揭示植被动态在潜在蒸散发与干旱中作用的混合机器学习与最优气孔行为(Optimal Stomatal Behavior)冠层阻力模型研究

《Journal of Hydrology》：A hybrid machine learning and optimal stomatal behavior model to reveal the role of vegetation dynamics in potential evapotranspiration and drought

　　

摘要：潜在蒸散发(Potential Evapotranspiration, PET)是陆地水循环的关键组分，其估算精度直接影响干旱监测的可靠性。FAO56 Penman–Monteith(PM)方法是干旱监测中广泛采用的标准PET模型，但其采用静态、非受水限制(non-water-limited, NWL)的冠层阻力参数(rcNWL=70 s/m)，未能充分体现植被对PET及干旱过程的调控作用。本研究基于全球涡度相关(eddy covariance)通量数据与遥感数据，对比了经验模型、过程模型、纯机器学习及物理约束机器学习四类冠层阻力(rc)模型对动态非受水限制冠层阻力(rcNWL)的模拟能力，旨在构建考虑植被动态的PET模型以更真实地反映干旱特征。结果表明，混合机器学习与最优气孔行为约束模型(rc-USO-ML)对冠层导度动态行为的模拟效果最佳(最高Global Performance Indicator, GPI)，显著优于传统Jarvis经验模型(rc-Jarvis)与过程型USO线性模型(rc-USO-Lin)。依据PET定义，研究人员通过去除rc-USO-ML中土壤水分胁迫影响构建了PETrcNWL-USO-ML模型。与传统PET模型相比，PETrcNWL-USO-ML能更准确地复现观测PET(R2>0.85，RMSE<0.66 mm/d)，且显示出更强的PET及干旱特征增加趋势。值得注意的是，在中国西北干旱区，忽略植被动态导致干旱历时、严重程度及强度的增加趋势分别被低估74%、51%和23%。综上，本研究强调了在干旱监测及未来风险评估中充分考虑植被生理综合效应的必要性。

论文解读：揭示植被动态在潜在蒸散发与干旱中作用的混合机器学习与最优气孔行为冠层阻力模型研究

潜在蒸散发(Potential Evapotranspiration, PET)代表大气水分需求，是从水平衡角度判断区域干湿状况的核心变量。FAO56Penman–Monteith(PM)模型作为标准PET估算方法，假定固定短草下垫面并使用静态非受水限制冠层阻力(r_cNWL=70 s/m)，忽略了冠层阻力(r_c)随植被结构（如叶面积指数LAI）和生理过程（气孔行为）的动态变化。已有研究表明这种简化会高估PET进而高估干旱程度，而以往改进的CO₂修正模型或单一统一气孔优化(Unified Stomatal Optimization, USO)模型难以完全捕捉r_cNWL对环境多驱动因子的非线性时变响应。因此，系统比较不同r_c模型并构建考虑植被动态(vegetation dynamics)的PET模型对提高干旱监测精度具有重要意义。该研究由Weiqi Liu等人完成，发表于《Journal of Hydrology》。

主要关键技术方法：

研究人员整合站点尺度（全球FLUXNET涡度相关日通量数据，筛选土壤含水量较高即非受水限制时段）与区域尺度（中国1985–2015年气象、植被及土壤栅格数据，重采样至统一空间分辨率）数据集。分别建立四类r_cNWL模拟模型：①经验Jarvis型乘法模型(r_c-Jarvis)；②过程型统一气孔优化模型(r_c-USO-Lin，含固定参数G₁)；③纯机器学习模型（以环境及植被因子为输入）；④物理约束机器学习模型——将USO模型中随环境变化的G₁用机器学习拟合，得到r_c-USO-ML。以涡度相关反演r_cNWL为真值，用R²、RMSE及Global Performance Indicator(GPI)评估各模型性能。选取最优r_c模型代入PM方程（剔除土壤水胁迫项）构建新PET模型PET_rcNWL-USO-ML，并与FAO56PM及PET_CO2比较对中国区域PET及基于水平衡的干旱特征（SPEI类指标）的模拟差异，重点分析西北干旱区植被动态影响。

研究结果：

Validation of canopy resistance models（冠层阻力模型验证）：

对比四类r_c模型在不同植被类型下对r_cNWL的模拟发现，r_c-USO-ML表现最优（最高GPI，最低RMSE），能较好再现r_cNWL的量级与季节波动；传统r_c-Jarvis模型在各植被类型中表现最差，难以捕捉时序变异；纯机器学习模型优于经验与过程模型但仍不及物理约束混合模型；r_c-USO-Lin因G₁时空变异性大存在明显偏差。表明物理机制与数据驱动结合的混合模型更能准确模拟植被气孔行为对应的冠层阻力动态。

The reliability of canopy resistance models（冠层阻力模型的可靠性）：

研究人员指出r_c受植被状态（LAI、光合能力）与气象因子（辐射、VPD、温度、CO₂）单独或交互影响，冠层尺度r_c本质上反映植被气孔行为调控机制。r_c-USO-ML通过机器学习动态参数化USO模型中的G₁（受VPD、土壤湿度及植被性状影响），更有效地表征了不同下垫面植被生理差异对气孔响应的调节，因此具有更好的跨区域与跨植被类型可靠性。

Conclusions（结论部分翻译）：

传统PET模型如FAO56PM模型忽视植被动态对PET的影响，导致PET估算与干旱监测偏差。通过将动态非受水限制冠层阻力(r_cNWL)引入Penman–Monteith方程，PET模型监测干旱的能力得到显著提升。本研究基于全球通量观测数据推导r_c，评价了经验模型、过程模型、纯机器学习模型及物理约束机器学习模型的适用性。结果表明，混合机器学习与最优气孔行为约束模型(r_c-USO-ML)最适于模拟r_cNWL。由此构建的PET_rcNWL-USO-ML模型较传统模型能更准确复现观测PET，并揭示更强的PET上升及干旱加剧趋势。在中国西北干旱区，不考虑植被动态分别使干旱持续时间、严重程度和强度的上升趋势被低估74%、51%和23%。总之，本研究凸显了在干旱监测及未来风险评估中充分纳入植被生理（结构与功能）综合效应的必要性。