近日，计算机科学与技术学院李清亮教授团队在水文与地球系统科学领域国际权威期刊Journal of Hydrology（中科院一区Top期刊）上发表题为“Improving Latent Heat Flux Prediction via Enhanced Cross-Variable Interaction and Temporal Dependence Learning”（通过增强跨变量交互与时间依赖学习提升潜热通量预测）的研究论文。taptap点点官方网站入口为第一完成单位，李清亮教授为第一作者及通讯作者、2023级硕士研究生肖祺昀（导师外第一作者）等。该研究得到了国家自然科学基金等项目的支持。

潜热通量（Latent Heat Flux, LE）是连接陆地与大气水热交换过程的关键变量，对水循环模拟、气候变化研究及生态系统评估具有重要意义。然而，现有深度学习模型多将气象因子、植被参数和土壤状态变量作为独立特征输入，主要关注时序依赖和非线性映射，缺乏从陆气交换机理出发显式刻画变量间物理关联结构与反馈传递过程的能力，因而难以充分表征潜热通量形成过程中由辐射供能、土壤水分约束、植被生理调节和近地层湍流交换共同决定的高阶耦合机制，从而限制了模型的预测精度与泛化能力。

针对潜热通量建模中变量耦合关系刻画不足的问题，李清亮教授团队提出了一种面向陆气交换过程的变量中心图—时序融合建模框架（Variable-Centric Graph–Recurrent Framework）。该方法将气象强迫因子与陆面状态变量共同表示为图结构中的节点，通过自适应学习变量间的连接关系，显式刻画辐射条件、热力状态、水分供给及植被活动等因子之间的耦合特征，并结合图卷积网络与循环神经网络，实现跨变量相互作用和时间演变过程的协同表征。与传统将多源驱动因子简单拼接输入的方式不同，该框架能够从数据中识别潜热通量形成过程中不同物理量之间的动态依赖关系，从而更真实地反映陆面能量分配、水分输送及陆气相互作用的复杂过程。

基于全球146个FLUXNET通量观测站点的实验结果表明，该方法在不同植被类型和气候背景下均表现出优异性能，相较于传统时序模型，在决定系数（R²）、Kling–Gupta效率系数（KGE）和均方根误差（RMSE）等指标上均实现了系统性提升。尤其在灌丛等下垫面异质性强、陆气交换过程更为复杂的生态系统中，该模型表现出更高的稳定性和鲁棒性，说明其能够更有效地适应复杂地表条件下潜热通量变化规律的模拟需求。同时，在空间外推和跨生态系统泛化任务中，该方法仍保持良好预测能力，表明其对不同气候区和不同下垫面条件下陆气交换特征具有较强的适应性。

进一步的物理机制分析表明，该模型能够学习到与陆面过程和近地层能量交换相一致的变量依赖结构。例如，气温与长波辐射之间表现出显著耦合特征，反映了地表热状况与辐射收支之间的紧密联系；土壤湿度与潜热通量之间的强关联，则揭示了土壤水分有效性对地表能量分配及蒸散发过程的重要调控作用。这说明该框架不仅提高了潜热通量预测精度，也在一定程度上增强了对陆气相互作用关键过程的物理可解释性。

该研究表明，针对潜热通量这类受多因子耦合控制的陆气交换变量，协同建模变量间相互作用与时间演变过程，是提升复杂地表水热过程模拟能力的重要途径。该成果为潜热通量及蒸散发等关键水热变量的高精度估算和跨生态系统应用提供了方法支撑，并为地学领域物理约束与数据驱动融合建模提供了有益参考。

                                                                                                                                              初审：刘江 王春蕾 复审：许博文 终审：佟军