J］.Agric For Meteorol，281：107844.doi：10 1016／j.agrformet.2019 107844.

Gao B C，1996.NDWI—a normalized difference water index for remote sensing of vegetation liquid water from space［J］.Remote Sens Environ，58（3）：257-266.doi：10 1016／S0034-4257（96）00067-3.

Good S P，Noone D，Bowen G，2015.Hydrologic connectivity constrains partitioning of global terrestrial water fluxes［J］.Science，349（6244）：175-177.doi：10 1126／science.aaa5931.

Granata F，2019.Evapotranspiration evaluation models based on machine learning algorithms—a comparative study［J］.Agric Water Manag，217：303-315.doi：10 1016／j.agwat.2019 03 015.

Gupta H V，Kling H，Yilmaz K K，et al.，2009.Decomposition of the mean squared error and NSE performance criteria：implications for improving hydrological modelling［J］.J Hydrol，377（1／2）：80-91.doi：10 1016／j.jhydrol.2009 08 003.

He J，Yang K，Tang W J，et al.，2020.The first high-resolution meteorological forcing dataset for land process studies over China［J］.Sci Data，7（1）：25.doi：10 1038／s41597-020-0369-y.

賀圣平，王會軍，李華，等，2021.機器學習的原理及其在氣候預測中的潛在應用［J］.大氣科學學報，44（1）：26-38. He S P，Wang H J，Li H，et al.，2021.Machine learning and its potential application to climate prediction［J］.Trans Atmos Sci，44（1）：26-38.（in chinese）.

Hu X L，Shi L S，Lin G，et al.，2021.Comparison of physical-based，data-driven and hybrid modeling approaches for evapotranspiration estimation［J］.J Hydrol，601：126592.doi：10 1016／j.jhydrol.2021 126592.

黃建平，季明霞，劉玉芝，等，2013.干旱半干旱區(qū)氣候變化研究綜述［J］.氣候變化研究進展，9（1）：9-14. Huang J P，Ji M X，Liu Y Z，et al.，2013.An overview of arid and semi-arid climate change［J］.Progressus Inquisitiones DE Mutat Clim，9（1）：9-14.doi：10 3969／j.issn.1673-1719 2013 01 002.（in Chinese）.

Huang J P，Yu H P，Guan X D，et al.，2016.Accelerated dryland expansion under climate change［J］.Nat Clim Chang，6（2）：166-171.doi：10 1038／nclimate2837.

Huang J P，Yu H P，Dai A G，et al.，2017.Drylands face potential threat under 2 ℃ global warming target［J］.Nat Clim Chang，7（6）：417-422.doi：10 1038／nclimate3275.

Jung M，Koirala S，Weber U，et al.，2019.The FLUXCOM ensemble of global land-atmosphere energy fluxes［J］.Sci Data，6（1）：74.doi：10 1038／s41597-019-0076-8.

Koster R D，Dirmeyer P A，Guo Z C，et al.，2004.Regions of strong coupling between soil moisture and precipitation［J］.Science，305（5687）：1138-1140.doi：10 1126／science.1100217.

李放，沈彥俊，2014.地表遙感蒸散發(fā)模型研究進展［J］.資源科學，36（7）：1478-1488. Li F，Shen Y J，2014.Progress in remote sensing-based models for surface heat and water fluxes［J］.Resour Sci，36（7）：1478-1488.（in Chinese）.

Li Q L，Shi G S，Shangguan W，et al.，2022.A 1 km daily soil moisture dataset over China using in situ measurement and machine learning［J］.Earth Syst Sci Data，14（12）：5267-5286.doi：10 5194／essd-14-5267-2022.

Liang S L，Cheng J，Jia K，et al.，2021.The global land surface satellite （GLASS） product suite［J］.Bull Am Meteor Soc，102（2）：E323-E337.doi：10 1175／bams-d-18-0341 1.

Lundberg S M，Lee S I，2017.A unified approach to interpreting model predictions［C］／／Proceedings of the 31st International Conference on Neural Information Processing Systems.Long Beach，California，USA.New York：ACML：4768-4777.doi：10 5555／3295222 3295230.

馬柱國，2005.我國北方干濕演變規(guī)律及其與區(qū)域增暖的可能聯(lián)系［J］.地球物理學報，48（5）：1011-1018. Ma Z G，2005.Dry／wet variation and its relationship with regional warming in arid-regions of Northern China［J］.Chin J Geophys，48（5）：1011-1018.doi：10 3321／j.issn：0001-5733 2005 05 006.（in Chinese）.

Niu Z E，He H L，Zhu G F，et al.，2020.A spatial-temporal continuous dataset of the transpiration to evapotranspiration ratio in China from 1981—2015［J］.Sci Data，7（1）：369.doi：10 1038／s41597-020-00693-x.

Oki T，Kanae S，2006.Global hydrological cycles and world water resources［J］.Science，313（5790）：1068-1072.doi：10 1126／science.1128845.

Pastorello G，Trotta C，Canfora E，et al.，2020.The FLUXNET2015 dataset and the ONEFlux processing pipeline for eddy covariance data［J］.Sci Data，7（1）：225.doi：10 1038／s41597-020-0534-3.

Reichstein M，Camps-Valls G，Stevens B，et al.，2019.Deep learning and process understanding for data-driven Earth system science［J］.Nature，566（7743）：195-204.doi：10 1038／s41586-019-0912-1.

Seneviratne S I，Corti T，Davin E L，et al.，2010.Investigating soil moisture-climate interactions in a changing climate：a review［J］.Earth Sci Rev，99（3／4）：125-161.doi：10 1016／j.earscirev.2010 02 004.

Tramontana G，Jung M，Schwalm C R，et al.，2016.Predicting carbon dioxide and energy fluxes across global FLUXNET sites with regression algorithms［J］.Biogeosciences，13（14）：4291-4313.doi：10 5194／bg-13-4291-2016.

Wang K C，Dickinson R E，2012.A review of global terrestrial evapotranspiration：observation，modeling，climatology，and climatic variability［J］.Rev Geophys，50（2）.doi：10 1029／2011rg000373.

Xiang K L，Yuan W P，Wang L W，et al.，2020.An LSWI-based method for mapping irrigated areas in China using moderate-resolution satellite data［J］.Remote Sens，12（24）：4181.doi：10 3390／rs12244181.

Xiao J F，Zhuang Q L，Baldocchi D D，et al.，2008.Estimation of net ecosystem carbon exchange for the conterminous United States by combining MODIS and AmeriFlux data［J］.Agric For Meteor，148（11）：1827-1847.doi：10 1016／j.agrformet.2008 06 015.

Xiao X M，Boles S，Liu J Y，et al.，2002.Characterization of forest types in northeastern China，using multi-temporal SPOT-4 VEGETATION sensor data［J］.Remote Sens Environ，82（2／3）：335-348.doi：10 1016／S0034-4257（02）00051-2.

楊揚，孫旭映，張良，等，2020.利用“模擬-校正”法估算黃土高原半干旱區(qū)陸面蒸散發(fā)［J］.水土保持研究，27（2）：178-184. Yang Y，Sun X Y，Zhang L，et al.，2020.Estimation of terrestrial evapotranspiration of grassland in semi-arid region of the loess plateau by simulation-correction method［J］.Res Soil Water Conserv，27（2）：178-184.doi：10 13869／j.cnki.rswc.2020 02 026.（in Chinese）.

Yu G R，Wen X F，Sun X M，et al.，2006.Overview of ChinaFLUX and evaluation of its eddy covariance measurement［J］.Agric For Meteorol，137（3／4）：125-137.doi：10 1016／j.agrformet.2006 02 011.

Zhang C，Luo G，Hellwich O，et al.，2021.A framework for estimating actual evapotranspiration at weather stations without flux observations by combining data from MODIS and flux towers through a machine learning approach［J］.J Hydro，603：127047.

張霞，李明星，馬柱國，2018.近30年全球干旱半干旱區(qū)的蒸散變化特征［J］.大氣科學，42（2）：251-267. Zhang X，Li M X，Ma Z G，2018.Evapotranspiration variability over global arid and semi-arid regions from 1982 to 2011［J］.Chin J Atmos Sci，42（2）：251-267.doi：10 3878／j.issn.1006-9895 1709 16288.（in Chinese）.

Zhang Y Q，Kong D D，Gan R，et al.，2019.Coupled estimation of 500 m and 8-day resolution global evapotranspiration and gross primary production in 2002-2017［J］.Remote Sens Environ，222：165-182.doi：10 1016／j.rse.2018 12 031.

Modeling the evapotranspiration and its long-term trend over Northwest China using different machine learning models

JI Peng，YUAN Xing

Key Laboratory of Hydrometeorological Disaster Mechanism and Warning of Ministry of Water Resources／Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters／School of Hydrology and Water Resources，Nanjing University of Information Science & Technology，Nanjing 210044，China

Using machine learning models （MLMs） to develop high-accuracy evapotranspiration （ET） products is important for investigating the terrestrial hydrological changes in arid and semi-arid regions in the context global warming.Based on the 12 flux stations in Northwest China and multi-source observation datasets，we present a 5-km gridded ET product based on 4 MLMs including the random forest，the extreme gradient boosting，the support vector regression，and the artificial neural network，and analyze the long-term ET trend over Northwest China.The cross-validation results show that all the four models can simulate the daily ET reasonably well，with the root-mean-square error （RMSE） smaller than 0 57 mm·d ?-1 and the ?R ?2 up to 0 73～0 88.Moreover，the Sharply additive explanations （SHAP） method reveals that all the models treat the net radiation，vegetation indexes and soil moisture as the most important predictors and capture the limitation effect of soil water on ET reasonably well，indicating a good physical interpretability of the 4 MLMs.No model always has superiority，and the ensemble mean of the 4 models shows a 7％—20％ and 45％—70％ smaller RMSE than the individual member and other ET products.The ensemble ET shows an increasing trend over the Northwest China during 2001—2018，with a mean increase of 19 mm／（10 a）.In addition，the rate of growth of ET is greater than the rate of increase of precipitation in the Hetao region and the middle and northeastern parts of Inner Mongolia，suggesting an intensified drying trend in these regions.

Northwest China;evapotranspiration;machine learning models;generalization ability;trend analysis

doi：10 13878／j.cnki.dqkxxb.20221201014

（責任編輯：劉菲）