实验室蒸散发遥感团队研究揭示青藏高原地区蒸散发物理模型与机器学习模型的耦合机制
来源：发布时间：2023-05-22
近日，双色球北京师范大学姚云军教授带领蒸散发遥感团队，在基于物理模型与机器学习耦合建模估算青藏高原蒸散发方面取得重要进展。团队多角度评估了传统蒸散发物理模型和现有机器学习算法在模拟性能方面的优劣，提出了两套耦合方案，将机器学习作为物理模型的补充，在物理机制与高模拟性能之间寻找最优结合点，对青藏高原区域开展了精度更高、模型泛化能力更强的蒸散发遥感估算。该研究成果发表在遥感领域顶级期刊Remote Sensing of Environment上，为利用遥感手段准确量化蒸散发，以及了解全球和区域水循环过程提供了重要参考依据。
蒸散发是陆地生态系统中能量平衡和水循环的重要组成部分。青藏高原作为“地球第三极”，其蒸散发过程对全球气候变化影响极大，利用遥感手段准确量化青藏高原蒸散发具有重要意义。然而，受蒸散发的复杂生物物理机制的影响，传统基于过程的物理模型在青藏高原的估算应用中表现出很大差异。这与物理模型的结构有关，静态的参数化方案难以动态捕获不同植被类型在异质地表的蒸散发变化，导致模型精度在青藏高原地区不够理想。相对而言，面向数据的机器学习模型则更加灵活，对大量样本数据的适应性更强，能实现精度更高的模拟，但由于缺乏物理机制的约束，模型的样本外泛化能力较差。青藏高原地区地表异质性强，观测站点稀疏，无论是物理模型还是机器学习模型，均难以达到理想的蒸散发模拟效果。
针对上述问题，该研究提出了两个耦合模型，一个是基于地表导度的ML-Gs模型，另一个是基于土壤蒸发的ML-Es模型。这两个模型在蒸散发过程的物理框架约束下，用机器学习取代其中的一个参数或子模型，将机器学习模型嵌入到物理框架中，使机器学习成为物理模型的补充，提升了物理模型的模拟精度，同时稳固了机器学习模型的泛化能力。研究表明，耦合之后的模型在样本稀疏的情景下，即使仅使用20%的样本训练模型，仍然能取得优于单纯物理模型和单纯机器学习模型的精度（图 1）。在极端气候条件的模拟验证中，耦合模型比单纯机器学习模型做出了更好、更准确的反馈。另外，该研究还对耦合建模过程中，机器学习模型输入变量的建模贡献进行了可解释性分析，发现在物理框架的约束下，机器学习建模变量的贡献与蒸散发过程相吻合，经过物理约束的机器学习方法，样本外泛化能力得到了保障（图2）。
该研究将物理模型的特点（理论基础、可解释性）和机器学习的优势（对数据的自适应性）进行了有效结合，提出了适用于青藏高原蒸散发的耦合方案，为地面数据稀疏区域进行蒸散发遥感估算提供了新的视角，也为传统物理模型和先进人工智能算法的结合提供了新的技术途径。
[1] Ke Shang, Yunjun Yao, Zhenhua Di, Kun Jia, Xiaotong Zhang, Joshua B. Fisher, Jiquan Chen, Xiaozheng Guo, Junming Yang, Ruiyang Yu, Zijing Xie, Lu Liu, Jing Ning, Lilin Zhang. Coupling physical constraints with machine learning for satellite-derived evapotranspiration of the Tibetan Plateau [J]. Remote Sensing of Environment, 2023, 289, 113519.
[2] Ke Shang, Yunjun Yao, Shunlin Liang, Yuhu Zhang, Joshua B. Fisher, Jiquan Chen, Shaomin Liu, Ziwei Xu, Yuan Zhang, Kun Jia, Xiaotong Zhang, Junming Yang, Xiangyi Bei, Xiaozheng Guo, Ruiyang Yu, Zijing Xie, Lilin Zhang. DNN-MET: A deep neural networks method to integrate satellite-derived evapotranspiration products, eddy covariance observations and ancillary information [J]. Agricultural and Forest Meteorology, 2021, 308-309, 108582.
[3] Zijing Xie, Yunjun Yao, Xiaotong Zhang, Shunlin Liang, Joshua B. Fisher, Jiquan Chen, Kun Jia, Ke Shang, Junming Yang, Ruiyang Yu, Xiaozheng Guo, Lu Liu, Jing Ning, Lilin Zhang. The Global LAnd Surface Satellite (GLASS) evapotranspiration product Version 5.0: Algorithm development and preliminary validation [J]. Journal of Hydrology, 2022, 610, 127990. 
耦合模型（ML-Es、ML-Gs）和单纯机器学习模型（ML）在训练样本递减的情况下（80%、60%、40%、20%）的独立验证精度对比。
单纯物理模型与之对应的验证精度用横虚线表示，蓝色的为ET-PT，红色的为ET-PM
输入变量在耦合模型的机器学习建模阶段的模型贡献（图a为ML-Gs，图b为ML-Es）。输入变量包括下行短波辐射（Rs），空气温度（Ta），相对湿度（RH），归一化植被指数（NDVI），土壤水分（SM）和昼夜地表温度（LST_Day，LST_Night）
- 附件下载
-