基于注意力機(jī)制神經(jīng)網(wǎng)絡(luò)的荒漠區(qū)蒸散量模擬

齊建東，買晶晶

（1.北京林業(yè)大學(xué)信息學(xué)院，北京100083；2.國(guó)家林業(yè)草原林業(yè)智能信息處理工程技術(shù)研究中心，北京100083）

0 引 言

蒸散量（Evapotranspiration，ET），即蒸發(fā)散，指土壤水分蒸發(fā)和植物蒸騰作用的總和，即水分從地球表面移向大氣的過(guò)程，廣泛用于測(cè)量陸地和大氣之間植物蒸騰、冠層蒸發(fā)和土壤蒸發(fā)過(guò)程的總水分損失量[1]。中國(guó)人口眾多，農(nóng)業(yè)用水占水資源消耗的比例較大，農(nóng)業(yè)消耗水由ET、滲透水和灌溉棄水組成，其中ET為作物耗水量，不能再利用，ET消耗的水量為農(nóng)業(yè)用水中真實(shí)消耗的水量[2]，因此準(zhǔn)確預(yù)測(cè)ET不僅可以為區(qū)域水資源管理和農(nóng)田作物培養(yǎng)提供信息及決策支持，還可以貫徹落實(shí)農(nóng)業(yè)節(jié)約用水措施[3]。

ET的觀測(cè)和分析所使用的數(shù)據(jù)來(lái)源之一是基于渦流協(xié)方差技術(shù)的全球通量塔[4]，測(cè)量值較為精確，但它只能測(cè)定當(dāng)前時(shí)間的蒸散量，無(wú)法估算出未來(lái)時(shí)間段的蒸散量。由于氣候環(huán)境變化和人類活動(dòng)逐漸地改變陸地生態(tài)系統(tǒng)的結(jié)構(gòu)和功能，估算并預(yù)測(cè)ET仍然是一個(gè)巨大的挑戰(zhàn)[5-6]。常用的ET估算方法主要有2種：基于衛(wèi)星的遙感估算法和數(shù)值模擬法?；谛l(wèi)星的遙感估算方法的估算精度受植被生理生態(tài)特征、氣候及水分等因素影響，且獲得關(guān)鍵植物參數(shù)較難從而增加了模型復(fù)雜度[7-9]。數(shù)值模擬法可以有效捕捉 ET與環(huán)境因子之間的非線性關(guān)系，由于其效率高、泛化性強(qiáng)等優(yōu)點(diǎn)，近年來(lái)被廣泛應(yīng)用于ET的模擬估算中，如Antonopoulos等[10]使用人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）對(duì)希臘北部韋戈里特湖的日蒸散量進(jìn)行了估算，得到了較好的結(jié)果。Yao等[11]引入支持向量機(jī)（Support Vector Machine，SVM）來(lái)預(yù)測(cè)ET，結(jié)果表明使用SVM預(yù)測(cè)ET是可靠的。Ki?i[12]使用Levenberg-Marquardt（LM）和共軛梯度2種前饋神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)參考作物蒸散量（Reference evapotranspiration，ET0），結(jié)果表明 2種算法可以成功地模擬ET0。陳宣全等[13]使用多元自適應(yīng)回歸樣條算法來(lái)模擬川中丘陵區(qū)的ET，并說(shuō)明了該算法在ET模擬領(lǐng)域的可行性。2015年，Abdullah等[14]將極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）應(yīng)用于ET模擬中，該算法被強(qiáng)烈推薦應(yīng)用于地理和氣象條件類似于伊拉克干旱和半干旱地區(qū)的地域。之后，魏俊等[15]在氣象條件缺失的情況下使用ELM對(duì)中國(guó)西北旱區(qū)的ET0進(jìn)行模擬，得出選取溫度和風(fēng)速作為輸入的模型可以作為西北旱區(qū)的 ET0模擬模型。

綜上，基于傳統(tǒng)機(jī)器學(xué)習(xí)方法如SVM、ELM、ANN等進(jìn)行ET模型模擬已經(jīng)做了大量研究工作。而深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的最新研究成果，在針對(duì)多維數(shù)據(jù)的特征表示與提取方面，較傳統(tǒng)機(jī)器學(xué)習(xí)方法具有較大的優(yōu)勢(shì)。邢立文等[16]指出 ET0在時(shí)間上具有動(dòng)態(tài)特性，可以用時(shí)間序列模型進(jìn)行描述，建立了基于長(zhǎng)短期記憶（Long Short-Term Memory，LSTM）的 ET0預(yù)測(cè)模型，結(jié)果表明LSTM可以作為華北地區(qū)逐月ET0預(yù)測(cè)的推薦模型。Saggi等[17]建立深度學(xué)習(xí)多層感知機(jī)（Deep learning multilayer perceptrons，DL）的ET0模擬模型，并與廣義線性模型、隨機(jī)森林模型（Random Forest，RF）、梯度提升機(jī)模型對(duì)比，得出DL模型具有更高的魯棒性，模擬效果更準(zhǔn)確。Ferreira等[18]利用逐小時(shí)氣象數(shù)據(jù)，使用卷積神經(jīng)網(wǎng)絡(luò)模型估計(jì)逐日ET0，與RF、ANN和極端梯度提升模型相比得到了很好的模擬性能。Chen等[19-20]使用時(shí)序卷積網(wǎng)絡(luò)建立了東北平原和膜下滴灌玉米的ET模擬模型，取得了很好的效果。深度學(xué)習(xí)目前在ET模型模擬領(lǐng)域有很大的應(yīng)用與推廣空間。深度學(xué)習(xí)通過(guò)深層次架構(gòu)學(xué)習(xí)模型特征，在數(shù)據(jù)特征和模型挖掘上有顯著優(yōu)勢(shì)，ET作為典型的時(shí)間序列數(shù)據(jù)，深度學(xué)習(xí)模型尤其適合。

本文選取寧夏鹽池縣作為研究站點(diǎn)，并使用基于注意力機(jī)制的 LSTM 模型（AT-LSTM）來(lái)模擬 ET，鹽池縣屬于干旱半干旱地區(qū)，水資源匱乏，在干旱半干旱地區(qū)降水以蒸散形式返回到大氣中的水分達(dá)到 80%以上，鹽池縣作為寧夏回族自治區(qū)首個(gè)脫貧摘帽的地區(qū)，擁有自己的特色農(nóng)業(yè)項(xiàng)目，準(zhǔn)確估算并預(yù)測(cè)鹽池縣ET變化對(duì)該地區(qū)農(nóng)業(yè)水資源管理及區(qū)域氣候調(diào)節(jié)具有重要意義[21]。注意力機(jī)制的引用可以進(jìn)一步提升時(shí)間序列模型的分析效果，且目前AT-LSTM模型在ET值模擬方面的應(yīng)用尚為空白。本文的目標(biāo)如下：1）驗(yàn)證AT-LSTM模型模擬ET的可行性和有效性；2）使用AT-LSTM模型建立16種不同環(huán)境因子輸入組合，對(duì)鹽池縣的ET進(jìn)行模擬，并將其與LSTM、SVM、ELM主流模型對(duì)比，以期為鹽池縣農(nóng)業(yè)用水管理提供科學(xué)支持。

1 材料與方法

1.1 研究區(qū)概況

研究站點(diǎn)位于寧夏回族自治區(qū)東部的鹽池荒漠生態(tài)系統(tǒng)定位研究站（鹽池站），地理坐標(biāo)107.20°～107.26°E，37.68°～37.73°N，北臨毛烏素沙地，南接黃土高原，是黃土丘陵向鄂爾多斯緩坡丘陵過(guò)渡，半干旱區(qū)向干旱區(qū)過(guò)渡，草原向荒漠草原過(guò)渡，農(nóng)區(qū)向牧區(qū)過(guò)渡的區(qū)域，平均海拔1 600 m，總面積8 661 km2，屬于溫帶大陸季風(fēng)氣候，四季少雨多風(fēng)，氣候干燥。鹽池縣多年平均降水量311 mm，降水自東南向西北遞減。鹽池縣地表降水占總水資源的 62%，降水有限且分布不均。該縣農(nóng)業(yè)大力發(fā)展灘羊、牧草、黃花菜、小雜糧、中藥材等，農(nóng)業(yè)生產(chǎn)灌溉大多依靠黃河引水。

1.2 數(shù)據(jù)源

Wagle等[22]的研究指出，對(duì)于較長(zhǎng)期的水通量總和，30 min尺度更為可靠，因此，本研究選取鹽池縣2012年1月1日—2017年12月31日的每30 min環(huán)境因子數(shù)據(jù)。根據(jù)文獻(xiàn)[1, 23-24]選取ET主要影響因子：空氣溫度（Ta）、凈輻射（Rn）、相對(duì)濕度（Relative Humidity，RH）、土壤溫度（Ts）、土壤含水率（Soil Water Content，SWC）。ET由公式（1）計(jì)算得到。

式中λ為汽化熱，即蒸發(fā) 1個(gè)單位質(zhì)量水的能量，為2.454×105J/kg；LE為潛熱通量，W/m2，采用渦流協(xié)方差技術(shù)的通量塔測(cè)得[23,25-26]。試驗(yàn)數(shù)據(jù)共有105 216條，其中87 696條數(shù)據(jù)作為訓(xùn)練集，17 520條數(shù)據(jù)作為測(cè)試集。

1.3 數(shù)據(jù)處理

1）缺失值處理：采用均值填補(bǔ)法[27]，對(duì)缺失的時(shí)間點(diǎn)的數(shù)據(jù)選取前后10 d的數(shù)據(jù)，取平均值。

2）為了消除指標(biāo)之間的量綱對(duì)預(yù)測(cè)效果的影響，將數(shù)據(jù)進(jìn)行歸一化處理。

3）各年份逐日ET由逐小時(shí)ET值累加得出，同理，逐月ET由逐日ET累加得到。

1.4 研究方法

輸入環(huán)境因子的數(shù)量越多，所需的測(cè)量成本越高，為了獲得較高的ET模擬精度并減少成本，分析不同環(huán)境因子輸入下的模型模擬精度，采用不同環(huán)境因子組合作為模型輸入?yún)?shù)（表1）。

表1 不同環(huán)境因子組合的輸入?yún)?shù)Table 1 Input parameters of different environmental factor combinations

本文使用編碼器-解碼器框架建立AT-LSTM模型[28]，并使用在干旱半干旱地區(qū)常用的ELM模型[29]、處理長(zhǎng)時(shí)間序列的 LSTM 模型[16]以及基本機(jī)器學(xué)習(xí)模型 SVM[30]來(lái)構(gòu)建鹽池縣ET模擬模型，4種模型均使用python語(yǔ)言來(lái)編寫。

AT-LSTM模型參數(shù)設(shè)置：學(xué)習(xí)率設(shè)為0.000 1，編碼器和解碼器中 LSTM 的隱藏層大小設(shè)為 64，批量大小（batch size）設(shè)為32，序列窗口大小設(shè)為10。LSTM模型參數(shù)設(shè)置：學(xué)習(xí)率為0.001，隱藏層節(jié)點(diǎn)為10，batch size為128，樣本訓(xùn)練次數(shù)為100。ELM模型設(shè)定隱藏層神經(jīng)元數(shù)目為 100，選擇隱藏層神經(jīng)元激活函數(shù)“sigma”。SVM模型選取徑向基函數(shù)為核函數(shù)，設(shè)置懲罰系數(shù)為10，gamma參數(shù)為1。

1.5 模型驗(yàn)證因子

采用均方根誤差（Root Mean Square Error，RMSE）、平均絕對(duì)誤差（Mean Absolute Error，MAE）、相關(guān)系數(shù)（R）作為模型的驗(yàn)證因子，并將其統(tǒng)一到整體評(píng)價(jià)指標(biāo)（Global Performance Indicator，GPI）評(píng)價(jià)模型模擬精度。GPI計(jì)算公式如下：

式中GPIi是模型i的 GPI值；zik為模型i的驗(yàn)證因子k的值；zk是因子k的中位數(shù)；當(dāng)k為MAE和RMSE時(shí)，αk=-1，k為R時(shí)，αk= 1，GPI越大，模型的模擬精度越高，文中GPI按照排名表示，排名靠前GPI越大。

2 結(jié)果與分析

2.1 不同環(huán)境因子輸入下模型模擬精度對(duì)比

由于驗(yàn)證集與測(cè)試集得到的ET模擬精度相差不大，因此使用測(cè)試集結(jié)果說(shuō)明模型的模擬精度。表2為4個(gè)模型在不同參數(shù)因子組合下測(cè)試集10次模擬精度的平均值。從表2可知，不同輸入?yún)?shù)下AT-LSTM模型的模擬效果較為穩(wěn)定，RMSE在0.013～0.016 mm/30 min之間，MAE在0.006～0.008 mm/30 min之間，R在0.859～0.905之間。但SVM、ELM、SVM模型模擬精度變化較大。

當(dāng)輸入全部5個(gè)環(huán)境因子時(shí)，所有模型的GPI均為1。其中 AT-LSTM1模型的精度最高，RMSE為0.013 mm/30 min，MAE為0.006 mm/30 min，R值為0.905；當(dāng)輸入4和3個(gè)環(huán)境因子時(shí)，不同模型對(duì)輸入數(shù)據(jù)的響應(yīng)存在差異。AT-LSTM4和ELM4模型（輸入Ta、Rn、RH）的模擬精度優(yōu)于AT-LSTM5和ELM5（輸入Rn、Ts、SWC），而SVM4和ELM4模型的模擬精度低于SVM5和ELM5；當(dāng)輸入2個(gè)不同的環(huán)境因子時(shí)，AT-LSTM模型的模擬精度明顯比其他模型高，仍然能夠得到較優(yōu)的ET值。不同模型輸入Rn、Ts時(shí)模擬精度均較高，為輸入2個(gè)環(huán)境因子中的最優(yōu)模型。

只有1個(gè)環(huán)境因子作為輸入時(shí)，AT-LSTM模型模擬效果非常穩(wěn)定，模擬精度均較高，然而其他 3種模型模擬效果因輸入環(huán)境因子的不同差距很大。僅輸入Rn時(shí)4種模型表現(xiàn)最好，其中AT-LSTM14模型模擬效果最好，RMSE和 MAE分別為 0.014、0.007 mm/30 min，R為0.892，模擬效果甚至優(yōu)于LSTM、ELM和SVM模型輸入全部環(huán)境因子時(shí)。4種模型僅輸入SWC時(shí)GPI均為16，SVM16、ELM16、LSTM16的模擬效果最差。當(dāng)4種模型增加Rn作為輸入時(shí)（4種模型的模型16與模型10、15與11、6與5），模擬精度明顯提升，這說(shuō)明Rn對(duì)ET的模擬起到了積極的作用。

綜上，環(huán)境因子組合產(chǎn)生的模擬效果與選用的模型有關(guān)。AT-LSTM模型對(duì)ET的模擬具有可行性，且輸入環(huán)境因子的不同并沒有顯著影響AT-LSTM模型的模擬效果，這是AT-LSTM模型與SVM、ELM、LSTM模型在ET模擬中最大的區(qū)別，這說(shuō)明注意力機(jī)制可以更好地捕捉環(huán)境因子與ET之間復(fù)雜的非線性關(guān)系。從模擬結(jié)果來(lái)看，Rn對(duì)模型的模擬效果起到積極作用。僅有Rn輸入的AT-LSTM14模型在獲得較高的ET模擬精度的同時(shí)，減少了測(cè)量環(huán)境因子所需的成本，可以選用AT-LSTM14作為鹽池縣環(huán)境因子缺失情況下的模擬模型。

表2 4種模型不同環(huán)境因子輸入下測(cè)試集的模擬精度對(duì)比Table 2 Comparison of simulation accuracy of test set with input of different environmental factors of four models

2.2 模型穩(wěn)定性對(duì)比

圖2為全部環(huán)境因子輸入的 AT-LSTM1、SVM1、LSTM1、ELM1和只輸入Rn的AT-LSTM14模型分別執(zhí)行10次的RMSE值對(duì)比。從圖中可以看出，SVM1模型的 RMSE值穩(wěn)定不變，為 0.165，穩(wěn)定性最好。其次為AT-LSTM1和AT-LSTM14模型，AT-LSTM模型具有很好的穩(wěn)定性。

圖2 模型穩(wěn)定性對(duì)比Fig.2 Comparisons of model stability

2.3 不同模型模擬日蒸散量的精度對(duì)比

表3為4種模型對(duì)逐日蒸散量的模擬效果，模型的模擬精度與30 min蒸散量的模擬精度排名相同，AT-LSTM模型的模擬精度最高，輸入Rn、Ts的 AT-LSTM11模型GPI為2，僅輸入Rn的AT-LSTM14模型GPI為3，其次為L(zhǎng)STM模型，ELM模擬精度略低于LSTM模型，SVM模擬精度最低。僅有Rn輸入的AT-LSTM14模型在小時(shí)尺度及日尺度上的模擬精度均高于全部環(huán)境因子輸入的LSTM1、SVM1、ELM1模型，故選取AT-LSTM14、LSTM1、SVM1、ELM1模型對(duì)日蒸散的模擬值與真實(shí)值進(jìn)行對(duì)比（圖3），其他幾年的蒸散量變化及模擬趨勢(shì)與2013年相似。從圖3中可以看出，4種模型均很好地模擬出ET值在冬季較低，夏季較高的單峰趨勢(shì)，但是模擬效果存在一定差異。SVM1模型模擬的ET值在1—3月和11—12月浮動(dòng)較大，而真實(shí)值較為平緩。LSTM1和ELM1模型在1 —3月和11—12月對(duì)ET值的模擬效果較好，而在6—8月當(dāng) ET值較大時(shí)，模擬結(jié)果與真實(shí)值差距較大。而AT-LSTM14模型模擬的 ET值從整體來(lái)看更加貼合真實(shí)值，在 6—8月的模擬值與其他幾種模型相比效果更好，這是因?yàn)樽⒁饬C(jī)制可以通過(guò)不斷迭代更新，從序列中學(xué)習(xí)到每一個(gè)環(huán)境因子的重要程度。

表3 不同環(huán)境因子輸入下逐日蒸散量的測(cè)試集模擬精度對(duì)比Table 3 Comparison of simulation accuracy of daily evapotranspiration of test set between with input of different environmental factors

2.4 不同模型模擬4個(gè)季節(jié)逐小時(shí)蒸散量的精度對(duì)比

圖4為AT-LSTM14（僅輸入Rn）、LSTM1、SVM1、ELM1在4個(gè)季節(jié)的一天中ET模擬情況對(duì)比。春、夏、秋、冬季分別選擇2013年前一周沒有降水的4月10日、8月18日、10月10日、1月12日。從圖中可以看出，ET值在一天中的分布曲線呈拋物線狀。一天中ET的最高值出現(xiàn)在12:00—14:00之間，春、夏、秋、冬ET值在一天中的最高值分別為0.077、0.221、0.076、0.021 mm。冬季晝短夜長(zhǎng)，氣溫回升慢，ET值開始上升的時(shí)間晚于春、夏、秋季，ET值降為0的時(shí)間早于春、夏、秋季。4種模型都很好的模擬出了ET值先增大后減小的變化趨勢(shì)，但是模型的模擬效果存在差異。

圖3 2013年日蒸散量模擬值與真實(shí)值對(duì)比Fig.3 Comparison of simulated and real values of daily evapotranspiration in 2013

從圖4中可以明顯地看出，春、秋、冬季SVM1模型模擬效果明顯劣于其他模型，而夏季 8:00—14:00之間SVM1模型的模擬效果較好，與ELM1相當(dāng)。在ET值較小的時(shí)間段（00:00—6:00、19:00—24:00）AT-LSTM14模型、LSTM1模型、ELM1模型、SVM1模型的相對(duì)誤差分別為-1.23%～3.21%、5.25%～10.78%、7.64%～14.31%、40.23%～60.98%。在其他時(shí)間段 AT-LSTM14模型、LSTM1模型、ELM1模型、SVM1模型的相對(duì)誤差分別為0.15%～0.35%、0.20%～2.58%、0.33%～2.35%、0.42%～10.07%。從整體來(lái)看，僅輸入Rn的AT-LSTM14模型精度最高，SVM1模型的模擬效果最差。ELM1模型和LSTM1模型因季節(jié)不同模擬效果不同，春季、冬季以及ET值較小的時(shí)間段，LSTM1模型模擬精度優(yōu)于ELM1模型。

圖4 2013年不同季節(jié)一天中模型模擬蒸散量對(duì)比Fig.4 Comparison of simulated ET of models in a day of different seasons in 2013

2.5 不同模型模擬月蒸散量的精度對(duì)比

圖5為2012—2017年月平均蒸散量模型模擬和平均降水量的對(duì)比圖。選取僅有Rn輸入的AT-LSTM14和全部環(huán)境因子輸入的SVM1、ELM1、LSTM1模型。從圖5中可以看出，鹽池縣的月ET值呈先增大后減少的單峰趨勢(shì)，4種模型都能很好地模擬出這種趨勢(shì)。7月溫度升高，降水量增多為73.750 mm，植物快速生長(zhǎng)期到來(lái)，ET值達(dá)到最大為68.140 mm，12月到達(dá)最小值1.75 mm，1月、2月、12月降水量為0。其中7月AT-LSTM14模型、SVM1模型、LSTM1模型、ELM1模型的模擬值分別為60.050、54.070、39.640、48.380 mm，12月AT-LSTM14模型、SVM1模型、LSTM1模型、ELM1模型的模擬值分別為2.320、-4.810、2.760、3.370 mm。春季（3—5月）降水量少，氣溫回升快，ET值變大，出現(xiàn)春旱的現(xiàn)象，此時(shí)生態(tài)系統(tǒng) ET的來(lái)源主要為灌溉和地下水。當(dāng) ET值較小時(shí)（1 月—4月、11月—12月）ELM1模型、AT-LSTM14模型、LSTM1模型的模擬值都非常接近，模擬效果很好，而SVM1模型的模擬值與真實(shí)值差距較大，模擬效果較差。植物生長(zhǎng)季（5—10月）可以明顯看出AT-LSTM14模型比其他3種模型的模擬值更加接近真實(shí)值，LSTM1模擬效果最差。其中5月—7月可以看出SVM1模型的模擬效果變好，優(yōu)于ELM1模型和LSTM1模型。以上表明在月尺度上，AT-LSTM 模型對(duì)蒸散量的模擬效果最好，ELM1模型次之。

圖5 2012—2017年月蒸散量模擬值與真實(shí)值對(duì)比Fig.5 Comparison of simulated and real values of monthly evapotranspiration from 2012 to 2017

3 討 論

生態(tài)系統(tǒng)蒸散過(guò)程是一個(gè)較為復(fù)雜的綜合性過(guò)程，受到各個(gè)環(huán)境因素和生物因素的制約，而它們之間又相互影響[31]，氣候變化和人類活動(dòng)也會(huì)影響蒸散量。

AT-LSTM模型、ELM模型、LSTM模型、SVM模型都可以很好地描述鹽池縣蒸散量變化趨勢(shì)，這是因?yàn)樗鼈兌伎梢悦枋鯡T與環(huán)境因子之間復(fù)雜的非線性關(guān)系。相比于ELM、SVM、LSTM 模型，AT-LSTM 模型的顯著優(yōu)勢(shì)表現(xiàn)在當(dāng)輸入因子變化時(shí)，模型模擬精度變化很小且模擬效果較好，例如僅輸入SWC的ELM16、SVM16、LSTM16模擬效果很差，而AT-LSTM16模型仍可以得到較好的模擬結(jié)果。這是因?yàn)镋LM模型和SVM模型架構(gòu)簡(jiǎn)單，對(duì)特征捕捉的能力有限，LSTM可以對(duì)歷史數(shù)據(jù)樣本進(jìn)行深度學(xué)習(xí)并解決了長(zhǎng)期依賴問(wèn)題，而AT-LSTM模型在LSTM模型的基礎(chǔ)上不斷計(jì)算并更新解碼器隱藏狀態(tài)的權(quán)重，相對(duì)于傳統(tǒng)機(jī)器學(xué)習(xí)模型可以更好地捕捉時(shí)間序列特征，挖掘更深尺度信息。

由表2的結(jié)果可以看出，氣象因子（Ta、RH、Rn）比土壤因子（Ts、SWC）對(duì)ET的影響更大，當(dāng)輸入環(huán)境因子中增加Rn時(shí)，4種模型效果均得到大幅度改善，說(shuō)明Rn對(duì)鹽池縣的ET影響較大，這是因?yàn)閮糨椛涫悄芰康膩?lái)源，且Rn與日照時(shí)數(shù)和太陽(yáng)總輻射有關(guān)，而太陽(yáng)總輻射是引起溫差的原因，溫度和日照時(shí)長(zhǎng)也在Rn中得到了表現(xiàn)[32]，這與曹雯等[33]得出的結(jié)論一致。在 5個(gè)環(huán)境因子中，SWC對(duì)ET的影響最小，降雨是土壤含水量的主要來(lái)源，通常來(lái)說(shuō)只有10%～20%的降水最終可以轉(zhuǎn)化為土壤水分[34]，而土壤水分蒸發(fā)主要受到氣象因素與土壤溫度的影響，這也是Rn、Ts輸入的模型模擬精度高的原因?？傮w來(lái)說(shuō)氣象因素（Ta、Rn、RH）對(duì)鹽池縣蒸散量的影響大于土壤因素（Ts、SWC）。但Chen等[23]研究指出在北美地區(qū)常綠針葉林的ET主導(dǎo)因素依次為Ta、大氣二氧化碳濃度、Ts、SWC、Rn，這說(shuō)明針對(duì)不同的研究區(qū)域，ET對(duì)環(huán)境因子的響應(yīng)也存在差異。

4 結(jié) 論

1）AT-LSTM 模型模擬精度高，模型穩(wěn)定性強(qiáng)，可以應(yīng)用于鹽池縣蒸散量的模擬預(yù)測(cè)問(wèn)題，且在小時(shí)尺度、日尺度、月尺度、季節(jié)尺度上均取得了很好的模擬效果。

2）總體上，AT-LSTM模型模擬效果最好，LSTM模型優(yōu)于ELM模型，SVM模型模擬效果最差。但SVM模型在溫度較高的時(shí)段 5月—9月以及夏季的 10:00—14:00，模擬效果與ELM模型相當(dāng)。

3）在缺少環(huán)境因子輸入的情況下，AT-LSTM 模型模擬精度變化很小，模擬精度仍較高，凈輻射（Rn）對(duì)鹽池縣蒸散量的模擬貢獻(xiàn)程度最大，土壤含水量最小。僅輸入Rn情況下AT-LSTM模型也能取得較好的精度，可以作為缺失環(huán)境因子輸入情況下的模擬模型。