Машинное обучение для коррекции остатков энергобалансовой модели с целью повышения точности оценок эвапотранспирации агроэкосистем

Актуальность: точная оценка эвапотранспирации (ET), или скрытого потока тепла (LE), критически важна для управления водными ресурсами и изучения энергетического баланса агроэкосистем. Высокоточные прямые измерения (метод турбулентных пульсаций) дороги и пространственно ограничены, в то время как спутниковые энергобалансовые модели требуют калибровки для повышения их точности. Современным трендом является использование методов машинного обучения (ML) как для прямой оценки потоков (Amani and Shafizadeh-Moghadam, 2023), так и для оптимизации физических моделей (Wang et al., 2025).

Цель работы: провести ML-оптимизацию энергобалансовой модели оценки LE с использованием глобального набора данных измерений над сельскохозяйственными полями.

Материалы и методы: В исследовании использовались данные со 137 станций измерения турбулентных пульсаций на сельскохозяйственных полях, климатический реанализ ERA5-Land и спутниковые снимки Landsat 7-9. С помощью 4880 безоблачных сцен была проведена сравнительная оценка двух двухуровневых энергобалансовых моделей: TSEB (Norman et al., 1995) и PT-JPL (Aragon et al., 2018). Модель PT-JPL показала лучшие результаты (RMSE = 86,8 Вт/м2, R2 = 0,39) и была выбрана для дальнейшей оптимизации.
Методология оптимизации включала следующие этапы:
1) Вычисление остатков модели
2) Разделение данных на обучающую (70% станций) и тестовую (30% станций) выборки с предотвращением пространственной утечки данных.
3) Обучение алгоритма градиентного бустинга (GBM) и подбор гиперпараметров для предсказания остатков модели PT-JPL на основе метеопараметров и вегетационных индексов без переобучения.
4) Рекурсивный отбор признаков с кросс-валидацией по случайным станциям (RFECV) для выбора наиболее значимых предикторов.
5) Коррекция исходной энергобалансовой модели.
6) Разделение общего потока LE на транспирацию (LEc), испарение с почвы (LEs) и испарение перехваченной листьями влаги (LEi)

Результаты и обсуждение:
ML-оптимизация позволила улучшить точность модели PT-JPL. На тестовой выборке: RMSE улучшилась с 86,8 до 66,7 Вт/м2. R2 увеличился с 0,39 до 0,65. Анализ важности признаков GBM показал, что стандартная модель PT-JPL систематически занижает LE при низкой относительной влажности воздуха. Оптимизированная модель (ML PT-JPL) была успешно апробирована для построения карт пространственного распределения LE и его компонентов, что продемонстрировано на примере сельскохозяйственного поля в Бельгии. Модель адекватно отражает пространственную неоднородность потоков, согласующуюся с распределением вегетационного индекса NDVI.

Выводы: Предложенный гибридный подход, сочетающий физически обоснованную модель PT-JPL и машинное обучение, позволяет повысить точность оценок скрытого потока тепла. Ключевым преимуществом метода является сохранение физической интерпретируемости модели (разделение на LEc, LEs, LEi) при одновременном увеличении её прогностической способности за счет коррекции систематических ошибок. Данный подход перспективен для оперативного мониторинга водного и энергетического баланса агроэкосистем.