實驗室蒸散發(fā)遙感團(tuán)隊研究揭示青藏高原地區(qū)蒸散發(fā)物理模型與機(jī)器學(xué)習(xí)模型的耦合機(jī)制
來源：發(fā)布時間：2023-05-22
近日，遙感科學(xué)國家重點實驗室北京師范大學(xué)姚云軍教授帶領(lǐng)蒸散發(fā)遙感團(tuán)隊，在基于物理模型與機(jī)器學(xué)習(xí)耦合建模估算青藏高原蒸散發(fā)方面取得重要進(jìn)展。團(tuán)隊多角度評估了傳統(tǒng)蒸散發(fā)物理模型和現(xiàn)有機(jī)器學(xué)習(xí)算法在模擬性能方面的優(yōu)劣，提出了兩套耦合方案，將機(jī)器學(xué)習(xí)作為物理模型的補(bǔ)充，在物理機(jī)制與高模擬性能之間尋找最優(yōu)結(jié)合點，對青藏高原區(qū)域開展了精度更高、模型泛化能力更強(qiáng)的蒸散發(fā)遙感估算。該研究成果發(fā)表在遙感領(lǐng)域頂級期刊Remote Sensing of Environment上，為利用遙感手段準(zhǔn)確量化蒸散發(fā)，以及了解全球和區(qū)域水循環(huán)過程提供了重要參考依據(jù)。
蒸散發(fā)是陸地生態(tài)系統(tǒng)中能量平衡和水循環(huán)的重要組成部分。青藏高原作為“地球第三極”，其蒸散發(fā)過程對全球氣候變化影響極大，利用遙感手段準(zhǔn)確量化青藏高原蒸散發(fā)具有重要意義。然而，受蒸散發(fā)的復(fù)雜生物物理機(jī)制的影響，傳統(tǒng)基于過程的物理模型在青藏高原的估算應(yīng)用中表現(xiàn)出很大差異。這與物理模型的結(jié)構(gòu)有關(guān)，靜態(tài)的參數(shù)化方案難以動態(tài)捕獲不同植被類型在異質(zhì)地表的蒸散發(fā)變化，導(dǎo)致模型精度在青藏高原地區(qū)不夠理想。相對而言，面向數(shù)據(jù)的機(jī)器學(xué)習(xí)模型則更加靈活，對大量樣本數(shù)據(jù)的適應(yīng)性更強(qiáng)，能實現(xiàn)精度更高的模擬，但由于缺乏物理機(jī)制的約束，模型的樣本外泛化能力較差。青藏高原地區(qū)地表異質(zhì)性強(qiáng)，觀測站點稀疏，無論是物理模型還是機(jī)器學(xué)習(xí)模型，均難以達(dá)到理想的蒸散發(fā)模擬效果。
針對上述問題，該研究提出了兩個耦合模型，一個是基于地表導(dǎo)度的ML-Gs模型，另一個是基于土壤蒸發(fā)的ML-Es模型。這兩個模型在蒸散發(fā)過程的物理框架約束下，用機(jī)器學(xué)習(xí)取代其中的一個參數(shù)或子模型，將機(jī)器學(xué)習(xí)模型嵌入到物理框架中，使機(jī)器學(xué)習(xí)成為物理模型的補(bǔ)充，提升了物理模型的模擬精度，同時穩(wěn)固了機(jī)器學(xué)習(xí)模型的泛化能力。研究表明，耦合之后的模型在樣本稀疏的情景下，即使僅使用20%的樣本訓(xùn)練模型，仍然能取得優(yōu)于單純物理模型和單純機(jī)器學(xué)習(xí)模型的精度（圖 1）。在極端氣候條件的模擬驗證中，耦合模型比單純機(jī)器學(xué)習(xí)模型做出了更好、更準(zhǔn)確的反饋。另外，該研究還對耦合建模過程中，機(jī)器學(xué)習(xí)模型輸入變量的建模貢獻(xiàn)進(jìn)行了可解釋性分析，發(fā)現(xiàn)在物理框架的約束下，機(jī)器學(xué)習(xí)建模變量的貢獻(xiàn)與蒸散發(fā)過程相吻合，經(jīng)過物理約束的機(jī)器學(xué)習(xí)方法，樣本外泛化能力得到了保障（圖2）。
該研究將物理模型的特點（理論基礎(chǔ)、可解釋性）和機(jī)器學(xué)習(xí)的優(yōu)勢（對數(shù)據(jù)的自適應(yīng)性）進(jìn)行了有效結(jié)合，提出了適用于青藏高原蒸散發(fā)的耦合方案，為地面數(shù)據(jù)稀疏區(qū)域進(jìn)行蒸散發(fā)遙感估算提供了新的視角，也為傳統(tǒng)物理模型和先進(jìn)人工智能算法的結(jié)合提供了新的技術(shù)途徑。
[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）和單純機(jī)器學(xué)習(xí)模型（ML）在訓(xùn)練樣本遞減的情況下（80%、60%、40%、20%）的獨(dú)立驗證精度對比。
單純物理模型與之對應(yīng)的驗證精度用橫虛線表示，藍(lán)色的為ET-PT，紅色的為ET-PM
輸入變量在耦合模型的機(jī)器學(xué)習(xí)建模階段的模型貢獻(xiàn)（圖a為ML-Gs，圖b為ML-Es）。輸入變量包括下行短波輻射（Rs），空氣溫度（Ta），相對濕度（RH），歸一化植被指數(shù)（NDVI），土壤水分（SM）和晝夜地表溫度（LST_Day，LST_Night）
- 附件下載
-