以水定绿|内蒙古农业大学生态大数据团队在《International Journal of Digital Earth》发文

标题：基于遥感和深度学习的中国半干旱区樟子松人工林实际蒸散发时空估算

作者：苏荣

通讯作者：冀鹏浩

发表年份：2026年

DOI：10.1080/17538947.2026.2660434

1.研究背景

樟子松（Pinus sylvestrisvar. mongolica）是三北防护林的核心树种，但近年生长衰退、大片死亡频发。半干旱区（研究区域如图1所示）的水分收支中，蒸散发（AET）占比最大——蒸发+蒸腾出去的水越多，留给树木的水越少。传统方法要么精度高但覆盖极窄（通量塔），要么覆盖广但只能拍“瞬时快照”（遥感物理模型SEBAL）。

本文采用SEBAL的物理输出作为训练标签 + LSTM深度学习学习时序规律 + CMIP6未来气候驱动，实现从历史到未来的连续预测。

图1研究区域

2.研究方法

STEP1：SEBAL生成“基准真值”

研究首先利用2021年的Landsat和MODIS多源遥感数据，通过SEBAL物理模型计算了10个樟子松样地逐月的AET值（30米分辨率）。SEBAL基于地表能量平衡方程，净辐射减去土壤热通量和感热通量得到潜热通量，后者即为蒸散发所消耗的能量。这个SEBAL-AET输出被用LSTM深度学习的训练标签——它既是“物理信息”又是“代理真值”，模型学习的是复制物理规律。

STEP 2：LSTM深度学习建模

研究构建了一个两层堆叠的LSTM网络，每层50个隐藏单元，Dropout=0.2防过拟合，使用5个月滑动时间窗口来捕捉季节依赖性和记忆效应（即前几个月的干湿条件如何影响当前月的蒸散响应）。数据集按10个站点以分层抽样方式划分为80%训练、20%测试——确保冬眠、返青、旺盛生长、凋落各物候阶段在训练和测试中均有代表。

基准对比：同期训练了随机森林（R²=0.928）、XGBoost（0.903）和线性回归（0.879）作为参照。

STEP 3：偏差校正与未来驱动

为了建立从学习期（2021）到预测期（2030-2050）的桥梁，气象驱动变量的输入分布必须校准。研究采用了“分位数映射”偏差校正方法：将5个CMIP6模式（ACCESS-CM2、CanESM5、EC-Earth3、MIROC6、MPI-ESM1-2-HR）的月尺度输出（1985-2014）与CMA实测站数据进行逐变量校准——校正后月降水的R²从0.762提升到0.993。然后，这5个模式的2030-2050年输出作为驱动，输入训练好的LSTM模型，生成AET集合预测。

STEP 4：模型可解释性，SHAP分析

SHAP（Shapley Additive exPlanations）将LSTM的黑箱预测结果分解为各输入特征的贡献值，可以直观展示哪些变量对AET起主导作用。

3.主要发现

（1）深度学习的预测能力（R²=0.926）

LSTM模型在测试集上实现了R²=0.926、RMSE=13.56 mm/月、NSE=0.91。从散点图（图2（a））可见，预测值（纵轴）与SEBAL参考值（横轴）围绕1:1基准线高度一致（R=0.962）。在超过120 mm/月的极端高蒸散事件中，模型存在轻度低估（散点轻微落入基准线以下区间），这是回归型深度学习中极端样本稀缺的常见表现。

从时间序列（图2（b））看，模型精准捕捉了以下时间动态：冬季静止期：AET <5 mm/月，夏季峰值期：>100 mm/月，过渡期的拐点方向变化也基本与实测吻合。

图2 LSTM结果图

图3 SHAP结果

综上，LSTM准确复制了SEBAL物理模型对月际物候变化的表达，可以作为跨时间迁移的气象-水文替代模型。

（2）SHAP可解释性

如图3所示，SHAP分析将所有特征的重要性进行了定量归因，并得出以下排序（按贡献绝对值）：NDVI——棕枝绿度，即植被覆盖度和光合能力> 平均气温——大气能量上限>降水>日照时长>风速>反照率>地形/树高等静态变量。

（3）季节性的“反直觉”危险

图4年总量视角

图5夏季蒸散发明显增强

如图4所示，在所有10个样地，2030-2050年的年均AET都呈稳健增的加趋势，每样地年总蒸散发增加约2.5-3.8 mm（SSP2-4.5中等排放情景）或更高（SSP5-8.5高排放情景增长较显著），这似乎是个“变湿”的好消息。但是当按照季节展开，如图5所示，与历史相比，未来夏季（6–8月）月蒸散发整体明显抬升，而冬季和秋季变化很小。

图6 双月蒸散发变化矩阵

而图6展示了，双月尺度上，暖季（如5–6月、7–8月）蒸散发普遍增加（黄红色），但部分变化统计上不显著（点画区域）。图7中高排放情景下，几乎所有站点在5–8月都出现显著增加信号（红色▲），表明夏季水分胁迫风险最突出。

图7 哪些站点、哪几个月风险显著增加（红色▲）

综上所述，当把年总量按月份打开后，问题变得尖锐：夏季（5-8月） ：AET分布整体性箱体上移，变化量显著大于历史变异幅度的置信区间（p<0.05，Welch t-test标注为红色▲）；冬季（12-2月）与秋季（9-11月） ：分布与历史形态基本重叠，标记为灰色●（p≥0.05）

换句话说——未来降水增加了，但因为夏季高温驱动的Vapor Pressure Deficit（大气水分亏缺，即空气的“口渴”程度）增长的幅度更大，土壤水分被拉入大气循环的速度远快于降水的补给速率。降雨之间的“窗口期”内，土壤水分快速下滑到生理胁迫线以下的风险因此而升高。

——这就是水文悖论的核心，在年降水量增加的前提下，夏季的水分胁迫风险却可能不降反升，挑战了“降水量决定一切”的简单水文学思维。

（4）量化不确定性

图8 情景间模型间差异

如图8所示，5个CMIP6模式分别运行，取AET预测的集合标准差（定义为GCM间的结构不确定性）。在水分最活跃的样地（yq、wy），不确定性最大——因为这些样地更受夏季降水随机性的支配；SSP5-8.5（强强迫情景）的不确定性反而低于SSP2-4.5（中等情景）——更剧烈、更覆盖性的气候强迫信号使得不同GCMs的模拟结果趋于收敛，而中等情景更易受各模式内部变率的发散影响；夏季（JJA）的不确定性广主要来自GCM对对流性降水预报的分歧——由于LSTM的训练数据2021年已属暖湿年份，AET预测对降水输入的非线性依赖性极高，这种分歧直接映射为AET的发散。

专业论文自荐：欢迎联系3117913342@qq.com

声明：以上中文翻译为译者个人对于文章的概略理解，论文传递的准确信息请参照英文原文。